AI dan DePIN: Kebangkitan Jaringan GPU Desentralisasi
Belakangan ini, kecerdasan buatan dan jaringan infrastruktur fisik desentralisasi ( DePIN ) telah menjadi topik hangat di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini akan membahas persimpangan keduanya dan meneliti perkembangan protokol terkait.
Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Karena kekurangan GPU yang disebabkan oleh perusahaan teknologi besar, tim lain yang mengembangkan model AI kesulitan untuk mendapatkan daya komputasi GPU yang cukup. Pendekatan tradisional adalah memilih penyedia layanan cloud terpusat, tetapi harus menandatangani kontrak jangka panjang yang tidak fleksibel dan tidak efisien.
DePIN menyediakan alternatif yang lebih fleksibel dan lebih hemat biaya, dengan memberikan insentif kontribusi sumber daya melalui penghargaan token. DePIN di bidang AI mengintegrasikan sumber daya GPU dari pemilik individu ke pusat data, memberikan pasokan yang terintegrasi untuk pengguna. Ini tidak hanya memberikan kekuatan komputasi yang disesuaikan dan sesuai permintaan bagi pengembang, tetapi juga menciptakan pendapatan tambahan bagi pemilik GPU.
Saat ini ada beberapa jaringan DePIN AI di pasar, masing-masing memiliki karakteristiknya sendiri. Selanjutnya, kita akan membahas peran, tujuan, dan pencapaian yang telah diraih oleh setiap protokol, untuk memahami perbedaan di antara mereka.
Gambaran Umum Jaringan DePIN AI
Render adalah pelopor jaringan komputasi GPU P2P, awalnya fokus pada rendering konten kreatif, kemudian berkembang ke tugas komputasi AI. Proyek ini didirikan oleh perusahaan grafik cloud OTOY yang memenangkan penghargaan teknologi Oscar, dan jaringan GPU-nya telah digunakan oleh perusahaan besar seperti Paramount, PUBG, dan lain-lain. Render juga bekerja sama dengan Stability AI untuk mengintegrasikan model AI ke dalam proses rendering konten 3D.
Akash diposisikan sebagai platform "super cloud" yang mendukung penyimpanan, komputasi GPU, dan CPU. Ini memanfaatkan platform kontainer dan node komputasi yang dikelola oleh Kubernetes, memungkinkan penyebaran perangkat lunak secara mulus di berbagai lingkungan. Di Akash, berjalan aplikasi seperti chatbot LLM Mistral AI, model menghasilkan gambar dari teks Stability AI, dan lainnya.
io.net menyediakan kluster cloud GPU terdistribusi yang khusus untuk AI dan pembelajaran mesin. Perusahaan ini awalnya adalah perusahaan perdagangan kuantitatif, kemudian bertransformasi menjadi bisnis saat ini. IO-SDK-nya kompatibel dengan framework seperti PyTorch dan TensorFlow, dan arsitektur multi-lapisan dapat diperluas secara dinamis sesuai kebutuhan. io.net juga bekerja sama dengan Render, Filecoin, dan lainnya untuk mengintegrasikan sumber daya GPU.
Gensyn berfokus pada jaringan GPU untuk komputasi pembelajaran mesin dan pembelajaran mendalam. Ini mencapai mekanisme validasi yang efisien melalui teknik seperti bukti pembelajaran, dan protokol penentuan posisi berbasis grafik yang akurat. Gensyn dapat melakukan penyesuaian pada model dasar yang telah dilatih sebelumnya untuk menyelesaikan tugas-tugas yang lebih spesifik.
Aethir khusus menyediakan GPU tingkat perusahaan, terutama digunakan dalam bidang komputasi intensif seperti AI, pembelajaran mesin, dan permainan cloud. Kontainer dalam jaringannya bertindak sebagai titik akhir virtual untuk aplikasi cloud, memindahkan beban kerja dari perangkat lokal ke kontainer, sehingga memberikan pengalaman latensi rendah. Aethir juga memperluas layanan ponsel cloud dan telah menjalin kerjasama dengan berbagai perusahaan Web2 dan Web3.
Phala Network sebagai lapisan eksekusi solusi AI Web3, merancang untuk menangani masalah privasi melalui lingkungan eksekusi tepercaya (TEE). Ini memungkinkan agen AI untuk dikontrol oleh kontrak pintar di blockchain, dan merencanakan untuk mendukung GPU TEE seperti H100 di masa depan untuk meningkatkan kemampuan komputasi.
Perbandingan Proyek
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Fokus Bisnis | Render Grafis dan AI | Komputasi Awan, Render dan AI | AI | AI | Kecerdasan Buatan, Permainan Awan dan Telekomunikasi | Eksekusi AI di On-Chain |
| Jenis Tugas AI | Inferensi | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi |
| Penetapan harga kerja | Penetapan harga berdasarkan kinerja | Lelang terbalik | Penetapan harga pasar | Penetapan harga pasar | Sistem tender | Perhitungan hak |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Privasi Data | Enkripsi&Hash | Autentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE |
| Biaya kerja | Setiap pekerjaan 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% biaya cadangan | Biaya rendah | Setiap sesi 20% | Proporsional dengan jumlah yang dipertaruhkan |
| Keamanan | Bukti Render | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kemampuan Render | Warisan dari Rantai Perantara |
| Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pengerjaan Render | Bukti TEE |
| Jaminan Kualitas | Kontroversi | - | - | Verifikator dan Pelapor | Node Pemeriksa | Bukti Jarak |
| GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |
Pentingnya
Ketersediaan kluster dan komputasi paralel
Kerangka kerja komputasi terdistribusi telah mengimplementasikan kluster GPU, meningkatkan efisiensi pelatihan dan skalabilitas sambil memastikan akurasi model. Melatih model AI yang kompleks memerlukan kemampuan komputasi yang kuat, biasanya bergantung pada komputasi terdistribusi. Misalnya, model GPT-4 dari OpenAI memiliki lebih dari 1,8 triliun parameter, dilatih selama 3-4 bulan menggunakan sekitar 25.000 GPU Nvidia A100.
Sebagian besar proyek kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net telah bekerja sama dengan proyek lain dan telah menerapkan lebih dari 3.800 kluster pada kuartal pertama tahun 24. Render meskipun tidak mendukung kluster, tetapi prinsip kerjanya mirip, membagi satu frame ke beberapa node untuk diproses secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan pengelompokan pekerja CPU.
Privasi Data
Pengembangan model AI memerlukan kumpulan data yang besar, yang mungkin melibatkan informasi sensitif. Memastikan privasi data sangat penting untuk mengembalikan kontrol data kepada penyedia. Sebagian besar proyek menggunakan beberapa bentuk enkripsi data. io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa dekripsi. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), untuk mencegah proses eksternal mengakses atau memodifikasi data.
Perhitungan Penyelesaian Bukti dan Pemeriksaan Kualitas
Karena jangkauan layanan yang luas, mulai dari rendering hingga komputasi AI, kualitas akhir mungkin tidak selalu memenuhi standar pengguna. Penyelesaian bukti dan pemeriksaan kualitas bermanfaat bagi pengguna. Bukti yang dihasilkan oleh Gensyn dan Aethir menunjukkan bahwa pekerjaan telah selesai dan dilakukan pemeriksaan kualitas. Bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa telah dimanfaatkan dengan baik. Render menyarankan penggunaan proses penyelesaian sengketa untuk memberikan sanksi pada node yang bermasalah. Phala menghasilkan bukti TEE, memastikan bahwa agen AI melakukan operasi yang diperlukan.
Pelatihan model AI cenderung menggunakan GPU berkinerja tinggi seperti Nvidia A100 dan H100. Kinerja inferensi H100 empat kali lebih cepat dibandingkan A100, menjadikannya pilihan utama perusahaan besar untuk melatih LLM. Penyedia pasar GPU Desentralisasi perlu menyediakan jumlah perangkat keras berkinerja tinggi yang cukup untuk bersaing dengan pesaing Web2. io.net dan Aethir masing-masing memiliki lebih dari 2000 unit H100 dan A100, yang lebih cocok untuk komputasi model besar.
Biaya layanan GPU desentralisasi kini jauh lebih rendah dibandingkan dengan layanan terpusat. Gensyn dan Aethir mengklaim dapat menyewa perangkat keras setara A100 dengan harga kurang dari 1 dolar per jam. Namun, kluster GPU yang terhubung melalui jaringan mungkin memiliki keterbatasan dalam hal memori, tidak sebaik GPU yang terhubung melalui NVLink untuk LLMS dengan banyak parameter dan kumpulan data.
Meskipun demikian, jaringan GPU desentralisasi tetap menyediakan kemampuan komputasi yang kuat dan skalabilitas untuk tugas komputasi terdistribusi, membuka peluang untuk membangun lebih banyak kasus penggunaan AI dan ML.
Menyediakan GPU/CPU konsumen
Meskipun GPU adalah unit pemrosesan utama, CPU juga memainkan peran penting dalam pelatihan model AI. GPU konsumen dapat digunakan untuk tugas skala kecil, seperti penyesuaian model yang telah dilatih sebelumnya atau melatih model kecil pada dataset kecil. Proyek seperti Render, Akash, dan io.net juga melayani pasar ini, memanfaatkan sumber daya GPU konsumen yang tidak terpakai.
Kesimpulan
Bidang DePIN AI masih relatif baru dan menghadapi tantangan. Namun, jumlah tugas yang dijalankan di jaringan ini dan perangkat keras meningkat secara signifikan, menyoroti pertumbuhan permintaan untuk alternatif sumber daya perangkat keras penyedia cloud Web2. Tren ini membuktikan kesesuaian produk dari jaringan DePIN AI, secara efektif mengatasi tantangan di sisi permintaan dan pasokan.
Melihat ke depan, AI diharapkan dapat berkembang menjadi pasar bernilai triliunan dolar yang berkembang pesat. Jaringan GPU desentralisasi ini akan memainkan peran kunci dalam memberikan alternatif komputasi yang efisien secara ekonomi bagi para pengembang, memberikan kontribusi signifikan terhadap lanskap masa depan AI dan infrastruktur komputasi.
Lihat Asli
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.
5 Suka
Hadiah
5
4
Bagikan
Komentar
0/400
ContractFreelancer
· 3jam yang lalu
Wah, wah, ini adalah jalur yang merebut uang lagi.
Lihat AsliBalas0
MintMaster
· 11jam yang lalu
Pola kecil, 300 miliar baru permulaan~
Lihat AsliBalas0
RugDocDetective
· 11jam yang lalu
Satu lagi benda yang ingin memainkan orang pro untuk suckers.
Lihat AsliBalas0
CryptoGoldmine
· 11jam yang lalu
Data berbicara, ROI rata-rata harian GPU telah melampaui 30%, cocok untuk Buat Posisi.
AI dan DePIN: Kebangkitan jaringan GPU Desentralisasi yang membentuk kembali pasar senilai 30 miliar dolar
AI dan DePIN: Kebangkitan Jaringan GPU Desentralisasi
Belakangan ini, kecerdasan buatan dan jaringan infrastruktur fisik desentralisasi ( DePIN ) telah menjadi topik hangat di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini akan membahas persimpangan keduanya dan meneliti perkembangan protokol terkait.
Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Karena kekurangan GPU yang disebabkan oleh perusahaan teknologi besar, tim lain yang mengembangkan model AI kesulitan untuk mendapatkan daya komputasi GPU yang cukup. Pendekatan tradisional adalah memilih penyedia layanan cloud terpusat, tetapi harus menandatangani kontrak jangka panjang yang tidak fleksibel dan tidak efisien.
DePIN menyediakan alternatif yang lebih fleksibel dan lebih hemat biaya, dengan memberikan insentif kontribusi sumber daya melalui penghargaan token. DePIN di bidang AI mengintegrasikan sumber daya GPU dari pemilik individu ke pusat data, memberikan pasokan yang terintegrasi untuk pengguna. Ini tidak hanya memberikan kekuatan komputasi yang disesuaikan dan sesuai permintaan bagi pengembang, tetapi juga menciptakan pendapatan tambahan bagi pemilik GPU.
Saat ini ada beberapa jaringan DePIN AI di pasar, masing-masing memiliki karakteristiknya sendiri. Selanjutnya, kita akan membahas peran, tujuan, dan pencapaian yang telah diraih oleh setiap protokol, untuk memahami perbedaan di antara mereka.
Gambaran Umum Jaringan DePIN AI
Render adalah pelopor jaringan komputasi GPU P2P, awalnya fokus pada rendering konten kreatif, kemudian berkembang ke tugas komputasi AI. Proyek ini didirikan oleh perusahaan grafik cloud OTOY yang memenangkan penghargaan teknologi Oscar, dan jaringan GPU-nya telah digunakan oleh perusahaan besar seperti Paramount, PUBG, dan lain-lain. Render juga bekerja sama dengan Stability AI untuk mengintegrasikan model AI ke dalam proses rendering konten 3D.
Akash diposisikan sebagai platform "super cloud" yang mendukung penyimpanan, komputasi GPU, dan CPU. Ini memanfaatkan platform kontainer dan node komputasi yang dikelola oleh Kubernetes, memungkinkan penyebaran perangkat lunak secara mulus di berbagai lingkungan. Di Akash, berjalan aplikasi seperti chatbot LLM Mistral AI, model menghasilkan gambar dari teks Stability AI, dan lainnya.
io.net menyediakan kluster cloud GPU terdistribusi yang khusus untuk AI dan pembelajaran mesin. Perusahaan ini awalnya adalah perusahaan perdagangan kuantitatif, kemudian bertransformasi menjadi bisnis saat ini. IO-SDK-nya kompatibel dengan framework seperti PyTorch dan TensorFlow, dan arsitektur multi-lapisan dapat diperluas secara dinamis sesuai kebutuhan. io.net juga bekerja sama dengan Render, Filecoin, dan lainnya untuk mengintegrasikan sumber daya GPU.
Gensyn berfokus pada jaringan GPU untuk komputasi pembelajaran mesin dan pembelajaran mendalam. Ini mencapai mekanisme validasi yang efisien melalui teknik seperti bukti pembelajaran, dan protokol penentuan posisi berbasis grafik yang akurat. Gensyn dapat melakukan penyesuaian pada model dasar yang telah dilatih sebelumnya untuk menyelesaikan tugas-tugas yang lebih spesifik.
Aethir khusus menyediakan GPU tingkat perusahaan, terutama digunakan dalam bidang komputasi intensif seperti AI, pembelajaran mesin, dan permainan cloud. Kontainer dalam jaringannya bertindak sebagai titik akhir virtual untuk aplikasi cloud, memindahkan beban kerja dari perangkat lokal ke kontainer, sehingga memberikan pengalaman latensi rendah. Aethir juga memperluas layanan ponsel cloud dan telah menjalin kerjasama dengan berbagai perusahaan Web2 dan Web3.
Phala Network sebagai lapisan eksekusi solusi AI Web3, merancang untuk menangani masalah privasi melalui lingkungan eksekusi tepercaya (TEE). Ini memungkinkan agen AI untuk dikontrol oleh kontrak pintar di blockchain, dan merencanakan untuk mendukung GPU TEE seperti H100 di masa depan untuk meningkatkan kemampuan komputasi.
Perbandingan Proyek
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Fokus Bisnis | Render Grafis dan AI | Komputasi Awan, Render dan AI | AI | AI | Kecerdasan Buatan, Permainan Awan dan Telekomunikasi | Eksekusi AI di On-Chain | | Jenis Tugas AI | Inferensi | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi | | Penetapan harga kerja | Penetapan harga berdasarkan kinerja | Lelang terbalik | Penetapan harga pasar | Penetapan harga pasar | Sistem tender | Perhitungan hak | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privasi Data | Enkripsi&Hash | Autentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE | | Biaya kerja | Setiap pekerjaan 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% biaya cadangan | Biaya rendah | Setiap sesi 20% | Proporsional dengan jumlah yang dipertaruhkan | | Keamanan | Bukti Render | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kemampuan Render | Warisan dari Rantai Perantara | | Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pengerjaan Render | Bukti TEE | | Jaminan Kualitas | Kontroversi | - | - | Verifikator dan Pelapor | Node Pemeriksa | Bukti Jarak | | GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |
Pentingnya
Ketersediaan kluster dan komputasi paralel
Kerangka kerja komputasi terdistribusi telah mengimplementasikan kluster GPU, meningkatkan efisiensi pelatihan dan skalabilitas sambil memastikan akurasi model. Melatih model AI yang kompleks memerlukan kemampuan komputasi yang kuat, biasanya bergantung pada komputasi terdistribusi. Misalnya, model GPT-4 dari OpenAI memiliki lebih dari 1,8 triliun parameter, dilatih selama 3-4 bulan menggunakan sekitar 25.000 GPU Nvidia A100.
Sebagian besar proyek kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net telah bekerja sama dengan proyek lain dan telah menerapkan lebih dari 3.800 kluster pada kuartal pertama tahun 24. Render meskipun tidak mendukung kluster, tetapi prinsip kerjanya mirip, membagi satu frame ke beberapa node untuk diproses secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan pengelompokan pekerja CPU.
Privasi Data
Pengembangan model AI memerlukan kumpulan data yang besar, yang mungkin melibatkan informasi sensitif. Memastikan privasi data sangat penting untuk mengembalikan kontrol data kepada penyedia. Sebagian besar proyek menggunakan beberapa bentuk enkripsi data. io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa dekripsi. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), untuk mencegah proses eksternal mengakses atau memodifikasi data.
Perhitungan Penyelesaian Bukti dan Pemeriksaan Kualitas
Karena jangkauan layanan yang luas, mulai dari rendering hingga komputasi AI, kualitas akhir mungkin tidak selalu memenuhi standar pengguna. Penyelesaian bukti dan pemeriksaan kualitas bermanfaat bagi pengguna. Bukti yang dihasilkan oleh Gensyn dan Aethir menunjukkan bahwa pekerjaan telah selesai dan dilakukan pemeriksaan kualitas. Bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa telah dimanfaatkan dengan baik. Render menyarankan penggunaan proses penyelesaian sengketa untuk memberikan sanksi pada node yang bermasalah. Phala menghasilkan bukti TEE, memastikan bahwa agen AI melakukan operasi yang diperlukan.
Statistik Perangkat Keras
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Jumlah GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Jumlah CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Jumlah H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Biaya H100/jam | - | $1.46 | $1.19 | - | - | - | | Biaya A100/jam | - | $1.37 | $1.50 | $0.55 ( diperkirakan ) | $0.33 ( diperkirakan ) | - |
Persyaratan GPU berkinerja tinggi
Pelatihan model AI cenderung menggunakan GPU berkinerja tinggi seperti Nvidia A100 dan H100. Kinerja inferensi H100 empat kali lebih cepat dibandingkan A100, menjadikannya pilihan utama perusahaan besar untuk melatih LLM. Penyedia pasar GPU Desentralisasi perlu menyediakan jumlah perangkat keras berkinerja tinggi yang cukup untuk bersaing dengan pesaing Web2. io.net dan Aethir masing-masing memiliki lebih dari 2000 unit H100 dan A100, yang lebih cocok untuk komputasi model besar.
Biaya layanan GPU desentralisasi kini jauh lebih rendah dibandingkan dengan layanan terpusat. Gensyn dan Aethir mengklaim dapat menyewa perangkat keras setara A100 dengan harga kurang dari 1 dolar per jam. Namun, kluster GPU yang terhubung melalui jaringan mungkin memiliki keterbatasan dalam hal memori, tidak sebaik GPU yang terhubung melalui NVLink untuk LLMS dengan banyak parameter dan kumpulan data.
Meskipun demikian, jaringan GPU desentralisasi tetap menyediakan kemampuan komputasi yang kuat dan skalabilitas untuk tugas komputasi terdistribusi, membuka peluang untuk membangun lebih banyak kasus penggunaan AI dan ML.
Menyediakan GPU/CPU konsumen
Meskipun GPU adalah unit pemrosesan utama, CPU juga memainkan peran penting dalam pelatihan model AI. GPU konsumen dapat digunakan untuk tugas skala kecil, seperti penyesuaian model yang telah dilatih sebelumnya atau melatih model kecil pada dataset kecil. Proyek seperti Render, Akash, dan io.net juga melayani pasar ini, memanfaatkan sumber daya GPU konsumen yang tidak terpakai.
Kesimpulan
Bidang DePIN AI masih relatif baru dan menghadapi tantangan. Namun, jumlah tugas yang dijalankan di jaringan ini dan perangkat keras meningkat secara signifikan, menyoroti pertumbuhan permintaan untuk alternatif sumber daya perangkat keras penyedia cloud Web2. Tren ini membuktikan kesesuaian produk dari jaringan DePIN AI, secara efektif mengatasi tantangan di sisi permintaan dan pasokan.
Melihat ke depan, AI diharapkan dapat berkembang menjadi pasar bernilai triliunan dolar yang berkembang pesat. Jaringan GPU desentralisasi ini akan memainkan peran kunci dalam memberikan alternatif komputasi yang efisien secara ekonomi bagi para pengembang, memberikan kontribusi signifikan terhadap lanskap masa depan AI dan infrastruktur komputasi.