Слияние ИИ и DePIN: восходение децентрализованных GPU-сетей

С 2023 года AI и DePIN стали популярными темами в области Web3. Рыночная капитализация AI достигла 30 миллиардов долларов, а рыночная капитализация DePIN составила 23 миллиарда долларов. Эти две категории охватывают множество различных протоколов, обслуживающих различные области и потребности. В этой статье будет сосредоточено внимание на пересечении этих двух направлений и исследовании развития протоколов в этой области.

! Пересечение AI и DePIN

В технологическом стеке ИИ сеть DePIN предоставляет вычислительные ресурсы для поддержки ИИ. Большой спрос крупных технологических компаний на GPU привел к нехватке поставок, что затрудняет другим разработчикам получение достаточного количества GPU для обучения моделей ИИ. Это часто заставляет разработчиков переходить к централизованным облачным сервисам, но из-за необходимости подписания долгосрочных контрактов на высокопроизводительное оборудование с недостаточной гибкостью эффективность оказывается низкой.

DePIN предлагает более гибкое и экономически эффективное решение. Он использует токенизированные вознаграждения для стимулирования вклада ресурсов, соответствующего целям сети. DePIN в области ИИ интегрирует ресурсы GPU от частных владельцев в дата-центры, предоставляя пользователям, нуждающимся в аппаратном обеспечении, унифицированное предложение. Эти сети DePIN не только предоставляют разработчикам настраиваемые и по запросу доступные вычислительные мощности, но и создают дополнительные источники дохода для владельцев GPU.

На рынке существует несколько различных AI DePIN сетей, каждая из которых имеет свои особенности. В следующем разделе будут представлены характеристики и развитие нескольких основных проектов.

Обзор сети DePIN на базе ИИ

Рендер

Render является пионером сети P2P GPU вычислений, изначально сосредоточившись на графическом рендеринге для создания контента, а затем расширив свою сферу на задачи ИИ вычислений за счет интеграции таких инструментов, как Stable Diffusion.

Основные характеристики:

• Основана облачной графической компанией OTOY с технологией, удостоенной Оскара
• GPU-сеть уже используется такими гигантами индустрии развлечений, как Paramount Pictures и PUBG.
• Сотрудничество с Stability AI и Endeavor, интеграция AI моделей с 3D контентом рендеринга
• Утверждение нескольких вычислительных клиентов, интеграция большего количества GPU сети DePIN

Акаши

Akash позиционируется как "супероблачная" платформа, поддерживающая хранение, GPU и CPU вычисления, являясь альтернативой традиционным облачным провайдерам. Используя контейнерную платформу и управляемые Kubernetes вычислительные узлы, она может бесшовно развертывать различные облачные нативные приложения в разных средах.

Основные характеристики:

• Поддержка широкого спектра вычислительных задач от универсальных вычислений до сетевого хостинга
• AkashML позволяет своей GPU сети запускать более 15 000 моделей на Hugging Face
• Хранит несколько известных приложений ИИ, таких как чат-бот модели LLM от Mistral AI
• Предоставление платформенной поддержки для создания метавселенной, развертывания ИИ и федеративного обучения.

io.net

io.net предоставляет доступ к распределенным GPU облачным кластерам, специально предназначенным для применения в AI и ML. Он агрегирует ресурсы GPU из дата-центров, крипто-майнеров и других Децентрализация сетей.

Основные характеристики:

• IO-SDK совместим с такими фреймворками, как PyTorch и Tensorflow, и может динамически расширяться в зависимости от потребностей.
• Поддержка создания 3 различных типов кластеров, время запуска составляет всего 2 минуты
• Активно сотрудничать с другими DePIN сетями, интегрируя больше GPU ресурсов

Gensyn

Gensyn сосредоточен на вычислениях с использованием GPU для машинного обучения и глубокого обучения. Он использует инновационный механизм верификации, включая доказательства обучения, основанный на графиках протокол точного позиционирования и игровые стимулы, связанные со ставками и сокращениями.

Основные характеристики:

• Ожидаемая стоимость в час для GPU, эквивалентного V100, составляет около 0,40 долларов США, что значительно снижает затраты.
• Поддержка дообучения предобученных базовых моделей для выполнения более конкретных задач
• Планируется создать Децентрализованный, глобально общий базовый модель

Этир

Aethir специально развертывает корпоративные GPU, сосредоточив внимание на таких вычислительно интенсивных областях, как ИИ, машинное обучение и облачные игры. Контейнеры в его сети выполняют облачные приложения в качестве виртуальных конечных точек, перемещая нагрузку с локальных устройств в контейнеры, обеспечивая низкую задержку.

Основные характеристики:

• Кроме ИИ и облачных игр, также расширено на услуги облачного телефона
• Установление партнерства с такими крупными компаниями Web2, как NVIDIA, Super Micro, HPE и другими.
• Имеет несколько партнеров, таких как CARV, Magic Eden в области Web3

Сеть ### Phala

Phala Network как уровень выполнения решений Web3 AI предоставляет решения облачных вычислений без необходимости доверия. Его блокчейн использует надежную среду выполнения (TEE) для решения проблем конфиденциальности, позволяя AI-агентам управляться смарт-контрактами на блокчейне.

Основные характеристики:

• Выступать в качестве протокола сопроцессора для проверяемых вычислений, одновременно предоставляя возможности AI-агентам для ресурсов на блокчейне
• AI-агенты могут получать доступ к топовым языковым моделям, таким как OpenAI, Llama и другие, через Redpill.
• В будущем будет интегрирована децентрализация zk-proofs, многопартийные вычисления (MPC), полная гомоморфная криптография (FHE) и другие многоуровневые системы доказательства.
• Планируется поддержка H100 и других TEE GPU для повышения вычислительной мощности

Сравнение проектов

| Проект | Оборудование | Основные бизнес направления | Типы задач AI | Ценообразование | Блокчейн | Конфиденциальность данных | Стоимость работы | Безопасность | Доказательство выполнения | Гарантия качества | GPU-кластер | |--------|---------|----------------|--------|--------|--------|--------|----------------------|--------|--------|----------|-------| | Рендеринг | GPU&CPU | Графический рендеринг и ИИ | Вывод | Ценообразование на основе производительности | Solana | Крипто&Хеш | 0.5-5% за задачу | Доказательство рендеринга | - | Спор | Нет | | Akash | GPU&CPU | Облачные вычисления, рендеринг и ИИ | Оба | Обратные аукционы | Cosmos | mTLS аутентификация | 20% USDC, 4% AKT | Доказательство доли | - | - | Да | | io.net | GPU&CPU | AI | Оба | Рыночная цена | Solana | Шифрование данных | 2% USDC, 0.25% комиссия за резерв | Доказательство вычислений | Доказательство временной блокировки | - | Да | | Gensyn | GPU | AI | Обучение | Рыночная цена | Gensyn | Безопасная карта | Низкая стоимость | Доказательство доли | Доказательство обучения | Верификаторы и информаторы | Да | | Aethir | GPU | ИИ, облачные игры и телекоммуникации | Обучение | Система тендеров | Arbitrum | Крипто | 20% за сессию | Доказательство мощности рендеринга | Доказательство работы рендеринга | Узел проверяющего | Да | | Phala | CPU | Выполнение AI на цепи | Исполнение | Расчет прав | Polkadot | TEE | Пропорционально сумме залога | Унаследовано от релейной цепи | TEE-доказательство | Удаленное доказательство | Нет |

! Пересечение AI и DePIN

Важность кластеров и параллельных вычислений

Распределённая вычислительная платформа реализует кластеры GPU, обеспечивая эффективное обучение и одновременно увеличивая масштабируемость. Обучение сложных AI-моделей требует мощных вычислительных ресурсов и обычно зависит от распределённых вычислений. Большинство проектов уже интегрировали кластеры для реализации параллельных вычислений, чтобы удовлетворить рыночный спрос.

Защита данных

Обучение моделей ИИ требует больших объемов данных, среди которых могут быть чувствительная информация. Для этого различные проекты используют разные методы защиты конфиденциальности данных. Большинство проектов применяют шифрование данных, io.net также внедрила полное гомоморфное шифрование (FHE), в то время как Phala Network использует защищенную среду выполнения (TEE). Эти меры направлены на защиту конфиденциальности данных, одновременно позволяя использовать данные для целей обучения.

Завершение вычислений, доказательство и проверка качества

Для обеспечения качества обслуживания несколько проектов внедрили механизмы подтверждения выполнения вычислений и контроля качества. Gensyn и Aethir генерируют подтверждения выполнения работы, а io.net подтверждает, что производительность GPU используется в полной мере. Gensyn и Aethir также имеют механизмы контроля качества, тогда как Render использует процессы разрешения споров. Эти меры помогают гарантировать качество и надежность вычислительных услуг.

Статистические данные оборудования

| Проект | Количество GPU | Количество CPU | Количество H100/A100 | Стоимость H100/час | Стоимость A100/час | |--------|-------|--------|------------|-----------|-------------| | Рендер | 5600 | 114 | - | - | - | | Акаш | 384 | 14672 | 157 | $1.46 | $1.37 | | io.net | 38177 | 5433 | 2330 | $1.19 | $1.50 | | Генсин | - | - | - | - | $0.55 ( ориентировочный ) | | Этир | 40000+ | - | 2000+ | - | $0.33 ( ориентировочно ) | | Фала | - | 30000+ | - | - | - |

! Пересечение AI и DePIN

Спрос на высокопроизводительные GPU

Обучение AI-моделей требует GPU с максимальной производительностью, таких как A100 и H100 от NVIDIA. Эти высококлассные GPU обеспечивают лучшее качество и скорость обучения, но стоят дорого. Поставщики децентрализованного рынка GPU должны найти баланс между предложением достаточного количества высокопроизводительных GPU и поддержанием конкурентоспособных цен.

В настоящее время проекты, такие как io.net и Aethir, получили более 2000 единиц H100 и A100, что более подходит для вычислений крупных моделей. Стоимость этих Децентрализация GPU-сервисов уже ниже, чем у централизованных GPU-сервисов, но все еще требуется время для проверки.

Роль потребительских GPU/CPU

Хотя высококлассные GPU являются основным спросом, потребительские GPU и CPU также играют важную роль в разработке моделей ИИ. Они могут использоваться для предварительной обработки данных, управления ресурсами памяти, а также для тонкой настройки предобученных моделей или обучения небольших моделей. Проекты, такие как Render, Akash и io.net, также обслуживают этот сегмент рынка, предоставляя разработчикам больше вариантов.

Заключение

Хотя область AI DePIN все еще находится на ранней стадии развития, она уже демонстрирует огромный потенциал. Эти децентрализованные GPU-сети эффективно решают проблему несоответствия спроса и предложения на вычислительные ресурсы AI. С быстрым ростом рынка AI эти сети сыграют ключевую роль в предоставлении экономически эффективных вычислительных альтернатив для разработчиков, внося значительный вклад в будущее AI и вычислительной инфраструктуры.

! Пересечение искусственного интеллекта и DePIN

! Пересечение AI и DePIN

! Пересечение ИИ и DePIN

! Пересечение искусственного интеллекта и DePIN

! Пересечение AI и DePIN