在當今數據驅動的時代，人工智能（AI）技術正以前所未有的速度發展。特別是人工智能大模型的訓練不斷突破技術界限，帶來重大挑戰。在此背景下，去中心化的分佈式計算網絡在人工智能大模型的訓練中發揮著至關重要的作用，但也面臨著巨大的技術瓶頸和挑戰。
去中心化網絡的主要需求之一是支持訓練人工智能大型模型。然而，這個過程涉及到數據同步和網絡優化等複雜問題，這些問題的解決對於保證計算網絡的效率和有效性至關重要。此外，數據隱私和安全也是不可或缺的因素。解決在確保數據隱私的同時實現有效模型訓練的難題是一項緊迫的挑戰。
目前，安全多方計算、差分隱私、聯邦學習、同態加密等技術在特定場景下展現出優勢。然而，它們也有侷限性，特別是在處理大規模分佈式計算網絡中的數據隱私問題時。例如，零知識證明（ZKP）技術具有巨大的潛力，但其在廣泛的分佈式計算網絡中訓練大型模型的應用需要多年的研究和開發。這不僅需要學術界更多的關注和資源，而且面臨著巨大的技術費用和實際應用的挑戰。
與模型訓練相比，去中心化分佈式計算網絡在模型推理方面表現出更大的實際潛力。預計未來該領域的增長空間巨大。儘管如此，推理過程仍然遇到通信延遲、數據隱私、模型安全等挑戰。由於較低的計算複雜度和數據交互性，模型推理更適合去中心化環境，但克服這些挑戰仍然是一個值得深入探索的話題。
在此背景下，我們將進一步探索去中心化分佈式計算網絡中的代表性項目——Akash Akash Network、Gensyn、Together。此次探索旨在更深入地瞭解這一有潛力重塑生產未來的賽道。
Akash Network：完全開源的 P2P 雲市場，通過代幣激勵全球閒置算力
Akash Network是一個開源平臺，致力於建立去中心化的點對點雲市場，將尋求雲服務的用戶與擁有剩餘計算資源的基礎設施提供商連接起來。
Akash 的平臺專為託管和管理部署而設計，同時為運行 Kubernetes 工作負載提供雲管理服務。本質上，Kubernetes 是一個開源系統，用於自動化容器化應用程序的部署、擴展和管理。
在 Akash 平臺上，用戶（稱為“租戶”）主要是希望將 Docker 容器部署到滿足特定標準的雲提供商的開發人員。 Docker容器的一個重要特徵是它們包含打包的代碼和依賴項，確保應用程序在任何計算環境中以相同的方式運行。這意味著無論是在筆記本電腦上開發、在沙箱中測試還是在雲中運行，都不需要修改代碼。
Akash 市場的一個獨特之處是其反向拍賣模式。該模型允許用戶獨立設定價格並描述部署容器的資源需求。當雲提供商的計算資源未得到充分利用時，他們可以通過 Akash 市場出租這些資源，類似於 Airbnb 出租閒置房間的方式。值得注意的是，通過 Akash 部署容器的成本約為三大雲服務提供商（Amazon Web Services、Google Cloud 和 Microsoft Azure）的十分之一。
Akash Network上的所有交易和記錄均通過其代幣——Akash 代幣（AKT）在鏈上進行。該網絡在Cosmos SDK 框架上構建其區塊鏈，並利用 Tendermint 拜占庭容錯 (BFT) 引擎來支持其委託權益證明 (DPoS) 共識算法。 AKT 不僅作為交換媒介，還在Akash Network中發揮著多種作用，包括確保網絡安全、提供獎勵、參與網絡治理、處理交易等。
這樣， Akash Network不僅提供了一種更經濟高效的雲服務選擇，也展示了區塊鏈技術在現代雲計算領域的創新應用。
Gensyn：將複雜的機器學習任務分解為多個子任務，提高處理效率
Gensyn是一個基於區塊鏈的去中心化深度學習計算協議，專門針對人工智能計算市場的需求而設計。該協議的核心在於將複雜的機器學習任務分解為多個子任務，並通過參與者的計算資源實現高度並行的計算。這種方式不僅提高了計算效率，還可以通過智能合約實現任務分配、驗證和獎勵的自動化，無需中心化管理。
2023年6月，團隊成功完成由著名風險投資公司a16z領投的4300萬美元A輪融資，融資總額達到5000萬美元。
Gensyn 協議作為智能計算網絡，具有以下主要特性：
1.概率學習證明：利用梯度優化過程中的元數據構建任務完成證書，實現工作完成情況的快速驗證。
2.基於圖的定位協議：採用多粒度、基於圖的定位協議，結合交叉驗證執行，保證工作驗證的一致性。
3.Truebit式激勵機制：通過質押和削減機制構建激勵遊戲，確保參與者誠實地完成任務。此外，Gensyn系統涉及四個主要角色：
1.提交者：系統的最終用戶，提供計算任務並支付費用。
2.Solver：執行模型訓練並生成供驗證者驗證的證明。
3.驗證者：負責驗證求解器提供的證明的準確性。
4.舉報人：充當安全措施，審查驗證者的工作，並在發現問題時提出疑慮。
Gensyn協議在成本和性能方面表現出顯著的優勢。例如，與以太坊從工作量證明到權益證明的轉變相比，Gensyn為參與者提供了一種通過利用其計算資源來獲得回報的方式，降低計算成本並提高資源利用率。 Python仿真結果表明，雖然Gensyn模型訓練的時間消耗增加了約46%，但其性能相比其他方法有顯著提升。
Gensyn作為一個基於區塊鏈的去中心化算力協議，旨在通過智能合約分配和獎勵機器學習任務，以加速AI模型訓練並降低成本。儘管面臨通信和隱私等挑戰，Gensyn 提供了一種利用閒置計算能力的有效方法，考慮到不同的模型規模以及更廣泛、更靈活的應用程序的要求。
共同：專注於大型模型開發和應用，獲得 2000 萬美元種子資金
Together是一家致力於提供去中心化AI算力解決方案的開源公司，專注於大型模型的開發和應用。該公司的願景是讓任何人、任何地方都可以使用人工智能。今年5月，Together完成了由Lux Capital領投的2000萬美元種子輪融資。Together由Chris、Percy和Ce創立，源於他們意識到大量的高端GPU集群和大型模型訓練所需的昂貴支出。他們認為，這些資源和模型訓練的能力不應該集中在少數大公司手中。
Together的發展策略強調開源模型和分佈式計算能力的應用。他們認為，使用去中心化算力網絡的先決條件是模型必須開源，這有助於降低成本和複雜性。最近的一個例子是他們基於 LLaMA 的 RedPajama 項目，該項目與多個研究團隊合作發起，旨在開發一系列完全開源的大型語言模型。
在模型推理領域，Together 的開發團隊對 RedPajama-INCITE-3B 模型進行了一系列更新。這包括利用 LoRA 進行經濟高效的微調，提高模型在 CPU 上的效率。至於模型訓練，Together 正在解決去中心化訓練中的通信瓶頸，包括調度和通信壓縮方面的優化。
Together團隊的多元化專業知識跨越多個領域，從大型模型開發到雲計算和硬件優化，展示了人工智能計算項目的全面方法。他們的策略體現了長遠的眼光，涵蓋開源大型模型的開發、測試分佈式計算能力在模型推理中的應用以及在大規模模型訓練中部署分佈式計算能力。
鑑於該項目處於早期階段，網絡激勵機制和代幣用例等關鍵細節仍未披露。這些因素對於加密項目的成功至關重要。因此，業界對Together 的未來發展和進一步披露保持著濃厚的興趣。
去中心化人工智能的前景廣闊，但其中的挑戰需要逐步克服
審視去中心化算力網絡和人工智能技術的融合，揭示了一個充滿挑戰和潛力的領域。儘管屬於不同的領域，但人工智能和Web3的結合在利用分佈式技術遏制人工智能壟斷和促進去中心化共識機制的形成方面表現出了天然的協同作用。去中心化算力網絡不僅提供分佈式計算能力和隱私保護，還能增強人工智能模型的可信度和可靠性，支持快速部署和執行。
然而，這一領域的發展並非沒有障礙。中心化算力網絡的高通信成本對去中心化網絡提出了重大挑戰，需要解決方案來確保節點的可靠性和安全性，以及對去中心化計算資源的有效管理。
回到商業現實，AI與Web3的深度融合雖然前景廣闊，但也面臨研發成本高、商業模式不清晰等挑戰。 AI 和 Web3 等領域仍處於開發的早期階段，它們的真正潛力有待時間的驗證。
