AI dan DePIN: Menjelajahi perkembangan jaringan GPU Desentralisasi

Sejak 2023, AI dan DePIN telah menjadi sorotan di bidang Web3, dengan kapitalisasi pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini akan fokus pada bidang persilangan keduanya, mengeksplorasi perkembangan protokol terkait.

Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Karena perkembangan perusahaan teknologi besar menyebabkan kekurangan GPU, pengembang lain kesulitan untuk mendapatkan sumber daya GPU yang cukup untuk membangun model AI mereka sendiri. Secara tradisional, pengembang akan memilih penyedia layanan cloud terpusat, tetapi ini sering kali memerlukan penandatanganan kontrak jangka panjang yang tidak fleksibel dan efisiensi yang rendah.

DePIN menyediakan solusi yang lebih fleksibel dan lebih hemat biaya. Ini memberikan insentif bagi kontribusi sumber daya melalui hadiah token, mengalihkan sumber daya GPU dari pemilik individu ke pusat data, membentuk pasokan yang terintegrasi bagi pengguna yang membutuhkan perangkat keras. Ini tidak hanya memberikan pengembang kemampuan komputasi yang dapat disesuaikan dan digunakan sesuai kebutuhan, tetapi juga memberikan pemilik GPU sumber pendapatan tambahan.

Di pasar sudah ada beberapa jaringan DePIN AI, masing-masing memiliki karakteristiknya. Selanjutnya, kita akan menjelajahi beberapa fitur dan tujuan dari proyek utama, serta beberapa hasil spesifik mereka.

AI DePIN Jaringan Ringkasan

Render adalah pelopor jaringan P2P yang menyediakan kemampuan komputasi GPU, awalnya fokus pada rendering pembuatan konten, kemudian memperluas cakupannya ke tugas komputasi AI.

Ciri-ciri:

• Didirikan oleh perusahaan grafis cloud OTOY yang memiliki teknologi pemenang Oscar
• Jaringan GPU telah digunakan oleh perusahaan besar di industri hiburan, seperti Paramount Pictures, PUBG, dll.
• Bekerja sama dengan Stability AI dan Endeavor, mengintegrasikan model AI dengan alur kerja rendering konten 3D
• Menyetujui beberapa klien komputasi, mengintegrasikan lebih banyak GPU dari jaringan DePIN

Akash diposisikan sebagai alternatif "super cloud" yang mendukung penyimpanan, komputasi GPU, dan CPU. Dengan memanfaatkan platform kontainer dan node komputasi yang dikelola Kubernetes, perangkat lunak dapat dikerahkan tanpa hambatan di berbagai lingkungan, menjalankan aplikasi cloud-native apa pun.

Ciri-ciri:

• Untuk berbagai tugas komputasi dari komputasi umum hingga hosting jaringan
• AkashML memungkinkan jaringan GPU-nya menjalankan lebih dari 15.000 model di Hugging Face
• Mengelola beberapa aplikasi terkenal, seperti chatbot model LLM Mistral AI, model SDXL Stability AI, dan lain-lain
• Mendukung pembangunan platform metaverse, penerapan AI, dan pembelajaran federasi

io.net menyediakan akses ke kluster cloud GPU terdistribusi, khusus untuk kasus penggunaan AI dan ML. Ini mengagregasi sumber daya GPU dari pusat data, penambang kripto, dan jaringan desentralisasi lainnya.

Ciri-ciri:

• IO-SDK kompatibel dengan kerangka kerja seperti PyTorch dan Tensorflow, arsitektur berlapis dapat diperluas secara dinamis sesuai kebutuhan
• Mendukung pembuatan 3 jenis kluster berbeda, dapat diluncurkan dalam 2 menit
• Bekerja sama dengan berbagai jaringan DePIN seperti Render, Filecoin, Aethir, mengintegrasikan sumber daya GPU

Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam. Ini meningkatkan efisiensi melalui mekanisme verifikasi yang inovatif.

Ciri-ciri:

• Biaya per jam untuk GPU setara V100 sekitar 0,40 dolar AS, penghematan biaya yang signifikan.
• Melalui pembuktian tumpukan, model dasar yang telah dilatih sebelumnya dapat disesuaikan.
• Model dasar ini akan bersifat Desentralisasi dan dimiliki secara global

Aethir dirancang khusus untuk GPU perusahaan, berfokus pada bidang yang memerlukan komputasi intensif, seperti AI, ML, dan game di cloud. Kontainer dalam jaringannya berfungsi sebagai titik akhir virtual untuk menjalankan aplikasi berbasis cloud.

Ciri-ciri:

• Selain AI dan permainan cloud, juga diperluas ke layanan ponsel cloud, bekerja sama dengan APhone untuk meluncurkan ponsel pintar cloud desentralisasi.
• Membangun kerjasama luas dengan perusahaan Web2 besar seperti NVIDIA, Super Micro, HPE
• Bekerja sama dengan berbagai proyek Web3 seperti CARV, Magic Eden

Phala Network sebagai lapisan eksekusi solusi AI Web3. Blockchain-nya adalah solusi komputasi awan tanpa kepercayaan, yang dirancang untuk menangani masalah privasi melalui lingkungan eksekusi tepercaya (TEE).

Ciri-ciri:

• Bertindak sebagai protokol koprosesor yang dapat diverifikasi untuk memungkinkan agen AI mengakses sumber daya di blockchain
• Kontrak agen AI dapat mengakses model bahasa besar terkemuka seperti OpenAI, Llama melalui Redpill
• Masa depan akan mencakup sistem bukti ganda seperti zk-proofs, komputasi multipihak, dan enkripsi homomorfik lengkap.
• Mendukung H100 dan TEE GPU lainnya di masa depan, 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 | Rendering Grafis dan AI | Komputasi Awan, Rendering dan AI | AI | AI | AI, Permainan Awan dan Telekomunikasi | Eksekusi AI di Rantai | | Jenis Tugas AI | Penalaran | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi | | Penetapan Harga | 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 Pekerjaan | Setiap Pekerjaan 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% Biaya Cadangan | Biaya Rendah | Setiap sesi 20% | Proporsional dengan jumlah staking | | Keamanan | Bukti Render | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kapasitas Render | Warisan dari Rantai Perantara | | Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pemeriksa | Bukti Jarak | | GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |

Pentingnya

Ketersediaan kluster dan komputasi paralel

Kerangka komputasi terdistribusi telah mengimplementasikan kluster GPU, memberikan pelatihan yang lebih efisien tanpa mempengaruhi akurasi model, sekaligus meningkatkan skalabilitas. Melatih model AI yang kompleks memerlukan kemampuan komputasi yang kuat, biasanya bergantung pada komputasi terdistribusi. Misalnya, model GPT-4 OpenAI memiliki lebih dari 1,8 triliun parameter, dilatih dalam 3-4 bulan menggunakan sekitar 25.000 GPU Nvidia A100 di 128 kluster.

Sebagian besar proyek utama kini telah mengintegrasikan cluster untuk mencapai komputasi paralel. io.net bekerja sama dengan proyek-proyek seperti Render, Filecoin, dan Aethir untuk memasukkan lebih banyak GPU ke dalam jaringannya, dan telah menerapkan lebih dari 3.800 cluster pada kuartal pertama tahun 24. Meskipun Render tidak mendukung cluster, cara kerjanya mirip, di mana satu frame dipecah menjadi beberapa node untuk diproses secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan untuk mengelompokkan pekerja CPU.

Privasi Data

Mengembangkan model AI memerlukan penggunaan kumpulan data yang besar, dan data ini mungkin mengandung informasi sensitif. Memastikan privasi data sangat penting untuk mengembalikan kontrol data kepada penyedia data.

Sebagian besar proyek menggunakan bentuk enkripsi data tertentu untuk melindungi privasi data. Render menggunakan enkripsi dan pemrosesan hash saat merilis hasil render, io.net dan Gensyn menerapkan enkripsi data, Akash menggunakan otentikasi mTLS.

io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik penuh (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsi terlebih dahulu. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), yang mencegah proses eksternal mengakses atau mengubah data.

Perhitungan Bukti Penyelesaian dan Pemeriksaan Kualitas

Karena GPU yang disediakan oleh proyek-proyek ini dapat digunakan untuk berbagai layanan, mulai dari rendering grafis hingga komputasi AI, maka diperlukan mekanisme bukti dan pemeriksaan kualitas.

Gensyn dan Aethir menghasilkan bukti setelah perhitungan selesai, bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa dimanfaatkan dengan baik. Gensyn dan Aethir akan melakukan pemeriksaan kualitas pada perhitungan yang telah selesai. Render menyarankan untuk menggunakan proses penyelesaian sengketa. Setelah Phala selesai, akan dihasilkan bukti TEE, memastikan bahwa agen AI menjalankan operasi yang diperlukan di blockchain.

Data 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 memerlukan GPU dengan kinerja terbaik, seperti Nvidia A100 dan H100. Kinerja inferensi H100 4 kali lebih cepat daripada A100, menjadikannya GPU pilihan utama, terutama untuk perusahaan besar yang sedang melatih LLM mereka sendiri.

Penyedia pasar GPU desentralisasi perlu bersaing dengan rekan-rekan Web2, tidak hanya dengan menawarkan harga yang lebih rendah, tetapi juga memenuhi kebutuhan nyata pasar. Pada tahun 2023, Nvidia mengirimkan lebih dari 500.000 unit H100 kepada perusahaan teknologi besar yang terpusat, yang membuat akses ke perangkat keras yang setara menjadi sulit.

io.net dan Aethir masing-masing memiliki lebih dari 2000 unit H100 dan A100, yang lebih cocok untuk perhitungan model besar. Berdasarkan ukuran kluster yang dibutuhkan oleh pengembang, saat ini biaya layanan GPU desentralisasi ini jauh lebih rendah dibandingkan dengan layanan GPU terpusat.

Meskipun kluster GPU yang terhubung ke jaringan terbatas dalam hal memori, jaringan GPU desentralisasi masih dapat memberikan kemampuan komputasi yang kuat dan skalabilitas untuk tugas komputasi terdistribusi bagi pengguna yang membutuhkan fleksibilitas dan kemampuan untuk mendistribusikan beban kerja di beberapa node.

Menyediakan GPU/CPU tingkat konsumen

CPU juga memainkan peran penting dalam melatih model AI, dapat digunakan dalam berbagai aspek mulai dari pemrosesan data hingga manajemen sumber daya memori. GPU kelas konsumen dapat digunakan untuk tugas yang tidak terlalu intensif, seperti penyesuaian model yang sudah dilatih sebelumnya atau melatih model berskala kecil pada dataset kecil.

Mengingat lebih dari 85% sumber daya GPU konsumen dalam keadaan tidak terpakai, proyek seperti Render, Akash, dan io.net juga dapat melayani pasar ini. Menyediakan opsi-opsi ini memungkinkan mereka mengembangkan posisi pasar mereka sendiri, dengan fokus pada komputasi intensif skala besar, rendering skala kecil, atau campuran keduanya.

Kesimpulan

Bidang AI DePIN masih relatif baru dan menghadapi tantangannya sendiri. Namun, jumlah tugas yang dijalankan pada jaringan GPU desentralisasi ini dan perangkat kerasnya meningkat secara signifikan, menyoroti pertumbuhan permintaan akan alternatif sumber daya perangkat keras penyedia cloud Web2. Pada saat yang sama, peningkatan jumlah penyedia perangkat keras juga menunjukkan pasokan yang sebelumnya belum dimanfaatkan dengan baik. Ini semakin membuktikan kesesuaian pasar produk dari jaringan AI DePIN, yang secara efektif mengatasi tantangan dalam hal permintaan dan pasokan.

Melihat ke depan, AI diharapkan berkembang menjadi pasar senilai triliunan dolar yang berkembang pesat. Jaringan GPU yang terdesentralisasi ini akan memainkan peran kunci dalam menyediakan alternatif komputasi yang hemat biaya bagi para pengembang. Dengan terus menjembatani kesenjangan antara permintaan dan pasokan, jaringan ini akan memberikan kontribusi signifikan terhadap lanskap masa depan AI dan infrastruktur komputasi.