AIとDePINの交差点：分散化GPUネットワークの台頭と主流プロジェクトの比較

2025-07-22 17:13:57

AIとDePINの交差点:分散型GPUネットワークの台頭

2023年以降、AIとDePINはWeb3分野のホットな話題であり、市場価値はそれぞれ300億ドルと230億ドルに達しています。本稿では両者の交差点を探り、この分野のプロトコルの発展を研究します。

AI技術スタックにおいて、DePINネットワークは計算リソースを通じてAIに実用性を提供します。大手テクノロジー企業の発展はGPUの不足を引き起こし、他の開発者は計算のための十分なGPUを持たなくなります。これにより、開発者は分散化されたクラウドプロバイダーを選択することが多くなりますが、柔軟性のない長期高性能ハードウェア契約を締結しなければならないため、効率が低下します。

DePINは本質的に、ネットワークの目標に合ったリソースの貢献を奨励するためにトークン報酬を使用する、より柔軟でコスト効率の良い代替案を提供します。AI分野のDePINは、GPUリソースを個人所有者からデータセンターにクラウドソーシングし、ハードウェアにアクセスする必要があるユーザーのために統一された供給を形成します。これらのDePINネットワークは、計算能力を必要とする開発者にカスタマイズ性とオンデマンドアクセスを提供するだけでなく、GPU所有者に追加の収入を提供します。

! AIとDePINの交差点

AI DePINネットワークの概要

RenderはGPU計算能力を提供するP2Pネットワークの先駆者であり、以前はコンテンツ制作のためのグラフィックレンダリングに焦点を当てていましたが、その後、神経反射場(NeRF)から生成AIのAI計算タスクを含む範囲に拡大しました。

面白いね：

オスカー受賞技術を持つクラウドグラフィックス会社OTOYによって設立された
GPUネットワークはパラマウント・ピクチャーズ、PUBG、スタートレックなどのエンターテインメント業界の大手企業によって使用されています。
Stability AIとEndeavorと協力し、RenderのGPUを利用して彼らのAIモデルを3Dコンテンツレンダリングワークフローに統合する
複数の計算クライアントを承認し、より多くのDePINネットワークのGPUを統合する

Akashは、ストレージ、GPU、CPU計算をサポートする従来のプラットフォームの「スーパー・クラウド」代替品として位置づけられています。AkashコンテナプラットフォームやKubernetes管理の計算ノードなどの開発者フレンドリーなツールを活用し、環境を越えてソフトウェアをシームレスにデプロイできるため、あらゆるクラウドネイティブアプリケーションを実行することが可能です。

面白いね：

一般的な計算からネットワークホスティングに至る幅広い計算タスク
AkashMLはそのGPUネットワークがHugging Face上で15,000以上のモデルを実行できることを許可し、同時にHugging Faceと統合しています。
Akashには、Mistral AIのLLMモデルチャットボット、Stability AIのSDXLテキストから画像へのモデル、そしてThumper AIの新しい基盤モデルAT-1など、注目すべきいくつかのアプリケーションがホスティングされています。
メタバース、人工知能の展開、そして連邦学習のプラットフォームはSupercloudを利用しています

io.netは、AIおよびMLのユースケース専用の分散化GPUクラウドクラスターへのアクセスを提供します。これは、データセンター、暗号マイナー、その他の分散化ネットワークなどの分野からのGPUを集約しています。同社は以前、量子取引会社でしたが、高性能GPUの価格が大幅に上昇した後、現在のビジネスに転向しました。

面白いね：

そのIO-SDKはPyTorchやTensorflowなどのフレームワークと互換性があり、その多層アーキテクチャは計算要求に応じて自動的に動的に拡張できます。
3つの異なるタイプのクラスターの作成をサポートし、2分以内に起動できます。
Render、Filecoin、Aethir、Exabits などの他の DePIN ネットワークの GPU を統合するための強力な共同作業

Gensynは、機械学習と深層学習計算に特化したGPU計算能力を提供します。既存の方法と比較して、作業証明の検証に使用される学習証明や、検証作業の再実行に関連するグラフィックベースの正確な位置決めプロトコル、計算提供者を含むステーキングと削減に関するTruebit式のインセンティブゲームなどの概念を組み合わせることによって、より効率的な検証メカニズムを実現したと主張しています。

面白いね：

V100相当のGPUの1時間あたりのコストは約0.40ドル/時間と予想されており、コストを大幅に節約することができます。
プルーフスタッキングを通じて、事前にトレーニングされた基本モデルを微調整し、より具体的なタスクを完了できます。
これらの基礎モデルは分散化され、世界中で所有され、ハードウェア計算ネットワークに加えて追加の機能を提供します。

Aethirは企業向けGPUを搭載し、計算集約型分野、主に人工知能、機械学習(ML)、クラウドゲームなどに特化しています。そのネットワーク内のコンテナは、クラウドベースのアプリケーションを実行する仮想エンドポイントとして機能し、ワークロードをローカルデバイスからコンテナに移動させ、低遅延体験を実現します。ユーザーに高品質なサービスを提供するために、需要と位置に応じてGPUをデータソースに近づけ、リソースを調整します。

面白いところ:

人工知能やクラウドゲームに加えて、Aethirはクラウドフォンサービスにも拡大し、APhoneと提携して分散化されたクラウドスマートフォンを発売しました。
NVIDIA、Super Micro、HPE、Foxconn、Well Linkなどの大手Web2企業との広範なパートナーシップ
CARV、Magic Eden、Sequence、Impossible Financeなど、Web3の複数のパートナー

Phala NetworkはWeb3 AIソリューションの実行層として機能します。そのブロックチェーンは信頼不要のクラウドコンピューティングソリューションであり、プライバシーの問題を処理するために、その信頼できる実行環境(TEE)を使用するように設計されています。その実行層はAIモデルの計算層として使用されるのではなく、AIエージェントがチェーン上のスマートコントラクトによって制御できるようにします。

面白いところ:

検証可能な計算のコプロセッサプロトコルとして機能し、同時にAIエージェントがチェーン上のリソースを利用できるようにします。
その人工知能エージェント契約は、Redpillを通じてOpenAI、Llama、Claude、Hugging Faceなどのトップレベルの大規模言語モデルを取得できます。
未来にはzk-proofs、マルチパーティ計算(MPC)、全同態暗号(FHE)などの複数の証明システムが含まれます。
将来的にはH100などの他のTEE GPUをサポートし、計算能力を向上させる

! AIとDePINの交差点

プロジェクト比較

| | レンダリング | アカシュ | io.net | ゲンシン | アエシール | ファラ | |--------|-------------|------------------|---------------------|---------|---------------|----------| | ハードウェア | GPU & CPU | GPU & CPU | GPU & CPU | GPUの| GPUの| CPU | | 業務の焦点 | グラフィックレンダリングとAI | クラウドコンピューティング、レンダリングとAI | AI | AI | 人工知能、クラウドゲームと電気通信 | チェーン上のAI実行 | | AI タスクの種類 | 推論 | 両方 | 両方 | トレーニング | トレーニング | 実行 | | 仕事の価格設定 | パフォーマンスに基づく価格設定 | 逆オークション | 市場価格設定 | 市場価格設定 | 入札システム | 権益計算 | | ブロックチェーン | ソラナ | コスモス | ソラナ | ジェンシン | アービトラム | ポルカドット | | データプライバシー | 暗号化&分散化 | mTLS認証 | データ暗号化 | セキュアマッピング | 暗号 | TEE | | 作業コスト | ジョブあたり0.5-5% 20% USDC、4% AKT | 2% USDC、0.25%の準備金手数料 | 低コスト | セッションごとに20% | 誓約金額に比例 | | 安全 | レンダリング証明 | ステーク証明 | 計算証明 | ステーク証明 | レンダリング能力証明 | 中継チェーンから継承 | | 完了証明 | - | - | タイムロック証明 | 学習証明 | レンダリング作業証明 | TEE証明 | | 品質保証 | 争議 | - | - | 検証者と通報者 | チェッカーノード | リモート証明 | | GPUクラスタ | いいえ | はい | はい | はい | はい | いいえ |

重要度

クラスターと並列計算の可用性

分散化計算フレームワークはGPUクラスタを実現し、モデルの精度に影響を与えることなく、より効率的なトレーニングを提供し、同時にスケーラビリティを向上させました。より複雑なAIモデルのトレーニングには強力な計算能力が必要であり、これは通常、分散化計算に依存してその要求を満たします。より直感的な観点から見ると、OpenAIのGPT-4モデルは1.8兆以上のパラメータを持ち、128のクラスタにおいて約25,000のNvidia A100 GPUを使用して、3〜4ヶ月の間にトレーニングされました。

以前、RenderとAkashは単一用途のGPUのみを提供しており、これがGPUの市場需要を制限する可能性がありました。しかし、現在ほとんどの重点プロジェクトは、並列計算を実現するためにクラスターを統合しています。io.netはRender、Filecoin、Aethirなどの他のプロジェクトと協力し、より多くのGPUをネットワークに取り込み、24年第一四半期には3,800以上のクラスターを展開することに成功しました。Renderはクラスターをサポートしていませんが、その動作はクラスターに似ており、単一のフレームを複数の異なるノードに分解して、異なる範囲のフレームを同時に処理します。Phalaは現在CPUのみをサポートしていますが、CPUワーカーのクラスター化を許可しています。

AIワークフローネットワークにクラスターフレームワークを組み込むことは非常に重要ですが、AI開発者のニーズを満たすために必要なクラスタGPUの数と種類は別の問題であり、後の部分で議論します。

データプライバシー

AIモデルの開発には大量のデータセットが必要であり、これらのデータセットはさまざまな出所から、形式も異なる場合があります。個人の医療記録やユーザーの財務データなどのセンシティブなデータセットは、モデルプロバイダーに露出するリスクに直面する可能性があります。サムスンは、センシティブなコードがプラットフォームにアップロードされることでプライバシーが侵害されることを懸念し、内部でChatGPTの使用を禁止しました。また、マイクロソフトの38TBのプライベートデータ漏洩事件は、AIを使用する際に十分な安全対策を講じる重要性をさらに浮き彫りにしました。このため、データ提供者にデータのコントロールを戻すためには、さまざまなデータプライバシー手法を持つことが重要です。

対象となるほとんどのプロジェクトは、データプライバシーを保護するために何らかの形のデータ暗号化を使用しています。データ暗号化は、ネットワーク内でデータ提供者からモデル提供者(データ受信者)へのデータ転送が保護されることを保証します。Renderは、レンダリング結果をネットワークに戻す際に暗号化とハッシュ処理を使用しており、io.netおよびGensynは何らかの形のデータ暗号化を採用しています。AkashはmTLS認証を使用し、テナントが選択したプロバイダーのみがデータを受信できるようにしています。

しかし、io.netは最近Mind Networkと協力して、完全同態暗号(FHE)を導入しました。これは、データを事前に復号化することなく暗号化されたデータを処理できるようにします。この革新により、データのアイデンティティや内容を漏らすことなく、安全にトレーニング目的でデータを転送できるようになり、既存の暗号技術よりもデータのプライバシーをより良く確保できるようになります。

Phala NetworkはTEE、つまり接続されたデバイスの主プロセッサ内のセキュリティエリアを導入しました。この隔離メカニズムにより、外部プロセスがデータにアクセスまたは変更するのを防ぐことができ、権限レベルに関係なく、物理的にマシンにアクセスできる個人でさえも防ぐことができます。TEEに加えて、zkDCAPバリデーターとjteeコマンドラインインターフェースにzk-proofsの使用を組み合わせ、RiscZero zkVMと統合されたプログラムを提供しています。

! AIとDePINの交差点

完了証明と品質チェックの計算

これらのプロジェクトが提供するGPUは、さまざまなサービスに計算能力を提供します。これらのサービスは、グラフィックスのレンダリングからAI計算まで幅広いため、こうしたタスクの最終的な品質が必ずしもユーザーの基準に合致するとは限りません。完成証明の形式を使用して、ユーザーが借用した特定のGPUが必要なサービスの実行に実際に使用されたことを示すことができ、品質チェックはそのような作業を依頼するユーザーにとって有益です。

計算が完了すると、GensynとAethirは作業が完了したことを示す証明を生成しますが、io.netの証明は借用したGPUの性能が十分に利用され、問題が発生していないことを示します。GensynとAethirは、完了した計算の品質検査を行います。Gensynは、生成された証明の一部を再実行して証明と照合するために検証者を使用し、通報者は検証者に対する別のチェックの役割を果たします。一方、Aethirはサービスの質を判断するためにチェックノードを使用し、基準を下回るサービスに対して罰則を科します。Renderは、審査委員会がノードに問題があると判断した場合、そのノードを削減するために紛争解決プロセスを使用することを推奨しています。Phalaが完了すると、TEE証明が生成され、AIエージェントがチェーン上で必要な操作を実行していることを保証します。

! AIとDePINの交差点