Слияние ИИ и DePIN: исследование новой структуры вычислительных ресурсов

С 2023 года AI и DePIN привлекают внимание в области Web3, рыночная капитализация которых достигла 30 миллиардов долларов и 23 миллиардов долларов соответственно. Эта статья сосредотачивается на развитии пересечения этих двух областей.

В технологическом стеке AI сеть DePIN усиливает AI, предоставляя вычислительные ресурсы. Огромный спрос крупных технологических компаний на GPU приводит к нехватке поставок, что ставит других разработчиков AI-моделей в затруднительное положение из-за недостатка вычислительных ресурсов. Традиционные решения, такие как выбор централизованных облачных провайдеров, сталкиваются с проблемами недостаточной гибкости и высокой стоимости.

Сеть DePIN предоставляет более гибкое и экономически эффективное решение. Она объединяет личные ресурсы GPU в единое предложение через механизм стимулов на основе токенов, предоставляя заказчикам индивидуализированные вычислительные мощности по мере необходимости, одновременно создавая дополнительный доход для владельцев неиспользуемых ресурсов GPU.

На рынке появляется множество различных AI DePIN сетей, ниже мы обсудим характеристики и текущее состояние нескольких типичных проектов.

! Пересечение AI и DePIN

Обзор сети AI DePIN

Рендер

Render является пионером P2P GPU вычислительной сети, изначально сосредоточившись на графическом рендеринге для создания контента, а затем расширив свою деятельность на задачи AI вычислений.

Основные характеристики:

• Основана компанией OTOY, облачным графическим предприятием, удостоенным Оскара
• Получение поддержки таких гигантов развлекательной индустрии, как Paramount Pictures и PUBG
• Сотрудничая с Stability AI, интегрируйте модели ИИ и рабочие процессы 3D-рендеринга
• Поддержка множества вычислительных клиентов, интеграция большего количества ресурсов GPU сетей DePIN

Акаши

Akash позиционируется как "супероблачная" платформа, поддерживающая хранение, GPU и CPU вычисления, являясь альтернативой традиционным облачным сервисам.

Основные характеристики:

• Ориентирован на широкий спектр вычислительных задач, от общего вычисления до хостинга в сети
• AkashML поддерживает запуск более 15 000 моделей на Hugging Face
• Размещены несколько известных AI приложений, таких как LLM-чат-бот Mistral AI
• Платформы метавселенной, развертывания ИИ и федеративного обучения используют их услуги

io.net

io.net предоставляет распределенные GPU облачные кластеры, сосредоточенные на приложениях ИИ и МЛ.

Основные характеристики:

• IO-SDK совместим с такими фреймворками, как PyTorch и Tensorflow
• Поддержка создания 3 различных типов кластеров, которые можно запустить за 2 минуты
• Активно интегрировать ресурсы GPU других DePIN сетей, таких как Render, Filecoin и т.д.

Gensyn

Gensyn сосредоточен на вычислительных мощностях GPU для машинного обучения и глубокого обучения.

Основные характеристики:

• Эквивалентные GPU V100 стоят около 0,40 долларов США в час, что значительно снижает затраты
• Поддержка донастройки предобученных базовых моделей
• Децентрализованная глобальная共享基础模型

Этир

Aethir сосредоточен на корпоративных GPU, основное внимание уделяется вычислительно интенсивным областям, таким как ИИ, машинное обучение и облачные игры.

Основные характеристики:

• Расширение до облачного мобильного сервиса, сотрудничество с APhone для запуска децентрализованного облачного смартфона
• Установление широкого сотрудничества с такими гигантами Web2, как NVIDIA и Super Micro
• Сотрудничество с несколькими проектами Web3, такими как CARV, Magic Eden и другими

Сеть Phala

Phala Network как уровень выполнения Web3 AI решений, использует доверенные исполняемые среды (TEE) для обработки вопросов конфиденциальности.

Основные характеристики:

• Как протокол сопроцессора для верифицируемых вычислений, поддерживает вызов ресурсов AI-агентов на блокчейне
• AI代理ный контракт может быть подключен к OpenAI, Llama и другим ведущим языковым моделям через Redpill.
• В будущем будут поддерживаться zk-доказательства, многопартийные вычисления, полностью однородное шифрование и другие многоуровневые системы доказательства.
• Планируется поддержка GPU TEE, таких как H100, для повышения вычислительной способности

! Пересечение AI и DePIN

Сравнение проектов

| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Основные направления бизнеса | Графическая визуализация и ИИ | Облачные вычисления, визуализация и ИИ | ИИ | ИИ | Искусственный интеллект, облачные игры и телекоммуникации | Выполнение ИИ на блокчейне | | Тип задачи ИИ | Вывод | Оба | Оба | Обучение | Обучение | Выполнение | | Ценообразование труда | Ценообразование на основе производительности | Обратные аукционы | Рыночное ценообразование | Рыночное ценообразование | Система тендеров | Расчет долей | | Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек | | Конфиденциальность данных | Шифрование&Хеширование | mTLS аутентификация | Шифрование данных | Безопасное отображение | Шифрование | TEE | | Рабочие расходы | За каждую работу 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% резервный сбор | Низкие расходы | За каждую сессию 20% | Пропорционально сумме стейка | | Безопасность | Доказательство рендеринга | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство рендерной мощности | Унаследовано от релейной цепи | | Подтверждение выполнения | - | - | Подтверждение замка времени | Подтверждение обучения | Подтверждение рендеринга | Подтверждение TEE | | Гарантия качества | Спор | - | - | Проверяющий и举报人 | Узел проверяющего | Удаленное доказательство | | GPU кластер | нет | да | да | да | да | нет |

! Пересечение AI и DePIN

Анализ важности

Доступность кластерных и параллельных вычислений

Рамки распределенных вычислений реализуют кластеры GPU, повышая эффективность обучения и масштабируемость без ущерба для точности модели. Обучение сложных AI моделей требует мощных вычислительных ресурсов и обычно зависит от распределенных вычислений. Большинство проектов уже интегрировали кластеры для осуществления параллельных вычислений. io.net совместно с несколькими партнерами интегрировала ресурсы GPU и в первом квартале 2024 года развернула более 3,800 кластеров.

Защита данных

Разработка моделей ИИ требует больших наборов данных, которые могут содержать чувствительную личную информацию. В большинстве проектов обычно используется шифрование данных для защиты конфиденциальности. io.net совместно с Mind Network запустили полностью гомоморфное шифрование (FHE), позволяющее обрабатывать данные в зашифрованном состоянии. Phala Network внедряет доверенные вычислительные среды (TEE), изолируя данные от внешнего доступа или изменения.

Подтверждение завершения расчетов и контроль качества

Разные проекты используют различные способы для проверки завершения вычислений и качества. Gensyn и Aethir генерируют доказательства завершения и проводят проверку качества. Доказательства io.net показывают, что производительность GPU полностью используется и проблем нет. Render рекомендует использовать процесс разрешения споров. Phala генерирует доказательства TEE, подтверждающие выполнение необходимых операций AI-агентом.

! Пересечение искусственного интеллекта и DePIN

Аппаратные статистические данные

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

! Пересечение AI и DePIN

Требования к высокопроизводительным GPU

Модели ИИ склонны использовать высокопроизводительные GPU, такие как Nvidia A100 и H100, для обучения. Децентрализованные поставщики GPU должны предоставить достаточное количество высокопроизводительного оборудования для удовлетворения рыночного спроса. io.net и Aethir имеют более 2000 единиц H100/A100, что делает их более подходящими для вычислений крупных моделей.

Стоимость этих децентрализованных GPU-сервисов стала ниже, чем у централизованных. Gensyn и Aethir утверждают, что могут арендовать оборудование уровня A100 по цене менее 1 доллара в час.

Предоставление потребительских GPU/CPU

ЦПУ также играет важную роль в обучении моделей ИИ. GPU для потребителей могут использоваться для тонкой настройки или обучения небольших моделей. Проекты такие как Render, Akash и io.net могут обслуживать этот рынок, предлагая выбор для вычислительных потребностей различного масштаба.

! Пересечение ИИ и DePIN

Вывод

Область AI DePIN все еще находится на ранней стадии и сталкивается с множеством проблем. Однако количество задач и оборудования, выполняемых этими децентрализованными GPU сетями, значительно увеличилось, что подчеркивает потребность в альтернативных решениях для облачных услуг Web2.

В будущем рынок ИИ вырастет до триллионного уровня, и эти распределенные сети GPU могут сыграть ключевую роль в предоставлении разработчикам экономически эффективных альтернатив вычислений. Постоянно сокращая разрыв между спросом и предложением, эти сети сделают важный вклад в будущее ландшафта ИИ и вычислительной инфраструктуры.

! Пересечение искусственного интеллекта и DePIN

! Пересечение AI и DePIN