AI DePIN网络崛起：分散化GPU计算引领新趋势

薛定谔的gas

2025-08-06 07:15:58

AI DePIN 网络:分散化 GPU 计算的未来

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。大型科技公司导致的GPU短缺,使其他AI开发者难以获得足够的GPU算力。传统做法是选择中心化云服务商,但需签订不灵活的长期合同,效率低下。

DePIN提供了更灵活且成本效益更高的替代方案,通过代币激励符合网络目标的资源贡献。AI领域的DePIN将个人GPU资源整合到数据中心,为用户提供统一供给。这不仅为开发者提供定制化和按需访问,还为GPU所有者创造额外收益。

市场上AI DePIN网络众多,本文将探讨各协议的作用、目标及亮点,以及它们之间的差异。

AI DePIN网络概览

Render

Render是P2P GPU计算网络的先驱,最初专注于图形渲染,后来拓展到AI计算任务。

亮点:

由获奥斯卡技术奖的OTOY公司创立
GPU网络被派拉蒙、PUBG等大型娱乐公司使用
与Stability AI等合作,将AI模型与3D内容渲染工作流集成
批准多个计算客户端,整合更多DePIN网络GPU

Akash

Akash定位为支持存储、GPU和CPU计算的"超级云"平台,是AWS等传统平台的替代品。利用容器平台和Kubernetes管理的计算节点,可无缝部署任何云原生应用。

亮点:

面向从通用计算到网络托管的广泛计算任务
AkashML允许在Hugging Face上运行超1.5万个模型
托管Mistral AI的LLM聊天机器人、Stability AI的SDXL等重要应用
元宇宙、AI部署和联邦学习平台正在使用其超级云

io.net

io.net提供专门用于AI和ML的分布式GPU云集群访问,聚合来自数据中心、矿工等的GPU资源。

亮点:

IO-SDK兼容PyTorch和Tensorflow等框架,可根据需求自动扩展
支持创建3种不同类型的集群,2分钟内可启动
与Render、Filecoin等合作整合其他DePIN网络的GPU

Gensyn

Gensyn提供专注于机器学习和深度学习的GPU计算能力。通过学习证明等技术,实现更高效的验证机制。

亮点:

V100 GPU每小时成本约0.40美元,大幅节省成本
可对预训练基础模型进行微调,完成更具体任务
基础模型将去中心化、全球共享,提供额外功能

Aethir

Aethir专门部署企业级GPU,聚焦AI、ML、云游戏等计算密集型领域。网络中的容器充当执行云应用的虚拟端点,实现低延迟体验。

亮点:

拓展到云手机服务,与APhone合作推出去中心化云手机
与NVIDIA、HPE等大型Web2公司建立广泛合作
与CARV、Magic Eden等多个Web3合作伙伴

Phala Network

Phala Network作为Web3 AI解决方案的执行层,利用可信执行环境(TEE)处理隐私问题。使AI代理能由链上智能合约控制。

亮点:

作为可验证计算的协处理器协议,赋能AI代理链上资源
AI代理合约可通过Redpill获得OpenAI等顶级大语言模型
未来将包括zk-proofs、MPC、FHE等多重证明系统
未来支持H100等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 | 两者皆可 | 两者皆可 | 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,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,通常依赖分布式计算。例如,OpenAI的GPT-4模型拥有超1.8万亿个参数,在3-4个月内使用128个集群中约25,000个Nvidia A100 GPU训练。

大多数项目现已整合集群实现并行计算。io.net与其他项目合作,将更多GPU纳入网络,已在24年一季度部署超3,800个集群。Render虽不支持集群,但将单个帧分解为多个节点同时处理,工作原理类似。Phala目前仅支持CPU,但允许CPU工作器集群化。

数据隐私

AI模型开发需要大量数据集,可能包含敏感信息。三星因担心代码泄露而禁用ChatGPT,微软的38TB数据泄露事件凸显了AI安全措施的重要性。因此,各种数据隐私方法对于保护数据控制权至关重要。

大多数项目使用某种形式的数据加密。Render在发布渲染结果时使用加密和哈希,io.net和Gensyn采用数据加密,Akash使用mTLS身份验证限制数据访问。

io.net最近与Mind Network合作推出完全同态加密(FHE),允许处理加密数据而无需解密,比现有加密技术更好地保护数据隐私。

Phala Network引入可信执行环境(TEE),防止外部进程访问或修改数据。它还在zkDCAP验证器和jtee CLI中结合了zk-proofs,以集成RiscZero zkVM。

计算完成证明和质量检查

由于服务范围广泛,从渲染到AI计算,最终质量可能不总符合用户标准。完成证明和质量检查对用户有益。

Gensyn和Aethir生成完成证明,io.net的证明表明GPU性能得到充分利用。Gensyn和Aethir进行质量检查,Gensyn使用验证者和举报人,Aethir使用检查节点。Render建议使用争议解决流程。Phala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) | - |