AI与DePIN交汇：去中心化GPU网络的崛起与主流项目对比

2025-07-22 17:13:57

AI与DePIN的交汇:去中心化GPU网络的崛起

自2023年以来,AI和DePIN都是Web3领域的热门话题,市值分别达到300亿美元和230亿美元。本文将探讨两者的交集,并研究该领域协议的发展。

在AI技术栈中,DePIN网络通过计算资源为AI提供实用性。大型科技公司的发展导致GPU短缺,使其他开发人员缺乏足够的GPU进行计算。这通常会导致开发人员选择中心化云提供商,但由于必须签署不灵活的长期高性能硬件合同,导致效率低下。

DePIN本质上提供了一种更加灵活且更具成本效益的替代方案,它使用代币奖励来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的供应。这些DePIN网络不仅为需要计算能力的开发人员提供可定制性和按需访问,还为GPU所有者提供额外收入。

AI DePIN网络概述

Render是提供GPU计算能力的P2P网络的先驱,之前专注于为内容创作渲染图形,后来将其范围扩展到包括从神经反射场(NeRF)到生成AI的AI计算任务。

有趣之处:

由拥有奥斯卡获奖技术的云图形公司OTOY创立
GPU网络已被派拉蒙影业、PUBG、星际迷航等娱乐行业的大公司所使用
与Stability AI和Endeavor合作,利用Render的GPU将他们的AI模型与3D内容渲染工作流程相集成
批准多个计算客户端,集成更多DePIN网络的GPU

Akash将自己定位为支持存储、GPU和CPU计算的传统平台的"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人员友好型工具,它能够跨环境无缝部署软件,从而能够运行任何云原生应用程序。

有趣之处:

针对从通用计算到网络托管的广泛计算任务
AkashML允许其GPU网络在Hugging Face上运行超过15,000个模型,同时与Hugging Face集成
Akash上托管着一些值得注意的应用程序,例如Mistral AI的LLM模型聊天机器人、Stability AI的SDXL文本转图像模型,以及Thumper AI的新基础模型AT-1
构建元宇宙、人工智能部署和联邦学习的平台正在利用Supercloud

io.net提供对分布式GPU云集群的访问,这些集群专门用于AI和ML用例。它聚合了来自数据中心、加密矿工和其他去中心化网络等领域的GPU。该公司之前是一家量化交易公司,在高性能GPU价格大幅上涨后,该公司转向了目前的业务。

有趣之处:

其IO-SDK与PyTorch和Tensorflow等框架兼容,其多层架构可根据计算需求自动动态扩展
支持创建3种不同类型的集群,可在2分钟内启动
强有力的合作努力,以整合其他DePIN网络的GPU,包括Render、Filecoin、Aethir和Exabits

Gensyn提供专注于机器学习和深度学习计算的GPU计算能力。它声称与现有方法相比,通过结合使用诸如用于验证工作的学习证明、用于重新运行验证工作的基于图形的精确定位协议以及涉及计算提供商的质押和削减的Truebit式激励游戏等概念,实现了更高效的验证机制。

有趣之处:

预计V100等效GPU的每小时成本约为0.40美元/小时,从而大幅节省成本
通过证明堆叠,可以对预先训练的基础模型进行微调,以完成更具体的任务
这些基础模型将是去中心化的、全球拥有的,除了硬件计算网络之外还提供额外的功能

Aethir专门搭载企业GPU,专注于计算密集型领域,主要是人工智能、机器学习(ML)、云游戏等。其网络中的容器充当执行基于云的应用程序的虚拟端点,将工作负载从本地设备转移到容器,以实现低延迟体验。为了确保为用户提供优质服务,他们根据需求和位置将GPU移近数据源,从而调整资源。

有趣之处:

除了人工智能和云游戏,Aethir还扩展到云手机服务,并与APhone合作推出去中心化的云智能手机
与NVIDIA、Super Micro、HPE、富士康和Well Link等大型Web2公司建立了广泛的合作伙伴关系
Web3中的多个合作伙伴,例如CARV、Magic Eden、Sequence、Impossible Finance等

Phala Network充当Web3 AI解决方案的执行层。其区块链是一种无需信任的云计算解决方案,通过使用其可信执行环境(TEE)设计来处理隐私问题。其执行层不是用作AI模型的计算层,而是使AI代理能够由链上的智能合约控制。

有趣之处:

充当可验证计算的协处理器协议,同时也使AI代理能够链上资源
其人工智能代理合约可通过Redpill获得OpenAI、Llama、Claude和Hugging Face等顶级大型语言模型
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
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 | 人工智能、云游戏和电信 | 链上AI执行 | | AI任务类型 | 推理 | Both | Both | 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了GPU集群,在不影响模型准确性的情况下提供更高效的训练,同时增强了可扩展性。训练更复杂的AI模型需要强大的计算能力,这通常必须依靠分布式计算来满足其需求。从更直观的角度来看,OpenAI的GPT-4模型拥有超过1.8万亿个参数,在3-4个月内使用128个集群中的约25,000个Nvidia A100 GPU进行训练。

此前,Render和Akash仅提供单一用途的GPU,这可能会限制其对GPU的市场需求。不过,大多数重点项目现在都已整合了集群以实现并行计算。io.net与Render、Filecoin和Aethir等其他项目合作,将更多GPU纳入其网络,并已成功在24年第一季度部署了超过3,800个集群。尽管Render不支持集群,但它的工作原理与集群类似,将单个帧分解为多个不同的节点,以同时处理不同范围的帧。Phala目前仅支持CPU,但允许将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开发人员需求所需的集群GPU数量和类型是一个单独的问题,我们将在后面的部分中讨论。

数据隐私

开发AI模型需要使用大量数据集,这些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的风险。三星因担心敏感代码上传到平台会侵犯隐私而内部禁止使用ChatGPT,微软的38TB私人数据泄露事故进一步凸显了在使用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于将数据控制权交还给数据提供商至关重要。

所涵盖的大多数项目都使用某种形式的数据加密来保护数据隐私。数据加密可确保网络中从数据提供者到模型提供者(数据接收者)的数据传输受到保护。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则采用某种形式的数据加密。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合作推出了完全同态加密(FHE),允许在无需先解密的情况下处理加密数据。通过使数据能够安全地传输用于培训目的而无需泄露身份和数据内容,这项创新可以比现有的加密技术更好地确保数据隐私。

Phala Network引入了TEE,即连接设备主处理器中的安全区域。通过这种隔离机制,它可以防止外部进程访问或修改数据,无论其权限级别如何,即使是对机器具有物理访问权限的个人。除了TEE之外,它还在其zkDCAP验证器和jtee命令行界面中结合了zk-proofs的使用,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。由于这些服务范围广泛,从渲染图形到AI计算,因此此类任务的最终质量可能不一定总是符合用户的标准。可以使用完成证明的形式来表示用户租用的特定GPU确实用于运行所需的服务,并且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都会生成证明以表明工作已完成,而io.net的证明则表明租用的GPU的性能已得到充分利用且没有出现问题。Gensyn和Aethir都会对已完成的计算进行质量检查。对于Gensyn,它使用验证者重新运行生成的证明的部分内容以与证明进行核对,而举报人则充当对验证者的另一层检查。同时,Aethir使用检查节点来确定服务质量,对低于标准的服务进行处罚。Render建议使用争议解决流程,如果审查委员会发现节点存在问题,则削减该节点。Phala完成后会生成TEE证明,确保AI代理在链上执行所需的操作。