📢 Gate廣場 #MBG任务挑战# 發帖贏大獎活動火熱開啓!
想要瓜分1,000枚MBG?現在就來參與,展示你的洞察與實操,成爲MBG推廣達人!
💰️ 本期將評選出20位優質發帖用戶,每人可輕鬆獲得50枚MBG!
如何參與:
1️⃣ 調研MBG項目
對MBG的基本面、社區治理、發展目標、代幣經濟模型等方面進行研究,分享你對項目的深度研究。
2️⃣ 參與並分享真實體驗
參與MBG相關活動(包括CandyDrop、Launchpool或現貨交易),並曬出你的參與截圖、收益圖或實用教程。可以是收益展示、簡明易懂的新手攻略、小竅門,也可以是現貨行情點位分析,內容詳實優先。
3️⃣ 鼓勵帶新互動
如果你的帖子吸引到他人參與活動,或者有好友評論“已參與/已交易”,將大幅提升你的獲獎概率!
MBG熱門活動(帖文需附下列活動連結):
Gate第287期Launchpool:MBG — 質押ETH、MBG即可免費瓜分112,500 MBG,每小時領取獎勵!參與攻略見公告:https://www.gate.com/announcements/article/46230
Gate CandyDrop第55期:CandyDrop x MBG — 通過首次交易、交易MBG、邀請好友註冊交易即可分187,500 MBG!參與攻略見公告:https://www.gate.com/announcements
AI與DePIN交匯:去中心化GPU網路崛起
AI 與 DePIN 的交匯:去中心化 GPU 網路的崛起
自 2023 年以來,AI 和 DePIN 在 Web3 領域呈現出蓬勃發展的態勢。AI 市值達到 300 億美元,而 DePIN 市值約爲 230 億美元。這兩個領域涵蓋了衆多不同的協議,服務於各種需求。本文將探討二者的交叉領域,並研究該領域協議的發展情況。
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,使其他正在構建 AI 模型的開發者難以獲得足夠的 GPU 進行計算。這通常會迫使開發者選擇中心化雲提供商,但由於必須簽署不靈活的長期高性能硬件合同,導致效率低下。
DePIN 本質上提供了一種更靈活且更具成本效益的替代方案,它使用代幣獎勵來激勵符合網路目標的資源貢獻。人工智能中的 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的供應。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,本文將探討每種協議的作用及其目標,以及它們已經實現的一些具體亮點。
AI DePIN 網路概述
Render 是提供 GPU 計算能力的 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,將其範圍擴展到包括從神經反射場 (NeRF) 到生成 AI 的計算任務。
Render 的特點:
Akash 將自己定位爲支持存儲、GPU 和 CPU 計算的傳統平台的"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型工具,它能夠跨環境無縫部署軟件,從而能夠運行任何雲原生應用程序。
Akash 的特點:
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。
io.net 的特點:
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諸如用於驗證工作的學習證明、用於重新運行驗證工作的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 Truebit 式激勵遊戲等概念,實現了更高效的驗證機制。
Gensyn 的特點:
Aethir 專門搭載企業 GPU,專注於計算密集型領域,主要是人工智能、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,以實現低延遲體驗。爲了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。
Aethir 的特點:
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,通過使用其可信執行環境 (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 代理能夠由鏈上的智能合約控制。
Phala Network 的特點:
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 | 人工智能、雲遊戲和電信 | 鏈上 AI 執行 | | AI任務類型 | 推理 | 訓練和推理 | 訓練和推理 | 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 |
集羣和並行計算的可用性對於訓練復雜的 AI 模型至關重要。大多數項目現在都已整合了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 年第一季度部署了超過 3,800 個集羣。
數據隱私是 AI 模型開發中的一個關鍵問題。大多數項目都使用某種形式的數據加密來保護數據隱私。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。Phala Network 引入了可信執行環境 (TEE),可以防止外部進程訪問或修改數據。
計算完成證明和質量檢查對於確保工作質量至關重要。Gensyn 和 Aethir 都會生成證明以表明工作已完成,並對已完成的計算進行質量檢查。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。
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 對於 AI 模型訓練至關重要。io.net 和 Aethir 在 H100 和 A100 GPU 數量方面領先,使它們更適合大型模型計算。去中心化 GPU 網路的成本已經比中心化 GPU 服務低得多,爲構建更多 AI 和 ML 用例打開了寡頭壟斷局面。
消費級 GPU/CPU 也在這些網路中發揮重要作用。Render、Akash 和 io.net 等項目可以服務於這一部分市場,爲開發者提供更多選擇。
結論
AI DePIN 領域雖然仍然相對較新,但已顯示出強勁的發展勢頭。這些去中心化 GPU 網路中執行的任務和硬件數量不斷增加,凸顯了對 Web2 雲提供商硬件資源替代品的需求不斷增長。展望未來,這些分散的 GPU 網路將在爲開發者提供經濟高效的計算替代方案方面發揮關鍵作用,爲人工智能和計算基礎設施的未來格局做出重大貢獻。