AI 与 DePIN 的融合：去中心化 GPU 网络的崛起

自2023年以来，AI和DePIN一直是Web3领域的热门话题。AI市值达300亿美元，而DePIN市值为230亿美元。这两个类别涵盖了众多不同的协议，服务于各种领域和需求。本文将聚焦两者的交叉点，探讨该领域协议的发展。

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的大量需求导致了供应短缺，使其他开发者难以获得足够的GPU进行AI模型训练。这往往迫使开发者转向中心化云服务提供商，但由于需要签署缺乏灵活性的长期高性能硬件合同，效率较低。

DePIN提供了一种更灵活、更具成本效益的替代方案。它利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资源从个人所有者整合到数据中心，为需要硬件的用户提供统一的供应。这些DePIN网络不仅为开发者提供可定制和按需访问的计算能力，还为GPU所有者创造了额外收入来源。

市场上存在多种AI DePIN网络，它们各有特色。以下将介绍几个主要项目的特点和发展情况。

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图形渲染，后来通过集成Stable Diffusion等工具，将范围扩展到AI计算任务。

主要特点：

• 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等娱乐业巨头使用
• 与Stability AI和Endeavor合作，整合AI模型与3D内容渲染工作流
• 批准多个计算客户端，整合更多DePIN网络的GPU

Akash

Akash定位为支持存储、GPU和CPU计算的"超级云"平台，是传统云服务提供商的替代选择。利用容器平台和Kubernetes管理的计算节点，能够跨环境无缝部署各种云原生应用。

主要特点：

• 支持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
• 托管了多个知名AI应用，如Mistral AI的LLM模型聊天机器人
• 为构建元宇宙、AI部署和联邦学习等提供平台支持

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。

主要特点：

• IO-SDK与PyTorch和Tensorflow等框架兼容，可根据需求动态扩展
• 支持创建3种不同类型的集群，启动时间仅需2分钟
• 积极与其他DePIN网络合作，整合更多GPU资源

Gensyn

Gensyn专注于机器学习和深度学习计算的GPU网络。它采用创新的验证机制，包括学习证明、基于图形的精确定位协议和涉及质押和削减的激励游戏。

主要特点：

• 预计V100等效GPU的每小时成本约为0.40美元，大幅节省成本
• 支持对预训练基础模型进行微调，完成更具体的任务
• 计划建立去中心化、全球共享的基础模型

Aethir

Aethir专门部署企业级GPU，聚焦AI、机器学习、云游戏等计算密集型领域。其网络中的容器作为虚拟端点执行云应用，将工作负载从本地设备转移到容器，实现低延迟体验。

主要特点：

• 除AI和云游戏外，还拓展到云手机服务
• 与NVIDIA、Super Micro、HPE等多家大型Web2公司建立合作
• 在Web3领域拥有CARV、Magic Eden等多个合作伙伴

Phala Network

Phala Network作为Web3 AI解决方案的执行层，提供无需信任的云计算解决方案。其区块链利用可信执行环境(TEE)设计处理隐私问题，使AI代理能够由链上智能合约控制。

主要特点：

• 充当可验证计算的协处理器协议，同时赋能AI代理链上资源
• AI代理合约可通过Redpill访问OpenAI、Llama等顶级大语言模型
• 未来将整合zk-proofs、多方计算(MPC)、全同态加密(FHE)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

| 项目 | 硬件 | 业务重点 | AI任务类型 | 工作定价 | 区块链 | 数据隐私 | 工作费用 | 安全 | 完成证明 | 质量保证 | GPU集群 | |--------|---------|----------------|--------|--------|--------|--------|----------------------|--------|--------|----------|-------| | Render | GPU&CPU | 图形渲染和AI | 推理 | 基于表现定价 | Solana | 加密&散列 | 每项工作0.5-5% | 渲染证明 | - | 争议 | 否 | | Akash | GPU&CPU | 云计算、渲染和AI | 两者 | 反向拍卖 | Cosmos | mTLS身份验证 | 20% USDC, 4% AKT | 权益证明 | - | - | 是 | | io.net | GPU&CPU | AI | 两者 | 市场定价 | Solana | 数据加密 | 2% USDC，0.25%准备金费用 | 计算证明 | 时间锁证明 | - | 是 | | Gensyn | GPU | AI | 训练 | 市场定价 | Gensyn | 安全映射 | 费用低廉 | 权益证明 | 学习证明 | 核实者和举报人 | 是 | | Aethir | GPU | AI、云游戏和电信 | 训练 | 招标系统 | Arbitrum | 加密 | 每个session 20% | 渲染能力证明 | 渲染工作证明 | 检查器节点 | 是 | | Phala | CPU | 链上AI执行 | 执行 | 权益计算 | Polkadot | TEE | 与质押金额成比例 | 继承自中继链 | TEE证明 | 远程证明 | 否 |

集群和并行计算的重要性

分布式计算框架实现GPU集群，提供高效训练的同时增强可扩展性。复杂AI模型的训练需要强大的计算能力，通常依赖分布式计算。大多数项目已整合集群实现并行计算，以满足市场需求。

数据隐私保护

AI模型训练需要大量数据集，其中可能包含敏感信息。为此，各项目采用不同的数据隐私保护方法。多数项目使用数据加密，io.net还引入了完全同态加密(FHE)，Phala Network则采用可信执行环境(TEE)。这些措施旨在保护数据隐私，同时允许数据用于训练目的。

计算完成证明和质量检查

为确保服务质量，多个项目引入了计算完成证明和质量检查机制。Gensyn和Aethir生成工作完成证明，io.net证明GPU性能得到充分利用。Gensyn和Aethir还设有质量检查机制，Render则采用争议解决流程。这些措施有助于保证计算服务的质量和可靠性。

硬件统计数据

| 项目 | GPU数量 | CPU数量 | H100/A100数量 | H100费用/小时 | A100费用/小时 | |--------|-------|--------|------------|-----------|-------------| | Render | 5600 | 114 | - | - | - | | Akash | 384 | 14672 | 157 | $1.46 | $1.37 | | io.net | 38177 | 5433 | 2330 | $1.19 | $1.50 | | Gensyn | - | - | - | - | $0.55 (预计) | | Aethir | 40000+ | - | 2000+ | - | $0.33 (预计) | | Phala | - | 30000+ | - | - | - |

高性能GPU的需求

AI模型训练需要最高性能的GPU，如NVIDIA的A100和H100。这些高端GPU提供最佳训练质量和速度，但价格昂贵。去中心化GPU市场提供商需要在提供足够数量的高性能GPU和保持价格竞争力之间找到平衡。

目前，io.net和Aethir等项目已获得2000多个H100和A100单元，更适合大型模型计算。这些去中心化GPU服务的成本已经低于中心化GPU服务，但仍需要时间验证。

消费级GPU/CPU的作用

虽然高端GPU是主要需求，但消费级GPU和CPU在AI模型开发中也发挥重要作用。它们可用于数据预处理、内存资源管理，以及对预训练模型进行微调或训练小规模模型。Render、Akash和io.net等项目也服务于这一市场segment，为开发者提供更多选择。

结语

AI DePIN领域虽然仍处于发展初期，但已显示出巨大潜力。这些去中心化GPU网络正在有效解决AI计算资源供需不平衡的问题。随着AI市场的快速增长，这些网络将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，为AI和计算基础设施的未来格局做出重要贡献。