Пересечение ИИ и DePIN: Восхождение децентрализованных GPU сетей

Недавно AI и DePIN стали популярными трендами в области Web3, их рыночная капитализация достигла 30 миллиардов долларов и 23 миллиардов долларов соответственно. В этой статье мы сосредоточимся на пересечении этих двух областей и обсудим развитие соответствующих протоколов.

! Пересечение AI и DePIN

В стеке технологий ИИ сеть DePIN предоставляет вычислительные ресурсы для усиления ИИ. Из-за нехватки GPU, вызванной крупными технологическими компаниями, другим разработчикам трудно получить достаточное количество GPU для вычислений моделей ИИ. Традиционный подход заключается в выборе централизованных облачных провайдеров, но это требует подписания не гибких долгосрочных контрактов и является неэффективным.

DePIN предлагает более гибкое и экономически эффективное решение, стимулируя вклад ресурсов через токенизированные вознаграждения. DePIN в области ИИ интегрирует личные GPU-ресурсы в дата-центры, предоставляя пользователям единое предложение. Это не только предоставляет разработчикам индивидуализированные услуги по запросу, но и создает дополнительный доход для владельцев GPU.

На рынке существует несколько AI DePIN сетей, в этой статье будут проанализированы функции, цели и достижения различных протоколов, а также их различия.

Обзор сети AI DePIN

Рендер

Render является пионером P2P GPU вычислительной сети, изначально сосредоточенным на рендеринге контента, а затем расширившимся до AI вычислительных задач за счет интеграции таких инструментов, как Stable Diffusion.

Яркие моменты:

• Основана компанией OTOY, удостоенной премии Оскар за технологии
• Paramount Pictures, PUBG и другие гиганты развлекательной индустрии используют свою GPU сеть
• Сотрудничество с Stability AI и другими для интеграции моделей ИИ в рабочий процесс рендеринга 3D-контента
• Одобрение нескольких вычислительных клиентов, интеграция большего количества GPU сетей DePIN

Акаши

Akash позиционируется как "супероблачная" платформа, поддерживающая хранение, GPU и CPU вычисления, заменяющая традиционных провайдеров услуг, таких как AWS. С использованием платформы контейнеров и вычислительных узлов, управляемых Kubernetes, можно бесшовно развертывать любые облачные нативные приложения.

Яркие моменты:

• Направленность на широкий спектр вычислительных задач от общего вычисления до сетевого хостинга
• AkashML позволяет запускать более 15 000 моделей на Hugging Face
• Хостинг LLM чат-ботов Mistral AI, таких как Stability AI SDXL и другие приложения
• Метавселенная, развертывание ИИ и платформа федеративного обучения используют свой Supercloud

io.net

io.net предоставляет распределенные GPU облачные кластеры, специально предназначенные для сценариев ИИ и МЛ. Интеграция ресурсов GPU из дата-центров, криптодобычи и других областей.

Яркое пятно:

• IO-SDK совместим с такими фреймворками, как PyTorch, многоуровневая архитектура может автоматически масштабироваться в зависимости от потребностей
• Поддержка создания 3-х различных типов кластеров, запуск в течение 2 минут
• Сотрудничество с Render, Filecoin и интеграция дополнительных ресурсов GPU

Gensyn

Gensyn предоставляет вычислительные мощности GPU, сосредоточенные на машинном обучении и глубоком обучении. Повышение эффективности верификации с помощью таких механизмов, как доказательство обучения.

Яркие моменты:

• Стоимость использования V100 GPU составляет примерно 0,40 доллара США в час, что значительно экономит расходы.
• Через доказательство стеков можно дообучить предобученную базовую модель
• Базовая модель будет Децентрализация, глобально доступна, предоставляя дополнительные функции

Этир

Aethir специально оснащен корпоративными GPU, сосредоточен на вычислительно интенсивных областях, таких как ИИ, МЛ, облачные игры и т.д. Перемещение рабочих нагрузок из локальной среды в облако через контейнеры обеспечивает низкую задержку.

Яркие моменты:

• Расширение на сервис облачных телефонов, сотрудничество с APhone для запуска Децентрализованного облачного телефона
• Установление широкого сотрудничества с такими гигантами Web2, как NVIDIA и Super Micro
• С несколькими партнерами, такими как CARV, Magic Eden, в области Web3

Сеть ### Phala

Phala Network как уровень исполнения Web3 AI решений решает проблемы конфиденциальности через доверенную среду выполнения (TEE). Это позволяет AI-агентам находиться под контролем смарт-контрактов на блокчейне.

Яркие моменты:

• Выступает в качестве протокола сопроцессора для проверяемых вычислений, позволяя AI-агентам использовать ресурсы на блокчейне
• Контракты AI-агентов можно получить через Redpill от таких ведущих LLM, как OpenAI.
• В будущем будут использоваться многократные системы доказательств, такие как zk-proofs, MPC, FHE
• Планы по поддержке TEE GPU, таких как H100, для повышения вычислительной мощности

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 | ИИ, облачные игры и телекоммуникации | Выполнение ИИ на блокчейне | | Тип задачи AI | Вывод | Двусторонний | Двусторонний | Обучение | Обучение | Выполнение | | Ценовая работа | На основе производительности | Обратные аукционы | Рыночное ценообразование | Рыночное ценообразование | Система тендеров | Расчет доли | | Блокчейн | Солана | Космос | Солана | Генсин | Арбитрум | Полкадот | | Защита данных | Шифрование&хеширование | mTLS аутентификация | Шифрование данных | Безопасное отображение | Шифрование | TEE | | Рабочие расходы | 0.5-5%/работа | 20% USDC, 4% AKT | 2% USDC, 0.25% резерв | Низкие расходы | 20%/сессия | Пропорционально ставкам | | Безопасность | Доказательство рендеринга | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство вычислительной способности | Унаследовано от промежуточной цепи | | Подтверждение завершения | - | - | Доказательство временной блокировки | Доказательство обучения | Доказательство рендеринга | Подтверждение TEE | | Гарантия качества | Механизм споров | - | - | Проверяющие и сообщающие | Проверка узлов | Удаленное доказательство | | GPU кластер | Нет | Да | Да | Да | Да | Нет |

! Пересечение AI и DePIN

Важность

Доступность кластерных и параллельных вычислений

Распределенная вычислительная система реализует кластер GPU, обеспечивая более эффективное обучение и повышенную масштабируемость. Обучение сложных моделей ИИ требует мощных вычислительных ресурсов и обычно зависит от распределенных вычислений. Например, модель GPT-4 от OpenAI имеет более 1,8 триллионов параметров, на ее обучение потребовалось 3-4 месяца и использовалось 128 кластеров примерно с 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. Render, хотя и не поддерживает кластеры, разбивает один кадр на несколько узлов для одновременной обработки. Phala в настоящее время поддерживает только CPU, но разрешает кластеризацию CPU-агентов.

Кластерные фреймы важны для сетей рабочих процессов ИИ, но количество и типы кластерных GPU, удовлетворяющие потребности разработчиков ИИ, являются другой проблемой.

Защита данных

Разработка моделей ИИ требует больших объемов данных, которые могут содержать конфиденциальную информацию. Методы защиты данных имеют решающее значение для обеспечения контроля над данными.

Большинство проектов используют шифрование для защиты конфиденциальности данных. Render использует шифрование и хеширование при публикации результатов рендеринга. io.net и Gensyn используют шифрование данных. Akash использует аутентификацию mTLS, разрешая только указанным провайдерам получать данные.

io.net недавно сотрудничала с Mind Network для запуска полностью гомоморфного шифрования (FHE), позволяющего напрямую обрабатывать зашифрованные данные. Это лучше защищает конфиденциальность, чем существующие технологии шифрования.

Phala Network вводит доверенную среду выполнения ( TEE ), изолируя от внешнего доступа или изменения данных. Она также использует zk-доказательства для интеграции программ RiscZero zkVM.

Подтверждение завершения вычислений и проверка качества

Отчет о завершении вычислений подтверждает, что GPU действительно использовались для необходимых услуг, а контроль качества полезен для пользователей.

Gensyn и Aethir генерируют доказательства выполнения работы, io.net подтверждает, что производительность GPU используется в полной мере. Gensyn и Aethir проводят контроль качества. Gensyn повторно запускает часть доказательств с помощью валидаторов, а информатор выступает в качестве дополнительной проверки. Aethir использует контрольные точки для оценки качества обслуживания. Render рекомендует использовать процесс разрешения споров для обработки проблемных узлов. Phala генерирует доказательства TEE, обеспечивая выполнение необходимых операций AI-агентом.

Аппаратные статистические данные

| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |-------------|--------|-------|--------|------------|------------|--------| | Количество GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Количество CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Количество H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Плата H100/час | - | $1.46 | $1.19 | - | - | - | | Плата за 100 австралийских долларов в час | - | $1.37 | $1.50 | $0.55 ( ориентировочный ) | $0.33 ( ориентировочно ) | - |

! Пересечение AI и DePIN

Высокопроизводительный спрос на GPU

Модели ИИ склонны использовать высокопроизводительные GPU, такие как Nvidia A100 и H100, для обучения. Производительность вывода H100 в 4 раза выше, чем у A100, что делает его предпочтительным выбором для крупных компаний при обучении LLM.

Децентрализованный поставщик GPU-рынка должен не только предлагать более низкие цены, но и удовлетворять реальные потребности. В 2023 году Nvidia поставила более 500000 H100 крупным технологическим компаниям, что сделало получение аналогичного оборудования затруднительным. Важно учитывать количество оборудования, которое проект может недорого внедрить.

У Akash всего лишь более 150 H100 и A100, а у io.net и Aethir более 2000. Для предварительного обучения LLM обычно требуется от 248 до более 2000 GPU кластеров, последние два проекта более подходят для вычислений больших моделей.

В настоящее время затраты на децентрализованные услуги GPU уже ниже, чем на централизованные услуги. Gensyn и Aethir заявляют, что стоимость аренды оборудования уровня A100 составляет менее 1 доллара в час, но это еще нужно проверить.

Сетевое соединение кластеров GPU хотя и дешевое, но память ограничена. NVLink поддерживает прямую связь между GPU, что подходит для LLM с большим количеством параметров и большими наборами данных.

Тем не менее, Децентрализация GPU сети все еще предоставляет мощные возможности и масштабируемость для распределенных вычислений, открывая олигархические ситуации для создания большего количества случаев использования ИИ и МЛ.

! Пересечение искусственного интеллекта и DePIN

Предоставление потребительских GPU/CPU

ЦПУ также играет важную роль в обучении ИИ-моделей, используется для предварительной обработки данных и управления памятью. Потребительские ГПУ могут использоваться для тонкой настройки предобученных моделей или небольшого обучения.

Учитывая, что более 85% потребителей имеют неиспользуемые GPU, такие проекты, как Render, Akash и io.net, также могут обслуживать этот рынок. Предоставление этих опций позволяет им разрабатывать уникальное рыночное позиционирование, сосредоточившись на масштабных вычислениях, универсальном маломасштабном рендеринге или смешанном режиме.

Вывод

Область AI DePIN все еще нова и сталкивается с вызовами. Например, io.net была обвинена в подделке количества GPU, а затем решила проблему, введя доказательство работы.

Тем не менее, количество задач и оборудования, выполняемых в децентрализованной сети GPU, значительно увеличилось, что подчеркивает растущий спрос на альтернативы облачным сервисам Web2. Увеличение числа поставщиков оборудования также демонстрирует ранее недостаточно использованное предложение. Это подтверждает соответствие рынка продуктов AI DePIN сети и эффективно решает проблемы спроса и предложения.

Смотрев в будущее, ИИ станет процветающим рынком на десятки миллиардов долларов, эти децентрализованные сети GPU предоставят разработчикам экономически эффективные вычислительные альтернативы. Постоянно сокращая разрыв между спросом и предложением, эти сети внесут значительный вклад в будущее ИИ и вычислительной инфраструктуры.

! Пересечение AI и DePIN

! Пересечение ИИ и DePIN

! Пересечение искусственного интеллекта и DePIN

! Пересечение AI и DePIN