AI與DePIN的交叉點:探索去中心化GPU網路的發展

自2023年以來，AI和DePIN在Web3領域備受關注,兩者的市值分別達到300億美元和230億美元。本文將聚焦兩者的交叉領域,探討相關協議的發展情況。

在AI技術棧中,DePIN網路通過提供計算資源爲AI賦能。由於大型科技公司的發展導致GPU短缺,其他開發者難以獲得足夠的GPU資源來構建自己的AI模型。傳統上,開發者會選擇中心化雲服務商,但這往往需要簽署不靈活的長期合同,效率較低。

DePIN提供了一種更靈活、更具成本效益的替代方案。它通過代幣獎勵來激勵資源貢獻,將GPU資源從個人所有者衆包到數據中心,爲需要硬件的用戶形成統一的供給。這不僅爲開發者提供了可定制和按需使用的計算能力,也爲GPU所有者提供了額外的收入來源。

市場上已有多個AI DePIN網路,各有特色。接下來我們將探討幾個主要項目的特點和目標,以及它們的一些具體成果。

AI DePIN網路概述

Render是提供GPU計算能力的P2P網路的先驅,最初專注於內容創作渲染,後來將範圍擴展到AI計算任務。

特點:

• 由擁有奧斯卡獲獎技術的雲圖形公司OTOY創立
• GPU網路已被娛樂行業大公司使用,如派拉蒙影業、PUBG等
• 與Stability AI和Endeavor合作,將AI模型與3D內容渲染工作流程集成
• 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,運行任何雲原生應用。

特點:

• 針對從通用計算到網路托管的廣泛計算任務
• AkashML允許其GPU網路運行Hugging Face上超過15,000個模型
• 托管了一些知名應用,如Mistral AI的LLM模型聊天機器人、Stability AI的SDXL模型等
• 支持構建元宇宙、AI部署和聯邦學習的平台

io.net提供對分布式GPU雲集羣的訪問,專門用於AI和ML用例。它聚合了來自數據中心、加密礦工和其他去中心化網路的GPU資源。

特點:

• IO-SDK與PyTorch和Tensorflow等框架兼容,多層架構可根據需求動態擴展
• 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等多個DePIN網絡合作,整合GPU資源

Gensyn提供專注於機器學習和深度學習計算的GPU計算能力。它通過創新的驗證機制,提高了效率。

特點:

• V100等效GPU的每小時成本約爲0.40美元,大幅節省成本
• 通過證明堆棧,可對預訓練基礎模型進行微調
• 這些基礎模型將是去中心化的、全球擁有的

Aethir專門搭載企業GPU,專注於計算密集型領域,如AI、ML和雲遊戲等。其網路中的容器充當執行基於雲的應用程序的虛擬端點。

特點:

• 除AI和雲遊戲外,還拓展到雲手機服務,與APhone合作推出去中心化雲智能手機
• 與NVIDIA、Super Micro、HPE等Web2大公司建立廣泛合作
• 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。其區塊鏈是一種無需信任的雲計算解決方案,通過可信執行環境(TEE)設計處理隱私問題。

特點:

• 充當可驗證計算的協處理器協議,使AI代理能夠鏈上資源
• AI代理合約可通過Redpill訪問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
• 未來支持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% 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,在不影響模型準確性的情況下提供更高效的訓練,同時增強了可擴展性。訓練復雜AI模型需要強大的計算能力,通常需要依靠分布式計算。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128個集羣中的約25,000個Nvidia A100 GPU進行訓練。

大多數重點項目現在都已整合了集羣以實現並行計算。io.net與Render、FIL和Aethir等項目合作,將更多GPU納入其網路,並已在24年第一季度部署了超過3,800個集羣。Render雖不支持集羣,但其工作原理類似,將單個幀分解爲多個節點同時處理。Phala目前僅支持CPU,但允許將CPU工作器集羣化。

數據隱私

開發AI模型需要使用大量數據集,這些數據可能包含敏感信息。確保數據隱私對於將數據控制權交還給數據提供商至關重要。

大多數項目都使用某種形式的數據加密來保護數據隱私。Render在發布渲染結果時使用加密和哈希處理,io.net和Gensyn採用數據加密,Akash使用mTLS身分驗證。

io.net最近與Mind Network合作推出了完全同態加密(FHE),允許在無需先解密的情況下處理加密數據。Phala Network引入了可信執行環境(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

由於這些項目提供的GPU可用於廣泛的服務,從渲染圖形到AI計算,因此需要完成證明和質量檢查機制。

Gensyn和Aethir在計算完成後生成證明,io.net的證明表明租用的GPU性能得到充分利用。Gensyn和Aethir都會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完成後會生成TEE證明,確保AI代理在鏈上執行所需的操作。

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,已成爲首選GPU,特別是對於正在訓練自己的LLM的大型公司。

去中心化GPU市場提供商要與Web2同行競爭,不僅要提供更低的價格,還要滿足市場的實際需求。2023年,Nvidia向中心化的大型科技公司交付了超過50萬臺H100,這使得獲取同等硬件變得困難。

io.net和Aethir各自擁有2000多個H100和A100單元,更適合大型模型計算。根據開發者所需的集羣大小,目前這些去中心化GPU服務的成本已經比中心化GPU服務低得多。

盡管網路連接的GPU集羣在內存方面受限,但對於需要靈活性和跨多個節點分配工作負載能力的用戶來說,去中心化GPU網路仍可爲分布式計算任務提供強大的計算能力和可擴展性。

提供消費級GPU/CPU

CPU在訓練AI模型方面也發揮重要作用,可用於數據預處理到內存資源管理等多個環節。消費級GPU可用於不太密集的任務,如對預訓練模型進行微調或在小數據集上訓練小規模模型。

考慮到超過85%的消費者GPU資源處於閒置狀態,Render、Akash和io.net等項目也可以服務於這一市場。提供這些選項可以讓它們開發自己的市場定位,專注於大規模密集型計算、小規模渲染或兩者的混合。

結論

AI DePIN領域仍相對新興,面臨着自身的挑戰。然而,這些去中心化GPU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。同時,硬件提供商的增加也顯示了以前未充分利用的供應。這進一步證明了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。通過不斷彌合需求和供應之間的差距,這些網路將爲AI和計算基礎設施的未來格局做出重大貢獻。