重新质押可以使资源的力量成倍增加。它最初源自区块链网络中的质押概念，用户锁定数字货币以保护网络。Restaking 将这些承诺资源的效用扩展到其主要功能之外。它使参与者能够利用已经锁定在一个平台上的资产，同时支持和保护其他不同的网络或服务。
在 Bagel，我们将这一概念从加密货币扩展到图形处理单元 （GPU） 等物理计算资源。通过我们的研究，我们开发了一种将回收原理应用于计算资源的新颖应用，即 GPU Restaking 。传统上，点对点网络上的计算资源专用于一项任务，例如挖掘和验证区块链网络或执行 AI 工作负载。GPU Restaking 允许在多个平台上同时使用这些相同的物理计算资源。特别是对于机器学习用例。
Filecoin基金会和Bagel合作，在Filecoin矿工网络上启动了GPU重新质押。在 Bagel 的 AI 开发平台上独家提供。
作为人工智能中立协作层的构建者，我们将我们新颖的 GPU Restaking 工作作为公共产品开源。让我们“深入研究”一下这如何影响计算资源市场动态。
如果您赶时间，我们最后有一个 TLDR。
计算资源市场
传统云
传统上，组织转向云提供商，而不是维护自己的计算基础设施。Microsoft、谷歌、亚马逊和 CoreWeave 等科技巨头在这个市场上占据主导地位。这种情况会带来明显的缺点。
例如，公司优先考虑利润，而不是最佳的买卖双方匹配。市场支配地位导致价格垄断和垄断。多云设置通常在提供商之间使用不一致的安全工具，这可能会损害整体安全性和隐私性。
这一事实凸显了对点对点替代方案的需求，这些替代方案在效率、公平的定价和强大的安全性之间取得平衡。
非货币化点对点
长期以来，计算机科学家一直在研究计算资源的点对点市场。这些系统允许使用空闲的计算能力。
BOINC（伯克利网络计算开放基础设施）就是一个例子。这种开源中间件为志愿者计算网络提供支持，并允许个人为科学项目贡献其多余的处理能力。
截至 2024 年，BOINC 的综合算力平均每天为 16.489 PetaFLOPS。这使它跻身世界前 100 名计算机系统之列。
尽管计算的协调以集中的方式进行，但BOINC的创新在于它能够利用原本浪费的计算资源。
货币化点对点
虽然BOINC以志愿者为基础运作，但计算能力货币化的数字市场正在出现。这些平台使用户能够出售闲置的处理能力。与BOINC不同，参与者会因其贡献而获得报酬。这些数字系统促进了 GPU 等计算资源的交易。
近年来，数字资产市场越来越受欢迎。例如，数字资产市场 OpenSea 的总销售额超过 390 亿美元。这些平台允许用户创建和交易从艺术品到虚拟房地产的各种类型的数字资产。
但是，计算资源市场面临着独特的障碍。这些与交易纯数字资产的平台不同（Carter 2023），（Buyya et al. 2001）。
资源标准化和质量控制是重大障碍。与固有的数字化和易于验证的资产不同，计算能力在性能、可靠性和安全性方面可能会有很大差异。
跨不同设备的任务分配增加了技术复杂性（Jain 等人，2017 年）。这需要高级调度算法。强大的安全措施必须保护资源提供者和用户。
准确定价计算资源带来了经济挑战。可用性和特定功能等因素使估值工作复杂化;请参阅（Wu et al. 2019）第 4 页，了解其他类型的挑战。
然而，计算市场具有变革的潜力。他们承诺使高性能计算访问民主化。
计算聚合
对于去中心化的计算资源市场，一种越来越流行的设计依赖于将去中心化的云提供商聚合到一个统一的市场中。这种方法为买家提供了跨各种技术堆栈的多种选择。
虽然聚合云提供商很常见，但即使在传统的云设置中也是如此（Paulsson 等人，2020 年，第 4 章），但它带来了显着的挑战。
* 聚合市场的开发者，而不是用户，决定要包括哪些提供商。
* 这与点对点市场的基本原则相矛盾：买卖双方之间的自由交易。原则上，卖方和买方应该是决定在市场上提供和购买哪种计算资源的人。
我们提出了改进建议。
GPU 重新绑定
GPU Restaking 使提供商能够同时在多个平台上提供计算资源。这种方法使卖家能够从现有承诺中获利，同时产生额外的收入来源。与加密经济重新获取类似，提供商将他们的计算资源锁定在一个平台上，然后在另一个平台上“重新获取”它们。
该过程将控制权转移给市场参与者，从而实现直接谈判。计算资源同时服务于多个平台，最大限度地提高利用率和效率。此模型符合点对点系统的核心原则。
GPU Restaking 促进了不受限制的计算能力交易，为数字资源创造了一个透明的市场。它代表了对资源分配方法的根本性重新构想。
通过利用现有的权益，提供商可以优化资产使用。这种技术增强了市场流动性和资源可用性。这种转变可能会对未来的计算生态系统产生重大影响。
运作方式
在 GPU Restaking 中，卖家可以自由地提供他们拥有的任何计算资源，无论是来自云提供商、去中心化平台还是个人计算机。这些资源在Bagel等“回收”平台上转售。
首先，卖家在Filecoin网络等服务上注册为提供商 。他们在那里列出了他们的资源。然后，他们在我们的平台上注册为资源提供商，通过原始提供商转售相同的资源。
上图说明了 GPU 重新接管的一般过程。
考虑一下 Alice（资源提供商）和 Bob（Bagel AI 开发平台上的开发人员（买家）。以下是 GPU Restaking 的流程：
1. Alice 在外部平台上注册计算资源。
2. 爱丽丝在百吉饼的平台上注册了她的地址和外部供应商。
3. Bob 在 Bagel 的平台上支付计算费用。
4. 百吉饼的平台为计算付费。
5. 如果 Alice 提供计算，外部平台会向她付款。
此外，Bagel 的平台还为 Alice 提供额外奖励。
如果 Alice 从外部提供商处提供资源，她将从该提供商那里获得收入，并从 Bagel 的平台上获得收入。这展示了 GPU Restaking 的强大功能，使卖家能够决定出售哪些资源并获得奖励。
GPU 重新取样的顺序模型
在这种市场交易模型中，当爱丽丝想要购买一些计算资源时，她会下订单。在这种情况下，订单是 Alice 想要购买的计算资源的声明。因此，她需要指定类型、金额、愿意支付的价格范围、使用时间以及她需要的任何其他信息，以便执行她想要的工作。
如果 Bob 想在 Bagel 的平台上重新获取一些计算资源，他还需要告诉平台他从他在市场上提供的服务提供商那里获得他的唯一标识符。这样，当爱丽丝决定购买资源时，她可以选择鲍勃提供的资源，平台以后可以相应地奖励鲍勃。下图显示了 Alice 如何下订单的步骤，以及 Bob 如何通过重新获取他的资源而获得奖励。
Alice 对计算资源的一般请求如下。
1. Alice 通过在市场中发布声明来创建请求，该声明指定所需的计算资源。
2. 鲍勃看到了爱丽丝的请求。
3. Bob 根据 Alice 的请求，通过 Bagel 的平台在外部提供商处创建订单。
4. 外部提供商返回其收到的订单的出价，并将其发布到市场中。
5. 市场将可用资源列表发送给 Alice。
6. 从收到的列表中，Alice 选择提供的资源并向市场付款。
7. 市场从 Alice 那里接收选择，并相应地向提供商发出信号，从而在 Alice 和提供商之间打开一个沟通渠道。
8. 在爱丽丝使用完购买的计算资源后，她向市场发出信号，表明她的工作已经完成。
9. 然后，市场关闭通信并向提供商付款。
10. 最后，Bob 从提供商那里收到付款，从市场收到奖励。
在市场和服务提供商中需要一个托管账户，以保持 Alice 的租约开放。
这种模式的一个问题是，当Alice选择供应商时，Bagel平台的另一个用户或原始供应商的另一个用户可以在Alice之前购买该资源。这个问题可以通过 Alice和市场之间的公平交换协议来解决;参见Nardini等人（2020）的第251页的类似建议。
GPU Retaking 的报价模型
对于这个市场交易模型，我们让 Bob 首先提供他可用的计算资源。在这种情况下，Bob 向市场宣布他的产品。任何买家都可以查看 Bob 的报价列表以及市场上的任何其他报价。
为了使此模型可行，Bob 需要在原始提供商和市场上的重新托管提供商上开设托管账户。在这个模型中，Bagel 的平台将 Bob 提供给市场的计算资源租给 Alice。下图显示了 Bob 如何提出报价以及 Alice 如何购买报价的步骤。
Bob 提供的计算资源的一般报价如下。
1. Bob 通过将资金锁定在市场的托管账户中来创建报价。
2. 市场与 Bob 指示的服务提供商创建通信渠道。
3. Alice 可以查询市场并接收可用计算资源的列表。
4. 从爱丽丝收到的列表中，她选择一个资源，然后可以开始使用它。
5. 在爱丽丝使用完她购买的计算资源后，她向市场发出信号，表明她的工作已经完成。
6. 然后，市场关闭通信并向提供商付款。
7. 最后，Bob 从提供商那里收到付款，并从市场收到奖励。
该模型将为通过Bagel平台请求计算资源的用户提供更快的服务，因为用户可以在查询后立即查看可用资源列表并选择自己喜欢的资源。
验证计算资源的所有权
当卖家通过 Bagel 的平台重新获取 GPU 时，他需要提供保证，证明他是所提供资源的实际所有者。如果卖家无法证明他拥有将通过市场提供的资源，那么这为其他用户打开了大门，因为他们只是为他们不拥有的资产索取奖励。
所有权的确切机制取决于卖方在 Bagel 平台上用于 GPU Restaking 的服务提供商类型。在这里，我们展示一个使用Filecoin的简单示例。
在Filecoin中，有两个地址可以用来唯一地标识一个资源，即存储提供者ID和actor ID地址; 有关详细信息和Filecoin地址，请参阅Boost文档。保证卖家拥有这些地址的一种简单方法是对它们的串联进行哈希处理，并用他的Filecoin私钥签署哈希。然后，卖家将其存储提供商 ID 和参与者 ID 以及签名提交给 Bagel 市场。然后，市场可以使可以使用Filecoin的卖家钱包公钥来验证签名。
此过程保证了提供存储的卖方确实是原始提供商中这些资源的所有者。必要时，可以将其他信息添加到签名中以增加安全性，例如时间戳、交易 ID 等。
类似的机制可用于其他计算提供程序。
博弈论基础
我们已经看到了 GPU Restaking 的工作原理以及 Bagel 平台在用户体验方面的优势。
在这里，我们想从经济博弈论的角度给出一个更严格的论据来支持 GPU Restaking。为此，我们展示了如何将 GPU 回收理解为一种合作游戏，以及重新获取计算资源如何最大化所有相关方的收益。
最优联盟的证明
正如Nisan等人（2007）所描述的那样，合作博弈论研究了被称为联盟的参与者群体如何为互惠互利而合作。合作博弈由一组有限的参与者 N 和一个特征函数 v 组成，该函数将参与者的子集映射到实数收益。函数 v 为空集赋值零。
在这个框架中，N 的任何子集 都是一个联盟，而 N 本身就是大联盟。大联盟的值 v（N） 在参与者之间的分布由收益向量 x = （x1， ...， xn） 表示。 Shapley（1951）引入了一种公平收益分配的方法，称为Shapley值。
论文：大联盟最大化价值和个人收益
我们的目标是证明两个关键点：
1. 大联盟使总价值最大化。
2. 它以最佳方式最大化个人收益（帕累托最优）。
第 1 部分：GPU Restaking 大联盟实现总价值最大化
为了证明大联盟最大化了总价值，我们必须证明博弈是超级加法的。超加性意味着对于任何不相交的联盟 S 和 T，v（S ∪ T） ≥ v（S） + v（T）。
对于 GPU Restaking，S = 像 Filecoin 这样的点对点网络，T = Bagel 平台上的 AI 开发人员。
我们可以通过归纳来证明超加性。我们从考虑一个矿工、一个开发人员和百吉饼市场的基本情况开始。然后，假设它对 n 个玩家成立，我们证明它对 n+1 个玩家。这种归纳方法使我们能够得出结论，超加性适用于所有联盟规模。
超加性的含义是，它极大地支持了作为价值最大化策略的 GPU Restaking 大联盟的形成。
第 2 部分：GPU Restaking 大联盟最大化个人收益
为了证明大联盟最大化个人收益，我们需要证明两件事：
2.1. Shapley值使个人收益最大化。
2.2. 大联盟产生的价值比分区更大。
我们首先要证明凝聚力，正如Peleg&Sudhölter（2007）所定义的那样。如果大联盟的值至少与玩家集的任何分区的值之和一样大，则游戏是有凝聚力的。
我们可以建立内聚性：v（N） ≥ Σ v（Pi） 对于 N 的任何分区 {Pi}
示例：当所有 GPU 都恢复时，总值超过了来自单独计算资源市场的值之和。
接下来，我们考虑游戏的核心，这是Peleg&Sudhölter（2007）中详细介绍的另一个概念。核心包含大联盟价值的分配，任何子联盟都无法改进。
应用于 GPU Restaking 的核心概念：如果满足以下条件，则收益向量 x 位于核心中：
1. Σxi = v（N） （效率）
2. Σxi≥S ≥ v（S） 对于所有联盟 S（联盟理性）
我们计算基本情况的 Shapley 值 - 一个资源提供者，一个开发人员，Bagel，证明核心成员资格。然后，我们证明了由此产生的收益向量既满足效率又满足联合合理性。
这个数学框架为理解 GPU Restaking 的经济效益奠定了坚实的基础。它表明，全员参与不仅可以最大限度地提高整体价值，还可以确保每个参与者都能获得最好的个人结果。
顶级域名
GPU Restaking 优化了去中心化网络中的资源利用率。Bagel 开发的这项新技术可以跨多个平台同时使用资产。Bagel与Filecoin基金会合作，在Filecoin网络上推出了这项技术。在 Bagel 平台上构建 AI 应用程序的开发人员可以独家访问这项创新。
传统的云提供商在计算资源市场中占据主导地位。这种集中导致了潜在的垄断和安全漏洞。点对点替代方案旨在平衡效率、定价和安全性。GPU Restaking 允许提供商同时在多个平台上提供资源。
该过程涉及卖家和买家的一系列步骤。卖家在外部平台和百吉饼上注册资源。买家在百吉饼上付费进行计算。卖家从外部提供商和百吉饼处获得奖励。
出现了两种市场模型：订单模型和报价模型。两者都利用托管账户和沟通渠道。通过验证资源所有权，可以防止欺诈，并确保系统完整性。
GPU Restaking 代表了资源分配的重大转变。它增强了市场流动性和资源可用性。这与点对点系统的核心原则相一致。它促进了不受限制的计算能力交易，使对高性能计算的访问民主化。
