Sự kết hợp của AI và DePIN: Sự trỗi dậy của mạng GPU phân tán

Kể từ năm 2023, trí tuệ nhân tạo và mạng lưới cơ sở hạ tầng vật lý phi tập trung (DePIN) đã trở thành hai xu hướng nóng trong lĩnh vực Web3. Cả hai lĩnh vực này đều bao gồm nhiều giao thức khác nhau, phục vụ cho các nhu cầu khác nhau. Bài viết này sẽ khám phá điểm giao thoa của hai lĩnh vực này và nghiên cứu sự phát triển của các giao thức liên quan.

Trong hệ sinh thái công nghệ AI, mạng DePIN cung cấp tài nguyên tính toán để tăng cường khả năng của AI. Do sự phát triển của các công ty công nghệ lớn dẫn đến tình trạng thiếu GPU, các nhà phát triển khác khó có thể có đủ GPU để đào tạo mô hình AI. Cách làm truyền thống là chọn nhà cung cấp dịch vụ đám mây tập trung, nhưng cần phải ký hợp đồng dài hạn không linh hoạt, kém hiệu quả.

Mạng DePIN cung cấp một giải pháp thay thế linh hoạt và tiết kiệm chi phí hơn. Nó sử dụng phần thưởng token để khuyến khích việc đóng góp tài nguyên, huy động GPU từ các chủ sở hữu cá nhân vào mạng, tạo ra một nguồn cung thống nhất cho những người dùng cần truy cập phần cứng. Điều này không chỉ mang lại tính tùy chỉnh và truy cập theo nhu cầu cho các nhà phát triển mà còn cung cấp thu nhập bổ sung cho các chủ sở hữu GPU.

Thị trường có nhiều mạng DePIN AI, mỗi mạng đều có những đặc điểm riêng. Dưới đây, chúng tôi sẽ khám phá những đặc điểm và mục tiêu của một vài dự án chính:

Tổng quan về mạng DePIN AI

Render là tiên phong mạng P2P cung cấp khả năng tính toán GPU, ban đầu tập trung vào việc tạo nội dung, sau đó mở rộng sang các nhiệm vụ tính toán AI.

Điểm thú vị:

• Được thành lập bởi công ty đồ họa đám mây OTOY với công nghệ đoạt giải Oscar
• Mạng GPU đã được các công ty lớn trong ngành giải trí sử dụng
• Hợp tác với Stability AI và các đối tác khác, tích hợp mô hình AI với nội dung 3D.
• Phê duyệt nhiều khách hàng tính toán, tích hợp nhiều GPU của mạng DePIN hơn.

Akash được định vị là "siêu đám mây" thay thế cho các nền tảng đám mây truyền thống, hỗ trợ lưu trữ, tính toán GPU và CPU.

Điều thú vị:

• Đối với các tác vụ tính toán rộng rãi từ tính toán chung đến lưu trữ mạng
• AkashML cho phép chạy một lượng lớn mô hình trên Hugging Face
• Đã quản lý một số ứng dụng AI nổi tiếng, như chatbot LLM của Mistral AI
• Hỗ trợ nền tảng vũ trụ ảo, triển khai AI và học tập liên bang

io.net cung cấp quyền truy cập vào cụm đám mây GPU phân tán, chuyên dụng cho các trường hợp sử dụng AI và ML.

Điều thú vị:

• IO-SDK tương thích với các framework AI phổ biến, có thể tự động mở rộng theo nhu cầu
• Hỗ trợ tạo 3 loại cụm khác nhau, có thể khởi động nhanh chóng.
• Hợp tác với các mạng DePIN khác để tích hợp tài nguyên GPU

Gensyn cung cấp khả năng tính toán GPU tập trung vào học máy và học sâu.

Điều thú vị:

• Giảm đáng kể chi phí tính toán GPU
• Hỗ trợ tinh chỉnh mô hình cơ bản đã được tiền huấn luyện
• Cung cấp mô hình cơ sở phi tập trung, chia sẻ toàn cầu

Aethir chuyên cung cấp GPU cấp doanh nghiệp, chủ yếu được sử dụng trong các lĩnh vực AI, học máy, trò chơi đám mây, v.v.

Điều thú vị:

• Mở rộng sang lĩnh vực dịch vụ điện thoại đám mây
• Thiết lập hợp tác với các công ty Web2 lớn như NVIDIA
• Trong lĩnh vực Web3 có nhiều đối tác

Phala Network đóng vai trò là lớp thực thi cho giải pháp AI Web3, sử dụng môi trường thực thi đáng tin cậy (TEE) để xử lý các vấn đề về quyền riêng tư.

Điểm thú vị:

• Đóng vai trò là giao thức đồng xử lý tính toán có thể xác minh
• Hợp đồng đại lý AI có thể truy cập vào các mô hình ngôn ngữ lớn hàng đầu
• Tương lai sẽ hỗ trợ nhiều hệ thống chứng minh
• Kế hoạch hỗ trợ GPU TEE như H100

So sánh dự án

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Phần cứng | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Điểm nhấn kinh doanh | Kết xuất đồ họa và AI | Điện toán đám mây, kết xuất và AI | AI | AI | Trí tuệ nhân tạo, trò chơi đám mây và viễn thông | Thực thi AI trên chuỗi | | Loại nhiệm vụ AI | Suy luận | Cả hai | Cả hai | Đào tạo | Đào tạo | Thực hiện | | Định giá công việc | Định giá dựa trên hiệu suất | Đấu giá ngược | Định giá thị trường | Định giá thị trường | Hệ thống đấu thầu | Tính toán quyền lợi | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Quyền riêng tư dữ liệu | Mã hóa&băm | Xác thực mTLS | Mã hóa dữ liệu | Bản đồ an toàn | Mã hóa | TEE | | Chi phí công việc | Mỗi công việc 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% phí dự trữ | Chi phí thấp | Mỗi phiên 20% | Tỷ lệ với số tiền đặt cọc | | An toàn | Chứng minh kết xuất | Chứng minh quyền lợi | Chứng minh tính toán | Chứng minh quyền lợi | Chứng minh khả năng kết xuất | Kế thừa từ chuỗi trung gian | | Chứng minh hoàn thành | - | - | Chứng minh khóa thời gian | Chứng minh học tập | Chứng minh công việc render | Chứng minh TEE | | Đảm bảo chất lượng | Tranh chấp | - | - | Người xác minh và người tố cáo | Nút kiểm tra | Chứng minh từ xa | | Cụm GPU | Không | Có | Có | Có | Có | Không |

Tầm quan trọng

Tính khả dụng của cụm và tính toán song song

Khung tính toán phân tán đã triển khai cụm GPU, có thể huấn luyện các mô hình AI phức tạp hiệu quả hơn. Hầu hết các dự án hiện nay đã tích hợp cụm để thực hiện tính toán song song. io.net đã triển khai thành công một lượng lớn cụm. Render mặc dù không hỗ trợ cụm nhưng cách thức hoạt động của nó tương tự. Phala hiện chỉ hỗ trợ CPU, nhưng cho phép cụm các bộ xử lý CPU.

Dữ liệu riêng tư

Việc phát triển mô hình AI cần sử dụng một lượng lớn dữ liệu, có thể liên quan đến thông tin nhạy cảm. Hầu hết các dự án đều sử dụng một hình thức mã hóa dữ liệu nào đó để bảo vệ quyền riêng tư. io.net đã ra mắt mã hóa hoàn toàn đồng nhất (FHE), cho phép xử lý dữ liệu được mã hóa mà không cần giải mã. Phala Network đã giới thiệu môi trường thực thi đáng tin cậy (TEE), ngăn chặn các quá trình bên ngoài truy cập hoặc sửa đổi dữ liệu.

Chứng nhận hoàn thành tính toán và kiểm tra chất lượng

Một số dự án sẽ tạo ra chứng nhận để chỉ ra rằng công việc đã hoàn thành và tiến hành kiểm tra chất lượng. Gensyn và Aethir sử dụng các nhà xác minh và nút kiểm tra để đảm bảo chất lượng dịch vụ. Render đề xuất sử dụng quy trình giải quyết tranh chấp. Phala sẽ tạo ra chứng nhận TEE sau khi hoàn thành.

Thống kê phần cứng

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Số lượng GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Số lượng CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Số lượng H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Chi phí H100/giờ | - | $1.46 | $1.19 | - | - | - | | Chi phí A100/giờ | - | $1.37 | $1.50 | $0.55 ( dự kiến ) | $0.33 ( dự kiến ) | - |

yêu cầu về GPU hiệu suất cao

Đào tạo mô hình AI cần GPU có hiệu suất tốt nhất, như A100 và H100 của Nvidia. Hiệu suất suy diễn của H100 nhanh gấp 4 lần A100, đã trở thành lựa chọn hàng đầu. Các nhà cung cấp thị trường GPU phi tập trung cần cạnh tranh với các đồng nghiệp Web2 không chỉ bằng cách cung cấp giá thấp hơn mà còn phải đáp ứng nhu cầu thực tế của thị trường.

io.net và Aethir đã nhận được hơn 2000 đơn vị H100/A100, phù hợp hơn cho tính toán mô hình lớn. Chi phí của các dịch vụ GPU phi tập trung này đã thấp hơn nhiều so với dịch vụ tập trung.

Mặc dù cụm GPU kết nối mạng có một số hạn chế về bộ nhớ, nhưng vẫn là lựa chọn mạnh mẽ cho những người dùng cần tính linh hoạt. Bằng cách cung cấp các giải pháp thay thế hiệu quả chi phí hơn, các mạng này tạo ra cơ hội để xây dựng nhiều trường hợp sử dụng AI và ML hơn.

Cung cấp GPU/CPU tiêu dùng

Ngoài GPU cao cấp, GPU tiêu dùng và CPU cũng đóng vai trò trong việc phát triển mô hình AI. Xem xét rằng một lượng lớn tài nguyên GPU tiêu dùng đang trong trạng thái nhàn rỗi, một số dự án cũng cung cấp dịch vụ cho thị trường này, phát triển thị trường ngách riêng của mình.

Kết luận

Lĩnh vực DePIN AI vẫn còn khá mới, đối mặt với những thách thức. Tuy nhiên, số lượng nhiệm vụ và phần cứng thực hiện trên các mạng GPU phi tập trung đã tăng đáng kể, nhấn mạnh nhu cầu về các giải pháp thay thế tài nguyên phần cứng của nhà cung cấp đám mây Web2.

Nhìn về tương lai, thị trường AI có triển vọng rộng mở, các mạng GPU phân tán này sẽ đóng vai trò then chốt trong việc cung cấp giải pháp tính toán hiệu quả về chi phí cho các nhà phát triển. Bằng cách liên tục thu hẹp khoảng cách giữa nhu cầu và cung, các mạng này sẽ đóng góp quan trọng vào cấu trúc tương lai của AI và cơ sở hạ tầng tính toán.