AI与DePIN的交叉点:探索去中心化GPU网络的发展

自2023年以来，AI和DePIN在Web3领域备受关注,两者的市值分别达到300亿美元和230亿美元。本文将聚焦两者的交叉领域,探讨相关协议的发展情况。

在AI技术栈中,DePIN网络通过提供计算资源为AI赋能。由于大型科技公司的发展导致GPU短缺,其他开发者难以获得足够的GPU资源来构建自己的AI模型。传统上,开发者会选择中心化云服务商,但这往往需要签署不灵活的长期合同,效率较低。

DePIN提供了一种更灵活、更具成本效益的替代方案。它通过代币奖励来激励资源贡献,将GPU资源从个人所有者众包到数据中心,为需要硬件的用户形成统一的供给。这不仅为开发者提供了可定制和按需使用的计算能力,也为GPU所有者提供了额外的收入来源。

市场上已有多个AI DePIN网络,各有特色。接下来我们将探讨几个主要项目的特点和目标,以及它们的一些具体成果。

AI DePIN网络概述

Render是提供GPU计算能力的P2P网络的先驱,最初专注于内容创作渲染,后来将范围扩展到AI计算任务。

特点:

• 由拥有奥斯卡获奖技术的云图形公司OTOY创立
• GPU网络已被娱乐行业大公司使用,如派拉蒙影业、PUBG等
• 与Stability AI和Endeavor合作,将AI模型与3D内容渲染工作流程集成
• 批准多个计算客户端,集成更多DePIN网络的GPU

Akash定位为支持存储、GPU和CPU计算的"超级云"替代品。利用容器平台和Kubernetes管理的计算节点,可跨环境无缝部署软件,运行任何云原生应用。

特点:

• 针对从通用计算到网络托管的广泛计算任务
• AkashML允许其GPU网络运行Hugging Face上超过15,000个模型
• 托管了一些知名应用,如Mistral AI的LLM模型聊天机器人、Stability AI的SDXL模型等
• 支持构建元宇宙、AI部署和联邦学习的平台

io.net提供对分布式GPU云集群的访问,专门用于AI和ML用例。它聚合了来自数据中心、加密矿工和其他去中心化网络的GPU资源。

特点:

• IO-SDK与PyTorch和Tensorflow等框架兼容,多层架构可根据需求动态扩展
• 支持创建3种不同类型的集群,可在2分钟内启动
• 与Render、Filecoin、Aethir等多个DePIN网络合作,整合GPU资源

Gensyn提供专注于机器学习和深度学习计算的GPU计算能力。它通过创新的验证机制,提高了效率。

特点:

• V100等效GPU的每小时成本约为0.40美元,大幅节省成本
• 通过证明堆栈,可对预训练基础模型进行微调
• 这些基础模型将是去中心化的、全球拥有的

Aethir专门搭载企业GPU,专注于计算密集型领域,如AI、ML和云游戏等。其网络中的容器充当执行基于云的应用程序的虚拟端点。

特点:

• 除AI和云游戏外,还拓展到云手机服务,与APhone合作推出去中心化云智能手机
• 与NVIDIA、Super Micro、HPE等Web2大公司建立广泛合作
• 与CARV、Magic Eden等多个Web3项目合作

Phala Network作为Web3 AI解决方案的执行层。其区块链是一种无需信任的云计算解决方案,通过可信执行环境(TEE)设计处理隐私问题。

特点:

• 充当可验证计算的协处理器协议,使AI代理能够链上资源
• AI代理合约可通过Redpill访问OpenAI、Llama等顶级大语言模型
• 未来将包括zk-proofs、多方计算、全同态加密等多重证明系统
• 未来支持H100等其他TEE GPU,提升计算能力

项目比较

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | 硬件 | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | 业务重点 | 图形渲染和AI | 云计算、渲染和AI | AI | AI | AI、云游戏和电信 | 链上 AI 执行 | | AI任务类型 | 推理 | 两者 | 两者 | 训练 | 训练 | 执行 | | 工作定价 | 基于表现的定价 | 反向拍卖 | 市场定价 | 市场定价 | 招标系统 | 权益计算 | | 区块链 | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | 数据隐私 | 加密&散列 | mTLS 身份验证 | 数据加密 | 安全映射 | 加密 | TEE | | 工作费用 | 每项工作 0.5-5% | 20% USDC, 4% AKT | 2% USDC，0.25% 准备金费用 | 费用低廉 | 每个session 20% | 与质押金额成比例 | | 安全 | 渲染证明 | 权益证明 | 计算证明 | 权益证明 | 渲染能力证明 | 继承自中继链 | | 完成证明 | - | - | 时间锁证明 | 学习证明 | 渲染工作证明 | TEE 证明 | | 质量保证 | 争议 | - | - | 核实者和举报人 | 检查器节点 | 远程证明 | | GPU 集群 | 否 | 是 | 是 | 是 | 是 | 否 |

重要性

集群和并行计算的可用性

分布式计算框架实现了GPU集群,在不影响模型准确性的情况下提供更高效的训练,同时增强了可扩展性。训练复杂AI模型需要强大的计算能力,通常需要依靠分布式计算。例如,OpenAI的GPT-4模型拥有超过1.8万亿个参数,在3-4个月内使用128个集群中的约25,000个Nvidia A100 GPU进行训练。

大多数重点项目现在都已整合了集群以实现并行计算。io.net与Render、Filecoin和Aethir等项目合作,将更多GPU纳入其网络,并已在24年第一季度部署了超过3,800个集群。Render虽不支持集群,但其工作原理类似,将单个帧分解为多个节点同时处理。Phala目前仅支持CPU,但允许将CPU工作器集群化。

数据隐私

开发AI模型需要使用大量数据集,这些数据可能包含敏感信息。确保数据隐私对于将数据控制权交还给数据提供商至关重要。

大多数项目都使用某种形式的数据加密来保护数据隐私。Render在发布渲染结果时使用加密和哈希处理,io.net和Gensyn采用数据加密,Akash使用mTLS身份验证。

io.net最近与Mind Network合作推出了完全同态加密(FHE),允许在无需先解密的情况下处理加密数据。Phala Network引入了可信执行环境(TEE),防止外部进程访问或修改数据。

计算完成证明和质量检查

由于这些项目提供的GPU可用于广泛的服务,从渲染图形到AI计算,因此需要完成证明和质量检查机制。

Gensyn和Aethir在计算完成后生成证明,io.net的证明表明租用的GPU性能得到充分利用。Gensyn和Aethir都会对已完成的计算进行质量检查。Render建议使用争议解决流程。Phala完成后会生成TEE证明,确保AI代理在链上执行所需的操作。

硬件统计数据

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

高性能GPU的要求

AI模型训练需要性能最佳的GPU,如Nvidia的A100和H100。H100的推理性能比A100快4倍,已成为首选GPU,特别是对于正在训练自己的LLM的大型公司。

去中心化GPU市场提供商要与Web2同行竞争,不仅要提供更低的价格,还要满足市场的实际需求。2023年,Nvidia向中心化的大型科技公司交付了超过50万台H100,这使得获取同等硬件变得困难。

io.net和Aethir各自拥有2000多个H100和A100单元,更适合大型模型计算。根据开发者所需的集群大小,目前这些去中心化GPU服务的成本已经比中心化GPU服务低得多。

尽管网络连接的GPU集群在内存方面受限,但对于需要灵活性和跨多个节点分配工作负载能力的用户来说,去中心化GPU网络仍可为分布式计算任务提供强大的计算能力和可扩展性。

提供消费级GPU/CPU

CPU在训练AI模型方面也发挥重要作用,可用于数据预处理到内存资源管理等多个环节。消费级GPU可用于不太密集的任务,如对预训练模型进行微调或在小数据集上训练小规模模型。

考虑到超过85%的消费者GPU资源处于闲置状态,Render、Akash和io.net等项目也可以服务于这一市场。提供这些选项可以让它们开发自己的市场定位,专注于大规模密集型计算、小规模渲染或两者的混合。

结论

AI DePIN领域仍相对新兴,面临着自身的挑战。然而,这些去中心化GPU网络上执行的任务和硬件数量显著增加,凸显了对Web2云提供商硬件资源替代品的需求增长。同时,硬件提供商的增加也显示了以前未充分利用的供应。这进一步证明了AI DePIN网络的产品市场契合度,有效解决了需求和供应方面的挑战。

展望未来,AI有望发展成为一个蓬勃发展的数万亿美元市场。这些分散的GPU网络将在为开发者提供经济高效的计算替代方案方面发挥关键作用。通过不断弥合需求和供应之间的差距,这些网络将为AI和计算基础设施的未来格局做出重大贡献。