作者：Paul Timofeev 来源：Shoal Research 翻译：善欧巴，金色财经 探讨计算去中心化基础设施在支持去中心化GPU市场中的作用，并提供全面分析和补充案例研究。 关键要点 随着机器学习的兴起，特别是生成式人工智能的发展，需要大量的计算密集型工作负载，计算资源变得越来越受追捧。然而，由于大型公司和政府大量囤积这些资源，初创企业和独立开发者如今在市场上面临GPU短缺，导致成本过高或缺乏可获取性。 计算DePINs通过允许世界各地的人们提供闲置的计算资源（如GPU）以换取货币奖励，从而实现计算资源的去中心化市场。这旨在帮助未被充分服务的GPU消费者获取新的供应流，以较低的成本和开销获得其工作负载所需的开发资源。 今天，计算DePINs在与传统集中式服务提供商竞争时仍面临许多经济和技术挑战，其中一些问题会随着时间自行解决，而另一些问题则需要在未来提出新的解决方案和优化措施。 计算是新的石油 自工业革命以来，技术以空前的速度推动人类前进，几乎日常生活的每个方面都受到了影响或完全改变。计算机最终成为集体研究人员、学者和计算机工程师努力的结晶。最初设计用于解决大型算术任务，以协助先进的军事行动，计算机已发展成为现代生活的支柱。随着计算机对人类影响的持续增长，对这些机器及其所需资源的需求也在不断增长，超过了可用供应。这反过来又在市场上造成了大多数开发者和企业无法获得关键资源的动态，使机器学习和生成式人工智能的发展，今天最具变革性的技术，掌握在少数资金雄厚的玩家手中。同时，大量闲置的计算资源为缓解计算供应和需求之间的不平衡提供了一个有利可图的机会，加剧了交易双方参与者之间足够协调机制的需求。因此，我们认为，由区块链技术和数字资产支持的去中心化系统对于更广泛、更民主和负责任的生成式人工智能产品和服务的发展至关重要。 计算资源 计算可以定义为计算机基于给定输入发出明确输出的各种活动、应用或工作负载。最终，它指的是计算机的计算和处理能力，这是这些机器在当今现代世界中发挥核心效用的基础，去年仅计算机就产生了高达1.1万亿美元的收入。 计算资源指的是各种支持计算和处理的硬件和软件组件。随着这些组件所支持的应用程序和功能数量的持续增长，它们在日常生活中变得越来越重要。这导致国家力量和企业之间争相积累尽可能多的这些资源，作为一种生存手段。这反映在提供这些资源的公司的市场表现中（例如，Nvidia，其市值在过去5年中增长了3000%以上）。 GPU 图形处理单元（GPU）是现代高性能计算中最重要的资源之一。其核心功能是作为专用电子电路，通过并行处理加速计算机图形工作负载。最初服务于游戏和个人计算机行业，GPU已经发展为服务于塑造未来世界的许多新兴技术（如大型机和个人计算机、移动设备、云计算、物联网）。然而，机器学习和人工智能的崛起特别加剧了对这些资源的需求 – GPU通过并行执行计算来加速机器学习和人工智能操作，从而增强最终技术的处理能力和性能。 人工智能的崛起 人工智能（AI）的核心是一种使计算机和机器模拟人类智能和解决问题能力的技术。一个AI模型作为一个由许多不同数据块组成的神经网络运行。模型需要处理能力来识别和学习这些数据之间的关系，然后在基于给定输入创建输出时参考这些关系。 AI开发和生产并不是新事物；在1967年，Frank Rosenblatt 建造了Mark 1

摘要 估算成本的框架： 第一步：识别网络贡献者 第二步：评估成本组成部分 第三步：评估成本结构差异并汇总 案例分析 关键要点 为了确保去中心化物理基础设施网络 (DePIN) 中节点的持续参与，网络管理者（创始人、DAO 成员等）必须考虑运营节点时运营商所产生的成本。 在某些情况下，关于成本优化的关键决策是显而易见的。例如，Livepeer 在 2022 年从以太坊转向 Arbitrum，这是一个没有争议的好选择，也因此减少了超过 95% 的结算成本。在其他情况下，DePIN 管理者在研发资源有限的情况下，可能需要外部帮助来评估运营节点的成本。 如果节点持续亏损，运营商将停止运行节点，导致整体节点供应减少。了解 DePIN 网络的运营成本及其主要驱动因素，可以使网络运营者启动治理讨论；同时，成本估算可以在网络服务供应开始下降之前为研发工作提供信息，以减少节点运营商的成本。 对于协议管理者来说，估算网络运营成本可能很困难，因为贡献者的匿名性（这些网络通常是无需许可的，意味着任何人都可以随时贡献和离开）以及与成本相关的公共数据的缺乏。 为指导管理者的决策，我们提出了一个三步框架来估算成本： 定义网络贡献者，可将其定位到特定的角色