AI与DePIN的交汇: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,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,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,使其他开发人员难以获得足够的GPU进行计算。DePIN提供了一种更灵活、更具成本效益的替代方案,使用代币奖励来激励符合网络目标的资源贡献。

AI 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。这不只为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

Render是提供GPU计算能力的P2P网络先驱,专注于为内容创作渲染图形,后来扩展到包括从神经反射场到生成AI的计算任务。

亮点:

• 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等娱乐行业大公司使用
• 与Stability AI和Endeavor合作,集成AI模型与3D内容渲染工作流程
• 批准多个计算客户端,集成更多DePIN网络的GPU

Akash

Akash定位为支持存储、GPU和CPU计算的"超级云"替代品。利用容器平台和Kubernetes管理的计算节点,可跨环境无缝部署软件,运行任何云原生应用程序。

亮点:

• 针对从通用计算到网络托管的广泛计算任务
• AkashML允许在Hugging Face上运行超过15,000个模型
• 托管了Mistral AI的LLM模型聊天机器人、Stability AI的SDXL模型等应用
• 构建元宇宙、AI部署和联邦学习的平台正在利用Supercloud

io.net

io.net提供对分布式GPU云集群的访问,专门用于AI和ML用例。它聚合了来自数据中心、加密矿工和其他去中心化网络的GPU资源。

亮点:

• 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
• 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和Exabits等合作整合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。它声称通过学习证明、基于图形的精确定位协议和涉及计算提供商的质押和削减的激励游戏等概念,实现了更高效的验证机制。

亮点:

• 预计V100等效GPU的每小时成本约为0.40美元,大幅节省成本
• 可对预先训练的基础模型进行微调,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,提供额外功能

Aethir

Aethir专门搭载企业GPU,专注于计算密集型领域,主要是AI、机器学习、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,实现低延迟体验。

亮点:

• 扩展到云手机服务,与APhone合作推出去中心化的云智能手机
• 与NVIDIA、Super Micro、HPE等大型Web2公司建立广泛合作
• 在Web3领域与CARV、Magic Eden、Sequence等多个合作伙伴

Phala Network

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,通过使用可信执行环境(TEE)设计来处理隐私问题。

亮点:

• 充当可验证计算的协处理器协议,使AI代理能够链上资源
• AI代理合约可通过Redpill获得OpenAI、Llama等顶级大型语言模型
• 未来将包括zk-proofs、多方计算、全同态加密等多重证明系统
• 计划支持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,提供更高效的训练,同时增强了可扩展性。训练复杂AI模型需要强大的计算能力,通常必须依靠分布式计算来满足需求。例如,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。

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与其他项目合作,将更多GPU纳入其网络,并已在24年第一季度部署了超过3,800个集群。Render虽不支持集群,但其工作原理类似,将单个帧分解为多个节点同时处理。Phala目前仅支持CPU,但允许将CPU工作器集群化。

数据隐私

开发AI模型需要使用大量数据集,这些数据集可能包含敏感信息。因此,采取足够的安全措施保护数据隐私至关重要。

大多数项目都使用某种形式的数据加密来保护数据隐私。Render在发布渲染结果时使用加密和哈希处理,io.net和Gensyn采用数据加密,Akash使用mTLS身份验证。

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。Phala Network引入了可信执行环境(TEE),通过隔离机制防止外部进程访问或修改数据。

计算完成证明和质量检查

由于服务范围广泛,从渲染图形到AI计算,最终质量可能不一定符合用户标准。完成证明和质量检查对用户有益。

Gensyn和Aethir在计算完成后生成证明,io.net的证明表明租用的GPU性能得到充分利用。Gensyn和Aethir都会对已完成的计算进行质量检查。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。

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的推理性能比A100快4倍,已成为首选GPU,尤其是对于正在训练自己的LLM的大型公司而言。

去中心化GPU市场提供商要与Web2同行竞争,不仅要提供更低的价格,还要满足市场的实际需求。考虑到获取同等硬件的难度,这些项目能以低成本带入网络的硬件数量对扩展服务至关重要。

Akash总共只有150多个H100和A100单元,而io.net和Aethir则分别获得了2000多个单元。通常,从头开始预训练LLM或生成模型需要集群中至少248到2000多个GPU,因此后两个项目更适合大型模型计算。

目前市场上这些去中心化GPU服务的成本已经比中心化GPU服务低得多。Gensyn和Aethir都宣称能够以每小时不到1美元的价格租用相当于A100的硬件,但这仍需要随着时间的推移得到证明。

网络连接的GPU集群拥有大量GPU,每小时成本较低,但与NVLink连接的GPU相比,它们的内存受限。NVLink支持多个GPU之间的直接通信,无需在CPU和GPU之间传输数据,实现高带宽和低延迟。

尽管如此,对于那些具有动态工作负载需求或需要灵活性和跨多个节点分配工作负载能力的用户来说,去中心化GPU网络仍可为分布式计算任务提供强大的计算能力和可扩展性。

提供消费级GPU/CPU

尽管GPU是渲染和计算所需的主要处理单元,但CPU在训练AI模型方面也发挥着重要作用。消费级GPU还可用于不太密集的任务,例如对已经预先训练好的模型进行微调或在较小的数据集上训练较小规模的模型。

考虑到超过85%的消费者GPU资源处于闲置状态,Render、Akash和io.net等项目也可以服务于这一部分市场。提供这些选项可以让他们开发自己的市场利基,专注于大规模密集型计算、更通用的小规模渲染或两者之间的混合。

结论

AI DePIN领域仍然相对较新,面临着自身的挑战。然而,这些去中心化GPU网络中执行的任务和硬件数量仍显着增加。这一趋势证明了AI DePIN网络的产品市场契合度,它们有效地解决了需求和供应方面的挑战。

展望未来,人工智能的发展轨迹指向一个蓬勃发展的数万亿美元的市场。这些分散的GPU网络将在为开发人员提供经济高