Перетворення AI та DePIN: дослідження розвитку децентралізованої GPU-мережі

З 2023 року AI та DePIN привертають значну увагу в сфері Web3, їхні ринкові капіталізації досягли 30 мільярдів доларів та 23 мільярдів доларів відповідно. У цій статті буде зосереджено увагу на перетині цих двох сфер та досліджено розвиток відповідних протоколів.

У технологічному стеку AI мережа DePIN надає обчислювальні ресурси для розширення можливостей AI. Через розвиток великих технологічних компаній виник дефіцит GPU, внаслідок чого іншим розробникам важко отримати достатню кількість ресурсів GPU для створення власних AI-моделей. Традиційно розробники обирали б централізованих постачальників хмарних послуг, але це зазвичай вимагало підписання негнучких довгострокових контрактів з низькою ефективністю.

DePIN пропонує більш гнучке та економічне рішення. Він стимулює внесок у ресурси через токенізовані винагороди, передаючи GPU ресурси від приватних власників до дата-центрів, формуючи єдину пропозицію для користувачів, яким потрібне обладнання. Це не лише надає розробникам можливість отримувати налаштовані та за запитом обчислювальні потужності, але й забезпечує власників GPU додатковими джерелами доходу.

На ринку вже є кілька AI DePIN мереж, кожна з яких має свої особливості. Далі ми розглянемо характеристики та цілі кількох основних проектів, а також деякі з їхніх конкретних досягнень.

! Перетин AI та DePIN

Огляд мережі DePIN на базі штучного інтелекту

Render є піонером P2P-мережі, що надає GPU обчислювальні можливості, спочатку зосереджуючись на рендерингу контенту, а згодом розширивши свій обсяг на завдання з обчислень на основі ШІ.

Особливості:

• Заснована компанією OTOY, що має технології, нагороджені Оскаром.
• GPU-мережі були використані великими компаніями розважальної індустрії, такими як Paramount Pictures, PUBG тощо.
• Співпраця з Stability AI та Endeavor для інтеграції AI-моделей у робочий процес рендерингу 3D-контенту
• Схвалення кількох обчислювальних клієнтів, інтеграція більшої кількості GPU мереж DePIN

Akash позиціонується як "супер-хмара" заміна, що підтримує зберігання, GPU та CPU обчислення. Використовуючи контейнерну платформу та обчислювальні вузли, керовані Kubernetes, можна безшовно розгортати програмне забезпечення в різних середовищах та запускати будь-які хмарні нативні додатки.

Особливості:

• Для широкого спектру обчислювальних завдань, від загальних обчислень до хостингу в мережі
• AkashML дозволяє своїй GPU мережі запускати понад 15 000 моделей на Hugging Face
• Хостинг деяких відомих застосунків, таких як чат-бот на базі LLM моделі Mistral AI, модель SDXL від Stability AI тощо.
• Підтримка платформи для створення метавсесвіту, розгортання ШІ та федеративного навчання

io.net надає доступ до розподіленого GPU хмарного кластера, спеціально призначеного для випадків використання AI та ML. Він агрегує ресурси GPU з дата-центрів, криптомайнерів та інших децентралізованих мереж.

Особливості:

• IO-SDK сумісний з такими фреймворками, як PyTorch і Tensorflow, багаторівнева архітектура може динамічно розширюватися відповідно до вимог.
• Підтримка створення 3 різних типів кластерів, які можна запустити за 2 хвилини
• Співпраця з кількома DePIN-мережами, такими як Render, Filecoin, Aethir, інтеграція ресурсів GPU

Gensyn надає обчислювальні можливості GPU, зосереджені на машинному навчанні та глибокому навчанні. Він підвищує ефективність завдяки інноваційним механізмам верифікації.

Особливості:

• Вартість години роботи GPU, еквівалентного V100, становить близько 0,40 доларів США, що суттєво знижує витрати.
• За допомогою доказового стеку можна доопрацювати попередньо навчальну базову модель
• Ці базові моделі будуть децентралізованими, глобально власними

Aethir спеціально обладнаний корпоративними GPU, зосереджений на обчислювально інтенсивних сферах, таких як AI, ML та хмарні ігри. Контейнери в його мережі виконують роль віртуальних кінцевих точок для виконання хмарних додатків.

Особливості:

• Окрім AI та хмарних ігор, також розширено до послуг хмарних телефонів, у співпраці з APHONE запущено децентралізований хмарний смартфон.
• Налагодження широкої співпраці з великими компаніями Web2, такими як NVIDIA, Super Micro, HPE
• Співпраця з декількома проектами Web3, такими як CARV, Magic Eden

Phala Network як виконавчий рівень рішення Web3 AI. Його блокчейн є бездоверчою хмарною обчислювальною системою, що вирішує проблеми конфіденційності через надійне середовище виконання (TEE).

Особливості:

• Виконує роль перевірного обчислювального коопераційного протоколу, що дозволяє AI-агентам використовувати ресурси в ланцюгу.
• AI-агенти можуть отримувати доступ до OpenAI, Llama та інших провідних великих мовних моделей через Redpill
• Майбутнє буде включати zk-докази, багатосторонні обчислення, повну гомоморфну криптографію та інші багатошарові системи доказів
• В майбутньому підтримка H100 та інших TEE GPU, підвищення обчислювальної потужності

! 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 | | Основні напрямки бізнесу | Графічний рендеринг та ШІ | Хмарні обчислення, рендеринг та ШІ | ШІ | ШІ | ШІ, хмарні ігри та телекомунікації | Виконання ШІ на блокчейні | | Типи завдань AI | Висновок | Обидва | Обидва | Навчання | Навчання | Виконання | | Ціноутворення праці | Ціноутворення на основі результатів | Зворотні аукціони | Ринкове ціноутворення | Ринкове ціноутворення | Система тендерів | Обчислення прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбітраж | Горошок | | Приватність даних | Шифрування&хешування | mTLS автентифікація | Шифрування даних | Безпечне відображення | Шифрування | TEE | | Витрати на роботу | Кожна робота 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% витрати на резерв | Низькі витрати | Кожна сесія 20% | Пропорційно до суми стейкінгу | | Безпека | Докази рендерингу | Докази власності | Докази обчислень | Докази власності | Докази рендерингових можливостей | Наслідується з релейного ланцюга | | Завершення доказу | - | - | Доказ часу блокування | Доказ навчання | Доказ рендерингу | Доказ TEE | | Гарантія якості | Спір | - | - | Перевіряючий та повідомник | Вузол перевірки | Віддалене підтвердження | | GPU кластер | Ні | Так | Так | Так | Так | Ні |

Важливість

Доступність кластерних та паралельних обчислень

Розподілена обчислювальна система реалізувала GPU-кластери, забезпечуючи більш ефективне навчання без шкоди для точності моделі, одночасно покращуючи масштабованість. Навчання складних AI-моделей вимагає потужних обчислювальних можливостей і зазвичай покладається на розподілені обчислення. Наприклад, модель GPT-4 від OpenAI має понад 1,8 трильйона параметрів і була навчена протягом 3-4 місяців з використанням близько 25 000 Nvidia A100 GPU в 128 кластерах.

Більшість ключових проектів зараз інтегрували кластери для паралельних обчислень. io.net співпрацює з проектами Render, Filecoin і Aethir, щоб залучити більше GPU до своєї мережі, і вже у першому кварталі 24 року розгорнула понад 3,800 кластерів. Хоча Render не підтримує кластери, його принцип роботи схожий – він розбиває один кадр на кілька вузлів для одночасної обробки. Phala наразі підтримує тільки CPU, але дозволяє кластеризацію CPU-робітників.

Конфіденційність даних

Розробка AI-моделей вимагає використання великих наборів даних, які можуть містити чутливу інформацію. Забезпечення конфіденційності даних є вкрай важливим для повернення контролю над даними постачальникам даних.

Більшість проектів використовують певну форму шифрування даних для захисту конфіденційності даних. Render використовує шифрування та хешування при публікації результатів рендерингу, io.net та Gensyn застосовують шифрування даних, Akash використовує mTLS аутентифікацію.

io.net нещодавно співпрацював з Mind Network для впровадження повної гомоморфної криптографії (FHE), що дозволяє обробляти зашифровані дані без попереднього розшифрування. Phala Network вводить надійне середовище виконання (TEE), щоб запобігти доступу або зміні даних ззовні.

Обчислення завершення доказу та перевірки якості

Оскільки GPU, надані цими проєктами, можуть використовуватися для широкого спектру послуг, від рендерингу графіки до обчислень ШІ, тому необхідно завершити механізм доказу та перевірки якості.

Gensyn та Aethir генерують докази після завершення обчислень, доказ io.net свідчить про те, що орендовані GPU ресурси повністю використані. Gensyn та Aethir проводять перевірку якості виконаних обчислень. Render рекомендує використовувати процес вирішення суперечок. Phala генерує TEE доказ після завершення, забезпечуючи виконання необхідних операцій AI-агентом в мережі.

! Перетин AI та DePIN

Апаратура статистичні дані

| | 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+ | - | | Вартість H100/годину | - | $1.46 | $1.19 | - | - | - | | A100 витрати/год | - | $1.37 | $1.50 | $0.55 ( прогнозується ) | $0.33 ( прогнозується ) | - |

Вимоги до високопродуктивних GPU

Навчання моделей ШІ потребує GPU з найкращою продуктивністю, таких як A100 та H100 від Nvidia. Продуктивність H100 у виконанні інференсів у 4 рази вища за A100, що робить його вибором номер один, особливо для великих компаній, які навчають свої власні LLM.

Децентралізованим постачальникам GPU на ринку потрібно конкурувати з колегами з Web2, не лише пропонуючи нижчі ціни, але й задовольняючи реальні потреби ринку. У 2023 році Nvidia поставила централізованим великим технологічним компаніям понад 500 тисяч H100, що ускладнило отримання аналогічного апаратного забезпечення.

io.net та Aethir мають понад 2000 одиниць H100 та A100 відповідно, що краще підходить для обчислень великих моделей. Згідно з необхідним розміром кластеру для розробників, наразі вартість цих децентралізованих GPU-сервісів значно нижча, ніж у централізованих GPU-сервісів.

Незважаючи на обмеження пам'яті в GPU-кластерах з підключенням до мережі, децентралізована GPU-мережа все ще може надавати потужні обчислювальні можливості та масштабованість для користувачів, які потребують гнучкості та можливості розподілу навантаження через кілька вузлів для розподілених обчислювальних завдань.

Надає споживчий рівень GPU/CPU

ЦП також відіграє важливу роль у навчанні моделей ШІ, його можна використовувати на кількох етапах, від попередньої обробки даних до управління ресурсами пам'яті. Споживчі ГПУ можуть використовуватися для не надто інтенсивних завдань, таких як донавчання попередньо навченої моделі або навчання маломасштабної моделі на малих наборах даних.

Враховуючи, що понад 85% споживачів GPU-ресурсів перебувають у стані простою, такі проекти, як Render, Akash та io.net, також можуть обслуговувати цей ринок. Надання цих опцій дозволяє їм розвивати власну ринкову позицію, зосереджуючи увагу на масових обчисленнях, маломасштабному рендерінгу або їх комбінації.

! Перетин AI та DePIN

Висновок

Сфера AI DePIN все ще є відносно новою і стикається з власними викликами. Проте, кількість завдань та апаратного забезпечення, що виконуються на цих децентралізованих GPU-мережах, значно зросла, що підкреслює зростання попиту на альтернативи апаратних ресурсів постачальників Web2. Одночасно збільшення кількості постачальників апаратного забезпечення також показує раніше недостатньо використані запаси. Це ще більше підтверджує відповідність продукту мереж AI DePIN на ринку, ефективно вирішуючи виклики в аспектах попиту та пропозиції.

Оглядаючи в майбутнє, ШІ, ймовірно, розвиватиметься в процвітаючий ринок вартістю в десятки тисяч мільярдів доларів. Ці децентралізовані мережі GPU відіграватимуть ключову роль у наданні економічно вигідних варіантів обчислень для розробників. Постійно заповнюючи розрив між попитом і пропозицією, ці мережі суттєво сприятимуть майбутньому ландшафту ШІ та обчислювальної інфраструктури.

! Перетин AI та DePIN

! Перетин AI та DePIN

! Перетин AI та DePIN

! Перетин AI та DePIN