AI DePIN網路：分布式GPU計算助力AI發展

ShadowStaker

2025-07-24 18:05:08

AI與DePIN的交匯:分布式計算網路的崛起

自2023年以來,AI和DePIN成爲Web3領域的熱門趨勢,市值分別達到300億美元和230億美元。本文聚焦兩者交叉領域,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。大型科技公司的發展導致GPU短缺,使其他開發人員難以獲得足夠的GPU進行計算。這通常會導致開發人員選擇中心化雲提供商,但由於長期硬件合同不夠靈活,效率較低。

DePIN提供了更靈活、更具成本效益的替代方案,通過代幣獎勵激勵資源貢獻。AI領域的DePIN將GPU資源從個人所有者衆包到數據中心,爲需要硬件訪問的用戶提供統一供應。這不僅爲開發人員提供定制化和按需訪問,還爲GPU所有者帶來額外收入。

市場上有許多AI DePIN網路,本文將探討各協議的作用、目標及成就,以便了解它們之間的差異。

AI DePIN網路概述

Render是提供GPU計算能力的P2P網路先驅,最初專注於內容創作渲染,後來擴展到AI計算任務。

要點:

由雲圖形公司OTOY創立
GPU網路被娛樂行業大公司使用
與Stability AI等合作,集成AI模型與3D渲染工作流
批準多個計算客戶端,集成更多DePIN網路GPU

Akash定位爲支持存儲、GPU和CPU計算的"超級雲"替代品。利用容器平台和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。

要點:

針對從通用計算到網路托管的廣泛計算任務
AkashML允許GPU網路在Hugging Face上運行超15,000個模型
托管了Mistral AI的LLM模型聊天機器人等應用
構建元宇宙、AI部署等平台利用其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。聚合來自數據中心、加密礦工等領域的GPU。

要點:

IO-SDK與PyTorch等框架兼容,多層架構可動態擴展
支持創建3種不同類型集羣,2分鍾內啓動
與Render、FIL等合作整合GPU資源

Gensyn提供專注於機器學習和深度學習計算的GPU能力。聲稱通過學習證明等概念實現更高效的驗證機制。

要點:

V100等效GPU每小時成本約0.40美元,大幅節省
可對預訓練基礎模型進行微調完成具體任務
提供去中心化、全球共有的基礎模型

Aethir專門搭載企業GPU,聚焦AI、ML、雲遊戲等計算密集型領域。網路中的容器充當執行雲應用的虛擬端點,實現低延遲體驗。

要點:

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等Web2大公司建立廣泛合作
與CARV、Magic Eden等Web3項目合作

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方案,通過可信執行環境(TEE)設計處理隱私問題。

要點:

充當可驗證計算的協處理器協議,使AI代理能訪問鏈上資源
AI代理合約可通過Redpill獲得OpenAI等頂級語言模型
未來將包括zk-proofs、MPC、FHE等多重證明系統
未來支持H100等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 | 訓練和推理 | 訓練和推理 | 訓練 | 訓練 | 執行 | | 工作定價 | 基於表現定價 | 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 | 加密和散列 | mTLS身分驗證 | 數據加密 | 安全映射 | 加密 | TEE | | 工作費用 | 0.5-5%/工作 | 20% USDC, 4% AKT| 2% USDC,0.25%準備金 | 費用低廉 | 20%/session | 與質押成比例| | 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 | - | - | 核實和舉報 | 檢查節點 | 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,提高訓練效率和可擴展性。訓練復雜AI模型需要強大計算能力,通常依靠分布式計算。例如,OpenAI的GPT-4模型有超1.8萬億參數,用時3-4個月,使用約25,000個Nvidia A100 GPU。

大多數項目現已整合集羣實現並行計算。io.net與其他項目合作,已在Q1部署超3,800個集羣。Render雖不支持集羣,但將單幀分解到多節點同時處理。Phala支持CPU工作器集羣化。

集羣框架對AI工作流網路很重要,但滿足開發者需求的集羣GPU數量和類型是另一問題。

數據隱私

AI模型開發需要大量數據集,可能涉及敏感信息。Samsung因擔心隱私曾禁用ChatGPT,微軟38TB數據泄露更凸顯AI安全重要性。各種數據隱私方法對於還權數據提供商至關重要。

大多數項目使用某種數據加密保護隱私。Render使用加密和散列,io.net和Gensyn採用數據加密,Akash使用mTLS身分驗證。

io.net與Mind Network合作推出全同態加密(FHE),允許處理加密數據無需解密。這比現有加密技術更好地保護隱私。

Phala Network引入可信執行環境(TEE),防止外部訪問或修改數據。它還結合zk-proofs用於RiscZero zkVM集成。

計算完成證明和質量檢查

由於服務範圍廣,最終質量可能不符合用戶標準。完成證明表明GPU確實用於所需服務,質量檢查對用戶有益。

Gensyn和Aethir生成完成證明,io.net證明GPU性能充分利用無問題。Gensyn和Aethir進行質量檢查。Gensyn使用驗證者重新運行部分證明,舉報人再次檢查。Aethir使用檢查節點評估服務質量,處罰不達標服務。Render建議爭議解決流程,審查委員會可削減問題節點。Phala生成TEE證明,確保AI代理執行鏈上操作。

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) | - |