AI dan DePIN: Kebangkitan Jaringan Komputasi GPU Desentralisasi
Sejak tahun 2023, AI dan DePIN telah menjadi tren populer di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini akan membahas persimpangan keduanya, serta meneliti perkembangan protokol terkait.
Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Perkembangan perusahaan teknologi besar menyebabkan kekurangan GPU, membuat pengembang lain kesulitan untuk mendapatkan GPU yang cukup untuk komputasi. Ini sering memaksa pengembang untuk memilih penyedia layanan cloud terdesentralisasi, tetapi karena harus menandatangani kontrak perangkat keras berkinerja tinggi jangka panjang yang tidak fleksibel, efisiensi menjadi rendah.
DePIN menyediakan alternatif yang lebih fleksibel dan lebih hemat biaya, melalui insentif token untuk kontribusi sumber daya. Jaringan DePIN di bidang AI mengintegrasikan sumber daya GPU dari pemilik individu ke dalam pasokan yang terpusat, memberikan layanan kepada pengguna yang membutuhkan perangkat keras. Ini tidak hanya memberikan kustomisasi dan akses sesuai permintaan untuk pengembang, tetapi juga menciptakan pendapatan tambahan bagi pemilik GPU.
AI DePIN Jaringan Ringkasan
Setiap proyek bertujuan untuk membangun jaringan pasar komputasi GPU. Berikut akan diperkenalkan karakteristik, fokus pasar, dan pencapaian masing-masing proyek.
Render adalah pelopor jaringan komputasi GPU P2P, awalnya fokus pada rendering grafis untuk penciptaan konten, kemudian memperluas ke tugas komputasi AI.
Ciri-ciri:
Didirikan oleh perusahaan cloud OTOY
Perusahaan besar di industri hiburan seperti Paramount Pictures, PUBG, dll. menggunakan jaringan GPU mereka
Bekerja sama dengan Stability AI dan Endeavor, mengintegrasikan model AI dengan alur kerja rendering konten 3D
Menyetujui beberapa klien komputasi, mengintegrasikan lebih banyak GPU jaringan DePIN
Akash diposisikan sebagai alternatif "super cloud" yang mendukung penyimpanan, GPU, dan komputasi CPU. Dengan memanfaatkan platform kontainer dan node komputasi yang dikelola oleh Kubernetes, perangkat lunak dapat disebarkan secara mulus di berbagai lingkungan.
Ciri-ciri:
Ditujukan untuk berbagai tugas komputasi dari komputasi umum hingga hosting jaringan
AkashML mendukung menjalankan lebih dari 15.000 model di Hugging Face
Mengelola chatbot model LLM Mistral AI, aplikasi seperti SDXL dari Stability AI
Mendukung platform Metaverse, penerapan AI, dan pembelajaran federasi
io.net menyediakan kluster GPU awan terdistribusi, khusus untuk kasus penggunaan AI dan ML. Mengintegrasikan sumber daya GPU dari pusat data, penambang kripto, dan bidang lainnya.
Ciri-ciri:
IO-SDK kompatibel dengan kerangka kerja seperti PyTorch dan Tensorflow, dapat secara otomatis memperluas sesuai dengan kebutuhan komputasi
Mendukung pembuatan 3 jenis kluster yang berbeda, dapat diluncurkan dalam 2 menit.
Bekerja sama dengan Render, Filecoin, Aethir, dan lainnya untuk mengintegrasikan sumber daya GPU
Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam. Menggunakan teknologi seperti bukti pembelajaran dan protokol penentuan posisi berbasis grafis untuk meningkatkan efisiensi verifikasi.
Karakteristik:
Biaya per jam untuk GPU setara V100 sekitar 0,40 dolar, menghemat biaya secara signifikan
Mendukung penyesuaian model dasar yang telah dilatih sebelumnya
Rencana untuk menyediakan model dasar yang dimiliki secara global dan terdesentralisasi
Aethir berfokus pada AI, ML, game berbasis awan, dan bidang komputasi intensif lainnya. Kontainer dalam jaringannya bertindak sebagai titik akhir virtual untuk menjalankan aplikasi awan, memberikan pengalaman latensi rendah.
Ciri-ciri:
Memperluas layanan ponsel cloud, bekerja sama dengan APhone untuk meluncurkan ponsel pintar cloud desentralisasi
Membangun kolaborasi dengan perusahaan besar seperti NVIDIA, Super Micro, HPE
Bekerja sama dengan berbagai proyek Web3 seperti CARV, Magic Eden
Phala Network sebagai lapisan eksekusi solusi AI Web3. Mengatasi masalah privasi melalui lingkungan eksekusi terpercaya (TEE), mendukung agen AI yang dikendalikan oleh kontrak pintar di blockchain.
Ciri:
Sebagai protokol koprosesor untuk komputasi yang dapat diverifikasi, mendukung sumber daya agen AI di blockchain.
Kontrak agen AI dapat diperoleh melalui Redpill untuk model bahasa besar teratas seperti OpenAI, Llama, dan lainnya
Masa depan akan mencakup sistem bukti ganda seperti zk-proofs, komputasi multi-pihak, dan enkripsi homomorfik penuh.
Rencana mendukung H100 dan TEE GPU lainnya, meningkatkan kemampuan komputasi
Perbandingan Proyek
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Fokus Bisnis | Rendering Grafis dan AI | Komputasi Awan, Rendering dan AI | AI | AI | AI, Permainan Awan dan Telekomunikasi | Eksekusi AI di Blockchain |
| Jenis Tugas AI | Inferensi | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi |
| Penetapan Harga | Penetapan Harga Berdasarkan Kinerja | Lelang Terbalik | Penetapan Harga Pasar | Penetapan Harga Pasar | Sistem Tender | Perhitungan Hak |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Privasi Data | Enkripsi&Hash | Autentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE |
| Biaya Kerja | Setiap pekerjaan 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% Biaya Cadangan | Biaya Rendah | Setiap sesi 20% | Sejalan dengan jumlah staking |
| Keamanan | Bukti Rendering | Bukti Kepemilikan | Bukti Komputasi | Bukti Kepemilikan | Bukti Kapasitas Rendering | Warisan dari Rantai Perantara |
| Bukti Penyelesaian | - | - | Bukti Penguncian Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE |
| Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pengecek | Pembuktian Jarak |
| GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |
Pentingnya
Ketersediaan cluster dan komputasi paralel
Kerangka komputasi terdistribusi mewujudkan kluster GPU, menyediakan pelatihan yang lebih efisien dan skalabilitas. Melatih model AI yang kompleks membutuhkan kemampuan komputasi yang kuat, biasanya bergantung pada komputasi terdistribusi. Sebagian besar proyek kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net telah berhasil menerapkan lebih dari 3.800 kluster. Render meskipun tidak mendukung kluster, namun membagi tugas tunggal menjadi beberapa node untuk diproses secara bersamaan. Phala mendukung klusterisasi pekerja CPU.
Privasi data
Pengembangan model AI memerlukan penggunaan kumpulan data yang besar, yang mungkin memiliki risiko paparan data sensitif. Sebagian besar proyek menggunakan suatu bentuk enkripsi data untuk melindungi privasi. io.net bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik penuh (FHE), yang memungkinkan pemrosesan data dalam keadaan terenkripsi. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), untuk mencegah proses eksternal mengakses atau memodifikasi data.
Bukti penyelesaian perhitungan dan pemeriksaan kualitas
Gensyn dan Aethir menghasilkan bukti setelah perhitungan selesai, bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa telah dimanfaatkan secara optimal. Gensyn dan Aethir melakukan pemeriksaan kualitas pada perhitungan yang telah selesai. Render menyarankan untuk menggunakan proses penyelesaian sengketa. Phala menghasilkan bukti TEE setelah selesai, memastikan bahwa agen AI melakukan operasi yang diperlukan.
Pelatihan model AI memerlukan GPU dengan kinerja terbaik, seperti A100 dan H100 dari Nvidia. Kinerja inferensi H100 adalah 4 kali lebih cepat dibandingkan A100, menjadikannya GPU pilihan utama. Penyedia pasar GPU desentralisasi perlu memenuhi kebutuhan pasar yang sebenarnya dan menawarkan harga yang lebih rendah. io.net dan Aethir masing-masing mendapatkan lebih dari 2000 unit H100/A100, lebih cocok untuk perhitungan model besar.
Kumpulan GPU yang terhubung secara jaringan meskipun biayanya lebih rendah, tetapi memori terbatas. GPU yang terhubung dengan NVLink paling cocok untuk LLM yang memiliki banyak parameter dan dataset besar, karena mereka membutuhkan kinerja tinggi dan perhitungan yang padat. Jaringan GPU desentralisasi masih dapat memberikan kemampuan komputasi yang kuat dan skalabilitas untuk tugas komputasi terdistribusi, memberikan peluang untuk membangun lebih banyak kasus penggunaan AI dan ML.
menyediakan GPU/CPU konsumen
CPU memainkan peran penting dalam pelatihan model AI, dapat digunakan untuk praproses data dan manajemen sumber daya memori. GPU kelas konsumen dapat digunakan untuk menyempurnakan model yang telah dilatih sebelumnya atau pelatihan skala kecil. Proyek seperti Render, Akash, dan io.net juga melayani pasar ini, mengembangkan pasar niche mereka sendiri.
Kesimpulan
Bidang DePIN AI masih relatif baru dan menghadapi tantangan. Namun, jumlah tugas yang dijalankan di jaringan ini dan perangkat kerasnya meningkat secara signifikan, menyoroti kebutuhan akan alternatif sumber daya perangkat keras dari penyedia cloud Web2. Di masa depan, pasar kecerdasan buatan diharapkan berkembang pesat, dan jaringan GPU terdesentralisasi ini akan memainkan peran kunci dalam menyediakan solusi komputasi yang ekonomis bagi para pengembang.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
14 Suka
Hadiah
14
6
Bagikan
Komentar
0/400
WenMoon
· 57menit yang lalu
Di GPU semua antre untuk berebut, mengerti, mengerti.
Lihat AsliBalas0
SilentObserver
· 8jam yang lalu
GPU langsung turun parah?
Lihat AsliBalas0
ForeverBuyingDips
· 8jam yang lalu
gpu要To da moon了？
Lihat AsliBalas0
BearMarketSunriser
· 8jam yang lalu
又是讲故事忽悠suckersmasukkan posisi的
Lihat AsliBalas0
WhaleMinion
· 9jam yang lalu
GPU naik terlalu cepat, investor ritel benar-benar sulit untuk bertahan.
Lihat AsliBalas0
StablecoinArbitrageur
· 9jam yang lalu
hmm *mengatur kacamata* melihat basis biaya per unit komputasi... depin sebenarnya bisa memberikan imbal hasil yang disesuaikan dengan risiko yang lebih baik daripada penyedia terpusat sejujurnya
AI dan DePIN: Kebangkitan dan Perkembangan Jaringan Komputasi GPU Desentralisasi
AI dan DePIN: Kebangkitan Jaringan Komputasi GPU Desentralisasi
Sejak tahun 2023, AI dan DePIN telah menjadi tren populer di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini akan membahas persimpangan keduanya, serta meneliti perkembangan protokol terkait.
Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Perkembangan perusahaan teknologi besar menyebabkan kekurangan GPU, membuat pengembang lain kesulitan untuk mendapatkan GPU yang cukup untuk komputasi. Ini sering memaksa pengembang untuk memilih penyedia layanan cloud terdesentralisasi, tetapi karena harus menandatangani kontrak perangkat keras berkinerja tinggi jangka panjang yang tidak fleksibel, efisiensi menjadi rendah.
DePIN menyediakan alternatif yang lebih fleksibel dan lebih hemat biaya, melalui insentif token untuk kontribusi sumber daya. Jaringan DePIN di bidang AI mengintegrasikan sumber daya GPU dari pemilik individu ke dalam pasokan yang terpusat, memberikan layanan kepada pengguna yang membutuhkan perangkat keras. Ini tidak hanya memberikan kustomisasi dan akses sesuai permintaan untuk pengembang, tetapi juga menciptakan pendapatan tambahan bagi pemilik GPU.
AI DePIN Jaringan Ringkasan
Setiap proyek bertujuan untuk membangun jaringan pasar komputasi GPU. Berikut akan diperkenalkan karakteristik, fokus pasar, dan pencapaian masing-masing proyek.
Render adalah pelopor jaringan komputasi GPU P2P, awalnya fokus pada rendering grafis untuk penciptaan konten, kemudian memperluas ke tugas komputasi AI.
Ciri-ciri:
Akash diposisikan sebagai alternatif "super cloud" yang mendukung penyimpanan, GPU, dan komputasi CPU. Dengan memanfaatkan platform kontainer dan node komputasi yang dikelola oleh Kubernetes, perangkat lunak dapat disebarkan secara mulus di berbagai lingkungan.
Ciri-ciri:
io.net menyediakan kluster GPU awan terdistribusi, khusus untuk kasus penggunaan AI dan ML. Mengintegrasikan sumber daya GPU dari pusat data, penambang kripto, dan bidang lainnya.
Ciri-ciri:
Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam. Menggunakan teknologi seperti bukti pembelajaran dan protokol penentuan posisi berbasis grafis untuk meningkatkan efisiensi verifikasi.
Karakteristik:
Aethir berfokus pada AI, ML, game berbasis awan, dan bidang komputasi intensif lainnya. Kontainer dalam jaringannya bertindak sebagai titik akhir virtual untuk menjalankan aplikasi awan, memberikan pengalaman latensi rendah.
Ciri-ciri:
Phala Network sebagai lapisan eksekusi solusi AI Web3. Mengatasi masalah privasi melalui lingkungan eksekusi terpercaya (TEE), mendukung agen AI yang dikendalikan oleh kontrak pintar di blockchain.
Ciri:
Perbandingan Proyek
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Fokus Bisnis | Rendering Grafis dan AI | Komputasi Awan, Rendering dan AI | AI | AI | AI, Permainan Awan dan Telekomunikasi | Eksekusi AI di Blockchain | | Jenis Tugas AI | Inferensi | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi | | Penetapan Harga | Penetapan Harga Berdasarkan Kinerja | Lelang Terbalik | Penetapan Harga Pasar | Penetapan Harga Pasar | Sistem Tender | Perhitungan Hak | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privasi Data | Enkripsi&Hash | Autentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE | | Biaya Kerja | Setiap pekerjaan 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% Biaya Cadangan | Biaya Rendah | Setiap sesi 20% | Sejalan dengan jumlah staking | | Keamanan | Bukti Rendering | Bukti Kepemilikan | Bukti Komputasi | Bukti Kepemilikan | Bukti Kapasitas Rendering | Warisan dari Rantai Perantara | | Bukti Penyelesaian | - | - | Bukti Penguncian Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pengecek | Pembuktian Jarak | | GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |
Pentingnya
Ketersediaan cluster dan komputasi paralel
Kerangka komputasi terdistribusi mewujudkan kluster GPU, menyediakan pelatihan yang lebih efisien dan skalabilitas. Melatih model AI yang kompleks membutuhkan kemampuan komputasi yang kuat, biasanya bergantung pada komputasi terdistribusi. Sebagian besar proyek kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net telah berhasil menerapkan lebih dari 3.800 kluster. Render meskipun tidak mendukung kluster, namun membagi tugas tunggal menjadi beberapa node untuk diproses secara bersamaan. Phala mendukung klusterisasi pekerja CPU.
Privasi data
Pengembangan model AI memerlukan penggunaan kumpulan data yang besar, yang mungkin memiliki risiko paparan data sensitif. Sebagian besar proyek menggunakan suatu bentuk enkripsi data untuk melindungi privasi. io.net bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik penuh (FHE), yang memungkinkan pemrosesan data dalam keadaan terenkripsi. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), untuk mencegah proses eksternal mengakses atau memodifikasi data.
Bukti penyelesaian perhitungan dan pemeriksaan kualitas
Gensyn dan Aethir menghasilkan bukti setelah perhitungan selesai, bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa telah dimanfaatkan secara optimal. Gensyn dan Aethir melakukan pemeriksaan kualitas pada perhitungan yang telah selesai. Render menyarankan untuk menggunakan proses penyelesaian sengketa. Phala menghasilkan bukti TEE setelah selesai, memastikan bahwa agen AI melakukan operasi yang diperlukan.
Statistik Perangkat Keras
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Jumlah GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Jumlah CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Jumlah H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Biaya H100/jam | - | $1.46 | $1.19 | - | - | - | | Biaya A100/jam | - | $1.37 | $1.50 | $0.55 ( diperkirakan ) | $0.33 ( diperkirakan ) | - |
Persyaratan GPU berkinerja tinggi
Pelatihan model AI memerlukan GPU dengan kinerja terbaik, seperti A100 dan H100 dari Nvidia. Kinerja inferensi H100 adalah 4 kali lebih cepat dibandingkan A100, menjadikannya GPU pilihan utama. Penyedia pasar GPU desentralisasi perlu memenuhi kebutuhan pasar yang sebenarnya dan menawarkan harga yang lebih rendah. io.net dan Aethir masing-masing mendapatkan lebih dari 2000 unit H100/A100, lebih cocok untuk perhitungan model besar.
Kumpulan GPU yang terhubung secara jaringan meskipun biayanya lebih rendah, tetapi memori terbatas. GPU yang terhubung dengan NVLink paling cocok untuk LLM yang memiliki banyak parameter dan dataset besar, karena mereka membutuhkan kinerja tinggi dan perhitungan yang padat. Jaringan GPU desentralisasi masih dapat memberikan kemampuan komputasi yang kuat dan skalabilitas untuk tugas komputasi terdistribusi, memberikan peluang untuk membangun lebih banyak kasus penggunaan AI dan ML.
menyediakan GPU/CPU konsumen
CPU memainkan peran penting dalam pelatihan model AI, dapat digunakan untuk praproses data dan manajemen sumber daya memori. GPU kelas konsumen dapat digunakan untuk menyempurnakan model yang telah dilatih sebelumnya atau pelatihan skala kecil. Proyek seperti Render, Akash, dan io.net juga melayani pasar ini, mengembangkan pasar niche mereka sendiri.
Kesimpulan
Bidang DePIN AI masih relatif baru dan menghadapi tantangan. Namun, jumlah tugas yang dijalankan di jaringan ini dan perangkat kerasnya meningkat secara signifikan, menyoroti kebutuhan akan alternatif sumber daya perangkat keras dari penyedia cloud Web2. Di masa depan, pasar kecerdasan buatan diharapkan berkembang pesat, dan jaringan GPU terdesentralisasi ini akan memainkan peran kunci dalam menyediakan solusi komputasi yang ekonomis bagi para pengembang.