算力作为 AI component
注意：本文档是英文原版的自动翻译。
算力作为 AI component
作为 AI component 的**算力（Compute）**意味着该项目为 AI 工作负载提供或编排计算资源——GPU、TPU、CPU。当 DecAIHub 项目卡片在 AI component 字段中列出与算力相关的值时，它描述的是基础设施层：使模型得以被训练或运行的硬件和调度系统。算力是让 AI 成为可能的东西，但它本身不是 AI。
**简而言之：**作为组成部分的算力意味着该项目为 AI 任务供应或管理处理能力——是机房，而不是智能。
它在 DecAIHub 卡片中的样子
AI component 字段使用归一化的值。与算力相关的条目包括：
GPU orchestration—— 在各 GPU 提供方之间调度和分配 AI 工作负载compute marketplace—— 一个把算力供给（GPU 拥有者）与需求（模型运营方）撮合起来的平台distributed compute—— 分布在一个独立节点网络上的处理GPU-as-a-service—— 面向 AI 工作负载的按需 GPU 租用compute orchestration—— 跨各提供方对计算作业进行路由、排队和管理proof of compute—— 一种验证算力工作确实被执行过的机制
每个值描述的都是该项目算力层在实践中所做的事，而不是它所期望成为的样子。
在阅读这些值时，要把列出容量与交付已完成的作业区分开来：编排和市场可以在低利用率的情况下存在；当主张需要时，核验应当寻找作业轨迹、结算和提供方多样性。
为什么算力对可验证性很重要
算力是每个 AI 系统的物理基础。没有 GPU 或等效硬件，就没有训练，也没有推理。在加密 AI 领域，算力项目提出一个具体的主张：去中心化网络能够提供与中心化云提供商相同的处理能力，由一个区块链协议来协调。
要让这一主张成立，必须存在证据：真实的 GPU 提供方服务于真实的作业、可测量的利用率、对已完成工作的链上结算，以及对已交付算力的可验证记录。算力的 Tier-1 证据通常包括显示活跃提供方的仪表板、作业完成日志，或可公开查询的链上交易。
是什么让算力变得可验证
若干机制让加密算力项目能够证明工作确实在被完成：
- 已完成工作的证明 —— 基于密码学或共识的证据，表明一个计算作业运行至完成并产生了一个有效结果。
- GPU 利用率指标 —— 关于网络 GPU 容量中有多少被实际使用的实时或历史数据。
- 链上支付结算 —— 对算力作业付款的可验证链上记录，把需求与供给联系起来。
- 提供方声誉系统 —— 针对单个提供方的正常运行时间、作业成功率和性能基准的链上历史。
把这些机制结合起来的项目在 DecAI Fit 的 on-chain 轴上得分更高，因为区块链发挥了超越代币发行的功能性作用。
DecAIHub 中的常见模式
作为组成部分的算力出现在若干原型中：
- GPU 市场 —— 任何人都可以列出 GPU 容量、买家可以为 AI 工作负载租用它的平台。链上定价和结算协调供给与需求。
- 算力聚合器 —— 把来自多个来源（数据中心、个人 GPU 拥有者）的容量汇集到一个单一访问层的项目。
- DePIN 算力网络 —— 去中心化物理基础设施网络，代币激励奖励贡献 GPU 的硬件提供方。
- 专门化算力层 —— 为特定工作负载优化的基础设施，例如训练集群或低延迟推理服务。
这些模式可能相互组合：一个市场可以聚合异构的提供方，同时暴露一个单一的作业 API；专门化的层可能聚焦于批量训练而非交互式推理。
需要核验什么
在审查一张带有算力相关 AI component 的项目卡片时，请检查：
- 活跃提供方 —— 项目是否拥有一个公开仪表板或链上证据，显示真实的 GPU 提供方服务于真实的作业？
- 利用率数据 —— 是否有指标显示所列算力容量中有多少百分比被实际使用？
- 作业完成证据 —— 你能否找到带有结算的、已完成计算作业的链上记录？
- 硬件规格 —— 项目是否指明了 GPU 类型、显存和能力，还是只有笼统的“算力”主张？
- 价格与性能比较 —— 项目是否发布了将成本和性能与中心化替代方案进行比较的基准？
算力作为组成部分无法证明什么
- 提供 GPU 并不意味着 AI 模型正在它们上面运行。算力容量可能闲置、服务于非 AI 工作负载，或只存在于纸面上。
- 所声称的容量可能与实际容量不同。一个项目可能报告庞大的 GPU 集群，而真实利用率仍然很低。
- 算力是基础设施，而不是智能。一个把
GPU orchestration作为其唯一 AI component 的项目是一个算力提供方，而不是一个 AI 产品——除非它还运行或提供 AI 模型。 - 去中心化算力并不自动优于中心化替代方案。成本、延迟和可靠性必须被证明，而不能被假定。
务必查看项目卡片中的证据表和 ai_score。如果运行在其基础设施上的 AI 属于第三方，一个纯算力提供方可能拥有较低的 ai_score。
与 AI/计算类别的区别
**AI/计算**类别在顶层对一个项目进行分类：“这个项目主要是关于为 AI 提供算力的。”AI component 字段则更为具体：它描述项目内部实际的技术机制——GPU 编排、proof of compute、作业调度。一个处于 AI/Agents 类别的项目，如果在内部管理自己的算力层，仍然可以把 compute orchestration 作为它的 AI component 之一。
请勿混淆
- **AI/计算**是一个项目类别。作为组成部分的算力则是项目内部的具体机制。
- **推理**是运行在算力之上的工作负载。算力提供资源；推理使用它们来产生 AI 输出。
- **训练**是另一种消费算力的工作负载。训练构建模型；算力提供硬件。
- 没有 AI 的 DePIN —— 一些 DePIN 项目提供存储、带宽或传感器，而不是面向 AI 的 GPU 算力。只有当硬件面向 AI 工作负载时，算力组成部分这一标签才适用。
常见问题
为什么一个强大的算力层仍可能产生一个不高的 ai_score？
因为 DecAIHub 把基础设施与智能区分开来。租用 GPU 是可验证且有价值的，但它本身并不显示项目所拥有、训练或评估的模型。参见如何判断一个项目是否真的拥有 AI。
proof of compute 与笼统的“我们有 GPU”之间有什么区别？
proof of compute 意味着存在一个机制，把所声称的工作与验证联系起来（密码学证明、共识、回执）。一份没有作业证明的、光秃秃的硬件清单则是较弱的证据。
我应该期望算力和推理出现在同一张卡片上吗？
通常是的，在集成式的技术栈中——但并非总是如此。一些项目只聚合硬件；另一些只使用外部算力来提供模型。AI component 列表应当反映实际有证据支撑的内容。
外部参考
- GPU computing —— 关于通用 GPU 工作负载的概述，这是大多数现代 AI 训练和服务的基础。
- Cloud computing —— 关于算力如何被供给和计量的背景资料，在把去中心化产品与传统提供商进行比较时很有用。
No comments to display
No comments to display