AI與DePIN的融合:分布式GPU網路的崛起

自2023年以來，人工智能和去中心化物理基礎設施網路(DePIN)已成爲Web3領域的兩大熱門趨勢。這兩個領域都涵蓋了各種不同的協議,服務於不同的需求。本文將探討二者的交匯點,並研究相關協議的發展。

在AI技術棧中,DePIN網路通過提供計算資源爲AI賦能。由於大型科技公司的發展導致GPU短缺,其他開發者難以獲得足夠的GPU進行AI模型訓練。傳統做法是選擇中心化雲服務商,但需要簽署不靈活的長期合同,效率低下。

DePIN網路提供了一種更靈活、更具成本效益的替代方案。它使用代幣獎勵來激勵資源貢獻,將GPU資源從個人所有者衆包到網路中,爲需要訪問硬件的用戶形成統一的供應。這不僅爲開發者提供了可定制性和按需訪問,還爲GPU所有者提供了額外收入。

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

AI DePIN網路概述

Render是提供GPU計算能力的P2P網路先驅,最初專注於內容創作渲染,後來擴展到AI計算任務。

有趣之處:

• 由擁有奧斯卡獲獎技術的雲圖形公司OTOY創立
• GPU網路已被娛樂行業大公司使用
• 與Stability AI等合作,整合AI模型與3D內容渲染
• 批準多個計算客戶端,集成更多DePIN網路的GPU

Akash定位爲傳統雲平台的"超級雲"替代品,支持存儲、GPU和CPU計算。

有趣之處:

• 針對從通用計算到網路托管的廣泛計算任務
• AkashML允許在Hugging Face上運行大量模型
• 托管了一些知名AI應用,如Mistral AI的LLM聊天機器人
• 支持元宇宙、AI部署和聯邦學習平台

io.net提供對分布式GPU雲集羣的訪問,專門用於AI和ML用例。

有趣之處:

• IO-SDK與主流AI框架兼容,可根據需求自動擴展
• 支持創建3種不同類型的集羣,可快速啓動
• 與其他DePIN網絡合作整合GPU資源

Gensyn提供專注於機器學習和深度學習的GPU計算能力。

有趣之處:

• 大幅降低GPU計算成本
• 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專門提供企業級GPU,主要用於AI、機器學習、雲遊戲等領域。

有趣之處:

• 擴展到雲手機服務領域
• 與NVIDIA等大型Web2公司建立合作
• 在Web3領域有多個合作夥伴

Phala Network充當Web3 AI解決方案的執行層,使用可信執行環境(TEE)處理隱私問題。

有趣之處:

• 充當可驗證計算的協處理器協議
• AI代理合約可訪問頂級大語言模型
• 未來將支持多種證明系統
• 計劃支持H100等TEE GPU

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 | 人工智能、雲遊戲和電信 | 鏈上 AI 執行 | | AI任務類型 | 推理 | 兩者 | 兩者 | 訓練 | 訓練 | 執行 | | 工作定價 | 基於表現的定價 | 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&散列 | 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% 準備金費用 | 費用低廉 | 每個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了GPU集羣,可以更高效地訓練復雜AI模型。大多數項目現在都已整合了集羣以實現並行計算。io.net已成功部署了大量集羣。Render雖不支持集羣,但其工作方式類似。Phala目前僅支持CPU,但允許CPU工作器集羣化。

數據隱私

開發AI模型需要使用大量數據,可能涉及敏感信息。大多數項目都使用某種形式的數據加密來保護隱私。io.net推出了完全同態加密(FHE),允許在無需解密的情況下處理加密數據。Phala Network引入了可信執行環境(TEE),可防止外部進程訪問或修改數據。

計算完成證明和質量檢查

部分項目會生成證明以表明工作已完成,並進行質量檢查。Gensyn和Aethir使用驗證者和檢查節點來確保服務質量。Render建議使用爭議解決流程。Phala完成後會生成TEE證明。

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的推理性能比A100快4倍,已成爲首選。去中心化GPU市場提供商要與Web2同行競爭,不僅要提供更低價格,還要滿足市場實際需求。

io.net和Aethir各獲得了2000多個H100/A100單元,更適合大型模型計算。這些去中心化GPU服務的成本已經比中心化服務低得多。

盡管網路連接的GPU集羣在內存方面有一定限制,但對於需要靈活性的用戶來說仍然是強大的選擇。通過提供更具成本效益的替代方案,這些網路爲構建更多AI和ML用例創造了機會。

提供消費級GPU/CPU

除了高端GPU,消費級GPU和CPU也在AI模型開發中發揮作用。考慮到大量消費者GPU資源處於閒置狀態,部分項目也爲這一市場提供服務,開發自己的利基市場。

結論

AI DePIN領域仍然較新,面臨挑戰。但這些去中心化GPU網路上執行的任務和硬件數量顯著增加,凸顯了對Web2雲提供商硬件資源替代品的需求。

展望未來,AI市場前景廣闊,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。通過不斷彌合需求和供應之間的差距,這些網路將爲AI和計算基礎設施的未來格局做出重大貢獻。