派想网Pi 节点的设计初衷远不止于保护账本安全。尽管 Pi 区块链受益于遍布全球众多分布式节点的去中心化特性，但 Pi 账本本身却非常节能，并不需要如此庞大的分布式节点网络的全部计算资源。这便创造了一个闲置的计算能力池，可用于开发诸如去中心化云计算等新型应用。需要计算能力进行 AI 模型训练的第三方可以利用这些 Pi 节点运营商的闲置资源，运营商可以选择加入，并以加密货币支付费用。Pi 节点上的应用与 Pi 应用、平台级应用和本地商业活动一起，构成了 Pi 应用的重要组成部分。
该 Node 工具旨在解决人工智能时代涌现的两个新问题。
- 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智能体的进步以及人工智能经济的扩张，对计算资源的需求也随之增长。社会需要提供前所未有的计算能力来支持人工智能经济的发展，这需要尽可能地创造新的计算能力并充分利用现有未使用的计算能力。分散且未使用的计算能力需要依靠分布式网络和技术进行整合、协调和扩展，才能发挥其应有的效用。
Pi 拥有独特的优势来解决这两项挑战，因为Pi 本身就是一个分布式网络，拥有超过 42.1 万个节点（代表超过 100 万个 CPU），支持分布式计算。此外，Pi 还拥有数千万经过 KYC 身份验证的参与者，他们可以选择为相关的 AI 学习过程提供人工支持，并获得加密货币作为报酬。这与 Pi 节点的计算能力相结合，可以为 AI 系统提供可扩展、真实的人工输入，从而进一步完善面向 AI 客户的一站式服务。
这些要素共同为人工智能基础设施提供了新的方法，使分布式系统能够将生产活动纳入其网络，使人们能够直接为人工智能的生产过程做出贡献，并通过基于区块链的支付获得回报。
去年十月，Pi 与OpenMind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，用于让机器人思考、学习和协同工作——类似于机器人的安卓操作系统。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 开发了一个容器，该容器可以从各个计算机请求计算任务。团队将此容器分享给了志愿的 Pi 节点操作员，他们下载后在自己的机器上运行。
随后，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——这是一个典型的应用案例， 说明图像识别训练对于OpenMind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物体。
结果
概念验证项目已成功运行。任务已正确推送给外部测试人员（志愿者 Pi 节点运营商），有效结果已发送回 OpenMind——用例已得到验证，即 Pi 节点可以选择运行与自身区块链义务无关的第三方定义和请求的计算，并将有意义的结果返回给第三方客户端。
试点项目的关键统计数据：
- 7名志愿者Pi节点操作员参与了测试
- 端到端分布式管道成功运行
- 发布的工作机会在一秒内收到了 7 位工作人员的确认。
- 4 秒内，多个工作进程返回了推理结果。
- 结果包含正确的目标检测结果，包括预期的标签（例如“公交车”和“人”），以及边界框。
- 作业已成功推送至外部测试机，并返回了有效的检测结果，这验证了分布式广播和结果返回路径的可靠性。
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目前仍处于全球研究阶段。世界各地的研究人员和相关企业应继续深入探索从完全集中式人工智能训练转向更分布式方法的可行性。此类研究与前文所述的挑战直接相关：解决集中式计算的结构性限制、利用分散且未使用的计算能力进行人工智能开发，以及创造个人有意义地参与人工智能驱动生产的机会。
通过评估未使用的节点计算能力如何支持外部 AI 工作负载，并将计算能力与真实的人类输入打包在一起，这项计划可能会为 AI 公司和初创企业在寻求满足其 AI 训练需求的解决方案时提供一种替代的基础设施选择。
总的来说，Pi 对节点实用性的研究与 Pi 对区块链和人工智能未来的愿景相辅相成，在这种愿景中，去中心化的基础设施为未来经济的各个组成部分做出了贡献，并支持公平的参与和分配。
