AI DePIN網路崛起：分散化GPU計算引領新趨勢

薛定谔的gas

2025-08-06 07:15:58

AI DePIN 網路:分散化 GPU 計算的未來

自2023年以來,AI和DePIN成爲Web3領域的熱門趨勢,市值分別達到300億美元和230億美元。本文聚焦兩者的交叉領域,探討相關協議的發展情況。

在AI技術棧中,DePIN網路通過提供計算資源爲AI賦能。大型科技公司導致的GPU短缺,使其他AI開發者難以獲得足夠的GPU算力。傳統做法是選擇中心化雲服務商,但需籤訂不靈活的長期合同,效率低下。

DePIN提供了更靈活且成本效益更高的替代方案,通過代幣激勵符合網路目標的資源貢獻。AI領域的DePIN將個人GPU資源整合到數據中心,爲用戶提供統一供給。這不僅爲開發者提供定制化和按需訪問,還爲GPU所有者創造額外收益。

市場上AI DePIN網路衆多,本文將探討各協議的作用、目標及亮點,以及它們之間的差異。

AI DePIN網路概覽

Render

Render是P2P GPU計算網路的先驅,最初專注於圖形渲染,後來拓展到AI計算任務。

亮點:

由獲奧斯卡技術獎的OTOY公司創立
GPU網路被派拉蒙、PUBG等大型娛樂公司使用
與Stability AI等合作,將AI模型與3D內容渲染工作流集成
批準多個計算客戶端,整合更多DePIN網路GPU

Akash

Akash定位爲支持存儲、GPU和CPU計算的"超級雲"平台,是AWS等傳統平台的替代品。利用容器平台和Kubernetes管理的計算節點,可無縫部署任何雲原生應用。

亮點:

面向從通用計算到網路托管的廣泛計算任務
AkashML允許在Hugging Face上運行超1.5萬個模型
托管Mistral AI的LLM聊天機器人、Stability AI的SDXL等重要應用
元宇宙、AI部署和聯邦學習平台正在使用其超級雲

io.net

io.net提供專門用於AI和ML的分布式GPU雲集羣訪問,聚合來自數據中心、礦工等的GPU資源。

亮點:

IO-SDK兼容PyTorch和Tensorflow等框架,可根據需求自動擴展
支持創建3種不同類型的集羣,2分鍾內可啓動
與Render、FIL等合作整合其他DePIN網路的GPU

Gensyn

Gensyn提供專注於機器學習和深度學習的GPU計算能力。通過學習證明等技術,實現更高效的驗證機制。

亮點:

V100 GPU每小時成本約0.40美元,大幅節省成本
可對預訓練基礎模型進行微調,完成更具體任務
基礎模型將去中心化、全球共享,提供額外功能

Aethir

Aethir專門部署企業級GPU,聚焦AI、ML、雲遊戲等計算密集型領域。網路中的容器充當執行雲應用的虛擬端點,實現低延遲體驗。

亮點:

拓展到雲手機服務,與APhone合作推出去中心化雲手機
與NVIDIA、HPE等大型Web2公司建立廣泛合作
與CARV、Magic Eden等多個Web3合作夥伴

Phala Network

Phala Network作爲Web3 AI解決方案的執行層,利用可信執行環境(TEE)處理隱私問題。使AI代理能由鏈上智能合約控制。

亮點:

作爲可驗證計算的協處理器協議,賦能AI代理鏈上資源
AI代理合約可通過Redpill獲得OpenAI等頂級大語言模型
未來將包括zk-proofs、MPC、FHE等多重證明系統
未來支持H100等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 | 兩者皆可 | 兩者皆可 | 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,提供更高效的訓練,同時增強了可擴展性。訓練復雜AI模型需要強大的計算能力,通常依賴分布式計算。例如,OpenAI的GPT-4模型擁有超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訓練。

大多數項目現已整合集羣實現並行計算。io.net與其他項目合作,將更多GPU納入網路,已在24年一季度部署超3,800個集羣。Render雖不支持集羣,但將單個幀分解爲多個節點同時處理,工作原理類似。Phala目前僅支持CPU,但允許CPU工作器集羣化。

數據隱私

AI模型開發需要大量數據集,可能包含敏感信息。三星因擔心代碼泄露而禁用ChatGPT,微軟的38TB數據泄露事件凸顯了AI安全措施的重要性。因此,各種數據隱私方法對於保護數據控制權至關重要。

大多數項目使用某種形式的數據加密。Render在發布渲染結果時使用加密和哈希,io.net和Gensyn採用數據加密,Akash使用mTLS身分驗證限制數據訪問。

io.net最近與Mind Network合作推出完全同態加密(FHE),允許處理加密數據而無需解密,比現有加密技術更好地保護數據隱私。

Phala Network引入可信執行環境(TEE),防止外部進程訪問或修改數據。它還在zkDCAP驗證器和jtee CLI中結合了zk-proofs,以集成RiscZero zkVM。

計算完成證明和質量檢查

由於服務範圍廣泛,從渲染到AI計算,最終質量可能不總符合用戶標準。完成證明和質量檢查對用戶有益。

Gensyn和Aethir生成完成證明,io.net的證明表明GPU性能得到充分利用。Gensyn和Aethir進行質量檢查,Gensyn使用驗證者和舉報人,Aethir使用檢查節點。Render建議使用爭議解決流程。Phala生成TEE證明,確保AI代理執行所需操作。

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) | - |