智能手机构建去中心化AI网络：替代数据中心的新路径

随着人工智能基础设施建设加速，对高能耗、高投入的数据**模式的质疑日益加剧。环保组织关注其碳足迹，投资者则担忧巨额资本支出——据Epoch AI估算，建设一座1吉瓦级AI数据**成本高达380亿美元。

在此背景下，一种新范式正逐步浮现：利用全球76.8亿部移动设备形成的闲置算力网络，作为集中式数据**的补充甚至替代。这些设备具备处理器、内存和联网能力，理论上可构成庞大的分布式计算资源池。

去**化AI网络：从概念到落地

Acurast项目成为这一趋势的代表。联合创始人Alessandro De Carli透露，平台已接入超过33.5万部智能手机，平均每天约有4万部处于活跃状态，承担网页抓取、网络安全检测、AI推理及智能体托管等任务。

De Carli指出，智能手机在特定场景中表现优异，尤其在需要硬件安全隔离的机密计算任务中。其内置的安全模块支持创建独立执行环境，适合运行受控代码。同时，由于多数应用需绕过企业或平台的速率限制，移动设备的“真实用户”身份使其在访问受限端点时更具优势。

尽管存在内存限制，但团队认为大多数轻量级工作负载仍可在现有设备容量内完成。据估算，当前活跃设备的聚合算力相当于约2,340台高端服务器（以ASUS RS720A-E11为基准），展现出可观潜力。

Phase Proxy：破解流量封锁难题

并非所有项目都试图在手机上直接运行完整模型。Phase推出的Phase Proxy专注于解决一个现实痛点：许多网站会屏蔽来自数据**的自动化请求。

通过将请求路由至住宅或移动网络节点，该服务可有效规避检测机制。创始人Kirill Eves介绍，定价为每千次请求及1GB流量收取0.5 USDT。下一阶段的Phase Router将根据任务复杂度、模型性能与成本，智能分配任务——简单任务由本地手机处理，复杂任务则交由OpenAI、Anthropic等主流提供商完成。

未来，该项目计划扩展至台式机、服务器及GPU集群，形成混合架构体系，实现不同层级硬件间的协同分工。

可靠性挑战：从实验室到真实世界

将分散的手机转化为稳定算力资源，远比实验环境复杂。现实中，设备面临电池耗尽、过热、网络波动和硬件差异等多重制约。

2025年《Sensors》杂志的一项研究显示，在受控条件下，少量智能手机集群可完成图像识别任务并达到竞争力水平。加州大学**亚哥分校在谷歌支持下也发现，20台退役手机组成的集群，能**处理超过75名学生班级的评分任务，速度优于传统云部署。

但这些成果均建立在设备集中管理的前提下。一旦进入真实网络，断连、休眠、规格不一等问题将显著影响任务调度效率。类似以太坊网络中的低性能节点问题，在手机算力网络中被放大，调度失败风险更高。

激励机制：谁来支付？如何持续？

即使技术可行，能否长期运行取决于经济模型是否可持续。

Acurast采用动态奖励机制，收益基于设备在线时间、硬件性能、质押量及实际需求波动调整，形成竞争性通胀资助池，而非固定回报。

Phase则采取另一种策略：将部分服务收入用于回购PHASE**，并依据节点贡献进行分配。两种模式均指向核心命题——必须建立足够强的激励机制，确保数万台设备保持在线并稳定参与。

**衡量标准并非节点数量或**价格，而是网络能否在不可预测的真实环境中，持续提供客户愿意付费的服务，并达到可替代或增强传统基础设施的稳定性能。

当前阶段，观察**应聚焦于三方面：设备在真实条件下的持续在线率、与**化方案相比的成本效益、以及奖励机制在早期采用后是否仍具吸引力且可持续。