在当今数据驱动的时代，人工智能（AI）技术正以前所未有的速度发展。特别是人工智能大模型的训练不断突破技术界限，带来重大挑战。在此背景下，去中心化的分布式计算网络在人工智能大模型的训练中发挥着至关重要的作用，但也面临着巨大的技术瓶颈和挑战。
去中心化网络的主要需求之一是支持训练人工智能大型模型。然而，这个过程涉及到数据同步和网络优化等复杂问题，这些问题的解决对于保证计算网络的效率和有效性至关重要。此外，数据隐私和安全也是不可或缺的因素。解决在确保数据隐私的同时实现有效模型训练的难题是一项紧迫的挑战。
目前，安全多方计算、差分隐私、联邦学习、同态加密等技术在特定场景下展现出优势。然而，它们也有局限性，特别是在处理大规模分布式计算网络中的数据隐私问题时。例如，零知识证明（ZKP）技术具有巨大的潜力，但其在广泛的分布式计算网络中训练大型模型的应用需要多年的研究和开发。这不仅需要学术界更多的关注和资源，而且面临着巨大的技术费用和实际应用的挑战。
与模型训练相比，去中心化分布式计算网络在模型推理方面表现出更大的实际潜力。预计未来该领域的增长空间巨大。尽管如此，推理过程仍然遇到通信延迟、数据隐私、模型安全等挑战。由于较低的计算复杂度和数据交互性，模型推理更适合去中心化环境，但克服这些挑战仍然是一个值得深入探索的话题。
在此背景下，我们将进一步探索去中心化分布式计算网络中的代表性项目——Akash Akash Network、Gensyn、Together。此次探索旨在更深入地了解这一有潜力重塑生产未来的赛道。
Akash Network：完全开源的 P2P 云市场，通过代币激励全球闲置算力
Akash Network是一个开源平台，致力于建立去中心化的点对点云市场，将寻求云服务的用户与拥有剩余计算资源的基础设施提供商连接起来。
Akash 的平台专为托管和管理部署而设计，同时为运行 Kubernetes 工作负载提供云管理服务。本质上，Kubernetes 是一个开源系统，用于自动化容器化应用程序的部署、扩展和管理。
在 Akash 平台上，用户（称为“租户”）主要是希望将 Docker 容器部署到满足特定标准的云提供商的开发人员。 Docker容器的一个重要特征是它们包含打包的代码和依赖项，确保应用程序在任何计算环境中以相同的方式运行。这意味着无论是在笔记本电脑上开发、在沙箱中测试还是在云中运行，都不需要修改代码。
Akash 市场的一个独特之处是其反向拍卖模式。该模型允许用户独立设定价格并描述部署容器的资源需求。当云提供商的计算资源未得到充分利用时，他们可以通过 Akash 市场出租这些资源，类似于 Airbnb 出租闲置房间的方式。值得注意的是，通过 Akash 部署容器的成本约为三大云服务提供商（Amazon Web Services、Google Cloud 和 Microsoft Azure）的十分之一。
Akash Network上的所有交易和记录均通过其代币——Akash 代币（AKT）在链上进行。该网络在Cosmos SDK 框架上构建其区块链，并利用 Tendermint 拜占庭容错 (BFT) 引擎来支持其委托权益证明 (DPoS) 共识算法。 AKT 不仅作为交换媒介，还在Akash Network中发挥着多种作用，包括确保网络安全、提供奖励、参与网络治理、处理交易等。
这样， Akash Network不仅提供了一种更经济高效的云服务选择，也展示了区块链技术在现代云计算领域的创新应用。
Gensyn：将复杂的机器学习任务分解为多个子任务，提高处理效率
Gensyn是一个基于区块链的去中心化深度学习计算协议，专门针对人工智能计算市场的需求而设计。该协议的核心在于将复杂的机器学习任务分解为多个子任务，并通过参与者的计算资源实现高度并行的计算。这种方式不仅提高了计算效率，还可以通过智能合约实现任务分配、验证和奖励的自动化，无需中心化管理。
2023年6月，团队成功完成由著名风险投资公司a16z领投的4300万美元A轮融资，融资总额达到5000万美元。
Gensyn 协议作为智能计算网络，具有以下主要特性：
1.概率学习证明：利用梯度优化过程中的元数据构建任务完成证书，实现工作完成情况的快速验证。
2.基于图的定位协议：采用多粒度、基于图的定位协议，结合交叉验证执行，保证工作验证的一致性。
3.Truebit式激励机制：通过质押和削减机制构建激励游戏，确保参与者诚实地完成任务。此外，Gensyn系统涉及四个主要角色：
1.提交者：系统的最终用户，提供计算任务并支付费用。
2.Solver：执行模型训练并生成供验证者验证的证明。
3.验证者：负责验证求解器提供的证明的准确性。
4.举报人：充当安全措施，审查验证者的工作，并在发现问题时提出疑虑。
Gensyn协议在成本和性能方面表现出显着的优势。例如，与以太坊从工作量证明到权益证明的转变相比，Gensyn为参与者提供了一种通过利用其计算资源来获得回报的方式，降低计算成本并提高资源利用率。 Python仿真结果表明，虽然Gensyn模型训练的时间消耗增加了约46%，但其性能相比其他方法有显着提升。
Gensyn作为一个基于区块链的去中心化算力协议，旨在通过智能合约分配和奖励机器学习任务，以加速AI模型训练并降低成本。尽管面临通信和隐私等挑战，Gensyn 提供了一种利用闲置计算能力的有效方法，考虑到不同的模型规模以及更广泛、更灵活的应用程序的要求。
共同：专注于大型模型开发和应用，获得 2000 万美元种子资金
Together是一家致力于提供去中心化AI算力解决方案的开源公司，专注于大型模型的开发和应用。该公司的愿景是让任何人、任何地方都可以使用人工智能。今年5月，Together完成了由Lux Capital领投的2000万美元种子轮融资。Together由Chris、Percy和Ce创立，源于他们意识到大量的高端GPU集群和大型模型训练所需的昂贵支出。他们认为，这些资源和模型训练的能力不应该集中在少数大公司手中。
Together的发展策略强调开源模型和分布式计算能力的应用。他们认为，使用去中心化算力网络的先决条件是模型必须开源，这有助于降低成本和复杂性。最近的一个例子是他们基于 LLaMA 的 RedPajama 项目，该项目与多个研究团队合作发起，旨在开发一系列完全开源的大型语言模型。
在模型推理领域，Together 的开发团队对 RedPajama-INCITE-3B 模型进行了一系列更新。这包括利用 LoRA 进行经济高效的微调，提高模型在 CPU 上的效率。至于模型训练，Together 正在解决去中心化训练中的通信瓶颈，包括调度和通信压缩方面的优化。
Together团队的多元化专业知识跨越多个领域，从大型模型开发到云计算和硬件优化，展示了人工智能计算项目的全面方法。他们的策略体现了长远的眼光，涵盖开源大型模型的开发、测试分布式计算能力在模型推理中的应用以及在大规模模型训练中部署分布式计算能力。
鉴于该项目处于早期阶段，网络激励机制和代币用例等关键细节仍未披露。这些因素对于加密项目的成功至关重要。因此，业界对Together 的未来发展和进一步披露保持着浓厚的兴趣。
去中心化人工智能的前景广阔，但其中的挑战需要逐步克服
审视去中心化算力网络和人工智能技术的融合，揭示了一个充满挑战和潜力的领域。尽管属于不同的领域，但人工智能和Web3的结合在利用分布式技术遏制人工智能垄断和促进去中心化共识机制的形成方面表现出了天然的协同作用。去中心化算力网络不仅提供分布式计算能力和隐私保护，还能增强人工智能模型的可信度和可靠性，支持快速部署和执行。
然而，这一领域的发展并非没有障碍。中心化算力网络的高通信成本对去中心化网络提出了重大挑战，需要解决方案来确保节点的可靠性和安全性，以及对去中心化计算资源的有效管理。
回到商业现实，AI与Web3的深度融合虽然前景广阔，但也面临研发成本高、商业模式不清晰等挑战。 AI 和 Web3 等领域仍处于开发的早期阶段，它们的真正潜力有待时间的验证。
