AI DePIN崛起：去中心化GPU网络重塑计算基础设施

烧钱如风

2025-07-10 12:12:12

AI与DePIN的交汇:去中心化GPU网络的兴起

近期AI和DePIN成为Web3领域的热门趋势,市值分别达到300亿美元和230亿美元。本文将聚焦两者的交叉领域,探讨相关协议的发展。

在AI技术栈中,DePIN网络通过提供计算资源为AI赋能。由于大型科技公司导致GPU短缺,其他开发者难以获得足够的GPU进行AI模型计算。传统做法是选择中心化云服务商,但需签订不灵活的长期合同,效率低下。

DePIN提供了更灵活且性价比更高的替代方案,通过代币奖励激励资源贡献。AI领域的DePIN将个人GPU资源整合到数据中心,为用户提供统一供给。这不仅为开发者提供定制化按需服务,还为GPU所有者创造额外收入。

市场上存在多种AI DePIN网络,本文将分析各协议的功能、目标及成就,以及它们之间的差异。

AI DePIN网络概述

Render

Render是P2P GPU计算网络的先驱,最初专注于内容创作渲染,后来通过集成Stable Diffusion等工具扩展到AI计算任务。

亮点:

由获奥斯卡奖技术的OTOY公司创立
派拉蒙影业、PUBG等娱乐业巨头使用其GPU网络
与Stability AI等合作,将AI模型与3D内容渲染工作流集成
批准多个计算客户端,集成更多DePIN网络的GPU

Akash

Akash定位为支持存储、GPU和CPU计算的"超级云"平台,替代AWS等传统服务商。利用容器平台和Kubernetes管理的计算节点,可无缝部署任何云原生应用。

亮点:

面向从通用计算到网络托管的广泛计算任务
AkashML允许在Hugging Face上运行超1.5万个模型
托管Mistral AI的LLM聊天机器人、Stability AI的SDXL等应用
元宇宙、AI部署和联邦学习平台利用其Supercloud

io.net

io.net提供分布式GPU云集群,专门用于AI和ML场景。整合数据中心、加密矿工等领域的GPU资源。

亮点:

IO-SDK兼容PyTorch等框架,多层架构可根据需求自动扩展
支持创建3种不同类型集群,2分钟内启动
与Render、Filecoin等合作整合更多GPU资源

Gensyn

Gensyn提供专注于机器学习和深度学习的GPU计算能力。通过学习证明等机制提高验证效率。

亮点:

V100 GPU每小时成本约0.40美元,大幅节省成本
通过证明堆叠,可对预训练基础模型进行微调
基础模型将去中心化、全球拥有,提供额外功能

Aethir

Aethir专门搭载企业级GPU,聚焦AI、ML、云游戏等计算密集型领域。通过容器将工作负载从本地转移至云端,实现低延迟。

亮点:

扩展到云手机服务,与APhone合作推出去中心化云手机
与NVIDIA、Super Micro等Web2巨头建立广泛合作
在Web3领域与CARV、Magic Eden等多家合作

Phala Network

Phala Network作为Web3 AI解决方案的执行层,通过可信执行环境(TEE)处理隐私问题。使AI代理能由链上智能合约控制。

亮点:

充当可验证计算的协处理器协议,使AI代理能链上资源
AI代理合约可通过Redpill获得OpenAI等顶级LLM
未来纳入zk-proofs、MPC、FHE等多重证明系统
计划支持H100等TEE GPU,提升计算能力

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 | AI、云游戏和电信 | 链上AI执行 | | AI任务类型 | 推理 | 双向 | 双向 | 训练 | 训练 | 执行 | | 工作定价 | 基于表现 | 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 认证 | 数据加密 | 安全映射 | 加密 | TEE | | 工作费用 | 0.5-5%/工作 | 20% USDC, 4% AKT | 2% USDC，0.25% 准备金 | 低费用 | 20%/session | 与质押成比例 | | 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 | 争议机制 | - | - | 验证者和举报 | 检查节点 | 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GPU集群,提供更高效训练,增强可扩展性。训练复杂AI模型需要强大计算能力,通常依赖分布式计算。例如,OpenAI的GPT-4模型有超1.8万亿个参数,用时3-4个月,使用128个集群约25,000个Nvidia A100 GPU。

大多数项目现已整合集群实现并行计算。io.net与其他项目合作,已在Q1部署超3,800个集群。Render虽不支持集群,但将单帧分解到多节点同时处理。Phala目前仅支持CPU,但允许CPU工作器集群化。

集群框架对AI工作流网络很重要,但满足AI开发者需求的集群GPU数量和类型是另一个问题。

数据隐私

AI模型开发需要大量数据集,可能涉及敏感信息。数据隐私方法对于保护数据控制权至关重要。

大多数项目使用某种加密保护数据隐私。Render在发布渲染结果时使用加密和哈希。io.net和Gensyn采用数据加密。Akash使用mTLS认证,仅允许指定提供商接收数据。

io.net最近与Mind Network合作推出完全同态加密(FHE),允许直接处理加密数据。这比现有加密技术更好地保护隐私。

Phala Network引入可信执行环境(TEE),隔离防止外部访问或修改数据。它还结合使用zk-proofs,以集成RiscZero zkVM程序。

计算完成证明和质量检查

计算完成证明表明GPU确实用于所需服务,质量检查对用户有益。

Gensyn和Aethir生成工作完成证明,io.net证明GPU性能得到充分利用。Gensyn和Aethir进行质量检查。Gensyn使用验证者重新运行部分证明,举报人作为额外检查。Aethir使用检查节点评估服务质量。Render建议使用争议解决流程处理问题节点。Phala生成TEE证明,确保AI代理执行所需操作。

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) | - |