AI ve DePIN'in Kesişimi: Merkeziyetsiz GPU Ağı'nın Yükselişi

2023'ten bu yana, AI ve DePIN Web3 alanında popüler eğilimler haline geldi ve piyasa değerleri sırasıyla 30 milyar dolar ve 23 milyar dolara ulaştı. Bu makalede, her ikisinin kesişimini araştıracak ve bu alandaki protokollerin gelişimini inceleyeceğiz.

AI teknoloji yığınında, DePIN ağı hesaplama kaynakları aracılığıyla AI'ya işlevsellik sunar. Büyük teknoloji şirketlerinin gelişimi GPU kıtlığına yol açtı ve diğer geliştiricilerin hesaplama için yeterli GPU almasını zorlaştırdı. DePIN, ağ hedeflerine uygun kaynak katkılarını teşvik etmek için token ödülleri kullanarak daha esnek ve maliyet etkin bir alternatif sunar.

AI DePIN, GPU kaynaklarını bireysel sahiplerden veri merkezlerine kitlesel olarak aktarıyor ve donanıma erişim ihtiyacı olan kullanıcılar için birleşik bir tedarik oluşturuyor. Bu yalnızca geliştiricilere özelleştirme ve talep üzerine erişim sağlamakla kalmaz, aynı zamanda GPU sahiplerine ek gelir de sağlar.

AI DePIN Ağı Genel Görünümü

Render

Render, içerik oluşturma için grafikler render etmek üzere GPU hesaplama gücü sunan P2P ağının öncüsüdür ve daha sonra sinir yansıtma alanlarından üretken AI'ya kadar hesaplama görevlerini kapsayacak şekilde genişlemiştir.

Öne Çıkanlar:

• Oscar ödüllü teknolojiye sahip bulut grafik şirketi OTOY tarafından kuruldu
• GPU ağı Paramount Pictures, PUBG gibi eğlence sektöründeki büyük şirketler tarafından kullanılmaktadır.
• Stability AI ve Endeavor ile işbirliği yaparak, AI modellerini 3D içerik renderleme iş akışına entegre etmek
• Birden fazla hesaplama istemcisini onaylayın, daha fazla DePIN ağının GPU'sunu entegre edin.

Akash

Akash, depolama, GPU ve CPU hesaplamalarını destekleyen bir "süper bulut" alternatifi olarak konumlandırılmıştır. Konteyner platformları ve Kubernetes ile yönetilen hesaplama düğümleri kullanarak, yazılımlar her ortamda sorunsuz bir şekilde dağıtılabilir ve her türlü bulut yerel uygulama çalıştırılabilir.

Öne Çıkanlar:

• Genel hesaplamadan ağ barındırmaya kadar geniş hesaplama görevleri
• AkashML, Hugging Face üzerinde 15.000'den fazla model çalıştırılmasına izin verir.
• Mistral AI'nin LLM modeli sohbet robotu, Stability AI'nin SDXL modeli gibi uygulamaları yönetti.
• Metaverse, AI dağıtımı ve federated learning platformları Supercloud'u kullanıyor.

io.net

io.net, AI ve ML kullanım durumları için özel olarak tasarlanmış dağıtık GPU bulut kümelerine erişim sağlar. Veri merkezlerinden, kripto madencilerden ve diğer Merkeziyetsizlik ağlarından GPU kaynaklarını bir araya getirir.

Öne Çıkanlar:

• IO-SDK, PyTorch ve Tensorflow gibi çerçevelerle uyumludur, çok katmanlı mimari, hesaplama gereksinimlerine göre otomatik dinamik olarak genişleyebilir.
• 2 dakikada başlatılabilen 3 farklı türde küme oluşturmayı destekler.
• Render, Filecoin, Aethir ve Exabits gibi GPU kaynaklarını entegre etmek için işbirliği yapma

Gensyn

Gensyn, makine öğrenimi ve derin öğrenme hesaplamalarına odaklanan GPU hesaplama gücü sunmaktadır. Öğrenme kanıtları, grafik tabanlı hassas konumlama protokolleri ve hesaplama sağlayıcılarını içeren staking ve kesinti teşvik oyunları gibi kavramlar aracılığıyla daha verimli bir doğrulama mekanizması sağladığını iddia etmektedir.

Öne Çıkanlar:

• V100 eşdeğer GPU'nun saatlik maliyetinin yaklaşık 0,40 dolar olması, maliyetlerde büyük tasarruf sağlar.
• Önceden eğitilmiş temel model, daha spesifik görevleri tamamlamak için ince ayar yapılabilir.
• Bu temel modeller Merkeziyetsizlik olacak ve dünya genelinde sahip olunacak, ek işlevler sunacak.

Aethir

Aethir, kurumsal GPU'ları özel olarak içermektedir ve hesaplama yoğun alanlara, özellikle AI, makine öğrenimi, bulut oyunları gibi alanlara odaklanmaktadır. Ağındaki konteynerler, bulut tabanlı uygulamaları yürütmek için sanal uç noktalar olarak işlev görür ve iş yüklerini yerel cihazlardan konteynerlere aktararak düşük gecikme süresi deneyimi sunar.

Öne Çıkanlar:

• Bulut telefon hizmetlerine genişleme, Merkeziyetsizlik temelli bulut akıllı telefonunu APhone ile birlikte başlatma
• NVIDIA, Super Micro, HPE gibi büyük Web2 şirketleri ile geniş işbirlikleri kurmak
• Web3 alanında CARV, Magic Eden, Sequence gibi birçok iş ortaklarıyla

Phala Ağı

Phala Network, Web3 AI çözümlerinin yürütme katmanı olarak görev yapmaktadır. Blok zinciri, güvene ihtiyaç duymayan bir bulut bilişim çözümüdür ve gizlilik sorunlarını ele almak için güvenilir yürütme ortamı (TEE) kullanılarak tasarlanmıştır.

Öne Çıkanlar:

• Doğrulanabilir hesaplamaların yardımcı işlemci protokolü olarak hareket ederek, AI ajanlarının zincir üzerindeki kaynaklara erişimini sağlar.
• AI aracılık sözleşmeleri Redpill aracılığıyla OpenAI, Llama gibi en iyi büyük dil modellerine erişebilir.
• Gelecek, zk-bukalemunları, çok taraflı hesaplama, homomorfik şifreleme gibi çoklu kanıt sistemlerini içerecek.
• H100 gibi diğer TEE GPU'ları desteklemeyi planlıyor, hesaplama gücünü artırıyor.

Proje Karşılaştırması

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Donanım | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | İş Yükü | Grafik Renderleme ve AI | Bulut Bilişim, Renderleme ve AI | AI | AI | Yapay Zeka, Bulut Oyunları ve Telekomünikasyon | Zincir Üstü AI Uygulaması | | AI Görev Türü | Çıkarım | İkisi de | İkisi de | Eğitim | Eğitim | Uygulama | | İş fiyatlandırması | Performansa dayalı fiyatlandırma | Ters açık artırma | Piyasa fiyatlandırması | Piyasa fiyatlandırması | İhale sistemi | Hak hesaplama | | Blok zinciri | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Veri Gizliliği | Şifreleme&Hash | mTLS Kimlik Doğrulama | Veri Şifreleme | Güvenli Haritalama | Şifreleme | TEE | | İşlem Ücreti | Her İşlem %0.5-5 | %20 USDC, %4 AKT | %2 USDC, %0.25 Rezerv Ücreti | Düşük Ücretler | Her oturum %20 | Teminat Miktarına Orantılı | | Güvenli | Render Kanıtı | Hak Kanıtı | Hesaplama Kanıtı | Hak Kanıtı | Render Kapasite Kanıtı | Ara Zincir'den Miras Kaldı | | Tamamlanma Kanıtı | - | - | Zaman Kilidi Kanıtı | Öğrenme Kanıtı | Render Çalışması Kanıtı | TEE Kanıtı | | Kalite Güvencesi | Tartışma | - | - | Doğrulayıcı ve İhbarcı | Kontrol Düğümü | Uzaktan Kanıt | | GPU Küme | Hayır | Evet | Evet | Evet | Evet | Hayır |

Önemi

Küme ve paralel hesaplama kullanılabilirliği

Dağıtık hesaplama çerçevesi, GPU kümelerini gerçekleştirir, daha verimli eğitim sağlar ve aynı zamanda ölçeklenebilirliği artırır. Karmaşık AI modellerinin eğitimi güçlü hesaplama gücü gerektirir, genellikle gereksinimleri karşılamak için dağıtık hesaplamaya dayanmak zorundadır. Örneğin, OpenAI'nin GPT-4 modeli 1,8 trilyondan fazla parametreye sahiptir ve 128 kümedeki yaklaşık 25.000 Nvidia A100 GPU kullanılarak 3-4 ay içinde eğitilmiştir.

Çoğu önemli proje artık paralel hesaplama sağlamak için kümeleri entegre etti. io.net, diğer projelerle işbirliği yaparak daha fazla GPU'yu ağına dahil etti ve 24. yılın ilk çeyreğinde 3,800'den fazla küme dağıttı. Render kümeleri desteklemese de, bir tek kareyi birden fazla düğüme aynı anda işlenmek üzere ayırma şeklinde benzer bir şekilde çalışır. Phala şu anda yalnızca CPU'yu destekliyor, ancak CPU işleyicilerini kümeler halinde kullanmaya izin veriyor.

Veri gizliliği

AI model geliştirmek için büyük veri setleri kullanmak gerekmektedir, bu veri setleri hassas bilgileri içerebilir. Bu nedenle, veri gizliliğini korumak için yeterli güvenlik önlemleri almak çok önemlidir.

Çoğu proje, veri gizliliğini korumak için bir tür veri şifrelemesi kullanmaktadır. Render, render sonuçlarını yayınlarken şifreleme ve hash işlemi kullanmaktadır, io.net ve Gensyn veri şifrelemesi kullanmaktadır, Akash ise mTLS kimlik doğrulaması kullanmaktadır.

io.net, Mind Network ile iş birliği yaparak tamamen homomorfik şifreleme (FHE) tanıttı ve şifreli verileri önceden şifrelerini çözmeden işleme olanağı sağladı. Phala Network, dış süreçlerin verilere erişmesini veya verileri değiştirmesini önlemek için izole mekanizmalar aracılığıyla güvenilir yürütme ortamı (TEE) sunmaktadır.

Hesaplama Tamamlandı Belgesi ve Kalite Kontrolü

Hizmet kapsamının geniş olması nedeniyle, grafiklerin işlenmesinden AI hesaplamalarına kadar, nihai kalite kullanıcı standartlarını karşılamayabilir. Tamamlama kanıtı ve kalite kontrolü kullanıcılar için faydalıdır.

Gensyn ve Aethir, hesaplama tamamlandıktan sonra kanıtlar üretir, io.net'in kanıtı kiralanan GPU performansının tam olarak kullanıldığını gösterir. Gensyn ve Aethir, tamamlanan hesaplamalar üzerinde kalite kontrolü yapar. Render, inceleme komitesinin düğümde bir sorun bulması durumunda o düğümün kesileceğini belirterek ihtilaf çözüm sürecinin kullanılmasını önerir. Phala tamamlandıktan sonra TEE kanıtı üretilir, bu da AI ajanının zincir üzerinde gereken işlemleri gerçekleştirdiğini garanti eder.

Donanım İstatistik Verileri

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

Yüksek performanslı GPU gereksinimleri

AI model eğitimi, Nvidia'nın A100 ve H100 gibi en iyi performansa sahip GPU'lara ihtiyaç duyar. H100'ün çıkarım performansı, A100'den 4 kat daha hızlıdır ve özellikle kendi LLM'lerini eğiten büyük şirketler için tercih edilen GPU olmuştur.

Merkeziyetsizlik GPU pazar sağlayıcılarının Web2 rakipleriyle rekabet edebilmesi için sadece daha düşük fiyatlar sunması değil, aynı zamanda pazarın gerçek ihtiyaçlarını da karşılaması gerekiyor. Eşdeğer donanım edinmenin zorluğunu göz önünde bulundurarak, bu projelerin ağa düşük maliyetle getirebildiği donanım sayısı, hizmetlerin ölçeklenmesi için kritik öneme sahip.

Akash toplamda sadece 150'den fazla H100 ve A100 birimine sahipken, io.net ve Aethir sırasıyla 2000'den fazla birim elde etti. Genellikle, sıfırdan LLM veya üretim modeli ön eğitimi yapmak için kümelerde en az 248 ile 2000'den fazla GPU gereklidir, bu nedenle son iki proje büyük model hesaplamaları için daha uygundur.

Şu anda piyasada bu merkeziyetsiz GPU hizmetlerinin maliyeti, merkezi GPU hizmetlerinden çok daha düşük. Gensyn ve Aethir, A100'e eşdeğer donanımı saatte 1 doların altında kiralayabileceklerini iddia ediyor, ancak bu, zamanla kanıtlanması gereken bir durum.

Ağ bağlantılı GPU kümeleri, düşük saatlik maliyetle büyük miktarda GPU'ya sahiptir, ancak NVLink ile bağlantılı GPU'lara kıyasla bellekleri sınırlıdır. NVLink, birden fazla GPU arasında doğrudan iletişimi destekler, CPU ve GPU arasında veri aktarımına gerek kalmadan yüksek bant genişliği ve düşük gecikme sağlar.

Yine de, dinamik yük gereksinimleri olan veya esneklik ve birden fazla düğüm arasında yük dağıtım yeteneği isteyen kullanıcılar için merkeziyetsiz GPU ağı, dağıtılmış hesaplama görevleri için güçlü bir hesaplama gücü ve ölçeklenebilirlik sunmaya devam etmektedir.

Tüketici sınıfı GPU/CPU sağlama

GPU, renderleme ve hesaplama için gerekli ana işlem birimi olmasına rağmen, CPU da AI modellerinin eğitilmesinde önemli bir rol oynamaktadır. Tüketici sınıfı GPU'lar, önceden eğitilmiş modellerin ince ayarını yapma veya daha küçük veri setlerinde daha küçük ölçekli modelleri eğitme gibi daha az yoğun görevler için de kullanılabilir.

%85'ten fazla tüketicinin GPU kaynaklarının boşta olduğunu göz önünde bulundurarak, Render, Akash ve io.net gibi projeler bu pazarın bu kısmına da hizmet edebilir. Bu seçeneklerin sunulması, onların kendi pazar nişlerini geliştirmelerine, büyük ölçekli yoğun hesaplama, daha genel küçük ölçekli render veya her ikisinin bir karışımına odaklanmalarına olanak tanır.

Sonuç

AI DePIN alanı hala nispeten yeni ve kendi zorluklarıyla karşı karşıya. Ancak, bu merkeziyetsiz GPU ağlarında gerçekleştirilen görevlerin ve donanım sayısının hala önemli ölçüde arttığı görülüyor. Bu eğilim, AI DePIN ağlarının ürün pazar uyumunu kanıtlıyor; etkili bir şekilde talep ve arz yönündeki zorlukları çözebiliyorlar.

Geleceğe bakıldığında, yapay zekanın gelişim yolu trilyonlarca dolarlık büyüyen bir pazara işaret ediyor. Bu merkeziyetsiz GPU ağları, geliştiricilere ekonomik yüksek sunacak.