Akash验证者维护网络的完整性。验证者集目前限制为100个，计划随着时间逐步增加。任何人都可以通过质押比当前质押金额最少的验证者更多的AKT来成为验证者。AKT持有者也可以将他们的AKT委托给验证者。网络的交易费用和区块奖励以AKT形式分配。此外，对于每笔租赁，Akash网络都会以由社区确定的比率收取「手续费」，并分配给AKT持有者。
去中心化计算市场旨在填补现有计算市场的低效。供应限制导致公司储备了超出他们可能需要的计算资源，而且由于与云服务提供商的合同形式，供应进一步受到限制。即使可能不需要持续使用，这些客户也被锁定在长期合同中。去中心化计算平台释放了新的供应，使全球任何需要的计算资源的人都可以成为提供方。
目前尚不清楚，对用于AI训练的GPU的需求激增是否会转化为Akash网络的长期使用量。长期以来，Akash一直为CPU提供了一个市场，例如，以70-80%的折扣提供类似于中心化替代方案的服务。然而，更低的价格并没有导致显著的采用。网络上的租赁活动已经趋于平缓， 2023年第二季度的平均计算资源利用率仅为33% ，内存利用率为16% ，存储利用率为13% 。尽管这些对于链上采用来说是令人印象深刻的指标（作为参考，领先的存储提供商Filecoin在2023年第三季度的存储利用率为12.6% ），但这表明供应继续超过对这些产品的需求。
距离Akash推出GPU网络仅推出半年多的时间，现在准确衡量其长期采用率还为时过早。作为需求的标志，迄今为止GPU的平均利用率为44% ，高于CPU、内存和存储。这主要是由对最高质量GPU（如A 100 s）的需求推动的，超过90%的高质量GPU已出租。
Akash的每日支出也有所增加，相对于GPU出现之前几乎翻了一番。这部分归因于其他服务使用量的增加，尤其是CPU，但主要还是新GPU导致的。
定价与LambdaCloud和Vast.ai等中心化竞争对手相当（或者在某些情况下甚至更贵）。对最高端GPU（例如H 100和A 100）的巨大需求意味着该设备的大多数所有者对在面临竞争性定价的市场上市兴趣不大。
尽管初期令人欣喜，但采用仍然存在障碍（下文将进一步讨论）。去中心化计算网络需要采取更多措施来创造需求和供应，团队正在尝试如何更好地吸引新用户。例如，在2024年初，Akash通过了提案240 ，以增加GPU提供方的AKT释放，并激励更多的供应，具体针对高端GPU。团队还致力于推出概念验证模型，向潜在用户展示其网络的实时能力。Akash正在训练他们自己的基础模型，并已经推出了使用AkashGPU生成输出的聊天机器人和图像生成产品。类似地，io.net已经开发了稳定的扩散模型，并正在推出新的网络功能，以更好地模拟传统GPU数据中心的性能和规模。
除了可以满足人工智能需求的通用计算平台外，还出现了一系列专注于机器学习模型训练的专用AIGPU提供方。例如，Gensyn正在「协调电力和硬件来构建集体智慧」，认为「如果有人想训练某些东西，而有人愿意训练它，那么应该允许进行训练。」
该协议有四个主要角色：提交者、求解者、验证者和举报者。提交者向网络提交带有训练请求的任务。这些任务包括训练目标、要训练的模型和训练数据。作为提交过程的一部分，提交者预先支付一笔费用，以支付求解者估计的计算成本。
一旦提交，任务将分配给求解者，他们将进行模型的实际训练。然后，求解者将完成的任务提交给验证者，验证者负责检查训练是否正确完成。举报者负责确保验证者诚实行事。为了激励举报者参与网络，Gensyn计划定期提供有意错误的证明，以奖励举报者抓住它们。
除了为人工智能相关工作提供计算之外，Gensyn的关键价值是其验证系统，该系统仍在开发中。验证是必要的，以确保GPU提供方进行的外部计算是正确的（即确保用户的模型被训练成他们想要的方式）。Gensyn采用一种独特的方法解决了这个问题，利用称为「概率学习证明、基于图的定位协议和Truebit风格的激励游戏」的新型验证方法。这是一种乐观求解模式，使验证者能够确认求解者已正确运行模型，而无需完全重新运行它们，这是一种昂贵且低效的过程。
除了其创新的验证方法外，Gensyn还声称相对于中心化替代方案和加密竞争对手来说具有成本效益-提供的ML训练比AWS便宜高达80% ，同时在测试中胜过类似项目Truebit。
这些初步结果能否在去中心化网络中规模化复制，还有待观察。Gensyn希望利用来自提供方（如小型数据中心、普通用户，甚至将来的小型移动设备，如手机）的多余计算资源。然而，正如Gensyn团队自己承认的，依赖异构计算提供方会引入几个新挑战。
对于像谷歌云和Coreweave这样的中心化提供方来说，计算是昂贵的，而计算之间的通信（带宽和延迟）是便宜的。这些系统旨在尽快实现硬件之间的通信。Gensyn颠覆了这种框架，通过使世界上任何人都能够提供GPU来降低计算成本，但由于网络现在必须在去中心化的、位于遥远地方的异构硬件之间协调计算作业，从而增加了通信成本。Gensyn尚未推出，但它证明了在构建去中心化机器学习训练协议时可能发生的事情。
去中心化计算平台还为人工智能创建方法的设计可能性打开了大门。Bittensor是一个建立在Substrate上的去中心化计算协议，试图回答「我们如何将人工智能转变为协作方式」的问题。Bittensor旨在将人工智能生成去中心化和商品化。该协议于2021年推出，旨在利用协作式机器学习模型的力量，不断迭代和产生更好的人工智能。
Bittensor从比特币中汲取灵感，其原生货币TAO的供应量为二千一百万，有一个四年的减半周期（首次减半将在2025年）。与使用工作量证明来生成正确的随机数并获得区块奖励不同，Bittensor依赖于「智能证明（ProofofIntelligence）」，要求矿工运行能够对推理请求产生输出的模型。
智能激励网络
Bittensor最初依赖混合专家（MoE）模型来生成输出。当推理请求被提交时，MoE模型不是依赖于一个通用模型，而是将推理请求传递给针对特定输入类型最准确的模型。可以将其类比为建造房屋时，雇用各种专家来处理建造过程的不同方面（例如：建筑师、工程师、画家、建筑工人等...）。MoE将其应用于机器学习模型，尝试根据输入利用不同模型的输出。正如Bittensor创始人AlaShaabana所解释的那样，这就像「与一群聪明人，而不是与一个人交谈，以得到最好的答案」。由于确保正确路由、将消息同步到正确模型以及激励的挑战，这种方法已经被搁置，直到项目更为发展成熟。
Bittensor网络中有两个主要角色：验证者和矿工。验证者负责向矿工发送推理请求，审查他们的输出，并根据其响应的质量对其进行排名。为了确保其排名可靠，验证者根据其排名与其他验证者排名的一致程度被赋予「vtrust」分数。验证者的vtrust分数越高，他们就能够获得更多的TAO。这旨在鼓励验证者随着时间的推移就模型排名达成共识，因为达成对模型排名的共识的验证者越多，他们个人的vtrust分数就越高。
矿工，也称为服务器，是运行实际机器学习模型的网络参与者。矿工之间竞争，为给定查询提供最准确的输出，输出越准确，他们获得的TAO发行就越多。矿工可以以任何他们想要的方式生成这些输出。例如，在未来的场景中，一个Bittensor矿工完全可能事先在Gensyn上对模型进行训练，然后将其用于赚取TAO。
如今大多数交互直接发生在验证者和矿工之间。验证者向矿工提交输入并请求输出（即对模型进行训练）。一旦验证者向网络中的矿工查询并收到他们的响应，然后他们对验证者进行排名并将其排名提交给网络。
验证者（依赖PoS）和矿工（依赖ProofofModel，一种PoW形式）之间的这种交互被称为Yuma共识。它旨在鼓励矿工产生最佳输出以赚取TAO，以及鼓励验证者准确对矿工输出进行排名，以赚取更高的vtrust分数并增加他们的TAO奖励，形成网络的共识机制。
子网及应用
以上就是Galaxy：全景解读Crypto+AI赛道的全部内容，望能这篇Galaxy：全景解读Crypto+AI赛道可以帮助您解决问题，能够解决大家的实际问题是非常好学习网一直努力的方向和目标。