AI та DePIN: дослідження нових моделей обчислювальних ресурсів

З 2023 року AI та DePIN привертають велику увагу в сфері Web3, їхня ринкова капіталізація досягла 30 мільярдів доларів та 23 мільярдів доларів відповідно. У цій статті зосереджено увагу на розвитку в перетині цих двох сфер.

У технологічному стеку AI мережа DePIN забезпечує потужності для AI, надаючи обчислювальні ресурси. Великий попит на GPU з боку великих технологічних компаній призвів до нестачі постачання, що поставило інших розробників моделей AI в умови нестачі обчислювальних ресурсів. Традиційні рішення, такі як вибір централізованих постачальників хмарних послуг, мають недостатню гнучкість і високі витрати.

Мережа DePIN пропонує більш гнучке та економічно вигідне альтернативне рішення. Вона об'єднує особисті ресурси GPU в єдине постачання через механізм стимулювання токенами, надаючи замовникам індивідуалізовані можливості обчислень за запитом, одночасно створюючи додатковий прибуток для власників невикористаних ресурсів GPU.

На ринку з'являється безліч різних AI DePIN мереж, нижче ми розглянемо характеристики і сучасний стан кількох типових проектів.

! Перетин AI та DePIN

Огляд мережі AI DePIN

Рендер

Render є піонером P2P GPU обчислювальної мережі, спочатку зосереджуючись на графічному рендерингу для створення контенту, а пізніше розширившися на AI обчислювальні завдання.

Основні характеристики:

• Заснована компанією OTOY, що отримала Оскар за технології в галузі хмарної графіки
• Отримати прийняття від таких гігантів розважальної індустрії, як Paramount Pictures, PUBG та ін.
• Співпраця з Stability AI та інтеграція AI моделей з 3D рендерингом.
• Підтримка різних обчислювальних клієнтів, інтеграція більшої кількості ресурсів GPU мереж DePIN

Акаш

Akash позиціонується як "супер-хмара", що підтримує зберігання, GPU та CPU обчислення, є альтернативою традиційним хмарним послугам.

Основні характеристики:

• Орієнтовані на широкий спектр обчислювальних завдань, від загальних обчислень до хостингу в мережі
• AkashML підтримує запуск понад 15 000 моделей на Hugging Face
• Розміщено кілька відомих AI-додатків, таких як LLM-чат-бот Mistral AI
• Платформи метасвіту, розгортання AI та федеративного навчання використовують їхні послуги

io.net

io.net надає розподілені GPU хмарні кластер, зосереджуючи увагу на застосуваннях ШІ та МШ.

Основні характеристики:

• IO-SDK сумісний з такими фреймворками, як PyTorch та Tensorflow
• Підтримується створення 3 різних типів кластерів, які можна запустити за 2 хвилини
• Активно інтегрувати ресурси GPU інших мереж DePIN, таких як Render, Filecoin та ін.

Генсин

Gensyn зосереджується на обчислювальних можливостях GPU для машинного навчання та глибокого навчання.

Основні характеристики:

• Вартість години використання GPU, еквівалентного V100, становить приблизно 0,40 долара, що суттєво знижує витрати.
• Підтримка тонкої настройки попередньо підготовлених базових моделей
• Децентралізована глобальна модель спільного використання

Етір

Aethir зосереджується на корпоративних GPU, головним чином у сферах, що вимагають великих обчислювальних потужностей, таких як ШІ, машинне навчання, хмарні ігри тощо.

Основні характеристики:

• Розширення до хмарних телефонних послуг, співпраця з APhone для запуску децентралізованого хмарного смартфона
• Налагодження широкої співпраці з такими гігантами Web2, як NVIDIA, Super Micro
• Співпраця з кількома проектами Web3, такими як CARV, Magic Eden тощо

Мережа Phala

Phala Network як виконуючий шар Web3 AI рішень, вирішує проблеми конфіденційності за допомогою надійного середовища виконання (TEE).

Основні характеристики:

• Як протокол копрцесора для верифікованих обчислень, підтримує виклик ресурсів на блокчейні AI агентами.
• AI агенти можуть підключатися до OpenAI, Llama та інших провідних великих мовних моделей через Redpill
• В майбутньому будуть підтримуватися zk-докази, багатосторонні обчислення, гомоморфне шифрування та інші системи множинних доказів.
• Планується підтримка TEE GPU, таких як H100, для покращення обчислювальної потужності

! 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 ШІ в мережі | | Типи AI завдань | Висновок | Обидва | Обидва | Навчання | Навчання | Виконання | | Цінування роботи | Цінування на основі результатів | Зворотні аукціони | Ринкове ціноутворення | Ринкове ціноутворення | Система тендерів | Розрахунок прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбітрум | Полкадот | | Конфіденційність даних | Шифрування & Хешування | mTLS Аутентифікація | Шифрування даних | Безпечне відображення | Шифрування | TEE | | Витрати на роботу | За кожну роботу 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% резервний збір | Низькі витрати | За кожну сесію 20% | Пропорційно до суми стейку | | Безпека | Доказательство рендерингу | Доказательство прав власності | Доказательство обчислень | Доказательство прав власності | Доказательство рендерингової потужності | Спадкування з релейного ланцюга | | Підтвердження виконання | - | - | Підтвердження часового замка | Підтвердження навчання | Підтвердження рендерингу | Підтвердження TEE | | Гарантія якості | Спір | - | - | Перевірювачі та скаржники | Вузли перевірки | Віддалене підтвердження | | GPU кластер | Ні | Так | Так | Так | Так | Ні |

! Перетин AI та DePIN

Аналіз важливості

Доступність кластерних та паралельних обчислень

Розподілена обчислювальна система реалізує GPU кластери, підвищуючи ефективність навчання та масштабованість без впливу на точність моделі. Складні AI моделі навчання потребують потужних обчислювальних можливостей, зазвичай покладаючись на розподілені обчислення. Більшість проектів вже інтегрували кластери для реалізації паралельних обчислень. io.net в партнерстві з кількома компаніями інтегрувала ресурси GPU та вже в першому кварталі 2024 року розгорнула понад 3800 кластерів.

Захист даних

Розробка AI-моделей вимагає великих обсягів даних, що можуть містити чутливу особисту інформацію. Усі проекти зазвичай використовують шифрування даних для захисту конфіденційності. io.net співпрацює з Mind Network для запуску повної гомоморфної криптографії (FHE), що дозволяє обробляти дані в зашифрованому стані. Phala Network впроваджує довірене виконуване середовище (TEE), яке ізолює і запобігає зовнішньому доступу або змінам даних.

Підтвердження завершення обчислень та перевірка якості

Різні проекти використовують різні способи перевірки виконання обчислень та якості. Gensyn та Aethir генерують підтвердження виконання та проводять перевірку якості. Підтвердження io.net свідчить про те, що продуктивність GPU повністю використовується і без проблем. Render рекомендує використовувати процес вирішення суперечок. Phala генерує TEE підтвердження, щоб забезпечити виконання необхідних дій AI-агентом.

! Перетин AI та DePIN

статистичні дані обладнання

| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |-------------|--------|-------|--------|------------|------------|--------| | Кількість GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Кількість CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Кількість H100/A100 | - | 157 | 2330 | - | 2000+ | - | | H100 вартість/година | - | $1.46 | $1.19 | - | - | - | | A100 витрати/година | - | $1.37 | $1.50 | $0.55 ( прогнозується ) | $0.33 ( прогнозується ) | - |

! Перетин AI та DePIN

Вимоги до високопродуктивних GPU

Моделі штучного інтелекту зазвичай тренуються на високопродуктивних GPU, таких як Nvidia A100 і H100. Постачальники децентралізованого ринку GPU повинні забезпечити достатню кількість високопродуктивного обладнання, щоб задовольнити потреби ринку. io.net та Aethir мають понад 2000 одиниць H100/A100, що більше підходить для обчислень великих моделей.

Витрати на ці ціноцентралізовані послуги GPU вже нижчі, ніж на централізовані. Gensyn та Aethir стверджують, що можуть здавати обладнання класу A100 за ціною менше 1 долара на годину.

Поставка споживчих GPU/CPU

CPU також відіграє важливу роль у навчанні AI моделей. Споживчі GPU можна використовувати для доопрацювання або навчання маломасштабних моделей. Такі проекти, як Render, Akash та io.net, можуть обслуговувати цей ринок, пропонуючи вибір для обчислювальних потреб різного масштабу.

! Перетин AI та DePIN

Висновок

Сфера AI DePIN все ще перебуває на ранніх стадіях, стикаючись з багатьма викликами. Але кількість завдань та апаратного забезпечення, що виконуються цими децентралізованими GPU мережами, значно зросла, підкреслюючи потребу в альтернативі для Web2 хмарних послуг.

У майбутньому ринок ШІ зросте до трильйонного масштабу в доларах США, ці розподілені мережі GPU, ймовірно, відіграють ключову роль у наданні економічно вигідних обчислювальних альтернатив для розробників. Постійно звужуючи розрив між попитом і пропозицією, ці мережі зроблять важливий внесок у майбутню структуру ШІ та обчислювальної інфраструктури.

! Перетин AI та DePIN

! Перетин AI та DePIN