Perpaduan AI dan DePIN: Kebangkitan Jaringan Komputasi GPU Terdistribusi

Sejak tahun 2023, AI dan DePIN telah menjadi tren populer di bidang Web3, dengan nilai pasar AI sekitar 30 miliar USD dan nilai pasar DePIN sekitar 23 miliar USD. Artikel ini berfokus pada bidang persimpangan keduanya, membahas perkembangan protokol terkait.

Dalam tumpukan teknologi AI, jaringan DePIN menyediakan utilitas untuk AI melalui sumber daya komputasi. Perkembangan perusahaan teknologi besar menyebabkan kekurangan GPU, membuat pengembang lain sulit untuk mendapatkan GPU yang cukup untuk komputasi. Ini sering kali menyebabkan pengembang memilih penyedia cloud terpusat, tetapi karena harus menandatangani kontrak perangkat keras berkinerja tinggi jangka panjang yang tidak fleksibel, efisiensi menurun.

DePIN pada dasarnya menawarkan alternatif yang lebih fleksibel dan lebih hemat biaya, menggunakan imbalan token untuk mendorong kontribusi sumber daya yang sesuai dengan tujuan jaringan. DePIN di bidang AI mengalihdayakan sumber daya GPU dari pemilik individu ke pusat data, membentuk pasokan yang terintegrasi untuk pengguna yang perlu mengakses perangkat keras. Jaringan DePIN ini tidak hanya memberikan kustomisasi dan akses sesuai permintaan bagi pengembang yang membutuhkan kemampuan komputasi, tetapi juga memberikan pendapatan tambahan bagi pemilik GPU.

Ada banyak jaringan DePIN AI di pasar, artikel ini akan membahas peran, tujuan, dan sorotan yang telah dicapai oleh masing-masing protokol.

Ringkasan Jaringan DePIN AI

Render adalah pelopor jaringan P2P yang menyediakan kemampuan komputasi GPU, sebelumnya fokus pada rendering grafik untuk penciptaan konten, kemudian memperluas cakupan melalui integrasi alat seperti Stable Diffusion, termasuk tugas komputasi dari Neural Radiance Fields (NeRF) hingga AI generatif.

Sorotan:

1. Didirikan oleh perusahaan grafis cloud OTOY yang memiliki teknologi pemenang Oscar

2. Jaringan GPU telah digunakan oleh perusahaan besar di industri hiburan seperti Paramount Pictures, PUBG, dan Star Trek.

3. Bekerja sama dengan Stability AI dan Endeavor, menggunakan GPU Render untuk mengintegrasikan model AI dengan alur kerja rendering konten 3D

4. Menyetujui beberapa klien komputasi, mengintegrasikan lebih banyak GPU dari jaringan DePIN

Akash memposisikan dirinya sebagai alternatif "super cloud" untuk platform tradisional yang mendukung penyimpanan, GPU, dan perhitungan CPU seperti AWS(. Dengan memanfaatkan platform kontainer Akash dan alat ramah pengembang seperti node komputasi yang dikelola Kubernetes, ia mampu menerapkan perangkat lunak secara mulus di berbagai lingkungan, sehingga dapat menjalankan aplikasi cloud native apa pun.

Sorotan:

1. Untuk tugas komputasi yang luas dari komputasi umum hingga hosting jaringan

2. AkashML memungkinkan jaringan GPU-nya menjalankan lebih dari 15.000 model di Hugging Face, sambil terintegrasi dengan Hugging Face.

3. Akash mengelola beberapa aplikasi yang patut dicatat, seperti chatbot model LLM dari Mistral AI, model teks ke gambar SDXL dari Stability AI, serta model dasar baru AT-1 dari Thumper AI.

4. Membangun platform metaverse, penerapan AI, dan pembelajaran federasi sedang memanfaatkan Supercloud

io.net menyediakan akses ke kluster cloud GPU terdistribusi, yang dirancang khusus untuk kasus penggunaan AI dan ML. Ini menggabungkan GPU dari pusat data, penambang kripto, dan jaringan terdesentralisasi lainnya. Perusahaan ini sebelumnya adalah perusahaan perdagangan kuantitatif, yang beralih ke bisnis saat ini setelah harga GPU berkinerja tinggi meloncat tajam.

Sorotan:

1. IO-SDK ini kompatibel dengan kerangka kerja seperti PyTorch dan Tensorflow, arsitekturnya yang multi-layer dapat secara otomatis dan dinamis diperluas sesuai dengan kebutuhan komputasi.

2. Mendukung pembuatan 3 jenis kluster yang berbeda, dapat diluncurkan dalam 2 menit.

3. Bekerja sama dengan jaringan DePIN lainnya ) seperti Render, Filecoin, Aethir, dan Exabits (, mengintegrasikan sumber daya GPU

Gensyn menyediakan kemampuan komputasi GPU yang berfokus pada pembelajaran mesin dan pembelajaran mendalam. Ini mengklaim telah mencapai mekanisme verifikasi yang lebih efisien dibandingkan metode yang ada, dengan menggabungkan penggunaan bukti pembelajaran, protokol penentuan posisi yang tepat berbasis grafik, serta konsep permainan insentif yang melibatkan penyedia komputasi melalui staking dan pengurangan.

Sorotan:

1. Diperkirakan biaya per jam untuk GPU setara V100 sekitar 0,40 dolar, menghemat biaya secara signifikan.

2. Melalui pembuktian tumpukan, model dasar yang telah dilatih sebelumnya dapat disesuaikan untuk menyelesaikan tugas yang lebih spesifik.

3. Model dasar ini akan terdesentralisasi, dimiliki secara global, dan menyediakan fungsi tambahan selain jaringan perhitungan perangkat keras.

Aethir dirancang khusus untuk GPU perusahaan, fokus pada bidang yang membutuhkan komputasi intensif, terutama AI, pembelajaran mesin )ML(, permainan awan, dan lainnya. Kontainer dalam jaringan bertindak sebagai titik akhir virtual untuk menjalankan aplikasi berbasis cloud, memindahkan beban kerja dari perangkat lokal ke kontainer, memberikan pengalaman dengan latensi rendah. Untuk memastikan layanan berkualitas tinggi bagi pengguna, mereka memindahkan GPU lebih dekat ke sumber data sesuai dengan permintaan dan lokasi, sehingga menyesuaikan sumber daya.

Sorotan:

1. Selain AI dan permainan cloud, Aethir juga memperluas layanan ponsel cloud, bekerja sama dengan APhone untuk meluncurkan ponsel pintar cloud terdesentralisasi.

2. Membangun kerjasama luas dengan perusahaan Web2 besar seperti NVIDIA, Super Micro, HPE, Foxconn, dan Well Link

3. Bekerja sama dengan beberapa mitra di Web3 ) seperti CARV, Magic Eden, Sequence, Impossible Finance, dan lainnya (.

Phala Network berfungsi sebagai lapisan eksekusi solusi AI Web3. Blockchain-nya adalah solusi komputasi awan tanpa kepercayaan, dirancang untuk menangani masalah privasi dengan menggunakan lingkungan eksekusi tepercaya )TEE(. Lapisan eksekusinya tidak digunakan sebagai lapisan komputasi untuk model AI, melainkan memungkinkan agen AI dikendalikan oleh kontrak pintar di blockchain.

Sorotan:

1. Bertindak sebagai protokol koprosesor yang dapat diverifikasi untuk komputasi, sambil memungkinkan agen AI untuk mengakses sumber daya di blockchain.

2. Kontrak agen AI-nya dapat memperoleh model bahasa besar terbaik seperti OpenAI, Llama, Claude, dan Hugging Face melalui Redpill.

3. Masa depan akan mencakup zk-proofs, komputasi multipihak )MPC(, enkripsi homomorfik penuh )FHE( dan berbagai sistem bukti lainnya.

4. Mendukung H100 dan TEE GPU lainnya di masa depan, meningkatkan kemampuan komputasi

![AI dan titik pertemuan DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(

Perbandingan Proyek

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Fokus Bisnis | Render grafis dan AI | Komputasi awan, render, dan AI | AI | AI | AI, permainan awan, dan telekomunikasi | Eksekusi AI di blockchain | | Jenis Tugas AI | Inferensi | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi | | Penetapan Harga | Penetapan Harga Berdasarkan Kinerja | Lelang Terbalik | Penetapan Harga Pasar | Penetapan Harga Pasar | Sistem Tender | Perhitungan Hak | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privasi Data | Enkripsi&Hash | Autentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE | | Biaya Pekerjaan | Setiap Pekerjaan 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% Biaya Cadangan | Biaya Rendah | Setiap sesi 20% | Proporsional dengan jumlah yang dipertaruhkan | | Keamanan | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kemampuan Rendering | Warisan dari Rantai Perantara | | Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pengecek | Bukti Jarak | | GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |

) Pentingnya

Ketersediaan kluster dan komputasi paralel

Kerangka komputasi terdistribusi telah mengimplementasikan kluster GPU, menyediakan pelatihan yang lebih efisien tanpa mempengaruhi akurasi model, sekaligus meningkatkan skalabilitas. Melatih model AI yang kompleks memerlukan kemampuan komputasi yang kuat, biasanya harus bergantung pada komputasi terdistribusi untuk memenuhi kebutuhan. Model GPT-4 dari OpenAI memiliki lebih dari 1,8 triliun parameter, dilatih dalam 3-4 bulan dengan sekitar 25.000 GPU Nvidia A100 di 128 kluster.

Sebelumnya, Render dan Akash hanya menyediakan GPU dengan satu kegunaan, yang mungkin membatasi permintaan pasar untuk GPU. Namun, sebagian besar proyek utama kini telah mengintegrasikan kluster untuk melakukan perhitungan paralel. io.net bekerja sama dengan proyek lain seperti Render, Filecoin, dan Aethir untuk memasukkan lebih banyak GPU ke dalam jaringannya, dan telah berhasil menerapkan lebih dari 3.800 kluster pada kuartal pertama tahun 24. Meskipun Render tidak mendukung kluster, cara kerjanya mirip dengan kluster, membagi satu bingkai menjadi beberapa node berbeda untuk memproses rentang bingkai yang berbeda secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan pengelompokan pekerja CPU.

Sangat penting untuk mengintegrasikan kerangka kluster ke dalam jaringan alur kerja AI, tetapi jumlah dan jenis GPU kluster yang diperlukan untuk memenuhi kebutuhan pengembang AI adalah masalah lain.

Privasi Data

Mengembangkan model AI memerlukan penggunaan dataset besar, yang mungkin berasal dari berbagai sumber dan memiliki bentuk yang berbeda. Dataset sensitif mungkin menghadapi risiko terpapar kepada penyedia model. Mengambil langkah-langkah keamanan yang memadai sangat penting untuk penggunaan AI. Oleh karena itu, memiliki berbagai metode privasi data sangat penting untuk mengembalikan kendali data kepada penyedia data.

Sebagian besar proyek menggunakan semacam enkripsi data untuk melindungi privasi data. Render menggunakan enkripsi dan pemrosesan hash saat menerbitkan hasil render kembali ke jaringan, sementara io.net dan Gensyn menggunakan semacam enkripsi data. Akash menggunakan otentikasi mTLS, hanya memungkinkan penyedia yang dipilih oleh penyewa untuk menerima data.

io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik penuh ###FHE(, yang memungkinkan pengolahan data terenkripsi tanpa perlu mendekripsi terlebih dahulu. Inovasi ini dapat memastikan privasi data lebih baik dibandingkan dengan teknologi enkripsi yang ada.

Phala Network memperkenalkan lingkungan eksekusi terpercaya ) TEE (, yaitu area aman yang terhubung di dalam prosesor utama perangkat. Melalui mekanisme isolasi ini, ia dapat mencegah proses eksternal mengakses atau memodifikasi data, terlepas dari tingkat izin mereka. Selain TEE, ia juga menggabungkan penggunaan zk-proofs dalam validator zkDCAP dan antarmuka baris perintah jtee untuk program yang terintegrasi dengan RiscZero zkVM.

![AI dan titik pertemuan DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(

) bukti penyelesaian perhitungan dan pemeriksaan kualitas

Proyek-proyek ini menyediakan GPU yang dapat memberikan daya komputasi untuk berbagai layanan. Karena cakupan layanan yang luas, dari rendering grafis hingga perhitungan AI, kualitas akhir dari tugas-tugas tersebut mungkin tidak selalu memenuhi standar pengguna. Bukti penyelesaian dapat digunakan untuk menunjukkan bahwa GPU tertentu yang disewa oleh pengguna benar-benar digunakan untuk menjalankan layanan yang diminta, dan pemeriksaan kualitas bermanfaat bagi pengguna yang meminta penyelesaian pekerjaan semacam itu.

Setelah perhitungan selesai, Gensyn dan Aethir akan menghasilkan bukti untuk menunjukkan bahwa pekerjaan telah selesai, sedangkan bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa telah dimanfaatkan sepenuhnya dan tidak ada masalah yang muncul. Gensyn dan Aethir akan melakukan pemeriksaan kualitas terhadap perhitungan yang telah selesai. Untuk Gensyn, ia menggunakan validator untuk menjalankan kembali sebagian dari bukti yang dihasilkan untuk dicocokkan dengan bukti tersebut, sementara pelapor berfungsi sebagai lapisan pemeriksaan tambahan bagi validator. Aethir menggunakan node pemeriksa untuk menentukan kualitas layanan, dan akan menjatuhkan sanksi pada layanan yang di bawah standar. Render menyarankan untuk menggunakan proses penyelesaian sengketa; jika dewan peninjau menemukan masalah pada node, maka node tersebut akan dipotong. Setelah Phala selesai, bukti TEE akan dihasilkan untuk memastikan agen AI melakukan operasi yang diperlukan di atas rantai.

Statistik Perangkat Keras

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Jumlah GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Jumlah CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Jumlah H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Biaya H100/jam | - | $1.46 | $1.19 | - | - | - | | Biaya A100/jam | - | $1.37 | $1.50 | $0.55 ### diperkirakan ( | $0.33 ) diperkirakan ( | - |

![AI dan DePIN titik pertemuan])https://img-cdn.gateio.im/webp-social/moments-df4f88879b53c4aa604b248fc9ff393a.webp(

) Persyaratan GPU berkinerja tinggi

Karena model AI memerlukan GPU dengan kinerja terbaik untuk pelatihan, para pengembang cenderung menggunakan GPU seperti Nvidia A100 dan H100. Kinerja inferensi H100 adalah 4 kali lebih cepat daripada A100,