Pi 节点去中心化计算案例研究

Pi Network 正在探索 Pi 的全球节点网络支持去中心化人工智能训练和计算任务的能力。

长期以来，Pi 节点的设计目的不仅仅是保护账本。尽管 Pi 区块链受益于世界各地许多分布式节点的去中心化性质，但 Pi 的账本本身是节能的，并且不需要如此大型分布式节点网络的全部计算资源。这创建了一个未使用的计算能力池，可以启用去中心化云计算等新的实用程序。需要计算能力进行 AI 模型训练的第三方可以利用 Pi Node 运营商的这些未使用资源，他们选择加入，并以加密货币向运营商付款。 Pi 节点上的实用程序与 Pi 应用程序、平台级实用程序和本地商业一起构成了 Pi 实用程序的重要组成部分。

该节点实用程序旨在解决人工智能时代的两个新问题。

Pi 具有独特的优势来解决这两个挑战，因为 Pi 本身已经是一个分布式网络，并且拥有超过 421,000 个节点（代表超过 100 万个 CPU），可以进行分布式计算。此外，Pi 还吸引了数以百万计经过 KYC 身份验证的参与者，他们可以选择为相关人工智能学习流程提供人机交互支持，以换取加密货币的补偿。这与Pi节点的计算能力相结合，可以为AI系统中可扩展的、真实的人工输入提供独特的资源，并进一步完成对AI客户的一站式服务。

这些元素共同为人工智能基础设施提供了新的方法，允许分布式系统将生产捕获到其网络中，并使人们能够直接为人工智能的生产流程做出贡献，并通过基于区块链的支付获得补偿。

去年 10 月，Pi 与 OpenMindin 成功完成了一个概念验证项目，其中一小群 Pi 节点操作员为该公司运行图像识别任务。

OpenMind 案例研究

OpenMind 正在开发一种操作系统和开源协议，供机器人思考、学习和协作，就像机器人的 Android 操作系统一样。与其他物理人工智能项目一样，OpenMind 需要强大的计算能力来训练、评估和运行其模型。

为了测试 Pi 分布式计算的可行性，OpenMind 开发了一个可以向单个计算机请求计算任务的容器。该团队与 Pi Node 志愿者操作员共享此容器，他们下载了该容器并在自己的计算机上运行。

然后，OpenMind 通过容器发送任务，请求计算机使用 OpenMind 的 AI 图像识别模型处理不同的图像——这是一个示例用例，其中图像识别训练对于 OpenMind 的机器人与现实世界交互至关重要。目标是利用志愿者 Pi 节点操作员的计算能力，在这些图像中发现尽可能多的离散对象。

结果

概念验证项目已成功运行。任务被正确推送给外部测试人员（志愿者 Pi 节点操作员），有效结果被发送回 OpenMind，并且用例得到验证，Pi 节点可以选择运行由与其区块链义务无关的第三方定义和请求的计算，并向第三方客户端返回有意义的结果。

试点的主要统计数据：

总体而言，该实验验证了分布式 Pi 节点可以执行与 AI 相关的工作负载并快速返回有用的结果。

后续步骤

分布式人工智能训练在国际上仍处于研究阶段。世界各地的研究人员和感兴趣的企业应该继续探索是否以及如何从完全集中的人工智能训练转向更加分布式的方法。此类研究直接涉及前面概述的挑战：解决集中式计算的结构性限制，利用分散且未使用的人工智能计算能力，并为个人有意义地参与人工智能驱动的生产创造机会。

通过评估未使用的节点计算能力如何支持外部人工智能工作负载以及如何将计算能力与真实的人类输入打包在一起，该计划可能会提供另一种基础设施选项，供人工智能公司和初创公司在寻求满足其人工智能培训需求的解决方案时探索。

总体而言，Pi 对节点实用程序的研究补充了 Pi 对区块链和人工智能未来的愿景，其中去中心化基础设施有助于未来经济的不可或缺的组成部分，并支持公平参与和分配。

• 集中式计算的局限性：包括数据中心限制、能源集中以及灾难性遗忘或全局状态瓶颈等问题。

• 人工智能驱动的计算需求日益增长：随着人工智能模型和代理的进步以及人工智能经济的扩展，对计算资源的需求不断增加。社会需要通过创造新的计算能力和尽可能利用未使用的现有计算能力来提供前所未有的计算能力来支持人工智能经济。分散且未使用的计算能力依赖于分布式网络和技术来整合、协调和扩展以提高生产力。

• 7 名 Pi Node 志愿者参与测试

• 端到端分布式管道成功运行

• 广播的作业在一秒内收到 7 个工人的确认

• 4秒内多个worker返回推理结果

• 结果包含正确的对象检测，包括预期的标签（例如巴士和人）以及边界框

• 作业成功推送到外部测试机并返回有效检测，确认分布式广播和结果返回路径的可靠性