AI ve DePIN'in birleşimi: Merkeziyetsiz GPU hesaplama ağı keşfi

2023'ten bu yana, AI ve DePIN Web3 alanında büyük ilgi görmekte, her ikisinin piyasa değeri sırasıyla 30 milyar dolar ve 23 milyar dolara ulaşmaktadır. Bu makale, AI ve DePIN'in kesişim alanını incelemeyi ve ilgili protokollerin gelişimini araştırmayı amaçlamaktadır.

AI teknoloji yelpazesinde, DePIN ağı hesaplama kaynakları sağlayarak AI'yi güçlendirir. Büyük teknoloji şirketlerinin GPU talebi kıtlığa yol açıyor, bu da diğer geliştiricilerin yeterli GPU'ya erişimini zorlaştırıyor. Bu genellikle geliştiricileri merkezi bulut hizmetlerini seçmeye zorlar, ancak uzun vadeli yüksek performanslı donanım sözleşmeleri genellikle esneklikten yoksundur ve verimsizdir.

DePIN, kaynak katkılarını teşvik etmek için token teşvikleri aracılığıyla daha esnek ve maliyet etkin bir alternatif sunar. AI alanındaki DePIN, GPU kaynaklarını bireysel sahiplerden ve veri merkezlerinden birleştirerek, donanıma ihtiyaç duyan kullanıcılara birleşik bir tedarik sağlar. Bu ağlar, geliştiricilere özelleştirilmiş ve talebe dayalı erişim sağlarken, GPU sahiplerine de ek gelir yaratır.

Piyasada çeşitli AI DePIN ağları bulunmaktadır, her birinin kendine özgü özellikleri vardır. Aşağıda, birkaç ana projenin özelliklerini ve hedeflerini inceleyeceğiz.

AI DePIN Ağı Genel Görünümü

Render

Render, GPU hesaplama gücü sağlayan P2P ağının öncüsüdür, başlangıçta içerik oluşturma grafik renderine odaklanmış, daha sonra kapsamını AI hesaplama görevlerine genişletmiştir.

Özellikler:

• Oscar ödüllü bulut grafik şirketi OTOY tarafından kuruldu
• GPU Ağı Paramount Pictures, PUBG gibi büyük şirketler tarafından kullanılmaktadır.
• Stability AI ve Endeavor ile iş birliği yaparak, AI modellerini ve 3D içerik renderını entegre etme
• Birden fazla hesaplama istemcisini onaylayın, daha fazla DePIN ağı GPU'sunu entegre edin.

Akash

Akash, depolama, GPU ve CPU hesaplamalarını destekleyen bir "süper bulut" platformu olarak konumlandırılmıştır ve geleneksel bulut hizmetlerinin bir alternatifidir.

Özellikler:

• Genel hesaplamadan ağ barındırmaya kadar geniş hesaplama görevleri için
• AkashML, Hugging Face üzerinde 15,000'den fazla modeli desteklemektedir.
• Mistral AI'nin LLM modeli sohbet robotu, Stability AI'nin SDXL gibi uygulamaları
• Metaverse, AI dağıtımı ve federatif öğrenme platformunu destekler

io.net

io.net, AI ve ML kullanım durumları için özel olarak tasarlanmış dağıtık GPU bulut kümesi erişimi sunmaktadır.

Özellikler:

• IO-SDK, PyTorch ve Tensorflow gibi çerçevelerle uyumludur
• 2 dakika içinde başlatılabilen 3 farklı türde küme oluşturmayı destekler.
• Render, Filecoin, Aethir gibi ağlarla GPU kaynaklarını entegre etme

Gensyn

Gensyn, makine öğrenimi ve derin öğrenme hesaplamalarına odaklanan GPU hesaplama yetenekleri sunmaktadır.

Özellikler:

• V100 eşdeğer GPU'nun saatlik maliyeti yaklaşık 0,40 dolar, maliyetleri önemli ölçüde düşürüyor.
• Önceden eğitilmiş temel modelin ince ayarını destekler
• Merkeziyetsizlik, küresel paylaşım için temel model sağlar

Aethir

Aethir, AI, ML, bulut oyunları gibi hesaplama yoğun alanlara özel kurumsal düzeyde GPU sunmaktadır.

Özellikler:

• Bulut telefon hizmetine genişletildi, APhone ile merkeziyetsiz bulut akıllı telefonunu piyasaya sürdü.
• NVIDIA, Super Micro, HPE gibi büyük şirketlerle geniş iş birlikleri kurmak
• Web3 ekosistemindeki birçok ortak, örneğin CARV, Magic Eden gibi

Phala Ağı

Phala Network, Web3 AI çözümlerinin yürütme katmanı olarak, (TEE) güvenilir yürütme ortamı aracılığıyla gizlilik sorunlarını ele alır.

Özellikler:

• Doğrulanabilir hesaplama için bir yardımcı işlemci protokolü olarak görev yaparak, AI ajanlarının zincir üzerindeki kaynaklara erişimini sağlar.
• Redpill ile OpenAI, Llama gibi üst düzey büyük dil modellerine erişim sağlayın
• Gelecek, zk-proofs, çok taraflı hesaplama, homomorfik şifreleme gibi çoklu kanıt sistemlerini içerecektir.
• Gelecekte H100 gibi diğer TEE GPU'ları destekleyecek, hesaplama yeteneğini artıracak.

Proje Karşılaştırması

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|--------|-------|--------|--------|--------|-------| | Donanım | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | İşe Önemli Noktalar | Grafik Renderleme ve AI | Bulut Bilişim, Renderleme ve AI | AI | AI | AI, Bulut Oyun ve Telekomünikasyon | Zincir Üstü AI Uygulaması | | AI Görev Türü | Çıkarım | İki Yönlü | İki Yönlü | Eğitim | Eğitim | Uygulama | | İş fiyatlandırması | Performansa dayalı | Ters açık artırma | Piyasa fiyatlandırması | Piyasa fiyatlandırması | İhale sistemi | Hak hesaplama | | Blokzincir | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Veri Gizliliği | Şifreleme&Hash | mTLS Kimlik Doğrulama | Veri Şifreleme | Güvenli Haritalama | Şifreleme | TEE | | İşlem Ücretleri | Her işlem %0.5-5 | %20 USDC, %4 AKT | %2 USDC, %0.25 Rezerv | Düşük Ücretler | Her oturumda %20 | Staking tutarına orantılı | | Güvenlik | Render Kanıtı | Pay Kanıtı | Hesaplama Kanıtı | Pay Kanıtı | Render Kapasite Kanıtı | Ara Zincirden Miras Alınmış | | Tamamlanma Kanıtı | - | - | Zaman Kilidi Kanıtı | Öğrenim Kanıtı | Render İş Kanıtı | TEE Kanıtı | | Kalite Güvencesi | İhtilaf | - | - | Doğrulayıcılar ve Bildiriciler | Kontrol Düğümleri | Uzak Kanıt | | GPU kümesi | Hayır | Evet | Evet | Evet | Evet | Hayır |

Önemi

Küme ve paralel hesaplamanın kullanılabilirliği

Dağıtık hesaplama çerçevesi GPU kümesi gerçekleştirir, eğitim verimliliğini ve ölçeklenebilirliği artırır. Çoğu proje artık paralel hesaplama gerçekleştirmek için kümeleri entegre etmiştir. io.net, diğer projelerle işbirliği yaparak 24. yılın ilk çeyreğinde 3,800'den fazla küme dağıtmıştır. Render küme desteği sunmasa da, tek bir çerçeveyi birden fazla düğüme aynı anda işlenmek üzere böler. Phala şu anda yalnızca CPU'yu destekliyor, ancak CPU işçilerini merkezileştirmeye izin veriyor.

Veri gizliliği

Hassas veri setlerini korumak son derece önemlidir. Çoğu proje, gizliliği korumak için veri şifrelemesi kullanmaktadır. io.net, Mind Network ile işbirliği yaparak tamamen homomorfik şifreleme (FHE) sunmaktadır; bu, şifrelenmiş verilerin şifre çözmeden işlenmesine olanak tanır. Phala Network, dış süreçlerin verilere erişimini veya değiştirmesini önlemek için güvenilir yürütme ortamı (TEE) tanıtmaktadır.

Hesaplama Tamamlandı Kanıtı ve Kalite Kontrolü

Farklı projeler, tamamlama belgeleri oluşturmak ve kalite kontrolü yapmak için farklı yöntemler kullanmaktadır. Gensyn ve Aethir, işin tamamlandığını gösteren belgeler oluşturur ve kalite kontrolü yapar. io.net'in belgesi, GPU performansının tam olarak kullanıldığını gösterir. Render, ihtilaf çözüm sürecinin kullanılmasını önerir. Phala, AI ajanlarının gerekli işlemleri gerçekleştirmesini sağlamak için TEE belgesi oluşturur.

Donanım istatistik verileri

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

Yüksek Performanslı GPU Gereksinimleri

AI model eğitimi, Nvidia'nın A100 ve H100 gibi en iyi performanslı GPU'lara ihtiyaç duyar. H100'ün çıkarım performansı A100'den 4 kat daha hızlıdır ve bu da onu tercih edilen GPU yapar. Merkeziyetsizlik GPU pazarındaki sağlayıcıların daha düşük fiyatlar sunması ve pazarın gerçek taleplerini karşılaması gerekmektedir. io.net ve Aethir, büyük model hesaplamaları için daha uygun olan 2000'den fazla H100 ve A100 birimi edinmiştir.

Merkeziyetsizlik GPU hizmet maliyetleri merkezi hizmetlerden daha düşük hale geldi. Ağa bağlı GPU kümeleri hafıza sınırlı olsa da, dinamik iş yükü gereksinimleri veya esneklik ihtiyacı olan kullanıcılar için hâlâ çekici.

Tüketici seviyesinde GPU/CPU sağlama

CPU, AI modellerinin eğitiminde de önemli bir rol oynamaktadır. Tüketici sınıfı GPU'lar, önceden eğitilmiş modellerin ince ayarını yapmak veya küçük ölçekli eğitim için kullanılabilir. Render, Akash ve io.net gibi projeler de bu pazara hizmet etmekte ve kendi niş pazarlarını geliştirmektedir.

Sonuç

AI DePIN alanı hala oldukça yeni ve zorluklarla karşı karşıya. Ancak bu ağlarda gerçekleştirilen görevler ve donanım sayısı önemli ölçüde arttı ve Web2 bulut sağlayıcıları için alternatiflere olan talebi vurguladı. Gelecekte, bu merkeziyetsiz GPU ağları, geliştiricilere maliyet etkin bir hesaplama alternatifi sağlama konusunda kritik bir rol oynayacak ve AI ile hesaplama altyapısının gelecekteki manzarasına büyük katkıda bulunacak.