AI與DePIN的交匯:分布式GPU計算網路的崛起

自2023年以來,AI和DePIN成爲Web3領域的熱門趨勢,AI市值約300億美元,DePIN市值約230億美元。本文聚焦兩者交叉領域,探討相關協議的發展。

在AI技術棧中,DePIN網路通過計算資源爲AI提供實用性。大型科技公司的發展導致GPU短缺,使其他開發者難以獲得足夠GPU進行計算。這通常導致開發者選擇中心化雲提供商,但由於需簽署不靈活的長期高性能硬件合同,效率低下。

DePIN本質上提供了更靈活且更具成本效益的替代方案,使用代幣獎勵激勵符合網路目標的資源貢獻。AI領域的DePIN將GPU資源從個人所有者衆包到數據中心,爲需要訪問硬件的用戶形成統一供應。這些DePIN網路不僅爲需要計算能力的開發者提供可定制性和按需訪問,還爲GPU所有者提供額外收入。

市場上有衆多AI DePIN網路,本文將探討各協議的作用、目標及已實現的亮點。

AI DePIN網路概述

Render是提供GPU計算能力P2P網路的先驅,之前專注於爲內容創作渲染圖形,後來通過集成Stable Diffusion等工具集,將範圍擴展到包括從神經輻射場(NeRF)到生成AI的計算任務。

亮點:

1. 由擁有奧斯卡獲獎技術的雲圖形公司OTOY創立

2. GPU網路已被派拉蒙影業、PUBG、星際迷航等娛樂行業大公司使用

3. 與Stability AI和Endeavor合作,利用Render的GPU將AI模型與3D內容渲染工作流程集成

4. 批準多個計算客戶端,集成更多DePIN網路的GPU

Akash將自己定位爲支持存儲、GPU和CPU計算的傳統平台(如AWS)的"超級雲"替代品。利用Akash容器平台和Kubernetes管理的計算節點等開發者友好工具,它能夠跨環境無縫部署軟件,從而能運行任何雲原生應用程序。

亮點:

1. 針對從通用計算到網路托管的廣泛計算任務

2. AkashML允許其GPU網路在Hugging Face上運行超過15,000個模型,同時與Hugging Face集成

3. Akash上托管着一些值得注意的應用,如Mistral AI的LLM模型聊天機器人、Stability AI的SDXL文本轉圖像模型,以及Thumper AI的新基礎模型AT-1

4. 構建元宇宙、AI部署和聯邦學習的平台正在利用Supercloud

io.net提供對分布式GPU雲集羣的訪問,這些集羣專門用於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等領域的GPU。該公司之前是一家量化交易公司,在高性能GPU價格大幅漲後,轉向了目前的業務。

亮點:

1. 其IO-SDK與PyTorch和Tensorflow等框架兼容,其多層架構可根據計算需求自動動態擴展

2. 支持創建3種不同類型的集羣,可在2分鍾內啓動

3. 與其他DePIN網路(如Render、FIL、Aethir和Exabits)合作,整合GPU資源

Gensyn提供專注於機器學習和深度學習計算的GPU計算能力。它聲稱通過結合使用學習證明、基於圖形的精確定位協議以及涉及計算提供商的質押和削減的激勵遊戲等概念,實現了比現有方法更高效的驗證機制。

亮點:

1. 預計V100等效GPU的每小時成本約爲0.40美元,大幅節省成本

2. 通過證明堆疊,可對預先訓練的基礎模型進行微調,完成更具體任務

3. 這些基礎模型將是去中心化的、全球擁有的,除硬件計算網路外還提供額外功能

Aethir專門搭載企業GPU,專注於計算密集型領域,主要是AI、機器學習(ML)、雲遊戲等。其網路中的容器充當執行基於雲的應用程序的虛擬端點,將工作負載從本地設備轉移到容器,實現低延遲體驗。爲確保爲用戶提供優質服務,他們根據需求和位置將GPU移近數據源,從而調整資源。

亮點:

1. 除AI和雲遊戲外,Aethir還擴展到雲手機服務,與APhone合作推出去中心化雲智能手機

2. 與NVIDIA、Super Micro、HPE、富士康和Well Link等大型Web2公司建立廣泛合作

3. 與Web3中多個合作夥伴(如CARV、Magic Eden、Sequence、Impossible Finance等)合作

Phala Network充當Web3 AI解決方案的執行層。其區塊鏈是一種無需信任的雲計算解決方案,通過使用可信執行環境(TEE)設計來處理隱私問題。其執行層不是用作AI模型的計算層,而是使AI代理能夠由鏈上智能合約控制。

亮點:

1. 充當可驗證計算的協處理器協議,同時使AI代理能夠鏈上資源

2. 其AI代理合約可通過Redpill獲得OpenAI、Llama、Claude和Hugging Face等頂級大型語言模型

3. 未來將包括zk-proofs、多方計算(MPC)、全同態加密(FHE)等多重證明系統

4. 未來支持H100等其他TEE GPU,提升計算能力

項目比較

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

重要性

集羣和並行計算的可用性

分布式計算框架實現了GPU集羣,在不影響模型準確性的情況下提供更高效的訓練,同時增強了可擴展性。訓練復雜AI模型需要強大計算能力,通常必須依靠分布式計算來滿足需求。OpenAI的GPT-4模型擁有超過1.8萬億個參數,在3-4個月內使用128個集羣中約25,000個Nvidia A100 GPU進行訓練。

此前,Render和Akash僅提供單一用途的GPU,可能限制了對GPU的市場需求。不過,大多數重點項目現已整合集羣以實現並行計算。io.net與Render、FIL和Aethir等其他項目合作,將更多GPU納入其網路,並已成功在24年第一季度部署超過3,800個集羣。盡管Render不支持集羣,但其工作原理與集羣類似,將單個幀分解爲多個不同節點,以同時處理不同範圍的幀。Phala目前僅支持CPU,但允許將CPU工作器集羣化。

將集羣框架納入AI工作流程網路非常重要,但滿足AI開發者需求所需的集羣GPU數量和類型是另一個問題。

數據隱私

開發AI模型需要使用大量數據集,這些數據集可能來自各種來源,形式各異。敏感數據集可能面臨暴露給模型提供商的風險。採取足夠安全措施對使用AI至關重要。因此,擁有各種數據隱私方法對於將數據控制權交還給數據提供商至關重要。

大多數項目都使用某種形式的數據加密來保護數據隱私。Render在將渲染結果發布回網路時使用加密和哈希處理,而io.net和Gensyn則採用某種形式的數據加密。Akash使用mTLS身分驗證,僅允許租戶選擇的提供商接收數據。

io.net最近與Mind Network合作推出了完全同態加密(FHE),允許在無需先解密的情況下處理加密數據。這項創新可以比現有加密技術更好地確保數據隱私。

Phala Network引入了可信執行環境(TEE),即連接設備主處理器中的安全區域。通過這種隔離機制,它可以防止外部進程訪問或修改數據,無論其權限級別如何。除TEE外,它還在其zkDCAP驗證器和jtee命令行界面中結合了zk-proofs的使用,以便與RiscZero zkVM集成的程序。

計算完成證明和質量檢查

這些項目提供的GPU可爲一系列服務提供計算能力。由於服務範圍廣泛,從渲染圖形到AI計算,因此此類任務的最終質量可能不總是符合用戶標準。可以使用完成證明的形式來表示用戶租用的特定GPU確實用於運行所需服務,質量檢查對請求完成此類工作的用戶有益。

計算完成後,Gensyn和Aethir都會生成證明以表明工作已完成,而io.net的證明則表明租用的GPU的性能已得到充分利用且沒有出現問題。Gensyn和Aethir都會對已完成的計算進行質量檢查。對於Gensyn,它使用驗證者重新運行生成的證明的部分內容以與證明進行核對,而舉報人則充當對驗證者的另一層檢查。Aethir使用檢查節點來確定服務質量,對低於標準的服務進行處罰。Render建議使用爭議解決流程,如果審查委員會發現節點存在問題,則削減該節點。Phala完成後會生成TEE證明,確保AI代理在鏈上執行所需的操作。

硬件統計數據

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

高性能GPU的要求

由於AI模型訓練需要性能最佳的GPU,因此開發者傾向於使用Nvidia的A100和H100等GPU。H100的推理性能比A100快4倍,