В последнее время искусственный интеллект и Децентрализация физической инфраструктуры сети ( DePIN ) стали热门话题 в области Web3, рыночная капитализация которых составляет 30 миллиардов долларов и 23 миллиарда долларов соответственно. В этой статье будет рассмотрено их пересечение и изучено развитие соответствующих протоколов.
В стеке технологий ИИ сеть DePIN предоставляет вычислительные ресурсы для усиления ИИ. Из-за нехватки графических процессоров (GPU), вызванной крупными технологическими компаниями, другим командам, разрабатывающим модели ИИ, трудно получить достаточную мощность GPU. Традиционный подход заключается в выборе централизованных облачных провайдеров, но это требует подписания негибких долгосрочных контрактов и приводит к низкой эффективности.
DePIN предоставляет более гибкие и экономически эффективные альтернативы, стимулируя вклад ресурсов через вознаграждения в токенах. DePIN в области ИИ интегрирует GPU-ресурсы от частных владельцев в центры обработки данных, предлагая пользователям единое предложение. Это не только предоставляет разработчикам настраиваемые и по требованию вычислительные мощности, но и создает дополнительный доход для владельцев GPU.
На данный момент на рынке существует несколько AI DePIN сетей, каждая из которых обладает своими особенностями. Далее мы рассмотрим функции, цели и достижения каждого протокола, чтобы глубже понять их различия.
Render является пионером P2P GPU вычислительных сетей, изначально сосредоточенным на рендеринге контента, а затем расширившимся на задачи AI вычислений. Проект был основан компанией OTOY, получившей техническую премию Оскар, и ее GPU сеть уже используется такими крупными компаниями, как Paramount и PUBG. Render также сотрудничает с Stability AI, интегрируя AI модели в процесс рендеринга 3D контента.
Akash позиционируется как "супероблачная" платформа, поддерживающая хранение, GPU и CPU вычисления. Она использует контейнерную платформу и вычислительные узлы, управляемые Kubernetes, что позволяет безшовно развертывать программное обеспечение в различных средах. На Akash работают такие приложения, как LLM-чат-бот Mistral AI, модель генерации изображений Stability AI и другие.
io.net предоставляет специализированные распределенные облачные кластеры GPU для ИИ и машинного обучения. Компания изначально была компанией по количественной торговле, затем преобразовалась в существующий бизнес. Ее IO-SDK совместим с такими фреймворками, как PyTorch и TensorFlow, многоуровневая архитектура может динамически масштабироваться в зависимости от потребностей. io.net также сотрудничает и интегрирует ресурсы GPU с Render, Filecoin и другими.
Gensyn сосредоточен на вычислениях с использованием GPU для машинного обучения и глубокого обучения. Он реализует эффективный механизм верификации с помощью технологий, таких как доказательство обучения и протоколы точного позиционирования на основе графов. Gensyn может донастраивать предварительно обученные базовые модели для выполнения более специфических задач.
Aethir специально предлагает корпоративные GPU, в основном используемые в области вычислительно интенсивных задач, таких как ИИ, машинное обучение и облачные игры. Контейнеры в их сети выступают в качестве виртуальных конечных точек облачных приложений, перемещая рабочие нагрузки с локальных устройств в контейнеры для достижения низкой задержки. Aethir также расширился на услуги облачных телефонов и установил сотрудничество с несколькими компаниями Web2 и Web3.
Phala Network как уровень выполнения Web3 AI решений, проектирует обработку проблем конфиденциальности через надежную среду исполнения (TEE). Это позволяет AI-агентам контролироваться смарт-контрактами на блокчейне и в будущем планируется поддержка TEE GPU, таких как H100, для повышения вычислительной мощности.
| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Основные направления бизнеса | Графическая визуализация и ИИ | Облачные вычисления, визуализация и ИИ | ИИ | ИИ | Искусственный интеллект, облачные игры и телекоммуникации | Выполнение ИИ на блокчейне |
| Тип задачи AI | Вывод | Оба варианта | Оба варианта | Обучение | Обучение | Выполнение |
| Цены на работу | Цены на основе производительности | Обратные аукционы | Рыночные цены | Рыночные цены | Система тендеров | Расчет долей |
| Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек |
| Защита данных | Шифрование&хеширование | Аутентификация mTLS | Шифрование данных | Безопасная карта | Шифрование | TEE |
| Рабочие расходы | 0.5-5% за каждую работу | 20% USDC, 4% AKT | 2% USDC, 0.25% сбор резервов | Низкие расходы | 20% за каждый сеанс | Пропорционально сумме стейкинга |
| Безопасность | Доказательство рендеринга | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство мощности рендеринга | Унаследовано от промежуточной цепи |
| Завершение доказательства | - | - | Доказательство блокировки времени | Доказательство обучения | Доказательство рендеринга | Доказательство TEE |
| Гарантия качества | Спор | - | - | Проверяющий и информатор | Узел проверяющего | Удаленное доказательство |
| GPU кластеры | Нет | Да | Да | Да | Да | Нет |
Важность
Доступность кластеров и параллельных вычислений
Распределённая вычислительная платформа реализовала кластер GPU, обеспечивая высокую точность модели, одновременно повышая эффективность и масштабируемость обучения. Обучение сложных AI моделей требует мощных вычислительных ресурсов, и обычно зависит от распределённых вычислений. Например, модель GPT-4 от OpenAI имеет более 1,8 триллиона параметров и обучалась в течение 3-4 месяцев на около 25 000 GPU Nvidia A100.
Большинство проектов теперь интегрировали кластеры для реализации параллельных вычислений. io.net в сотрудничестве с другими проектами развернул более 3 800 кластеров в первом квартале 24 года. Хотя Render не поддерживает кластеры, его принцип работы аналогичен, так как он разбивает отдельный кадр на несколько узлов для одновременной обработки. Phala в настоящее время поддерживает только CPU, но позволяет кластеризацию CPU-воркеров.
Конфиденциальность данных
Разработка AI-моделей требует больших объемов данных, которые могут содержать конфиденциальную информацию. Обеспечение конфиденциальности данных имеет решающее значение для возврата контроля над данными к их поставщикам. Большинство проектов используют какую-либо форму шифрования данных. io.net недавно сотрудничал с Mind Network для запуска полностью гомоморфного шифрования (FHE), позволяющего обрабатывать зашифрованные данные без их расшифровки. Phala Network внедрила надежную среду выполнения (TEE), предотвращающую доступ или изменение данных внешними процессами.
Вычисление доказательства завершения и проверки качества
Из-за широкого диапазона услуг, от рендеринга до ИИ-вычислений, окончательное качество может не всегда соответствовать стандартам пользователя. Завершение доказательств и проверка качества полезны для пользователей. Генерируемые Gensyn и Aethir доказательства подтверждают, что работа выполнена, и производят проверку качества. Доказательства io.net показывают, что производительность арендуемых GPU используется в полной мере. Render рекомендует использовать процесс разрешения споров для наказания узлов с проблемами. Phala генерирует TEE доказательства, обеспечивая выполнение необходимых операций AI-агентом.
Модели ИИ склонны использовать высокопроизводительные GPU, такие как Nvidia A100 и H100, для обучения. Производительность вывода H100 в 4 раза быстрее, чем у A100, что делает его выбором крупных компаний для обучения LLM. Провайдеры GPU на децентрализованном рынке должны предоставить достаточное количество высокопроизводительного оборудования, чтобы конкурировать с соперниками Web2. io.net и Aethir имеют более 2000 единиц H100 и A100, что делает их более подходящими для вычислений больших моделей.
Стоимость децентрализованных GPU-сервисов значительно ниже, чем у централизованных. Gensyn и Aethir утверждают, что могут арендовать эквивалент оборудования A100 менее чем за 1 доллар в час. Однако GPU-кластеры с сетевым подключением могут иметь ограничения по памяти и не так подходят для LLMS с большим количеством параметров и наборов данных, как GPU с подключением NVLink.
Тем не менее, децентрализованная GPU сеть по-прежнему предоставляет мощные вычислительные возможности и масштабируемость для распределенных вычислительных задач, открывая возможности для создания большего количества случаев использования ИИ и МЛ.
Хотя GPU является основным обработчиком, CPU также играет важную роль в обучении AI-моделей. Потребительские GPU могут использоваться для задач меньшего масштаба, таких как дообучение предобученных моделей или обучение небольших моделей на небольших наборах данных. Проекты, такие как Render, Akash и io.net, также обслуживают этот рынок, используя неиспользуемые ресурсы потребительских GPU.
Область AI DePIN все еще относительно новая и сталкивается с вызовами. Тем не менее, количество задач и аппаратного обеспечения, выполняемого в этих сетях, значительно увеличилось, что подчеркивает растущий спрос на альтернативы аппаратным ресурсам облачных провайдеров Web2. Эта тенденция подтверждает соответствие продуктов сети AI DePIN требованиям рынка, эффективно решая проблемы спроса и предложения.
Смотря в будущее, ИИ, вероятно, разовьется в процветающий рынок стоимостью в триллионы долларов. Эти децентрализованные сети GPU сыграют ключевую роль в предоставлении экономически эффективных вычислительных альтернатив для разработчиков, значительно способствуя будущему ландшафту ИИ и вычислительной инфраструктуры.
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 Лайков
Награда
5
4
Поделиться
комментарий
0/400
ContractFreelancer
· 4ч назад
Ну, ничего себе, снова гонка по отъему денег.
Посмотреть ОригиналОтветить0
MintMaster
· 12ч назад
Масштаб уменьшился, 300 миллиардов - это только начало~
Посмотреть ОригиналОтветить0
RugDocDetective
· 12ч назад
Еще одно устройство, которое хочет разыгрывать людей как лохов про
Посмотреть ОригиналОтветить0
CryptoGoldmine
· 12ч назад
Данные говорят, что средняя доходность GPU уже превышает 30% ROI, подходит для Создание позиции.
AI и DePIN: восход децентрализованных GPU сетей, трансформирующих рынок на 30 миллиардов долларов
AI и DePIN: восход децентрализованных GPU сетей
В последнее время искусственный интеллект и Децентрализация физической инфраструктуры сети ( DePIN ) стали热门话题 в области Web3, рыночная капитализация которых составляет 30 миллиардов долларов и 23 миллиарда долларов соответственно. В этой статье будет рассмотрено их пересечение и изучено развитие соответствующих протоколов.
В стеке технологий ИИ сеть DePIN предоставляет вычислительные ресурсы для усиления ИИ. Из-за нехватки графических процессоров (GPU), вызванной крупными технологическими компаниями, другим командам, разрабатывающим модели ИИ, трудно получить достаточную мощность GPU. Традиционный подход заключается в выборе централизованных облачных провайдеров, но это требует подписания негибких долгосрочных контрактов и приводит к низкой эффективности.
DePIN предоставляет более гибкие и экономически эффективные альтернативы, стимулируя вклад ресурсов через вознаграждения в токенах. DePIN в области ИИ интегрирует GPU-ресурсы от частных владельцев в центры обработки данных, предлагая пользователям единое предложение. Это не только предоставляет разработчикам настраиваемые и по требованию вычислительные мощности, но и создает дополнительный доход для владельцев GPU.
На данный момент на рынке существует несколько AI DePIN сетей, каждая из которых обладает своими особенностями. Далее мы рассмотрим функции, цели и достижения каждого протокола, чтобы глубже понять их различия.
! Пересечение AI и DePIN
Обзор сети DePIN на основе ИИ
Render является пионером P2P GPU вычислительных сетей, изначально сосредоточенным на рендеринге контента, а затем расширившимся на задачи AI вычислений. Проект был основан компанией OTOY, получившей техническую премию Оскар, и ее GPU сеть уже используется такими крупными компаниями, как Paramount и PUBG. Render также сотрудничает с Stability AI, интегрируя AI модели в процесс рендеринга 3D контента.
Akash позиционируется как "супероблачная" платформа, поддерживающая хранение, GPU и CPU вычисления. Она использует контейнерную платформу и вычислительные узлы, управляемые Kubernetes, что позволяет безшовно развертывать программное обеспечение в различных средах. На Akash работают такие приложения, как LLM-чат-бот Mistral AI, модель генерации изображений Stability AI и другие.
io.net предоставляет специализированные распределенные облачные кластеры GPU для ИИ и машинного обучения. Компания изначально была компанией по количественной торговле, затем преобразовалась в существующий бизнес. Ее IO-SDK совместим с такими фреймворками, как PyTorch и TensorFlow, многоуровневая архитектура может динамически масштабироваться в зависимости от потребностей. io.net также сотрудничает и интегрирует ресурсы GPU с Render, Filecoin и другими.
Gensyn сосредоточен на вычислениях с использованием GPU для машинного обучения и глубокого обучения. Он реализует эффективный механизм верификации с помощью технологий, таких как доказательство обучения и протоколы точного позиционирования на основе графов. Gensyn может донастраивать предварительно обученные базовые модели для выполнения более специфических задач.
Aethir специально предлагает корпоративные GPU, в основном используемые в области вычислительно интенсивных задач, таких как ИИ, машинное обучение и облачные игры. Контейнеры в их сети выступают в качестве виртуальных конечных точек облачных приложений, перемещая рабочие нагрузки с локальных устройств в контейнеры для достижения низкой задержки. Aethir также расширился на услуги облачных телефонов и установил сотрудничество с несколькими компаниями Web2 и Web3.
Phala Network как уровень выполнения Web3 AI решений, проектирует обработку проблем конфиденциальности через надежную среду исполнения (TEE). Это позволяет AI-агентам контролироваться смарт-контрактами на блокчейне и в будущем планируется поддержка TEE GPU, таких как H100, для повышения вычислительной мощности.
! Пересечение AI и DePIN
Сравнение проектов
| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Основные направления бизнеса | Графическая визуализация и ИИ | Облачные вычисления, визуализация и ИИ | ИИ | ИИ | Искусственный интеллект, облачные игры и телекоммуникации | Выполнение ИИ на блокчейне | | Тип задачи AI | Вывод | Оба варианта | Оба варианта | Обучение | Обучение | Выполнение | | Цены на работу | Цены на основе производительности | Обратные аукционы | Рыночные цены | Рыночные цены | Система тендеров | Расчет долей | | Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек | | Защита данных | Шифрование&хеширование | Аутентификация mTLS | Шифрование данных | Безопасная карта | Шифрование | TEE | | Рабочие расходы | 0.5-5% за каждую работу | 20% USDC, 4% AKT | 2% USDC, 0.25% сбор резервов | Низкие расходы | 20% за каждый сеанс | Пропорционально сумме стейкинга | | Безопасность | Доказательство рендеринга | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство мощности рендеринга | Унаследовано от промежуточной цепи | | Завершение доказательства | - | - | Доказательство блокировки времени | Доказательство обучения | Доказательство рендеринга | Доказательство TEE | | Гарантия качества | Спор | - | - | Проверяющий и информатор | Узел проверяющего | Удаленное доказательство | | GPU кластеры | Нет | Да | Да | Да | Да | Нет |
Важность
Доступность кластеров и параллельных вычислений
Распределённая вычислительная платформа реализовала кластер GPU, обеспечивая высокую точность модели, одновременно повышая эффективность и масштабируемость обучения. Обучение сложных AI моделей требует мощных вычислительных ресурсов, и обычно зависит от распределённых вычислений. Например, модель GPT-4 от OpenAI имеет более 1,8 триллиона параметров и обучалась в течение 3-4 месяцев на около 25 000 GPU Nvidia A100.
Большинство проектов теперь интегрировали кластеры для реализации параллельных вычислений. io.net в сотрудничестве с другими проектами развернул более 3 800 кластеров в первом квартале 24 года. Хотя Render не поддерживает кластеры, его принцип работы аналогичен, так как он разбивает отдельный кадр на несколько узлов для одновременной обработки. Phala в настоящее время поддерживает только CPU, но позволяет кластеризацию CPU-воркеров.
Конфиденциальность данных
Разработка AI-моделей требует больших объемов данных, которые могут содержать конфиденциальную информацию. Обеспечение конфиденциальности данных имеет решающее значение для возврата контроля над данными к их поставщикам. Большинство проектов используют какую-либо форму шифрования данных. io.net недавно сотрудничал с Mind Network для запуска полностью гомоморфного шифрования (FHE), позволяющего обрабатывать зашифрованные данные без их расшифровки. Phala Network внедрила надежную среду выполнения (TEE), предотвращающую доступ или изменение данных внешними процессами.
Вычисление доказательства завершения и проверки качества
Из-за широкого диапазона услуг, от рендеринга до ИИ-вычислений, окончательное качество может не всегда соответствовать стандартам пользователя. Завершение доказательств и проверка качества полезны для пользователей. Генерируемые Gensyn и Aethir доказательства подтверждают, что работа выполнена, и производят проверку качества. Доказательства io.net показывают, что производительность арендуемых GPU используется в полной мере. Render рекомендует использовать процесс разрешения споров для наказания узлов с проблемами. Phala генерирует TEE доказательства, обеспечивая выполнение необходимых операций AI-агентом.
! Пересечение AI и DePIN
Статистика оборудования
| | Рендер | Акаш | io.net | Генсин | Эфир | Фала | |-------------|--------|-------|--------|------------|------------|--------| | Количество GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Количество CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Количество H100/A100 | - | 157 | 2330 | - | 2000+ | - | | H100 стоимость/час | - | $1.46 | $1.19 | - | - | - | | A100 стоимость/час | - | $1.37 | $1.50 | $0.55 ( ожидается ) | $0.33 ( ожидается ) | - |
Требования к высокопроизводительным GPU
Модели ИИ склонны использовать высокопроизводительные GPU, такие как Nvidia A100 и H100, для обучения. Производительность вывода H100 в 4 раза быстрее, чем у A100, что делает его выбором крупных компаний для обучения LLM. Провайдеры GPU на децентрализованном рынке должны предоставить достаточное количество высокопроизводительного оборудования, чтобы конкурировать с соперниками Web2. io.net и Aethir имеют более 2000 единиц H100 и A100, что делает их более подходящими для вычислений больших моделей.
Стоимость децентрализованных GPU-сервисов значительно ниже, чем у централизованных. Gensyn и Aethir утверждают, что могут арендовать эквивалент оборудования A100 менее чем за 1 доллар в час. Однако GPU-кластеры с сетевым подключением могут иметь ограничения по памяти и не так подходят для LLMS с большим количеством параметров и наборов данных, как GPU с подключением NVLink.
Тем не менее, децентрализованная GPU сеть по-прежнему предоставляет мощные вычислительные возможности и масштабируемость для распределенных вычислительных задач, открывая возможности для создания большего количества случаев использования ИИ и МЛ.
! Пересечение искусственного интеллекта и DePIN
Предоставляет потребительские GPU/CPU
Хотя GPU является основным обработчиком, CPU также играет важную роль в обучении AI-моделей. Потребительские GPU могут использоваться для задач меньшего масштаба, таких как дообучение предобученных моделей или обучение небольших моделей на небольших наборах данных. Проекты, такие как Render, Akash и io.net, также обслуживают этот рынок, используя неиспользуемые ресурсы потребительских GPU.
! Пересечение AI и DePIN
Заключение
Область AI DePIN все еще относительно новая и сталкивается с вызовами. Тем не менее, количество задач и аппаратного обеспечения, выполняемого в этих сетях, значительно увеличилось, что подчеркивает растущий спрос на альтернативы аппаратным ресурсам облачных провайдеров Web2. Эта тенденция подтверждает соответствие продуктов сети AI DePIN требованиям рынка, эффективно решая проблемы спроса и предложения.
Смотря в будущее, ИИ, вероятно, разовьется в процветающий рынок стоимостью в триллионы долларов. Эти децентрализованные сети GPU сыграют ключевую роль в предоставлении экономически эффективных вычислительных альтернатив для разработчиков, значительно способствуя будущему ландшафту ИИ и вычислительной инфраструктуры.
! Пересечение ИИ и DePIN