Perpaduan AI dan DePIN: Kebangkitan Jaringan GPU Terdistribusi

Sejak tahun 2023, kecerdasan buatan dan jaringan infrastruktur fisik terdesentralisasi (DePIN) telah menjadi dua tren populer di bidang Web3. Kedua bidang ini mencakup berbagai protokol yang berbeda, melayani kebutuhan yang berbeda. Artikel ini akan membahas titik pertemuan keduanya dan meneliti perkembangan protokol terkait.

Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Karena perkembangan perusahaan teknologi besar menyebabkan kekurangan GPU, pengembang lain kesulitan untuk mendapatkan cukup GPU untuk pelatihan model AI. Pendekatan tradisional adalah memilih penyedia layanan cloud terpusat, tetapi perlu menandatangani kontrak jangka panjang yang tidak fleksibel dan tidak efisien.

Jaringan DePIN menyediakan alternatif yang lebih fleksibel dan hemat biaya. Ini menggunakan hadiah token untuk mendorong kontribusi sumber daya, mengalihkan sumber daya GPU dari pemilik individu ke jaringan, membentuk pasokan yang terpusat bagi pengguna yang perlu mengakses perangkat keras. Ini tidak hanya memberikan kustomisasi dan akses sesuai permintaan bagi pengembang, tetapi juga memberikan pendapatan tambahan bagi pemilik GPU.

Ada berbagai jaringan AI DePIN di pasar, masing-masing dengan ciri khasnya. Berikut kami akan membahas beberapa karakteristik dan tujuan dari proyek utama:

Gambaran Umum Jaringan DePIN AI

Render adalah pelopor jaringan P2P yang menyediakan kemampuan komputasi GPU, awalnya fokus pada rendering pembuatan konten, kemudian berkembang ke tugas komputasi AI.

Hal yang menarik:

• Didirikan oleh perusahaan grafis awan OTOY yang memiliki teknologi pemenang Oscar
• Jaringan GPU telah digunakan oleh perusahaan besar di industri hiburan
• Bekerja sama dengan Stability AI, mengintegrasikan model AI dan rendering konten 3D
• Menyetujui beberapa klien komputasi, mengintegrasikan lebih banyak GPU dari jaringan DePIN

Akash diposisikan sebagai pengganti "super cloud" untuk platform cloud tradisional, mendukung penyimpanan, komputasi GPU, dan CPU.

Hal yang menarik:

• Tugas komputasi yang luas dari komputasi umum hingga hosting jaringan
• AkashML memungkinkan menjalankan sejumlah besar model di Hugging Face
• Mengelola beberapa aplikasi AI terkenal, seperti chatbot LLM Mistral AI
• Mendukung platform Metaverse, penerapan AI, dan pembelajaran federasi

io.net menyediakan akses ke kluster GPU cloud terdistribusi, khusus untuk kasus penggunaan AI dan ML.

Hal menarik:

• IO-SDK kompatibel dengan kerangka AI utama, dapat diperluas secara otomatis sesuai kebutuhan
• Mendukung pembuatan 3 jenis klaster yang berbeda, dapat diluncurkan dengan cepat
• Mengintegrasikan sumber daya GPU dengan jaringan DePIN lainnya

Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam.

Hal yang menarik:

• Secara signifikan mengurangi biaya komputasi GPU
• Mendukung fine-tuning model dasar yang telah dilatih sebelumnya
• Menyediakan model dasar yang terdesentralisasi dan dibagikan secara global

Aethir secara khusus menyediakan GPU tingkat perusahaan, yang terutama digunakan dalam bidang AI, pembelajaran mesin, permainan cloud, dan lain-lain.

Hal yang menarik:

• Memperluas ke bidang layanan ponsel cloud
• Membangun kolaborasi dengan perusahaan Web2 besar seperti NVIDIA
• Ada beberapa mitra di bidang Web3

Phala Network bertindak sebagai lapisan eksekusi untuk solusi AI Web3, menggunakan lingkungan eksekusi tepercaya (TEE) untuk menangani masalah privasi.

Hal yang menarik:

• Bertindak sebagai protokol ko-prosesor perhitungan yang dapat diverifikasi
• Kontrak agen AI dapat mengakses model bahasa besar terkemuka
• Di masa depan akan mendukung berbagai sistem bukti
• Rencana untuk mendukung GPU TEE seperti H100

Perbandingan Proyek

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Fokus Bisnis | Rendering Grafis dan AI | Komputasi Awan, Rendering, dan AI | AI | AI | Kecerdasan Buatan, Permainan Awan, dan Telekomunikasi | Eksekusi AI di Blockchain | | Jenis Tugas AI | Inferensi | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi | | Penetapan Harga | Penetapan Harga Berdasarkan Kinerja | Lelang Terbalik | Penetapan Harga Pasar | Penetapan Harga Pasar | Sistem Tender | Perhitungan Hak | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privasi Data | Enkripsi&Hash | Autentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE | | Biaya kerja | Setiap pekerjaan 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% biaya cadangan | Biaya rendah | Setiap sesi 20% | Sejalan dengan jumlah yang dipertaruhkan | | Keamanan | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kemampuan Rendering | Warisan dari Rantai Perantara | | Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Render | Bukti TEE | | Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pemeriksa | Bukti Jarak | | GPU Kluster | Tidak | Ya | Ya | Ya | Ya | Tidak |

Pentingnya

Ketersediaan kluster dan komputasi paralel

Kerangka kerja komputasi terdistribusi telah mengimplementasikan kluster GPU, yang dapat melatih model AI kompleks dengan lebih efisien. Sebagian besar proyek sekarang telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net telah berhasil menerapkan sejumlah besar kluster. Render meskipun tidak mendukung kluster, tetapi cara kerjanya mirip. Phala saat ini hanya mendukung CPU, tetapi memungkinkan pengelompokan pekerja CPU.

Privasi Data

Mengembangkan model AI memerlukan penggunaan data dalam jumlah besar, yang mungkin melibatkan informasi sensitif. Sebagian besar proyek menggunakan beberapa bentuk enkripsi data untuk melindungi privasi. io.net meluncurkan enkripsi homomorfik penuh (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa perlu dekripsi. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), yang mencegah proses eksternal mengakses atau memodifikasi data.

Bukti penyelesaian perhitungan dan pemeriksaan kualitas

Beberapa proyek akan menghasilkan bukti untuk menunjukkan bahwa pekerjaan telah selesai, dan melakukan pemeriksaan kualitas. Gensyn dan Aethir menggunakan validator dan node pemeriksa untuk memastikan kualitas layanan. Render menyarankan menggunakan proses penyelesaian sengketa. Setelah Phala selesai, bukti TEE akan dihasilkan.

Statistik Perangkat Keras

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Jumlah GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Jumlah CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Jumlah H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Biaya H100/jam | - | $1.46 | $1.19 | - | - | - | | Biaya A100/jam | - | $1.37 | $1.50 | $0.55 ( diperkirakan ) | $0.33 ( diperkirakan ) | - |

Persyaratan GPU berkinerja tinggi

Pelatihan model AI membutuhkan GPU dengan kinerja terbaik, seperti Nvidia A100 dan H100. Kinerja inferensi H100 4 kali lebih cepat daripada A100, sehingga menjadi pilihan utama. Penyedia pasar GPU terdesentralisasi harus bersaing dengan rekan-rekan Web2, tidak hanya dengan menawarkan harga yang lebih rendah, tetapi juga memenuhi kebutuhan pasar yang sebenarnya.

io.net dan Aethir masing-masing mendapatkan lebih dari 2000 unit H100/A100, yang lebih cocok untuk perhitungan model besar. Biaya layanan GPU terdesentralisasi ini sudah jauh lebih rendah dibandingkan dengan layanan terpusat.

Meskipun kluster GPU yang terhubung ke jaringan memiliki batasan tertentu dalam hal memori, mereka tetap menjadi pilihan yang kuat bagi pengguna yang membutuhkan fleksibilitas. Dengan menawarkan alternatif yang lebih hemat biaya, jaringan ini menciptakan peluang untuk membangun lebih banyak kasus penggunaan AI dan ML.

menyediakan GPU/CPU kelas konsumen

Selain GPU high-end, GPU konsumen dan CPU juga berperan dalam pengembangan model AI. Mengingat banyaknya sumber daya GPU konsumen yang tidak terpakai, beberapa proyek juga melayani pasar ini, mengembangkan pasar niche mereka sendiri.

Kesimpulan

Bidang DePIN AI masih tergolong baru dan menghadapi tantangan. Namun, jumlah tugas yang dijalankan dan perangkat keras yang digunakan pada jaringan GPU terdesentralisasi ini meningkat secara signifikan, menyoroti kebutuhan akan alternatif sumber daya perangkat keras dari penyedia cloud Web2.

Melihat ke depan, pasar AI memiliki prospek yang luas, dan jaringan GPU yang terdistribusi ini akan memainkan peran kunci dalam menyediakan alternatif komputasi yang efisien secara ekonomis bagi para pengembang. Dengan terus menjembatani kesenjangan antara permintaan dan pasokan, jaringan ini akan memberikan kontribusi signifikan terhadap lanskap masa depan AI dan infrastruktur komputasi.