AI与DePIN的融合：分布式GPU网络的崛起

自2023年以来，AI和DePIN成为Web3领域的热门话题，市值分别达到300亿美元和230亿美元。本文将探讨这两个领域的交集,重点分析相关协议的发展。

在AI技术栈中,DePIN网络通过提供计算资源为AI赋能。由于大型科技公司的发展导致GPU短缺,其他开发者难以获得足够的GPU进行AI模型训练。DePIN提供了一种更灵活、更具成本效益的替代方案,通过代币奖励激励资源贡献。AI领域的DePIN网络将GPU资源从个人所有者众包到数据中心,为用户提供统一的供应。

AI DePIN网络概述

Render

Render是提供GPU计算能力的P2P网络先驱,最初专注于内容创作图形渲染,后来将范围扩展到包括AI计算任务。其GPU网络已被派拉蒙影业、PUBG等娱乐业大公司使用。

Akash

Akash定位为支持存储、GPU和CPU计算的"超级云"替代品。其AkashML允许GPU网络在Hugging Face上运行超过15,000个模型。

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。其IO-SDK与PyTorch和Tensorflow等框架兼容,多层架构可根据计算需求自动动态扩展。

Gensyn

Gensyn提供专注于机器学习和深度学习计算的GPU计算能力。它声称通过结合使用学习证明、基于图形的精确定位协议等概念,实现了更高效的验证机制。

Aethir

Aethir专门搭载企业GPU,专注于计算密集型领域,主要是人工智能、机器学习、云游戏等。其网络中的容器充当执行基于云的应用程序的虚拟端点,以实现低延迟体验。

Phala Network

Phala Network充当Web3 AI解决方案的执行层。其区块链是一种无需信任的云计算解决方案,通过使用其可信执行环境(TEE)设计来处理隐私问题。

项目比较

各项目在硬件、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集群等方面存在差异。

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。大多数重点项目现在都已整合了集群以实现并行计算。

数据隐私

开发AI模型需要使用大量可能包含敏感信息的数据集。大多数项目都使用某种形式的数据加密来保护数据隐私。io.net最近与Mind Network合作推出了完全同态加密(FHE),允许在无需先解密的情况下处理加密数据。

计算完成证明和质量检查

多个项目提供计算完成证明和质量检查机制,以确保工作质量和防止作弊。

硬件统计数据

各项目在GPU数量、CPU数量、高性能GPU数量及其费用等方面存在差异。io.net和Aethir在高性能GPU数量上领先。

高性能GPU的要求

AI模型训练需要性能最佳的GPU,如Nvidia的A100和H100。去中心化GPU市场提供商需要提供足够数量的高性能GPU才能与中心化服务竞争。

提供消费级GPU/CPU

部分项目还提供消费级GPU/CPU,可用于不太密集的任务,如对预训练模型进行微调或小规模模型训练。

结论

AI DePIN领域仍相对新兴,面临挑战。但这些去中心化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。未来,这些分散的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,为AI和计算基础设施的未来格局做出重大贡献。