AI 與 DePIN 的融合:探索去中心化 GPU 計算網路

自 2023 年以來,AI 和 DePIN 在 Web3 領域備受關注,兩者市值分別達到 300 億美元和 230 億美元。本文旨在探討 AI 和 DePIN 的交叉領域,研究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。大型科技公司對 GPU 的需求導致短缺,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,但長期高性能硬件合同往往缺乏靈活性,效率低下。

DePIN 提供了一種更靈活、更具成本效益的替代方案,通過代幣激勵來鼓勵資源貢獻。AI 領域的 DePIN 將 GPU 資源從個人所有者和數據中心整合,爲需要硬件的用戶提供統一供應。這些網路不僅爲開發者提供定制化和按需訪問,還爲 GPU 所有者創造額外收入。

市場上有多種 AI DePIN 網路,它們各有特色。下面我們將探討幾個主要項目的特點和目標。

AI DePIN 網路概述

Render

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

特點:

• 由獲奧斯卡獎的雲圖形公司 OTOY 創立
• GPU 網路已被派拉蒙影業、PUBG 等大公司使用
• 與 Stability AI 和 Endeavor 合作,集成 AI 模型與 3D 內容渲染
• 批準多個計算客戶端,整合更多 DePIN 網路的 GPU

Akash

Akash 定位爲支持存儲、GPU 和 CPU 計算的"超級雲"平台,是傳統雲服務的替代品。

特點:

• 針對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

io.net 提供分布式 GPU 雲集羣訪問,專門用於 AI 和 ML 用例。

特點:

• IO-SDK 與 PyTorch 和 Tensorflow 等框架兼容
• 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 等網絡合作整合 GPU 資源

Gensyn

Gensyn 提供專注於機器學習和深度學習計算的 GPU 計算能力。

特點:

• V100 等效 GPU 每小時成本約 0.40 美元,大幅節省成本
• 支持對預訓練基礎模型進行微調
• 提供去中心化、全球共享的基礎模型

Aethir

Aethir 專門提供企業級 GPU,主要面向 AI、ML、雲遊戲等計算密集型領域。

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 等大型公司建立廣泛合作
• Web3 生態系統中的多個合作夥伴,如 CARV、Magic Eden 等

Phala Network

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。

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
• 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
• 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 | 雙向 | 雙向 | 訓練 | 訓練 | 執行 | | 工作定價 | 基於表現 | 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&哈希 | 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 | 低費用 | 每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,提高訓練效率和可擴展性。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,但將單個幀分解至多個節點同時處理。Phala 目前僅支持 CPU,但允許 CPU 工作器集羣化。

數據隱私

保護敏感數據集至關重要。大多數項目使用數據加密保護隱私。io.net 與 Mind Network 合作推出完全同態加密(FHE),允許處理加密數據無需解密。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

各項目採用不同方式生成完成證明和進行質量檢查。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 GPU 性能得到充分利用。Render 建議使用爭議解決流程。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 模型訓練需要性能最佳的 GPU,如 Nvidia 的 A100 和 H100。H100 推理性能比 A100 快 4 倍,成爲首選 GPU。去中心化 GPU 市場提供商需要提供更低價格並滿足市場實際需求。io.net 和 Aethir 已獲得 2000 多個 H100 和 A100 單元,更適合大型模型計算。

去中心化 GPU 服務成本已低於中心化服務。網路連接的 GPU 集羣雖內存受限,但對於動態工作負載需求或需要靈活性的用戶仍具吸引力。

提供消費級 GPU/CPU

CPU 在訓練 AI 模型中也發揮重要作用。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 領域仍相對較新,面臨挑戰。但這些網路上執行的任務和硬件數量顯著增加,凸顯了對 Web2 雲提供商替代品的需求。未來,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,爲 AI 和計算基礎設施的未來格局做出重大貢獻。