AI ve DePIN'in Kesişimi: Merkeziyetsiz GPU Ağının Yükselişi

Son zamanlarda, yapay zeka ve Merkeziyetsizlik fiziksel altyapı ağı ( DePIN ) Web3 alanında popüler bir konu haline geldi ve piyasa değeri sırasıyla 30 milyar dolar ve 23 milyar dolara ulaştı. Bu makalede, ikisinin kesişimi incelenecek, ilgili protokollerin gelişimi araştırılacaktır.

AI teknoloji yığını içinde, DePIN ağı hesaplama kaynakları sağlayarak AI'yi güçlendirir. Büyük teknoloji şirketlerinin GPU kıtlığına neden olması nedeniyle, diğer AI modeli geliştiren ekiplerin yeterli GPU hesaplama gücüne ulaşması zorlaşmıştır. Geleneksel yöntem, merkezi bulut hizmet sağlayıcılarını seçmek ancak esnek olmayan uzun vadeli sözleşmeler imzalamak ve verimsizlik yaşamaktır.

DePIN, token ödülleriyle kaynak katkılarını teşvik ederek daha esnek ve maliyet etkin alternatifler sunmaktadır. AI alanındaki DePIN, GPU kaynaklarını bireysel sahiplerden veri merkezlerine entegre ederek kullanıcılara birleşik bir arz sunar. Bu, geliştiricilere özelleştirilmiş ve talebe dayalı hesaplama gücü sağlarken, GPU sahiplerine de ek gelir yaratmaktadır.

Şu anda piyasada birçok AI DePIN ağı var, her birinin kendine özgü özellikleri bulunuyor. Sonraki aşamada, her bir protokolün işlevini, hedeflerini ve elde ettiği başarıları inceleyeceğiz, böylece aralarındaki farklılıkları daha iyi anlayabileceğiz.

AI DePIN Ağı Genel Görünümü

Render, içerik üretimi render'ı üzerine ilk odaklanan, daha sonra AI hesaplama görevlerine genişleyen bir P2P GPU hesaplama ağının öncüsüdür. Bu proje, Oscar Teknoloji Ödülü'nü kazanan bulut grafik şirketi OTOY tarafından kurulmuştur ve GPU ağı, Paramount, PUBG gibi büyük şirketler tarafından kullanılmaktadır. Render ayrıca Stability AI gibi ortaklarla çalışarak AI modellerini 3D içerik render süreci ile entegre etmektedir.

Akash, depolama, GPU ve CPU hesaplamalarını destekleyen bir "süper bulut" platformu olarak konumlandırılmıştır. Farklı ortamlarda yazılımı kesintisiz bir şekilde dağıtmak için konteyner platformu ve Kubernetes yönetimindeki hesaplama düğümlerini kullanır. Akash üzerinde Mistral AI'nın LLM sohbet robotu, Stability AI'nın metin üretim görüntü modeli gibi uygulamalar çalışmaktadır.

io.net, AI ve makine öğrenimi için özel olarak tasarlanmış dağıtık GPU bulut kümeleri sunmaktadır. Şirket, başlangıçta bir niceliksel ticaret şirketi olarak faaliyet göstermekteydi, daha sonra mevcut işine dönüşmüştür. IO-SDK, PyTorch ve TensorFlow gibi çerçevelerle uyumludur ve çok katmanlı mimarisi, ihtiyaçlara göre dinamik olarak genişleyebilir. io.net ayrıca Render, Filecoin gibi firmalarla GPU kaynaklarını entegre etmekte işbirliği yapmaktadır.

Gensyn, makine öğrenimi ve derin öğrenme hesaplamalarına odaklanan bir GPU ağıdır. Öğrenme kanıtı, grafik tabanlı hassas konumlandırma protokolleri gibi teknikler aracılığıyla etkili bir doğrulama mekanizması gerçekleştirmiştir. Gensyn, önceden eğitilmiş temel modelleri ince ayar yaparak daha spesifik görevleri tamamlayabilir.

Aethir özellikle AI, makine öğrenimi, bulut oyun gibi hesaplama yoğun alanlar için kurumsal düzeyde GPU sağlamaktadır. Ağındaki konteynerler, bulut uygulamalarının sanal uç noktaları olarak görev yapar, yükleri yerel cihazlardan konteynerlere aktararak düşük gecikme deneyimi sunar. Aethir ayrıca bulut telefon hizmetlerine de genişleyerek birçok Web2 ve Web3 şirketi ile işbirlikleri kurmuştur.

Phala Network Web3 AI çözümleri için bir uygulama katmanı olarak, (TEE) üzerinden güvenilir yürütme ortamı aracılığıyla gizlilik sorunlarını ele almaktadır. Bu, AI ajanlarının zincir üzerindeki akıllı sözleşmelerle kontrol edilmesini sağlar ve gelecekte H100 gibi TEE GPU'ları desteklemeyi planlamaktadır.

Proje Karşılaştırması

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Donanım | GPU \& CPU | GPU \& CPU | GPU \& CPU | GPU | GPU | CPU | | İşletme Odakları | Grafik İşleme ve AI | Bulut Bilişim, İşleme ve AI | AI | AI | Yapay Zeka, Bulut Oyun ve Telekomünikasyon | Zincir Üstü AI Uygulaması | | AI Görev Türü | Çıkarım | Her ikisi de mümkün | Her ikisi de mümkün | Eğitim | Eğitim | Uygulama | | Çalışma Fiyatlandırması | Performansa Dayalı Fiyatlandırma | Ters İhale | Piyasa Fiyatlandırması | Piyasa Fiyatlandırması | İhale Sistemi | Hak Hesaplama | | Blok zinciri | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Veri Gizliliği | Şifreleme&Hashleme | mTLS Kimlik Doğrulama | Veri Şifreleme | Güvenli Haritalama | Şifreleme | TEE | | İş Ücreti | Her İş 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% Hazırlık Ücreti | Düşük Ücret | Her oturum 20% | Teminat Tutarı ile Orantılı | | Güvenli | Render Kanıtı | Pay Kanıtı | Hesaplama Kanıtı | Pay Kanıtı | Render Kapasite Kanıtı | Ara Zincirden Miras Alır | | Tamamlama Kanıtı | - | - | Zaman Kilidi Kanıtı | Öğrenme Kanıtı | Render İş Kanıtı | TEE Kanıtı | | Kalite Güvencesi | İhtilaf | - | - | Doğrulayıcılar ve İhbarcılar | Kontrol Noktası | Uzak Kanıt | | GPU Kümesi | Hayır | Evet | Evet | Evet | Evet | Hayır |

Önemi

Küme ve paralel hesaplamanın kullanılabilirliği

Dağıtık hesaplama çerçevesi, model doğruluğunu sağlarken eğitim verimliliğini ve ölçeklenebilirliği artıran GPU kümelerini gerçekleştirmiştir. Karmaşık AI modellerinin eğitimi güçlü bir hesaplama gücü gerektirir ve genellikle dağıtık hesaplamaya dayanır. Örneğin, OpenAI'nin GPT-4 modeli 1,8 trilyondan fazla parametreye sahip olup, yaklaşık 25.000 Nvidia A100 GPU kullanılarak 3-4 ay içinde eğitilmiştir.

Çoğu proje artık küme oluşturma ile paralel hesaplama gerçekleştirmektedir. io.net, diğer projelerle iş birliği yaparak 24. yılın ilk çeyreğinde 3,800’den fazla küme dağıtımı gerçekleştirmiştir. Render küme desteği sunmasa da, tek bir kareyi birden fazla düğümde aynı anda işlemek üzere parçalayarak benzer bir çalışma prensibine sahiptir. Phala şu anda yalnızca CPU’yu desteklemekte, ancak CPU işleyicilerinin merkeziyetsizliğini sağlamaktadır.

Veri Gizliliği

AI modeli geliştirmek için büyük veri setlerine ihtiyaç vardır, bu da hassas bilgileri içerebilir. Veri gizliliğini sağlamak, veri kontrolünü sağlayıcılara geri vermek için hayati önem taşır. Çoğu proje, bir tür veri şifreleme kullanmaktadır. io.net, Mind Network ile işbirliği içinde tamamen homomorfik şifreleme (FHE) sunarak, şifrelenmiş verileri şifreyi çözmeden işleme imkanı tanımaktadır. Phala Network, dış süreçlerin verilere erişimini veya verileri değiştirmesini önlemek için güvenilir yürütme ortamı (TEE) tanıtmıştır.

Tamamlanma Kanıtı ve Kalite Kontrolü Hesaplama

Hizmet kapsamının genişliği nedeniyle, render'dan AI hesaplamaya kadar, nihai kalite her zaman kullanıcı standartlarına uymayabilir. Tamamlama kanıtları ve kalite kontrolü kullanıcılar için faydalıdır. Gensyn ve Aethir'in oluşturduğu kanıtlar işin tamamlandığını ve kalite kontrolü yapıldığını gösterir. io.net'in kanıtı, kiralanan GPU performansının tam olarak kullanıldığını gösterir. Render, sorunlu düğümler için ceza verme amacıyla bir uyuşmazlık çözüm süreci kullanılmasını önerir. Phala, AI ajanının gerekli işlemleri gerçekleştirdiğinden emin olmak için TEE kanıtı üretir.

Donanım İstatistikleri

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | GPU Sayısı | 5600 | 384 | 38177 | - | 40000+ | - | | CPU Sayısı | 114 | 14672 | 5433 | - | - | 30000+ | | H100/A100 Sayısı | - | 157 | 2330 | - | 2000+ | - | | H100 Ücreti/Saat | - | $1.46 | $1.19 | - | - | - | | A100 Ücreti/Saat | - | $1.37 | $1.50 | $0.55 ( tahmin ) | $0.33 ( tahmin ) | - |

Yüksek performanslı GPU gereksinimleri

AI model eğitimi, Nvidia'nın A100 ve H100 gibi yüksek performanslı GPU'larını kullanma eğilimindedir. H100'ün çıkarım performansı A100'den 4 kat daha hızlıdır ve büyük şirketlerin LLM'leri eğitmek için tercih edilen seçenektir. Merkeziyetsiz GPU pazarı sağlayıcılarının, Web2 rakipleriyle rekabet edebilmek için yeterli sayıda yüksek performanslı donanım sunması gerekmektedir. io.net ve Aethir, her biri 2000'den fazla H100 ve A100 birimi ile büyük model hesaplamaları için daha uygundur.

Merkeziyetsizlik GPU hizmetinin maliyeti, merkezi hizmetlerden çok daha düşük olmuştur. Gensyn ve Aethir, A100'e eşdeğer donanımı saatte 1 dolardan daha ucuza kiralayabileceklerini iddia ediyor. Ancak, ağ bağlantılı GPU kümeleri bellek açısından sınırlı olabilir ve NVLink bağlantılı GPU'lar, çok sayıda parametre ve veri setine sahip LLMS'ler için daha uygun değildir.

Buna rağmen, merkeziyetsiz GPU ağı dağıtık hesaplama görevlerine güçlü hesaplama yetenekleri ve ölçeklenebilirlik sunarak daha fazla AI ve ML kullanım durumu oluşturma fırsatları açmaktadır.

Tüketici sınıfı GPU/CPU sağlar

GPU ana işlem birimi olmasına rağmen, CPU da AI model eğitimi sırasında önemli bir rol oynamaktadır. Tüketici sınıfı GPU'lar, önceden eğitilmiş modellerin ince ayarını yapmak veya küçük veri setlerinde küçük modeller eğitmek gibi daha küçük ölçekli görevler için kullanılabilir. Render, Akash ve io.net gibi projeler de bu pazara hizmet ederek, boşta kalan tüketici GPU kaynaklarını kullanmaktadır.

Sonuç

AI DePIN alanı hala nispeten yeni ve zorluklarla karşı karşıya. Ancak, bu ağlar üzerinde gerçekleştirilen görevler ve donanım sayısı önemli ölçüde arttı, bu da Web2 bulut sağlayıcılarının donanım kaynakları için alternatiflere olan talebin artışını vurguluyor. Bu eğilim, AI DePIN ağlarının ürün pazar uyumunu kanıtlıyor ve talep ve arz yönündeki zorlukları etkili bir şekilde çözüyor.

Geleceğe baktığımızda, AI'nin hızla gelişen trilyonlarca dolarlık bir pazar haline gelmesi bekleniyor. Bu merkeziyetsiz GPU ağları, geliştiricilere maliyet etkin hesaplama alternatifleri sunma konusunda kritik bir rol oynayacak ve AI ile hesaplama altyapısının gelecekteki görünümüne önemli katkılarda bulunacaktır.