Штучний інтелект та DePIN: зростання децентралізованої GPU обчислювальної мережі

З 2023 року AI та DePIN стали популярними тенденціями у сфері Web3, ринкова капіталізація яких досягла відповідно 30 мільярдів доларів та 23 мільярдів доларів. У цій статті буде досліджено їхнє перетворення, вивчено розвиток відповідних протоколів.

В технологічному стеку штучного інтелекту мережа DePIN надає обчислювальні ресурси для розширення можливостей AI. Розвиток великих технологічних компаній призвів до дефіциту GPU, що ускладнює іншим розробникам отримання достатньої кількості GPU для обчислень. Це зазвичай змушує розробників обирати централізованих постачальників хмарних послуг, але через необхідність підписання не гнучких довгострокових контрактів на високо продуктивне обладнання, ефективність знижується.

DePIN надає більш гнучкі та економічно вигідні альтернативи, заохочуючи внески ресурсів через токени. DePIN мережа в сфері ШІ інтегрує ресурси GPU від приватних власників в єдине постачання, надаючи послуги користувачам, яким потрібне обладнання. Це не лише надає розробникам можливість налаштування та доступу за запитом, але й створює додатковий дохід для власників GPU.

! Перетин AI та DePIN

Огляд мережі AI DePIN

Усі проекти спрямовані на створення мережі ринку обчислень на базі GPU. Далі будуть представлені особливості кожного проекту, акценти на ринку та досягнення.

Render є піонером P2P GPU обчислювальної мережі, спочатку зосередженим на графічному рендерингу для створення контенту, а згодом розширеним до AI обчислювальних завдань.

Особливості:

• Заснована компанією OTOY
• Великі компанії в індустрії розваг, такі як Paramount Pictures, PUBG та інші, використовують свою мережу GPU
• Співпраця з Stability AI та Endeavor для інтеграції AI моделей з 3D контентом рендеринг робочих процесів
• Схвалити кілька обчислювальних клієнтів, інтегрувати більше GPU мереж DePIN

Akash позиціонується як "супер-хмарна" альтернатива, що підтримує зберігання, обчислення GPU та CPU. Використовуючи контейнерну платформу та обчислювальні вузли, керовані Kubernetes, програмне забезпечення можна безперешкодно розгортати в різних середовищах.

Особливості:

• Орієнтовані на широкий спектр обчислювальних завдань, від загальних обчислень до хостингу в мережі
• AkashML підтримує запуск понад 15,000 моделей на Hugging Face
• Хостинг чат-ботів на основі моделей LLM від Mistral AI, SDXL від Stability AI та інших застосунків
• Підтримка метавсесвіту, платформ для розгортання ШІ та федеративного навчання

io.net пропонує розподілені GPU хмарні кластери, що спеціалізуються на випадках використання AI та ML. Інтегрує ресурси GPU з таких сфер, як дата-центри, крипто-майнери тощо.

Особливості:

• IO-SDK сумісний з такими фреймворками, як PyTorch та Tensorflow, і може автоматично розширюватися відповідно до вимог обчислень
• Підтримка створення 3 різних типів кластерів, які можна запустити за 2 хвилини
• Співпраця та інтеграція GPU-ресурсів з Render, Filecoin, Aethir тощо

Gensyn надає обчислювальні можливості GPU, зосереджені на машинному навчанні та глибокому навчанні. Використовує технології, такі як доказ навчання, протоколи точного позиціонування на основі графіків, для підвищення ефективності перевірки.

Особливості:

• Вартість еквівалентного GPU V100 становить приблизно 0,40 долара США на годину, що суттєво знижує витрати.
• Підтримка тонкої настройки попередньо навчених базових моделей
• Планується забезпечити Децентралізація, глобально володіючі базовою моделлю

Aethir зосереджений на AI, ML, хмарних іграх та інших обчислювально інтенсивних сферах. Контейнери в його мережі виступають як віртуальні кінцеві точки для виконання хмарних додатків, забезпечуючи низьку затримку.

Особливості:

• Розширення на послуги хмарних телефонів, співпраця з APhone для запуску децентралізованого хмарного смартфону
• Створення співпраці з великими компаніями, такими як NVIDIA, Super Micro, HPE
• Співпраця з кількома проектами Web3, такими як CARV, Magic Eden

Phala Network як виконавчий рівень рішення Web3 AI. Через надійне середовище виконання (TEE) розробляється вирішення проблем конфіденційності, підтримується контроль AI-агентів через смарт-контракти на блокчейні.

Особливості:

• Як протокол кооперативного процесора для верифікованих обчислень, підтримує ресурси AI агентів на блокчейні
• AI агентські контракти можуть бути отримані через Redpill з OpenAI, Llama та інших провідних великих мовних моделей
• Майбутнє включатиме zk-докази, багатосторонні обчислення, повну гомоморфну криптографію та інші багатошарові системи доказів
• Планується підтримка H100 та інших TEE GPU, підвищення обчислювальних можливостей

! Перетин AI та DePIN

Порівняння проектів

| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Апаратне забезпечення | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Відеокарта | Відеокарта | Центральний процесор | | Основні напрямки бізнесу | Графічний рендеринг та ШІ | Хмарні обчислення, рендеринг та ШІ | ШІ | ШІ | ШІ, хмарні ігри та телекомунікації | Виконання ШІ на ланцюзі | | Типи завдань AI | Висновок | Обидва | Обидва | Навчання | Навчання | Виконання | | Ціноутворення | Ціноутворення на основі ефективності | Зворотні аукціони | Ринкова ціна | Ринкова ціна | Система тендерів | Розрахунок прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбітраж | Горошок | | Конфіденційність даних | Шифрування&хешування | Аутентифікація mTLS | Шифрування даних | Безпечне відображення | Шифрування | TEE | | Витрати на роботу | За кожну роботу 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% резервний платіж | Низькі витрати | За кожну сесію 20% | Пропорційно до суми стейкінгу | | Безпека | Докази рендерингу | Докази участі | Докази обчислень | Докази участі | Докази потужності рендерингу | Спадковість з релейного ланцюга | | Завершення доказу | - | - | Доказ часу блокування | Доказ навчання | Доказ виконання роботи | Доказ TEE | | Гарантія якості | Спір | - | - | Верifier і заявник | Нода перевірки | Віддалене підтвердження | | GPU集群 | Ні | Так | Так | Так | Так | Ні |

Важливість

Доступність кластерних та паралельних обчислень

Розподілена обчислювальна рамка реалізує GPU-кластери, забезпечуючи більш ефективне навчання та масштабованість. Навчання складних AI моделей вимагає потужних обчислювальних можливостей, зазвичай покладаючись на розподілені обчислення. Більшість проектів вже інтегрували кластери для реалізації паралельних обчислень. io.net успішно розгорнув понад 3,800 кластерів. Хоча Render не підтримує кластери, він розбиває окреме завдання на кілька вузлів для одночасної обробки. Phala підтримує кластеризацію CPU-робітників.

Приватність даних

Розробка моделей ШІ потребує використання великої кількості датасетів, що може створити ризик витоку чутливих даних. Більшість проєктів використовують певну форму шифрування даних для захисту приватності. io.net у співпраці з Mind Network запустили повну гомоморфну криптографію (FHE), що дозволяє обробляти дані в зашифрованому стані. Phala Network впровадила довірене виконавче середовище (TEE), щоб запобігти доступу або змінам даних ззовні.

Обчислення завершено, підтвердження та перевірка якості

Gensyn та Aethir генерують докази після завершення обчислень, а докази io.net свідчать про те, що оренда продуктивності GPU використовується в повній мірі. Gensyn та Aethir обидва проводять перевірку якості завершених обчислень. Render рекомендує використовувати процедуру вирішення суперечок. Phala генерує TEE докази після завершення, забезпечуючи виконання необхідних дій AI-агентом.

! Перетин AI та DePIN

Статистичні дані обладнання

| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |-------------|--------|-------|--------|------------|------------|--------| | Кількість GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Кількість ЦПУ | 114 | 14672 | 5433 | - | - | 30000+ | | Кількість H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Витрати H100/годину | - | $1.46 | $1.19 | - | - | - | | A100 витрати/година | - | $1.37 | $1.50 | $0.55 ( очікується ) | $0.33 ( очікується ) | - |

Вимоги до високопродуктивних GPU

Навчання моделей ШІ потребує найкращих за продуктивністю GPU, таких як A100 та H100 від Nvidia. Продуктивність H100 у процесі інференції в 4 рази перевищує A100, що робить його вибором номер один серед GPU. Постачальники децентралізованого GPU повинні відповідати реальним потребам ринку та пропонувати нижчі ціни. io.net та Aethir отримали більше 2000 одиниць H100/A100, що більше підходить для обчислень великих моделей.

Хоча GPU-кластери з мережевим підключенням мають нижчі витрати, але у них обмежена пам'ять. GPU з підключенням NVLink найбільше підходять для LLM з великою кількістю параметрів і великими наборами даних, оскільки вони потребують високої продуктивності та інтенсивних обчислень. Децентралізована GPU-мережа все ще може забезпечити потужні обчислювальні можливості та масштабованість для розподілених обчислювальних завдань, що відкриває можливості для розробки нових використань AI та ML.

надає споживчий рівень GPU/CPU

ЦП також відіграє важливу роль у навчанні моделей ШІ, його можна використовувати для попередньої обробки даних та управління пам'яттю. Споживчі GPU можуть використовуватися для доопрацювання попередньо навченої моделі або для навчання в малих масштабах. Такі проекти, як Render, Akash та io.net, також обслуговують цей ринок, розвиваючи власний нішевий ринок.

Висновок

Сфера AI DePIN все ще є відносно новою та стикається з викликами. Проте, кількість завдань та апаратних засобів, що виконуються в цих мережах, значно зросла, що підкреслює потребу в альтернативних апаратних ресурсах для постачальників хмарних послуг Web2. У майбутньому ринок штучного інтелекту має всі шанси на стрімкий розвиток, а ці децентралізовані мережі GPU відіграватимуть ключову роль у наданні економічно ефективних обчислювальних альтернатив для розробників.

! Перетин AI та DePIN

! Перетин AI та DePIN

! Перетин AI та DePIN

! Перетин AI та DePIN

! Перетин AI та DePIN