AI y DePIN: El auge de las redes GPU descentralizadas
Desde 2023, la IA y DePIN se han convertido en tendencias populares en el ámbito de Web3, con una capitalización de mercado de 30,000 millones de dólares y 23,000 millones de dólares, respectivamente. Este artículo se centra en el área de intersección de ambos, explorando el desarrollo de los protocolos relacionados.
En la pila de tecnología de IA, la red DePIN proporciona utilidad a la IA a través de recursos de computación. La escasez de GPU causada por grandes empresas tecnológicas ha dejado a otros desarrolladores sin suficientes GPU para realizar cálculos. Esto a menudo lleva a los desarrolladores a elegir proveedores de nube centralizados, pero debido a la necesidad de firmar contratos de hardware de alto rendimiento a largo plazo que son poco flexibles, la eficiencia es baja.
DePIN proporciona esencialmente una alternativa más flexible y rentable, utilizando recompensas en tokens para incentivar las contribuciones de recursos que cumplen con los objetivos de la red. El DePIN en el ámbito de la IA externaliza los recursos de GPU de propietarios individuales a centros de datos, formando un suministro unificado para los usuarios que necesitan acceder al hardware. Estas redes DePIN no solo ofrecen personalización y acceso bajo demanda a los desarrolladores que requieren capacidad de cálculo, sino que también proporcionan ingresos adicionales a los propietarios de GPU.
En el mercado de numerosas redes DePIN de IA, no es fácil identificar sus diferencias y encontrar la red correcta que se necesita. A continuación, se explorarán el papel de cada protocolo, sus objetivos y los aspectos destacados que se han logrado.
Resumen de la red DePIN de IA
Cada proyecto tiene un propósito similar: red de mercado de cálculo GPU. Esta sección examina los aspectos destacados de cada proyecto, los puntos clave del mercado y los logros, profundizando en las diferencias entre ellos al comprender su infraestructura y productos clave.
Render es un pionero en redes P2P que ofrece capacidad de cálculo GPU, inicialmente centrado en la creación de contenido y renderizado gráfico, y luego, a través de la integración de herramientas como Stable Diffusion, se ha expandido a tareas de cálculo de IA generativa que incluyen campos de radiación neuronal (NeRF).
Aspectos destacados:
Fundada por la empresa de gráficos en la nube OTOY, que posee tecnología ganadora del Oscar.
La red GPU es utilizada por grandes empresas de entretenimiento como Paramount Pictures, PUBG y Star Trek.
Colaborar con Stability AI y Endeavor, integrando modelos de IA con flujos de trabajo de renderizado de contenido 3D utilizando las GPU de Render
Aprobar múltiples clientes de cálculo, integrar más GPU de redes DePIN
Akash se autodenomina "Airbnb de hospedaje", posicionándose como una alternativa de "súper nube" a plataformas tradicionales de almacenamiento, GPU y cálculo CPU como AWS(. Utilizando herramientas amigables para desarrolladores como la plataforma de contenedores Akash y nodos de computación gestionados por Kubernetes, se puede desplegar software de manera fluida en diferentes entornos y ejecutar cualquier aplicación nativa de la nube.
Destacar:
Enfocado en una amplia gama de tareas computacionales, desde computación general hasta alojamiento en la red.
AkashML permite que la red GPU ejecute más de 15,000 modelos en Hugging Face, mientras se integra con Hugging Face.
Akash aloja modelos de chat LLM de Mistral AI, el modelo de texto a imagen SDXL de Stability AI, y la nueva base de modelo AT-1 de Thumper AI, entre otras aplicaciones.
La plataforma que construye el metaverso, despliega IA y aprendizaje federado está utilizando Supercloud
io.net ofrece acceso a un clúster de GPU en la nube distribuido, diseñado específicamente para casos de uso de IA y ML. Agrega GPUs de centros de datos, mineros de criptomonedas y otras redes descentralizadas. La empresa fue anteriormente una compañía de trading cuantitativo, y se trasladó a su negocio actual tras el aumento de precios de las GPUs de alto rendimiento.
Destacar:
IO-SDK es compatible con marcos como PyTorch y Tensorflow, y la arquitectura de múltiples capas se puede expandir dinámicamente según las necesidades de cálculo.
Soporta la creación de 3 tipos diferentes de clústeres, que se pueden iniciar en 2 minutos.
Fuerte cooperación para integrar otras redes DePIN GPU, incluyendo Render, Filecoin, Aethir y Exabits
Gensyn ofrece capacidad de cálculo GPU enfocada en el aprendizaje automático y el aprendizaje profundo. Afirma lograr un mecanismo de verificación más eficiente que los métodos existentes al combinar conceptos como pruebas de aprendizaje, protocolos de localización precisa basados en gráficos y juegos de incentivos estilo Truebit que involucran la participación y reducción de los proveedores de cálculo.
Destacar:
Se espera que el costo por hora de un GPU equivalente a V100 sea de aproximadamente 0.40 dólares, lo que representa un gran ahorro de costos.
A través de la apilamiento de pruebas, se puede ajustar el modelo base preentrenado para completar tareas más específicas.
Estos modelos básicos serán Descentralización y de propiedad global, además de la red de computación de hardware, ofrecerán funciones adicionales.
Aethir está diseñado específicamente para GPU empresariales, centrándose en campos de alta intensidad computacional, principalmente AI, aprendizaje automático )ML(, juegos en la nube, etc. En la red, los contenedores actúan como puntos finales virtuales para aplicaciones basadas en la nube, trasladando la carga de trabajo de los dispositivos locales a los contenedores, logrando una experiencia de baja latencia. Para garantizar un servicio de calidad, acercan las GPU a las fuentes de datos según la demanda y la ubicación, ajustando los recursos.
Destacar:
Aparte de AI y juegos en la nube, Aethir también se ha expandido a servicios de teléfonos en la nube, lanzando un teléfono inteligente en la nube descentralizado en colaboración con APhone.
Establecer amplias colaboraciones con grandes empresas Web2 como NVIDIA, Super Micro, HPE, Foxconn y Well Link.
Múltiples socios en Web3, como CARV, Magic Eden, Sequence, Impossible Finance, etc.
Phala Network actúa como la capa de ejecución de soluciones de IA Web3. Su blockchain es una solución de computación en la nube sin necesidad de confianza, que aborda los problemas de privacidad a través de un entorno de ejecución confiable )TEE(. La capa de ejecución no se utiliza como la capa de cálculo del modelo de IA, sino que permite que los agentes de IA sean controlados por contratos inteligentes en la cadena.
Destacar:
Actuar como un protocolo de coprocesador de cálculo verificable, permitiendo que los agentes de IA accedan a recursos en la cadena.
Los contratos de agente de IA se pueden obtener a través de Redpill de los principales modelos de lenguaje como OpenAI, Llama, Claude y Hugging Face.
El futuro incluirá zk-proofs, computación multiparte )MPC(, cifrado totalmente homomórfico )FHE( y otros sistemas de prueba múltiples.
En el futuro, se admitirá H100 y otras GPU TEE, mejorando la capacidad de cálculo.
![AI y el punto de encuentro de DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(
Comparación de proyectos
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Enfoque de negocio | Renderizado gráfico e IA | Computación en la nube, renderizado e IA | IA | IA | IA, juegos en la nube y telecomunicaciones | Ejecución de IA en cadena |
| Tipo de tarea de IA | Inferencia | Ambos | Ambos | Entrenamiento | Entrenamiento | Ejecución |
| Precio de trabajo | Precio basado en el rendimiento | Subasta inversa | Precio de mercado | Precio de mercado | Sistema de licitación | Cálculo de derechos |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Privacidad de datos | Cifrado&hash | Autenticación mTLS | Cifrado de datos | Mapeo seguro | Cifrado | TEE |
| Costos de trabajo | 0.5-5% por trabajo | 20% USDC, 4% AKT | 2% USDC, 0.25% costo de reserva | Costos bajos | 20% por sesión | Proporcional al monto de staking |
| Seguridad | Prueba de Renderizado | Prueba de Participación | Prueba de Cálculo | Prueba de Participación | Prueba de Capacidad de Renderizado | Heredado de la Cadena de Reenvío |
| Prueba de finalización | - | - | Prueba de bloqueo de tiempo | Prueba de aprendizaje | Prueba de trabajo de renderizado | Prueba TEE |
| Garantía de calidad | Controversia | - | - | Verificadores y denunciantes | Nodos de verificación | Prueba remota |
| GPU Cluster | No | Sí | Sí | Sí | Sí | No |
Importancia
Disponibilidad de clústeres y computación paralela
El marco de computación distribuida implementa un clúster de GPU, proporcionando un entrenamiento más eficiente sin afectar la precisión del modelo, al mismo tiempo que mejora la escalabilidad. Entrenar modelos de IA más complejos requiere una gran capacidad de cálculo, que generalmente debe satisfacerse mediante la computación distribuida. A simple vista, el modelo GPT-4 de OpenAI tiene más de 1.8 billones de parámetros y se entrenó en aproximadamente 25,000 GPU Nvidia A100 en 128 clústeres durante un período de 3 a 4 meses.
Anteriormente, Render y Akash solo ofrecían GPU de un solo uso, lo que podría limitar la demanda del mercado de GPU. Sin embargo, la mayoría de los proyectos clave ahora han integrado clústeres para realizar cálculos en paralelo. io.net, en colaboración con Render, Filecoin y Aethir, ha incorporado más GPU a la red, logrando desplegar más de 3,800 clústeres en el primer trimestre de 2024. Aunque Render no soporta clústeres, su funcionamiento es similar al de un clúster, descomponiendo un solo fotograma en múltiples nodos diferentes, procesando simultáneamente fotogramas de diferentes rangos. Phala actualmente solo soporta CPU, pero permite la agrupación de trabajadores de CPU.
Es muy importante integrar el marco de clúster en la red de flujo de trabajo de IA, pero la cantidad y tipo de GPU en el clúster necesarias para satisfacer las necesidades de los desarrolladores de IA es un problema aparte, que se discutirá más adelante.
Privacidad de datos
Desarrollar modelos de IA requiere el uso de grandes conjuntos de datos, que pueden provenir de diversas fuentes y tener formas variadas. Los conjuntos de datos sensibles, como registros médicos personales y datos financieros de usuarios, pueden enfrentar el riesgo de ser expuestos a los proveedores de modelos. Samsung deshabilitó internamente ChatGPT por temor a que la carga de código sensible en la plataforma violara la privacidad, y el incidente de filtración de 38TB de datos privados de Microsoft destaca aún más la importancia de tomar medidas de seguridad adecuadas al usar IA. Por lo tanto, tener diversos métodos de privacidad de datos es crucial para devolver el control de los datos a los proveedores de datos.
La mayoría de los proyectos cubiertos utilizan alguna forma de cifrado de datos para proteger la privacidad de los datos. El cifrado de datos asegura que la transmisión de datos desde el proveedor de datos hasta el proveedor de modelos ) y el receptor de datos ( esté protegida en la red. Render utiliza cifrado y procesamiento hash al publicar los resultados de renderizado de vuelta a la red, mientras que io.net y Gensyn utilizan alguna forma de cifrado de datos. Akash utiliza autenticación mTLS, lo que permite que solo los proveedores seleccionados por el inquilino reciban datos.
Sin embargo, io.net ha colaborado recientemente con Mind Network para lanzar la criptografía totalmente homomórfica )FHE(, que permite procesar datos cifrados sin necesidad de desencriptarlos primero. Al permitir que los datos se transfieran de manera segura para fines de capacitación sin revelar identidades ni el contenido de los datos, esta innovación puede garantizar mejor la privacidad de los datos en comparación con las tecnologías de cifrado existentes.
Phala Network introduce TEE, es decir, el área segura en el procesador principal del dispositivo conectado. A través de este mecanismo de aislamiento, evita que procesos externos accedan o modifiquen datos, sin importar su nivel de permiso, incluso las personas con acceso físico a la máquina no pueden acceder. Además de TEE, también utiliza zk-proofs en el validador zkDCAP y en la interfaz de línea de comandos jtee, para integrarse con programas del RiscZero zkVM.
![AI y el punto de intersección de DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(
Prueba de finalización de cálculo y control de calidad
Estos proyectos ofrecen GPU que pueden proporcionar capacidad de cálculo para una variedad de servicios. Dado que el rango de servicios es amplio, desde renderización gráfica hasta cálculos de IA, la calidad final de tales tareas puede no siempre cumplir con los estándares del usuario. Se puede utilizar un comprobante de finalización para indicar que la GPU específica alquilada por el usuario se utilizó efectivamente para ejecutar el servicio requerido, y la verificación de calidad es beneficiosa para los usuarios que solicitan la finalización de tales trabajos.
Después de completar el cálculo, tanto Gensyn como Aethir generan pruebas que indican que el trabajo se ha completado, mientras que la prueba de io.net indica que se ha aprovechado completamente el rendimiento de la GPU alquilada y que no hay problemas. Gensyn y Aethir realizan un control de calidad sobre los cálculos completados. Para Gensyn, se vuelve a ejecutar parte del contenido que genera pruebas usando validadores para verificar las pruebas, y los denunciantes actúan como una segunda capa de revisión para los validadores. Al mismo tiempo, Aethir utiliza nodos de verificación para determinar la calidad del servicio y penaliza los servicios que están por debajo del estándar. Render sugiere utilizar un proceso de resolución de disputas, como el comité de revisión, que puede reducir un nodo si se determina que hay problemas. Phala genera pruebas de TEE una vez completado, asegurando que los agentes de IA realicen las operaciones requeridas en la cadena.
![AI y el punto de intersección de DePIN])https://
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
11 me gusta
Recompensa
11
6
Compartir
Comentar
0/400
DegenWhisperer
· 07-23 14:42
Difícil de conseguir, justo descentralizado.
Ver originalesResponder0
ChainSpy
· 07-22 18:01
Amar el negro no lo es. Los inversores minoristas必subir
A continuación, mis comentarios:
La escasez de GPU, aún no es tan buena como contribuir a la minería.
Ver originalesResponder0
ThatsNotARugPull
· 07-22 14:35
gpu Cadena de suministro cardando el cuello.
Ver originalesResponder0
SoliditySlayer
· 07-22 14:34
capitalización de mercado total de 53 mil millones, ¿falta dinero?
Ver originalesResponder0
GasFeeThunder
· 07-22 14:27
Las tarifas de Gas son demasiado altas, los mineros realmente no tienen vergüenza.
AI empoderando DePIN: Análisis comparativo del surgimiento de redes GPU descentralizadas y proyectos principales.
AI y DePIN: El auge de las redes GPU descentralizadas
Desde 2023, la IA y DePIN se han convertido en tendencias populares en el ámbito de Web3, con una capitalización de mercado de 30,000 millones de dólares y 23,000 millones de dólares, respectivamente. Este artículo se centra en el área de intersección de ambos, explorando el desarrollo de los protocolos relacionados.
En la pila de tecnología de IA, la red DePIN proporciona utilidad a la IA a través de recursos de computación. La escasez de GPU causada por grandes empresas tecnológicas ha dejado a otros desarrolladores sin suficientes GPU para realizar cálculos. Esto a menudo lleva a los desarrolladores a elegir proveedores de nube centralizados, pero debido a la necesidad de firmar contratos de hardware de alto rendimiento a largo plazo que son poco flexibles, la eficiencia es baja.
DePIN proporciona esencialmente una alternativa más flexible y rentable, utilizando recompensas en tokens para incentivar las contribuciones de recursos que cumplen con los objetivos de la red. El DePIN en el ámbito de la IA externaliza los recursos de GPU de propietarios individuales a centros de datos, formando un suministro unificado para los usuarios que necesitan acceder al hardware. Estas redes DePIN no solo ofrecen personalización y acceso bajo demanda a los desarrolladores que requieren capacidad de cálculo, sino que también proporcionan ingresos adicionales a los propietarios de GPU.
En el mercado de numerosas redes DePIN de IA, no es fácil identificar sus diferencias y encontrar la red correcta que se necesita. A continuación, se explorarán el papel de cada protocolo, sus objetivos y los aspectos destacados que se han logrado.
Resumen de la red DePIN de IA
Cada proyecto tiene un propósito similar: red de mercado de cálculo GPU. Esta sección examina los aspectos destacados de cada proyecto, los puntos clave del mercado y los logros, profundizando en las diferencias entre ellos al comprender su infraestructura y productos clave.
Render es un pionero en redes P2P que ofrece capacidad de cálculo GPU, inicialmente centrado en la creación de contenido y renderizado gráfico, y luego, a través de la integración de herramientas como Stable Diffusion, se ha expandido a tareas de cálculo de IA generativa que incluyen campos de radiación neuronal (NeRF).
Aspectos destacados:
Fundada por la empresa de gráficos en la nube OTOY, que posee tecnología ganadora del Oscar.
La red GPU es utilizada por grandes empresas de entretenimiento como Paramount Pictures, PUBG y Star Trek.
Colaborar con Stability AI y Endeavor, integrando modelos de IA con flujos de trabajo de renderizado de contenido 3D utilizando las GPU de Render
Aprobar múltiples clientes de cálculo, integrar más GPU de redes DePIN
Akash se autodenomina "Airbnb de hospedaje", posicionándose como una alternativa de "súper nube" a plataformas tradicionales de almacenamiento, GPU y cálculo CPU como AWS(. Utilizando herramientas amigables para desarrolladores como la plataforma de contenedores Akash y nodos de computación gestionados por Kubernetes, se puede desplegar software de manera fluida en diferentes entornos y ejecutar cualquier aplicación nativa de la nube.
Destacar:
Enfocado en una amplia gama de tareas computacionales, desde computación general hasta alojamiento en la red.
AkashML permite que la red GPU ejecute más de 15,000 modelos en Hugging Face, mientras se integra con Hugging Face.
Akash aloja modelos de chat LLM de Mistral AI, el modelo de texto a imagen SDXL de Stability AI, y la nueva base de modelo AT-1 de Thumper AI, entre otras aplicaciones.
La plataforma que construye el metaverso, despliega IA y aprendizaje federado está utilizando Supercloud
io.net ofrece acceso a un clúster de GPU en la nube distribuido, diseñado específicamente para casos de uso de IA y ML. Agrega GPUs de centros de datos, mineros de criptomonedas y otras redes descentralizadas. La empresa fue anteriormente una compañía de trading cuantitativo, y se trasladó a su negocio actual tras el aumento de precios de las GPUs de alto rendimiento.
Destacar:
IO-SDK es compatible con marcos como PyTorch y Tensorflow, y la arquitectura de múltiples capas se puede expandir dinámicamente según las necesidades de cálculo.
Soporta la creación de 3 tipos diferentes de clústeres, que se pueden iniciar en 2 minutos.
Fuerte cooperación para integrar otras redes DePIN GPU, incluyendo Render, Filecoin, Aethir y Exabits
Gensyn ofrece capacidad de cálculo GPU enfocada en el aprendizaje automático y el aprendizaje profundo. Afirma lograr un mecanismo de verificación más eficiente que los métodos existentes al combinar conceptos como pruebas de aprendizaje, protocolos de localización precisa basados en gráficos y juegos de incentivos estilo Truebit que involucran la participación y reducción de los proveedores de cálculo.
Destacar:
Se espera que el costo por hora de un GPU equivalente a V100 sea de aproximadamente 0.40 dólares, lo que representa un gran ahorro de costos.
A través de la apilamiento de pruebas, se puede ajustar el modelo base preentrenado para completar tareas más específicas.
Estos modelos básicos serán Descentralización y de propiedad global, además de la red de computación de hardware, ofrecerán funciones adicionales.
Aethir está diseñado específicamente para GPU empresariales, centrándose en campos de alta intensidad computacional, principalmente AI, aprendizaje automático )ML(, juegos en la nube, etc. En la red, los contenedores actúan como puntos finales virtuales para aplicaciones basadas en la nube, trasladando la carga de trabajo de los dispositivos locales a los contenedores, logrando una experiencia de baja latencia. Para garantizar un servicio de calidad, acercan las GPU a las fuentes de datos según la demanda y la ubicación, ajustando los recursos.
Destacar:
Aparte de AI y juegos en la nube, Aethir también se ha expandido a servicios de teléfonos en la nube, lanzando un teléfono inteligente en la nube descentralizado en colaboración con APhone.
Establecer amplias colaboraciones con grandes empresas Web2 como NVIDIA, Super Micro, HPE, Foxconn y Well Link.
Múltiples socios en Web3, como CARV, Magic Eden, Sequence, Impossible Finance, etc.
Phala Network actúa como la capa de ejecución de soluciones de IA Web3. Su blockchain es una solución de computación en la nube sin necesidad de confianza, que aborda los problemas de privacidad a través de un entorno de ejecución confiable )TEE(. La capa de ejecución no se utiliza como la capa de cálculo del modelo de IA, sino que permite que los agentes de IA sean controlados por contratos inteligentes en la cadena.
Destacar:
Actuar como un protocolo de coprocesador de cálculo verificable, permitiendo que los agentes de IA accedan a recursos en la cadena.
Los contratos de agente de IA se pueden obtener a través de Redpill de los principales modelos de lenguaje como OpenAI, Llama, Claude y Hugging Face.
El futuro incluirá zk-proofs, computación multiparte )MPC(, cifrado totalmente homomórfico )FHE( y otros sistemas de prueba múltiples.
En el futuro, se admitirá H100 y otras GPU TEE, mejorando la capacidad de cálculo.
![AI y el punto de encuentro de DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(
Comparación de proyectos
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Enfoque de negocio | Renderizado gráfico e IA | Computación en la nube, renderizado e IA | IA | IA | IA, juegos en la nube y telecomunicaciones | Ejecución de IA en cadena | | Tipo de tarea de IA | Inferencia | Ambos | Ambos | Entrenamiento | Entrenamiento | Ejecución | | Precio de trabajo | Precio basado en el rendimiento | Subasta inversa | Precio de mercado | Precio de mercado | Sistema de licitación | Cálculo de derechos | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privacidad de datos | Cifrado&hash | Autenticación mTLS | Cifrado de datos | Mapeo seguro | Cifrado | TEE | | Costos de trabajo | 0.5-5% por trabajo | 20% USDC, 4% AKT | 2% USDC, 0.25% costo de reserva | Costos bajos | 20% por sesión | Proporcional al monto de staking | | Seguridad | Prueba de Renderizado | Prueba de Participación | Prueba de Cálculo | Prueba de Participación | Prueba de Capacidad de Renderizado | Heredado de la Cadena de Reenvío | | Prueba de finalización | - | - | Prueba de bloqueo de tiempo | Prueba de aprendizaje | Prueba de trabajo de renderizado | Prueba TEE | | Garantía de calidad | Controversia | - | - | Verificadores y denunciantes | Nodos de verificación | Prueba remota | | GPU Cluster | No | Sí | Sí | Sí | Sí | No |
Importancia
Disponibilidad de clústeres y computación paralela
El marco de computación distribuida implementa un clúster de GPU, proporcionando un entrenamiento más eficiente sin afectar la precisión del modelo, al mismo tiempo que mejora la escalabilidad. Entrenar modelos de IA más complejos requiere una gran capacidad de cálculo, que generalmente debe satisfacerse mediante la computación distribuida. A simple vista, el modelo GPT-4 de OpenAI tiene más de 1.8 billones de parámetros y se entrenó en aproximadamente 25,000 GPU Nvidia A100 en 128 clústeres durante un período de 3 a 4 meses.
Anteriormente, Render y Akash solo ofrecían GPU de un solo uso, lo que podría limitar la demanda del mercado de GPU. Sin embargo, la mayoría de los proyectos clave ahora han integrado clústeres para realizar cálculos en paralelo. io.net, en colaboración con Render, Filecoin y Aethir, ha incorporado más GPU a la red, logrando desplegar más de 3,800 clústeres en el primer trimestre de 2024. Aunque Render no soporta clústeres, su funcionamiento es similar al de un clúster, descomponiendo un solo fotograma en múltiples nodos diferentes, procesando simultáneamente fotogramas de diferentes rangos. Phala actualmente solo soporta CPU, pero permite la agrupación de trabajadores de CPU.
Es muy importante integrar el marco de clúster en la red de flujo de trabajo de IA, pero la cantidad y tipo de GPU en el clúster necesarias para satisfacer las necesidades de los desarrolladores de IA es un problema aparte, que se discutirá más adelante.
Privacidad de datos
Desarrollar modelos de IA requiere el uso de grandes conjuntos de datos, que pueden provenir de diversas fuentes y tener formas variadas. Los conjuntos de datos sensibles, como registros médicos personales y datos financieros de usuarios, pueden enfrentar el riesgo de ser expuestos a los proveedores de modelos. Samsung deshabilitó internamente ChatGPT por temor a que la carga de código sensible en la plataforma violara la privacidad, y el incidente de filtración de 38TB de datos privados de Microsoft destaca aún más la importancia de tomar medidas de seguridad adecuadas al usar IA. Por lo tanto, tener diversos métodos de privacidad de datos es crucial para devolver el control de los datos a los proveedores de datos.
La mayoría de los proyectos cubiertos utilizan alguna forma de cifrado de datos para proteger la privacidad de los datos. El cifrado de datos asegura que la transmisión de datos desde el proveedor de datos hasta el proveedor de modelos ) y el receptor de datos ( esté protegida en la red. Render utiliza cifrado y procesamiento hash al publicar los resultados de renderizado de vuelta a la red, mientras que io.net y Gensyn utilizan alguna forma de cifrado de datos. Akash utiliza autenticación mTLS, lo que permite que solo los proveedores seleccionados por el inquilino reciban datos.
Sin embargo, io.net ha colaborado recientemente con Mind Network para lanzar la criptografía totalmente homomórfica )FHE(, que permite procesar datos cifrados sin necesidad de desencriptarlos primero. Al permitir que los datos se transfieran de manera segura para fines de capacitación sin revelar identidades ni el contenido de los datos, esta innovación puede garantizar mejor la privacidad de los datos en comparación con las tecnologías de cifrado existentes.
Phala Network introduce TEE, es decir, el área segura en el procesador principal del dispositivo conectado. A través de este mecanismo de aislamiento, evita que procesos externos accedan o modifiquen datos, sin importar su nivel de permiso, incluso las personas con acceso físico a la máquina no pueden acceder. Además de TEE, también utiliza zk-proofs en el validador zkDCAP y en la interfaz de línea de comandos jtee, para integrarse con programas del RiscZero zkVM.
![AI y el punto de intersección de DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(
Prueba de finalización de cálculo y control de calidad
Estos proyectos ofrecen GPU que pueden proporcionar capacidad de cálculo para una variedad de servicios. Dado que el rango de servicios es amplio, desde renderización gráfica hasta cálculos de IA, la calidad final de tales tareas puede no siempre cumplir con los estándares del usuario. Se puede utilizar un comprobante de finalización para indicar que la GPU específica alquilada por el usuario se utilizó efectivamente para ejecutar el servicio requerido, y la verificación de calidad es beneficiosa para los usuarios que solicitan la finalización de tales trabajos.
Después de completar el cálculo, tanto Gensyn como Aethir generan pruebas que indican que el trabajo se ha completado, mientras que la prueba de io.net indica que se ha aprovechado completamente el rendimiento de la GPU alquilada y que no hay problemas. Gensyn y Aethir realizan un control de calidad sobre los cálculos completados. Para Gensyn, se vuelve a ejecutar parte del contenido que genera pruebas usando validadores para verificar las pruebas, y los denunciantes actúan como una segunda capa de revisión para los validadores. Al mismo tiempo, Aethir utiliza nodos de verificación para determinar la calidad del servicio y penaliza los servicios que están por debajo del estándar. Render sugiere utilizar un proceso de resolución de disputas, como el comité de revisión, que puede reducir un nodo si se determina que hay problemas. Phala genera pruebas de TEE una vez completado, asegurando que los agentes de IA realicen las operaciones requeridas en la cadena.
Estadísticas de hardware
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Cantidad de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Cantidad de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Cantidad H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Costo H100/hora | - | $1.46 | $1.19 | - | - | - | | A100 costo/hora | - | $1.37 | $1.50 | $0.55 ) esperado ( | $0.33 ) esperado ( | - |
![AI y el punto de intersección de DePIN])https://
A continuación, mis comentarios:
La escasez de GPU, aún no es tan buena como contribuir a la minería.