AI與DePIN的交匯:去中心化GPU網路的崛起

近期,人工智能和去中心化物理基礎設施網路(DePIN)成爲Web3領域的熱門話題,市值分別達到300億美元和230億美元。本文將探討兩者的交集,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。由於大型科技公司導致GPU短缺,其他開發AI模型的團隊難以獲得足夠的GPU算力。傳統做法是選擇中心化雲服務商,但需簽署不靈活的長期合約,效率低下。

DePIN提供了更靈活、更具成本效益的替代方案,通過代幣獎勵激勵資源貢獻。AI領域的DePIN將GPU資源從個人所有者整合到數據中心,爲用戶提供統一的供給。這不僅爲開發者提供定制化和按需使用的算力,還爲GPU所有者創造額外收入。

目前市場上有多個AI DePIN網路,各有特色。接下來我們將探討每個協議的作用、目標以及已取得的成就,從而深入了解它們之間的差異。

AI DePIN網路概述

Render 是P2P GPU計算網路的先驅,最初專注於內容創作渲染,後來擴展到AI計算任務。該項目由獲得奧斯卡技術獎的雲圖形公司OTOY創立,其GPU網路已被派拉蒙、PUBG等大公司使用。Render還與Stability AI等合作,將AI模型與3D內容渲染流程整合。

Akash 定位爲支持存儲、GPU和CPU計算的"超級雲"平台。它利用容器平台和Kubernetes管理的計算節點,可在不同環境中無縫部署軟件。Akash上運行着Mistral AI的LLM聊天機器人、Stability AI的文本生成圖像模型等應用。

io.net 提供專門用於AI和機器學習的分布式GPU雲集羣。該公司原爲量化交易公司,後轉型爲現有業務。其IO-SDK兼容PyTorch和TensorFlow等框架,多層架構可根據需求動態擴展。io.net還與Render、FIL等合作整合GPU資源。

Gensyn 專注於機器學習和深度學習計算的GPU網路。它通過學習證明、基於圖的精確定位協議等技術,實現了高效的驗證機制。Gensyn可對預訓練的基礎模型進行微調,完成更具體的任務。

Aethir 專門提供企業級GPU,主要用於AI、機器學習、雲遊戲等計算密集型領域。其網路中的容器充當雲應用的虛擬端點,將工作負載從本地設備轉移到容器,實現低延遲體驗。Aethir還擴展到雲手機服務,與多家Web2和Web3公司建立了合作。

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。它使AI代理能夠由鏈上智能合約控制,並計劃未來支持H100等TEE GPU以提升計算能力。

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 | 人工智能、雲遊戲和電信 | 鏈上 AI 執行 | | AI任務類型 | 推理 | 兩者均可 | 兩者均可 | 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% 準備金費用 | 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了GPU集羣,在保證模型準確性的同時提高了訓練效率和可擴展性。訓練復雜AI模型需要強大的計算能力,通常依賴分布式計算。例如,OpenAI的GPT-4模型擁有超過1.8萬億個參數,在3-4個月內使用約25,000個Nvidia A100 GPU進行訓練。

大多數項目現已整合集羣實現並行計算。io.net與其他項目合作,已在24年第一季度部署超過3,800個集羣。Render雖不支持集羣,但其工作原理類似,將單個幀分解到多個節點同時處理。Phala目前僅支持CPU,但允許CPU工作器集羣化。

數據隱私

AI模型開發需要大量數據集,可能涉及敏感信息。確保數據隱私對於將數據控制權交還給提供方至關重要。大多數項目都採用某種形式的數據加密。io.net最近與Mind Network合作推出完全同態加密(FHE),允許在不解密的情況下處理加密數據。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

由於服務範圍廣泛,從渲染到AI計算,最終質量可能不總符合用戶標準。完成證明和質量檢查對用戶有益。Gensyn和Aethir生成證明表明工作已完成,並進行質量檢查。io.net的證明表明租用GPU性能得到充分利用。Render建議使用爭議解決流程,對存在問題的節點進行處罰。Phala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模型訓練傾向使用Nvidia的A100和H100等高性能GPU。H100的推理性能比A100快4倍,成爲大型公司訓練LLM的首選。去中心化GPU市場提供商需要提供足夠數量的高性能硬件才能與Web2競爭對手抗衡。io.net和Aethir各擁有2000多個H100和A100單元,更適合大型模型計算。

去中心化GPU服務的成本已比中心化服務低得多。Gensyn和Aethir宣稱能以每小時不到1美元的價格租用相當於A100的硬件。然而,網路連接的GPU集羣在內存方面可能受限,不如NVLink連接的GPU適合具有大量參數和數據集的LLMS。

盡管如此,去中心化GPU網路仍爲分布式計算任務提供強大的計算能力和可擴展性,爲構建更多AI和ML用例打開了機會。

提供消費級GPU/CPU

雖然GPU是主要處理單元,但CPU在AI模型訓練中也發揮重要作用。消費級GPU可用於較小規模的任務,如微調預訓練模型或在小數據集上訓練小型模型。Render、Akash和io.net等項目也服務於這一市場,利用閒置的消費者GPU資源。

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增長。這一趨勢證明了AI DePIN網路的產品市場契合度,有效解決了需求和供應方面的挑戰。

展望未來,AI有望發展成爲一個蓬勃發展的數萬億美元市場。這些去中心化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,爲AI和計算基礎設施的未來格局做出重大貢獻。