AI与DePIN融合：去中心化GPU计算网络的崛起与挑战

2025-07-26 06:32:49

AI 与 DePIN 的融合:探索去中心化 GPU 计算网络

自 2023 年以来,AI 和 DePIN 在 Web3 领域备受关注,两者市值分别达到 300 亿美元和 230 亿美元。本文旨在探讨 AI 和 DePIN 的交叉领域,研究相关协议的发展情况。

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 的需求导致短缺,使其他开发者难以获得足够的 GPU 进行计算。这通常迫使开发者选择中心化云服务,但长期高性能硬件合同往往缺乏灵活性,效率低下。

DePIN 提供了一种更灵活、更具成本效益的替代方案,通过代币激励来鼓励资源贡献。AI 领域的 DePIN 将 GPU 资源从个人所有者和数据中心整合,为需要硬件的用户提供统一供应。这些网络不仅为开发者提供定制化和按需访问,还为 GPU 所有者创造额外收入。

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

AI DePIN 网络概述

Render

Render 是提供 GPU 计算能力的 P2P 网络先驱,最初专注于内容创作图形渲染,后来将范围扩展到 AI 计算任务。

特点:

由获奥斯卡奖的云图形公司 OTOY 创立
GPU 网络已被派拉蒙影业、PUBG 等大公司使用
与 Stability AI 和 Endeavor 合作,集成 AI 模型与 3D 内容渲染
批准多个计算客户端,整合更多 DePIN 网络的 GPU

Akash

Akash 定位为支持存储、GPU 和 CPU 计算的"超级云"平台,是传统云服务的替代品。

特点:

针对从通用计算到网络托管的广泛计算任务
AkashML 支持在 Hugging Face 上运行超过 15,000 个模型
托管 Mistral AI 的 LLM 模型聊天机器人、Stability AI 的 SDXL 等应用
支持元宇宙、AI 部署和联邦学习平台

io.net

io.net 提供分布式 GPU 云集群访问,专门用于 AI 和 ML 用例。

特点:

IO-SDK 与 PyTorch 和 Tensorflow 等框架兼容
支持创建 3 种不同类型的集群,可在 2 分钟内启动
与 Render、Filecoin、Aethir 等网络合作整合 GPU 资源

Gensyn

Gensyn 提供专注于机器学习和深度学习计算的 GPU 计算能力。

特点:

V100 等效 GPU 每小时成本约 0.40 美元,大幅节省成本
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

Aethir 专门提供企业级 GPU,主要面向 AI、ML、云游戏等计算密集型领域。

特点:

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、Super Micro、HPE 等大型公司建立广泛合作
Web3 生态系统中的多个合作伙伴,如 CARV、Magic Eden 等

Phala Network

Phala Network 作为 Web3 AI 解决方案的执行层,通过可信执行环境(TEE)设计处理隐私问题。

特点:

充当可验证计算的协处理器协议,使 AI 代理能够链上资源
通过 Redpill 获得 OpenAI、Llama 等顶级大语言模型
未来将包括 zk-proofs、多方计算、全同态加密等多重证明系统
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 | 双向 | 双向 | 训练 | 训练 | 执行 | | 工作定价 | 基于表现 | 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&哈希 | 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 | 低费用 | 每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,提高训练效率和可扩展性。大多数项目现已整合集群实现并行计算。io.net 与其他项目合作,已在 24 年第一季度部署超过 3,800 个集群。Render 虽不支持集群,但将单个帧分解至多个节点同时处理。Phala 目前仅支持 CPU,但允许 CPU 工作器集群化。

数据隐私

保护敏感数据集至关重要。大多数项目使用数据加密保护隐私。io.net 与 Mind Network 合作推出完全同态加密(FHE),允许处理加密数据无需解密。Phala Network 引入可信执行环境(TEE),防止外部进程访问或修改数据。

计算完成证明和质量检查

各项目采用不同方式生成完成证明和进行质量检查。Gensyn 和 Aethir 生成证明表明工作已完成,并进行质量检查。io.net 的证明表明 GPU 性能得到充分利用。Render 建议使用争议解决流程。Phala 生成 TEE 证明确保 AI 代理执行所需操作。

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) | - |

高性能 GPU 的要求

AI 模型训练需要性能最佳的 GPU,如 Nvidia 的 A100 和 H100。H100 推理性能比 A100 快 4 倍,成为首选 GPU。去中心化 GPU 市场提供商需要提供更低价格并满足市场实际需求。io.net 和 Aethir 已获得 2000 多个 H100 和 A100 单元,更适合大型模型计算。

去中心化 GPU 服务成本已低于中心化服务。网络连接的 GPU 集群虽内存受限,但对于动态工作负载需求或需要灵活性的用户仍具吸引力。