دمج الذكاء الاصطناعي وDePIN: صعود الشبكات الموزعة للمعالجات الرسومية

منذ عام 2023، أصبحت الذكاء الاصطناعي وشبكات البنية التحتية المادية اللامركزية (DePIN) من الاتجاهات الساخنة في مجال الويب 3. كلا المجالين يشملان بروتوكولات مختلفة تلبي احتياجات متنوعة. ستتناول هذه المقالة النقاط المشتركة بين الاثنين وتدرس تطور البروتوكولات ذات الصلة.

في مجموعة تقنيات الذكاء الاصطناعي، تمكّن شبكة DePIN الذكاء الاصطناعي من خلال توفير موارد حسابية. بسبب تطور شركات التكنولوجيا الكبرى الذي أدى إلى نقص في وحدات معالجة الرسومات (GPU)، يجد المطورون الآخرون صعوبة في الحصول على ما يكفي من وحدات معالجة الرسومات لتدريب نماذج الذكاء الاصطناعي. الطريقة التقليدية هي اختيار مزودي خدمات السحابة المركزية، ولكن هذا يتطلب توقيع عقود طويلة الأجل غير مرنة، مما يؤدي إلى كفاءة منخفضة.

توفر شبكة DePIN بديلاً أكثر مرونة وفعالية من حيث التكلفة. تستخدم مكافآت الرموز لتحفيز المساهمة في الموارد، حيث يتم حشد موارد GPU من مالكيها الأفراد إلى الشبكة، مما يشكل عرضًا موحدًا للمستخدمين الذين يحتاجون إلى الوصول إلى الأجهزة. لا يوفر ذلك فقط للمطورين إمكانية التخصيص والوصول حسب الطلب، بل يوفر أيضًا دخلاً إضافيًا لمالكي GPU.

! تقاطع الذكاء الاصطناعي و DePIN

يوجد في السوق العديد من شبكات AI DePIN، ولكل منها ميزاتها الخاصة. فيما يلي سنستعرض خصائص وأهداف بعض المشاريع الرئيسية:

نظرة عامة على شبكة DePIN الذكية

Render هو رائد شبكة P2P التي تقدم قدرة حساب GPU، وتركز في البداية على إنشاء المحتوى والتصيير، ثم توسعت لتشمل مهام الحوسبة الذكية.

النقطة المثيرة للاهتمام:

• تأسست من قبل شركة OTOY لتقنية الرسوم السحابية الحائزة على جائزة الأوسكار
• تم استخدام شبكة GPU من قبل شركات كبيرة في صناعة الترفيه
• التعاون مع Stability AI وغيرها، دمج نماذج الذكاء الاصطناعي مع محتوى 3D
• الموافقة على عدة عملاء حوسبة، دمج المزيد من شبكات DePIN GPU

Akash يُعَد بديلاً "سوبر سحابة" للمنصات السحابية التقليدية، ويُدعم التخزين، وحوسبة GPU وCPU.

الجزء المثير للاهتمام:

• مهام الحوسبة الواسعة من الحوسبة العامة إلى استضافة الشبكة
• AkashML يسمح بتشغيل عدد كبير من النماذج على Hugging Face
• استضافت بعض التطبيقات المعروفة في مجال الذكاء الاصطناعي، مثل روبوت الدردشة LLM من Mistral AI
• دعم الميتافيرس، ونشر الذكاء الاصطناعي، ومنصة التعلم الفيدرالي

io.net يوفر الوصول إلى تجمعات السحابة الموزعة للـ GPU، المخصصة لحالات استخدام AI و ML.

المثير للاهتمام:

• IO-SDK متوافق مع الأطر الرئيسية للذكاء الاصطناعي، يمكن توسيعه تلقائيًا حسب الحاجة
• يدعم إنشاء 3 أنواع مختلفة من الكتل، يمكن بدء التشغيل بسرعة
• التعاون مع شبكات DePIN الأخرى لدمج موارد GPU

Gensyn تقدم قدرة حساب GPU تركز على التعلم الآلي والتعلم العميق.

النقطة المثيرة للاهتمام:

• تقليل تكلفة حسابات GPU بشكل كبير
• دعم ضبط النماذج الأساسية المدربة مسبقًا
• يوفر نموذج أساسي لامركزي ومشترك عالميًا

Aethir تقدم خدمات GPU على مستوى المؤسسات، وتستخدم بشكل رئيسي في مجالات الذكاء الاصطناعي، وتعلم الآلة، والألعاب السحابية.

الجانب المثير للاهتمام:

• التوسع في مجال خدمات الهاتف السحابي
• إقامة شراكات مع شركات Web2 الكبيرة مثل NVIDIA
• هناك العديد من الشركاء في مجال Web3

Phala Network تعمل كطبقة تنفيذ لحلول Web3 AI، باستخدام بيئة تنفيذ موثوقة (TEE) لمعالجة قضايا الخصوصية.

المثير للاهتمام:

• بروتوكول المعالج المساعد القابل للتحقق من الحسابات
• يمكن لوكلاء الذكاء الاصطناعي الوصول إلى أفضل نماذج اللغة الكبيرة
• في المستقبل، ستدعم أنظمة إثبات متعددة
• خطة دعم H100 وغيرها من وحدات معالجة الرسوميات TEE

مقارنة المشاريع

| | ريندر | أكاش | io.net | جينسين | أثير | فالا | |--------|-------------|------------------|---------------------|---------|---------------|----------| | الأجهزة | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات | وحدة معالجة الرسومات | وحدة المعالجة المركزية | | النقاط الرئيسية | عرض الرسوميات والذكاء الاصطناعي | الحوسبة السحابية، العرض والذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي، الألعاب السحابية والاتصالات | تنفيذ الذكاء الاصطناعي على السلسلة | | نوع مهمة AI | استدلال | كلاهما | كلاهما | تدريب | تدريب | تنفيذ | | تسعير العمل | تسعير قائم على الأداء | مزاد عكسي | تسعير السوق | تسعير السوق | نظام المناقصات | حساب الحقوق | | بلوكتشين | سولانا | كوزموس | سولانا | جينسين | أربيتروم | بولكادوت | | خصوصية البيانات | تشفير&هاش | مصادقة mTLS | تشفير البيانات | خريطة آمنة | تشفير | TEE | | تكاليف العمل | لكل عمل 0.5-5% | 20% USDC، 4% AKT | 2% USDC، 0.25% رسوم احتياطي | رسوم منخفضة | لكل جلسة 20% | تتناسب مع مبلغ الرهان | | الأمان | إثبات العرض | إثبات الحقوق | إثبات الحساب | إثبات الحقوق | إثبات القدرة على العرض | ميراث من سلسلة المتوسطة | | إثبات الإنجاز | - | - | إثبات القفل الزمني | إثبات التعلم | إثبات أداء العمل | إثبات TEE | | ضمان الجودة | نزاع | - | - | المراجع والمبلغين | عقدة الفحص | إثبات عن بُعد | | مجموعة GPU | لا | نعم | نعم | نعم | نعم | لا |

الأهمية

توفر الحوسبة المجمعة والمتوازية

إطار العمل للحوسبة الموزعة قد نفذ تجمعات GPU، مما يسمح بتدريب نماذج AI المعقدة بشكل أكثر كفاءة. معظم المشاريع الآن دمجت التجمعات لتحقيق الحوسبة المتوازية. لقد نجحت io.net في نشر عدد كبير من التجمعات. رغم أن Render لا يدعم التجمعات، إلا أن طريقة عمله مشابهة. Phala تدعم حاليا فقط CPU، لكنها تسمح بتجميع وحدات المعالجة المركزية.

خصوصية البيانات

يتطلب تطوير نماذج الذكاء الاصطناعي استخدام كميات كبيرة من البيانات، وقد تتضمن معلومات حساسة. تستخدم معظم المشاريع نوعًا من تشفير البيانات لحماية الخصوصية. أطلقت io.net تشفيرًا متجانسًا تمامًا (FHE)، مما يسمح بمعالجة البيانات المشفرة دون الحاجة إلى فك تشفيرها. قدمت شبكة Phala بيئة تنفيذ موثوقة (TEE)، والتي تمنع الوصول أو تعديل البيانات من العمليات الخارجية.

حساب إثبات الإنجاز وفحص الجودة

بعض المشاريع ستولد إثباتات لإظهار أن العمل قد اكتمل، وإجراء فحص الجودة. تستخدم Gensyn و Aethir المُصادقين ونقاط الفحص لضمان جودة الخدمة. توصي Render باستخدام عملية حل النزاعات. سيتم إنتاج إثبات TEE بعد الانتهاء من Phala.

! تقاطع الذكاء الاصطناعي و DePIN

بيانات إحصائيات الأجهزة

| | ريندر | أكاش | io.net | جينسين | إثير | فالا | |-------------|--------|-------|--------|------------|------------|--------| | عدد وحدات معالجة الرسوميات | 5600 | 384 | 38177 | - | 40000+ | - | | عدد وحدات المعالجة المركزية | 114 | 14672 | 5433 | - | - | 30000+ | | عدد H100/A100 | - | 157 | 2330 | - | 2000+ | - | | تكلفة H100/ساعة | - | $1.46 | $1.19 | - | - | - | | تكلفة A100/ساعة | - | $1.37 | $1.50 | $0.55 ( متوقع ) | $0.33 ( متوقع ) | - |

! تقاطع الذكاء الاصطناعي و DePIN

متطلبات GPU عالية الأداء

يتطلب تدريب نماذج الذكاء الاصطناعي وحدات معالجة الرسوميات (GPU) ذات الأداء الأفضل، مثل A100 و H100 من Nvidia. أداء الاستدلال لـ H100 أسرع بـ 4 مرات من A100، وقد أصبح الخيار المفضل. يجب على مزودي سوق GPU اللامركزي التنافس مع نظرائهم في Web2، ليس فقط من خلال تقديم أسعار أقل، ولكن أيضًا من خلال تلبية الاحتياجات الفعلية للسوق.

حصلت io.net و Aethir على أكثر من 2000 وحدة H100/A100، مما يجعلها أكثر ملاءمة لحسابات النماذج الكبيرة. لقد أصبحت تكلفة هذه الخدمات القائمة على GPU اللامركزية أقل بكثير من الخدمات المركزية.

على الرغم من أن مجموعة GPU المتصلة بالشبكة لديها قيود معينة من حيث الذاكرة، إلا أنها لا تزال خيارًا قويًا للمستخدمين الذين يحتاجون إلى المرونة. من خلال تقديم بدائل أكثر فعالية من حيث التكلفة، تخلق هذه الشبكات فرصًا لبناء المزيد من حالات الاستخدام في الذكاء الاصطناعي والتعلم الآلي.

! تقاطع الذكاء الاصطناعي و DePIN

يوفر GPU/CPU من مستوى الاستهلاك

بالإضافة إلى وحدات معالجة الرسوميات عالية الجودة، تلعب وحدات معالجة الرسوميات من الفئة الاستهلاكية ووحدات المعالجة المركزية أيضًا دورًا في تطوير نماذج الذكاء الاصطناعي. نظرًا لأن كمية كبيرة من موارد وحدات معالجة الرسوميات الاستهلاكية تبقى غير مستخدمة، تقدم بعض المشاريع خدمات لهذه السوق، وتطور سوقها الخاص.

! تقاطع الذكاء الاصطناعي و DePIN

الخاتمة

لا يزال مجال DePIN في الذكاء الاصطناعي جديدًا نسبيًا ويواجه تحديات. لكن عدد المهام والأجهزة المنفذة على هذه الشبكات الموزعة GPU قد زاد بشكل ملحوظ، مما يبرز الطلب على بدائل موارد الأجهزة لمزودي خدمات السحابة Web2.

تتطلع المستقبل، فإن سوق الذكاء الاصطناعي يتمتع بآفاق واسعة، وستلعب هذه الشبكات الموزعة من وحدات معالجة الرسوميات دورًا حاسمًا في توفير بدائل حسابية فعالة من حيث التكلفة للمطورين. من خلال تقليص الفجوة بين الطلب والعرض باستمرار، ستساهم هذه الشبكات بشكل كبير في المشهد المستقبلي للذكاء الاصطناعي والبنية التحتية الحاسوبية.

! تقاطع الذكاء الاصطناعي و DePIN

! تقاطع الذكاء الاصطناعي و DePIN