AI与DePIN的交汇:分布式GPU网络的崛起

自2023年以来,AI和DePIN都成为Web3领域的热门趋势,前者市值达300亿美元,后者市值230亿美元。本文聚焦两者的交集,探讨该领域协议的发展。

在AI技术栈中,DePIN网络通过计算资源为AI提供实用性。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AI模型计算。这通常导致开发者选择中心化云提供商,但由于必须签署不灵活的长期高性能硬件合同,效率低下。

DePIN提供了一种更灵活且更具成本效益的替代方案,利用代币奖励激励符合网络目标的资源贡献。AI领域的DePIN将GPU资源从个人所有者众包到数据中心,为需要访问硬件的用户形成统一的供应。这些网络不仅为需要计算能力的开发者提供可定制性和按需访问,还为GPU所有者提供额外收入。

AI DePIN网络概述

Render是提供GPU计算能力的P2P网络先驱,之前专注于为内容创作渲染图形,后来将范围扩展到包括从神经反射场到生成AI的AI计算任务。

Akash将自己定位为支持存储、GPU和CPU计算的传统平台的"超级云"替代品。利用容器平台和Kubernetes管理的计算节点等开发者友好型工具,它能够跨环境无缝部署软件,从而能够运行任何云原生应用程序。

io.net提供对分布式GPU云集群的访问,这些集群专门用于AI和ML用例。它聚合了来自数据中心、加密矿工和其他去中心化网络等领域的GPU。

Gensyn提供专注于机器学习和深度学习计算的GPU计算能力。它声称通过结合使用学习证明、基于图形的精确定位协议以及涉及计算提供商的质押和削减的激励游戏等概念,实现了更高效的验证机制。

Aethir专门搭载企业GPU,专注于计算密集型领域,主要是人工智能、机器学习、云游戏等。其网络中的容器充当执行基于云的应用程序的虚拟端点,将工作负载从本地设备转移到容器,以实现低延迟体验。

Phala Network充当Web3 AI解决方案的执行层。其区块链是一种无需信任的云计算解决方案,通过使用其可信执行环境(TEE)设计来处理隐私问题。其执行层使AI代理能够由链上的智能合约控制。

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 | 人工智能、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% 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,在不影响模型准确性的情况下提供更高效的训练,同时增强了可扩展性。训练更复杂的AI模型需要强大的计算能力,这通常必须依靠分布式计算来满足其需求。大多数重点项目现在都已整合了集群以实现并行计算。

数据隐私

开发AI模型需要使用大量数据集,这些数据集可能来自各种来源,形式各异。个人医疗记录、用户财务数据等敏感数据集可能面临暴露给模型提供商的风险。因此,拥有各种数据隐私方法对于将数据控制权交还给数据提供商至关重要。

所涵盖的大多数项目都使用某种形式的数据加密来保护数据隐私。io.net最近与Mind Network合作推出了完全同态加密(FHE),允许在无需先解密的情况下处理加密数据。Phala Network引入了TEE,即连接设备主处理器中的安全区域。

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) | - |

结论

AI DePIN领域仍然相对较新,面临着自身的挑战。然而,这些去中心化GPU网络中执行的任务和硬件数量仍显着增加。这些网络上执行的任务量不断增长,凸显了对Web2云提供商硬件资源替代品的需求不断增加。同时,这些网络中硬件提供商的激增凸显了以前未充分利用的供应。

展望未来,人工智能的发展轨迹指向一个蓬勃发展的数万亿美元的市场,我们认为这些分散的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。通过利用其网络不断弥合需求和供应之间的差距,这些网络将为人工智能和计算基础设施的未来格局做出重大贡献。