AI與DePIN的融合：分布式GPU網路崛起

自2023年以來，AI和DePIN成爲Web3領域的熱點趨勢，兩者市值分別達到300億美元和230億美元。本文聚焦二者交匯點,探討這一新興領域的發展。

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的需求導致供應短缺,使其他開發者難以獲得足夠資源訓練自有模型。傳統中心化雲服務往往要求籤訂不靈活的長期合同,效率低下。DePIN網路提供了更靈活、更具成本效益的替代方案,通過代幣激勵匯聚分散的GPU資源,爲用戶提供統一供給。這不僅讓開發者能按需獲取可定制的計算能力,也爲GPU閒置用戶創造了額外收益。

AI DePIN網路概覽

Render

Render是P2P GPU計算網路的先驅,最初專注於內容創作圖形渲染,後來擴展到包括生成式AI在內的廣泛AI計算任務。

亮點:

• 由擁有奧斯卡獲獎技術的公司創立
• 已被派拉蒙影業等娛樂業巨頭使用
• 與Stability AI等公司合作,整合AI模型與3D內容渲染
• 支持多種計算客戶端,集成更多DePIN網路GPU

Akash

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。其容器平台和Kubernetes管理的計算節點可無縫部署雲原生應用。

亮點:

• 涵蓋從通用計算到網路托管的廣泛任務
• AkashML支持在Hugging Face上運行超1.5萬個模型
• 已托管Mistral AI的LLM聊天機器人等知名應用
• 支持元宇宙、AI部署和聯邦學習等平台

io.net

io.net提供分布式GPU雲集羣,專注AI和ML用例。聚合了數據中心、加密礦工等多方GPU資源。

亮點:

• IO-SDK兼容PyTorch等框架,可根據需求動態擴展
• 支持創建3種不同類型集羣,2分鍾內啓動
• 與Render、FIL等合作整合更多GPU資源

Gensyn

Gensyn專注機器學習和深度學習計算。採用學習證明、基於圖的協議和質押激勵等機制,提高驗證效率。

亮點:

• V100 GPU每小時成本約0.40美元,大幅節省
• 可對預訓練基礎模型進行微調完成特定任務
• 提供去中心化、全球共享的基礎模型

Aethir

Aethir專注企業級GPU,服務於AI、ML、雲遊戲等計算密集型領域。通過容器技術將工作負載從本地轉移到雲端,實現低延遲體驗。

亮點:

• 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、富士康等Web2巨頭建立廣泛合作
• 在Web3領域與CARV、Magic Eden等多方合作

Phala Network

Phala Network作爲Web3 AI解決方案的執行層,採用可信執行環境(TEE)設計處理隱私問題。其執行層使AI代理能由鏈上智能合約控制。

亮點:

• 作爲可驗證計算的協處理器協議,賦能AI代理鏈上資源
• AI代理合約可通過Redpill獲取OpenAI等頂級LLM
• 未來將包括zk-proofs、MPC、FHE等多重證明系統
• 計劃支持H100等TEE GPU,提升計算能力

項目對比

| | 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 | 推理和訓練 | 推理和訓練 | 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 |

關鍵特性對比

集羣和並行計算

分布式計算框架實現GPU集羣,提高訓練效率和可擴展性。大多數項目已整合集羣支持並行計算,以滿足復雜AI模型的需求。io.net已成功部署超3800個集羣。Render雖不支持集羣,但可將任務分解到多個節點同時處理。Phala支持CPU工作器集羣化。

數據隱私

保護敏感數據集對AI開發至關重要。大多數項目採用數據加密保護隱私。io.net引入完全同態加密(FHE),可在加密狀態下處理數據。Phala Network採用可信執行環境(TEE),防止外部訪問或修改數據。

計算完成證明和質量檢查

爲確保服務質量,多數項目採用完成證明和質量檢查機制。Gensyn和Aethir生成工作完成證明,並進行質量檢查。io.net證明租用GPU性能充分利用。Render建議使用爭議解決流程處理問題節點。Phala生成TEE證明確保正確執行。

硬件統計

| | 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需求

AI模型訓練需要性能最佳的GPU,如NVIDIA A100和H100。去中心化GPU市場需提供足夠數量的高性能硬件以滿足需求。io.net和Aethir各擁有2000多個H100/A100單元,更適合大型模型計算。這些網路的GPU租用成本已遠低於中心化服務。

消費級GPU/CPU供給

除企業級GPU外,部分項目如Render、Akash和io.net也服務於消費級GPU市場。這可利用大量閒置消費者GPU資源,開發特定市場細分。

結語

AI DePIN領域仍處於早期階段,面臨諸多挑戰。然而,這些網路上執行的任務和硬件數量顯著增加,凸顯了對傳統雲服務替代方案的需求。未來,隨着AI市場持續增長,這些分布式GPU網路有望在爲開發者提供經濟高效的計算資源方面發揮關鍵作用,爲AI和計算基礎設施的未來格局做出重要貢獻。