AI et le domaine croisé de DePIN : l'essor des réseaux GPU décentralisés
Depuis 2023, l'IA et la Décentralisation des Infrastructures Physiques (DePIN) sont devenues des tendances populaires dans le domaine du Web3, avec des capitalisations respectives de 30 milliards de dollars et 23 milliards de dollars. Cet article se concentre sur le domaine d'intersection des deux, en explorant le développement des protocoles associés.
Dans la pile technologique de l'IA, le réseau DePIN fournit des utilités à l'IA par le biais de ressources de calcul. La pénurie de GPU causée par les grandes entreprises technologiques a conduit à un manque de GPU suffisants pour d'autres développeurs. Cela conduit généralement les développeurs à choisir des fournisseurs de cloud centralisés, mais en raison de la nécessité de signer des contrats rigides à long terme pour du matériel haute performance, l'efficacité est réduite.
DePIN offre essentiellement une alternative plus flexible et plus rentable, en utilisant des récompenses en jetons pour inciter les contributions de ressources qui répondent aux objectifs du réseau. Le DePIN dans le domaine de l'IA externalise les ressources GPU des propriétaires individuels vers les centres de données, formant une offre unifiée pour les utilisateurs ayant besoin d'accéder au matériel. Ces réseaux DePIN offrent non seulement aux développeurs ayant besoin de capacités de calcul une personnalisation et un accès à la demande, mais aussi aux propriétaires de GPU un revenu supplémentaire.
Il n'est pas facile d'identifier les différences entre les nombreux réseaux DePIN alimentés par l'IA sur le marché et de trouver le bon réseau dont vous avez besoin. Nous allons explorer le rôle de chaque protocole, ses objectifs et les points forts réalisés.
Aperçu du réseau DePIN de l'IA
Chaque projet a un objectif similaire - le réseau du marché de calcul GPU. Cette section examine les points forts de chaque projet, les points clés du marché et les réalisations, en approfondissant les différences entre eux grâce à la compréhension de leurs infrastructures et produits clés.
Render est un pionnier du réseau P2P fournissant des capacités de calcul GPU, auparavant axé sur le rendu graphique de contenu, et s'est ensuite étendu aux tâches de calcul d'IA générative, notamment en intégrant des outils tels que Stable Diffusion, y compris les champs de radiation neuronale (NeRF).
Points forts:
Fondée par OTOY, une entreprise de graphisme en nuage possédant des technologies récompensées par un Oscar.
Le réseau GPU est utilisé par des grandes entreprises du secteur du divertissement telles que Paramount Pictures, PUBG et Star Trek.
Collaborer avec Stability AI et Endeavor pour intégrer les modèles d'IA dans le flux de travail de rendu de contenu 3D en utilisant le GPU de Render.
Approuver plusieurs clients de calcul, intégrer plus de GPU des réseaux DePIN
Akash se décrit comme "Airbnb de l'hébergement", positionné comme une alternative « super cloud » aux plateformes traditionnelles de stockage, de calcul GPU et CPU telles qu'AWS(. Grâce à des outils conviviaux pour les développeurs tels que la plateforme de conteneurs Akash et les nœuds de calcul gérés par Kubernetes, il est possible de déployer des logiciels de manière transparente à travers les environnements et d'exécuter n'importe quelle application cloud native.
Points forts :
Ciblant une large gamme de tâches de calcul, allant du calcul général à l'hébergement en ligne.
AkashML permet aux réseaux GPU de faire fonctionner plus de 15 000 modèles sur Hugging Face, tout en s'intégrant à Hugging Face.
Akash héberge les chatbots de modèles LLM de Mistral AI, le modèle de conversion de texte en image SDXL de Stability AI, ainsi que la nouvelle base de modèle AT-1 de Thumper AI.
La plateforme de construction du métavers, de déploiement de l'IA et d'apprentissage fédéré utilise Supercloud
io.net fournit un accès à un cluster cloud GPU distribué, spécialement conçu pour les cas d'utilisation de l'IA et du ML. Il agrège les GPU des centres de données, des mineurs de cryptomonnaies et d'autres réseaux décentralisés. L'entreprise était auparavant une société de trading quantitatif et s'est tournée vers son activité actuelle après la forte augmentation des prix des GPU haute performance.
Points forts:
L'IO-SDK est compatible avec des frameworks tels que PyTorch et Tensorflow, et l'architecture multicouche peut s'étendre automatiquement et dynamiquement en fonction des besoins de calcul.
Prend en charge la création de 3 types différents de clusters, pouvant être lancés en 2 minutes.
Une coopération solide pour intégrer d'autres réseaux DePIN GPU, y compris Render, Filecoin, Aethir et Exabits
Gensyn fournit des capacités de calcul GPU axées sur l'apprentissage automatique et l'apprentissage profond. Il affirme réaliser un mécanisme de validation plus efficace que les méthodes existantes en combinant des concepts tels que la preuve d'apprentissage, un protocole de localisation précis basé sur des graphes et des jeux d'incitation de type Truebit impliquant le staking et le rabais des fournisseurs de calcul.
Points forts:
Le coût horaire prévu d'un GPU équivalent V100 est d'environ 0,40 USD, ce qui permet d'importantes économies.
Par le biais de l'empilement de preuves, il est possible d'affiner un modèle de base pré-entraîné pour accomplir des tâches plus spécifiques.
Ces modèles de base seront décentralisés et mondialement accessibles, en plus du réseau de calcul matériel, ils offriront des fonctionnalités supplémentaires.
Aethir est spécialement conçu pour les GPU d'entreprise, se concentrant sur les domaines à forte intensité de calcul, principalement l'IA, l'apprentissage automatique )ML(, les jeux en cloud, etc. Dans le réseau, les conteneurs agissent comme des points de terminaison virtuels pour les applications basées sur le cloud, transférant la charge de travail des appareils locaux vers les conteneurs, offrant ainsi une expérience à faible latence. Pour garantir un service de qualité, ils rapprochent les GPU des sources de données en fonction de la demande et de la localisation, ajustant les ressources.
Points forts :
En plus de l'IA et des jeux en cloud, Aethir s'est également étendu aux services de cloud mobile, en collaboration avec APhone pour lancer un smartphone intelligent en cloud décentralisé.
Établir une large coopération avec de grandes entreprises Web2 telles que NVIDIA, Super Micro, HPE, Foxconn et Well Link.
Plusieurs partenaires dans le Web3, tels que CARV, Magic Eden, Sequence, Impossible Finance, etc.
Phala Network agit en tant que couche d'exécution pour des solutions AI Web3. Sa blockchain est une solution de cloud computing sans confiance, conçue pour traiter les problèmes de confidentialité via un environnement d'exécution de confiance )TEE(. La couche d'exécution n'est pas utilisée comme couche de calcul pour les modèles AI, mais permet aux agents AI d'être contrôlés par des contrats intelligents sur la chaîne.
Points forts:
Agir en tant que protocole de coprocesseur de calcul vérifiable, permettant aux agents IA d'accéder aux ressources sur la chaîne.
Les contrats d'agent AI peuvent obtenir des modèles de langage de premier plan tels qu'OpenAI, Llama, Claude et Hugging Face via Redpill.
L'avenir inclura les zk-proofs, le calcul multipartite )MPC(, le chiffrement homomorphe complet )FHE( et d'autres systèmes de preuve multiples.
À l'avenir, prise en charge d'autres GPU TEE tels que H100, augmentation de la capacité de calcul.
![AI et le point de convergence de DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(
Comparaison de projets
| | Rendu | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Matériel | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Points d'intérêt | Rendu graphique et IA | Informatique en nuage, rendu et IA | IA | IA | IA, jeux en nuage et télécommunications | Exécution IA sur la chaîne |
| Type de tâche AI | Inférence | Les deux | Les deux | Entraînement | Entraînement | Exécution |
| Tarification du travail | Tarification basée sur la performance | Enchères inversées | Tarification de marché | Tarification de marché | Système d'appel d'offres | Calcul des droits |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Confidentialité des données | Cryptage&Hachage | Authentification mTLS | Chiffrement des données | Mappage sécurisé | Cryptage | TEE |
| Frais de travail | 0,5-5% par travail | 20% USDC, 4% AKT | 2% USDC, 0,25% frais de réserve | Frais bas | 20% par session | Proportionnel au montant staké |
| Sécurité | Preuve de rendu | Preuve de participation | Preuve de calcul | Preuve de participation | Preuve de capacité de rendu | Hérité de la chaîne relais |
| Preuve de complétion | - | - | Preuve de verrouillage temporel | Preuve d'apprentissage | Preuve de travail de rendu | Preuve TEE |
| Garantie de qualité | Litige | - | - | Vérificateurs et dénonciateurs | Nœuds vérificateurs | Preuve à distance |
| GPU Cluster | Non | Oui | Oui | Oui | Oui | Non |
Importance
Disponibilité du calcul en cluster et parallèle
Le cadre de calcul distribué permet de réaliser des clusters GPU, offrant un entraînement plus efficace sans compromettre la précision du modèle, tout en renforçant l'évolutivité. L'entraînement de modèles d'IA plus complexes nécessite une puissance de calcul importante, et il est généralement nécessaire de s'appuyer sur le calcul distribué pour répondre à cette demande. À première vue, le modèle GPT-4 d'OpenAI possède plus de 18 trillions de paramètres et a été entraîné en 3 à 4 mois en utilisant environ 25 000 GPU Nvidia A100 répartis sur 128 clusters.
Auparavant, Render et Akash ne proposaient que des GPU à usage unique, ce qui pouvait limiter la demande du marché pour les GPU. Cependant, la plupart des projets clés ont désormais intégré des clusters pour réaliser des calculs parallèles. io.net collabore avec Render, Filecoin et Aethir pour intégrer plus de GPU dans le réseau, ayant réussi à déployer plus de 3 800 clusters au cours du premier trimestre de 2024. Bien que Render ne prenne pas en charge les clusters, son fonctionnement est similaire à celui des clusters, décomposant une seule image en plusieurs nœuds différents, traitant simultanément des images de différentes portées. Phala ne prend actuellement en charge que les CPU, mais permet la mise en cluster des travailleurs CPU.
Il est très important d'intégrer le cadre de cluster dans le réseau de flux de travail AI, mais le nombre et le type de GPU de cluster nécessaires pour satisfaire les besoins des développeurs AI sont une question distincte, qui sera discutée plus loin.
Confidentialité des données
Le développement de modèles d'IA nécessite l'utilisation de grands ensembles de données, qui peuvent provenir de diverses sources et prendre des formes variées. Les ensembles de données sensibles tels que les dossiers médicaux personnels, les données financières des utilisateurs, etc., peuvent être exposés au risque d'être divulgués aux fournisseurs de modèles. Samsung a désactivé ChatGPT en interne par crainte que le téléchargement de codes sensibles sur la plateforme n'empiète sur la vie privée, et l'incident de fuite de 38 To de données privées de Microsoft souligne davantage l'importance de prendre des mesures de sécurité adéquates lors de l'utilisation de l'IA. Par conséquent, disposer de diverses méthodes de protection de la vie privée des données est crucial pour restituer le contrôle des données aux fournisseurs de données.
La plupart des projets couverts utilisent une forme de cryptage des données pour protéger la vie privée des données. Le cryptage des données garantit que le transfert de données entre le fournisseur de données et le fournisseur de modèles ) et le destinataire des données ( est protégé. Render utilise le cryptage et le hachage lors de la publication des résultats de rendu sur le réseau, tandis que io.net et Gensyn adoptent une forme de cryptage des données. Akash utilise l'authentification mTLS, permettant uniquement aux fournisseurs choisis par le locataire de recevoir les données.
Cependant, io.net a récemment collaboré avec Mind Network pour lancer le chiffrement totalement homomorphe )FHE(, permettant de traiter des données chiffrées sans avoir besoin de les déchiffrer au préalable. En permettant aux données d'être transmises en toute sécurité à des fins de formation sans divulguer l'identité et le contenu des données, cette innovation peut mieux garantir la confidentialité des données que les technologies de chiffrement existantes.
Phala Network introduit TEE, c'est-à-dire une zone de sécurité intégrée au processeur principal de l'appareil. Grâce à ce mécanisme d'isolement, il empêche les processus externes d'accéder ou de modifier les données, quel que soit leur niveau d'autorisation, même les personnes ayant un accès physique à la machine ne peuvent pas y accéder. En plus de TEE, il utilise également des zk-proofs en combinaison dans le validateur zkDCAP et l'interface de ligne de commande jtee, afin d'intégrer des programmes avec RiscZero zkVM.
![AI et le point de convergence de DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(
Preuve de calcul terminé et contrôle de qualité
Ces projets offrent des GPU capables de fournir des capacités de calcul pour une gamme de services. En raison de la variété des services, allant du rendu graphique au calcul AI, la qualité finale de ces tâches peut ne pas toujours répondre aux normes des utilisateurs. Un certificat d'achèvement peut être utilisé pour indiquer que le GPU spécifique loué par l'utilisateur a bien été utilisé pour exécuter le service requis, et un contrôle de qualité est bénéfique pour les utilisateurs demandant l'achèvement de telles tâches.
Après le calcul, Gensyn et Aethir génèrent tous deux des preuves indiquant que le travail est terminé, tandis que la preuve de io.net indique que les performances des GPU loués ont été pleinement utilisées et qu'il n'y a pas de problèmes. Gensyn et Aethir effectuent tous deux des contrôles de qualité sur les calculs terminés. Pour Gensyn, une partie du contenu générant la preuve est réexécutée par des validateurs pour être vérifiée avec la preuve, tandis que le dénonciateur sert de couche de vérification supplémentaire pour les validateurs. En même temps, Aethir utilise des nœuds de contrôle pour déterminer la qualité du service et sanctionne les services en dessous des normes. Render recommande d'utiliser un processus de résolution des litiges, et si le comité d'examen constate des problèmes avec un nœud, celui-ci sera réduit. Phala génère une preuve TEE après son achèvement pour s'assurer que l'agent AI exécute les opérations requises sur la chaîne.
![AI et le point de convergence de DePIN])https://
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
9 J'aime
Récompense
9
5
Partager
Commentaire
0/400
ChainSpy
· Il y a 9h
Aimez noir ou pas, les investisseurs détaillants doivent hausser
Voici mon commentaire :
La pénurie de GPU, il vaut mieux contribuer au Mining.
Voir l'originalRépondre0
ThatsNotARugPull
· Il y a 13h
gpu Supply Chain carte au cou
Voir l'originalRépondre0
SoliditySlayer
· Il y a 13h
capitalisation boursière totale de 53 milliards, manque-t-il d'argent ?
Voir l'originalRépondre0
GasFeeThunder
· Il y a 13h
Les frais de gaz sont trop élevés, les mineurs n'ont vraiment pas de honte.
Voir l'originalRépondre0
TokenVelocityTrauma
· Il y a 13h
C'est devenu un désordre, même les GPU ne suffisent pas.
L'IA au service de DePIN : Analyse comparative de l'émergence des réseaux GPU décentralisés et des projets grand public.
AI et le domaine croisé de DePIN : l'essor des réseaux GPU décentralisés
Depuis 2023, l'IA et la Décentralisation des Infrastructures Physiques (DePIN) sont devenues des tendances populaires dans le domaine du Web3, avec des capitalisations respectives de 30 milliards de dollars et 23 milliards de dollars. Cet article se concentre sur le domaine d'intersection des deux, en explorant le développement des protocoles associés.
Dans la pile technologique de l'IA, le réseau DePIN fournit des utilités à l'IA par le biais de ressources de calcul. La pénurie de GPU causée par les grandes entreprises technologiques a conduit à un manque de GPU suffisants pour d'autres développeurs. Cela conduit généralement les développeurs à choisir des fournisseurs de cloud centralisés, mais en raison de la nécessité de signer des contrats rigides à long terme pour du matériel haute performance, l'efficacité est réduite.
DePIN offre essentiellement une alternative plus flexible et plus rentable, en utilisant des récompenses en jetons pour inciter les contributions de ressources qui répondent aux objectifs du réseau. Le DePIN dans le domaine de l'IA externalise les ressources GPU des propriétaires individuels vers les centres de données, formant une offre unifiée pour les utilisateurs ayant besoin d'accéder au matériel. Ces réseaux DePIN offrent non seulement aux développeurs ayant besoin de capacités de calcul une personnalisation et un accès à la demande, mais aussi aux propriétaires de GPU un revenu supplémentaire.
Il n'est pas facile d'identifier les différences entre les nombreux réseaux DePIN alimentés par l'IA sur le marché et de trouver le bon réseau dont vous avez besoin. Nous allons explorer le rôle de chaque protocole, ses objectifs et les points forts réalisés.
Aperçu du réseau DePIN de l'IA
Chaque projet a un objectif similaire - le réseau du marché de calcul GPU. Cette section examine les points forts de chaque projet, les points clés du marché et les réalisations, en approfondissant les différences entre eux grâce à la compréhension de leurs infrastructures et produits clés.
Render est un pionnier du réseau P2P fournissant des capacités de calcul GPU, auparavant axé sur le rendu graphique de contenu, et s'est ensuite étendu aux tâches de calcul d'IA générative, notamment en intégrant des outils tels que Stable Diffusion, y compris les champs de radiation neuronale (NeRF).
Points forts:
Fondée par OTOY, une entreprise de graphisme en nuage possédant des technologies récompensées par un Oscar.
Le réseau GPU est utilisé par des grandes entreprises du secteur du divertissement telles que Paramount Pictures, PUBG et Star Trek.
Collaborer avec Stability AI et Endeavor pour intégrer les modèles d'IA dans le flux de travail de rendu de contenu 3D en utilisant le GPU de Render.
Approuver plusieurs clients de calcul, intégrer plus de GPU des réseaux DePIN
Akash se décrit comme "Airbnb de l'hébergement", positionné comme une alternative « super cloud » aux plateformes traditionnelles de stockage, de calcul GPU et CPU telles qu'AWS(. Grâce à des outils conviviaux pour les développeurs tels que la plateforme de conteneurs Akash et les nœuds de calcul gérés par Kubernetes, il est possible de déployer des logiciels de manière transparente à travers les environnements et d'exécuter n'importe quelle application cloud native.
Points forts :
Ciblant une large gamme de tâches de calcul, allant du calcul général à l'hébergement en ligne.
AkashML permet aux réseaux GPU de faire fonctionner plus de 15 000 modèles sur Hugging Face, tout en s'intégrant à Hugging Face.
Akash héberge les chatbots de modèles LLM de Mistral AI, le modèle de conversion de texte en image SDXL de Stability AI, ainsi que la nouvelle base de modèle AT-1 de Thumper AI.
La plateforme de construction du métavers, de déploiement de l'IA et d'apprentissage fédéré utilise Supercloud
io.net fournit un accès à un cluster cloud GPU distribué, spécialement conçu pour les cas d'utilisation de l'IA et du ML. Il agrège les GPU des centres de données, des mineurs de cryptomonnaies et d'autres réseaux décentralisés. L'entreprise était auparavant une société de trading quantitatif et s'est tournée vers son activité actuelle après la forte augmentation des prix des GPU haute performance.
Points forts:
L'IO-SDK est compatible avec des frameworks tels que PyTorch et Tensorflow, et l'architecture multicouche peut s'étendre automatiquement et dynamiquement en fonction des besoins de calcul.
Prend en charge la création de 3 types différents de clusters, pouvant être lancés en 2 minutes.
Une coopération solide pour intégrer d'autres réseaux DePIN GPU, y compris Render, Filecoin, Aethir et Exabits
Gensyn fournit des capacités de calcul GPU axées sur l'apprentissage automatique et l'apprentissage profond. Il affirme réaliser un mécanisme de validation plus efficace que les méthodes existantes en combinant des concepts tels que la preuve d'apprentissage, un protocole de localisation précis basé sur des graphes et des jeux d'incitation de type Truebit impliquant le staking et le rabais des fournisseurs de calcul.
Points forts:
Le coût horaire prévu d'un GPU équivalent V100 est d'environ 0,40 USD, ce qui permet d'importantes économies.
Par le biais de l'empilement de preuves, il est possible d'affiner un modèle de base pré-entraîné pour accomplir des tâches plus spécifiques.
Ces modèles de base seront décentralisés et mondialement accessibles, en plus du réseau de calcul matériel, ils offriront des fonctionnalités supplémentaires.
Aethir est spécialement conçu pour les GPU d'entreprise, se concentrant sur les domaines à forte intensité de calcul, principalement l'IA, l'apprentissage automatique )ML(, les jeux en cloud, etc. Dans le réseau, les conteneurs agissent comme des points de terminaison virtuels pour les applications basées sur le cloud, transférant la charge de travail des appareils locaux vers les conteneurs, offrant ainsi une expérience à faible latence. Pour garantir un service de qualité, ils rapprochent les GPU des sources de données en fonction de la demande et de la localisation, ajustant les ressources.
Points forts :
En plus de l'IA et des jeux en cloud, Aethir s'est également étendu aux services de cloud mobile, en collaboration avec APhone pour lancer un smartphone intelligent en cloud décentralisé.
Établir une large coopération avec de grandes entreprises Web2 telles que NVIDIA, Super Micro, HPE, Foxconn et Well Link.
Plusieurs partenaires dans le Web3, tels que CARV, Magic Eden, Sequence, Impossible Finance, etc.
Phala Network agit en tant que couche d'exécution pour des solutions AI Web3. Sa blockchain est une solution de cloud computing sans confiance, conçue pour traiter les problèmes de confidentialité via un environnement d'exécution de confiance )TEE(. La couche d'exécution n'est pas utilisée comme couche de calcul pour les modèles AI, mais permet aux agents AI d'être contrôlés par des contrats intelligents sur la chaîne.
Points forts:
Agir en tant que protocole de coprocesseur de calcul vérifiable, permettant aux agents IA d'accéder aux ressources sur la chaîne.
Les contrats d'agent AI peuvent obtenir des modèles de langage de premier plan tels qu'OpenAI, Llama, Claude et Hugging Face via Redpill.
L'avenir inclura les zk-proofs, le calcul multipartite )MPC(, le chiffrement homomorphe complet )FHE( et d'autres systèmes de preuve multiples.
À l'avenir, prise en charge d'autres GPU TEE tels que H100, augmentation de la capacité de calcul.
![AI et le point de convergence de DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(
Comparaison de projets
| | Rendu | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Matériel | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Points d'intérêt | Rendu graphique et IA | Informatique en nuage, rendu et IA | IA | IA | IA, jeux en nuage et télécommunications | Exécution IA sur la chaîne | | Type de tâche AI | Inférence | Les deux | Les deux | Entraînement | Entraînement | Exécution | | Tarification du travail | Tarification basée sur la performance | Enchères inversées | Tarification de marché | Tarification de marché | Système d'appel d'offres | Calcul des droits | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Confidentialité des données | Cryptage&Hachage | Authentification mTLS | Chiffrement des données | Mappage sécurisé | Cryptage | TEE | | Frais de travail | 0,5-5% par travail | 20% USDC, 4% AKT | 2% USDC, 0,25% frais de réserve | Frais bas | 20% par session | Proportionnel au montant staké | | Sécurité | Preuve de rendu | Preuve de participation | Preuve de calcul | Preuve de participation | Preuve de capacité de rendu | Hérité de la chaîne relais | | Preuve de complétion | - | - | Preuve de verrouillage temporel | Preuve d'apprentissage | Preuve de travail de rendu | Preuve TEE | | Garantie de qualité | Litige | - | - | Vérificateurs et dénonciateurs | Nœuds vérificateurs | Preuve à distance | | GPU Cluster | Non | Oui | Oui | Oui | Oui | Non |
Importance
Disponibilité du calcul en cluster et parallèle
Le cadre de calcul distribué permet de réaliser des clusters GPU, offrant un entraînement plus efficace sans compromettre la précision du modèle, tout en renforçant l'évolutivité. L'entraînement de modèles d'IA plus complexes nécessite une puissance de calcul importante, et il est généralement nécessaire de s'appuyer sur le calcul distribué pour répondre à cette demande. À première vue, le modèle GPT-4 d'OpenAI possède plus de 18 trillions de paramètres et a été entraîné en 3 à 4 mois en utilisant environ 25 000 GPU Nvidia A100 répartis sur 128 clusters.
Auparavant, Render et Akash ne proposaient que des GPU à usage unique, ce qui pouvait limiter la demande du marché pour les GPU. Cependant, la plupart des projets clés ont désormais intégré des clusters pour réaliser des calculs parallèles. io.net collabore avec Render, Filecoin et Aethir pour intégrer plus de GPU dans le réseau, ayant réussi à déployer plus de 3 800 clusters au cours du premier trimestre de 2024. Bien que Render ne prenne pas en charge les clusters, son fonctionnement est similaire à celui des clusters, décomposant une seule image en plusieurs nœuds différents, traitant simultanément des images de différentes portées. Phala ne prend actuellement en charge que les CPU, mais permet la mise en cluster des travailleurs CPU.
Il est très important d'intégrer le cadre de cluster dans le réseau de flux de travail AI, mais le nombre et le type de GPU de cluster nécessaires pour satisfaire les besoins des développeurs AI sont une question distincte, qui sera discutée plus loin.
Confidentialité des données
Le développement de modèles d'IA nécessite l'utilisation de grands ensembles de données, qui peuvent provenir de diverses sources et prendre des formes variées. Les ensembles de données sensibles tels que les dossiers médicaux personnels, les données financières des utilisateurs, etc., peuvent être exposés au risque d'être divulgués aux fournisseurs de modèles. Samsung a désactivé ChatGPT en interne par crainte que le téléchargement de codes sensibles sur la plateforme n'empiète sur la vie privée, et l'incident de fuite de 38 To de données privées de Microsoft souligne davantage l'importance de prendre des mesures de sécurité adéquates lors de l'utilisation de l'IA. Par conséquent, disposer de diverses méthodes de protection de la vie privée des données est crucial pour restituer le contrôle des données aux fournisseurs de données.
La plupart des projets couverts utilisent une forme de cryptage des données pour protéger la vie privée des données. Le cryptage des données garantit que le transfert de données entre le fournisseur de données et le fournisseur de modèles ) et le destinataire des données ( est protégé. Render utilise le cryptage et le hachage lors de la publication des résultats de rendu sur le réseau, tandis que io.net et Gensyn adoptent une forme de cryptage des données. Akash utilise l'authentification mTLS, permettant uniquement aux fournisseurs choisis par le locataire de recevoir les données.
Cependant, io.net a récemment collaboré avec Mind Network pour lancer le chiffrement totalement homomorphe )FHE(, permettant de traiter des données chiffrées sans avoir besoin de les déchiffrer au préalable. En permettant aux données d'être transmises en toute sécurité à des fins de formation sans divulguer l'identité et le contenu des données, cette innovation peut mieux garantir la confidentialité des données que les technologies de chiffrement existantes.
Phala Network introduit TEE, c'est-à-dire une zone de sécurité intégrée au processeur principal de l'appareil. Grâce à ce mécanisme d'isolement, il empêche les processus externes d'accéder ou de modifier les données, quel que soit leur niveau d'autorisation, même les personnes ayant un accès physique à la machine ne peuvent pas y accéder. En plus de TEE, il utilise également des zk-proofs en combinaison dans le validateur zkDCAP et l'interface de ligne de commande jtee, afin d'intégrer des programmes avec RiscZero zkVM.
![AI et le point de convergence de DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(
Preuve de calcul terminé et contrôle de qualité
Ces projets offrent des GPU capables de fournir des capacités de calcul pour une gamme de services. En raison de la variété des services, allant du rendu graphique au calcul AI, la qualité finale de ces tâches peut ne pas toujours répondre aux normes des utilisateurs. Un certificat d'achèvement peut être utilisé pour indiquer que le GPU spécifique loué par l'utilisateur a bien été utilisé pour exécuter le service requis, et un contrôle de qualité est bénéfique pour les utilisateurs demandant l'achèvement de telles tâches.
Après le calcul, Gensyn et Aethir génèrent tous deux des preuves indiquant que le travail est terminé, tandis que la preuve de io.net indique que les performances des GPU loués ont été pleinement utilisées et qu'il n'y a pas de problèmes. Gensyn et Aethir effectuent tous deux des contrôles de qualité sur les calculs terminés. Pour Gensyn, une partie du contenu générant la preuve est réexécutée par des validateurs pour être vérifiée avec la preuve, tandis que le dénonciateur sert de couche de vérification supplémentaire pour les validateurs. En même temps, Aethir utilise des nœuds de contrôle pour déterminer la qualité du service et sanctionne les services en dessous des normes. Render recommande d'utiliser un processus de résolution des litiges, et si le comité d'examen constate des problèmes avec un nœud, celui-ci sera réduit. Phala génère une preuve TEE après son achèvement pour s'assurer que l'agent AI exécute les opérations requises sur la chaîne.
Statistiques matérielles
| | Rendre | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Nombre de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Nombre de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Quantité H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Coût H100/heure | - | $1.46 | $1.19 | - | - | - | | Coût A100/heure | - | $1.37 | $1.50 | $0.55 ) prévu ( | $0.33 ) prévu ( | - |
![AI et le point de convergence de DePIN])https://
Voici mon commentaire :
La pénurie de GPU, il vaut mieux contribuer au Mining.