AI та DePIN: зростання децентралізованої GPU мережі

З 2023 року AI та DePIN стали популярними темами в області Web3. Ринкова капіталізація AI досягла 30 мільярдів доларів, тоді як ринкова капіталізація DePIN становить 23 мільярди доларів. Ці дві категорії охоплюють безліч різних протоколів, що служать різним сферам і потребам. Ця стаття зосередиться на перетині обох, досліджуючи розвиток протоколів у цій області.

! Перетин AI та DePIN

У стеку технологій ШІ мережа DePIN надає обчислювальні ресурси для розширення можливостей ШІ. Величезний попит великих технологічних компаній на GPU призвів до нестачі постачання, що ускладнює іншим розробникам отримання достатньої кількості GPU для навчання моделей ШІ. Це часто змушує розробників звертатися до централізованих постачальників хмарних послуг, але через необхідність підписання жорстких довгострокових контрактів на високопродуктивне обладнання, це є менш ефективним.

DePIN надає більш гнучке та економічно вигідне альтернативне рішення. Він використовує токенні винагороди для стимулювання внесків ресурсів, які відповідають цілям мережі. DePIN у сфері ШІ інтегрує ресурси GPU від приватних власників до дата-центрів, забезпечуючи єдине постачання для користувачів, яким потрібне обладнання. Ці мережі DePIN не лише надають розробникам налаштовані та на вимогу обчислювальні потужності, але й створюють додаткові джерела доходу для власників GPU.

На ринку існує кілька різних AI DePIN мереж, кожна з яких має свої особливості. Далі будуть представлені характеристики та розвиток кількох основних проектів.

Огляд мережі AI DePIN

Рендер

Render є піонером P2P GPU обчислювальної мережі, спочатку зосереджувався на графічному рендерингу для створення контенту, а згодом розширив свій спектр на AI обчислювальні завдання, інтегрувавши такі інструменти, як Stable Diffusion.

Основні характеристики:

• Заснована компанією OTOY, що володіє технологією з Оскаром.
• GPU-мережа вже використовується такими гігантами розважальної індустрії, як Paramount Pictures, PUBG та іншими.
• Співпраця зі Stability AI та Endeavor, інтеграція AI-моделей з 3D-контентом.
• Схвалення кількох обчислювальних клієнтів, інтеграція більшої кількості GPU мереж DePIN

Акаш

Akash позиціонує себе як "супер-хмарна" платформа, що підтримує зберігання, GPU та CPU обчислення, яка є альтернативним варіантом традиційних постачальників хмарних послуг. Використовуючи контейнерну платформу та обчислювальні вузли, керовані Kubernetes, вона здатна безшовно розгортати різноманітні хмарні нативні додатки в різних середовищах.

Основні характеристики:

• Підтримка широкого спектру обчислювальних завдань від загального обчислення до мережевого хостингу
• AkashML дозволяє своїй мережі GPU запускати понад 15 000 моделей на Hugging Face
• Зберігав кілька відомих AI-додатків, таких як чат-боти на базі LLM моделей Mistral AI
• Для забезпечення платформної підтримки таких речей, як будівництво мета-всесвіту, розгортання ШІ та федеративне навчання

io.net

io.net надає доступ до розподілених GPU хмарних кластерів, спеціально призначених для випадків використання AI та ML. Він агрегує GPU ресурси з дата-центрів, криптомайнерів та інших децентралізованих мереж.

Основні характеристики:

• IO-SDK сумісний з такими фреймворками, як PyTorch і Tensorflow, і може динамічно розширюватися відповідно до потреб.
• Підтримка створення 3 різних типів кластерів, час запуску лише 2 хвилини
• Активно співпрацювати з іншими мережами DePIN, інтегруючи більше ресурсів GPU

Генсин

Gensyn зосереджується на обчисленнях з використанням машинного навчання та глибокого навчання на GPU-мережах. Він використовує інноваційний механізм верифікації, що включає доказ навчання, графічний протокол точного позиціонування та ігри з ін incentives, що включають стейкінг і зменшення.

Основні характеристики:

• Очікувана вартість години використання GPU еквівалентного V100 становитиме близько 0,40 доларів, що суттєво заощаджує витрати.
• Підтримка доопрацювання попередньо підготовлених базових моделей для виконання більш конкретних завдань
• Планується створення децентралізованої, глобально спільної базової моделі

Етір

Aethir спеціалізується на розгортанні корпоративних GPU, зосереджуючи увагу на обчислювально інтенсивних сферах, таких як ШІ, машинне навчання, хмарні ігри тощо. Контейнери в мережі виконують роль віртуальних кінцевих точок для хмарних додатків, переміщаючи навантаження з локальних пристроїв до контейнерів, що забезпечує низьку затримку.

Основні характеристики:

• Окрім AI та хмарних ігор, також розширено до хмарних мобільних послуг
• Встановлення співпраці з багатьма великими компаніями Web2, такими як NVIDIA, Super Micro, HPE
• Має кілька партнерів, таких як CARV, Magic Eden в сфері Web3

Мережа Phala

Phala Network як виконавчий рівень Web3 AI рішень, пропонує бездоверчі рішення для хмарних обчислень. Його блокчейн використовує надійне виконуване середовище (TEE) для вирішення питань конфіденційності, дозволяючи AI агентам контролюватися смарт-контрактами на ланцюгу.

Основні характеристики:

• Виконувати роль перевіряльного обчислення як протокол копрограм, одночасно надаючи можливості AI-агентів для використання ресурсів на блокчейні
• AI代理合约 може отримати доступ до OpenAI, Llama та інших провідних великих мовних моделей через Redpill
• В майбутньому буде інтегровано zk-proofs, багатопартійні обчислення (MPC), повну гомоморфну криптографію (FHE) та інші багаті системи доказів.
• Планується підтримка інших TEE GPU, таких як H100, для підвищення обчислювальної потужності

Порівняння проектів

| Проект | Апаратура | Основні бізнес-напрямки | Типи AI-завдань | Ціноутворення | Блокчейн | Конфіденційність даних | Вартість роботи | Безпека | Доказ завершення | Гарантія якості | GPU-кластер | |--------|---------|----------------|--------|--------|--------|--------|----------------------|--------|--------|----------|-------| | Рендеринг | GPU&CPU | Графічний рендеринг та ШІ | Інференція | Ціноутворення на основі продуктивності | Solana | Крипто&хеш | За одну роботу 0.5-5% | Доказ рендерингу | - | Спірні питання | Ні | | Akash | GPU&CPU | Хмарні обчислення, рендеринг та ШІ | Обидва | Зворотні аукціони | Cosmos | mTLS-автентифікація | 20% USDC, 4% AKT | Доказ частки | - | - | Так | | io.net | GPU&CPU | AI | обидва | ринкова ціна | Solana | шифрування даних | 2% USDC, 0.25% резервний збір | доказ обчислення | доказ з часом блокування | - | так | | Gensyn | GPU | AI | Тренування | Ринкова ціна | Gensyn | Безпечне картографування | Низькі витрати | Доказ частки | Доказ навчання | Верифікатори та викривачі | Так | | Aethir | GPU | AI, хмарні ігри та телекомунікації | навчання | система тендерів | Arbitrum | криптовалюта | 20% за сесію | доказ виробничих можливостей | доказ роботи рендеру | вузли перевірки | так | | Phala | CPU | Виконання AI в ланцюгу | Виконання | Обчислення прав | Polkadot | TEE | Пропорційно до суми стейку | Спадковість з релейного ланцюга | TEE-доказ | Віддалене підтвердження | Ні |

! Перетин AI та DePIN

Важливість кластерних і паралельних обчислень

Розподілена обчислювальна структура реалізує кластер GPU, забезпечуючи ефективне навчання та підвищуючи масштабованість. Навчання складних AI моделей вимагає потужних обчислювальних ресурсів, зазвичай покладаючись на розподілені обчислення. Більшість проєктів уже інтегрували кластери для реалізації паралельних обчислень, щоб задовольнити попит на ринку.

Захист даних

Навчання моделей штучного інтелекту потребує великих наборів даних, які можуть містити чутливу інформацію. Для цього різні проєкти використовують різні методи захисту конфіденційності даних. Більшість проєктів використовують шифрування даних, io.net також впроваджує повну гомоморфну криптографію (FHE), тоді як Phala Network використовує довірене виконавче середовище (TEE). Ці заходи спрямовані на захист конфіденційності даних, водночас дозволяючи використовувати дані для навчальних цілей.

Обчислено довідку про виконання та контроль якості

Щоб забезпечити якість обслуговування, кілька проектів впровадили механізми підтвердження завершення обчислень та контролю якості. Gensyn та Aethir генерують підтвердження виконання роботи, а io.net підтверджує, що продуктивність GPU використовується в повному обсязі. Gensyn та Aethir також мають механізми контролю якості, тоді як Render використовує процес вирішення суперечок. Ці заходи допомагають забезпечити якість та надійність обчислювальних послуг.

Статистичні дані про апаратуру

| Проект | Кількість GPU | Кількість CPU | Кількість H100/A100 | Вартість H100/година | Вартість A100/година | |--------|-------|--------|------------|-----------|-------------| | Рендер | 5600 | 114 | - | - | - | | Акаш | 384 | 14672 | 157 | $ 1.46 | $1.37 | | io.net | 38177 | 5433 | 2330 | $1.19 | $1.50 | | Gensyn | - | - | - | - | $0.55 ( прогнозу ) | | Aethir | 40000+ | - | 2000+ | - | $0.33 ( очікується ) | | Пхала | - | 30000+ | - | - | - |

! Перетин AI та DePIN

Попит на високопродуктивні GPU

Навчання моделі AI потребує GPU найвищої продуктивності, таких як A100 і H100 від NVIDIA. Ці висококласні GPU забезпечують найкращу якість і швидкість навчання, але їхня ціна є високою. Постачальники децентралізованого ринку GPU повинні знайти баланс між наданням достатньої кількості високопродуктивних GPU та підтриманням конкурентоспроможності цін.

Наразі такі проекти, як io.net та Aethir, отримали понад 2000 одиниць H100 та A100, що більш підходять для обчислень великих моделей. Вартість цих децентралізованих GPU-сервісів вже нижча, ніж вартість централізованих GPU-сервісів, але все ще потрібен час для перевірки.

Роль споживчих GPU/CPU

Хоча висококласні GPU є основним попитом, споживчі GPU та CPU також відіграють важливу роль у розробці AI-моделей. Вони можуть використовуватися для попередньої обробки даних, управління пам'яттю, а також для доопрацювання попередньо навчальних моделей або навчання маломасштабних моделей. Проекти, такі як Render, Akash та io.net, також обслуговують цей ринок, пропонуючи розробникам більше вибору.

Висновок

Хоча сфера AI DePIN все ще перебуває на початковій стадії розвитку, вона вже продемонструвала величезний потенціал. Ці децентралізовані GPU-мережі ефективно вирішують проблему дисбалансу попиту та пропозиції обчислювальних ресурсів AI. Зі швидким зростанням ринку AI ці мережі відіграватимуть ключову роль у наданні економічно ефективних альтернативних обчислювальних рішень для розробників, роблячи важливий внесок у майбутній ландшафт AI та обчислювальної інфраструктури.

! Перетин AI та DePIN

! Перетин AI та DePIN

! Перетин AI та DePIN

! Перетин AI та DePIN

! Перетин AI та DePIN