La intersección de AI y DePIN: El auge de las redes GPU distribuidas

Desde 2023, la IA y DePIN se han convertido en tendencias populares en el ámbito de Web3, con una capitalización de mercado de 30,000 millones de dólares para la primera y de 23,000 millones de dólares para la segunda. Este artículo se centra en la intersección de ambos, explorando el desarrollo de los protocolos en este campo.

En la pila tecnológica de IA, la red DePIN proporciona utilidad a la IA a través de recursos de computación. El desarrollo de grandes empresas tecnológicas ha causado una escasez de GPU, dificultando a otros desarrolladores obtener suficientes GPU para el cálculo de modelos de IA. Esto suele llevar a los desarrolladores a elegir proveedores de nube centralizados, pero debido a la necesidad de firmar contratos de hardware de alto rendimiento a largo plazo que son inflexibles, la eficiencia es baja.

DePIN ofrece una alternativa más flexible y rentable, utilizando recompensas en tokens para incentivar las contribuciones de recursos que cumplen con los objetivos de la red. En el campo de la IA, DePIN externaliza los recursos de GPU de propietarios individuales a centros de datos, formando un suministro unificado para los usuarios que necesitan acceder al hardware. Estas redes no solo ofrecen personalización y acceso bajo demanda a los desarrolladores que necesitan capacidad de cálculo, sino que también brindan ingresos adicionales a los propietarios de GPU.

Resumen de la red DePIN de IA

Render es un pionero en redes P2P que ofrece capacidades de cálculo GPU, anteriormente se centraba en renderizar gráficos para la creación de contenido, y luego amplió su alcance para incluir tareas de cálculo de IA desde campos de reflexión neural hasta IA generativa.

Akash se posiciona como una alternativa "supernube" para plataformas tradicionales que soportan almacenamiento, GPU y cálculos de CPU. Aprovechando herramientas amigables para desarrolladores como nodos de computación gestionados por Kubernetes y plataformas de contenedores, puede desplegar software de manera fluida a través de entornos, permitiendo así ejecutar cualquier aplicación nativa de la nube.

io.net proporciona acceso a clústeres de GPU en la nube distribuidos, que están diseñados para casos de uso de IA y ML. Agrega GPU de centros de datos, mineros de criptomonedas y otras redes descentralizadas.

Gensyn ofrece capacidad de cálculo GPU centrada en el aprendizaje automático y el aprendizaje profundo. Afirma haber logrado un mecanismo de verificación más eficiente mediante la combinación de conceptos como pruebas de aprendizaje, protocolos de localización precisa basados en gráficos y juegos de incentivos que implican la participación y reducción de proveedores de cálculo.

Aethir está diseñado específicamente para GPU empresariales, centrándose en áreas de alta demanda computacional, principalmente inteligencia artificial, aprendizaje automático, juegos en la nube, etc. Los contenedores en su red actúan como puntos finales virtuales que ejecutan aplicaciones basadas en la nube, trasladando la carga de trabajo de los dispositivos locales a los contenedores para lograr una experiencia de baja latencia.

Phala Network actúa como la capa de ejecución de soluciones de IA Web3. Su blockchain es una solución de computación en la nube sin necesidad de confianza, diseñada para abordar problemas de privacidad mediante el uso de su entorno de ejecución confiable (TEE). Su capa de ejecución permite que los agentes de IA sean controlados por contratos inteligentes en la cadena.

Comparación de proyectos

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Enfoque empresarial | 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 cadena | | Tipo de tarea AI | Inferencia | Ambos | Ambos | Entrenamiento | Entrenamiento | Ejecución | | Precio de trabajo | Precio basado en el rendimiento | Subasta inversa | Precio de mercado | Precio de mercado | Sistema de licitación | Cálculo de derechos | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privacidad de datos | Cifrado&hash | Autenticación mTLS | Cifrado de datos | Mapeo seguro | Cifrado | TEE | | Costos de trabajo | Cada trabajo 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% tarifa de reserva | Tarifas bajas | 20% por sesión | Proporcional al monto apostado | | Seguridad | Prueba de Renderizado | Prueba de Participación | Prueba de Cálculo | Prueba de Participación | Prueba de Capacidad de Renderizado | Heredado de la Cadena de Relé | | Prueba de finalización | - | - | Prueba de bloqueo de tiempo | Prueba de aprendizaje | Prueba de trabajo de renderizado | Prueba TEE | | Garantía de calidad | Controversia | - | - | Verificador y denunciante | Nodo de verificación | Prueba remota | | Grupo de GPU | No | Sí | Sí | Sí | Sí | No |

importancia

Disponibilidad de clústeres y computación paralela

El marco de computación distribuida ha implementado un clúster de GPU, proporcionando un entrenamiento más eficiente sin afectar la precisión del modelo, al mismo tiempo que mejora la escalabilidad. Entrenar modelos de IA más complejos requiere una gran capacidad de cálculo, que a menudo debe depender de la computación distribuida para satisfacer sus necesidades. La mayoría de los proyectos clave ahora han integrado clústeres para lograr la computación paralela.

Privacidad de datos

Desarrollar modelos de IA requiere el uso de grandes conjuntos de datos, que pueden provenir de diversas fuentes y tener diversas formas. Los conjuntos de datos sensibles, como los registros médicos personales y los datos financieros de los usuarios, pueden enfrentar el riesgo de ser expuestos a los proveedores de modelos. Por lo tanto, contar con diversos métodos de privacidad de datos es crucial para devolver el control de los datos a los proveedores de datos.

La mayoría de los proyectos cubiertos utilizan alguna forma de cifrado de datos para proteger la privacidad de los datos. io.net ha colaborado recientemente con Mind Network para lanzar la completamente homomórfica cifrado (FHE), que permite procesar datos cifrados sin necesidad de descifrarlos primero. Phala Network ha introducido TEE, que es un área segura dentro del procesador principal del dispositivo conectado.

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 ( estimado ) | $0.33 ( estimado ) | - |

conclusión

El campo de DePIN de IA sigue siendo relativamente nuevo y enfrenta sus propios desafíos. Sin embargo, la cantidad de tareas y hardware ejecutados en estas redes de GPU descentralizadas sigue aumentando significativamente. El volumen de tareas ejecutadas en estas redes sigue creciendo, lo que resalta la creciente demanda de alternativas a los recursos de hardware de los proveedores de nube Web2. Al mismo tiempo, el aumento de proveedores de hardware en estas redes destaca un suministro que anteriormente no se había aprovechado adecuadamente.

Mirando hacia el futuro, la trayectoria de desarrollo de la inteligencia artificial apunta a un mercado en auge de billones de dólares. Creemos que estas redes de GPU descentralizadas desempeñarán un papel clave en proporcionar alternativas de computación rentables para los desarrolladores. Al aprovechar su red para cerrar continuamente la brecha entre la demanda y la oferta, estas redes harán una contribución significativa al futuro paisaje de la inteligencia artificial y la infraestructura de computación.