AI DePIN 网络:分散化 GPU 计算的未来

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。本文聚焦两者的交叉领域,探讨相关协议的发展情况。

在AI技术栈中,DePIN网络通过提供计算资源为AI赋能。大型科技公司导致的GPU短缺,使其他AI开发者难以获得足够的GPU算力。传统做法是选择中心化云服务商,但需签订不灵活的长期合同,效率低下。

DePIN提供了更灵活且成本效益更高的替代方案,通过代币激励符合网络目标的资源贡献。AI领域的DePIN将个人GPU资源整合到数据中心,为用户提供统一供给。这不仅为开发者提供定制化和按需访问,还为GPU所有者创造额外收益。

市场上AI DePIN网络众多,本文将探讨各协议的作用、目标及亮点,以及它们之间的差异。

AI DePIN网络概览

Render

Render是P2P GPU计算网络的先驱,最初专注于图形渲染,后来拓展到AI计算任务。

亮点:

• 由获奥斯卡技术奖的OTOY公司创立
• GPU网络被派拉蒙、PUBG等大型娱乐公司使用
• 与Stability AI等合作,将AI模型与3D内容渲染工作流集成
• 批准多个计算客户端,整合更多DePIN网络GPU

Akash

Akash定位为支持存储、GPU和CPU计算的"超级云"平台,是AWS等传统平台的替代品。利用容器平台和Kubernetes管理的计算节点,可无缝部署任何云原生应用。

亮点:

• 面向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1.5万个模型
• 托管Mistral AI的LLM聊天机器人、Stability AI的SDXL等重要应用
• 元宇宙、AI部署和联邦学习平台正在使用其超级云

io.net

io.net提供专门用于AI和ML的分布式GPU云集群访问,聚合来自数据中心、矿工等的GPU资源。

亮点:

• IO-SDK兼容PyTorch和Tensorflow等框架,可根据需求自动扩展
• 支持创建3种不同类型的集群,2分钟内可启动
• 与Render、Filecoin等合作整合其他DePIN网络的GPU

Gensyn

Gensyn提供专注于机器学习和深度学习的GPU计算能力。通过学习证明等技术,实现更高效的验证机制。

亮点:

• V100 GPU每小时成本约0.40美元,大幅节省成本
• 可对预训练基础模型进行微调,完成更具体任务
• 基础模型将去中心化、全球共享,提供额外功能

Aethir

Aethir专门部署企业级GPU,聚焦AI、ML、云游戏等计算密集型领域。网络中的容器充当执行云应用的虚拟端点,实现低延迟体验。

亮点:

• 拓展到云手机服务,与APhone合作推出去中心化云手机
• 与NVIDIA、HPE等大型Web2公司建立广泛合作
• 与CARV、Magic Eden等多个Web3合作伙伴

Phala Network

Phala Network作为Web3 AI解决方案的执行层,利用可信执行环境(TEE)处理隐私问题。使AI代理能由链上智能合约控制。

亮点:

• 作为可验证计算的协处理器协议,赋能AI代理链上资源
• AI代理合约可通过Redpill获得OpenAI等顶级大语言模型
• 未来将包括zk-proofs、MPC、FHE等多重证明系统
• 未来支持H100等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 | AI、云游戏和电信 | 链上AI执行 | | AI任务类型 | 推理 | 两者皆可 | 两者皆可 | 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,通常依赖分布式计算。例如,OpenAI的GPT-4模型拥有超1.8万亿个参数,在3-4个月内使用128个集群中约25,000个Nvidia A100 GPU训练。

大多数项目现已整合集群实现并行计算。io.net与其他项目合作,将更多GPU纳入网络,已在24年一季度部署超3,800个集群。Render虽不支持集群,但将单个帧分解为多个节点同时处理,工作原理类似。Phala目前仅支持CPU,但允许CPU工作器集群化。

数据隐私

AI模型开发需要大量数据集,可能包含敏感信息。三星因担心代码泄露而禁用ChatGPT,微软的38TB数据泄露事件凸显了AI安全措施的重要性。因此,各种数据隐私方法对于保护数据控制权至关重要。

大多数项目使用某种形式的数据加密。Render在发布渲染结果时使用加密和哈希,io.net和Gensyn采用数据加密,Akash使用mTLS身份验证限制数据访问。

io.net最近与Mind Network合作推出完全同态加密(FHE),允许处理加密数据而无需解密,比现有加密技术更好地保护数据隐私。

Phala Network引入可信执行环境(TEE),防止外部进程访问或修改数据。它还在zkDCAP验证器和jtee CLI中结合了zk-proofs,以集成RiscZero zkVM。

计算完成证明和质量检查

由于服务范围广泛,从渲染到AI计算,最终质量可能不总符合用户标准。完成证明和质量检查对用户有益。

Gensyn和Aethir生成完成证明,io.net的证明表明GPU性能得到充分利用。Gensyn和Aethir进行质量检查,Gensyn使用验证者和举报人,Aethir使用检查节点。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需求

AI模型训练倾向使用Nvidia A100和H100等高性能GPU。H100的推理性能是A100的4倍,成为大型公司训练LLM的首选。

去中心化GPU市场提供商需提供更低价格并满足实际需求。2023年Nvidia向大型科技公司交付超50万台H100,使获取同等硬件变得困难。因此,考虑这些项目能以低成本引入的硬件数量对扩大客户群至关重要。

Akash仅有150多个H100和A100,而io.net和Aethir各有2000多个。预训练LLM或生成模型通常需要248到2000多个GPU集群,因此后两个项目更适合大型模型计算。

去中心化GPU服务的成本已低于中心化服务。Gensyn和Aethir声称能以每小时不到1美元的价格租用A100级硬件,但仍需时间验证。

与NVLink连接的GPU相比,网络连接的GPU集群内存受限。NVLink支持GPU直接通信,适合大参数和大数据集的LLM。尽管如此,去中心化GPU网络仍为分布式计算任务提供强大算力和可扩展性,为构建更多AI和ML用例创造机会。

提供消费级GPU/CPU

CPU在AI模型训练中也发挥重要作用,用于数据预处理到内存管理。消费级GPU可用于微调预训练模型或训练小规模模型。

考虑到超85%消费者GPU资源闲置,Render、Akash和io.net等项目也服务这一市场。提供这些选项让它们可以开发利基市场,专注于大规模密集计算、小规模渲染或两者混合。

结语

AI DePIN领域仍相对新兴,面临挑战。例如,io.net曾被指控伪造GPU数量,后通过引入工作量证明流程解决问题。

尽管如此,这些去中心化GPU网络上执行的任务和硬件数量显著增加,凸显了对Web2云提供商硬件资源替代品的需求增长。同时,硬件提供商的增加反映了之前未充分利用的供应。这进一步证明了AI DePIN网络的产品市场契合度,有效解决了需求和供应挑战。

展望未来,AI将发展成为蓬勃发展的数万亿美元市场。这些分散GPU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。通过不断弥合需求和供应之间的差距,这些网络将为AI和计算基础设施的未来格局做出重大贡献。