O que é a inferência de IA on-chain? Comparação dos modelos de negócio de computação da Orbio, Surplus e Antseed

A inferência de IA on-chain refere-se a um modelo técnico que combina a inferência de modelos de inteligência artificial com mecanismos de pagamento, identidade, incentivos ou verificação baseados em blockchain. Ao contrário da execução integral dos cálculos do modelo numa máquina virtual de blockchain, na prática, a inferência de IA em grande escala continua normalmente a ser realizada por GPU, CPU ou aceleradores especializados off-chain. A blockchain regista principalmente transações, coordena participantes ou fornece relações económicas verificáveis.

À medida que os agentes de IA, a negociação automatizada e as aplicações de IA generativa se desenvolvem, a inferência está a tornar-se um serviço que consome continuamente recursos computacionais. O treino de modelos é normalmente periódico, enquanto a inferência ocorre de forma contínua à medida que os utilizadores enviam pedidos e os agentes fazem chamadas. Esta evolução está gradualmente a deslocar o foco dos mercados de computação de "quem possui GPU" para "quem consegue fornecer resultados de inferência a preços, velocidades e níveis de qualidade estáveis".

Orbio, Surplus e Antseed representam abordagens de infraestrutura descentralizada de IA que merecem acompanhamento. Partindo dos princípios técnicos da inferência de IA, este artigo aborda a relação entre a oferta de recursos computacionais, a coordenação de tarefas e a monetização, comparando simultaneamente o posicionamento de mercado, as potenciais vantagens e as principais métricas que requerem validação nos três projetos.

Principais conclusões

• A inferência de IA on-chain não significa que os modelos tenham de ser executados diretamente na blockchain. A maioria das soluções práticas utiliza uma arquitetura híbrida, com execução off-chain e pagamentos ou verificação on-chain, para evitar os custos de execução e as limitações de capacidade da blockchain.

• Os mercados descentralizados de computação de IA procuram ligar recursos computacionais inativos à procura de aplicações de IA. Os principais desafios não incluem apenas a suficiência da capacidade computacional, mas também o agendamento de tarefas, a qualidade do serviço, a latência da inferência e a utilização dos recursos.

• Orbio, Surplus e Antseed podem ser comparados em diferentes segmentos empresariais. É necessário distinguir entre a oferta de recursos computacionais, a prestação de serviços de inferência e os mecanismos de coordenação da rede, em vez de avaliar os respetivos modelos de negócio apenas com base nos rótulos de IA ou DePIN.

• O valor comercial dos serviços de inferência depende da procura real. O número de GPU, os nós da rede e o volume de negociação do token não representam diretamente as receitas reais de inferência. Os utilizadores pagantes recorrentes e as margens brutas dos serviços refletem melhor a qualidade do negócio.

• A inferência descentralizada continua a enfrentar desafios técnicos e económicos. O carregamento de modelos, a heterogeneidade do hardware, a verificação dos resultados, a privacidade dos dados e a estabilidade do serviço afetam a sua capacidade de competir com os serviços de cloud centralizados.

O que é a inferência de IA on-chain e por que está a tornar-se um ponto de convergência entre a IA e a Web3?

A inferência de IA é o processo através do qual um modelo treinado recebe dados de entrada e gera previsões, texto, imagens ou outros resultados. Por exemplo, quando um utilizador faz uma pergunta a um modelo de linguagem de grande escala e o modelo gera uma resposta; quando um agente de IA analisa dados de mercado e determina a sua ação seguinte; ou quando uma aplicação chama uma API de modelo para classificar conteúdo — todos estes são cenários de inferência.

Ao contrário do treino de modelos, a procura de inferência é normalmente mais distribuída, contínua e frequente. O treino pode utilizar recursos computacionais substanciais durante períodos específicos, enquanto os custos de inferência continuam a aumentar com o número de utilizadores, chamadas ao modelo e extensão do contexto. Para os agentes de IA que precisam de funcionar continuamente, as despesas de inferência podem até tornar-se um custo importante com impacto nos respetivos modelos de negócio.

O mercado de inferência de IA on-chain procura resolver a forma como os serviços de inferência são organizados e transacionados, em vez de necessariamente transferir os próprios cálculos de IA para a blockchain. O fluxo de trabalho real inclui normalmente quatro etapas: o lado da procura envia um pedido de chamada de modelo, o mercado encontra um fornecedor capaz de prestar o serviço, um ambiente computacional off-chain executa a inferência e o mecanismo de pagamento ou liquidação correspondente processa as taxas.

Esta estrutura combina as capacidades de pagamento programável da blockchain com a computação de IA off-chain, permitindo que diferentes participantes estabeleçam relações de mercado em torno de chamadas a modelos, recursos computacionais e preços dos serviços.

No entanto, é necessário distinguir aqui dois conceitos: a inferência de IA coordenada pela blockchain e a inferência de IA verificável. A primeira dá ênfase aos pagamentos, incentivos e organização do mercado, enquanto a segunda se centra na possibilidade de provar que um modelo foi executado conforme exigido. O facto de uma plataforma suportar pagamentos em USDC ou credenciais on-chain não significa que tenha alcançado a verificação criptográfica dos resultados de inferência.

Por que podem os mercados descentralizados de inferência de IA oferecer serviços de menor custo?

Os serviços tradicionais de API de IA são normalmente tarifados diretamente pelos fornecedores de modelos ou pelos fornecedores de serviços cloud. Depois de pagar uma taxa, o utilizador chama os modelos através de uma interface unificada e recebe os resultados de inferência correspondentes. A vantagem deste modelo é a estabilidade do serviço e a integração simples, mas os preços e as condições da oferta são determinados principalmente pelos fornecedores de serviços.

Por outro lado, os mercados descentralizados de inferência de IA procuram introduzir mais fornecedores. Diferentes fornecedores podem disponibilizar quotas de API de modelos, recursos de GPU inativos ou serviços de inferência implementados por si próprios e competir pelos pedidos dos utilizadores.

Os preços mais baixos podem resultar principalmente de três mecanismos.

O primeiro é a agregação e revenda de quotas de API. O mercado agrega a capacidade de chamada de modelos proveniente de diferentes canais e oferece descontos através das diferenças nos custos de aquisição, da concorrência entre fornecedores ou de subsídios da plataforma. A vantagem é não ser necessário criar a infraestrutura de modelos de raiz, mas os custos reais continuam a depender dos serviços a montante.

O segundo é a utilização da capacidade computacional inativa. As pessoas ou instituições que possuem GPU podem disponibilizar capacidade de inferência durante períodos de inatividade, melhorando a utilização do hardware. No entanto, este modelo precisa de resolver as diferenças no desempenho dos dispositivos, na implementação dos modelos e na estabilidade do serviço.

O terceiro são os incentivos em tokens e os subsídios de mercado. As plataformas podem reduzir, à primeira vista, o preço pago pelos utilizadores através de recompensas, pontos ou credenciais on-chain, com o objetivo de atrair a procura inicial. No entanto, se os descontos forem suportados principalmente por subsídios, e não por uma maior eficiência computacional, a vantagem de preço a longo prazo poderá ser difícil de manter.

Por conseguinte, para determinar se uma plataforma reduz realmente os custos de inferência, é necessário fazer mais do que comparar os preços apresentados das API. É também necessário analisar as fontes dos subsídios, os custos a montante, a qualidade do serviço e a sustentabilidade após a redução dos subsídios.

O que é a Orbio e como permite aos agentes de IA comprar créditos de inferência de forma autónoma?

A Orbio posiciona-se como um mercado de recursos de inferência para agentes de IA. Além de disponibilizar pontos de acesso a modelos, procura transformar os créditos de inferência em recursos que podem ser comprados e geridos através de ativos on-chain, permitindo que os agentes atribuam orçamentos de inferência de acordo com as suas próprias tarefas.

Ao contrário dos modelos tradicionais de subscrição de API, a Orbio introduz credenciais CREDIT. De acordo com o seu modelo, cada CREDIT corresponde a créditos de chamada de modelos no valor de 1 $ dentro do gateway da plataforma. Os utilizadores ou agentes podem obter serviços de inferência através da compra e do resgate de CREDIT.

A importância deste modelo reside no facto de transformar os orçamentos de inferência em recursos programáveis. Por exemplo, um agente de IA com uma carteira e permissões de despesa pode comprar créditos com base nos requisitos de uma tarefa e, em seguida, utilizar interfaces de modelos para concluir análises de informação, gerar conteúdo ou realizar outras tarefas automatizadas.

A Orbio procura também ligar os serviços de inferência à criação de agentes, à emissão de tokens e às funções de negociação. Os programadores podem criar aplicações e ativos relacionados em torno dos agentes, estabelecendo ligações entre chamadas a modelos, operações dos agentes e negociação on-chain.

No entanto, este modelo apresenta uma questão importante: a emissão e a negociação de créditos de inferência não representam necessariamente um consumo real de inferência.

Se o preço de mercado do CREDIT for inferior ao seu valor declarado em créditos de chamada, os utilizadores podem comprá-lo devido ao desconto ou mantê-lo para negociação ou expectativas de arbitragem. Neste caso, a atividade de negociação de credenciais e o volume real de chamadas a modelos podem divergir significativamente.

Além disso, se os descontos dependerem principalmente de recompensas geradas por taxas de negociação, será necessária uma atividade de negociação contínua. Quando a negociação no mercado diminuir, a dimensão dos subsídios e o nível dos descontos poderão sofrer alterações.

Por conseguinte, ao avaliar a Orbio, as principais métricas incluem a taxa efetiva de resgate de CREDIT, o volume de chamadas a modelos, o número de utilizadores recorrentes e a possibilidade de o consumo de inferência continuar a crescer sem incentivos à negociação.

TechFlow

O que é a Surplus Intelligence e como reduz os custos das chamadas de IA através da agregação de recursos computacionais?

A Surplus Intelligence aproxima-se mais de um mercado de agregação de serviços de inferência de IA. Permite que diferentes fornecedores disponibilizem interfaces de chamada de modelos e permite aos utilizadores obter serviços de inferência a partir de várias fontes de oferta, através de preços independentes e do encaminhamento de pedidos.

Ao contrário da ênfase da Orbio na economia dos agentes e nas credenciais on-chain, a Surplus tem uma lógica empresarial relativamente direta: integra serviços de modelos fragmentados num mercado de chamadas unificado e melhora as opções de preços e serviços através da concorrência entre fornecedores.

Os fornecedores podem disponibilizar diferentes interfaces de modelos, e a plataforma atribui os pedidos aos fornecedores correspondentes com base em regras de encaminhamento. Os utilizadores não precisam de estabelecer processos de chamada separados com cada fornecedor de serviços de modelos, podendo aceder aos serviços através do mercado agregado.

A vantagem deste modelo é ser fácil de compreender e aproximar-se mais dos negócios tradicionais de agregação de API. A principal vantagem competitiva da plataforma não é o número de tokens que emite, mas sim a capacidade de atrair continuamente fornecedores fiáveis, processar pedidos de chamadas reais e manter preços baixos e velocidades de resposta estáveis.

A Surplus introduz também a ocultação de informações sensíveis, procurando substituir algumas chaves de API ou outros campos sensíveis por marcadores de posição antes de enviar os pedidos para fornecedores externos de serviços de modelos. Isto ajuda a reduzir o risco de exposição direta de informações sensíveis aos fornecedores.

No entanto, a ocultação não significa proteção da privacidade de ponta a ponta. A plataforma responsável pelo processamento dos pedidos originais pode continuar a ter acesso ao conteúdo sensível, pelo que os utilizadores devem prestar atenção às permissões de acesso aos dados, à retenção de registos e aos limites de segurança dos fornecedores terceiros.

Outra característica da Surplus é a relação relativamente limitada entre a utilização do produto e o valor do token. As informações públicas disponíveis indicam que o token SURPLUS ainda não desempenha diretamente funções essenciais, como o pagamento de taxas de inferência, o encaminhamento de pedidos ou a distribuição das receitas do mercado.

Isto significa que, mesmo que os pedidos de inferência da plataforma continuem a crescer, não se pode concluir diretamente que a procura do token aumentará em paralelo. As receitas do negócio da plataforma e a captura de valor pelo token são duas questões que precisam de ser validadas separadamente.

TechFlow

O que é a Antseed e como funciona uma rede de computação P2P aberta?

A Antseed utiliza uma arquitetura diferente da Orbio e da Surplus. Dá maior ênfase a uma rede aberta de descoberta de recursos computacionais peer-to-peer (P2P), permitindo que os utilizadores do lado da procura encontrem diretamente fornecedores de serviços de inferência disponíveis, em vez de dependerem totalmente de um gateway unificado para a atribuição de pedidos.

Neste modelo, os fornecedores de recursos computacionais podem aderir à rede de forma independente e publicar os serviços de modelos que conseguem disponibilizar, enquanto os utilizadores do lado da procura selecionam os fornecedores com base no tipo de modelo, no preço e noutras condições. A plataforma trata principalmente da descoberta de serviços e da coordenação da rede.

Uma potencial vantagem desta arquitetura é reduzir a dependência de um único gateway e permitir que fornecedores de recursos computacionais de diferentes dimensões e tipos compitam entre si. Para os programadores com requisitos específicos de modelos, uma rede aberta pode também disponibilizar mais opções de oferta.

No entanto, uma arquitetura P2P introduz desafios adicionais relacionados com a qualidade do serviço. O desempenho do hardware, a latência da rede e a estabilidade operacional podem variar significativamente entre fornecedores. Mesmo que um fornecedor afirme disponibilizar um determinado modelo, continua a ser necessário considerar como verificar se o modelo que está efetivamente a ser executado corresponde ao modelo anunciado.

Por conseguinte, o modelo da Antseed envolve também mecanismos de reputação e staking. Está previsto que o token ANTS seja utilizado para a reputação do mercado e para os incentivos aos participantes. Os fornecedores de serviços podem participar no sistema de reputação correspondente através de staking e procurar obter elegibilidade para receber recompensas.

Ao contrário da Orbio, que depende de recompensas provenientes de taxas de negociação, o modelo de recompensas atualmente divulgado pela Antseed depende principalmente dos fundos do tesouro do projeto, e não da distribuição direta das receitas das transações de inferência. Isto significa que poderá continuar a existir uma diferença entre a distribuição de recompensas e as receitas reais do negócio.

No final de outubro de 2026, o ANTS ainda não era negociado publicamente, e a sustentabilidade a longo prazo dos seus mecanismos de tokens continua a exigir uma validação adicional.

TechFlow

Em que diferem os modelos de negócio de computação da Orbio, da Surplus e da Antseed?

Embora os três projetos procurem reduzir o custo de acesso à inferência de IA, na realidade estão a resolver problemas diferentes.

A Orbio centra-se na forma como os agentes de IA podem comprar e gerir recursos de inferência; a Surplus centra-se na concorrência de preços e na atribuição de pedidos entre diferentes fornecedores de serviços de modelos; e a Antseed procura ligar a oferta e a procura de recursos computacionais através de uma rede aberta.

Do ponto de vista do modelo de negócio, os três projetos podem também ser categorizados de forma mais detalhada com base nas suas estruturas de receitas e incentivos.

A Orbio aproxima-se mais de uma combinação entre créditos de inferência e uma economia de ativos de agentes. Procura ligar o consumo de inferência e os ativos on-chain através de CREDIT, mas precisa de demonstrar que o consumo real consegue suportar as operações do mercado, em vez de depender principalmente da atividade de negociação.

A Surplus aproxima-se mais de um serviço tradicional de agregação de API. A sua principal oportunidade de negócio reside na agregação da oferta, no processamento de pedidos de chamadas e na disponibilização de funcionalidades de valor acrescentado, mas as receitas reais da plataforma, as margens de lucro e a relação destas com o token ainda precisam de ser avaliadas de forma independente.

A Antseed aproxima-se mais de uma rede aberta de descoberta de serviços computacionais. Procura coordenar a oferta e a procura através de mecanismos de reputação e staking, mas precisa de validar a qualidade dos fornecedores, a escala real das transações e a possibilidade de formar fontes de receitas estáveis para além dos incentivos do tesouro.

Por conseguinte, a concorrência entre os três projetos não se resume a saber quem oferece o preço de inferência mais baixo, mas sim quem consegue estabelecer uma rede de oferta mais estável, atrair utilizadores pagantes de forma contínua e criar uma estrutura económica capaz de cobrir os custos operacionais.

Como determinar se um projeto descentralizado de inferência de IA tem procura real?

Os projetos de inferência de IA apresentam frequentemente o número de modelos, os fornecedores suportados, os pedidos de inferência ou a atividade de negociação de tokens, mas estas métricas não podem ser diretamente equiparadas às receitas reais do negócio.

• Concentre-se no volume real de chamadas pagas. O processamento de um grande número de pedidos por uma plataforma não significa que todos os pedidos provenham de utilizadores pagantes independentes. Pedidos de teste, chamadas motivadas por incentivos ou tráfego automatizado de baixo custo podem inflacionar os dados de utilização.

• Observe a retenção dos utilizadores e as despesas recorrentes. Se os programadores utilizarem uma plataforma apenas devido aos subsídios iniciais e mudarem para outros serviços quando os descontos desaparecerem, a utilização atual poderá não ser sustentável. Em contrapartida, os agentes de IA em funcionamento contínuo, as aplicações que chamam regularmente API e os programadores dispostos a pagar preços de mercado são indicadores mais fortes da procura real do produto.

• Analise o custo real dos serviços de inferência. Os preços apresentados mais baixos podem resultar de vantagens na aquisição a montante ou de subsídios em tokens. Só depois de considerar os custos de computação, largura de banda, encaminhamento, pagamentos e operação e manutenção será possível avaliar a rentabilidade sustentável de uma plataforma.

• Distinga entre as receitas da plataforma e o valor do token. Uma plataforma pode ter muitos utilizadores, enquanto o seu token não participa em pagamentos, staking ou distribuição de receitas. Por outro lado, uma negociação ativa do token não significa que os serviços de inferência tenham alcançado aceitação no mercado.

• Preste atenção à qualidade do serviço. A latência da inferência, as taxas de sucesso dos pedidos, a consistência dos modelos e a segurança dos dados são fatores importantes para os programadores que escolhem uma infraestrutura. Se uma plataforma não conseguir prestar serviços estáveis, poderá ser difícil entrar em ambientes de produção, mesmo com preços mais baixos.

Em conjunto, estas métricas formam um quadro básico para avaliar os mercados descentralizados de inferência de IA. Em comparação com uma única métrica, como o volume de negociação ou o preço do token, a procura paga sustentada e as capacidades reais de prestação de serviços merecem maior atenção.

Que riscos enfrentam os mercados descentralizados de inferência de IA?

O principal desafio da inferência descentralizada de IA não consiste simplesmente em encontrar GPU de baixo custo, mas sim em fornecer serviços de modelos de forma estável, verificável e segura.

A nível técnico, podem existir diferenças de desempenho entre o hardware e os fornecedores de serviços. Os tempos de carregamento dos modelos, a latência das respostas, a capacidade de processamento simultâneo e os mecanismos de recuperação de falhas afetam a experiência da aplicação. Para os agentes de IA que precisam de executar tarefas continuamente, uma única falha de inferência pode interromper todo o fluxo de trabalho.

A nível de segurança, os pedidos aos modelos podem conter dados dos utilizadores, informações empresariais ou até credenciais sensíveis. Mesmo que uma plataforma utilize ocultação, ambientes de execução de confiança ou outras medidas de proteção, continua a ser necessário definir claramente quais os participantes que podem aceder aos dados de entrada originais e se os dados são registados ou conservados.

A nível económico, as recompensas em tokens podem ajudar um mercado a obter liquidez inicial, mas também podem ocultar a oferta e a procura reais. Se as recompensas dependerem principalmente de fundos do tesouro ou da atividade de negociação, os projetos precisam de explicar como serão mantidos os preços dos serviços e as receitas dos fornecedores após a redução dos subsídios.

A nível de mercado, as plataformas descentralizadas também têm de competir com serviços cloud estabelecidos e fornecedores de API de IA. Os serviços centralizados disponibilizam normalmente padrões de serviço uniformes, ferramentas maduras para programadores e um apoio ao cliente mais abrangente. Os mercados descentralizados precisam de demonstrar, através do preço, da abertura, da composabilidade ou de vantagens em cenários específicos, por que motivo os utilizadores devem alterar os seus métodos de aquisição atuais.

Por conseguinte, a descentralização não significa inerentemente custos mais baixos, maior privacidade ou serviços mais fiáveis. As diferentes arquiteturas envolvem compromissos, e os utilizadores devem escolher os serviços de inferência adequados com base nas suas necessidades reais.

Resumo

Os mercados de inferência de IA on-chain procuram reorganizar a oferta e a procura de chamadas a modelos e recursos computacionais. O seu valor principal não resulta necessariamente da colocação da computação de IA na blockchain, mas da possibilidade de mais participantes fornecerem e acederem a serviços de inferência através de pagamentos on-chain, coordenação de mercado, credenciais e mecanismos de incentivo.

A Orbio, a Surplus Intelligence e a Antseed demonstram três vias de desenvolvimento diferentes: a Orbio dá ênfase à compra autónoma de créditos de inferência por agentes de IA, a Surplus liga a oferta e a procura através da agregação de API e da concorrência de preços, e a Antseed procura estabelecer uma rede aberta P2P de descoberta de recursos computacionais.

Cada modelo tem as suas próprias vantagens e questões que requerem validação. A Orbio precisa de demonstrar a existência de procura real de consumo de CREDIT, a Surplus precisa de estabelecer uma relação económica clara entre as operações da plataforma e o seu token, e a Antseed precisa de resolver as questões relacionadas com a qualidade dos serviços e a sustentabilidade dos incentivos.

Para o setor no seu conjunto, a chave da concorrência futura poderá deixar de ser simplesmente oferecer a cotação de inferência mais baixa e passar a consistir na capacidade de um projeto estabelecer serviços estáveis, uma procura paga sustentada e um modelo de negócio que não dependa de subsídios de curto prazo.

Perguntas frequentes

O que significa inferência de IA on-chain?

A inferência de IA on-chain refere-se geralmente à combinação da inferência de modelos de IA com pagamentos, incentivos, identidade ou mecanismos de verificação baseados em blockchain. A maior parte da computação efetiva dos modelos continua a ser realizada off-chain.

Qual é a diferença entre a inferência de IA on-chain e a capacidade descentralizada de computação por GPU?

A capacidade descentralizada de computação por GPU dá ênfase à oferta e ao aluguer de recursos computacionais, enquanto os mercados de inferência de IA on-chain se centram mais nas chamadas a modelos, no encaminhamento de pedidos, na liquidação de taxas e na prestação de serviços. Os dois conceitos podem sobrepor-se, mas não são exatamente iguais.

Para que é utilizado o CREDIT na Orbio?

O CREDIT foi concebido como uma credencial de crédito de inferência dentro da plataforma Orbio. Cada unidade corresponde a um valor declarado de 1 $ em créditos de chamadas a modelos e pode ser utilizada para resgatar os serviços correspondentes.

Qual é a principal vantagem da Surplus Intelligence?

Ao agregar diferentes fornecedores de serviços de modelos, permitir preços independentes e atribuir pedidos de inferência, a Surplus disponibiliza aos programadores mais opções de preços e serviços.

Por que utiliza a Antseed uma arquitetura P2P?

A Antseed procura permitir que os utilizadores do lado da procura descubram e selecionem diretamente fornecedores independentes de recursos computacionais, reduzindo a dependência de um gateway unificado e coordenando simultaneamente os participantes do mercado através de mecanismos de reputação.

A inferência descentralizada de IA é sempre mais barata do que as API tradicionais?

Não necessariamente. Algumas plataformas podem oferecer preços mais baixos devido à concorrência no mercado, enquanto outras podem depender de recompensas em tokens ou de subsídios temporários. Os custos reais dependem também do modelo, da qualidade do serviço e do volume de chamadas.

O crescimento da utilização das plataformas de inferência de IA fará subir os preços dos tokens?

Não existe uma relação necessária. É primeiro necessário confirmar se o token desempenha funções económicas reais de pagamento, staking ou outro tipo e se o crescimento da plataforma pode traduzir-se numa procura correspondente do token.

Como determinar se um projeto de inferência de IA tem valor a longo prazo?

Entre os principais fatores a considerar incluem-se o volume real de chamadas pagas, as taxas de utilização recorrente, a estabilidade do serviço, os custos de inferência, as receitas dos fornecedores e o desempenho do negócio após a redução dos incentivos em tokens.