A interseção da IA e DePIN: a ascensão das redes GPU distribuídas

Desde 2023, a IA e o DePIN tornaram-se tendências populares no campo do Web3, com a primeira alcançando um valor de mercado de 30 mil milhões de dólares e a segunda de 23 mil milhões de dólares. Este artigo foca na interseção entre os dois e explora o desenvolvimento de protocolos nesse campo.

Na pilha de tecnologia de IA, a rede DePIN fornece utilidade para a IA através de recursos computacionais. O desenvolvimento de grandes empresas de tecnologia resultou em uma escassez de GPUs, dificultando a outros desenvolvedores a obtenção de GPUs suficientes para cálculos de modelos de IA. Isso geralmente leva os desenvolvedores a escolherem provedores de nuvem centralizados, mas devido à necessidade de assinar contratos de hardware de alto desempenho de longo prazo e inflexíveis, a eficiência é baixa.

DePIN oferece uma alternativa mais flexível e econômica, utilizando recompensas em tokens para incentivar a contribuição de recursos que atendem aos objetivos da rede. O DePIN na área de IA faz o crowd sourcing de recursos de GPU de proprietários individuais para centros de dados, formando um suprimento unificado para usuários que precisam acessar hardware. Essas redes não apenas oferecem personalização e acesso sob demanda para desenvolvedores que necessitam de capacidade de computação, mas também proporcionam renda adicional para os proprietários de GPU.

Visão Geral da Rede DePIN de IA

Render é um pioneiro na rede P2P que oferece capacidade de computação GPU, anteriormente focado na renderização de gráficos para criação de conteúdo, e depois expandiu seu escopo para incluir tarefas de computação de IA, desde campos de reflexão neurais até IA generativa.

Akash posiciona-se como uma alternativa ao "super cloud" que suporta armazenamento, computação GPU e CPU em plataformas tradicionais. Utilizando ferramentas amigáveis para desenvolvedores, como plataformas de contêiner e nós de computação geridos pelo Kubernetes, é capaz de implantar software de forma contínua em diferentes ambientes, permitindo assim a execução de qualquer aplicação nativa da nuvem.

io.net fornece acesso a clusters de GPU em nuvem distribuídos, esses clusters são especificamente dedicados a casos de uso de IA e ML. Ele agrega GPUs de data centers, mineradores de criptomoedas e outras redes descentralizadas.

Gensyn oferece capacidade de computação GPU focada em aprendizado de máquina e aprendizado profundo. Afirma ter alcançado um mecanismo de verificação mais eficiente ao combinar conceitos como provas de aprendizado, protocolos de localização precisa baseados em gráficos e jogos de incentivos envolvendo o staking e a redução dos provedores de computação.

Aethir é especializado em GPUs empresariais, focando em áreas de computação intensiva, principalmente inteligência artificial, aprendizado de máquina, jogos na nuvem, entre outros. Os contêineres na sua rede atuam como pontos de extremidade virtuais para a execução de aplicações baseadas na nuvem, transferindo a carga de trabalho dos dispositivos locais para os contêineres, a fim de proporcionar uma experiência de baixa latência.

Phala Network atua como a camada de execução para soluções de IA Web3. Sua blockchain é uma solução de computação em nuvem sem confiança, projetada para lidar com questões de privacidade através do uso do seu ambiente de execução confiável (TEE). Sua camada de execução permite que agentes de IA sejam controlados por contratos inteligentes na blockchain.

Comparação de Projetos

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Foco nos Negócios | Renderização Gráfica e IA | Computação em Nuvem, Renderização e IA | IA | IA | Inteligência Artificial, Jogos em Nuvem e Telecomunicações | Execução de IA em cadeia | | Tipo de tarefa de IA | Inferência | Ambos | Ambos | Treinamento | Treinamento | Execução | | Preço de Trabalho | Preço baseado em desempenho | Leilão reverso | Preço de mercado | Preço de mercado | Sistema de licitação | Cálculo de direitos | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privacidade de Dados | Criptografia&Hash | Autenticação mTLS | Criptografia de Dados | Mapeamento Seguro | Criptografia | TEE | | Custos de trabalho | Cada trabalho 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% taxa de reserva | Taxas baixas | Cada sessão 20% | Proporcional ao valor em staking | | Segurança | Prova de Renderização | Prova de Participação | Prova de Cálculo | Prova de Participação | Prova de Capacidade de Renderização | Herdado da Cadeia Relé | | Prova de conclusão | - | - | Prova de bloqueio de tempo | Prova de aprendizado | Prova de trabalho de renderização | Prova de TEE | | Garantia de Qualidade | Controvérsia | - | - | Verificador e Denunciante | Nó de Verificação | Prova Remota | | GPU Cluster | Não | Sim | Sim | Sim | Sim | Não |

importância

Disponibilidade de clusters e computação paralela

O framework de computação distribuída implementou um cluster de GPU, proporcionando um treinamento mais eficiente sem afetar a precisão do modelo, ao mesmo tempo que aumenta a escalabilidade. Treinar modelos de IA mais complexos exige uma capacidade computacional robusta, que frequentemente deve depender de computação distribuída para atender às suas necessidades. A maioria dos projetos de destaque agora integrou clusters para realizar computação paralela.

Privacidade de Dados

Desenvolver modelos de IA requer o uso de grandes conjuntos de dados, que podem vir de várias fontes e ter diferentes formas. Conjuntos de dados sensíveis, como registos médicos pessoais e dados financeiros dos utilizadores, podem estar sujeitos ao risco de exposição aos fornecedores de modelos. Portanto, ter uma variedade de métodos de privacidade de dados é crucial para devolver o controlo dos dados aos fornecedores de dados.

A maioria dos projetos abrangidos utiliza alguma forma de criptografia de dados para proteger a privacidade dos dados. A io.net lançou recentemente uma parceria com a Mind Network para introduzir a criptografia homomórfica totalmente (FHE), permitindo o processamento de dados criptografados sem a necessidade de os descriptografar primeiro. A Phala Network introduziu o TEE, que é uma área segura dentro do processador principal do dispositivo conectado.

Dados estatísticos de hardware

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

Conclusão

O campo DePIN de IA ainda é relativamente novo e enfrenta seus próprios desafios. No entanto, o número de tarefas e de hardware executados nessas redes de GPU descentralizadas continua a aumentar significativamente. O volume de tarefas executadas nessas redes está em constante crescimento, destacando a crescente demanda por alternativas aos recursos de hardware fornecidos por provedores de nuvem Web2. Ao mesmo tempo, o aumento do número de fornecedores de hardware nessas redes destaca um suprimento anteriormente subutilizado.

Olhando para o futuro, a trajetória de desenvolvimento da inteligência artificial aponta para um mercado em expansão de trilhões de dólares, e acreditamos que essas redes de GPU descentralizadas desempenharão um papel fundamental em fornecer soluções de computação economicamente eficientes para os desenvolvedores. Ao aproveitar suas redes para continuamente reduzir a lacuna entre a demanda e a oferta, essas redes farão uma contribuição significativa para o futuro da inteligência artificial e da infraestrutura computacional.