A fusão de IA e DePIN: a ascensão das redes GPU distribuídas

Desde 2023, a inteligência artificial e a rede de infraestrutura física descentralizada (DePIN) tornaram-se duas grandes tendências no campo do Web3. Estes dois domínios abrangem uma variedade de protocolos diferentes, atendendo a diversas necessidades. Este artigo irá explorar o ponto de interseção entre ambos e investigar o desenvolvimento dos protocolos relacionados.

Na pilha de tecnologia de IA, a rede DePIN capacita a IA ao fornecer recursos computacionais. Devido ao desenvolvimento de grandes empresas de tecnologia que levou à escassez de GPUs, outros desenvolvedores têm dificuldade em obter GPUs suficientes para o treinamento de modelos de IA. A abordagem tradicional é escolher prestadores de serviços em nuvem centralizados, mas isso requer a assinatura de contratos de longo prazo inflexíveis e ineficientes.

A rede DePIN oferece uma alternativa mais flexível e econômica. Utiliza recompensas em tokens para incentivar a contribuição de recursos, permitindo que os recursos de GPU sejam agrupados de proprietários individuais na rede, formando um fornecimento unificado para usuários que precisam de acesso ao hardware. Isso não só oferece personalização e acesso sob demanda para os desenvolvedores, mas também fornece uma renda adicional para os proprietários de GPU.

Existem várias redes DePIN de IA no mercado, cada uma com suas características. A seguir, vamos explorar as características e objetivos de alguns dos principais projetos:

Visão Geral da Rede DePIN de IA

Render é um pioneiro em redes P2P que fornece capacidade de computação GPU, inicialmente focado em renderização de criação de conteúdo, e depois se expandiu para tarefas de computação de IA.

Ponto interessante:

• Fundada pela empresa de gráficos em nuvem OTOY, detentora de tecnologia premiada com o Oscar
• A rede GPU já foi utilizada por grandes empresas da indústria do entretenimento
• Colaborar com a Stability AI e integrar modelos de IA com renderização de conteúdo 3D
• Aprovar múltiplos clientes de computação, integrar mais GPUs da rede DePIN

Akash é posicionado como uma alternativa "super nuvem" para plataformas de nuvem tradicionais, suportando armazenamento, GPU e computação CPU.

Ponto interessante:

• Tarefas de cálculo abrangentes, desde computação geral até hospedagem na rede
• AkashML permite executar uma vasta gama de modelos no Hugging Face
• Hospedou algumas aplicações de IA conhecidas, como o chatbot LLM da Mistral AI
• Suporte a plataformas de Metaverso, implantação de IA e aprendizado federado

io.net oferece acesso a clusters de GPU distribuídos na nuvem, especificamente para casos de uso de AI e ML.

Interesse:

• IO-SDK compatível com os principais frameworks de IA, pode ser expandido automaticamente conforme a necessidade
• Suporta a criação de 3 tipos diferentes de clusters, podendo ser iniciados rapidamente
• Integrar recursos de GPU em colaboração com outras redes DePIN

Gensyn oferece capacidade de computação GPU focada em aprendizado de máquina e aprendizado profundo.

Ponto interessante:

• Reduzir significativamente os custos de computação GPU
• Suporte para ajuste fino de modelos base pré-treinados
• Fornecer um modelo base descentralizado e compartilhado globalmente

Aethir fornece GPUs de nível empresarial, principalmente utilizadas em áreas como IA, aprendizado de máquina e jogos na nuvem.

Ponto interessante:

• Expandir para o setor de serviços de telemóveis na nuvem
• Estabelecer parcerias com grandes empresas Web2 como a NVIDIA
• Existem vários parceiros na área do Web3

Phala Network atua como a camada de execução para soluções Web3 de IA, utilizando um ambiente de execução confiável (TEE) para lidar com questões de privacidade.

Aspecto interessante:

• Atua como um protocolo de coprocessador de computação verificável
• Contratos de agência de IA podem acessar os principais modelos de linguagem.
• O futuro suportará vários sistemas de prova
• Planejamento para suportar GPU TEE como H100

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 | 0,5-5% por trabalho | 20% USDC, 4% AKT | 2% USDC, 0,25% taxa de reserva | Custos baixos | 20% por sessão | Proporcional ao valor em stake | | Segurança | Prova de Renderização | Prova de Participação | Prova de Cálculo | Prova de Participação | Prova de Capacidade de Renderização | Herdado da Cadeia Intermediária | | Prova de Conclusão | - | - | Prova de Bloqueio de Tempo | Prova de Aprendizagem | 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, permitindo treinar modelos de IA complexos de forma mais eficiente. A maioria dos projetos agora integrou clusters para realizar cálculos paralelos. A io.net já implementou com sucesso uma grande quantidade de clusters. Embora a Render não suporte clusters, seu funcionamento é semelhante. A Phala atualmente suporta apenas CPU, mas permite a formação de clusters de trabalhadores de CPU.

Privacidade de Dados

Desenvolver modelos de IA requer o uso de grandes quantidades de dados, que podem envolver informações sensíveis. A maioria dos projetos utiliza alguma forma de criptografia de dados para proteger a privacidade. A io.net lançou a criptografia totalmente homomórfica (FHE), permitindo o processamento de dados criptografados sem a necessidade de os descriptografar. A Phala Network introduziu ambientes de execução confiáveis (TEE), que impedem processos externos de acessar ou modificar dados.

Cálculo de prova de conclusão e verificação de qualidade

Alguns projetos geram provas para indicar que o trabalho foi concluído e realizam verificações de qualidade. Gensyn e Aethir utilizam validadores e nós de verificação para garantir a qualidade do serviço. Render recomenda usar um processo de resolução de disputas. A Phala gera provas TEE após a conclusão.

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 ) | - |

Requisitos de GPU de alto desempenho

O treino de modelos de IA requer GPUs com desempenho otimizado, como a A100 e a H100 da Nvidia. O desempenho de inferência da H100 é 4 vezes mais rápido que o da A100, tornando-se a escolha preferida. Os fornecedores de mercado de GPU descentralizados precisam competir com os seus homólogos da Web2, não apenas oferecendo preços mais baixos, mas também atendendo às necessidades reais do mercado.

io.net e Aethir receberam mais de 2000 unidades H100/A100 cada, mais adequadas para cálculos de grandes modelos. O custo desses serviços de GPU descentralizados já é muito mais baixo do que os serviços centralizados.

Apesar de as clusters de GPU conectadas à rede terem algumas limitações em termos de memória, ainda são uma escolha poderosa para usuários que precisam de flexibilidade. Ao oferecer alternativas mais rentáveis, essas redes criam oportunidades para construir mais casos de uso em IA e ML.

fornece GPU/CPU de nível de consumo

Além de GPUs de alta gama, GPUs de consumo e CPUs também desempenham um papel no desenvolvimento de modelos de IA. Tendo em conta que uma grande quantidade de recursos de GPUs de consumo está inativa, alguns projetos também estão a servir este mercado, desenvolvendo o seu próprio nicho.

Conclusão

O campo DePIN de IA ainda é relativamente novo e enfrenta desafios. No entanto, o número de tarefas e hardware executados em redes GPU descentralizadas aumentou significativamente, destacando a necessidade de alternativas aos recursos de hardware dos provedores de nuvem Web2.

O futuro parece promissor, o mercado de IA tem um grande potencial, e essas redes de GPU descentralizadas desempenharão um papel crucial em fornecer alternativas de computação econômicas e eficientes para os desenvolvedores. Ao continuar a diminuir a lacuna entre a demanda e a oferta, essas redes farão uma contribuição significativa para o futuro da IA e da infraestrutura de computação.