Злиття AI та DePIN: зростання розподіленої мережі GPU

З 2023 року штучний інтелект та децентралізовані фізичні інфраструктурні мережі (DePIN) стали двома основними тенденціями у сфері Web3. Ці дві сфери охоплюють різні протоколи, що задовольняють різні потреби. У цій статті буде досліджено точки перетину між ними та розглянуто розвиток відповідних протоколів.

У стосунках технологічного стеку AI, мережа DePIN надає обчислювальні ресурси для розширення можливостей AI. Через розвиток великих технологічних компаній виник дефіцит GPU, що ускладнює іншим розробникам отримання достатньої кількості GPU для навчання AI-моделей. Традиційний підхід полягає у виборі централізованих хмарних постачальників послуг, однак це вимагає підписання нееластичних довгострокових контрактів, що є неефективним.

DePIN мережа пропонує більш гнучке та економічно ефективне рішення. Вона використовує токенізовані винагороди для стимулювання внесків ресурсів, краудсорсинг GPU-ресурсів від приватних власників до мережі, формуючи єдине постачання для користувачів, які потребують доступу до обладнання. Це не лише забезпечує розробників можливістю налаштування та доступу на вимогу, але й надає власникам GPU додатковий дохід.

! Перетин AI та DePIN

На ринку існує багато AI DePIN мереж, кожна з яких має свої особливості. Далі ми розглянемо кілька основних проектів та їх характеристики і цілі:

Огляд мережі DePIN з штучного інтелекту

Render є піонером P2P мережі, що надає GPU обчислювальні можливості, спочатку зосереджуючись на рендерингу контенту, а пізніше розширившись на завдання AI обчислень.

Цікаво:

• Заснована компанією OTOY, що має технології, нагороджені Оскаром
• GPU-мережі були використані великими компаніями розважальної індустрії
• Співпраця з Stability AI та іншими, інтеграція AI-моделей та 3D-контенту
• Схвалення кількох обчислювальних клієнтів, інтеграція більшої кількості GPU мереж DePIN

Akash позиціонується як "суперхмара" для традиційних хмарних платформ, що підтримує зберігання, GPU та CPU обчислення.

Цікава річ:

• Для широкого спектра обчислювальних завдань, від загальних обчислень до хостингу в мережі
• AkashML дозволяє запускати велику кількість моделей на Hugging Face
• Підтримувались деякі відомі AI-додатки, такі як LLM чат-бот Mistral AI
• Підтримка метавсесвіту, розгортання ШІ та платформи федеративного навчання

io.net надає доступ до розподілених GPU хмарних кластерів, спеціально призначених для випадків використання ШІ та МЛ.

Цікава річ:

• IO-SDK сумісний з основними AI фреймворками, може автоматично розширюватися відповідно до потреб
• Підтримка створення 3 різних типів кластерів, швидкий запуск
• Співпраця з іншими DePIN мережами для інтеграції ресурсів GPU

Gensyn надає обчислювальні можливості GPU, зосереджені на машинному навчанні та глибокому навчанні.

Цікава річ:

• Значно знизити вартість обчислень на GPU
• Підтримка доопрацювання попередньо навченої базової моделі
• Забезпечення децентралізованої, глобально спільної базової моделі

Aethir спеціально пропонує корпоративні GPU, які в основному використовуються в сферах ШІ, машинного навчання, хмарних ігор тощо.

Цікавість:

• Розширення в сферу хмарних телефонних послуг
• Співпраця з великими компаніями Web2, такими як NVIDIA
• У сфері Web3 є кілька партнерів

Phala Network виступає як виконавчий рівень для Web3 AI рішень, використовуючи довірене виконуване середовище (TEE) для вирішення проблем конфіденційності.

Цікава річ:

• Виконання протоколу спільного процесора для верифікованих обчислень
• AI-агентські контракти можуть отримувати доступ до найкращих великих мовних моделей
• У майбутньому буде підтримуватись кілька систем доказів
• Планується підтримка TEE GPU, таких як H100

! Перетин AI та DePIN

Порівняння проектів

| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Апаратне забезпечення | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Відеокарта | Відеокарта | Центральний процесор | | Основні напрямки | Графічний рендеринг та ШІ | Хмарні обчислення, рендеринг та ШІ | ШІ | ШІ | Штучний інтелект, хмарні ігри та телекомунікації | Виконання на ланцюгу ШІ | | Типи завдань AI | Висновок | Обидва | Обидва | Навчання | Навчання | Виконання | | Ціна роботи | Ціна на основі результатів | Зворотний аукціон | Ринкова ціна | Ринкова ціна | Система тендерів | Обчислення прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбітраж | Горошок | | Приватність даних | Шифрування&хешування | mTLS автентифікація | Шифрування даних | Безпечна мапа | Шифрування | TEE | | Витрати на роботу | Кожна робота 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% комісія за резерв | Низькі витрати | Кожна сесія 20% | Пропорційно до суми стейкінгу | | Безпека | Докази рендерингу | Докази прав власності | Докази обчислення | Докази прав власності | Докази рендерингових можливостей | Наслідується з релейного ланцюга | | Підтвердження виконання | - | - | Підтвердження часових замків | Підтвердження навчання | Підтвердження рендеринга | Підтвердження TEE | | Гарантія якості | Спір | - | - | Перевіряючий та скаржник | Вузол перевірки | Віддалене підтвердження | | GPU кластер | Ні | Так | Так | Так | Так | Ні |

важливість

Доступність кластерних та паралельних обчислень

Розподілена обчислювальна система реалізувала GPU-кластери, що дозволяє більш ефективно навчати складні AI-моделі. Більшість проектів вже інтегрували кластери для реалізації паралельних обчислень. io.net успішно розгорнув велику кількість кластерів. Render хоча й не підтримує кластери, але працює подібним чином. Phala наразі підтримує лише CPU, але дозволяє кластеризацію CPU-робітників.

Приватність даних

Розробка AI-моделей вимагає використання великої кількості даних, що може включати чутливу інформацію. Більшість проектів використовують якусь форму шифрування даних для захисту конфіденційності. io.net запустила повну гомоморфну криптографію (FHE), що дозволяє обробляти зашифровані дані без розшифрування. Phala Network впровадила довірене середовище виконання (TEE), яке запобігає доступу або модифікації даних ззовні.

Підтвердження завершення обчислень та перевірка якості

Деякі проекти генерують свідоцтва для підтвердження завершення роботи та проведення контролю якості. Gensyn і Aethir використовують валідаторів і перевірочні вузли для забезпечення якості послуг. Render рекомендує використовувати процес вирішення суперечок. Після завершення Phala буде згенеровано TEE-свідоцтво.

! Перетин AI та DePIN

Статистичні дані апаратного забезпечення

| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |-------------|--------|-------|--------|------------|------------|--------| | Кількість GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Кількість ЦПУ | 114 | 14672 | 5433 | - | - | 30000+ | | Кількість H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Витрати H100/год | - | $1.46 | $1.19 | - | - | - | | Вартість A100/год | - | $1.37 | $1.50 | $0.55 (очікується) | $0.33 (очікується) | - |

! Перетин AI та DePIN

вимоги до високопродуктивних GPU

Навчання AI-моделей потребує найкращих за продуктивністю GPU, таких як A100 та H100 від Nvidia. Продуктивність H100 у режимі інференсу в 4 рази швидша за A100, що робить його пріоритетним вибором. Постачальники децентралізованого ринку GPU повинні конкурувати з колегами з Web2, пропонуючи не лише нижчі ціни, але й задовольняючи реальні потреби ринку.

io.net та Aethir отримали понад 2000 одиниць H100/A100, що краще підходять для обчислень великих моделей. Вартість цих децентралізованих GPU сервісів вже значно нижча, ніж централізованих сервісів.

Хоча мережеві GPU-кластери мають певні обмеження за пам'яттю, вони все ще є потужним вибором для користувачів, яким потрібна гнучкість. Завдяки наданню більш економічних альтернатив ці мережі створюють можливості для розробки більшої кількості випадків використання AI та ML.

! Перетин AI та DePIN

надає споживчі GPU/CPU

Окрім висококласних GPU, споживчі GPU та CPU також відіграють роль у розробці AI моделей. Беручи до уваги, що значна кількість ресурсів споживчих GPU залишається невикористаною, деякі проекти також надають послуги для цього ринку, розвиваючи власну нішу.

! Перетин AI та DePIN

Висновок

Сфера DePIN в AI все ще є новою, стикаючись з викликами. Але кількість завдань та апаратного забезпечення, що виконується на цих децентралізованих GPU мережах, значно зросла, підкреслюючи потребу в альтернативних апаратних ресурсах провайдерів Web2.

Заглядаючи в майбутнє, ринок ШІ має великі перспективи, ці розподілені мережі GPU відіграватимуть ключову роль у забезпеченні економічно ефективних обчислювальних альтернатив для розробників. Постійно зменшуючи розрив між попитом і пропозицією, ці мережі зроблять значний внесок у майбутню структуру ШІ та обчислювальної інфраструктури.

! Перетин AI та DePIN

! Перетин AI та DePIN