AI与DePIN的交叉领域:去中心化GPU网络的崛起

自2023年以来，AI和DePIN成为Web3领域的热门趋势,两者市值分别达到300亿美元和230亿美元。本文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网络通过计算资源为AI提供实用性。大型科技公司导致的GPU短缺,使其他开发者缺乏足够GPU进行计算。这通常导致开发者选择中心化云提供商,但由于需签署不灵活的长期高性能硬件合同,效率低下。

DePIN本质上提供了更灵活且更具成本效益的替代方案,使用代币奖励激励符合网络目标的资源贡献。AI领域的DePIN将GPU资源从个人所有者众包到数据中心,为需要访问硬件的用户形成统一供应。这些DePIN网络不仅为需要计算能力的开发者提供可定制性和按需访问,还为GPU所有者提供额外收入。

市场上众多AI DePIN网络中,要识别它们的差异并找到所需的正确网络并不容易。下面将探讨各协议的作用、目标及已实现的亮点。

AI DePIN网络概述

每个项目都有相似目的 - GPU计算市场网络。本节研究各项目亮点、市场重点及成就,通过了解其关键基础设施和产品,深入了解它们之间的差异。

Render是提供GPU计算能力的P2P网络先驱,之前专注内容创作图形渲染,后通过集成Stable Diffusion等工具,扩展到包括神经辐射场(NeRF)到生成AI的计算任务。

亮点:

1. 由拥有奥斯卡获奖技术的云图形公司OTOY创立

2. GPU网络被派拉蒙影业、PUBG、星际迷航等娱乐业大公司使用

3. 与Stability AI和Endeavor合作,利用Render的GPU将AI模型与3D内容渲染工作流集成

4. 批准多个计算客户端,集成更多DePIN网络的GPU

Akash自称"托管版Airbnb",定位为支持存储、GPU和CPU计算的传统平台(如AWS)的"超级云"替代品。利用Akash容器平台和Kubernetes管理的计算节点等开发者友好工具,可跨环境无缝部署软件,运行任何云原生应用。

亮点:

1. 针对从通用计算到网络托管的广泛计算任务

2. AkashML允许GPU网络在Hugging Face上运行超15,000个模型,同时与Hugging Face集成

3. Akash上托管Mistral AI的LLM模型聊天机器人、Stability AI的SDXL文本转图像模型,及Thumper AI的新基础模型AT-1等应用

4. 构建元宇宙、AI部署和联邦学习的平台正利用Supercloud

io.net提供对分布式GPU云集群的访问,专门用于AI和ML用例。它聚合了数据中心、加密矿工和其他去中心化网络的GPU。该公司之前是量化交易公司,在高性能GPU价格大涨后转向目前业务。

亮点:

1. IO-SDK与PyTorch和Tensorflow等框架兼容,多层架构可根据计算需求自动动态扩展

2. 支持创建3种不同类型集群,可在2分钟内启动

3. 强有力合作整合其他DePIN网络GPU,包括Render、Filecoin、Aethir和Exabits

Gensyn提供专注机器学习和深度学习计算的GPU计算能力。它声称通过结合使用学习证明、基于图形的精确定位协议和涉及计算提供商质押和削减的Truebit式激励游戏等概念,实现比现有方法更高效的验证机制。

亮点:

1. 预计V100等效GPU每小时成本约0.40美元,大幅节省成本

2. 通过证明堆叠,可对预训练基础模型进行微调,完成更具体任务

3. 这些基础模型将去中心化、全球拥有,除硬件计算网络外还提供额外功能

Aethir专搭载企业GPU,专注计算密集型领域,主要是AI、机器学习(ML)、云游戏等。网络中容器充当执行基于云应用的虚拟端点,将工作负载从本地设备转移到容器,实现低延迟体验。为确保优质服务,他们根据需求和位置将GPU移近数据源,调整资源。

亮点:

1. 除AI和云游戏,Aethir还扩展到云手机服务,与APhone合作推出去中心化云智能手机

2. 与NVIDIA、Super Micro、HPE、富士康和Well Link等大型Web2公司建立广泛合作

3. Web3中多个合作伙伴,如CARV、Magic Eden、Sequence、Impossible Finance等

Phala Network充当Web3 AI解决方案的执行层。其区块链是无需信任的云计算解决方案,通过可信执行环境(TEE)设计处理隐私问题。执行层不用作AI模型计算层,而是使AI代理能由链上智能合约控制。

亮点:

1. 充当可验证计算的协处理器协议,使AI代理能链上资源

2. AI代理合约可通过Redpill获得OpenAI、Llama、Claude和Hugging Face等顶级大语言模型

3. 未来将包括zk-proofs、多方计算(MPC)、全同态加密(FHE)等多重证明系统

4. 未来支持H100等其他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 | 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GPU集群,在不影响模型准确性情况下提供更高效训练,同时增强可扩展性。训练更复杂AI模型需要强大计算能力,通常必须依靠分布式计算满足需求。直观看,OpenAI的GPT-4模型拥有超1.8万亿参数,在3-4个月内使用128个集群中约25,000个Nvidia A100 GPU训练。

此前,Render和Akash仅提供单一用途GPU,可能限制对GPU的市场需求。不过,大多数重点项目现已整合集群实现并行计算。io.net与Render、Filecoin和Aethir等合作,将更多GPU纳入网络,已成功在24年第一季度部署超3,800个集群。尽管Render不支持集群,但工作原理与集群类似,将单个帧分解为多个不同节点,同时处理不同范围帧。Phala目前仅支持CPU,但允许CPU工作器集群化。

将集群框架纳入AI工作流程网络非常重要,但满足AI开发者需求所需集群GPU数量和类型是单独问题,将在后面讨论。

数据隐私

开发AI模型需使用大量数据集,可能来自各种来源,形式各异。个人医疗记录、用户财务数据等敏感数据集可能面临暴露给模型提供商风险。三星因担心敏感代码上传平台侵犯隐私而内部禁用ChatGPT,微软38TB私人数据泄露事故进一步凸显使用AI时采取足够安全措施的重要性。因此,拥有各种数据隐私方法对将数据控制权交还数据提供商至关重要。

所涵盖大多数项目都使用某种形式数据加密保护数据隐私。数据加密确保网络中从数据提供者到模型提供者(数据接收者)的数据传输受保护。Render在将渲染结果发布回网络时使用加密和哈希处理,而io.net和Gensyn则采用某种形式数据加密。Akash使用mTLS身份验证,仅允许租户选择的提供商接收数据。

然而,io.net最近与Mind Network合作推出完全同态加密(FHE),允许在无需先解密情况下处理加密数据。通过使数据能安全传输用于培训目的而无需泄露身份和数据内容,这项创新可比现有加密技术更好地确保数据隐私。

Phala Network引入TEE,即连接设备主处理器中的安全区域。通过这种隔离机制,它可防止外部进程访问或修改数据,无论其权限级别如何,即使对机器具有物理访问权限的个人也无法访问。除TEE外,它还在zkDCAP验证器和jtee命令行界面中结合使用zk-proofs,以便与RiscZero zkVM集成的程序。

计算完成证明和质量检查

这些项目提供的GPU可为一系列服务提供计算能力。由于服务范围广泛,从渲染图形到AI计算,此类任务的最终质量可能不总是符合用户标准。可使用完成证明表示用户租用的特定GPU确实用于运行所需服务,质量检查对请求完成此类工作的用户有益。

计算完成后,Gensyn和Aethir都生成证明表明工作已完成,而io.net的证明则表明租用GPU的性能已充分利用且无问题。Gensyn和Aethir都对已完成计算进行质量检查。对于Gensyn,使用验证者重新运行生成证明的部分内容以与证明核对,而举报人则充当对验证者的另一层检查。同时,Aethir使用检查节点确定服务质量,对低于标准的服务处罚。Render建议使用争议解决流程,如审查委员会发现节点存在问题,则削减该节点。Phala完成后生成TEE证明,确保AI代理在链上执行所需操作。

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) | - |

![AI 与 DePIN 的交汇点](https://