📢 Gate广场 #MBG任务挑战# 发帖赢大奖活动火热开启!
想要瓜分1,000枚MBG?现在就来参与,展示你的洞察与实操,成为MBG推广达人!
💰️ 本期将评选出20位优质发帖用户,每人可轻松获得50枚MBG!
如何参与:
1️⃣ 调研MBG项目
对MBG的基本面、社区治理、发展目标、代币经济模型等方面进行研究,分享你对项目的深度研究。
2️⃣ 参与并分享真实体验
参与MBG相关活动(包括CandyDrop、Launchpool或现货交易),并晒出你的参与截图、收益图或实用教程。可以是收益展示、简明易懂的新手攻略、小窍门,也可以是现货行情点位分析,内容详实优先。
3️⃣ 鼓励带新互动
如果你的帖子吸引到他人参与活动,或者有好友评论“已参与/已交易”,将大幅提升你的获奖概率!
MBG热门活动(帖文需附下列活动链接):
Gate第287期Launchpool:MBG — 质押ETH、MBG即可免费瓜分112,500 MBG,每小时领取奖励!参与攻略见公告:https://www.gate.com/announcements/article/46230
Gate CandyDrop第55期:CandyDrop x MBG — 通过首次交易、交易MBG、邀请好友注册交易即可分187,500 MBG!参与攻略见公告:https://www.gate.com/announcements
AI与DePIN交汇:去中心化GPU网络崛起
AI 与 DePIN 的交汇:去中心化 GPU 网络的崛起
自 2023 年以来,AI 和 DePIN 在 Web3 领域呈现出蓬勃发展的态势。AI 市值达到 300 亿美元,而 DePIN 市值约为 230 亿美元。这两个领域涵盖了众多不同的协议,服务于各种需求。本文将探讨二者的交叉领域,并研究该领域协议的发展情况。
在 AI 技术栈中,DePIN 网络通过计算资源为 AI 提供实用性。大型科技公司的发展导致 GPU 短缺,使其他正在构建 AI 模型的开发者难以获得足够的 GPU 进行计算。这通常会迫使开发者选择中心化云提供商,但由于必须签署不灵活的长期高性能硬件合同,导致效率低下。
DePIN 本质上提供了一种更灵活且更具成本效益的替代方案,它使用代币奖励来激励符合网络目标的资源贡献。人工智能中的 DePIN 将 GPU 资源从个人所有者众包到数据中心,为需要访问硬件的用户形成统一的供应。这些 DePIN 网络不仅为需要计算能力的开发者提供可定制性和按需访问,还为 GPU 所有者提供额外收入。
市场上有众多 AI DePIN 网络,本文将探讨每种协议的作用及其目标,以及它们已经实现的一些具体亮点。
AI DePIN 网络概述
Render 是提供 GPU 计算能力的 P2P 网络的先驱,之前专注于为内容创作渲染图形,后来通过集成 Stable Diffusion 等工具集,将其范围扩展到包括从神经反射场 (NeRF) 到生成 AI 的计算任务。
Render 的特点:
Akash 将自己定位为支持存储、GPU 和 CPU 计算的传统平台的"超级云"替代品。利用 Akash 容器平台和 Kubernetes 管理的计算节点等开发者友好型工具,它能够跨环境无缝部署软件,从而能够运行任何云原生应用程序。
Akash 的特点:
io.net 提供对分布式 GPU 云集群的访问,这些集群专门用于 AI 和 ML 用例。它聚合了来自数据中心、加密矿工和其他去中心化网络等领域的 GPU。
io.net 的特点:
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诸如用于验证工作的学习证明、用于重新运行验证工作的基于图形的精确定位协议以及涉及计算提供商的质押和削减的 Truebit 式激励游戏等概念,实现了更高效的验证机制。
Gensyn 的特点:
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 (ML)、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,将工作负载从本地设备转移到容器,以实现低延迟体验。为了确保为用户提供优质服务,他们根据需求和位置将 GPU 移近数据源,从而调整资源。
Aethir 的特点:
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。其执行层不是用作 AI 模型的计算层,而是使 AI 代理能够由链上的智能合约控制。
Phala Network 的特点:
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 | 人工智能、云游戏和电信 | 链上 AI 执行 | | AI任务类型 | 推理 | 训练和推理 | 训练和推理 | 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 |
集群和并行计算的可用性对于训练复杂的 AI 模型至关重要。大多数项目现在都已整合了集群以实现并行计算。io.net 与 Render、Filecoin 和 Aethir 等其他项目合作,将更多 GPU 纳入其网络,并已成功在 24 年第一季度部署了超过 3,800 个集群。
数据隐私是 AI 模型开发中的一个关键问题。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。Phala Network 引入了可信执行环境 (TEE),可以防止外部进程访问或修改数据。
计算完成证明和质量检查对于确保工作质量至关重要。Gensyn 和 Aethir 都会生成证明以表明工作已完成,并对已完成的计算进行质量检查。Render 建议使用争议解决流程,如果审查委员会发现节点存在问题,则削减该节点。
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 对于 AI 模型训练至关重要。io.net 和 Aethir 在 H100 和 A100 GPU 数量方面领先,使它们更适合大型模型计算。去中心化 GPU 网络的成本已经比中心化 GPU 服务低得多,为构建更多 AI 和 ML 用例打开了寡头垄断局面。
消费级 GPU/CPU 也在这些网络中发挥重要作用。Render、Akash 和 io.net 等项目可以服务于这一部分市场,为开发者提供更多选择。
结论
AI DePIN 领域虽然仍然相对较新,但已显示出强劲的发展势头。这些去中心化 GPU 网络中执行的任务和硬件数量不断增加,凸显了对 Web2 云提供商硬件资源替代品的需求不断增长。展望未来,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,为人工智能和计算基础设施的未来格局做出重大贡献。