La fusión de AI y DePIN: el surgimiento de redes GPU distribuidas

Desde 2023, la inteligencia artificial y la red de infraestructura física descentralizada (DePIN) se han convertido en dos grandes tendencias en el ámbito de Web3. Estos dos campos abarcan una variedad de protocolos diferentes, que sirven a diferentes necesidades. Este artículo explorará el punto de intersección entre ambos y estudiará el desarrollo de los protocolos relacionados.

En la pila tecnológica de IA, la red DePIN potencia la IA al proporcionar recursos de computación. Debido al desarrollo de grandes empresas tecnológicas que ha llevado a la escasez de GPU, otros desarrolladores tienen dificultades para obtener suficientes GPU para el entrenamiento de modelos de IA. La práctica tradicional es elegir proveedores de servicios en la nube centralizados, pero esto requiere firmar contratos a largo plazo poco flexibles y es ineficiente.

La red DePIN ofrece una alternativa más flexible y rentable. Utiliza recompensas en tokens para incentivar la contribución de recursos, creando un suministro unificado al agrupar recursos de GPU de propietarios individuales en la red, para los usuarios que necesitan acceder al hardware. Esto no solo proporciona a los desarrolladores personalización y acceso bajo demanda, sino que también ofrece ingresos adicionales a los propietarios de GPU.

En el mercado hay varias redes DePIN de IA, cada una con sus características. A continuación, exploraremos las características y objetivos de algunos de los principales proyectos:

Resumen de la red DePIN de IA

Render es un pionero en redes P2P que ofrece capacidad de cálculo GPU, inicialmente enfocado en la renderización de contenido creativo, y luego se expandió a tareas de cálculo de IA.

Interesante:

• Fundada por la empresa de gráficos en la nube OTOY, que cuenta con tecnología galardonada con un Oscar.
• La red GPU ha sido utilizada por grandes empresas de la industria del entretenimiento
• Colaborar con Stability AI y otros para integrar modelos de IA con renderización de contenido 3D
• Aprobar múltiples clientes de cálculo, integrar más GPU de redes DePIN

Akash se posiciona como un "súper nube" alternativa a las plataformas de nube tradicionales, soportando almacenamiento, computación GPU y CPU.

Interesante:

• Tareas computacionales amplias que van desde la computación general hasta el alojamiento en red
• AkashML permite ejecutar una gran cantidad de modelos en Hugging Face.
• Ha alojado algunas aplicaciones de IA reconocidas, como el chatbot LLM de Mistral AI
• Soporte para plataformas de metaverso, despliegue de IA y aprendizaje federado

io.net proporciona acceso a clústeres de GPU en la nube distribuidos, específicamente para casos de uso de IA y ML.

Interesante:

• IO-SDK es compatible con los principales marcos de IA y puede expandirse automáticamente según las necesidades.
• Soporta la creación de 3 tipos diferentes de clústeres, se puede iniciar rápidamente.
• Colaborar e integrar recursos de GPU con otras redes DePIN

Gensyn ofrece capacidad de computación GPU centrada en el aprendizaje automático y el aprendizaje profundo.

Punto interesante:

• Reducir drásticamente el costo de cálculo de GPU
• Soporte para el ajuste fino de modelos base preentrenados
• Proporcionar un modelo básico descentralizado y compartido globalmente

Aethir se especializa en proporcionar GPU de nivel empresarial, principalmente utilizadas en áreas como IA, aprendizaje automático y juegos en la nube.

Interesante:

• Expandir al campo de servicios de teléfonos en la nube
• Establecer colaboraciones con grandes empresas de Web2 como NVIDIA
• Hay múltiples socios en el ámbito de Web3

Phala Network actúa como la capa de ejecución de soluciones de IA Web3, utilizando un entorno de ejecución confiable (TEE) para abordar problemas de privacidad.

Interesante:

• Actuar como un protocolo de coprocesador de cálculo verificable
• Los contratos de agente de IA pueden acceder a los principales modelos de lenguaje.
• En el futuro se admitirán múltiples sistemas de prueba
• Plan para soportar GPU TEE como H100

Comparación de proyectos

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Enfoque de Negocios | Renderizado Gráfico y AI | Computación en la Nube, Renderizado y AI | AI | AI | Inteligencia Artificial, Juegos en la Nube y Telecomunicaciones | Ejecución de AI en la Cadena | | Tipo de tarea de IA | Inferencia | Ambos | Ambos | Entrenamiento | Entrenamiento | Ejecución | | Precio del trabajo | Precio basado en el rendimiento | Subasta inversa | Precio de mercado | Precio de mercado | Sistema de licitación | Cálculo de derechos | | Cadena de bloques | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privacidad de datos | Encriptación&Hash | Autenticación mTLS | Encriptación de datos | Mapeo seguro | Encriptación | TEE | | Costos de trabajo | 0.5-5% por trabajo | 20% USDC, 4% AKT | 2% USDC, 0.25% costo de reserva | Tarifas bajas | 20% por sesión | Proporcional al monto de staking | | Seguridad | Prueba de Renderizado | Prueba de Participación | Prueba de Cálculo | Prueba de Participación | Prueba de Capacidad de Renderizado | Heredado de la Cadena Intermedia | | Prueba de finalización | - | - | Prueba de bloqueo temporal | Prueba de aprendizaje | Prueba de trabajo de renderización | Prueba TEE | | Garantía de calidad | Controversia | - | - | Verificador y denunciador | Nodo de verificación | Prueba remota | | GPU Cluster | No | Sí | Sí | Sí | Sí | No |

importancia

Disponibilidad de clústeres y computación paralela

El marco de computación distribuida ha implementado un clúster de GPU, lo que permite entrenar modelos de IA complejos de manera más eficiente. La mayoría de los proyectos ahora han integrado clústeres para realizar cálculos en paralelo. io.net ha desplegado con éxito una gran cantidad de clústeres. Aunque Render no soporta clústeres, su funcionamiento es similar. Phala actualmente solo soporta CPU, pero permite la agrupación de trabajadores de CPU.

Privacidad de datos

Desarrollar modelos de IA requiere el uso de grandes cantidades de datos, que pueden involucrar información sensible. La mayoría de los proyectos utilizan alguna forma de cifrado de datos para proteger la privacidad. io.net lanzó el cifrado completamente homomórfico (FHE), que permite procesar datos cifrados sin necesidad de desencriptarlos. Phala Network introdujo un entorno de ejecución confiable (TEE), que evita que procesos externos accedan o modifiquen los datos.

Cálculo de prueba de finalización y control de calidad

Algunos proyectos generarán pruebas para indicar que el trabajo se ha completado y se realizará un control de calidad. Gensyn y Aethir utilizan validadores y nodos de verificación para garantizar la calidad del servicio. Render sugiere utilizar un proceso de resolución de disputas. Phala generará una prueba TEE una vez completado.

Datos estadísticos de hardware

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

Requisitos de GPU de alto rendimiento

El entrenamiento de modelos de IA requiere GPU de alto rendimiento, como las A100 y H100 de Nvidia. El rendimiento de inferencia de la H100 es 4 veces más rápido que el de la A100, convirtiéndose en la opción preferida. Los proveedores del mercado de GPU descentralizado deben competir con sus homólogos de Web2, no solo ofreciendo precios más bajos, sino también satisfaciendo las demandas reales del mercado.

io.net y Aethir han obtenido más de 2000 unidades H100/A100, más adecuadas para cálculos de modelos grandes. El costo de estos servicios de GPU descentralizados ya es mucho más bajo que el de los servicios centralizados.

A pesar de que los clústeres de GPU conectados a la red tienen ciertas limitaciones en cuanto a la memoria, siguen siendo una opción poderosa para los usuarios que necesitan flexibilidad. Al ofrecer alternativas más rentables, estas redes crean oportunidades para desarrollar más casos de uso de IA y ML.

proporciona GPU/CPU de nivel de consumo

Además de las GPU de alta gama, las GPU de consumo y las CPU también desempeñan un papel en el desarrollo de modelos de IA. Teniendo en cuenta que una gran cantidad de recursos de GPU para consumidores están inactivos, algunos proyectos también están sirviendo a este mercado, desarrollando su propio nicho.

Conclusión

El campo de DePIN de IA sigue siendo relativamente nuevo y enfrenta desafíos. Sin embargo, el número de tareas y hardware ejecutados en estas redes GPU descentralizadas ha aumentado significativamente, lo que resalta la demanda de alternativas a los recursos de hardware de los proveedores de nube Web2.

De cara al futuro, el mercado de la IA tiene un amplio horizonte, y estas redes de GPU descentralizadas desempeñarán un papel clave al proporcionar a los desarrolladores alternativas de computación rentables. Al seguir cerrando la brecha entre la demanda y la oferta, estas redes harán una contribución significativa al futuro del panorama de la IA y la infraestructura de computación.