تقاطع الذكاء الاصطناعي و DePIN: ظهور شبكة GPU اللامركزية
في الآونة الأخيرة، أصبحت الذكاء الاصطناعي والشبكات اللامركزية للبنية التحتية المادية (DePIN ) مواضيع ساخنة في مجال Web3، حيث وصلت قيمتها السوقية إلى 30 مليار دولار و23 مليار دولار على التوالي. ستستكشف هذه المقالة تقاطع الاثنين، وتدرس تطور البروتوكولات ذات الصلة.
في تقنية AI، تمكّن شبكة DePIN الذكاء الاصطناعي من خلال توفير موارد الحوسبة. نظرًا لنقص وحدات معالجة الرسوميات (GPU) بسبب الشركات التكنولوجية الكبرى، يجد الفرق الأخرى التي تطور نماذج الذكاء الاصطناعي صعوبة في الحصول على طاقة GPU كافية. الطريقة التقليدية هي اختيار مزودي الخدمات السحابية اللامركزية، ولكن يجب توقيع عقود طويلة الأجل غير مرنة، مما يؤدي إلى كفاءة منخفضة.
تقدم DePIN بديلاً أكثر مرونة وفعالية من حيث التكلفة، من خلال مكافآت الرموز التي تحفز مساهمات الموارد. يدمج DePIN في مجال الذكاء الاصطناعي موارد GPU من المالكين الأفراد إلى مراكز البيانات، مما يوفر إمدادًا موحدًا للمستخدمين. وهذا لا يوفر فقط للمطورين قوة حسابية مخصصة حسب الطلب، بل يخلق أيضًا دخلاً إضافيًا لمالكي GPU.
يوجد حالياً العديد من شبكات DePIN الذكية في السوق، ولكل منها ميزاتها الخاصة. في الأسطر التالية، سنستكشف دور كل بروتوكول، وأهدافه، والإنجازات التي حققها، لفهم الفروق بينها بشكل أعمق.
Render هو رائد شبكة الحوسبة P2P GPU، التي كانت تركز في البداية على إنشاء المحتوى، ثم توسعت لتشمل مهام الحوسبة AI. تأسس هذا المشروع بواسطة شركة OTOY للرسم السحابي الحائزة على جائزة الأوسكار للتكنولوجيا، وقد تم استخدام شبكتها GPU من قبل شركات كبيرة مثل باراماونت وPUBG. كما تتعاون Render مع Stability AI لدمج نماذج AI مع عملية التصيير لمحتوى 3D.
Akash يُعتبر منصة "سوبر سحابة" تدعم التخزين وحوسبة GPU وCPU. إنها تستفيد من منصة الحاويات والعقد المدارة بواسطة Kubernetes، مما يتيح نشر البرمجيات بسلاسة في بيئات مختلفة. تعمل على Akash تطبيقات مثل روبوت الدردشة LLM الخاص بـ Mistral AI ونموذج توليد الصور النصية الخاص بـ Stability AI.
io.net تقدم مجموعة سحابية موزعة من وحدات معالجة الرسوميات (GPU) مخصصة للذكاء الاصطناعي وتعلم الآلة. كانت الشركة في الأصل شركة تداول كمي، ثم تحولت إلى الأعمال الحالية. تتوافق IO-SDK مع أطر مثل PyTorch وTensorFlow، حيث يمكن توسيع الهيكل متعدد الطبقات ديناميكيًا وفقًا للاحتياجات. كما تتعاون io.net مع Render وFilecoin لتكامل موارد GPU.
Gensyn يركز على شبكة GPU لحسابات التعلم الآلي والتعلم العميق. يحقق آلية تحقق فعالة من خلال تقنيات مثل إثبات التعلم، وبروتوكولات تحديد المواقع الدقيقة المستندة إلى الرسوم البيانية. يمكن لـ Gensyn ضبط النماذج الأساسية المدربة مسبقًا لإكمال مهام أكثر تحديدًا.
Aethir تقدم خدمات GPU على مستوى المؤسسات، وتستخدم بشكل رئيسي في مجالات الحوسبة المكثفة مثل الذكاء الاصطناعي، وتعلم الآلة، وألعاب السحابة. تعمل الحاويات في شبكتها كنقاط نهاية افتراضية للتطبيقات السحابية، مما ينقل عبء العمل من الأجهزة المحلية إلى الحاويات، مما يحقق تجربة ذات زمن انتقال منخفض. كما توسعت Aethir إلى خدمات الهاتف السحابي، وأقامت شراكات مع العديد من شركات Web2 وWeb3.
Phala Network كطبقة تنفيذ لحلول Web3 AI، تتعامل مع قضايا الخصوصية من خلال بيئات التنفيذ الموثوقة (TEE). إنها تمكن وكلاء الذكاء الاصطناعي من أن يتم التحكم بهم بواسطة العقود الذكية على السلسلة، وتخطط لدعم وحدات معالجة الرسوميات TEE مثل H100 في المستقبل لتعزيز القدرة الحاسوبية.
| | رندر | أكاش | io.net | جينسين | أثير | فالا |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| الأجهزة | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات | وحدة معالجة الرسومات | وحدة المعالجة المركزية |
| النقاط الرئيسية | عرض الرسوميات والذكاء الاصطناعي | الحوسبة السحابية، والعرض، والذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي، والألعاب السحابية، والاتصالات | تنفيذ الذكاء الاصطناعي على السلسلة |
| نوع المهمة AI | استدلال | كلاهما متاح | كلاهما متاح | تدريب | تدريب | تنفيذ |
| تسعير العمل | تسعير قائم على الأداء | مزاد عكسي | تسعير سوقي | تسعير سوقي | نظام المناقصات | حساب الحقوق |
| بلوكتشين | سولانا | كوزموس | سولانا | جينسين | أربيتروم | بولكادوت |
| خصوصية البيانات | التشفير& التجزئة | مصادقة mTLS | تشفير البيانات | خريطة الأمان | تشفير | TEE |
| تكاليف العمل | 0.5-5% لكل عمل | 20% USDC، 4% AKT | 2% USDC، 0.25% رسوم احتياطي | رسوم منخفضة | 20% لكل جلسة | تتناسب مع مبلغ الرهن |
| الأمان | إثبات التقديم | إثبات الملكية | إثبات الحساب | إثبات الملكية | إثبات القدرة على التقديم | موروث من سلسلة الوسطى |
| إثبات الإكمال | - | - | إثبات قفل الوقت | إثبات التعلم | إثبات عمل التقديم | إثبات TEE |
| ضمان الجودة | نزاع | - | - | المحققون والمبلغون | عقدة الفاحص | إثبات عن بعد |
| مجموعة GPU | لا | نعم | نعم | نعم | نعم | لا |
الأهمية
توافر التجميع والحوسبة المتوازية
إطار الحوسبة الموزعة يحقق مجموعة GPU، مع ضمان دقة النموذج وفي نفس الوقت تحسين كفاءة التدريب وقابلية التوسع. يتطلب تدريب نماذج الذكاء الاصطناعي المعقدة قدرة حسابية قوية، وغالبًا ما يعتمد على الحوسبة الموزعة. على سبيل المثال، يمتلك نموذج GPT-4 من OpenAI أكثر من 1.8 تريليون معلمة، تم تدريبه باستخدام حوالي 25,000 وحدة معالجة رسومية من نوع Nvidia A100 على مدى 3-4 أشهر.
تم دمج معظم المشاريع الآن لتحقيق الحوسبة المتوازية عبر التجمعات. تعاون io.net مع مشاريع أخرى وتم نشر أكثر من 3,800 تجمع في الربع الأول من عام 24. على الرغم من أن Render لا يدعم التجمعات، إلا أن طريقة عمله مشابهة، حيث يتم تقسيم الإطار الفردي إلى عدة عقد لمعالجتها في نفس الوقت. تدعم Phala حاليًا وحدات المعالجة المركزية فقط، لكنها تسمح بتجمع وحدات المعالجة المركزية.
خصوصية البيانات
تطوير نماذج الذكاء الاصطناعي يتطلب مجموعات بيانات كبيرة، وقد يتضمن معلومات حساسة. إن ضمان خصوصية البيانات أمر بالغ الأهمية لاستعادة السيطرة على البيانات من مقدميها. تعتمد معظم المشاريع على شكل من أشكال تشفير البيانات. تعاونت io.net مؤخرًا مع Mind Network لإطلاق تشفير متجانس بالكامل (FHE)، مما يسمح بمعالجة البيانات المشفرة دون فك تشفيرها. قدمت Phala Network بيئة تنفيذ موثوقة (TEE)، لمنع العمليات الخارجية من الوصول إلى البيانات أو تعديلها.
إثبات الإنجاز وإجراءات الفحص
نظرًا لتنوع نطاق الخدمات، من التقديم إلى حسابات الذكاء الاصطناعي، قد لا تتوافق الجودة النهائية دائمًا مع معايير المستخدمين. إن إتمام الشهادات وفحوصات الجودة مفيد للمستخدمين. تشير الشهادات التي تولدها Gensyn وAethir إلى أن العمل قد اكتمل وأنه يتم إجراء فحص الجودة. تشير الشهادات من io.net إلى أن أداء GPU المستأجر يتم استخدامه بالكامل. توصي Render باستخدام إجراءات حل النزاعات لمعاقبة العقد التي توجد بها مشكلات. تولد Phala شهادات TEE لضمان تنفيذ وكلاء الذكاء الاصطناعي للعمليات المطلوبة.
تميل نماذج AI للتدريب إلى استخدام وحدات معالجة الرسوميات عالية الأداء مثل A100 و H100 من Nvidia. أداء الاستدلال لـ H100 أسرع 4 مرات من A100، مما يجعلها الخيار المفضل للشركات الكبيرة لتدريب LLM. يحتاج مقدمو السوق اللامركزي لوحدات معالجة الرسوميات إلى تقديم عدد كافٍ من الأجهزة عالية الأداء للتنافس مع نظرائهم في Web2. تمتلك io.net و Aethir أكثر من 2000 وحدة H100 و A100، مما يجعلها أكثر ملاءمة لحسابات النماذج الكبيرة.
تكاليف خدمات GPU اللامركزية أقل بكثير من الخدمات المركزية. تدعي Gensyn و Aethir أنه يمكن استئجار أجهزة تعادل A100 بأقل من دولار واحد في الساعة. ومع ذلك، قد تكون مجموعات GPU المتصلة بالشبكة محدودة من حيث الذاكرة، ولا تتناسب مع GPU المتصلة بـ NVLink التي تناسب نماذج اللغة الكبيرة (LLMS) التي تحتوي على عدد كبير من المعلمات ومجموعات البيانات.
على الرغم من ذلك، توفر شبكة GPU اللامركزية قوة حسابية قوية وقابلية للتوسع لمهام الحوسبة الموزعة، مما يفتح الفرص لبناء المزيد من حالات الاستخدام في الذكاء الاصطناعي وتعلم الآلة.
على الرغم من أن GPU هو وحدة المعالجة الرئيسية، إلا أن CPU تلعب أيضًا دورًا مهمًا في تدريب نماذج الذكاء الاصطناعي. يمكن استخدام GPU المخصص للمستهلكين في المهام الصغيرة، مثل ضبط النماذج المدربة مسبقًا أو تدريب نماذج صغيرة على مجموعات بيانات صغيرة. كما أن مشاريع مثل Render و Akash و io.net تخدم هذا السوق، مستفيدة من موارد GPU للمستهلكين غير المستخدمة.
لا تزال مجال AI DePIN ناشئة نسبيًا، وتواجه تحديات. ومع ذلك، فإن عدد المهام والأجهزة التي يتم تنفيذها على هذه الشبكات قد زاد بشكل ملحوظ، مما يبرز النمو المتزايد في الطلب على بدائل موارد الأجهزة لمزودي سحابة Web2. تثبت هذه الاتجاهات توافق سوق منتجات شبكة AI DePIN، حيث تعالج بشكل فعال التحديات المتعلقة بالطلب والعرض.
تتطلع المستقبل، من المتوقع أن تتطور الذكاء الاصطناعي ليصبح سوقًا مزدهرًا بقيمة تريليونات الدولارات. ستلعب هذه الشبكات اللامركزية من وحدات معالجة الرسوميات دورًا رئيسيًا في توفير بدائل حسابية فعالة من حيث التكلفة للمطورين، مما سيساهم بشكل كبير في تشكيل مستقبل الذكاء الاصطناعي والبنية التحتية الحاسوبية.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
تسجيلات الإعجاب 4
أعجبني
4
3
مشاركة
تعليق
0/400
MintMaster
· منذ 6 س
الإطار ضيق، 300 مليار هو فقط البداية~
شاهد النسخة الأصليةرد0
RugDocDetective
· منذ 6 س
又一个想خداع الناس لتحقيق الربحاحترافيحمقى的玩意
شاهد النسخة الأصليةرد0
CryptoGoldmine
· منذ 6 س
تتحدث البيانات عن أن العائد اليومي لبطاقات الرسومات قد تجاوز 30% ROI، مما يجعلها مناسبة لبناء مركز للدخول.
تقاطع الذكاء الاصطناعي و DePIN: صعود الشبكات اللامركزية للـ GPU وإعادة تشكيل سوق بقيمة 300 مليار دولار
تقاطع الذكاء الاصطناعي و DePIN: ظهور شبكة GPU اللامركزية
في الآونة الأخيرة، أصبحت الذكاء الاصطناعي والشبكات اللامركزية للبنية التحتية المادية (DePIN ) مواضيع ساخنة في مجال Web3، حيث وصلت قيمتها السوقية إلى 30 مليار دولار و23 مليار دولار على التوالي. ستستكشف هذه المقالة تقاطع الاثنين، وتدرس تطور البروتوكولات ذات الصلة.
في تقنية AI، تمكّن شبكة DePIN الذكاء الاصطناعي من خلال توفير موارد الحوسبة. نظرًا لنقص وحدات معالجة الرسوميات (GPU) بسبب الشركات التكنولوجية الكبرى، يجد الفرق الأخرى التي تطور نماذج الذكاء الاصطناعي صعوبة في الحصول على طاقة GPU كافية. الطريقة التقليدية هي اختيار مزودي الخدمات السحابية اللامركزية، ولكن يجب توقيع عقود طويلة الأجل غير مرنة، مما يؤدي إلى كفاءة منخفضة.
تقدم DePIN بديلاً أكثر مرونة وفعالية من حيث التكلفة، من خلال مكافآت الرموز التي تحفز مساهمات الموارد. يدمج DePIN في مجال الذكاء الاصطناعي موارد GPU من المالكين الأفراد إلى مراكز البيانات، مما يوفر إمدادًا موحدًا للمستخدمين. وهذا لا يوفر فقط للمطورين قوة حسابية مخصصة حسب الطلب، بل يخلق أيضًا دخلاً إضافيًا لمالكي GPU.
يوجد حالياً العديد من شبكات DePIN الذكية في السوق، ولكل منها ميزاتها الخاصة. في الأسطر التالية، سنستكشف دور كل بروتوكول، وأهدافه، والإنجازات التي حققها، لفهم الفروق بينها بشكل أعمق.
! تقاطع الذكاء الاصطناعي و DePIN
نظرة عامة على شبكة DePIN الذكية
Render هو رائد شبكة الحوسبة P2P GPU، التي كانت تركز في البداية على إنشاء المحتوى، ثم توسعت لتشمل مهام الحوسبة AI. تأسس هذا المشروع بواسطة شركة OTOY للرسم السحابي الحائزة على جائزة الأوسكار للتكنولوجيا، وقد تم استخدام شبكتها GPU من قبل شركات كبيرة مثل باراماونت وPUBG. كما تتعاون Render مع Stability AI لدمج نماذج AI مع عملية التصيير لمحتوى 3D.
Akash يُعتبر منصة "سوبر سحابة" تدعم التخزين وحوسبة GPU وCPU. إنها تستفيد من منصة الحاويات والعقد المدارة بواسطة Kubernetes، مما يتيح نشر البرمجيات بسلاسة في بيئات مختلفة. تعمل على Akash تطبيقات مثل روبوت الدردشة LLM الخاص بـ Mistral AI ونموذج توليد الصور النصية الخاص بـ Stability AI.
io.net تقدم مجموعة سحابية موزعة من وحدات معالجة الرسوميات (GPU) مخصصة للذكاء الاصطناعي وتعلم الآلة. كانت الشركة في الأصل شركة تداول كمي، ثم تحولت إلى الأعمال الحالية. تتوافق IO-SDK مع أطر مثل PyTorch وTensorFlow، حيث يمكن توسيع الهيكل متعدد الطبقات ديناميكيًا وفقًا للاحتياجات. كما تتعاون io.net مع Render وFilecoin لتكامل موارد GPU.
Gensyn يركز على شبكة GPU لحسابات التعلم الآلي والتعلم العميق. يحقق آلية تحقق فعالة من خلال تقنيات مثل إثبات التعلم، وبروتوكولات تحديد المواقع الدقيقة المستندة إلى الرسوم البيانية. يمكن لـ Gensyn ضبط النماذج الأساسية المدربة مسبقًا لإكمال مهام أكثر تحديدًا.
Aethir تقدم خدمات GPU على مستوى المؤسسات، وتستخدم بشكل رئيسي في مجالات الحوسبة المكثفة مثل الذكاء الاصطناعي، وتعلم الآلة، وألعاب السحابة. تعمل الحاويات في شبكتها كنقاط نهاية افتراضية للتطبيقات السحابية، مما ينقل عبء العمل من الأجهزة المحلية إلى الحاويات، مما يحقق تجربة ذات زمن انتقال منخفض. كما توسعت Aethir إلى خدمات الهاتف السحابي، وأقامت شراكات مع العديد من شركات Web2 وWeb3.
Phala Network كطبقة تنفيذ لحلول Web3 AI، تتعامل مع قضايا الخصوصية من خلال بيئات التنفيذ الموثوقة (TEE). إنها تمكن وكلاء الذكاء الاصطناعي من أن يتم التحكم بهم بواسطة العقود الذكية على السلسلة، وتخطط لدعم وحدات معالجة الرسوميات TEE مثل H100 في المستقبل لتعزيز القدرة الحاسوبية.
! تقاطع الذكاء الاصطناعي و DePIN
مقارنة المشاريع
| | رندر | أكاش | io.net | جينسين | أثير | فالا | |--------|-------------|------------------|---------------------|---------|---------------|----------| | الأجهزة | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات | وحدة معالجة الرسومات | وحدة المعالجة المركزية | | النقاط الرئيسية | عرض الرسوميات والذكاء الاصطناعي | الحوسبة السحابية، والعرض، والذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي، والألعاب السحابية، والاتصالات | تنفيذ الذكاء الاصطناعي على السلسلة | | نوع المهمة AI | استدلال | كلاهما متاح | كلاهما متاح | تدريب | تدريب | تنفيذ | | تسعير العمل | تسعير قائم على الأداء | مزاد عكسي | تسعير سوقي | تسعير سوقي | نظام المناقصات | حساب الحقوق | | بلوكتشين | سولانا | كوزموس | سولانا | جينسين | أربيتروم | بولكادوت | | خصوصية البيانات | التشفير& التجزئة | مصادقة mTLS | تشفير البيانات | خريطة الأمان | تشفير | TEE | | تكاليف العمل | 0.5-5% لكل عمل | 20% USDC، 4% AKT | 2% USDC، 0.25% رسوم احتياطي | رسوم منخفضة | 20% لكل جلسة | تتناسب مع مبلغ الرهن | | الأمان | إثبات التقديم | إثبات الملكية | إثبات الحساب | إثبات الملكية | إثبات القدرة على التقديم | موروث من سلسلة الوسطى | | إثبات الإكمال | - | - | إثبات قفل الوقت | إثبات التعلم | إثبات عمل التقديم | إثبات TEE | | ضمان الجودة | نزاع | - | - | المحققون والمبلغون | عقدة الفاحص | إثبات عن بعد | | مجموعة GPU | لا | نعم | نعم | نعم | نعم | لا |
الأهمية
توافر التجميع والحوسبة المتوازية
إطار الحوسبة الموزعة يحقق مجموعة GPU، مع ضمان دقة النموذج وفي نفس الوقت تحسين كفاءة التدريب وقابلية التوسع. يتطلب تدريب نماذج الذكاء الاصطناعي المعقدة قدرة حسابية قوية، وغالبًا ما يعتمد على الحوسبة الموزعة. على سبيل المثال، يمتلك نموذج GPT-4 من OpenAI أكثر من 1.8 تريليون معلمة، تم تدريبه باستخدام حوالي 25,000 وحدة معالجة رسومية من نوع Nvidia A100 على مدى 3-4 أشهر.
تم دمج معظم المشاريع الآن لتحقيق الحوسبة المتوازية عبر التجمعات. تعاون io.net مع مشاريع أخرى وتم نشر أكثر من 3,800 تجمع في الربع الأول من عام 24. على الرغم من أن Render لا يدعم التجمعات، إلا أن طريقة عمله مشابهة، حيث يتم تقسيم الإطار الفردي إلى عدة عقد لمعالجتها في نفس الوقت. تدعم Phala حاليًا وحدات المعالجة المركزية فقط، لكنها تسمح بتجمع وحدات المعالجة المركزية.
خصوصية البيانات
تطوير نماذج الذكاء الاصطناعي يتطلب مجموعات بيانات كبيرة، وقد يتضمن معلومات حساسة. إن ضمان خصوصية البيانات أمر بالغ الأهمية لاستعادة السيطرة على البيانات من مقدميها. تعتمد معظم المشاريع على شكل من أشكال تشفير البيانات. تعاونت io.net مؤخرًا مع Mind Network لإطلاق تشفير متجانس بالكامل (FHE)، مما يسمح بمعالجة البيانات المشفرة دون فك تشفيرها. قدمت Phala Network بيئة تنفيذ موثوقة (TEE)، لمنع العمليات الخارجية من الوصول إلى البيانات أو تعديلها.
إثبات الإنجاز وإجراءات الفحص
نظرًا لتنوع نطاق الخدمات، من التقديم إلى حسابات الذكاء الاصطناعي، قد لا تتوافق الجودة النهائية دائمًا مع معايير المستخدمين. إن إتمام الشهادات وفحوصات الجودة مفيد للمستخدمين. تشير الشهادات التي تولدها Gensyn وAethir إلى أن العمل قد اكتمل وأنه يتم إجراء فحص الجودة. تشير الشهادات من io.net إلى أن أداء GPU المستأجر يتم استخدامه بالكامل. توصي Render باستخدام إجراءات حل النزاعات لمعاقبة العقد التي توجد بها مشكلات. تولد Phala شهادات TEE لضمان تنفيذ وكلاء الذكاء الاصطناعي للعمليات المطلوبة.
! تقاطع الذكاء الاصطناعي و DePIN
بيانات إحصائيات الأجهزة
| | ريندر | أكاش | io.net | جينسين | إثير | فالا | |-------------|--------|-------|--------|------------|------------|--------| | عدد وحدات معالجة الرسوميات | 5600 | 384 | 38177 | - | 40000+ | - | | عدد وحدات المعالجة المركزية | 114 | 14672 | 5433 | - | - | 30000+ | | عدد H100/A100 | - | 157 | 2330 | - | 2000+ | - | | تكلفة H100/ساعة | - | $1.46 | $1.19 | - | - | - | | تكلفة A100/ساعة | - | $1.37 | $1.50 | $0.55 ( متوقع ) | $0.33 ( متوقع ) | - |
متطلبات GPU عالية الأداء
تميل نماذج AI للتدريب إلى استخدام وحدات معالجة الرسوميات عالية الأداء مثل A100 و H100 من Nvidia. أداء الاستدلال لـ H100 أسرع 4 مرات من A100، مما يجعلها الخيار المفضل للشركات الكبيرة لتدريب LLM. يحتاج مقدمو السوق اللامركزي لوحدات معالجة الرسوميات إلى تقديم عدد كافٍ من الأجهزة عالية الأداء للتنافس مع نظرائهم في Web2. تمتلك io.net و Aethir أكثر من 2000 وحدة H100 و A100، مما يجعلها أكثر ملاءمة لحسابات النماذج الكبيرة.
تكاليف خدمات GPU اللامركزية أقل بكثير من الخدمات المركزية. تدعي Gensyn و Aethir أنه يمكن استئجار أجهزة تعادل A100 بأقل من دولار واحد في الساعة. ومع ذلك، قد تكون مجموعات GPU المتصلة بالشبكة محدودة من حيث الذاكرة، ولا تتناسب مع GPU المتصلة بـ NVLink التي تناسب نماذج اللغة الكبيرة (LLMS) التي تحتوي على عدد كبير من المعلمات ومجموعات البيانات.
على الرغم من ذلك، توفر شبكة GPU اللامركزية قوة حسابية قوية وقابلية للتوسع لمهام الحوسبة الموزعة، مما يفتح الفرص لبناء المزيد من حالات الاستخدام في الذكاء الاصطناعي وتعلم الآلة.
! تقاطع الذكاء الاصطناعي و DePIN
يوفر GPU/CPU من فئة المستهلك
على الرغم من أن GPU هو وحدة المعالجة الرئيسية، إلا أن CPU تلعب أيضًا دورًا مهمًا في تدريب نماذج الذكاء الاصطناعي. يمكن استخدام GPU المخصص للمستهلكين في المهام الصغيرة، مثل ضبط النماذج المدربة مسبقًا أو تدريب نماذج صغيرة على مجموعات بيانات صغيرة. كما أن مشاريع مثل Render و Akash و io.net تخدم هذا السوق، مستفيدة من موارد GPU للمستهلكين غير المستخدمة.
! تقاطع الذكاء الاصطناعي و DePIN
الاستنتاج
لا تزال مجال AI DePIN ناشئة نسبيًا، وتواجه تحديات. ومع ذلك، فإن عدد المهام والأجهزة التي يتم تنفيذها على هذه الشبكات قد زاد بشكل ملحوظ، مما يبرز النمو المتزايد في الطلب على بدائل موارد الأجهزة لمزودي سحابة Web2. تثبت هذه الاتجاهات توافق سوق منتجات شبكة AI DePIN، حيث تعالج بشكل فعال التحديات المتعلقة بالطلب والعرض.
تتطلع المستقبل، من المتوقع أن تتطور الذكاء الاصطناعي ليصبح سوقًا مزدهرًا بقيمة تريليونات الدولارات. ستلعب هذه الشبكات اللامركزية من وحدات معالجة الرسوميات دورًا رئيسيًا في توفير بدائل حسابية فعالة من حيث التكلفة للمطورين، مما سيساهم بشكل كبير في تشكيل مستقبل الذكاء الاصطناعي والبنية التحتية الحاسوبية.
! تقاطع الذكاء الاصطناعي و DePIN