属性访问控制

1. 3 秒看懂

ABAC（AI‑Blockchain Application Chain）是一种将区块链的去中心化信任基础设施与人工智能的数据处理、决策能力深度融合的架构范式。它并非区块链和 AI 的简单叠加，而是试图通过链上存证、可验证推理、隐私计算和智能合约自动协作，构建一套数据可确权、模型可溯源、协作可激励的智能应用体系。在此语境下 ABAC 指代“AI 与区块链融合的链化应用”，与传统信息安全领域的“基于属性的访问控制（Attribute‑Based Access Control）”共享缩写但含义完全不同，阅读时务必注意区分。

2. 3 分钟产业解释

人工智能的快速发展暴露出三个结构性痛点：数据孤岛使高质量训练数据难以流通；黑盒模型令决策过程难以审计，监管和用户信任不足；版权与激励缺失导致数据贡献者、模型开发者缺乏合理回报。区块链的分布式账本、智能合约和代币经济恰好为上述问题提供了一种原生方案。ABAC 的核心逻辑就是让“链”负责信任锚定和价值流转，让“App”承载 AI 的分析与生成能力，二者通过分层协同实现能力互补。

具体而言，ABAC 的“链”端承担四重角色：一是存证，将数据指纹、模型版本哈希、推理输入输出记录上链，保证不可篡改且可追溯；二是权限管理，利用智能合约执行数据使用权交易和模型访问控制，实现细粒度的合规共享；三是激励，通过代币或积分对数据提供者、节点运营者、模型训练者进行自动化收益分配；四是治理，引入去中心化自治组织（DAO）对关键参数调整、争议仲裁进行社区投票。而“App”端则专注于 AI 能力的产生与消费，既包括去中心化的数据市场、模型市场，也包括运行在用户端或链下高性能节点中的可验证推理服务、自主 AI 代理等。

产业参与者的典型协作模式是：医疗机构将脱敏数据哈希上链，制药公司通过在智能合约质押代币换取联邦学习参与资格，模型贡献者上传加密模型，各方在安全多方计算或可信执行环境中完成联合训练，最终得到的模型参数哈希及贡献度记录全部上链，收益按协议自动清分。整个过程无需一个中心化平台作为中间人，一定程度上降低了数据黑市的冲动，也为监管提供了贯穿始终的审计日志。

需要特别指出的是，ABAC 当前仍处于早期验证阶段。多数项目仅实现了数据存证加简单的模型版本管理，距离全链条可验证、全流程去中心化的理想态还有较大距离。全球范围内，尚未出现一个同时被产业界和监管层广泛认可的 ABAC 标准，市场仍呈现碎片化探索格局。

3. 技术原理

ABAC 的技术堆栈通常按数据层、模型层、协作层、应用层四个维度划分，每一层都需解决“可信”与“性能”的平衡。

数据层

• 链上存证与数据指纹：原始数据不会全量上链（成本过高且涉及隐私），取而代之的是将数据描述、哈希指纹、元数据锚点写入区块链。任何对源数据的修改都会改变指纹，从而实现篡改即发现。
• 隐私计算融合：为满足《个人信息保护法》等法规，ABAC 广泛集成零知识证明（ZKP）、安全多方计算（MPC）、可信执行环境（TEE）。ZKP 允许一方在不透露原始信息的情况下向另一方证明某个断言为真，常用于合规验证；MPC 则允许多个数据持有方在不泄露各自输入的前提下完成联合计算，是联邦学习的重要底座；TEE 通过硬件级隔离提供计算黑盒，像英特尔 SGX 已被用于机密 AI 推理。

模型层

• 链上/链下协同：完整的大语言模型动辄数百 GB，全部上链既不经济也无法满足延迟要求。主流做法是将模型元数据、版本哈希、关键超参数及推理结果证明上链，模型的训练与推理仍在链下的 GPU 集群或边缘节点执行。部分轻量模型（如决策树、小型神经网络）可被编译为智能合约字节码直接部署，适用于高频但简单的链上决策。
• 可验证推理：利用零知识证明或可信执行环境，推理计算可在链下完成，同时生成一份可被链上合约验证的证明。第三方节点能够通过验证证明来确认推理过程确实使用了声明的模型与输入，防止服务商偷换劣质模型或篡改结果。这项技术正处于工程化突破期，代表性的开源框架包括 zkML、EZKL 等。
• 模型进化与追溯：每一个模型的训练数据、微调记录、权重大小等信息被封装为链上非同质化代币（NFT）或智能合约记录，形成完整的血缘链，便于审计和版权碰撞处理。

协作层

• 智能合约：负责自动化执行数据交易、模型租赁、任务分发和收益分配。例如，一个数据购买合约会在收到买方代币后，触发数据对应哈希的访问权限，同时将费用按预设比例分给数据提供者与平台。
• 去中心化身份与声誉系统：链上身份（DID）为 AI 节点和数据源提供可验证的声誉画像，帮助市场筛选高质量参与者。
• DAO 治理：当需要调整模型训练策略、增删数据集白名单、升级协议版本时，由持币人或贡献者投票决定，避免单一实体操纵。

应用层

• 去中心化 AI 市场：类似 Ocean Protocol 的数据市场和 SingularityNET 的 AI 服务市场，供需双方自由匹配。
• 可信 AI 代理：在链上注册的自主代理可以根据预设规则自动完成数据抓取、模型选择、结果提交等操作，所有行为可审计。
• 垂直行业 DApp：金融领域的反欺诈联盟、医疗领域的多中心科研协作、政务领域的跨部门数据共享，都是 ABAC 应用的试验田。

4. 关键参数

理解 ABAC 系统的能力与限制，离不开量化视角。以下是评估 ABAC 项目时常关注的几个工程参数，部分数据来自公开资料，未涵盖的指标已注明。

对于 ABAC 应用层的关键指标，如活跃的 AI 任务数、链上交易中 AI 调用占比等，公开资料未见系统性统计，多数仍局限于项目方自行披露。

5. 技术路线

当前 ABAC 的实现路径可分为三条主流路线，彼此并非互斥，更多体现切入点的差异。

路线一：公链 + AI 市场
借助以太坊或 Cosmos 等公有链，构建去中心化的数据/模型交易平台，利用原生代币流通性吸引全球参与者。代表项目 Ocean Protocol、SingularityNET。该路线的优势是开放性强、生态启动快；劣势在于公链的低吞吐量和高 Gas 费限制了复杂 AI 的链上交互，隐私保护主要依赖链外计算，链上仅存证。

路线二：联盟链 + 隐私计算
由中国等市场主导，采用 Hyperledger、蚂蚁链、长安链等联盟链作为底层，辅以 MPC/TEE，在已知可信成员间构建数据协作网络。典型如蚂蚁链摩斯、趣链科技数据共享平台。这条路线的合规性和性能更易于企业接受，但去中心化程度低，跨机构互操作仍依赖中心化网关。

路线三：模块化链上智能
新兴路线主张将 AI 运行环境直接嵌入区块链的 Layer‑2 或应用链，例如 Fetch.ai 的 Cosmos 应用链，试图通过轻量级 AI 代理和高效共识实现链上自主决策。另一分支是基于零知识证明的可验证推理网络，将通用模型的计算用 zk-SNARK 证明并提交给主链验证，典型项目如 Modulus Labs、Giza。该方法追求最大程度的去信任化，但性能瓶颈和高昂的证明生成成本仍是巨大挑战。

技术融合趋势：越来越多项目开始混合使用上述路线。比如在联盟链内引入 ZKP 提升跨机构信任，公有链上的 AI 市场通过 Layer‑2 汇总（rollup）降低交易成本，实现任务撮合的高频低费。

6. 上游

ABAC 的上游主要包括底层区块链基础设施、隐私计算硬件与中间件、数据资源与标注服务。

• 区块链基础设施：公有链平台如 Ethereum、Cosmos、Polkadot，联盟链如蚂蚁链、长安链、Hyperledger Fabric。这些平台提供 ABAC 所需的账本、智能合约和共识服务。根据 IDC 2023 年《中国区块链市场支出指南》，2022 年中国区块链整体支出约 15 亿美元，预计 2026 年达 42 亿美元，其中联盟链相关支出占比超 80%。全球公有链生态则由少数头部链主导，Ethereum 占据约 60% 的 DeFi/Web3 基础设施份额（TVL 占比），而针对 AI 的专用链仍属小众。
• 隐私计算硬件与中间件：TEE 芯片供应商如英特尔（SGX）、AMD（SEV），以及国内厂商的国密 TEE 方案；MPC 软件库如 COCO 框架、蚂蚁链摩斯；零知识证明加速硬件如 FPGA/ASIC 创业公司（如 Ingonyama）。据 Fortune Business Insights 数据，2022 年全球隐私计算市场（含软件与硬件）约 21 亿美元，其中 TEE 相关收入约占四成。
• 数据资源与标注：大规模高质量训练数据是 AI 的燃料。ABAC 上游数据服务商包括去中心化数据交易平台（如 Ocean）以及传统标注公司（如海天瑞声），后者年营收约 2.6 亿元人民币（2023 年年报），但尚未大规模介入链上数据市场。数据资源的合规与确权服务也由此派生，例如公证通、数秦科技等。
• 密码学与安全审计：提供 ZKP 电路设计、智能合约审计、形式化验证的安全公司是 ABAC 的重要上游，如 CertiK、慢雾科技等。2023 年 CertiK 全年审计营收约 8000 万美元（公开报道），反映了 Web3 安全需求的增长。

中国企业的布局：蚂蚁链、腾讯云区块链、百度超级链等均推出 BaaS 平台，其中嵌入了基础的可信计算模块。芯片领域，华为、海光等提供支持 TEE 的处理器。但专门面向 ABAC 的上游供应链尚未成熟，多数供应商仍以“区块链+机密计算”名义提供通用能力。

7. 下游

ABAC 的下游场景集中在金融、医疗、政务、供应链、知识产权等数据密集且信任成本高昂的领域。

• 金融：反洗钱信息共享、黑名单联防、信贷评估数据联邦。众安科技的区块链反欺诈联盟已接入数十家金融机构，日共享计算量超百万次（2023 年公开宣传材料）。微众银行牵头实现多方联合风控建模，利用联邦学习保护用户隐私。
• 医疗：跨医院临床数据协作、基因数据分析。蚂蚁链与湖州市合作建设电子病历共享平台，结合 MPC 实现档案调阅授权。华大基因与区块链公司合作，将基因组数据指纹上链并支持有条件访问。据《中国医疗区块链应用白皮书（2023）》，超过 70% 的省级卫健委试点中融合了区块链与隐私计算元素，但大规模生产系统仍不多见。
• 政务：北京市海淀区利用长安链构建政务服务数据协同平台，近百个部门的数据目录上链，AI 用于材料自动审核。政务领域的 ABAC 多以联盟链+链下 AI 形式出现，强调合规可控。
• 供应链：跨国物流溯源与碳足迹核算。例如蚂蚁链的“Trusple”平台记录跨境贸易全流程，结合 AI 预测货运风险，上链企业已超千家（2023 年公开数据）。
• 知识产权与内容：利用区块链存证 AI 生成内容（AIGC）的创作过程，中国信通院正在制定 AIGC 内容溯源标准，部分初创项目如“星火·链网”在数字版权中嵌入 AI 查重。

下游成熟度：多数场景仍处于 POC（概念验证）或第一阶段试点，财政和采购数据表明，中国 2023 年区块链 AI 融合类项目中标金额累计约 3 亿元人民币（据对公开招标信息的抽样统计，非全口径），单项目均额在 100-500 万元区间，说明尚未进入大规模复制阶段。全球范围内，公开可查的 ABAC 类应用年收入超过 1 亿美元的企业还未出现。

8. 受益公司

以下基于业务关联性梳理可能受 ABAC 趋势影响的主体，不构成任何投资建议。

基础设施层

• 蚂蚁集团（未上市）：旗下蚂蚁链拥有自主可控的区块链引擎，结合摩斯 MPC 平台提供完整数据协作方案。受益于中国政务、金融数字化转型，若 ABAC 产业爆发，其技术储备可能转化为持续性服务收入。
• 腾讯：腾讯云区块链 TBaaS 支持 Hyperledger Fabric 和长安链，与 AI 部门联合推出联邦学习服务。受益于生态内丰富的应用场景（微信支付、政务），具有内部协同优势。
• 百度：百度超级链（XuperChain）与百度飞桨（PaddlePaddle）的联动，提供链上模型存证与数据协同，推出“可信 AI”一体机。在深度学习框架与链的整合上战略布局较早。
• 趣链科技（非上市）：国内区块链头部初创，在政务、金融领域落地多个数据共享平台，推出 BitXMesh 隐私计算框架。其客户以政府和大型企业为主，2022 年营收据称破亿元（公开报道）。
• 华大基因（上市）：在基因数据隐私共享中探索区块链+MPC，虽占比较小，但具备数据资源壁垒。

应用与通证层（国际）

• Fetch.ai（FET）：构建自主代理网络，已部署超 40 万个代理（截至 2023 年），代币用于网络使用和质押。生态合作伙伴包括 Bosch、AWS 量子网络等。
• Ocean Protocol（OCEAN）：专注去中心化数据市场，累计交易数据资产超 1000 个（2023 年），协议收入由代币质押者和节点分享。
• SingularityNET（AGIX）：去中心化 AI 服务市场，整合数十个 AI 算法，机器人 Sophia 背后公司，2017 年创立。
• Numerai（NMR）：以加密方式激励数据科学家构建预测模型，管理数亿美元的对冲基金，代表了金融市场 ABAC 的最成熟应用。

以上国际项目市值波动剧烈，其业务收入与代币价格相关性高，受加密市场整体行情影响显著。

9. 市场规模

严格符合 ABAC 定义的市场规模尚无权威单一统计，我们可从几个邻近市场交叉推算。

据 Fortune Business Insights 2023 年发布的《Blockchain AI Market Size, Share & COVID‑19 Impact Analysis》，2022 年全球区块链 AI 市场估值为 2.205 亿美元，预计到 2030 年增长至 9.736 亿美元，年复合增长率 24.6%（2023‑2030）。该统计口径涵盖利用区块链技术提高 AI 模型透明性、数据共享和决策自动化的软件与服务，大致对应本文 ABAC 概念的核心范围。

中国市场方面，IDC《中国区块链市场支出指南 2023V1》预测到 2026 年整体区块链支出将达 42 亿美元。如果保守假设其中与 AI 深度融合的部分占比达到 15%（与数据智能相关场景），则 ABAC 直接相关市场规模可能在 3‑6 亿美元（2026 年）。《中国数字经济发展白皮书（2023）》也指出，隐私计算与区块链融合赛道年增长超过 60%，但未给出绝对额。

隐私计算整体市场提供了一个更宽的参照：依据 Grand View Research 2023 年数据，2022 年全球隐私计算市场规模约 15 亿美元，预计 2030 年达 130 亿美元。ABAC 作为隐私计算与区块链的结合体，将受益于此宏观红利，但其独立的市场价值还取决于链上 AI 任务商业闭环的成熟度。

需要强调的是，上述数据均出自第三方机构基于部分上市或公开可调查的企业营收的预测，预测本身存在不确定性。对于 ABAC 的狭义市场总额，目前公开资料未见统一维度的精细化测算。

10. 玩家对比

选取已公开运营较长时间的国内外代表性项目进行多维度对比（数据截至 2024 年 Q1）。

分析：国际项目普遍围绕公链代币经济构建双边市场，资金和用户来自全球，但合规性在多地受挑战；国内参与者基本放弃代币模式，聚焦企业服务和政府项目，通过项目制或 BaaS 订阅获取收入。两者商业逻辑迥异，当前阶段难以直接对比竞争实力。国产方案在客户定制和合规上有优势，但缺乏网络效应的快速放大机制；国际项目金融属性强，市值易受情绪影响，其收入往往远低于市值隐含估值。

11. 风险

ABAC 面临的风险贯穿技术、经济、法律和伦理。

技术风险

• 性能与成本：区块链的全球共识延迟和存储成本与 AI 的大数据、低延迟需求存在根本矛盾。链上直接训练大模型近乎不可能，链下计算带来的可验证证明生成开销仍比原生计算高出数个数量级。
• 互操作性：不同区块链之间、不同 AI 框架之间缺乏统一标准，ABAC 生态可能演变为一个个新的技术孤岛，失去规模价值。
• 安全性：智能合约漏洞、隐私计算的侧信道攻击、ZKP 参数的可信设置等都可能被利用，造成数据泄漏或资产损失。2023 年 Web3 领域因安全事件损失超 18 亿美元（CertiK 报告），ABAC 项目同样暴露在此风险中。

经济与治理风险

• 通证经济泡沫：部分项目代币价格与网络实际使用价值脱钩，投机炒作严重，一旦流动性枯竭，生态可能崩塌。
• 激励错配：DAO 治理中，代币持有者可能更关注短期价格而非模型准确性、隐私保护等长期目标，从而导致决策偏离最优。
• 中心化回归：许多项目名义上去中心化，但实际开发、数据审核、模型路由仍由有限实体控制，削弱了信任基础。

法律与监管不确定性

• 数据合规：链上不可篡改的特性与《个人信息保护法》的删除权、欧盟 GDPR 的遗忘权产生直接冲突。即便仅存证哈希，一旦原始数据被定义为个人信息的衍生品，删除诉求可能难以执行。
• 责任界定模糊：当 ABAC 驱动的 AI 代理做出错误决策并造成损失时，开发者、节点运营者、DAO 成员、数据提供者之间的法律责任划分在全球尚无清晰先例。
• 加密资产监管：涉及代币的 ABAC 项目面临全球各国复杂的证券法、反洗钱法规定，合规成本高昂，部分地区甚至可能被直接禁止。

伦理与社会风险

• 算法偏见固化：带有偏见的数据一旦上链存证，其“不可篡改”特性可能使其被反复引用，加剧歧视的永久化。
• 自主代理失控：具备链上身份和资金管理能力的 AI 代理若在不完善的安全框架下运行，可能执行超出人类意图的破坏性操作，而法律追索困难。
• 能源与可持续性：工作量证明共识的区块链与大量 AI 训练部署叠加，可能造成高额能耗。虽然转向权益证明和高效硬件有所改善，仍待评估综合碳足迹。

12. 误读纠偏

• 误读一：ABAC = 区块链 + AI
  ABAC 不是两个技术的简单加法。其核心是通过架构设计将可信数据流、价值流和模型控制流有机编织在一起，否则只是“用了区块链的 AI 系统”，无法解决信任和激励的根本问题。
• 误读二：ABAC 是信息安全领域的属性访问控制
  本文所述 ABAC 全称为 “AI‑Blockchain Application Chain”，是 AI 与区块链产业界约定俗成的新缩写。它与传统访问控制模型 “Attribute‑Based Access Control” 缩写相同，但属于完全不同的技术领域。读者在阅读新闻报道或研报时，务必根据上下文判断具体指代。
• 误读三：链上 AI 意味着模型在链上运行
  绝大多数 ABAC 框架将模型推理放在链下，链上只保留存证和验证逻辑。声称“完全链上运行 GPT‑4”既违反物理规律也违背经济常识，属于错误宣传。
• 误读四：通证价格上涨代表项目成功
  代币价格在短期内受市场情绪、投机资金影响巨大，与其应用落地、技术突破不完全正相关。评估 ABAC 项目应关注务指标：活跃数据交易量、链上 AI 任务数、企业付费客户数等，而这些数据多数未强制披露。
• 误读五：国内政策全力支持“链+AI”
  中国政策鼓励区块链和人工智能作为独立产业发展，但针对二者深度架构融合的专项政策文件尚未出台（截至 2024 年中）。现有的“区块链+AI”试点大多只是在一个项目中分块应用两项技术，非真正的 ABAC 架构。

13. 最新事件

（截至 2024 年 4 月，基于公开可查事件）

• 中国信通院启动“区块链+AI”标准立项：2023 年 12 月，中国信息通信研究院牵头成立“区块链 AI 融合技术组”，启动模型存证格式、可信推理接口等三项团体标准制定，多家头部企业参与。
• 蚂蚁链发布“链上 AI 引擎”：2023 年 11 月，蚂蚁链在其隐私计算平台中新增“链上 AI 引擎”，支持模型版本哈希存证与 TEE 推理验证，并在多个政务项目中试点。
• Fetch.ai 完成 4000 万美元生态基金募集：2024 年 3 月，Fetch.ai 宣布推出 Fetch.ai Innovation Fund，获得 DWF Labs 等支持，用于孵化自动化代理的商业用例。
• OpenAI 与 Space and Time 合作数据验证：2023 年 10 月，数据库 web3 项目 Space and Time 宣布集成 OpenAI 的 GPT 接口，将查询结果证明上链，为 AI 分析提供可验证的上下文。
• 欧洲议会通过《AI 法案》：2024 年 3 月，欧盟 AI 法案正式通过，对高风险 AI 系统的透明度、可追溯性提出要求，一定程度上利好具备存证与验证能力的 ABAC 架构，但具体合规细则仍待落地。
• 华为云推出可信智能计算链服务：2024 年初，华为云在华东局点上线基于 TEE 和区块链的“可信智能计算链”，主打金融和政务客户。
• 国内 ABAC 融资：据公开工商信息，2023 年国内涉及“区块链+隐私计算+AI”的创业公司融资案例约 15 起，总金额估计在 2 亿元人民币以内，无单笔超 5000 万的大额融资。

小结：政策与标准制定进入快车道，产业应用仍以小范围试点为主，资金端处于谨慎乐观状态。

14. 跟踪指标

若需持续观察 ABAC 概念的发展，建议跟踪以下指标：

• 链上数据指标：头部项目（Fetch.ai, Ocean, SingularityNET）的日活跃代理/数据资产数量、月度数据交易额（可访问 Dune Analytics 相关仪表盘）；参与隐私计算的链上交易数。
• 代码活跃度：相关 GitHub 仓库的提交频率、开发者数量。重点项目如 Ocean.py、Fetch.ai SDK、zkML 库。
• 专利与论文：在“区块链+AI”“可验证推理”“联邦学习+区块链”等关键词下的专利申请与学术论文发表数量，可通过 Google Scholar、中国国家知识产权局检索。
• 产业招标：中国政府采购网、各省招标平台中“区块链 AI 融合”“可信数据协作”标项的数量、金额、招标方性质。
• 政策与标准：国家部委、省级政府发布的区块链 AI 相关试点名单、标准立项通知；欧盟、美国等主要经济体的 AI 监管法案进展。
• 投融资：全球 AI+区块链领域私募融资总额、轮次分布，可参考 Pitchbook、IT 桔子的更新。
• 代币市动与协议收入：针对公链型 ABAC 项目，关注 Token Terminal 统计的协议年化收入、通证销毁率和国库余额，以评估经济模型的可持续性。

公开资料中尚未形成类似 DeFi 的统一链上分析看板，以上指标需综合多个来源自行拼图。

15. 信源

• Fortune Business Insights, “Blockchain AI Market Size & Share Report, 2023‑2030”, Sept 2023.
• IDC, “中国区块链市场支出指南 2023V1”, 2023.
• Grand View Research, “Privacy Enhancing Technologies Market Size & Trends”, 2023.
• CertiK, “Web3 Security Report Q4 2023”, 2024.
• CoinMarketCap, 各通证市值与流通供应量数据，截至 2024‑04.
• 中国信息通信研究院，《区块链与人工智能融合应用白皮书（2023）》。
• 中国信息通信研究院，《AIGC 内容溯源标准立项通报》，2023.
• 蚂蚁集团“链上 AI 引擎”产品介绍及公开报道，2023‑2024.
• Fetch.ai 官方博客, “Fetch.ai Innovation Fund”, Mar 2024.
• Ocean Protocol 文档与 Dune Analytics 数据看板.
• 中国政府采购网公开招标信息，2023 年关键字抽样统计.
• 欧盟议会, “Artificial Intelligence Act”, 2024.