Vitalik Buterin表示，DeepSeek V4 的低内存版本已经不再依赖中心化服务器，这让用户可以直接在自己的电脑上运行先进 AI 模型。他认为，这对开放式 AI 生态是个关键变化。硬件差异仍然明显：在相同的 90 GB VRAM 条件下，Apple 系统运行 DeepSeek V4 2-bit 量化模型时可达到 35 tokens/s，AMD 系统约为 7 tokens/s。
本地运行不再依赖中心化服务器
Buterin提到，真正拉开“开放 AI”与“只是去中心化 AI”差距的，不是单一模型本身，而是对多家硬件厂商的完整支持。换句话说，模型能不能在更多设备上稳定跑起来，决定了个人用户是否真能摆脱中心化算力入口。2-bit 量化模型的意义也在这里：它通过压缩模型权重，降低内存占用，让高性能模型更接近普通本地设备可用的范围。
LuceBox Hub测试中跑出更高速度
在工具层面，Buterin还提到 LuceBox Hub，这是一款面向大型 AI 模型本地运行的工具，目标是提升速度和效率。他表示，在使用 RTX 5090 显卡测试时，LuceBox Hub 的表现比本地方案 llama.cpp 快接近 2 倍。不过他同时说明，这个项目仍处在持续开发中。
ZK与私有RPC读取存在共通技术基础
Buterin认为，本地 AI 基础设施还能直接服务以太坊的隐私目��。按他的说法，零知识证明（ZK）既可用于付费的远程大语言模型调用，也可用于以太坊网络中的私有 RPC 读取，因为这两个方向共享一部分底层技术基础。一个领域的进展，能够传导到另一个领域。这里的重点不只是“AI 能接入链上”，而是隐私能力可以在 AI 调用和链上读取两端同时增强。
面向以太坊微调的模型可用于代码验证
他还提到，专门针对以太坊生态微调的 AI 模型，可能提高智能合约和协议安全性。作为例子，Buterin提到了 Leanstral 模型：该模型生成 Lean 代码的速度可达 38 tokens/s，并且能与规模更大的模型竞争。按照这一思路，面向以太坊的专用模型可用于加快代码验证与 dApp 安全审计。
围绕这类模型在以太坊演进中的作用，Buterin呼吁采用更系统化、自动化的智能合约审计方法，并强调人工智能与区块链应朝协同方向开发，以提升安全性和可靠性。