AI与DePIN的融合：分布式GPU网络崛起

自2023年以来，AI和DePIN成为Web3领域的热点趋势，两者市值分别达到300亿美元和230亿美元。本文聚焦二者交汇点,探讨这一新兴领域的发展。

在AI技术栈中,DePIN网络通过提供计算资源为AI赋能。大型科技公司对GPU的需求导致供应短缺,使其他开发者难以获得足够资源训练自有模型。传统中心化云服务往往要求签订不灵活的长期合同,效率低下。DePIN网络提供了更灵活、更具成本效益的替代方案,通过代币激励汇聚分散的GPU资源,为用户提供统一供给。这不仅让开发者能按需获取可定制的计算能力,也为GPU闲置用户创造了额外收益。

AI DePIN网络概览

Render

Render是P2P GPU计算网络的先驱,最初专注于内容创作图形渲染,后来扩展到包括生成式AI在内的广泛AI计算任务。

亮点:

• 由拥有奥斯卡获奖技术的公司创立
• 已被派拉蒙影业等娱乐业巨头使用
• 与Stability AI等公司合作,整合AI模型与3D内容渲染
• 支持多种计算客户端,集成更多DePIN网络GPU

Akash

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。其容器平台和Kubernetes管理的计算节点可无缝部署云原生应用。

亮点:

• 涵盖从通用计算到网络托管的广泛任务
• AkashML支持在Hugging Face上运行超1.5万个模型
• 已托管Mistral AI的LLM聊天机器人等知名应用
• 支持元宇宙、AI部署和联邦学习等平台

io.net

io.net提供分布式GPU云集群,专注AI和ML用例。聚合了数据中心、加密矿工等多方GPU资源。

亮点:

• IO-SDK兼容PyTorch等框架,可根据需求动态扩展
• 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专注机器学习和深度学习计算。采用学习证明、基于图的协议和质押激励等机制,提高验证效率。

亮点:

• V100 GPU每小时成本约0.40美元,大幅节省
• 可对预训练基础模型进行微调完成特定任务
• 提供去中心化、全球共享的基础模型

Aethir

Aethir专注企业级GPU,服务于AI、ML、云游戏等计算密集型领域。通过容器技术将工作负载从本地转移到云端,实现低延迟体验。

亮点:

• 扩展到云手机服务,与APhone合作推出去中心化云智能手机
• 与NVIDIA、富士康等Web2巨头建立广泛合作
• 在Web3领域与CARV、Magic Eden等多方合作

Phala Network

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

亮点:

• 作为可验证计算的协处理器协议,赋能AI代理链上资源
• AI代理合约可通过Redpill获取OpenAI等顶级LLM
• 未来将包括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

项目对比

| | 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 | 推理和训练 | 推理和训练 | 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 |

关键特性对比

集群和并行计算

分布式计算框架实现GPU集群,提高训练效率和可扩展性。大多数项目已整合集群支持并行计算,以满足复杂AI模型的需求。io.net已成功部署超3800个集群。Render虽不支持集群,但可将任务分解到多个节点同时处理。Phala支持CPU工作器集群化。

数据隐私

保护敏感数据集对AI开发至关重要。大多数项目采用数据加密保护隐私。io.net引入完全同态加密(FHE),可在加密状态下处理数据。Phala Network采用可信执行环境(TEE),防止外部访问或修改数据。

计算完成证明和质量检查

为确保服务质量,多数项目采用完成证明和质量检查机制。Gensyn和Aethir生成工作完成证明,并进行质量检查。io.net证明租用GPU性能充分利用。Render建议使用争议解决流程处理问题节点。Phala生成TEE证明确保正确执行。

硬件统计

| | 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) | - |

高性能GPU需求

AI模型训练需要性能最佳的GPU,如NVIDIA A100和H100。去中心化GPU市场需提供足够数量的高性能硬件以满足需求。io.net和Aethir各拥有2000多个H100/A100单元,更适合大型模型计算。这些网络的GPU租用成本已远低于中心化服务。

消费级GPU/CPU供给

除企业级GPU外,部分项目如Render、Akash和io.net也服务于消费级GPU市场。这可利用大量闲置消费者GPU资源,开发特定市场细分。

结语

AI DePIN领域仍处于早期阶段,面临诸多挑战。然而,这些网络上执行的任务和硬件数量显著增加,凸显了对传统云服务替代方案的需求。未来,随着AI市场持续增长,这些分布式GPU网络有望在为开发者提供经济高效的计算资源方面发挥关键作用,为AI和计算基础设施的未来格局做出重要贡献。