AI與DePIN的交叉領域:去中心化GPU網路的崛起

自2023年以來，AI和DePIN成爲Web3領域的熱門趨勢,兩者市值分別達到300億美元和230億美元。本文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網路通過計算資源爲AI提供實用性。大型科技公司導致的GPU短缺,使其他開發者缺乏足夠GPU進行計算。這通常導致開發者選擇中心化雲提供商,但由於需簽署不靈活的長期高性能硬件合同,效率低下。

DePIN本質上提供了更靈活且更具成本效益的替代方案,使用代幣獎勵激勵符合網路目標的資源貢獻。AI領域的DePIN將GPU資源從個人所有者衆包到數據中心,爲需要訪問硬件的用戶形成統一供應。這些DePIN網路不僅爲需要計算能力的開發者提供可定制性和按需訪問,還爲GPU所有者提供額外收入。

市場上衆多AI DePIN網路中,要識別它們的差異並找到所需的正確網路並不容易。下面將探討各協議的作用、目標及已實現的亮點。

AI DePIN網路概述

每個項目都有相似目的 - GPU計算市場網路。本節研究各項目亮點、市場重點及成就,通過了解其關鍵基礎設施和產品,深入了解它們之間的差異。

Render是提供GPU計算能力的P2P網路先驅,之前專注內容創作圖形渲染,後通過集成Stable Diffusion等工具,擴展到包括神經輻射場(NeRF)到生成AI的計算任務。

亮點:

1. 由擁有奧斯卡獲獎技術的雲圖形公司OTOY創立

2. GPU網路被派拉蒙影業、PUBG、星際迷航等娛樂業大公司使用

3. 與Stability AI和Endeavor合作,利用Render的GPU將AI模型與3D內容渲染工作流集成

4. 批準多個計算客戶端,集成更多DePIN網路的GPU

Akash自稱"托管版Airbnb",定位爲支持存儲、GPU和CPU計算的傳統平台(如AWS)的"超級雲"替代品。利用Akash容器平台和Kubernetes管理的計算節點等開發者友好工具,可跨環境無縫部署軟件,運行任何雲原生應用。

亮點:

1. 針對從通用計算到網路托管的廣泛計算任務

2. AkashML允許GPU網路在Hugging Face上運行超15,000個模型,同時與Hugging Face集成

3. Akash上托管Mistral AI的LLM模型聊天機器人、Stability AI的SDXL文本轉圖像模型,及Thumper AI的新基礎模型AT-1等應用

4. 構建元宇宙、AI部署和聯邦學習的平台正利用Supercloud

io.net提供對分布式GPU雲集羣的訪問,專門用於AI和ML用例。它聚合了數據中心、加密礦工和其他去中心化網路的GPU。該公司之前是量化交易公司,在高性能GPU價格大漲後轉向目前業務。

亮點:

1. IO-SDK與PyTorch和Tensorflow等框架兼容,多層架構可根據計算需求自動動態擴展

2. 支持創建3種不同類型集羣,可在2分鍾內啓動

3. 強有力合作整合其他DePIN網路GPU,包括Render、FIL、Aethir和Exabits

Gensyn提供專注機器學習和深度學習計算的GPU計算能力。它聲稱通過結合使用學習證明、基於圖形的精確定位協議和涉及計算提供商質押和削減的Truebit式激勵遊戲等概念,實現比現有方法更高效的驗證機制。

亮點:

1. 預計V100等效GPU每小時成本約0.40美元,大幅節省成本

2. 通過證明堆疊,可對預訓練基礎模型進行微調,完成更具體任務

3. 這些基礎模型將去中心化、全球擁有,除硬件計算網路外還提供額外功能

Aethir專搭載企業GPU,專注計算密集型領域,主要是AI、機器學習(ML)、雲遊戲等。網路中容器充當執行基於雲應用的虛擬端點,將工作負載從本地設備轉移到容器,實現低延遲體驗。爲確保優質服務,他們根據需求和位置將GPU移近數據源,調整資源。

亮點:

1. 除AI和雲遊戲,Aethir還擴展到雲手機服務,與APhone合作推出去中心化雲智能手機

2. 與NVIDIA、Super Micro、HPE、富士康和Well Link等大型Web2公司建立廣泛合作

3. Web3中多個合作夥伴,如CARV、Magic Eden、Sequence、Impossible Finance等

Phala Network充當Web3 AI解決方案的執行層。其區塊鏈是無需信任的雲計算解決方案,通過可信執行環境(TEE)設計處理隱私問題。執行層不用作AI模型計算層,而是使AI代理能由鏈上智能合約控制。

亮點:

1. 充當可驗證計算的協處理器協議,使AI代理能鏈上資源

2. AI代理合約可通過Redpill獲得OpenAI、Llama、Claude和Hugging Face等頂級大語言模型

3. 未來將包括zk-proofs、多方計算(MPC)、全同態加密(FHE)等多重證明系統

4. 未來支持H100等其他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 | 兩者 | 兩者 | 訓練 | 訓練 | 執行 | | 工作定價 | 基於表現的定價 | 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 身分驗證 | 數據加密 | 安全映射 | 加密 | TEE | | 工作費用 | 每項工作 0.5-5% | 20% USDC, 4% AKT | 2% USDC，0.25% 準備金費用 | 費用低廉 | 每個session 20% | 與質押金額成比例 | | 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 | - | - | 核實者和舉報人 | 檢查器節點 | 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,在不影響模型準確性情況下提供更高效訓練,同時增強可擴展性。訓練更復雜AI模型需要強大計算能力,通常必須依靠分布式計算滿足需求。直觀看,OpenAI的GPT-4模型擁有超1.8萬億參數,在3-4個月內使用128個集羣中約25,000個Nvidia A100 GPU訓練。

此前,Render和Akash僅提供單一用途GPU,可能限制對GPU的市場需求。不過,大多數重點項目現已整合集羣實現並行計算。io.net與Render、FIL和Aethir等合作,將更多GPU納入網路,已成功在24年第一季度部署超3,800個集羣。盡管Render不支持集羣,但工作原理與集羣類似,將單個幀分解爲多個不同節點,同時處理不同範圍幀。Phala目前僅支持CPU,但允許CPU工作器集羣化。

將集羣框架納入AI工作流程網路非常重要,但滿足AI開發者需求所需集羣GPU數量和類型是單獨問題,將在後面討論。

數據隱私

開發AI模型需使用大量數據集,可能來自各種來源,形式各異。個人醫療記錄、用戶財務數據等敏感數據集可能面臨暴露給模型提供商風險。三星因擔心敏感代碼上傳平台侵犯隱私而內部禁用ChatGPT,微軟38TB私人數據泄露事故進一步凸顯使用AI時採取足夠安全措施的重要性。因此,擁有各種數據隱私方法對將數據控制權交還數據提供商至關重要。

所涵蓋大多數項目都使用某種形式數據加密保護數據隱私。數據加密確保網路中從數據提供者到模型提供者(數據接收者)的數據傳輸受保護。Render在將渲染結果發布回網路時使用加密和哈希處理,而io.net和Gensyn則採用某種形式數據加密。Akash使用mTLS身分驗證,僅允許租戶選擇的提供商接收數據。

然而,io.net最近與Mind Network合作推出完全同態加密(FHE),允許在無需先解密情況下處理加密數據。通過使數據能安全傳輸用於培訓目的而無需泄露身分和數據內容,這項創新可比現有加密技術更好地確保數據隱私。

Phala Network引入TEE,即連接設備主處理器中的安全區域。通過這種隔離機制,它可防止外部進程訪問或修改數據,無論其權限級別如何,即使對機器具有物理訪問權限的個人也無法訪問。除TEE外,它還在zkDCAP驗證器和jtee命令行界面中結合使用zk-proofs,以便與RiscZero zkVM集成的程序。

計算完成證明和質量檢查

這些項目提供的GPU可爲一系列服務提供計算能力。由於服務範圍廣泛,從渲染圖形到AI計算,此類任務的最終質量可能不總是符合用戶標準。可使用完成證明表示用戶租用的特定GPU確實用於運行所需服務,質量檢查對請求完成此類工作的用戶有益。

計算完成後,Gensyn和Aethir都生成證明表明工作已完成,而io.net的證明則表明租用GPU的性能已充分利用且無問題。Gensyn和Aethir都對已完成計算進行質量檢查。對於Gensyn,使用驗證者重新運行生成證明的部分內容以與證明核對,而舉報人則充當對驗證者的另一層檢查。同時,Aethir使用檢查節點確定服務質量,對低於標準的服務處罰。Render建議使用爭議解決流程,如審查委員會發現節點存在問題,則削減該節點。Phala完成後生成TEE證明,確保AI代理在鏈上執行所需操作。

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](https://