Bây giờ chúng ta đã vượt qua một rào cản lớn -- chứng minh rằng việc đào tạo AI phi tập trung là khả thi -- kiến thức này đưa chúng ta đến giai đoạn tiếp theo trong việc suy nghĩ về vai trò của ngăn xếp AI phi tập trung trong suy diễn. Vì các mạng có thể sản xuất các mô hình, suy diễn phi tập trung trở nên *thú vị* hơn rất nhiều. Tại sao? Chà, trước đây, suy diễn phi tập trung có nghĩa là có thể lấy một mạng d và cung cấp đầu ra mô hình. Các mô hình là các mô hình mã nguồn mở hoặc đóng truyền thống. Và mục tiêu là giảm chi phí để khách hàng sẽ thích suy diễn d hơn so với suy diễn thông thường. Nhưng điều này là vấn đề trong suy diễn d, vì d thực sự làm cho suy diễn trở nên đắt hơn (với một số giải pháp suy đoán, giải pháp thú vị nhất là trợ cấp). Tuy nhiên, nếu chúng ta biết rằng các mạng có thể sản xuất và sở hữu tập thể các mô hình, thì suy diễn trở thành điểm mà doanh thu được tạo ra. Khách hàng *phải* đến mạng để nhận đầu ra mô hình, và rất nhiều kế hoạch mã hóa sẽ phụ thuộc vào cơ sở này. Ví dụ, nếu bạn muốn mã hóa các mô hình deAI, bạn sẽ cần chuyển hướng dòng doanh thu suy diễn đến các chủ sở hữu token. Suy diễn phi tập trung là một lĩnh vực thú vị để suy nghĩ, nhưng nó trở thành một lĩnh vực *quan trọng* khi chúng ta ngồi lại để xây dựng các mô hình token của không gian deAI!