AI与DePIN结合分布式GPU网络崛起

LiquidationWatcher

2025-07-16 04:06:12

AI与DePIN的融合:分布式GPU网络的崛起

自2023年以来，人工智能和去中心化物理基础设施网络(DePIN)已成为Web3领域的两大热门趋势。这两个领域都涵盖了各种不同的协议,服务于不同的需求。本文将探讨二者的交汇点,并研究相关协议的发展。

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

DePIN网络提供了一种更灵活、更具成本效益的替代方案。它使用代币奖励来激励资源贡献,将GPU资源从个人所有者众包到网络中,为需要访问硬件的用户形成统一的供应。这不仅为开发者提供了可定制性和按需访问,还为GPU所有者提供了额外收入。

市场上有多种AI DePIN网络,它们各有特色。以下我们将探讨几个主要项目的特点和目标:

AI DePIN网络概述

Render是提供GPU计算能力的P2P网络先驱,最初专注于内容创作渲染,后来扩展到AI计算任务。

有趣之处:

由拥有奥斯卡获奖技术的云图形公司OTOY创立
GPU网络已被娱乐行业大公司使用
与Stability AI等合作,整合AI模型与3D内容渲染
批准多个计算客户端,集成更多DePIN网络的GPU

Akash定位为传统云平台的"超级云"替代品,支持存储、GPU和CPU计算。

有趣之处:

针对从通用计算到网络托管的广泛计算任务
AkashML允许在Hugging Face上运行大量模型
托管了一些知名AI应用,如Mistral AI的LLM聊天机器人
支持元宇宙、AI部署和联邦学习平台

io.net提供对分布式GPU云集群的访问,专门用于AI和ML用例。

有趣之处:

IO-SDK与主流AI框架兼容,可根据需求自动扩展
支持创建3种不同类型的集群,可快速启动
与其他DePIN网络合作整合GPU资源

Gensyn提供专注于机器学习和深度学习的GPU计算能力。

有趣之处:

大幅降低GPU计算成本
支持对预训练基础模型进行微调
提供去中心化、全球共享的基础模型

Aethir专门提供企业级GPU,主要用于AI、机器学习、云游戏等领域。

有趣之处:

扩展到云手机服务领域
与NVIDIA等大型Web2公司建立合作
在Web3领域有多个合作伙伴

Phala Network充当Web3 AI解决方案的执行层,使用可信执行环境(TEE)处理隐私问题。

有趣之处:

充当可验证计算的协处理器协议
AI代理合约可访问顶级大语言模型
未来将支持多种证明系统
计划支持H100等TEE GPU

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,可以更高效地训练复杂AI模型。大多数项目现在都已整合了集群以实现并行计算。io.net已成功部署了大量集群。Render虽不支持集群,但其工作方式类似。Phala目前仅支持CPU,但允许CPU工作器集群化。

数据隐私

开发AI模型需要使用大量数据,可能涉及敏感信息。大多数项目都使用某种形式的数据加密来保护隐私。io.net推出了完全同态加密(FHE),允许在无需解密的情况下处理加密数据。Phala Network引入了可信执行环境(TEE),可防止外部进程访问或修改数据。

计算完成证明和质量检查

部分项目会生成证明以表明工作已完成,并进行质量检查。Gensyn和Aethir使用验证者和检查节点来确保服务质量。Render建议使用争议解决流程。Phala完成后会生成TEE证明。

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) | - |