AI與DePIN的交匯:分布式GPU網路的崛起

自2023年以來,AI和DePIN都成爲Web3領域的熱門趨勢,前者市值達300億美元,後者市值230億美元。本文聚焦兩者的交集,探討該領域協議的發展。

在AI技術棧中,DePIN網路通過計算資源爲AI提供實用性。大型科技公司的發展導致GPU短缺,使其他開發者難以獲得足夠的GPU進行AI模型計算。這通常導致開發者選擇中心化雲提供商,但由於必須簽署不靈活的長期高性能硬件合同,效率低下。

DePIN提供了一種更靈活且更具成本效益的替代方案,利用代幣獎勵激勵符合網路目標的資源貢獻。AI領域的DePIN將GPU資源從個人所有者衆包到數據中心,爲需要訪問硬件的用戶形成統一的供應。這些網路不僅爲需要計算能力的開發者提供可定制性和按需訪問,還爲GPU所有者提供額外收入。

AI DePIN網路概述

Render是提供GPU計算能力的P2P網路先驅,之前專注於爲內容創作渲染圖形,後來將範圍擴展到包括從神經反射場到生成AI的AI計算任務。

Akash將自己定位爲支持存儲、GPU和CPU計算的傳統平台的"超級雲"替代品。利用容器平台和Kubernetes管理的計算節點等開發者友好型工具,它能夠跨環境無縫部署軟件,從而能夠運行任何雲原生應用程序。

io.net提供對分布式GPU雲集羣的訪問,這些集羣專門用於AI和ML用例。它聚合了來自數據中心、加密礦工和其他去中心化網路等領域的GPU。

Gensyn提供專注於機器學習和深度學習計算的GPU計算能力。它聲稱通過結合使用學習證明、基於圖形的精確定位協議以及涉及計算提供商的質押和削減的激勵遊戲等概念,實現了更高效的驗證機制。

Aethir專門搭載企業GPU,專注於計算密集型領域,主要是人工智能、機器學習、雲遊戲等。其網路中的容器充當執行基於雲的應用程序的虛擬端點,將工作負載從本地設備轉移到容器,以實現低延遲體驗。

Phala Network充當Web3 AI解決方案的執行層。其區塊鏈是一種無需信任的雲計算解決方案,通過使用其可信執行環境(TEE)設計來處理隱私問題。其執行層使AI代理能夠由鏈上的智能合約控制。

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,在不影響模型準確性的情況下提供更高效的訓練,同時增強了可擴展性。訓練更復雜的AI模型需要強大的計算能力,這通常必須依靠分布式計算來滿足其需求。大多數重點項目現在都已整合了集羣以實現並行計算。

數據隱私

開發AI模型需要使用大量數據集,這些數據集可能來自各種來源,形式各異。個人醫療記錄、用戶財務數據等敏感數據集可能面臨暴露給模型提供商的風險。因此,擁有各種數據隱私方法對於將數據控制權交還給數據提供商至關重要。

所涵蓋的大多數項目都使用某種形式的數據加密來保護數據隱私。io.net最近與Mind Network合作推出了完全同態加密(FHE),允許在無需先解密的情況下處理加密數據。Phala Network引入了TEE,即連接設備主處理器中的安全區域。

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) | - |

結論

AI DePIN領域仍然相對較新,面臨着自身的挑戰。然而,這些去中心化GPU網路中執行的任務和硬件數量仍顯着增加。這些網路上執行的任務量不斷增長,凸顯了對Web2雲提供商硬件資源替代品的需求不斷增加。同時,這些網路中硬件提供商的激增凸顯了以前未充分利用的供應。

展望未來,人工智能的發展軌跡指向一個蓬勃發展的數萬億美元的市場,我們認爲這些分散的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。通過利用其網路不斷彌合需求和供應之間的差距,這些網路將爲人工智能和計算基礎設施的未來格局做出重大貢獻。