AI 與 DePIN 的融合：去中心化 GPU 網路的崛起

自2023年以來，AI和DePIN一直是Web3領域的熱門話題。AI市值達300億美元，而DePIN市值爲230億美元。這兩個類別涵蓋了衆多不同的協議，服務於各種領域和需求。本文將聚焦兩者的交叉點，探討該領域協議的發展。

在AI技術棧中，DePIN網路通過提供計算資源爲AI賦能。大型科技公司對GPU的大量需求導致了供應短缺，使其他開發者難以獲得足夠的GPU進行AI模型訓練。這往往迫使開發者轉向中心化雲服務提供商，但由於需要簽署缺乏靈活性的長期高性能硬件合同，效率較低。

DePIN提供了一種更靈活、更具成本效益的替代方案。它利用代幣獎勵來激勵符合網路目標的資源貢獻。AI領域的DePIN將GPU資源從個人所有者整合到數據中心，爲需要硬件的用戶提供統一的供應。這些DePIN網路不僅爲開發者提供可定制和按需訪問的計算能力，還爲GPU所有者創造了額外收入來源。

市場上存在多種AI DePIN網路，它們各有特色。以下將介紹幾個主要項目的特點和發展情況。

AI DePIN網路概覽

Render

Render是P2P GPU計算網路的先驅，最初專注於內容創作圖形渲染，後來通過集成Stable Diffusion等工具，將範圍擴展到AI計算任務。

主要特點：

• 由擁有奧斯卡獲獎技術的雲圖形公司OTOY創立
• GPU網路已被派拉蒙影業、PUBG等娛樂業巨頭使用
• 與Stability AI和Endeavor合作，整合AI模型與3D內容渲染工作流
• 批準多個計算客戶端，整合更多DePIN網路的GPU

Akash

Akash定位爲支持存儲、GPU和CPU計算的"超級雲"平台，是傳統雲服務提供商的替代選擇。利用容器平台和Kubernetes管理的計算節點，能夠跨環境無縫部署各種雲原生應用。

主要特點：

• 支持從通用計算到網路托管的廣泛計算任務
• AkashML允許其GPU網路在Hugging Face上運行超過15,000個模型
• 托管了多個知名AI應用，如Mistral AI的LLM模型聊天機器人
• 爲構建元宇宙、AI部署和聯邦學習等提供平台支持

io.net

io.net提供對分布式GPU雲集羣的訪問，專門用於AI和ML用例。它聚合了來自數據中心、加密礦工和其他去中心化網路的GPU資源。

主要特點：

• IO-SDK與PyTorch和Tensorflow等框架兼容，可根據需求動態擴展
• 支持創建3種不同類型的集羣，啓動時間僅需2分鍾
• 積極與其他DePIN網絡合作，整合更多GPU資源

Gensyn

Gensyn專注於機器學習和深度學習計算的GPU網路。它採用創新的驗證機制，包括學習證明、基於圖形的精確定位協議和涉及質押和削減的激勵遊戲。

主要特點：

• 預計V100等效GPU的每小時成本約爲0.40美元，大幅節省成本
• 支持對預訓練基礎模型進行微調，完成更具體的任務
• 計劃建立去中心化、全球共享的基礎模型

Aethir

Aethir專門部署企業級GPU，聚焦AI、機器學習、雲遊戲等計算密集型領域。其網路中的容器作爲虛擬端點執行雲應用，將工作負載從本地設備轉移到容器，實現低延遲體驗。

主要特點：

• 除AI和雲遊戲外，還拓展到雲手機服務
• 與NVIDIA、Super Micro、HPE等多家大型Web2公司建立合作
• 在Web3領域擁有CARV、Magic Eden等多個合作夥伴

Phala Network

Phala Network作爲Web3 AI解決方案的執行層，提供無需信任的雲計算解決方案。其區塊鏈利用可信執行環境(TEE)設計處理隱私問題，使AI代理能夠由鏈上智能合約控制。

主要特點：

• 充當可驗證計算的協處理器協議，同時賦能AI代理鏈上資源
• AI代理合約可通過Redpill訪問OpenAI、Llama等頂級大語言模型
• 未來將整合zk-proofs、多方計算(MPC)、全同態加密(FHE)等多重證明系統
• 計劃支持H100等其他TEE GPU，提升計算能力

項目比較

| 項目 | 硬件 | 業務重點 | AI任務類型 | 工作定價 | 區塊鏈 | 數據隱私 | 工作費用 | 安全 | 完成證明 | 質量保證 | GPU集羣 | |--------|---------|----------------|--------|--------|--------|--------|----------------------|--------|--------|----------|-------| | Render | GPU&CPU | 圖形渲染和AI | 推理 | 基於表現定價 | Solana | 加密&散列 | 每項工作0.5-5% | 渲染證明 | - | 爭議 | 否 | | Akash | GPU&CPU | 雲計算、渲染和AI | 兩者 | 反向拍賣 | Cosmos | mTLS身分驗證 | 20% USDC, 4% AKT | 權益證明 | - | - | 是 | | io.net | GPU&CPU | AI | 兩者 | 市場定價 | Solana | 數據加密 | 2% USDC，0.25%準備金費用 | 計算證明 | 時間鎖證明 | - | 是 | | Gensyn | GPU | AI | 訓練 | 市場定價 | Gensyn | 安全映射 | 費用低廉 | 權益證明 | 學習證明 | 核實者和舉報人 | 是 | | Aethir | GPU | AI、雲遊戲和電信 | 訓練 | 招標系統 | Arbitrum | 加密 | 每個session 20% | 渲染能力證明 | 渲染工作證明 | 檢查器節點 | 是 | | Phala | CPU | 鏈上AI執行 | 執行 | 權益計算 | Polkadot | TEE | 與質押金額成比例 | 繼承自中繼鏈 | TEE證明 | 遠程證明 | 否 |

集羣和並行計算的重要性

分布式計算框架實現GPU集羣，提供高效訓練的同時增強可擴展性。復雜AI模型的訓練需要強大的計算能力，通常依賴分布式計算。大多數項目已整合集羣實現並行計算，以滿足市場需求。

數據隱私保護

AI模型訓練需要大量數據集，其中可能包含敏感信息。爲此，各項目採用不同的數據隱私保護方法。多數項目使用數據加密，io.net還引入了完全同態加密(FHE)，Phala Network則採用可信執行環境(TEE)。這些措施旨在保護數據隱私，同時允許數據用於訓練目的。

計算完成證明和質量檢查

爲確保服務質量，多個項目引入了計算完成證明和質量檢查機制。Gensyn和Aethir生成工作完成證明，io.net證明GPU性能得到充分利用。Gensyn和Aethir還設有質量檢查機制，Render則採用爭議解決流程。這些措施有助於保證計算服務的質量和可靠性。

硬件統計數據

| 項目 | GPU數量 | CPU數量 | H100/A100數量 | H100費用/小時 | A100費用/小時 | |--------|-------|--------|------------|-----------|-------------| | Render | 5600 | 114 | - | - | - | | Akash | 384 | 14672 | 157 | $1.46 | $1.37 | | io.net | 38177 | 5433 | 2330 | $1.19 | $1.50 | | Gensyn | - | - | - | - | $0.55 (預計) | | Aethir | 40000+ | - | 2000+ | - | $0.33 (預計) | | Phala | - | 30000+ | - | - | - |

高性能GPU的需求

AI模型訓練需要最高性能的GPU，如NVIDIA的A100和H100。這些高端GPU提供最佳訓練質量和速度，但價格昂貴。去中心化GPU市場提供商需要在提供足夠數量的高性能GPU和保持價格競爭力之間找到平衡。

目前，io.net和Aethir等項目已獲得2000多個H100和A100單元，更適合大型模型計算。這些去中心化GPU服務的成本已經低於中心化GPU服務，但仍需要時間驗證。

消費級GPU/CPU的作用

雖然高端GPU是主要需求，但消費級GPU和CPU在AI模型開發中也發揮重要作用。它們可用於數據預處理、內存資源管理，以及對預訓練模型進行微調或訓練小規模模型。Render、Akash和io.net等項目也服務於這一市場segment，爲開發者提供更多選擇。

結語

AI DePIN領域雖然仍處於發展初期，但已顯示出巨大潛力。這些去中心化GPU網路正在有效解決AI計算資源供需不平衡的問題。隨着AI市場的快速增長，這些網路將在爲開發者提供經濟高效的計算替代方案方面發揮關鍵作用，爲AI和計算基礎設施的未來格局做出重要貢獻。