AI 與 DePIN 的交匯：去中心化 GPU 計算網路的崛起

自 2023 年以來，AI 和 DePIN 成爲 Web3 領域的熱門趨勢，市值分別達到 300 億美元和 230 億美元。本文將探討二者的交集，研究相關協議的發展。

在 AI 技術棧中，DePIN 網路通過提供計算資源爲 AI 賦能。大型科技公司的發展導致 GPU 短缺,使其他開發者難以獲得足夠的 GPU 進行計算。這通常迫使開發者選擇中心化雲服務商,但由於需簽署不靈活的長期高性能硬件合同,效率低下。

DePIN 提供了更靈活、更具成本效益的替代方案,通過代幣激勵資源貢獻。AI 領域的 DePIN 網路將 GPU 資源從個人所有者整合到統一供應,爲需要硬件的用戶提供服務。這不僅爲開發者提供可定制性和按需訪問,還爲 GPU 所有者創造額外收入。

AI DePIN 網路概述

各項目都以構建 GPU 計算市場網路爲目標。以下將介紹每個項目的特點、市場重點及成就。

Render 是 P2P GPU 計算網路的先驅,最初專注於內容創作圖形渲染,後來擴展到 AI 計算任務。

特點:

• 由雲圖形公司 OTOY 創立
• 娛樂業大公司如派拉蒙影業、PUBG 等使用其 GPU 網路
• 與 Stability AI 和 Endeavor 合作,將 AI 模型與 3D 內容渲染工作流集成
• 批準多個計算客戶端,集成更多 DePIN 網路的 GPU

Akash 定位爲支持存儲、GPU 和 CPU 計算的"超級雲"替代品。利用容器平台和 Kubernetes 管理的計算節點,可跨環境無縫部署軟件。

特點:

• 面向從通用計算到網路托管的廣泛計算任務
• AkashML 支持在 Hugging Face 上運行超過 15,000 個模型
• 托管 Mistral AI 的 LLM 模型聊天機器人、Stability AI 的 SDXL 等應用
• 支持元宇宙、AI 部署和聯邦學習平台

io.net 提供分布式 GPU 雲集羣,專門用於 AI 和 ML 用例。整合了數據中心、加密礦工等領域的 GPU 資源。

特點:

• IO-SDK 兼容 PyTorch 和 Tensorflow 等框架,可根據計算需求自動擴展
• 支持創建 3 種不同類型的集羣,可在 2 分鍾內啓動
• 與 Render、FIL、Aethir 等合作整合 GPU 資源

Gensyn 提供專注於機器學習和深度學習的 GPU 計算能力。採用學習證明、基於圖形的精確定位協議等技術提高驗證效率。

特點:

• V100 等效 GPU 每小時成本約 0.40 美元,顯著節省成本
• 支持對預訓練基礎模型進行微調
• 計劃提供去中心化的、全球擁有的基礎模型

Aethir 專注於 AI、ML、雲遊戲等計算密集型領域。其網路中的容器作爲執行雲應用的虛擬端點,實現低延遲體驗。

特點:

• 擴展到雲手機服務,與 APhone 合作推出去中心化雲智能手機
• 與 NVIDIA、Super Micro、HPE 等大型公司建立合作
• 與 CARV、Magic Eden 等多個 Web3 項目合作

Phala Network 作爲 Web3 AI 解決方案的執行層。通過可信執行環境(TEE)設計處理隱私問題,支持 AI 代理由鏈上智能合約控制。

特點:

• 作爲可驗證計算的協處理器協議,支持 AI 代理鏈上資源
• AI 代理合約可通過 Redpill 獲得 OpenAI、Llama 等頂級大語言模型
• 未來將包括 zk-proofs、多方計算、全同態加密等多重證明系統
• 計劃支持 H100 等其他 TEE GPU,提升計算能力

項目比較

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | 硬件 | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | 業務重點 | 圖形渲染和AI | 雲計算、渲染和AI | AI | AI | AI、雲遊戲和電信 | 鏈上 AI 執行 | | AI任務類型 | 推理 | 兩者 | 兩者 | 訓練 | 訓練 | 執行 | | 工作定價 | 基於表現的定價 | 反向拍賣 | 市場定價 | 市場定價 | 招標系統 | 權益計算 | | 區塊鏈 | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | 數據隱私 | 加密&散列 | mTLS 身分驗證 | 數據加密 | 安全映射 | 加密 | TEE | | 工作費用 | 每項工作 0.5-5% | 20% USDC, 4% AKT | 2% USDC，0.25% 儲備費用 | 費用低廉 | 每個session 20% | 與質押金額成比例 | | 安全 | 渲染證明 | 權益證明 | 計算證明 | 權益證明 | 渲染能力證明 | 繼承自中繼鏈 | | 完成證明 | - | - | 時間鎖證明 | 學習證明 | 渲染工作證明 | TEE 證明 | | 質量保證 | 爭議 | - | - | 核實者和舉報人 | 檢查器節點 | 遠程證明 | | GPU 集羣 | 否 | 是 | 是 | 是 | 是 | 否 |

重要性

集羣和並行計算的可用性

分布式計算框架實現 GPU 集羣,提供更高效的訓練和可擴展性。訓練復雜 AI 模型需要強大計算能力,通常依靠分布式計算。大多數項目現已整合集羣實現並行計算。io.net 已成功部署超過 3,800 個集羣。Render 雖不支持集羣,但將單個任務分解到多個節點同時處理。Phala 支持 CPU 工作器集羣化。

數據隱私

AI 模型開發需使用大量數據集,可能存在敏感數據暴露風險。大多數項目採用某種形式的數據加密保護隱私。io.net 與 Mind Network 合作推出全同態加密(FHE),允許在加密狀態下處理數據。Phala Network 引入可信執行環境(TEE),防止外部進程訪問或修改數據。

計算完成證明和質量檢查

Gensyn 和 Aethir 在計算完成後生成證明,io.net 的證明表明租用 GPU 性能得到充分利用。Gensyn 和 Aethir 都對已完成的計算進行質量檢查。Render 建議使用爭議解決流程。Phala 完成後生成 TEE 證明,確保 AI 代理執行所需操作。

硬件統計數據

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | GPU數量 | 5600 | 384 | 38177 | - | 40000+ | - | | CPU數量 | 114 | 14672 | 5433 | - | - | 30000+ | | H100/A100數量 | - | 157 | 2330 | - | 2000+ | - | | H100費用/小時 | - | $1.46 | $1.19 | - | - | - | | A100費用/小時 | - | $1.37 | $1.50 | $0.55 (預計) | $0.33 (預計) | - |

高性能 GPU 的要求

AI 模型訓練需要性能最佳的 GPU,如 Nvidia 的 A100 和 H100。H100 的推理性能比 A100 快 4 倍,成爲首選 GPU。去中心化 GPU 市場提供商需滿足市場實際需求並提供較低價格。io.net 和 Aethir 各獲得 2000 多個 H100/A100 單元,更適合大型模型計算。

網路連接的 GPU 集羣雖成本較低,但內存受限。NVLink 連接的 GPU 最適合參數多、數據集大的 LLM,因爲它們需要高性能和密集計算。去中心化 GPU 網路仍可爲分布式計算任務提供強大計算能力和可擴展性,爲構建更多 AI 和 ML 用例提供機會。

提供消費級 GPU/CPU

CPU 在 AI 模型訓練中也發揮重要作用,可用於數據預處理和內存資源管理。消費級 GPU 可用於微調預訓練模型或小規模訓練。Render、Akash 和 io.net 等項目也服務於這一市場,開發自己的利基市場。

結論

AI DePIN 領域仍相對新興,面臨挑戰。然而,這些網路上執行的任務和硬件數量顯著增加,凸顯了對 Web2 雲提供商硬件資源替代品的需求。未來,人工智能市場有望蓬勃發展,這些分散的 GPU 網路將在爲開發者提供經濟高效的計算替代方案方面發揮關鍵作用。