AI ve DePIN'in Kesişim Noktası: Merkeziyetsizlik GPU Ağı Gelişimini Keşfetmek

2023'ten bu yana, AI ve DePIN Web3 alanında büyük ilgi görüyor, her ikisinin piyasa değeri sırasıyla 30 milyar dolar ve 23 milyar dolara ulaştı. Bu makale, her ikisinin kesişim alanına odaklanacak ve ilgili protokollerin gelişimini inceleyecektir.

AI teknoloji yığını içinde, DePIN ağı, AI'yi güçlendirmek için hesaplama kaynakları sağlayarak işlev görmektedir. Büyük teknoloji şirketlerinin gelişimi nedeniyle GPU kıtlığı yaşanmaktadır ve diğer geliştiricilerin kendi AI modellerini oluşturmak için yeterli GPU kaynaklarına erişimi zorlaşmaktadır. Geleneksel olarak, geliştiriciler merkeziyetsiz bulut hizmet sağlayıcılarını seçse de, bu genellikle esnek olmayan uzun vadeli sözleşmeler imzalamayı gerektirmekte ve verimlilik düşmektedir.

DePIN, daha esnek ve maliyet açısından daha etkin bir alternatif sunmaktadır. Token ödülleri aracılığıyla kaynak katkılarını teşvik ederek, GPU kaynaklarını bireysel sahiplerden veri merkezlerine toplayarak, donanıma ihtiyaç duyan kullanıcılar için birleştirilmiş bir arz oluşturur. Bu, geliştiricilere özelleştirilebilir ve talebe dayalı bir hesaplama kapasitesi sağlarken, GPU sahiplerine de ek gelir kaynağı sunar.

Piyasada birkaç AI DePIN ağı mevcut, her biri kendine özgü özelliklere sahip. Önümüzdeki bölümde, birkaç ana projenin özelliklerini ve hedeflerini, ayrıca bunların bazı somut sonuçlarını inceleyeceğiz.

AI DePIN Ağı Genel Bakış

Render, GPU hesaplama gücü sağlayan bir P2P ağının öncüsüdür, başlangıçta içerik oluşturma render'ına odaklanmış, daha sonra kapsamını AI hesaplama görevlerine genişletmiştir.

Özellikler:

• Oscar ödüllü teknolojiye sahip bulut grafik şirketi OTOY tarafından kurulmuştur.
• GPU ağı, Paramount Pictures, PUBG gibi eğlence endüstrisinin büyük şirketleri tarafından kullanılmaktadır.
• Stability AI ve Endeavor ile iş birliği yaparak, AI modellerini 3D içerik renderleme iş akışına entegre etme
• Birden fazla hesaplama istemcisi onaylayın, daha fazla DePIN ağının GPU'sunu entegre edin.

Akash, depolama, GPU ve CPU hesaplamalarını destekleyen bir "süper bulut" alternatifi olarak konumlandırılmıştır. Konteyner platformu ve Kubernetes yönetimindeki hesaplama düğümleri kullanarak, yazılımlar çevreler arasında kesintisiz bir şekilde dağıtılabilir ve herhangi bir bulut yerel uygulaması çalıştırılabilir.

Özellikler:

• Genel hesaplamalardan ağ barındırmaya kadar geniş bir hesaplama görevi için
• AkashML, GPU ağı üzerinden Hugging Face'de 15.000'den fazla modelin çalışmasına izin verir.
• Bazı tanınmış uygulamaları barındırdı, örneğin Mistral AI'nın LLM modeli sohbet robotu, Stability AI'nın SDXL modeli gibi.
• Metaverse, AI dağıtımı ve federated öğrenme platformlarının inşasını destekler.

io.net dağıtılmış GPU bulut kümelerine erişim sağlar, özellikle AI ve ML kullanım durumları için. Veri merkezlerinden, kripto madencilerinden ve diğer Merkeziyetsizlik ağlarından gelen GPU kaynaklarını bir araya getirir.

Özellikler:

• IO-SDK, PyTorch ve Tensorflow gibi çerçevelerle uyumludur, çok katmanlı mimari ihtiyaçlara göre dinamik olarak genişletilebilir.
• 3 farklı türde küme oluşturmayı destekler, 2 dakika içinde başlatılabilir
• Render, Filecoin, Aethir gibi birçok DePIN ağı ile işbirliği yaparak GPU kaynaklarını entegre etme

Gensyn, makine öğrenimi ve derin öğrenme hesaplamalarına odaklanmış GPU hesaplama gücü sunmaktadır. Yenilikçi doğrulama mekanizması sayesinde verimliliği artırmaktadır.

Özellikler:

• V100 eşdeğer GPU'nun saatlik maliyeti yaklaşık 0.40 dolardır, maliyetlerde büyük tasarruf sağlar.
• Önceden eğitilmiş temel modelleri ince ayar yapmak için kanıt yığınları kullanarak.
• Bu temel modeller merkeziyetsiz ve küresel olarak sahip olunacaktır.

Aethir, işletme GPU'ları için özel olarak tasarlanmıştır ve AI, ML ve bulut oyunları gibi hesaplama yoğun alanlara odaklanmaktadır. Ağındaki konteynerler, bulut tabanlı uygulamaları çalıştıran sanal uç noktalar olarak görev yapmaktadır.

Özellikler:

• AI ve bulut oyunlarının yanı sıra, APHONE ile işbirliği yaparak merkeziyetsiz bulut akıllı telefon hizmetlerini de genişletiyor.
• NVIDIA, Super Micro, HPE gibi Web2 büyük şirketlerle geniş iş birlikleri kurmak
• CARV, Magic Eden gibi birçok Web3 projesi ile iş birliği

Phala Network Web3 AI çözümü için bir yürütme katmanı olarak hizmet vermektedir. Blok zinciri, güvenilir bir yürütme ortamı olan (TEE) aracılığıyla gizlilik sorunlarını ele alan, güvene dayalı olmayan bir bulut bilişim çözümüdür.

Özellikler:

• Doğrulanabilir hesaplama için yardımcı işlemci protokolü olarak hareket eder, AI ajanlarının zincir üstü kaynakları kullanabilmesini sağlar.
• AI temsilci sözleşmeleri, Redpill aracılığıyla OpenAI, Llama gibi önde gelen büyük dil modellerine erişebilir.
• Gelecek, zk-proofs, çok taraflı hesaplama, tam homomorfik şifreleme gibi çoklu kanıt sistemlerini içerecektir.
• Gelecekte H100 gibi diğer TEE GPU'ları destekleyecek, hesaplama gücünü artıracak.

Proje Karşılaştırması

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Donanım | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | İş Odakları | Grafik Renderleme ve AI | Bulut Bilişim, Renderleme ve AI | AI | AI | AI, Bulut Oyun ve Telekomünikasyon | Zincir Üstü AI Uygulaması | | AI Görev Türü | Çıkarım | İkisi | İkisi | Eğitim | Eğitim | Uygulama | | İş 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 Ücretleri | Her iş 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% Hazırlık Ücreti | Düşük Ücretler | Her oturum 20% | Staking miktarı ile orantılı | | Güvenlik | Render Kanıtı | Pay Kanıtı | Hesaplama Kanıtı | Pay Kanıtı | Render Kapasite Kanıtı | Relay Zincirinden Miras Alır | | Tamamlama Kanıtı | - | - | Zaman Kilidi Kanıtı | Öğrenme Kanıtı | Renderleme Çalışma Kanıtı | TEE Kanıtı | | Kalite Güvencesi | İtiraz | - | - | Doğrulayıcı ve İhbarcı | Kontrol Düğümü | Uzaktan Kanıt | | GPU Kümesi | Hayır | Evet | Evet | Evet | Evet | Hayır |

Önemi

Küme ve paralel hesaplamanın kullanılabilirliği

Dağıtık hesaplama çerçevesi, modelin doğruluğunu etkilemeden daha verimli bir eğitim sağlayarak GPU kümesini gerçekleştirdi ve aynı zamanda ölçeklenebilirliği artırdı. Karmaşık AI modellerini eğitmek için güçlü bir hesaplama gücü gereklidir ve genellikle dağıtık hesaplamaya güvenilmesi gerekir. Örneğin, OpenAI'nin GPT-4 modeli 1.8 trilyondan fazla parametreye sahiptir ve 128 kümede yaklaşık 25.000 Nvidia A100 GPU kullanılarak 3-4 ay içinde eğitilmiştir.

Çoğu önemli proje artık paralel hesaplama sağlamak için kümeleri entegre etti. io.net, Render, Filecoin ve Aethir gibi projelerle işbirliği yaparak, daha fazla GPU'yu ağına dahil etti ve 24'üncü yılın ilk çeyreğinde 3.800'den fazla küme dağıttı. Render kümeleri desteklemese de, çalışma prensibi benzer olup, tek bir kareyi birden fazla düğüme ayrıştırarak aynı anda işlenmesini sağlar. Phala şu anda yalnızca CPU'yu destekliyor, ancak CPU işleyicilerinin kümelenmesine izin veriyor.

Veri gizliliği

AI modeli geliştirmek için büyük veri setleri kullanmak gerekmektedir, bu veriler hassas bilgiler içerebilir. Veri gizliliğini sağlamak, veri kontrolünü veri sağlayıcılarına geri vermek için son derece önemlidir.

Çoğu proje, veri gizliliğini korumak için bir tür veri şifrelemesi kullanır. Render, render sonuçlarını yayınlarken şifreleme ve hash işlemi kullanır, io.net ve Gensyn veri şifrelemesi uygular, Akash ise mTLS kimlik doğrulaması kullanır.

io.net, Mind Network ile işbirliği yaparak tamamen homomorfik şifreleme (FHE)'i tanıttı ve bu, şifrelenmiş verileri önceden deşifre etmeden işlemeyi sağlıyor. Phala Network, dış süreçlerin verilere erişimini veya değiştirmesini önlemek için güvenilir yürütme ortamı (TEE)'i tanıttı.

Hesaplama Tamamlama Belgesi ve Kalite Kontrol

Bu projelerin sunduğu GPU'lar, grafiklerin render edilmesinden AI hesaplamalarına kadar geniş bir hizmet yelpazesine sunulduğundan, doğrulama ve kalite kontrol mekanizmalarının tamamlanması gerekmektedir.

Gensyn ve Aethir, hesaplama tamamlandıktan sonra kanıtlar oluşturur, io.net'in kanıtı, kiralanan GPU performansının tam olarak kullanıldığını gösterir. Gensyn ve Aethir, tamamlanan hesaplamalar üzerinde kalite kontrolü yapar. Render, ihtilaf çözüm sürecinin kullanılmasını önerir. Phala tamamlandığında, AI ajanının zincir üzerinde gerekli işlemleri gerçekleştirdiğini garanti eden TEE kanıtı oluşturur.

Donanım istatistik verileri

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

Yüksek Performanslı GPU Gereksinimleri

AI model eğitimi, Nvidia'nın A100 ve H100 gibi en yüksek performanslı GPU'lara ihtiyaç duyar. H100'ün çıkarım performansı A100'den 4 kat daha hızlıdır ve özellikle kendi LLM'lerini eğiten büyük şirketler için tercih edilen GPU olmuştur.

Merkeziyetsizlik GPU pazar sağlayıcılarının Web2 rakipleriyle rekabet edebilmesi için yalnızca daha düşük fiyatlar sunması yetmez, aynı zamanda pazarın gerçek taleplerini de karşılaması gerekir. 2023 yılında, Nvidia merkezi büyük teknoloji şirketlerine 500.000'den fazla H100 teslim etti, bu da eşdeğer donanım edinmeyi zorlaştırdı.

io.net ve Aethir, her biri 2000'den fazla H100 ve A100 birimine sahiptir, bu da büyük model hesaplamaları için daha uygundur. Geliştiricilerin ihtiyaç duyduğu küme boyutuna göre, şu anda bu merkeziyetsizlik GPU hizmetlerinin maliyeti, merkezi GPU hizmetlerinden çok daha düşük.

Ağ bağlantılı GPU kümeleri bellek açısından sınırlı olmasına rağmen, esneklik ve birden fazla düğümde iş yükü dağıtma yeteneğine ihtiyaç duyan kullanıcılar için merkeziyetsiz GPU ağı hala dağıtılmış hesaplama görevleri için güçlü bir hesaplama gücü ve ölçeklenebilirlik sağlayabilir.

Tüketici seviyesi GPU/CPU sağlama

CPU, AI modellerinin eğitimi konusunda da önemli bir rol oynamaktadır, veri ön işleme ve bellek kaynak yönetimi gibi birçok aşamada kullanılabilir. Tüketici sınıfı GPU'lar, önceden eğitilmiş modellerin ince ayarını yapmak ya da küçük veri setlerinde küçük ölçekli modeller eğitmek gibi daha az yoğun görevler için kullanılabilir.

%85'ten fazlasının GPU kaynaklarının boşta olduğu göz önüne alındığında, Render, Akash ve io.net gibi projeler de bu pazara hizmet edebilir. Bu seçeneklerin sunulması, kendi pazar konumlarını geliştirmelerine, büyük ölçekli yoğun hesaplama, küçük ölçekli render veya her ikisinin bir karışımına odaklanmalarına olanak tanır.

Sonuç

AI DePIN alanı hala nispeten yeni ve kendi zorluklarıyla karşı karşıya. Ancak, bu merkeziyetsiz GPU ağlarında gerçekleştirilen görevlerin ve donanım miktarının önemli ölçüde artması, Web2 bulut sağlayıcılarının donanım kaynakları için alternatiflere olan talebin arttığını göstermektedir. Aynı zamanda, donanım sağlayıcılarındaki artış, daha önce yeterince kullanılmamış olan arzı da göstermektedir. Bu, AI DePIN ağlarının ürün pazar uyumunu daha da kanıtlamakta ve talep ile arz arasındaki zorlukları etkili bir şekilde çözmektedir.

Geleceğe bakıldığında, AI'nın on binlerce milyar dolarlık bir pazar haline gelmesi bekleniyor. Bu merkeziyetsiz GPU ağları, geliştiricilere ekonomik olarak verimli hesaplama alternatifleri sağlama konusunda kritik bir rol oynayacak. Talep ile arz arasındaki farkı sürekli kapatarak, bu ağlar AI ve hesaplama altyapısının gelecekteki manzarasına önemli katkılarda bulunacak.