AI dan DePIN: Kebangkitan Jaringan GPU Desentralisasi
Sejak tahun 2023, AI dan DePIN menjadi tren populer di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini akan membahas persilangan antara keduanya dan meneliti perkembangan protokol di bidang ini.
Dalam tumpukan teknologi AI, jaringan DePIN menyediakan utilitas untuk AI melalui sumber daya komputasi. Perkembangan perusahaan teknologi besar menyebabkan kekurangan GPU, membuat pengembang lain kesulitan untuk mendapatkan cukup GPU untuk komputasi. DePIN menawarkan alternatif yang lebih fleksibel dan hemat biaya, menggunakan imbalan token untuk mendorong kontribusi sumber daya yang sesuai dengan tujuan jaringan.
AI DePIN akan mengumpulkan sumber daya GPU dari pemilik individu ke pusat data, membentuk pasokan terpadu untuk pengguna yang membutuhkan akses ke perangkat keras. Ini tidak hanya memberikan kustomisasi dan akses sesuai permintaan bagi pengembang, tetapi juga memberikan pendapatan tambahan bagi pemilik GPU.
AI DePIN Network Overview
Render
Render adalah pelopor jaringan P2P yang menyediakan kemampuan komputasi GPU, berfokus pada rendering grafik untuk penciptaan konten, kemudian diperluas untuk mencakup tugas komputasi dari bidang refleksi neural hingga AI generatif.
Sorotan:
Didirikan oleh perusahaan grafis cloud OTOY yang memiliki teknologi pemenang Oscar
Jaringan GPU telah digunakan oleh perusahaan besar di industri hiburan seperti Paramount Pictures, PUBG, dan lainnya
Bekerja sama dengan Stability AI dan Endeavor, mengintegrasikan model AI dengan alur kerja rendering konten 3D
Menyetujui beberapa klien komputasi, mengintegrasikan lebih banyak GPU dari jaringan DePIN
Akash
Akash diposisikan sebagai alternatif "super cloud" yang mendukung penyimpanan, komputasi GPU, dan CPU. Dengan memanfaatkan platform kontainer dan node komputasi yang dikelola oleh Kubernetes, perangkat lunak dapat diterapkan secara mulus di berbagai lingkungan dan menjalankan aplikasi cloud native apa pun.
Sorotan:
Untuk berbagai tugas komputasi mulai dari komputasi umum hingga hosting jaringan
AkashML memungkinkan menjalankan lebih dari 15.000 model di Hugging Face
Mengelola aplikasi chatbot model LLM Mistral AI, model SDXL Stability AI, dan lainnya
Membangun platform untuk metaverse, penerapan AI, dan pembelajaran federasi sedang memanfaatkan Supercloud
io.net
io.net menyediakan akses ke kluster GPU awan terdistribusi, yang dirancang khusus untuk kasus penggunaan AI dan ML. Ini mengagregasi sumber daya GPU dari pusat data, penambang kripto, dan jaringan desentralisasi lainnya.
Sorotan:
IO-SDK kompatibel dengan kerangka kerja seperti PyTorch dan Tensorflow, arsitektur multi-lapisan dapat secara otomatis diperluas secara dinamis sesuai dengan kebutuhan komputasi
Mendukung pembuatan 3 jenis cluster yang berbeda, dapat diluncurkan dalam 2 menit
Mengintegrasikan sumber daya GPU dengan Render, Filecoin, Aethir, dan Exabits
Gensyn
Gensyn menyediakan kemampuan komputasi GPU yang berfokus pada pembelajaran mesin dan pembelajaran mendalam. Mereka mengklaim telah mencapai mekanisme verifikasi yang lebih efisien melalui konsep-konsep seperti bukti pembelajaran, protokol penentuan posisi berbasis grafis, dan permainan insentif yang melibatkan penyedia komputasi dalam bentuk staking dan pengurangan.
Sorotan:
Diperkirakan biaya per jam untuk GPU setara V100 adalah sekitar 0,40 dolar, menghemat biaya secara signifikan
Dapat melakukan fine-tuning pada model dasar yang telah dilatih sebelumnya untuk menyelesaikan tugas yang lebih spesifik
Model dasar ini akan bersifat Desentralisasi, dimiliki secara global, dan menyediakan fungsi tambahan.
Aethir
Aethir secara khusus dilengkapi dengan GPU perusahaan, berfokus pada bidang yang memerlukan perhitungan intensif, terutama AI, pembelajaran mesin, permainan cloud, dan sebagainya. Kontainer dalam jaringan tersebut bertindak sebagai titik akhir virtual untuk menjalankan aplikasi berbasis cloud, memindahkan beban kerja dari perangkat lokal ke kontainer, untuk mencapai pengalaman dengan latensi rendah.
Sorotan:
Memperluas layanan ponsel cloud, bekerja sama dengan APhone untuk meluncurkan ponsel pintar cloud yang desentralisasi
Membangun kerjasama yang luas dengan perusahaan Web2 besar seperti NVIDIA, Super Micro, HPE
Bekerja sama dengan sejumlah mitra seperti CARV, Magic Eden, Sequence di bidang Web3
Jaringan Phala
Phala Network bertindak sebagai lapisan eksekusi untuk solusi AI Web3. Blockchain-nya adalah solusi komputasi awan tanpa perlu dipercaya, dirancang untuk menangani masalah privasi dengan menggunakan lingkungan eksekusi tepercaya (TEE).
Sorotan:
Bertindak sebagai protokol koprosesor yang dapat diverifikasi untuk memungkinkan agen AI mengakses sumber daya di blockchain
Kontrak agen AI dapat diperoleh melalui Redpill untuk model bahasa besar terkemuka seperti OpenAI, Llama, dan lainnya.
Masa depan akan mencakup sistem bukti ganda seperti zk-proofs, komputasi multi-pihak, dan enkripsi homomorfik sepenuhnya.
Rencana untuk mendukung GPU TEE lainnya seperti H100, 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 Grafik dan AI | Cloud Computing, Rendering, dan AI | AI | AI | Kecerdasan Buatan, Cloud Gaming, dan Telekomunikasi | Eksekusi AI di On-Chain |
| 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 pekerjaan | Setiap pekerjaan 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% biaya cadangan | Biaya rendah | Setiap sesi 20% | Proporsional dengan jumlah yang dipertaruhkan |
| Aman | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kapasitas Rendering | Mewarisi dari Rantai Perantara |
| Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE |
| Jaminan Kualitas | Kontroversi | - | - | Verifikator dan Pelapor | Node Pemeriksa | Bukti Jarak |
| Kluster GPU | Tidak | Ya | Ya | Ya | Ya | Tidak |
Pentingnya
Ketersediaan komputasi kluster dan paralel
Kerangka komputasi terdistribusi telah mengimplementasikan kluster GPU, menyediakan pelatihan yang lebih efisien, sekaligus meningkatkan skalabilitas. Pelatihan model AI yang kompleks membutuhkan kekuatan komputasi yang besar, biasanya harus bergantung pada komputasi terdistribusi untuk memenuhi kebutuhan tersebut. Misalnya, model GPT-4 dari OpenAI memiliki lebih dari 1,8 triliun parameter, dilatih dalam 3-4 bulan menggunakan sekitar 25.000 GPU Nvidia A100 dalam 128 kluster.
Sebagian besar proyek utama kini telah mengintegrasikan kluster untuk mencapai komputasi paralel. io.net bekerja sama dengan proyek lain untuk mengintegrasikan lebih banyak GPU ke dalam jaringannya, dan telah menerapkan lebih dari 3.800 kluster pada kuartal pertama tahun 24. Render meskipun tidak mendukung kluster, tetapi cara kerjanya mirip, membagi satu frame menjadi beberapa node untuk diproses secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan pengelompokan pekerja CPU.
Privasi data
Mengembangkan model AI memerlukan penggunaan kumpulan data yang besar, yang mungkin mengandung informasi sensitif. Oleh karena itu, sangat penting untuk mengambil langkah-langkah keamanan yang memadai untuk melindungi privasi data.
Sebagian besar proyek menggunakan beberapa bentuk enkripsi data untuk melindungi privasi data. Render menggunakan enkripsi dan pemrosesan hash saat merilis hasil rendering, io.net dan Gensyn mengadopsi enkripsi data, Akash menggunakan otentikasi mTLS.
io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsinya terlebih dahulu. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), yang mencegah proses eksternal mengakses atau memodifikasi data melalui mekanisme isolasi.
Bukti penyelesaian perhitungan dan pemeriksaan kualitas
Karena jangkauan layanan yang luas, dari rendering grafis hingga perhitungan AI, kualitas akhir mungkin tidak selalu memenuhi standar pengguna. Penyelesaian bukti dan pemeriksaan kualitas menguntungkan pengguna.
Gensyn dan Aethir menghasilkan bukti setelah perhitungan selesai, bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa dimanfaatkan dengan baik. Gensyn dan Aethir akan melakukan pemeriksaan kualitas pada perhitungan yang telah selesai. Render menyarankan untuk menggunakan proses penyelesaian sengketa, jika dewan pemeriksa menemukan masalah pada node, maka node tersebut akan dikurangi. Phala akan menghasilkan bukti TEE setelah selesai, memastikan bahwa agen AI menjalankan operasi yang diperlukan di blockchain.
Pelatihan model AI memerlukan GPU dengan performa terbaik, seperti Nvidia A100 dan H100. Kinerja inferensi H100 empat kali lebih cepat daripada A100, dan telah menjadi GPU pilihan, terutama bagi perusahaan besar yang sedang melatih LLM mereka sendiri.
Penyedia pasar GPU desentralisasi harus bersaing dengan rekan-rekan Web2, tidak hanya dengan menawarkan harga yang lebih rendah, tetapi juga memenuhi permintaan nyata pasar. Mengingat kesulitan untuk mendapatkan perangkat keras yang setara, jumlah perangkat keras yang dapat dibawa ke jaringan dengan biaya rendah sangat penting untuk memperluas layanan.
Akash hanya memiliki lebih dari 150 unit H100 dan A100, sementara io.net dan Aethir masing-masing mendapatkan lebih dari 2000 unit. Biasanya, untuk melatih LLM atau model generatif dari awal, dibutuhkan setidaknya 248 hingga lebih dari 2000 GPU di dalam kluster, sehingga dua proyek terakhir lebih cocok untuk komputasi model besar.
Saat ini, biaya layanan GPU desentralisasi di pasar ini jauh lebih rendah dibandingkan dengan layanan GPU terpusat. Gensyn dan Aethir sama-sama mengklaim dapat menyewa perangkat keras setara A100 dengan harga di bawah 1 dolar per jam, tetapi ini masih perlu dibuktikan seiring berjalannya waktu.
Kumpulan GPU yang terhubung ke jaringan memiliki banyak GPU, dengan biaya yang rendah per jam, tetapi memori mereka terbatas dibandingkan dengan GPU yang terhubung melalui NVLink. NVLink mendukung komunikasi langsung antara beberapa GPU, tanpa perlu mentransfer data antara CPU dan GPU, mencapai bandwidth tinggi dan latensi rendah.
Meskipun demikian, bagi pengguna yang memiliki kebutuhan beban kerja dinamis atau memerlukan fleksibilitas dan kemampuan distribusi beban kerja di berbagai node, jaringan GPU desentralisasi masih dapat menyediakan kemampuan komputasi yang kuat dan skalabilitas untuk tugas komputasi terdistribusi.
Menyediakan GPU/CPU kelas konsumen
Meskipun GPU adalah unit pemrosesan utama yang diperlukan untuk rendering dan komputasi, CPU juga memainkan peran penting dalam pelatihan model AI. GPU konsumen juga dapat digunakan untuk tugas yang tidak terlalu intensif, seperti melakukan fine-tuning pada model yang sudah dilatih sebelumnya atau melatih model skala kecil pada dataset yang lebih kecil.
Mengingat bahwa lebih dari 85% konsumen sumber daya GPU dalam keadaan tidak terpakai, proyek-proyek seperti Render, Akash, dan io.net juga dapat melayani bagian pasar ini. Menyediakan opsi ini memungkinkan mereka untuk mengembangkan ceruk pasar mereka sendiri, fokus pada komputasi intensif skala besar, rendering skala kecil yang lebih umum, atau campuran keduanya.
Kesimpulan
Bidang AI DePIN masih relatif baru dan menghadapi tantangannya sendiri. Namun, jumlah tugas dan perangkat keras yang dijalankan dalam jaringan GPU desentralisasi ini tetap meningkat secara signifikan. Tren ini membuktikan tingkat kecocokan pasar produk jaringan AI DePIN, yang secara efektif mengatasi tantangan di sisi permintaan dan penawaran.
Melihat ke depan, jalur perkembangan kecerdasan buatan mengarah pada pasar senilai triliunan dolar yang berkembang pesat. Jaringan GPU desentralisasi ini akan memberikan biaya tinggi kepada 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.
9 Suka
Hadiah
9
4
Bagikan
Komentar
0/400
retroactive_airdrop
· 22jam yang lalu
bull Network Card masih bisa menambang
Lihat AsliBalas0
0xSoulless
· 22jam yang lalu
suckers lagi ada tempat baru untuk play people for suckers
Lihat AsliBalas0
Fren_Not_Food
· 23jam yang lalu
Saya tidak tahu yang lain, hanya bertanya apakah Rig Penambangan GPU masih bisa buy the dip.
AI dan DePIN bergabung: jaringan GPU desentralisasi memimpin tren baru daya komputasi
AI dan DePIN: Kebangkitan Jaringan GPU Desentralisasi
Sejak tahun 2023, AI dan DePIN menjadi tren populer di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini akan membahas persilangan antara keduanya dan meneliti perkembangan protokol di bidang ini.
Dalam tumpukan teknologi AI, jaringan DePIN menyediakan utilitas untuk AI melalui sumber daya komputasi. Perkembangan perusahaan teknologi besar menyebabkan kekurangan GPU, membuat pengembang lain kesulitan untuk mendapatkan cukup GPU untuk komputasi. DePIN menawarkan alternatif yang lebih fleksibel dan hemat biaya, menggunakan imbalan token untuk mendorong kontribusi sumber daya yang sesuai dengan tujuan jaringan.
AI DePIN akan mengumpulkan sumber daya GPU dari pemilik individu ke pusat data, membentuk pasokan terpadu untuk pengguna yang membutuhkan akses ke perangkat keras. Ini tidak hanya memberikan kustomisasi dan akses sesuai permintaan bagi pengembang, tetapi juga memberikan pendapatan tambahan bagi pemilik GPU.
AI DePIN Network Overview
Render
Render adalah pelopor jaringan P2P yang menyediakan kemampuan komputasi GPU, berfokus pada rendering grafik untuk penciptaan konten, kemudian diperluas untuk mencakup tugas komputasi dari bidang refleksi neural hingga AI generatif.
Sorotan:
Akash
Akash diposisikan sebagai alternatif "super cloud" yang mendukung penyimpanan, komputasi GPU, dan CPU. Dengan memanfaatkan platform kontainer dan node komputasi yang dikelola oleh Kubernetes, perangkat lunak dapat diterapkan secara mulus di berbagai lingkungan dan menjalankan aplikasi cloud native apa pun.
Sorotan:
io.net
io.net menyediakan akses ke kluster GPU awan terdistribusi, yang dirancang khusus untuk kasus penggunaan AI dan ML. Ini mengagregasi sumber daya GPU dari pusat data, penambang kripto, dan jaringan desentralisasi lainnya.
Sorotan:
Gensyn
Gensyn menyediakan kemampuan komputasi GPU yang berfokus pada pembelajaran mesin dan pembelajaran mendalam. Mereka mengklaim telah mencapai mekanisme verifikasi yang lebih efisien melalui konsep-konsep seperti bukti pembelajaran, protokol penentuan posisi berbasis grafis, dan permainan insentif yang melibatkan penyedia komputasi dalam bentuk staking dan pengurangan.
Sorotan:
Aethir
Aethir secara khusus dilengkapi dengan GPU perusahaan, berfokus pada bidang yang memerlukan perhitungan intensif, terutama AI, pembelajaran mesin, permainan cloud, dan sebagainya. Kontainer dalam jaringan tersebut bertindak sebagai titik akhir virtual untuk menjalankan aplikasi berbasis cloud, memindahkan beban kerja dari perangkat lokal ke kontainer, untuk mencapai pengalaman dengan latensi rendah.
Sorotan:
Jaringan Phala
Phala Network bertindak sebagai lapisan eksekusi untuk solusi AI Web3. Blockchain-nya adalah solusi komputasi awan tanpa perlu dipercaya, dirancang untuk menangani masalah privasi dengan menggunakan lingkungan eksekusi tepercaya (TEE).
Sorotan:
Perbandingan Proyek
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Fokus Bisnis | Rendering Grafik dan AI | Cloud Computing, Rendering, dan AI | AI | AI | Kecerdasan Buatan, Cloud Gaming, dan Telekomunikasi | Eksekusi AI di On-Chain | | 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 pekerjaan | Setiap pekerjaan 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% biaya cadangan | Biaya rendah | Setiap sesi 20% | Proporsional dengan jumlah yang dipertaruhkan | | Aman | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kapasitas Rendering | Mewarisi dari Rantai Perantara | | Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Kontroversi | - | - | Verifikator dan Pelapor | Node Pemeriksa | Bukti Jarak | | Kluster GPU | Tidak | Ya | Ya | Ya | Ya | Tidak |
Pentingnya
Ketersediaan komputasi kluster dan paralel
Kerangka komputasi terdistribusi telah mengimplementasikan kluster GPU, menyediakan pelatihan yang lebih efisien, sekaligus meningkatkan skalabilitas. Pelatihan model AI yang kompleks membutuhkan kekuatan komputasi yang besar, biasanya harus bergantung pada komputasi terdistribusi untuk memenuhi kebutuhan tersebut. Misalnya, model GPT-4 dari OpenAI memiliki lebih dari 1,8 triliun parameter, dilatih dalam 3-4 bulan menggunakan sekitar 25.000 GPU Nvidia A100 dalam 128 kluster.
Sebagian besar proyek utama kini telah mengintegrasikan kluster untuk mencapai komputasi paralel. io.net bekerja sama dengan proyek lain untuk mengintegrasikan lebih banyak GPU ke dalam jaringannya, dan telah menerapkan lebih dari 3.800 kluster pada kuartal pertama tahun 24. Render meskipun tidak mendukung kluster, tetapi cara kerjanya mirip, membagi satu frame menjadi beberapa node untuk diproses secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan pengelompokan pekerja CPU.
Privasi data
Mengembangkan model AI memerlukan penggunaan kumpulan data yang besar, yang mungkin mengandung informasi sensitif. Oleh karena itu, sangat penting untuk mengambil langkah-langkah keamanan yang memadai untuk melindungi privasi data.
Sebagian besar proyek menggunakan beberapa bentuk enkripsi data untuk melindungi privasi data. Render menggunakan enkripsi dan pemrosesan hash saat merilis hasil rendering, io.net dan Gensyn mengadopsi enkripsi data, Akash menggunakan otentikasi mTLS.
io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsinya terlebih dahulu. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), yang mencegah proses eksternal mengakses atau memodifikasi data melalui mekanisme isolasi.
Bukti penyelesaian perhitungan dan pemeriksaan kualitas
Karena jangkauan layanan yang luas, dari rendering grafis hingga perhitungan AI, kualitas akhir mungkin tidak selalu memenuhi standar pengguna. Penyelesaian bukti dan pemeriksaan kualitas menguntungkan pengguna.
Gensyn dan Aethir menghasilkan bukti setelah perhitungan selesai, bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa dimanfaatkan dengan baik. Gensyn dan Aethir akan melakukan pemeriksaan kualitas pada perhitungan yang telah selesai. Render menyarankan untuk menggunakan proses penyelesaian sengketa, jika dewan pemeriksa menemukan masalah pada node, maka node tersebut akan dikurangi. Phala akan menghasilkan bukti TEE setelah selesai, memastikan bahwa agen AI menjalankan operasi yang diperlukan di blockchain.
Data 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 performa terbaik, seperti Nvidia A100 dan H100. Kinerja inferensi H100 empat kali lebih cepat daripada A100, dan telah menjadi GPU pilihan, terutama bagi perusahaan besar yang sedang melatih LLM mereka sendiri.
Penyedia pasar GPU desentralisasi harus bersaing dengan rekan-rekan Web2, tidak hanya dengan menawarkan harga yang lebih rendah, tetapi juga memenuhi permintaan nyata pasar. Mengingat kesulitan untuk mendapatkan perangkat keras yang setara, jumlah perangkat keras yang dapat dibawa ke jaringan dengan biaya rendah sangat penting untuk memperluas layanan.
Akash hanya memiliki lebih dari 150 unit H100 dan A100, sementara io.net dan Aethir masing-masing mendapatkan lebih dari 2000 unit. Biasanya, untuk melatih LLM atau model generatif dari awal, dibutuhkan setidaknya 248 hingga lebih dari 2000 GPU di dalam kluster, sehingga dua proyek terakhir lebih cocok untuk komputasi model besar.
Saat ini, biaya layanan GPU desentralisasi di pasar ini jauh lebih rendah dibandingkan dengan layanan GPU terpusat. Gensyn dan Aethir sama-sama mengklaim dapat menyewa perangkat keras setara A100 dengan harga di bawah 1 dolar per jam, tetapi ini masih perlu dibuktikan seiring berjalannya waktu.
Kumpulan GPU yang terhubung ke jaringan memiliki banyak GPU, dengan biaya yang rendah per jam, tetapi memori mereka terbatas dibandingkan dengan GPU yang terhubung melalui NVLink. NVLink mendukung komunikasi langsung antara beberapa GPU, tanpa perlu mentransfer data antara CPU dan GPU, mencapai bandwidth tinggi dan latensi rendah.
Meskipun demikian, bagi pengguna yang memiliki kebutuhan beban kerja dinamis atau memerlukan fleksibilitas dan kemampuan distribusi beban kerja di berbagai node, jaringan GPU desentralisasi masih dapat menyediakan kemampuan komputasi yang kuat dan skalabilitas untuk tugas komputasi terdistribusi.
Menyediakan GPU/CPU kelas konsumen
Meskipun GPU adalah unit pemrosesan utama yang diperlukan untuk rendering dan komputasi, CPU juga memainkan peran penting dalam pelatihan model AI. GPU konsumen juga dapat digunakan untuk tugas yang tidak terlalu intensif, seperti melakukan fine-tuning pada model yang sudah dilatih sebelumnya atau melatih model skala kecil pada dataset yang lebih kecil.
Mengingat bahwa lebih dari 85% konsumen sumber daya GPU dalam keadaan tidak terpakai, proyek-proyek seperti Render, Akash, dan io.net juga dapat melayani bagian pasar ini. Menyediakan opsi ini memungkinkan mereka untuk mengembangkan ceruk pasar mereka sendiri, fokus pada komputasi intensif skala besar, rendering skala kecil yang lebih umum, atau campuran keduanya.
Kesimpulan
Bidang AI DePIN masih relatif baru dan menghadapi tantangannya sendiri. Namun, jumlah tugas dan perangkat keras yang dijalankan dalam jaringan GPU desentralisasi ini tetap meningkat secara signifikan. Tren ini membuktikan tingkat kecocokan pasar produk jaringan AI DePIN, yang secara efektif mengatasi tantangan di sisi permintaan dan penawaran.
Melihat ke depan, jalur perkembangan kecerdasan buatan mengarah pada pasar senilai triliunan dolar yang berkembang pesat. Jaringan GPU desentralisasi ini akan memberikan biaya tinggi kepada pengembang.