AI 与 DePIN 的融合：探索计算资源新格局

自 2023 年以来，AI 和 DePIN 在 Web3 领域备受关注，市值分别达到 300 亿美元和 230 亿美元。本文聚焦二者交叉领域的发展情况。

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 的大量需求导致供应短缺，使其他 AI 模型开发者面临计算资源不足的困境。传统解决方案如选择中心化云服务商存在灵活性不足、成本高昂等问题。

DePIN 网络提供了更灵活、成本效益更高的替代方案。它通过代币激励机制，将个人 GPU 资源整合成统一供给，为需求方提供定制化、按需使用的计算能力，同时为 GPU 闲置资源所有者创造额外收益。

市场上各类 AI DePIN 网络层出不穷,下面我们将探讨几个典型项目的特点和发展现状。

AI DePIN 网络概览

Render

Render 是 P2P GPU 计算网络的先驱,最初专注于内容创作的图形渲染,后来扩展到 AI 计算任务。

主要特点:

• 由获奥斯卡奖技术的云图形公司 OTOY 创立
• 得到派拉蒙影业、PUBG 等娱乐业巨头的采用
• 与 Stability AI 等合作,整合 AI 模型与 3D 渲染工作流
• 支持多种计算客户端,整合更多 DePIN 网络 GPU 资源

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方案。

主要特点:

• 面向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 15,000 个模型
• 已托管多个知名 AI 应用,如 Mistral AI 的 LLM 聊天机器人
• 元宇宙、AI 部署和联邦学习平台正在使用其服务

io.net

io.net 提供分布式 GPU 云集群,专注 AI 和 ML 应用场景。

主要特点:

• IO-SDK 兼容 PyTorch 和 Tensorflow 等框架
• 支持创建 3 种不同类型的集群,可在 2 分钟内启动
• 积极整合 Render、Filecoin 等其他 DePIN 网络的 GPU 资源

Gensyn

Gensyn 专注于机器学习和深度学习的 GPU 计算能力。

主要特点:

• V100 等效 GPU 每小时成本约 0.40 美元,显著降低成本
• 支持对预训练基础模型进行微调
• 去中心化的全球共享基础模型

Aethir

Aethir 专注于企业级 GPU,主攻 AI、机器学习、云游戏等计算密集型领域。

主要特点:

• 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 等 Web2 巨头建立广泛合作
• 与 CARV、Magic Eden 等多个 Web3 项目合作

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。

主要特点:

• 作为可验证计算的协处理器协议,支持 AI 代理链上资源调用
• AI 代理合约可通过 Redpill 接入 OpenAI、Llama 等顶级大语言模型
• 未来将支持 zk-proofs、多方计算、全同态加密等多重证明系统
• 计划支持 H100 等 TEE GPU,提升计算能力

项目对比

| | 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 | 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 |

重要性分析

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的同时提高训练效率和可扩展性。复杂 AI 模型训练需要强大计算能力,通常依赖分布式计算。大多数项目现已整合集群实现并行计算。io.net 与多家合作伙伴整合 GPU 资源,已在 2024 年第一季度部署超 3,800 个集群。

数据隐私

AI 模型开发需要大量数据集,可能涉及敏感个人信息。各项目普遍采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),允许在加密状态下处理数据。Phala Network 引入可信执行环境(TEE),隔离防止外部访问或修改数据。

计算完成证明和质量检查

各项目采用不同方式验证计算完成和质量。Gensyn 和 Aethir 生成完成证明,并进行质量检查。io.net 的证明表明 GPU 性能充分利用且无问题。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 模型训练倾向使用 Nvidia A100 和 H100 等高性能 GPU。去中心化 GPU 市场提供商需要提供足够数量的高性能硬件以满足市场需求。io.net 和 Aethir 拥有 2000 多个 H100/A100 单元,更适合大型模型计算。

这些去中心化 GPU 服务的成本已低于中心化服务。Gensyn 和 Aethir 宣称能以每小时不到 1 美元的价格租用 A100 级硬件。

提供消费级 GPU/CPU

CPU 在 AI 模型训练中也发挥重要作用。消费级 GPU 可用于微调或小规模模型训练。Render、Akash 和 io.net 等项目可服务于这一市场,为不同规模的计算需求提供选择。

结论

AI DePIN 领域仍处于早期阶段,面临诸多挑战。但这些去中心化 GPU 网络执行的任务和硬件数量显著增加,凸显了对 Web2 云服务替代方案的需求。

未来 AI 市场将发展成为万亿美级规模,这些分散的 GPU 网络有望在为开发者提供经济高效的计算替代方案方面发挥关键作用。通过不断弥合需求和供应差距,这些网络将为 AI 和计算基础设施的未来格局做出重要贡献。