- 話題
547 熱度
9k 熱度
5k 熱度
3k 熱度
29k 熱度
15k 熱度
21k 熱度
3k 熱度
2k 熱度
6k 熱度
- 置頂
- 加密現在已經不是選配，而是標配了。
- 🎉【Gate 3000萬紀念】曬出我的Gate時刻，解鎖限量好禮！
Gate用戶突破3000萬！這不僅是數字，更是我們共同的故事。
還記得第一次開通帳號的激動，搶購成功的喜悅，或陪伴你的Gate週邊嗎？
📸 參與 #我的Gate时刻# ，在Gate廣場曬出你的故事，一起見證下一個3000萬！
✅ 參與方式：
1️⃣ 帶話題 #我的Gate时刻# ，發布包含Gate元素的照片或視頻
2️⃣ 搭配你的Gate故事、祝福或感言更佳
3️⃣ 分享至Twitter（X）可參與瀏覽量前10額外獎勵
推特回鏈請填表單：https://www.gate.com/questionnaire/6872
🎁 獨家獎勵：
🏆 創意大獎（3名）：Gate × F1紅牛聯名賽車模型一輛
👕 共創紀念獎（10名）: 國際米蘭同款球員衛衣
🥇 參與獎（50名）：Gate 品牌抱枕
📣 分享獎（10名）：Twitter前10瀏覽量，送Gate × 國米小夜燈！
*海外用戶紅牛聯名賽車折合爲 $200 合約體驗券，國米同款球衣折合爲 $50 合約體驗券，國米小夜燈折合爲 $30 合約體驗券，品牌抱枕折合爲 $20 合約體驗券發放
🧠 創意提示：不限元素內容風格，曬圖帶有如Gate logo、Gate色彩、週邊產品、GT圖案、活動紀念品、活動現場圖等均可參與！
活動截止於7月25日 24:00 UTC+8
3
- 📢 #Gate观点任务# 第一期精彩啓程！調研 Palio (PAL) 項目，在Gate廣場發布您的看法觀點，瓜分 $300 PAL！
💰️ 選取15名優質發帖用戶，每人輕鬆贏取 $20 PAL！
👉 參與方式：
1. 調研$PAL項目，發表你對項目的見解。
2. 帶上$PAL交易連結。
3. 推廣$PAL生態周系列活動：
爲慶祝PAL上線Gate交易，平台特推出HODLer Airdrop、CandyDrop、VIP Airdrop、Alpha及餘幣寶等多項PAL專屬活動，回饋廣大用戶。請在帖文中積極宣傳本次系列活動，詳情：https://www.gate.com/announcements/article/45976
建議項目調研的主題：
🔹 Palio 是什麼？
🔹 $PAL 代幣經濟模型如何運作？
🔹 如何參與 $PAL生態周系列活動？
您可以選擇以上一個或多個方向發表看法，也可以跳出框架，分享主題以外的獨到見解。
注意：帖子不得包含除 #Gate观点任务# 和 #PAL# 之外的其他標籤，並確保你的帖子至少有 60 字，並獲得至少 3 個點讚，否則將無法獲得獎勵。
⚠️ 重復內容的帖子將不會被選取，請分享屬於你獨特的觀點。
⏰ 活動時間：截止至 2025年7月11日 24:00（UTC+8）
- 📢 #Gate广场征文活动第一期# 正式啓動！
分享你對 CROSS 項目的獨特觀點， $500 等值 CROSS 獎勵等你來贏！
💰 獎勵：
一等獎（1名）： $150 等值 CROSS
二等獎（3名）： 每人 $50 等值 CROSS
三等獎（10名）： 每人 $20 等值 CROSS
👉 參與方式：
1.在 Gate廣場發布你對 CROSS 項目的獨到見解貼文
2.在貼文中添加標籤： #Gate广场征文活动第一期# ，貼文字數不低於300字
3.將你的文章或觀點同步到X，加上標籤：Gate Square 和 CROSS
4.徵文內容涵蓋但不限於以下創作方向：
CROSS 項目概述：作爲鏈遊領域的專屬公鏈，它帶來了哪些創新？
解析 CROSS 的模塊化基礎設施，如何推動鏈遊開發？
CROSS 的代幣經濟模型：如何實現長期價值？
玩家/開發者如何看待 CROSS 的使用體驗？
參與 Gate 的 Gate Alpha CROSS 活動：交易體驗和 Alpha 積分機制如何幫助用戶？
你也可以選擇其他方向，提出獨到見解。
⚠️ 活動要求：
原創內容，至少 300 字
必須使用標籤： #Gate广场征文活动第一期#
每篇文章必須獲得 至少3個點讚，否則無法獲得獎勵
鼓勵圖文並茂、深度分析，觀點獨到。
⏰ 活動時間：2025年7月7日 17:00 - 2025年7月11日 23:59
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。
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:
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:
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:
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:
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:
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:
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 |
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) | - |
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。
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。