AI та DePIN: зростання децентралізованої GPU-мережі
Нещодавно штучний інтелект та Децентралізація фізичної інфраструктури мережі (DePIN) стали热门 темою в сфері Web3, їхня ринкова капіталізація досягла 30 мільярдів доларів і 23 мільярдів доларів відповідно. У цій статті буде розглянуто перетин цих двох напрямків, досліджено розвиток відповідних протоколів.
У технологічному стеку штучного інтелекту мережа DePIN надає обчислювальні ресурси для надання можливостей штучному інтелекту. Через дефіцит GPU, викликаний великими технологічними компаніями, інші команди, які розробляють моделі штучного інтелекту, стикаються з труднощами у отриманні достатньої потужності GPU. Традиційним підходом є вибір централізованих хмарних постачальників послуг, але це вимагає підписання нееластичних довгострокових контрактів, що призводить до низької ефективності.
DePIN пропонує більш гнучку та економічно вигідну альтернативу, стимулюючи внесок ресурсів через токенізовані винагороди. DePIN в сфері ШІ інтегрує ресурси GPU від приватних власників до дата-центрів, надаючи користувачам єдине постачання. Це не лише забезпечує розробників налаштованою та використаною за потребою обчислювальною потужністю, але й створює додатковий дохід для власників GPU.
Наразі на ринку існує кілька AI DePIN мереж, кожна з яких має свої особливості. Далі ми розглянемо роль, цілі та досягнення кожного протоколу, щоб глибше зрозуміти їхні відмінності.
Render є піонером P2P GPU обчислювальної мережі, спочатку зосередженим на рендерингу контенту, а згодом розширеним до AI обчислювальних завдань. Проект був заснований компанією OTOY, яка отримала технічну премію Оскар, і її GPU мережу вже використовують великі компанії, такі як Paramount, PUBG тощо. Render також співпрацює з такими, як Stability AI, інтегруючи AI моделі з процесом рендерингу 3D контенту.
Akash позиціонується як "супероблачна" платформа, що підтримує зберігання, GPU та CPU обчислення. Вона використовує платформу контейнерів та обчислювальні вузли, керовані Kubernetes, що дозволяє безшовно розгортати програмне забезпечення в різних середовищах. На Akash працюють такі застосунки, як LLM-чат-бот від Mistral AI, модель генерації зображень з тексту від Stability AI та інші.
io.net надає спеціалізовані розподілені GPU хмарні кластери для AI та машинного навчання. Компанія спочатку була компанією з кількісної торгівлі, а потім перейшла до існуючого бізнесу. Її IO-SDK сумісний з такими фреймворками, як PyTorch та TensorFlow, а багаторівнева архітектура може динамічно масштабуватися відповідно до потреб. io.net також співпрацює з Render, Filecoin та іншими для інтеграції GPU ресурсів.
Gensyn зосереджується на обчисленнях з використанням машинного навчання та глибокого навчання на GPU-мережах. Він реалізує ефективний механізм перевірки за допомогою технологій, таких як доказ навчання, протокол точного локалізації на основі графів тощо. Gensyn може налаштовувати попередньо навчені базові моделі для виконання більш конкретних завдань.
Aethir спеціалізується на наданні корпоративних GPU, в основному для AI, машинного навчання, хмарних ігор та інших обчислювально інтенсивних областей. Контейнери в її мережі виконують роль віртуальних кінцевих точок хмарних додатків, переміщуючи навантаження з локальних пристроїв у контейнери, забезпечуючи низьку затримку. Aethir також розширюється у сфері хмарних телефонних послуг, співпрацюючи з багатьма компаніями Web2 та Web3.
Phala Network як виконувальний рівень рішення Web3 AI, вирішує проблеми конфіденційності через надійне середовище виконання (TEE). Це дозволяє AI-агентам контролюватися смарт-контрактами на блокчейні та планує підтримку TEE GPU, таких як H100, у майбутньому для підвищення обчислювальних можливостей.
| | Рендер | Акаш | io.net | Генсин | Етір | Пхала |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Апаратне забезпечення | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Відеокарта | Відеокарта | Центральний процесор |
| Бізнес-акцент | Графічний рендеринг та ШІ | Хмарні обчислення, рендеринг та ШІ | ШІ | ШІ | Штучний інтелект, хмарні ігри та телекомунікації | Виконання ШІ на ланцюгу |
| Тип завдання AI | Висновок | Обидва можуть бути | Обидва можуть бути | Навчання | Навчання | Виконання |
| Ціна роботи | Ціна на основі показників | Зворотний аукціон | Ринкова ціна | Ринкова ціна | Система тендерів | Обчислення прав |
| Блокчейн | Солана | Космос | Солана | Генсин | Арбітраж | Горошок |
| Приватність даних | Шифрування&хешування | mTLS аутентифікація | Шифрування даних | Безпечне відображення | Шифрування | TEE |
| Витрати на роботу | За кожну роботу 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% витрати на резерв | Низькі витрати | За кожен сеанс 20% | Пропорційно до суми стейкінгу |
| Безпека | Докази рендерингу | Докази власності | Докази обчислень | Докази власності | Докази потужності рендерингу | Спадкується з релейного ланцюга |
| Завершення доказу | - | - | Доказ часового замка | Доказ навчання | Доказ рендерингу | Доказ TEE |
| Гарантія якості | Спір | - | - | Перевіряючий та举报人 | Нод перевірки | Віддалене підтвердження |
| GPU кластер | Ні | Так | Так | Так | Так | Ні |
Важливість
Доступність кластерних та паралельних обчислень
Розподілена обчислювальна структура реалізувала кластер GPU, забезпечуючи при цьому точність моделі та підвищуючи ефективність навчання і масштабованість. Навчання складних AI моделей потребує потужних обчислювальних ресурсів, зазвичай покладаючись на розподілене обчислення. Наприклад, модель GPT-4 від OpenAI має понад 1,8 трильйона параметрів і була навчена протягом 3-4 місяців за допомогою близько 25 000 NVIDIA A100 GPU.
Більшість проектів тепер об'єднали кластери для реалізації паралельних обчислень. io.net у співпраці з іншими проектами вже в першому кварталі 24 року розгорнув понад 3 800 кластерів. Render, хоча і не підтримує кластери, але його робота схожа, розбиваючи окремий кадр на кілька вузлів для одночасної обробки. Phala наразі підтримує лише ЦП, але дозволяє кластеризацію ЦП-робітників.
Приватність даних
Розробка AI-моделей потребує великої кількості наборів даних, які можуть містити чутливу інформацію. Забезпечення конфіденційності даних є надзвичайно важливим для повернення контролю над даними постачальнику. Більшість проектів використовують певну форму шифрування даних. io.net нещодавно співпрацював з Mind Network для запуску повної гомоморфної криптографії (FHE), що дозволяє обробляти зашифровані дані без їх розшифрування. Phala Network представила надійне середовище виконання (TEE), яке запобігає доступу або змінам даних з боку зовнішніх процесів.
Обчислення завершено, доказ та перевірка якості
Оскільки спектр послуг є широким, від рендерингу до AI-обчислень, кінцева якість може не завжди відповідати стандартам користувачів. Завершення підтверджень і перевірка якості є корисними для користувачів. Генерація підтверджень Gensyn і Aethir свідчить про те, що робота виконана, і проводиться перевірка якості. Підтвердження io.net свідчить про те, що продуктивність орендованих GPU використовується в повному обсязі. Render рекомендує використовувати процедуру вирішення суперечок для покарання вузлів з проблемами. Phala генерує TEE-підтвердження, забезпечуючи виконання необхідних операцій AI-агентами.
Моделі штучного інтелекту мають тенденцію використовувати високопродуктивні графічні процесори, такі як Nvidia A100 та H100. Продуктивність H100 у сфері інференції в 4 рази вища, ніж у A100, що робить його вибором номер один для великих компаній, які тренують LLM. Децентралізовані постачальники GPU повинні забезпечити достатню кількість високопродуктивного обладнання, щоб конкурувати з суперниками з Web2. io.net та Aethir мають більше 2000 одиниць H100 та A100, що робить їх більш придатними для обчислень великих моделей.
Вартість децентралізованих GPU послуг значно нижча, ніж централізованих. Gensyn та Aethir стверджують, що можуть здавати в оренду обладнання, еквівалентне A100, за ціною менш ніж 1 долар на годину. Однак GPU кластери з мережевим з'єднанням можуть бути обмежені за пам'яттю, і не такі підходящі для LLMS з великою кількістю параметрів та наборів даних, як GPU з підключенням NVLink.
Незважаючи на це, децентралізована GPU-мережа все ще забезпечує потужні обчислювальні можливості та масштабованість для розподілених обчислювальних завдань, відкриваючи можливості для створення нових випадків використання AI та ML.
Хоча GPU є основним обробним пристроєм, CPU також відіграє важливу роль у навчанні AI-моделей. Споживчі GPU можуть використовуватися для менших завдань, таких як доопрацювання попередньо навчених моделей або навчання малих моделей на невеликих наборах даних. Такі проекти, як Render, Akash та io.net, також обслуговують цей ринок, використовуючи незайняті ресурси споживчих GPU.
Область AI DePIN все ще є відносно новою і стикається з викликами. Проте кількість завдань і апаратних засобів, що виконуються в цих мережах, значно зросла, що підкреслює зростання попиту на альтернативи до апаратних ресурсів постачальників хмарних послуг Web2. Ця тенденція підтверджує відповідність продукту на ринку мереж AI DePIN, ефективно вирішуючи виклики з попитом і пропозицією.
В перспективі, ШІ має потенціал стати процвітаючим ринком в десятки трильйонів доларів. Ці децентралізовані GPU мережі відіграватимуть ключову роль у наданні економічно ефективних обчислювальних альтернатив для розробників, роблячи вагомий внесок у майбутній ландшафт ШІ та обчислювальної інфраструктури.
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 лайків
Нагородити
5
4
Поділіться
Прокоментувати
0/400
ContractFreelancer
· 4год тому
Ну й справжня жахливість, знову ж таки, це трасса для грабежу.
Переглянути оригіналвідповісти на0
MintMaster
· 12год тому
Масштаб зменшився, 300 мільярдів - лише початок~
Переглянути оригіналвідповісти на0
RugDocDetective
· 12год тому
Ще одна річ, що хоче обдурювати людей, як лохів про.
Переглянути оригіналвідповісти на0
CryptoGoldmine
· 12год тому
Дані говорять, що середня добова прибутковість GPU вже перевищила 30% ROI, що підходить для створення позиції.
AI та DePIN: Децентралізовані GPU мережі піднімаються, перетворюючи ринок на 30 мільярдів доларів
AI та DePIN: зростання децентралізованої GPU-мережі
Нещодавно штучний інтелект та Децентралізація фізичної інфраструктури мережі (DePIN) стали热门 темою в сфері Web3, їхня ринкова капіталізація досягла 30 мільярдів доларів і 23 мільярдів доларів відповідно. У цій статті буде розглянуто перетин цих двох напрямків, досліджено розвиток відповідних протоколів.
У технологічному стеку штучного інтелекту мережа DePIN надає обчислювальні ресурси для надання можливостей штучному інтелекту. Через дефіцит GPU, викликаний великими технологічними компаніями, інші команди, які розробляють моделі штучного інтелекту, стикаються з труднощами у отриманні достатньої потужності GPU. Традиційним підходом є вибір централізованих хмарних постачальників послуг, але це вимагає підписання нееластичних довгострокових контрактів, що призводить до низької ефективності.
DePIN пропонує більш гнучку та економічно вигідну альтернативу, стимулюючи внесок ресурсів через токенізовані винагороди. DePIN в сфері ШІ інтегрує ресурси GPU від приватних власників до дата-центрів, надаючи користувачам єдине постачання. Це не лише забезпечує розробників налаштованою та використаною за потребою обчислювальною потужністю, але й створює додатковий дохід для власників GPU.
Наразі на ринку існує кілька AI DePIN мереж, кожна з яких має свої особливості. Далі ми розглянемо роль, цілі та досягнення кожного протоколу, щоб глибше зрозуміти їхні відмінності.
! Перетин AI та DePIN
Огляд мережі DePIN на базі ШІ
Render є піонером P2P GPU обчислювальної мережі, спочатку зосередженим на рендерингу контенту, а згодом розширеним до AI обчислювальних завдань. Проект був заснований компанією OTOY, яка отримала технічну премію Оскар, і її GPU мережу вже використовують великі компанії, такі як Paramount, PUBG тощо. Render також співпрацює з такими, як Stability AI, інтегруючи AI моделі з процесом рендерингу 3D контенту.
Akash позиціонується як "супероблачна" платформа, що підтримує зберігання, GPU та CPU обчислення. Вона використовує платформу контейнерів та обчислювальні вузли, керовані Kubernetes, що дозволяє безшовно розгортати програмне забезпечення в різних середовищах. На Akash працюють такі застосунки, як LLM-чат-бот від Mistral AI, модель генерації зображень з тексту від Stability AI та інші.
io.net надає спеціалізовані розподілені GPU хмарні кластери для AI та машинного навчання. Компанія спочатку була компанією з кількісної торгівлі, а потім перейшла до існуючого бізнесу. Її IO-SDK сумісний з такими фреймворками, як PyTorch та TensorFlow, а багаторівнева архітектура може динамічно масштабуватися відповідно до потреб. io.net також співпрацює з Render, Filecoin та іншими для інтеграції GPU ресурсів.
Gensyn зосереджується на обчисленнях з використанням машинного навчання та глибокого навчання на GPU-мережах. Він реалізує ефективний механізм перевірки за допомогою технологій, таких як доказ навчання, протокол точного локалізації на основі графів тощо. Gensyn може налаштовувати попередньо навчені базові моделі для виконання більш конкретних завдань.
Aethir спеціалізується на наданні корпоративних GPU, в основному для AI, машинного навчання, хмарних ігор та інших обчислювально інтенсивних областей. Контейнери в її мережі виконують роль віртуальних кінцевих точок хмарних додатків, переміщуючи навантаження з локальних пристроїв у контейнери, забезпечуючи низьку затримку. Aethir також розширюється у сфері хмарних телефонних послуг, співпрацюючи з багатьма компаніями Web2 та Web3.
Phala Network як виконувальний рівень рішення Web3 AI, вирішує проблеми конфіденційності через надійне середовище виконання (TEE). Це дозволяє AI-агентам контролюватися смарт-контрактами на блокчейні та планує підтримку TEE GPU, таких як H100, у майбутньому для підвищення обчислювальних можливостей.
! Перетин AI та DePIN
Порівняння проектів
| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Апаратне забезпечення | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Відеокарта | Відеокарта | Центральний процесор | | Бізнес-акцент | Графічний рендеринг та ШІ | Хмарні обчислення, рендеринг та ШІ | ШІ | ШІ | Штучний інтелект, хмарні ігри та телекомунікації | Виконання ШІ на ланцюгу | | Тип завдання AI | Висновок | Обидва можуть бути | Обидва можуть бути | Навчання | Навчання | Виконання | | Ціна роботи | Ціна на основі показників | Зворотний аукціон | Ринкова ціна | Ринкова ціна | Система тендерів | Обчислення прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбітраж | Горошок | | Приватність даних | Шифрування&хешування | mTLS аутентифікація | Шифрування даних | Безпечне відображення | Шифрування | TEE | | Витрати на роботу | За кожну роботу 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% витрати на резерв | Низькі витрати | За кожен сеанс 20% | Пропорційно до суми стейкінгу | | Безпека | Докази рендерингу | Докази власності | Докази обчислень | Докази власності | Докази потужності рендерингу | Спадкується з релейного ланцюга | | Завершення доказу | - | - | Доказ часового замка | Доказ навчання | Доказ рендерингу | Доказ TEE | | Гарантія якості | Спір | - | - | Перевіряючий та举报人 | Нод перевірки | Віддалене підтвердження | | GPU кластер | Ні | Так | Так | Так | Так | Ні |
Важливість
Доступність кластерних та паралельних обчислень
Розподілена обчислювальна структура реалізувала кластер GPU, забезпечуючи при цьому точність моделі та підвищуючи ефективність навчання і масштабованість. Навчання складних AI моделей потребує потужних обчислювальних ресурсів, зазвичай покладаючись на розподілене обчислення. Наприклад, модель GPT-4 від OpenAI має понад 1,8 трильйона параметрів і була навчена протягом 3-4 місяців за допомогою близько 25 000 NVIDIA A100 GPU.
Більшість проектів тепер об'єднали кластери для реалізації паралельних обчислень. io.net у співпраці з іншими проектами вже в першому кварталі 24 року розгорнув понад 3 800 кластерів. Render, хоча і не підтримує кластери, але його робота схожа, розбиваючи окремий кадр на кілька вузлів для одночасної обробки. Phala наразі підтримує лише ЦП, але дозволяє кластеризацію ЦП-робітників.
Приватність даних
Розробка AI-моделей потребує великої кількості наборів даних, які можуть містити чутливу інформацію. Забезпечення конфіденційності даних є надзвичайно важливим для повернення контролю над даними постачальнику. Більшість проектів використовують певну форму шифрування даних. io.net нещодавно співпрацював з Mind Network для запуску повної гомоморфної криптографії (FHE), що дозволяє обробляти зашифровані дані без їх розшифрування. Phala Network представила надійне середовище виконання (TEE), яке запобігає доступу або змінам даних з боку зовнішніх процесів.
Обчислення завершено, доказ та перевірка якості
Оскільки спектр послуг є широким, від рендерингу до AI-обчислень, кінцева якість може не завжди відповідати стандартам користувачів. Завершення підтверджень і перевірка якості є корисними для користувачів. Генерація підтверджень Gensyn і Aethir свідчить про те, що робота виконана, і проводиться перевірка якості. Підтвердження io.net свідчить про те, що продуктивність орендованих GPU використовується в повному обсязі. Render рекомендує використовувати процедуру вирішення суперечок для покарання вузлів з проблемами. Phala генерує TEE-підтвердження, забезпечуючи виконання необхідних операцій AI-агентами.
! Перетин AI та DePIN
Статистика апаратного забезпечення
| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |-------------|--------|-------|--------|------------|------------|--------| | Кількість GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Кількість CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Кількість H100/A100 | - | 157 | 2330 | - | 2000+ | - | | H100 витрати/годину | - | $1.46 | $1.19 | - | - | - | | A100 витрати/година | - | $1.37 | $1.50 | $0.55 ( очікується ) | $0.33 ( очікується ) | - |
Вимоги до високопродуктивних GPU
Моделі штучного інтелекту мають тенденцію використовувати високопродуктивні графічні процесори, такі як Nvidia A100 та H100. Продуктивність H100 у сфері інференції в 4 рази вища, ніж у A100, що робить його вибором номер один для великих компаній, які тренують LLM. Децентралізовані постачальники GPU повинні забезпечити достатню кількість високопродуктивного обладнання, щоб конкурувати з суперниками з Web2. io.net та Aethir мають більше 2000 одиниць H100 та A100, що робить їх більш придатними для обчислень великих моделей.
Вартість децентралізованих GPU послуг значно нижча, ніж централізованих. Gensyn та Aethir стверджують, що можуть здавати в оренду обладнання, еквівалентне A100, за ціною менш ніж 1 долар на годину. Однак GPU кластери з мережевим з'єднанням можуть бути обмежені за пам'яттю, і не такі підходящі для LLMS з великою кількістю параметрів та наборів даних, як GPU з підключенням NVLink.
Незважаючи на це, децентралізована GPU-мережа все ще забезпечує потужні обчислювальні можливості та масштабованість для розподілених обчислювальних завдань, відкриваючи можливості для створення нових випадків використання AI та ML.
! Перетин AI та DePIN
надає споживчий клас GPU/CPU
Хоча GPU є основним обробним пристроєм, CPU також відіграє важливу роль у навчанні AI-моделей. Споживчі GPU можуть використовуватися для менших завдань, таких як доопрацювання попередньо навчених моделей або навчання малих моделей на невеликих наборах даних. Такі проекти, як Render, Akash та io.net, також обслуговують цей ринок, використовуючи незайняті ресурси споживчих GPU.
! Перетин AI та DePIN
Висновок
Область AI DePIN все ще є відносно новою і стикається з викликами. Проте кількість завдань і апаратних засобів, що виконуються в цих мережах, значно зросла, що підкреслює зростання попиту на альтернативи до апаратних ресурсів постачальників хмарних послуг Web2. Ця тенденція підтверджує відповідність продукту на ринку мереж AI DePIN, ефективно вирішуючи виклики з попитом і пропозицією.
В перспективі, ШІ має потенціал стати процвітаючим ринком в десятки трильйонів доларів. Ці децентралізовані GPU мережі відіграватимуть ключову роль у наданні економічно ефективних обчислювальних альтернатив для розробників, роблячи вагомий внесок у майбутній ландшафт ШІ та обчислювальної інфраструктури.
! Перетин AI та DePIN