AI DePIN崛起:去中心化GPU網路重塑計算基礎設施

AI與DePIN的交匯:去中心化GPU網路的興起

近期AI和DePIN成爲Web3領域的熱門趨勢,市值分別達到300億美元和230億美元。本文將聚焦兩者的交叉領域,探討相關協議的發展。

AI 與 DePIN 的交匯點

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

DePIN提供了更靈活且性價比更高的替代方案,通過代幣獎勵激勵資源貢獻。AI領域的DePIN將個人GPU資源整合到數據中心,爲用戶提供統一供給。這不僅爲開發者提供定制化按需服務,還爲GPU所有者創造額外收入。

市場上存在多種AI DePIN網路,本文將分析各協議的功能、目標及成就,以及它們之間的差異。

AI DePIN網路概述

Render

Render是P2P GPU計算網路的先驅,最初專注於內容創作渲染,後來通過集成Stable Diffusion等工具擴展到AI計算任務。

亮點:

  • 由獲奧斯卡獎技術的OTOY公司創立
  • 派拉蒙影業、PUBG等娛樂業巨頭使用其GPU網路
  • 與Stability AI等合作,將AI模型與3D內容渲染工作流集成
  • 批準多個計算客戶端,集成更多DePIN網路的GPU

Akash

Akash定位爲支持存儲、GPU和CPU計算的"超級雲"平台,替代AWS等傳統服務商。利用容器平台和Kubernetes管理的計算節點,可無縫部署任何雲原生應用。

亮點:

  • 面向從通用計算到網路托管的廣泛計算任務
  • AkashML允許在Hugging Face上運行超1.5萬個模型
  • 托管Mistral AI的LLM聊天機器人、Stability AI的SDXL等應用
  • 元宇宙、AI部署和聯邦學習平台利用其Supercloud

io.net

io.net提供分布式GPU雲集羣,專門用於AI和ML場景。整合數據中心、加密礦工等領域的GPU資源。

亮點:

  • IO-SDK兼容PyTorch等框架,多層架構可根據需求自動擴展
  • 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提供專注於機器學習和深度學習的GPU計算能力。通過學習證明等機制提高驗證效率。

亮點:

  • V100 GPU每小時成本約0.40美元,大幅節省成本
  • 通過證明堆疊,可對預訓練基礎模型進行微調
  • 基礎模型將去中心化、全球擁有,提供額外功能

Aethir

Aethir專門搭載企業級GPU,聚焦AI、ML、雲遊戲等計算密集型領域。通過容器將工作負載從本地轉移至雲端,實現低延遲。

亮點:

  • 擴展到雲手機服務,與APhone合作推出去中心化雲手機
  • 與NVIDIA、Super Micro等Web2巨頭建立廣泛合作
  • 在Web3領域與CARV、Magic Eden等多家合作

Phala Network

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

亮點:

  • 充當可驗證計算的協處理器協議,使AI代理能鏈上資源
  • AI代理合約可通過Redpill獲得OpenAI等頂級LLM
  • 未來納入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 | AI、雲遊戲和電信 | 鏈上AI執行 | | AI任務類型 | 推理 | 雙向 | 雙向 | 訓練 | 訓練 | 執行 | | 工作定價 | 基於表現 | 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 認證 | 數據加密 | 安全映射 | 加密 | TEE | | 工作費用 | 0.5-5%/工作 | 20% USDC, 4% AKT | 2% USDC,0.25% 準備金 | 低費用 | 20%/session | 與質押成比例 | | 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 | 爭議機制 | - | - | 驗證者和舉報 | 檢查節點 | 遠程證明 | | GPU 集羣 | 否 | 是 | 是 | 是 | 是 | 否 |

AI 與 DePIN 的交匯點

重要性

集羣和並行計算的可用性

分布式計算框架實現GPU集羣,提供更高效訓練,增強可擴展性。訓練復雜AI模型需要強大計算能力,通常依賴分布式計算。例如,OpenAI的GPT-4模型有超1.8萬億個參數,用時3-4個月,使用128個集羣約25,000個Nvidia A100 GPU。

大多數項目現已整合集羣實現並行計算。io.net與其他項目合作,已在Q1部署超3,800個集羣。Render雖不支持集羣,但將單幀分解到多節點同時處理。Phala目前僅支持CPU,但允許CPU工作器集羣化。

集羣框架對AI工作流網路很重要,但滿足AI開發者需求的集羣GPU數量和類型是另一個問題。

數據隱私

AI模型開發需要大量數據集,可能涉及敏感信息。數據隱私方法對於保護數據控制權至關重要。

大多數項目使用某種加密保護數據隱私。Render在發布渲染結果時使用加密和哈希。io.net和Gensyn採用數據加密。Akash使用mTLS認證,僅允許指定提供商接收數據。

io.net最近與Mind Network合作推出完全同態加密(FHE),允許直接處理加密數據。這比現有加密技術更好地保護隱私。

Phala Network引入可信執行環境(TEE),隔離防止外部訪問或修改數據。它還結合使用zk-proofs,以集成RiscZero zkVM程序。

計算完成證明和質量檢查

計算完成證明表明GPU確實用於所需服務,質量檢查對用戶有益。

Gensyn和Aethir生成工作完成證明,io.net證明GPU性能得到充分利用。Gensyn和Aethir進行質量檢查。Gensyn使用驗證者重新運行部分證明,舉報人作爲額外檢查。Aethir使用檢查節點評估服務質量。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AI代理執行所需操作。

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) | - |

AI 與 DePIN 的交匯點

高性能GPU需求

AI模型訓練傾向使用Nvidia A100和H100等高性能GPU。H100推理性能是A100的4倍,成爲大型公司訓練LLM的首選。

去中心化GPU市場提供商不僅要提供更低價格,還要滿足實際需求。2023年Nvidia向大型科技公司交付超50萬臺H100,使獲取同等硬件變得困難。考慮項目可低成本引入的硬件數量很重要。

Akash僅有150多個H100和A100,而io.net和Aethir各有2000多個。從頭預訓練LLM通常需要248到2000多個GPU集羣,後兩個項目更適合大型模型計算。

目前去中心化GPU服務成本已低於中心化服務。Gensyn和Aethir聲稱A100級硬件每小時租用費不到1美元,但仍需驗證。

網路連接GPU集羣雖廉價,但內存受限。NVLink支持GPU間直接通信,適合參數多、數據集大的LLMS。

盡管如此,去中心化GPU網路仍爲分布式計算提供強大能力和可擴展性,爲構建更多AI和ML用例打開寡頭壟斷局面。

AI 與 DePIN 的交匯點

提供消費級GPU/CPU

CPU在AI模型訓練中也很重要,用於數據預處理和內存管理。消費級GPU可用於微調預訓練模型或小規模訓練。

考慮到85%以上消費者GPU閒置,Render、Akash和io.net等項目也可服務這一市場。提供這些選項讓它們可開發獨特市場定位,專注大規模密集計算、通用小規模渲染或混合模式。

結論

AI DePIN領域仍較新,面臨挑戰。例如io.net曾被指控僞造GPU數量,後通過引入工作量證明解決問題。

盡管如此,去中心化GPU網路上執行的任務和硬件數量顯著增加,凸顯對Web2雲服務替代品的需求增長。硬件提供商激增也顯示了之前未充分利用的供給。這證明了AI DePIN網路的產品市場契合度,有效解決需求和供給挑戰。

展望未來,AI將發展成蓬勃的數萬億美元市場,這些分散GPU網路將爲開發者提供經濟高效的計算替代方案。通過不斷彌合需求和供給差距,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。

AI 與 DePIN 的交匯點

AI 與 DePIN 的交匯點

AI 與 DePIN 的交匯點

AI 與 DePIN 的交匯點

查看原文
此页面可能包含第三方内容,仅供参考(非陈述/保证),不应被视为 Gate 认可其观点表述,也不得被视为财务或专业建议。详见声明
  • 讚賞
  • 4
  • 分享
留言
0/400
MEV猎手vip
· 7小時前
散户也能分一杯羹
回復0
Liquidation_Watchervip
· 7小時前
一个不错的机会
回復0
GateUser-4745f9cevip
· 7小時前
解决资源焦虑了
回復0
Sandwich Huntervip
· 7小時前
买卡挖矿正当时
回復0
交易,隨時隨地
qrCode
掃碼下載 Gate APP
社群列表
繁體中文
  • 简体中文
  • English
  • Tiếng Việt
  • 繁體中文
  • Español
  • Русский
  • Français (Afrique)
  • Português (Portugal)
  • Bahasa Indonesia
  • 日本語
  • بالعربية
  • Українська
  • Português (Brasil)