去中心化 GPU 网络将自己定位为一种低成本、可扩展的解决方案，用于运行越来越多的人工智能工作负载，而前沿模型的训练仍然牢牢地属于超大规模数据中心的范围内。
构建最大、最先进的人工智能系统需要数千个 GPU 紧密同步运行，这种协调程度使得互联网延迟和可靠性使得去中心化网络对于顶级训练来说不切实际。
然而，绝大多数生产型人工智能工作并不涉及如此大规模的训练。这一现实为去中心化网络处理推理（运行训练模型以生成响应的过程）和其他日常任务开辟了重要空间。
“我们开始看到的是，许多开源模型和其他模型变得足够紧凑并经过充分优化，可以在消费级 GPU 上非常高效地运行，”Theta Network 联合创始人兼首席执行官 Mitch Liu 告诉 Cointelegraph。 “这正在推动向开源、更高效的模型和更经济的处理方法的转变。”
从前沿训练到日常推理
由于其巨大的成本和复杂性，前沿培训集中在少数超大规模运营商中。最新的人工智能硬件经过明确设计，旨在优化集成数据中心环境内的性能。“你可以把前沿人工智能模型训练想象成建造摩天大楼，”基础设施公司 Ovia Systems 首席执行官 Nökkvi Dan Ellidason 说道。 “在集中式数据中心，所有工人都在同一个脚手架上，用手传砖。”
这个类比强调了为什么分布式网络的松散协调不适合此类任务。 “要[在去中心化网络中]建造同一栋摩天大楼，他们必须通过开放互联网将每一块砖块邮寄给彼此，这是非常低效的，”埃利达森继续说道。
行业现在正在转向推理。 Ellidason 估计，虽然 2024 年训练将主导 GPU 需求，但 2026 年多达 70% 的需求可能由推理、AI 代理和预测工作负载驱动。 “这已将计算从研究成本转变为持续的、可扩展的公用事业成本，”他说。
寻找适合去中心化网络的方案
去中心化 GPU 网络擅长处理可以独立分割、路由和执行的工作负载，无需持续的机器间同步。
“推理是批量业务，它会随着每个部署的模型和代理循环而扩展，”去中心化计算平台 Fluence 联合创始人 Evgeny Ponomarev 说道。 “这就是成本、弹性和地理分布比完美互连更重要的地方。”
这使得通过去中心化网络聚合的消费级 GPU 非常适合生产工作负载，优先考虑吞吐量、灵活性和成本，而不是超低延迟。
Salad Technologies 首席执行官 Bob Miles 强调，此类网络也是数据准备任务（收集、清理和格式化数据以进行训练）的理想选择，这些任务需要广泛的网络访问并且可以轻松并行化。
一个关键的潜在优势是地理分布。 “在去中心化模型中，GPU 分布在全球许多位置，通常更接近最终用户。因此，用户和 GPU 之间的延迟可以显着降低，”Liu 解释道。
相关：为什么加密货币的基础设施还没有跟上其理想
AI 堆栈中的补充层
共识很明确：去中心化 GPU 网络并不是超大规模数据中心的替代品，而是正在演变成一个重要的补充层。
“这个周期见证了许多开源模型的崛起，这些模型虽然没有达到 ChatGPT 等系统的规模，但仍然有足够的能力在配备高端 GPU 的个人计算机上运行，”Theta Network 联合创始人兼技术主管 Jieyi Long 说道。
随着消费类硬件变得更加强大，开源模型变得更加高效，越来越多的人工智能任务可以从集中式核心迁移到分布式边缘。这使得去中心化网络能够在更广泛的人工智能计算生态系统中发挥明确且不断增长的作用。
杂志：人们用来挖掘比特币和加密货币的 6 种最奇怪的设备