假设你接手一座社区公园的管理权。公园里有滑梯、秋千、沙坑、喷泉，但资源有限：滑梯一次只能坐五个孩子，树木需要浇水，保洁员需要发工资，而居民们呢？既想白嫖设施，又不愿意承担维护成本。你思考的核心问题只有一个——如何设计一套“代币芯片”系统，让每个孩子自愿劳动、自愿消费、互相服务，还能让公园自己运转下去？ 这套“芯片”的诞生、分发、流通、回收与销毁，就是 Tokenomics 代币经济。 今天的主角 Token（代币），在 AI+区块链的语境里，就是这座“公园的通用芯片”。在去中心化 AI 网络里，用户拿代币购买 GPU 算力、调用模型推理、奖励数据贡献者；矿工靠提供算力赚取代币；持币者通过质押参与治理。一张小小的代币，背后牵动的是“谁创造价值、谁分配收益、如何防止作弊”的经济学设计。我们将从发芯片讲到销毁芯片、从定价讲到治理，看懂这条完整的“代币生命线”。

岗位关联

本知识是 AI 工程师进阶“Web3+AI“领域的必备地图，掌握 Tokenomics，你就能从”只会训模型“变成”能设计一整套激励系统的人”，这在去中心化 AI、数据市场、算力网络中极其稀缺。

目录
  1. 可视化演示
  2. Token经济学基础
  3. 初始代币分配
  4. 流通与销毁通缩
  5. 权益设计
  6. 算法动态调节
  7. 治理与共识
  8. AI+区块链应用
  9. 安全与攻击防护
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示代币发行分配解锁模型、效用设计驱动需求侧经济、DAO治理投票机制与巨鲸问题、死亡螺旋失败模式及防御策略，含六边网格背景动画。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Token经济学基础

你是新手园长，管理着一座拥有 100 个游乐设施（滑梯、跷跷板、沙坑）的社区公园。你首先需要回答的问题不是“芯片怎么印”，而是：“芯片是什么？它为什么能值钱？”

代币（Token）本质上是数字账本上的凭证，记录“你拥有多少网络资源的使用权”。Tokenomics 就是这套凭证的设计学——研究代币如何诞生、如何分配、如何流转、如何销毁的全生命周期。在 AI+区块链网络中，代币的价值锚定在“GPU 总算力、数据集质量、模型推理次数”这样真实的资源上，正如公园芯片的价值锚定在“滑梯一次游玩”一样。

一份优秀的 Tokenomics 设计包含四件事：明确的代币用途（用来干嘛）、合理的初始分配（谁拿到芯片）、可持续的流通模型（芯片怎么花出去）、自洽的治理机制（规则谁来定）。设计目标不是让代币“涨”，而是让网络“转”。

理解了这张“芯片资产负债表”后，你就会明白：公园要运转，核心不是印了多少芯片，而是怎么让芯片持续流动起来。同样，Tokenomics 成功与否，取决于代币是否始终在“有用”的循环里，而不是躺在巨鲸钱包里沉睡。

TotalSupply=InitialSupply+Minted−Burned\text{TotalSupply} = \text{InitialSupply} + \text{Minted} - \text{Burned}
总供给 = 初始供给 + 新铸造 − 已销毁。这是代币经济的“资产负债表”：芯片总数永远等于最初印的、加上后来补印的，再减去被公园回收绞碎的。
  1. InitialSupply（初始供给）公园开园时一次性印出的芯片总数，对应区块链上的创世区块发行量。
    InitialSupply=100, ⁣000, ⁣000 TOKEN\mathrm{InitialSupply} = 100,\!000,\!000\ \text{TOKEN}
  2. Minted（新铸造）公园为了奖励搬砖的工人、矿工，每过一段时间新印的芯片数，在链上表现为区块奖励与质押增发。
    Minted=BlockReward×nblocks\mathrm{Minted} = \mathrm{BlockReward} \times n_{\mathrm{blocks}}
  3. Burned（已销毁）公园把旧门票集中绞碎不再流通的数量，链上表现为向黑洞地址发送代币，从此退出流通。
    Burned=∑Feei×burnRate\mathrm{Burned} = \sum \mathrm{Fee}_i \times \mathrm{burnRate}

初始代币分配

公园第一天开园，你手里有一箱 1 万枚芯片。怎么发？发给谁？这是 Tokenomics 的第一道分水岭。发多了居民不珍惜，发少了没人来玩，发偏了人心散了。

经典的初始分配方案有三大流向：创世预挖（预留代币给团队与基金会）、矿工激励（奖励未来提供算力的节点）、社区生态（空投、开发者资助、合作伙伴）。为了让早期领取者不“拿钱就跑”，必须引入锁仓与线性释放——团队的芯片分 24 个月逐月解冻，像发工资一样，按贡献发放。

分配方案确定后，公园的芯片经济就有了“第一推动力”。给矿工的多，网络算力就繁荣；给社区的多，用户增长就快——初始分配的比例，实际上是团队用白皮书向市场回答：“你希望这座公园变成什么样？”

wi=si∑jsj×Stotalw_i = \frac{s_i}{\sum_{j} s_j} \times S_{\mathrm{total}}
第 i 类参与者的分配权重 = 该类别分配比例 ÷ 所有类别比例之和 × 总供给。简单说就是“按功劳切蛋糕”，但切多少，开园前就写死在代码里。
  1. s_i（第 i 类分配比例）比如生态挖矿占 40%、团队占 20%、投资者占 15%、社区金库占 25%，这里 s_i 就是其中一个比例值。
    secosystem=0.40s_{\mathrm{ecosystem}} = 0.40
  2. S_total（总供给）开园时的那一箱芯片总量。
    Stotal=100, ⁣000, ⁣000S_{\mathrm{total}} = 100,\!000,\!000
  3. w_i（实际获得量）按比例折算后，某一类最终拿到的芯片数量。锁仓期内这笔代币看得见、摸不着，只能按月解锁。
    wecosystem=0.40×100, ⁣000, ⁣000=40, ⁣000, ⁣000w_{\mathrm{ecosystem}} = 0.40 \times 100,\!000,\!000 = 40,\!000,\!000

流通与销毁通缩

芯片发出去了，居民开始消费：玩滑梯付 2 枚，租烧烤架付 10 枚。每一次支付，芯片就从居民口袋流进公园金库。可问题来了——金库里的芯片越堆越多，如果永远只进不出，外面的芯片越来越少，居民手里没钱，公园也就冷清了。

Tokenomics 的解法是“双向流动”：居民花钱买服务，矿工赚芯片继续提供算力；同时每一笔交易收取小额手续费，其中一部分永久销毁。销毁不是把钱变没了，而是减少总供给，对抗增发带来的通胀。在 AI 公链上，用户每调用一次模型推理，支付 1 枚代币，其中 0.1 枚被销毁，0.9 枚归矿工——就这样，每一份消耗都给“芯片总量”做了一次减法。

通缩并不是“越少越贵”这么简单，它更是一种预期管理：居民看到芯片总数在减少，就会更愿意持有并等待公园升级；但若销毁过度，居民不舍得花钱，经济又会冻结。优秀的设计像放风筝——销毁是那根收放的线，增发是风，让风筝既飞得高，又不至于断线。

ΔScirculating=−Burned+Minted\Delta S_{\mathrm{circulating}} = -\mathrm{Burned} + \mathrm{Minted}
流通量变化 = 新铸造 − 已销毁。当销毁速度大于铸造速度，网络进入通缩；反之进入通胀。公园里最常见的操作是：每天闭园回收 100 枚芯片，第二天只新印 80 枚，日复一日，外面的芯片越来越稀缺。
  1. Burned（销毁量）设每日交易费用总额为 F，销毁比例 r，今日销毁量即 F × r。
    Burned=F×r=1000×0.1=100\mathrm{Burned} = F \times r = 1000 \times 0.1 = 100
  2. Minted（铸造量）矿工每日产出固定为 80 枚新代币。
    Minted=80\mathrm{Minted} = 80
  3. ΔS_circulating两者相减，流通量净变化为 −20，说明通缩发生。
    ΔScirculating=80−100=−20\Delta S_{\mathrm{circulating}} = 80 - 100 = -20

权益设计

芯片除了当钱花，还能拿来干嘛？这是决定 Tokenomics 生命力的第二道分水岭。公园里，芯片不仅是门票，还是“年卡积分”：攒够 100 枚可以免排队，质押 50 枚可以参与公园改造投票——这就是权益设计。

在 AI 网络中，代币的典型权益包括：支付结算、质押获得服务折扣、参与治理投票、分享网络收入。设计原则只有一条：代币价值必须捕获网络需求——当 GPU 算力繁忙、推理调用激增时，代币需求量自然上升，代币价值也随之上涨，形成“网络越繁荣—代币越值钱—更多人购买代币—网络更繁荣”的正循环。

权益设计的高级之处在于它让代币具备“多重身份”：既是货币，又是股票，还是门票。你质押代币，既是给网络提供安全保证金，又是用脚投票表达对网络未来的信心。但注意要点到为止——权益过多会导致持币者过度控制，权益太少则没人愿意持有。平衡的艺术，正是 Tokenomics 的魅力所在。

Pinference=Ptoken×TFLOPsP_{\mathrm{inference}} = P_{\mathrm{token}} \times \mathrm{TFLOPs}
一次推理服务的价格 = 代币单价 × 计算量。也就是说，推理消耗多大算力，扣多少芯片——而不是看心情定价。
  1. P_token（代币单价）1 枚代币折算法币的价格，类似“1 枚芯片等于 1.5 元”。
    Ptoken=1.5 USDP_{\mathrm{token}} = 1.5\ \text{USD}
  2. TFLOPs（计算量）一次模型推理消耗的浮点运算量，是“滑梯运转一次消耗的电力”。
    TFLOPs=300 TFLOPSTFLOPs = 300\ \text{TFLOPS}
  3. P_inference（推理价格）两者相乘得到本笔服务费用，由算法按资源消耗自动结算。
    Pinference=450 TOKENP_{\mathrm{inference}} = 450\ \text{TOKEN}

算法动态调节

公园的客流不是均匀的：周六下午人山人海，滑梯排队一小时；周三上午冷冷清清，秋千晾着晒太阳。静态的收费规则在这种波动下捉襟见肘。聪明的园长引入了一套“动态定价算法”：越拥挤收费越高。

这套思想映射到区块链上，就是基于使用量的费率调节算法。网络会自动监测当前的负载率：若区块利用率超过目标值，费率上调；低于目标值，费率下调，矿工则根据费率决定是否扩容。这让网络在需求高峰时有自我调节能力，避免垃圾交易堵塞网络。

这个机制的好处是自动的“看不见的手”：治理委员会不用开会决定涨价，代码自动完成调节。性能优化方面，高费率抑制无效请求，低费率鼓励测试与开发，从而保住真正的高价值 AI 推理交易。

f=fbase×(1+α×Utarget−UcurrentUtarget)f = f_{\mathrm{base}} \times \left(1 + \alpha \times \frac{U_{\mathrm{target}} - U_{\mathrm{current}}}{U_{\mathrm{target}}}\right)
实时费率 = 基础费率 ×（1 + 调节系数 × 负载偏差率）。负载越高，费率越高；负载越低，费率自动打折，像公园雨天门票半价一样。
  1. f_base（基础费率）写死在协议里的基准费率，例如 0.01 枚代币/次。
    fbase=0.01f_{\mathrm{base}} = 0.01
  2. U_current（实时负载）当前网络已使用的计算力占比，如 80%，表示区块接近满员。
    Ucurrent=0.80U_{\mathrm{current}} = 0.80
  3. U_target（目标负载）协议设定的健康水位，通常为 50%，类似公园最舒适的游客密度。
    Utarget=0.50U_{\mathrm{target}} = 0.50
  4. α（调节系数）团队预设的灵敏度参数，α 越大调节越激进。
    α=0.6\alpha = 0.6

治理与共识

公园不能永远由园长一人说了算。长期来看，滑梯要不要换成 AI 机器人？烧烤区要不要改造成体验馆？这类重大决策应该由全体持币居民投票决定——这就是链上治理。

Tokenomics 中的治理设计通常包含以下环节：提案（任何持币者提交）、投票（持币者按质押权重投票）、执行（智能合约自动执行结果）。为了让“深度参与者”获得更大话语权，许多协议引入质押时长加权——你的代币质押越久，投票权越重。这种机制防止短期投机者用刚买来的币干扰社区决议，让真正长期建设网络的人拥有方向盘。

当然，治理也伴随风险。如果某个巨鲸持有 40% 代币，社区的决策就名存实亡——这是“治理攻击”的源头。因此好的 Tokenomics 会给治理设计多道防线：投票阈值、时间锁、紧急暂停。公园的业主大会也需要 2/3 多数才能修改章程，正是这个道理。

V=Wstaked×TlockV = W_{\mathrm{staked}} \times T_{\mathrm{lock}}
有效投票权 = 质押代币数量 × 锁仓时长权重。锁仓越久，说话越响，跟“老住户在业主大会上更有发言权”一个道理。
  1. W_staked（质押代币数）你在治理合约里锁定的代币数量，锁了 1000 枚就是 1000 枚。
    Wstaked=1000W_{\mathrm{staked}} = 1000
  2. T_lock（锁仓时长权重）按锁仓月数线性递增，如锁 1 个月权重 1，12 个月权重 2.5。
    Tlock=2.5T_{\mathrm{lock}} = 2.5
  3. V（有效投票权）乘积即最终计票权重，长锁仓用户的话语权是短期用户的 2.5 倍。
    V=1000×2.5=2500V = 1000 \times 2.5 = 2500

AI+区块链应用

把目光拉回 AI 行业。Tokenomics 不是理论模型，它正在重构 AI 产业链的每一个环节。

在去中心化算力市场里，全球闲置的 GPU 通过区块链连接成一张“算力云”，用户支付代币租用算力训练模型；在数据市场里，用户贡献个人数据赚取代币，AI 公司支付代币调用高质量数据；在模型知识产权保护中，模型权重哈希上链，代币用于购买模型使用权；在推理结算中，用户每调一次大模型 API，费用按实际 TFLOPs 消耗自动结算，按次计费、即时清算。

从算力、数据到模型，代币正在成为连接 AI 生产者和消费者的“通用结算层”。这背后的职业前景非常清晰：Tokenomics 设计师、Web3 AI 架构师、去中心化协议工程师，都是未来五年人才缺口极大的方向。

\mathrm{Cost}_{\mathrm{Mining}} = \mathrm{Electricity} + \mathrm{Hardware}_{\mathrm{Depreciation}} \xfffd \times 24\text{h}
矿工的真实成本 = 电费 + 设备折旧，代币收入必须覆盖成本才有矿工愿意持续提供服务。若代币补贴过少，算力就会流失，AI 网络变成无源之水。
  1. Electricity（电费）一台 GPU 机器日均电费，比如 $3。
    Electricity=3 USD\mathrm{Electricity} = 3\ \text{USD}
  2. Hardware_Depreciation（硬件折旧）设备按 3 年折旧折算到每天，约 $2。
    HardwareDepreciation=2 USD\mathrm{Hardware}_{\mathrm{Depreciation}} = 2\ \text{USD}
  3. Cost_Mining（总成本）每日硬性成本合计 $5，因此代币每日奖励不能低于 5 ÷ 代币单价。
    CostMining=3+2=5 USD\mathrm{Cost}_{\mathrm{Mining}} = 3 + 2 = 5\ \text{USD}

安全与攻击防护

任何经济系统都会被人薅羊毛，Tokenomics 也不能例外。公园里，有人伪造儿童免费票混进滑梯区；链上同样存在女巫攻击——一个人伪造几百个假身份领取空投、刷矿工奖励。甚至有人囤积大量算力发动“51% 攻击”，回滚交易、双花代币。

防护手段的底层逻辑是让攻击成本高于攻击收益。质押机制是最常用的防线：作恶者必须锁定大量代币，一旦违规，质押金被没收。对 AI 网络而言，还可以引入任务验证：要求矿工提交推理结果的正确性证明，若与多数节点结果不一致则扣罚。

安全设计不能靠“相信人性”，只能靠“设计激励”。Tokenomics 表面上是在设计经济，本质上是在设计对抗博弈的防火墙——让好人有肉吃，坏人赔到裤衩都不剩，这座公园才能长治久安。

Costattack=Stakelocked+Reputationloss\mathrm{Cost}_{\mathrm{attack}} = \mathrm{Stake}_{\mathrm{locked}} + \mathrm{Reputation}_{\mathrm{loss}}
攻击成本 = 锁定质押资金 + 信誉损失。信誉一旦归零，该节点今后便无法参与网络，等于被永久拉黑。
  1. Stake_locked（锁定资金）作恶者被协议冻结的质押代币，直接经济损失。
    Stakelocked=50, ⁣000 TOKEN\mathrm{Stake}_{\mathrm{locked}} = 50,\!000\ \text{TOKEN}
  2. Reputation_loss（信誉损失）历史贡献积分清零，无法再获得高收益任务。
    Reputationloss=∞\mathrm{Reputation}_{\mathrm{loss}} = \infty
  3. Cost_attack两者叠加让攻击行为变得“稳亏不赚”，从经济动机上根除作恶。
    Costattack=50, ⁣000≫0\mathrm{Cost}_{\mathrm{attack}} = 50,\!000 \gg 0

AI 应用场景

去中心化算力市场

阶段：模型训练与推理资源调度

解决的问题：传统云服务商垄断 GPU，价格高企、供应受限。通过 Tokenomics 激励全球闲置 GPU 接入网络，用户按实际使用量付费，算力供需自动平衡，形成类似"Airbnb for GPU"的共享经济。

具体案例：某 AI 创业公司需要训练大模型，在去中心化算力平台支付 5000 枚代币租用 200 张 A100 显卡 72 小时；矿工节点贡献算力获得代币奖励，平台手续费中 1% 自动销毁。训练完成后，若返还 GPU 前验证算力任务正确，双方各获得信誉积分奖励。

数据贡献与标注市场

阶段：数据采集与标注质量激励

解决的问题：中心化数据标注平台抽成高、标注员积极性差、数据质量难以保证。用代币直接发放给标注员，数据质量通过多节点交叉验证，优质标注获得额外奖金，低质标注被扣罚代币。

具体案例：某医疗 AI 项目在去中心化数据市场上发布“标注 10 万张肺部 CT 影像”任务，标注员每完成一张获得 0.5 枚代币；若标注结果与其他 5 人一致则额外奖励 2 枚；恶意标注被算法识别后扣除质押代币。7 天内完成标注，成本比传统外包低 35%。

模型推理按次计费

阶段：模型推理服务计价与结算

解决的问题：中心化 API 按固定套餐收费，松耦合、不透明。基于 Tokenomics 的 AI 公链支持按实际 TFLOPs 消耗精确计费：调用次数少的小客户按次付费，调用量大的客户质押代币享受折扣。

具体案例：某游戏公司接入链上 AI 非玩家角色对话服务，每天约 10 万次推理调用。每次推理消耗 300 TFLOPs，扣除 0.3 枚代币；游戏公司质押 5 万枚代币获得 25% 费率折扣，月末结算后焚烧手续费，账本公开可审计。

Python 演示

python64 行
# -*- coding: utf-8 -*-"""Tokenomics simulation: initial allocation, fee burn, mining emission.""" TOTAL_SUPPLY = 100_000_000ALLOCATION = {    "ecosystem": 0.40,    "team": 0.20,    "investors": 0.15,    "treasury": 0.25,} def allocate():    result = {}    for category, ratio in ALLOCATION.items():        result[category] = TOTAL_SUPPLY * ratio    return result initial_alloc = allocate() class TokenomicsSimulator:    def __init__(self, fee_rate=0.02, burn_rate=0.3, block_reward=50.0):        self.fee_rate = fee_rate        self.burn_rate = burn_rate        self.block_reward = block_reward        self.circulating = TOTAL_SUPPLY * 0.4        self.emitted = 0.0        self.burned = 0.0        self.floor = TOTAL_SUPPLY * 0.6        self.gc_count = 0     def process_block(self, tx_volume):        fee = tx_volume * self.fee_rate        minted = self.block_reward        burn = fee * self.burn_rate        burned_from_vault = self.floor * 0.01        self.emitted += minted        self.burned += burn        self.floor -= burned_from_vault        delta = minted - burn        self.circulating += delta        remaining = self.floor + self.circulating - self.burned        return delta, minted, burn, remaining     def run(self, steps, daily_volume):        report = []        for i in range(steps):            delta, minted, burn, remaining = self.process_block(daily_volume)            report.append((i + 1, self.circulating, self.burned, remaining))        return report def main():    sim = TokenomicsSimulator()    report = sim.run(30, 2_000_000)    print("=== Tokenomics Simulation (30 days) ===")    print("Initial allocation:")    for key, val in initial_alloc.items():        print("  %-10s %12.2f" % (key, val))    print()    print("%6s %14s %12s %14s" % ("day", "circulating", "burned", "remaining"))    for day, circ, burned, remaining in report:        print("%6d %14.2f %12.2f %14.2f" % (day, circ, burned, remaining)) if __name__ == "__main__":    main()
目的：用 60 行代码模拟一个简化版 Tokenomics 系统，覆盖初始分配、每区块铸造、交易费销毁、金库储备释放四个核心环节，输出 30 天的流通量与销毁量变化。
  1. ALLOCATION = { "ecosystem": 0.40, ... }创世分配比例配置，生态 40%，团队 20%，投资者 15%，金库 25%。
  2. self.circulating = TOTAL_SUPPLY * 0.4初始流通量只占 40%，与“锁仓”逻辑对应，其余 60% 进入金库地基。
  3. minted = self.block_reward模拟每个区块铸造 50 枚新代币，对应“Minted（新铸造）”。
  4. burn = fee * self.burn_rate从交易手续费中提取 30% 销毁，对应销毁通缩机制。
  5. self.floor -= burned_from_vault金库储备每天释放 1% 进入流通，模拟“线性解锁”。
  6. remaining = self.floor + self.circulating - self.burned最终剩余总供给 = 金库 + 流通 − 销毁，验证守恒。

常见误区

误区销毁代币就是把项目的钱烧了，项目会亏损。

正解销毁的是“总供给里的配额”，不是项目方账上的钱。代币销毁后，市场上流通量减少，若需求不变，单位代币价格理论上会上涨，相当于让所有持币者共享价值。它更像公园定期“绞碎旧年票”，而不是烧掉公园金库里的现金。

为何常见：很多人把“代币”直接等同于“钱”，混淆了总量与流通量的概念。

误区只要代码里写了总量上限 1 亿枚，代币就不会通货膨胀。

正解总量恒定不代表流通量恒定。若矿工持续铸造新代币，而销毁速度跟不上，流通量同样会膨胀。反之即便总量有上限，大量代币集中在巨鲸手中，流通盘很小，价格波动依然剧烈。

为何常见：初学者容易把“总量”和“流通量”混为一谈，忽视了锁仓、销毁、质押对流通市值的复杂影响。

误区无论网络拥堵与否，手续费应该统一，临时调价是割韭菜。

正解动态费率恰恰是公平的体现。高峰期抬高费率抑制无效请求，保障真实用户的推理任务能及时上链；低谷期降低费率让生态开发者低成本测试。它和公园高峰期门票价更高、雨天半价是同一个逻辑，公平不是“一样的价格”，而是“价值与成本匹配”。

为何常见：用传统的“一刀切”思维看通胀/通缩系统，忽视了动态调节对可持续性的保护作用。

误区项目方空投代币，用户白拿，是天上掉馅饼。

正解空投本质是市场冷启动的营销成本，用户虽然没付现金，但付出了时间、注意力、数据，甚至未来可能成为购买者。对项目方来说，空投是为了换取早期流量和社区共识；对用户来说，空投代币的“免费”往往伴随着任务门槛和治理稀释风险。

为何常见：只看到“白拿”的眼前利益，没看到空投背后的经济对价和代币分配对市场预期的深远影响。

面试题

Q1. Tokenomics 的核心研究对象是什么？

单选题 · easy

  • A.代币的代码实现
  • B.代币全生命周期的设计← 正确答案
  • C.区块链的共识算法
  • D.交易打包的速度

答案：B。Tokenomics 是“代币经济系统设计”，研究代币从初始分配到流通再到销毁的全生命周期。A、D 是底层工程细节，C 是共识层，都只是代币经济的支撑机制，而非核心研究对象。

Q2. 初始代币分配中，“公平性”主要体现在哪方面？

单选题 · easy

  • A.团队获得的代币数量最多
  • B.代币单价定得最低
  • C.各类参与者机会均等且规则透明← 正确答案
  • D.所有代币一次性解锁

答案：C。公平性对应分配规则公开透明、生态矿工/社区/投资者均有合理比例。团队占最多反而容易引发信任危机；一次性解锁容易造成砸盘，不属于公平设计。

Q3. 关于代币销毁，下列说法正确的是？

单选题 · mid

  • A.销毁等于项目方亏钱
  • B.销毁会直接增加代币流通量
  • C.销毁减少流通供给，是通缩机制← 正确答案
  • D.销毁只影响散户，不影响巨鲸

答案：C。销毁是把代币发送到黑洞地址，永久退出流通，流通供给减少，属于通缩机制。它影响所有持币者，且不是项目方账面直接亏损。

Q4. AI 网络中一次推理服务的定价公式通常为？

单选题 · mid

  • A.代币单价 × 模型参数量
  • B.代币单价 × 算力消耗量← 正确答案
  • C.模型参数量 × 训练数据量
  • D.算力消耗量 × GPU 数量

答案：B。推理定价按真实资源消耗计算，即代币单价乘以计算量（TFLOPs）。模型参数量与定价不直接挂钩，GPU 数量通常涉及训练而不是单次推理计费。

Q5. 动态费率算法的目标是？

单选题 · mid

  • A.让代币价格持续上涨
  • B.通过负载率自动调节费率← 正确答案
  • C.让矿工获得固定收入
  • D.消除所有交易成本

答案：B。动态费率的核心是对网络负载做出实时响应，高峰期抬价抑制拥堵、低谷期降价刺激使用，从而保障 AI 推理服务稳定。它既不保证代币涨跌，也无法消除成本。

Q6. 属于 Tokenomics 治理机制的设计要点是？

多选题 · mid

  • A.质押时长权重← 正确答案
  • B.提案与投票流程← 正确答案
  • C.代码自动执行结果← 正确答案
  • D.代币单价每日固定

答案：ABC。治理机制包括质押加权、提案投票和智能合约自动执行。代币单价由市场供需决定，不可能每日固定，它不是治理机制的一部分。

Q7. 在去中心化 AI 算力市场中，矿工愿意持续提供服务的前提是？

单选题 · hard

  • A.代币发行量足够大
  • B.代币收入覆盖电力与硬件成本← 正确答案
  • C.GPU 免费提供
  • D.模型推理全部免费

答案：B。矿工是理性经济人，只有代币奖励 + 手续费能够覆盖电费和折旧，才愿意持续投入算力。Tokenomics 的发行与补贴设计必须围绕“矿工盈亏平衡线”展开。

Q8. 女巫攻击的典型防护手段有哪些？

多选题 · hard

  • A.要求参与者质押代币← 正确答案
  • B.验证任务结果的正确性← 正确答案
  • C.按真实算力贡献分配奖励← 正确答案
  • D.永远拒绝新用户参与

答案：ABC。质押提高作恶成本、结果验证防止虚假算力、按真实贡献分配奖励是主流防护。拒绝新用户不符合去中心化精神，且无法从根本上防止攻击。

Q9. 以下哪种情况会导致网络进入“通缩”？

单选题 · hard

  • A.铸造量等于销毁量
  • B.销毁量大于铸造量← 正确答案
  • C.铸造量大于销毁量
  • D.区块奖励为零

答案：B。通缩指流通量净减少，当销毁速度超过铸造速度时发生。区块奖励为零只代表停止增发，不等于通缩，还需要销毁持续发生。

Q10. Tokenomics 在 AI 数据市场设计中解决的核心问题包括？

多选题 · extreme

  • A.标注员激励不足← 正确答案
  • B.数据质量不可验证← 正确答案
  • C.中间平台抽成过高← 正确答案
  • D.模型训练速度过慢

答案：ABC。Tokenomics 通过代币奖励解决标注激励、通过多节点交叉验证保障数据质量、通过去中介化省去平台抽成。模型训练速度是工程性能问题，与代币经济无直接关系。