AI 與 DePIN 的融合：探索計算資源新格局

自 2023 年以來，AI 和 DePIN 在 Web3 領域備受關注，市值分別達到 300 億美元和 230 億美元。本文聚焦二者交叉領域的發展情況。

在 AI 技術棧中，DePIN 網路通過提供計算資源爲 AI 賦能。大型科技公司對 GPU 的大量需求導致供應短缺，使其他 AI 模型開發者面臨計算資源不足的困境。傳統解決方案如選擇中心化雲服務商存在靈活性不足、成本高昂等問題。

DePIN 網路提供了更靈活、成本效益更高的替代方案。它通過代幣激勵機制，將個人 GPU 資源整合成統一供給，爲需求方提供定制化、按需使用的計算能力，同時爲 GPU 閒置資源所有者創造額外收益。

市場上各類 AI DePIN 網路層出不窮,下面我們將探討幾個典型項目的特點和發展現狀。

AI DePIN 網路概覽

Render

Render 是 P2P GPU 計算網路的先驅,最初專注於內容創作的圖形渲染,後來擴展到 AI 計算任務。

主要特點:

• 由獲奧斯卡獎技術的雲圖形公司 OTOY 創立
• 得到派拉蒙影業、PUBG 等娛樂業巨頭的採用
• 與 Stability AI 等合作,整合 AI 模型與 3D 渲染工作流
• 支持多種計算客戶端,整合更多 DePIN 網路 GPU 資源

Akash

Akash 定位爲支持存儲、GPU 和 CPU 計算的"超級雲"平台,是傳統雲服務的替代方案。

主要特點:

• 面向從通用計算到網路托管的廣泛計算任務
• AkashML 支持在 Hugging Face 上運行超 15,000 個模型
• 已托管多個知名 AI 應用,如 Mistral AI 的 LLM 聊天機器人
• 元宇宙、AI 部署和聯邦學習平台正在使用其服務

io.net

io.net 提供分布式 GPU 雲集羣,專注 AI 和 ML 應用場景。

主要特點:

• IO-SDK 兼容 PyTorch 和 Tensorflow 等框架
• 支持創建 3 種不同類型的集羣,可在 2 分鍾內啓動
• 積極整合 Render、FIL 等其他 DePIN 網路的 GPU 資源

Gensyn

Gensyn 專注於機器學習和深度學習的 GPU 計算能力。

主要特點:

• V100 等效 GPU 每小時成本約 0.40 美元,顯著降低成本
• 支持對預訓練基礎模型進行微調
• 去中心化的全球共享基礎模型

Aethir

Aethir 專注於企業級 GPU,主攻 AI、機器學習、雲遊戲等計算密集型領域。

主要特點:

• 擴展到雲手機服務,與 APhone 合作推出去中心化雲智能手機
• 與 NVIDIA、Super Micro 等 Web2 巨頭建立廣泛合作
• 與 CARV、Magic Eden 等多個 Web3 項目合作

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)設計處理隱私問題。

主要特點:

• 作爲可驗證計算的協處理器協議,支持 AI 代理鏈上資源調用
• AI 代理合約可通過 Redpill 接入 OpenAI、Llama 等頂級大語言模型
• 未來將支持 zk-proofs、多方計算、全同態加密等多重證明系統
• 計劃支持 H100 等 TEE GPU,提升計算能力

項目對比

| | 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 | 人工智能、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 |

重要性分析

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的同時提高訓練效率和可擴展性。復雜 AI 模型訓練需要強大計算能力,通常依賴分布式計算。大多數項目現已整合集羣實現並行計算。io.net 與多家合作夥伴整合 GPU 資源,已在 2024 年第一季度部署超 3,800 個集羣。

數據隱私

AI 模型開發需要大量數據集,可能涉及敏感個人信息。各項目普遍採用數據加密保護隱私。io.net 與 Mind Network 合作推出完全同態加密(FHE),允許在加密狀態下處理數據。Phala Network 引入可信執行環境(TEE),隔離防止外部訪問或修改數據。

計算完成證明和質量檢查

各項目採用不同方式驗證計算完成和質量。Gensyn 和 Aethir 生成完成證明,並進行質量檢查。io.net 的證明表明 GPU 性能充分利用且無問題。Render 建議使用爭議解決流程。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 的要求

AI 模型訓練傾向使用 Nvidia A100 和 H100 等高性能 GPU。去中心化 GPU 市場提供商需要提供足夠數量的高性能硬件以滿足市場需求。io.net 和 Aethir 擁有 2000 多個 H100/A100 單元,更適合大型模型計算。

這些去中心化 GPU 服務的成本已低於中心化服務。Gensyn 和 Aethir 宣稱能以每小時不到 1 美元的價格租用 A100 級硬件。

提供消費級 GPU/CPU

CPU 在 AI 模型訓練中也發揮重要作用。消費級 GPU 可用於微調或小規模模型訓練。Render、Akash 和 io.net 等項目可服務於這一市場,爲不同規模的計算需求提供選擇。

結論

AI DePIN 領域仍處於早期階段,面臨諸多挑戰。但這些去中心化 GPU 網路執行的任務和硬件數量顯著增加,凸顯了對 Web2 雲服務替代方案的需求。

未來 AI 市場將發展成爲萬億美級規模,這些分散的 GPU 網路有望在爲開發者提供經濟高效的計算替代方案方面發揮關鍵作用。通過不斷彌合需求和供應差距,這些網路將爲 AI 和計算基礎設施的未來格局做出重要貢獻。