大多数 GPU 市场平平无奇，往往只是重复相同的产品体验，仅通过添加一个代币来补贴成本。
但去中心化 AI 训练则是一个全新的游戏，具有变革性潜力。Prime Intellect 正在为大规模去中心化 AI 训练构建关键基础设施。
以下是他们超越普通 DePIN 项目的原因：
Prime Intellect 的宏伟蓝图包含四个部分:
1. 整合全球算力资源
2. 开发用于协作模型开发的分布式训练框架
3. 协作训练开源 AI 模型
4. 实现 AI 模型的集体所有权
GPU 市场聚合器
7 月 1 日，他们通过推出 GPU 市场启动了第一阶段。该市场整合了主要中心化和去中心化 GPU 供应商的算力资源，包括 Akash Network、io.net、Vast.ai、Lambda Cloud 等。目标是通过聚合供应商资源并提供便捷工具，为用户提供最优惠的租赁价格。用户可以直接使用 Prime Intellect 平台，无需再逐一访问 Akash 或 io.net 进行比价。
他们的在线测试平台直观且易于使用。用户几分钟内就能启动集群，无需 KYC。你可以选择希望租赁 GPU 的位置和网络的安全级别（如安全云或社区云），此外还有一个「最低价」选项。
从顶级 H100 到 RTX3000 和 4000 系列，他们提供多种 GPU 选择。目前集群规模上限为 8 个 GPU，Prime Intellect 正努力将其扩大到 16-128 个。
大规模去中心化训练
他们蓝图的第二部分——开发分布式 AI 训练框架，最令人瞩目。
目前的情况是：训练大型基础 AI 模型通常需要自建数据中心。这涉及高速网络、定制数据存储、隐私保护和效率优化，这些仅靠租用多个 GPU 难以实现。所以微软、谷歌和 OpenAI 等巨头主导了这一领域毫不奇怪，小型玩家缺乏必要的资源。
而 Prime Intellect 将实现跨多个分布式 GPU 集群的模型训练。
去中心化训练面临多重挑战:
· 优化全球节点间的通信延迟和带宽
· 适应这些网络中不同类型的 GPU
· 容错能力：训练过程必须能适应 GPU 集群可用性的变化，因为这些集群可能会随时加入或退出
这需要将前沿研究转化为实际生产系统：
· 分布式低通信训练（DiLoCo）：一种在连接不良的设备上进行数据并行训练的方法，每 500 步同步一次梯度，而非每步同步。
· Prime Intellect 最近开源了支持全球分布式 GPU 协作模型开发的框架，任何人都可使用该代码。
· 他们重现了谷歌 DeepMind 的 DiLoCo 实验，在横跨 3 国的情况下训练模型，计算利用率达 90-95%。他们还将规模扩大至原始工作的 3 倍，展示了其在十亿参数模型上的有效性。
如果 Prime Intellect 能解决这些问题，将极大影响模型训练方式和资源利用效率。
Prime Intellect 正在开发的最后一项功能是一个协议，用于奖励贡献算力、代码和资金的参与者，并实现 AI 模型的集体治理。这契合去中心化 AI 理念，鼓励用户参与其中。预计他们可能会使用加密货币作为交易和所有权媒介。
我的看法
· 当前 GPU 市场同质化严重，缺乏吸引力。尽管一些市场通过代币激励聚集了供应，但由于去中心化训练的挑战，需求端仍然疲软。
· 全球去中心化 GPU 市场竞争激烈。（以下是几个 GPU 提供商的价格比较：）
· 如果 Prime Intellect 能提高去中心化 AI 训练的效率，将为 GPU 需求打开大门。
· Prime Intellect 拥有知名投资者支持，如 Clem Delangue（Hugging Face 联创兼 CEO）、Erik Voorhees（Shapeshift 创始人兼 CEO）和 Andrew Kang（Mechanism Capital 联创兼合伙人）。