AI 与 DePIN 的交汇：去中心化 GPU 计算网络的崛起

自 2023 年以来，AI 和 DePIN 成为 Web3 领域的热门趋势，市值分别达到 300 亿美元和 230 亿美元。本文将探讨二者的交集，研究相关协议的发展。

在 AI 技术栈中，DePIN 网络通过提供计算资源为 AI 赋能。大型科技公司的发展导致 GPU 短缺,使其他开发者难以获得足够的 GPU 进行计算。这通常迫使开发者选择中心化云服务商,但由于需签署不灵活的长期高性能硬件合同,效率低下。

DePIN 提供了更灵活、更具成本效益的替代方案,通过代币激励资源贡献。AI 领域的 DePIN 网络将 GPU 资源从个人所有者整合到统一供应,为需要硬件的用户提供服务。这不仅为开发者提供可定制性和按需访问,还为 GPU 所有者创造额外收入。

AI DePIN 网络概述

各项目都以构建 GPU 计算市场网络为目标。以下将介绍每个项目的特点、市场重点及成就。

Render 是 P2P GPU 计算网络的先驱,最初专注于内容创作图形渲染,后来扩展到 AI 计算任务。

特点:

• 由云图形公司 OTOY 创立
• 娱乐业大公司如派拉蒙影业、PUBG 等使用其 GPU 网络
• 与 Stability AI 和 Endeavor 合作,将 AI 模型与 3D 内容渲染工作流集成
• 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。

特点:

• 面向从通用计算到网络托管的广泛计算任务
• AkashML 支持在 Hugging Face 上运行超过 15,000 个模型
• 托管 Mistral AI 的 LLM 模型聊天机器人、Stability AI 的 SDXL 等应用
• 支持元宇宙、AI 部署和联邦学习平台

io.net 提供分布式 GPU 云集群,专门用于 AI 和 ML 用例。整合了数据中心、加密矿工等领域的 GPU 资源。

特点:

• IO-SDK 兼容 PyTorch 和 Tensorflow 等框架,可根据计算需求自动扩展
• 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 等合作整合 GPU 资源

Gensyn 提供专注于机器学习和深度学习的 GPU 计算能力。采用学习证明、基于图形的精确定位协议等技术提高验证效率。

特点:

• V100 等效 GPU 每小时成本约 0.40 美元,显著节省成本
• 支持对预训练基础模型进行微调
• 计划提供去中心化的、全球拥有的基础模型

Aethir 专注于 AI、ML、云游戏等计算密集型领域。其网络中的容器作为执行云应用的虚拟端点,实现低延迟体验。

特点:

• 扩展到云手机服务,与 APhone 合作推出去中心化云智能手机
• 与 NVIDIA、Super Micro、HPE 等大型公司建立合作
• 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。通过可信执行环境(TEE)设计处理隐私问题,支持 AI 代理由链上智能合约控制。

特点:

• 作为可验证计算的协处理器协议,支持 AI 代理链上资源
• AI 代理合约可通过 Redpill 获得 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
• 计划支持 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% 储备费用 | 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 GPU 集群,提供更高效的训练和可扩展性。训练复杂 AI 模型需要强大计算能力,通常依靠分布式计算。大多数项目现已整合集群实现并行计算。io.net 已成功部署超过 3,800 个集群。Render 虽不支持集群,但将单个任务分解到多个节点同时处理。Phala 支持 CPU 工作器集群化。

数据隐私

AI 模型开发需使用大量数据集,可能存在敏感数据暴露风险。大多数项目采用某种形式的数据加密保护隐私。io.net 与 Mind Network 合作推出全同态加密(FHE),允许在加密状态下处理数据。Phala Network 引入可信执行环境(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

Gensyn 和 Aethir 在计算完成后生成证明,io.net 的证明表明租用 GPU 性能得到充分利用。Gensyn 和 Aethir 都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 完成后生成 TEE 证明,确保 AI 代理执行所需操作。

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,成为首选 GPU。去中心化 GPU 市场提供商需满足市场实际需求并提供较低价格。io.net 和 Aethir 各获得 2000 多个 H100/A100 单元,更适合大型模型计算。

网络连接的 GPU 集群虽成本较低,但内存受限。NVLink 连接的 GPU 最适合参数多、数据集大的 LLM,因为它们需要高性能和密集计算。去中心化 GPU 网络仍可为分布式计算任务提供强大计算能力和可扩展性,为构建更多 AI 和 ML 用例提供机会。

提供消费级 GPU/CPU

CPU 在 AI 模型训练中也发挥重要作用,可用于数据预处理和内存资源管理。消费级 GPU 可用于微调预训练模型或小规模训练。Render、Akash 和 io.net 等项目也服务于这一市场,开发自己的利基市场。

结论

AI DePIN 领域仍相对新兴,面临挑战。然而,这些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。未来,人工智能市场有望蓬勃发展,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。