Пересечение ИИ и DePIN: Восход распределенных вычислительных сетей

С 2023 года AI и DePIN стали популярными трендами в области Web3, их рыночная капитализация составила 30 миллиардов долларов и 23 миллиарда долларов соответственно. Эта статья сосредоточена на пересечении двух областей и исследует развитие соответствующих протоколов.

! Пересечение AI и DePIN

В стеке технологий ИИ сеть DePIN предоставляет полезность ИИ за счет вычислительных ресурсов. Развитие крупных технологических компаний привело к нехватке GPU, что затрудняет другим разработчикам получение достаточного количества GPU для вычислений. Это часто приводит к тому, что разработчики выбирают централизованных облачных провайдеров, но из-за долгосрочных контрактов на оборудование, которые недостаточно гибкие, эффективность оказывается низкой.

DePIN предлагает более гибкие и экономически эффективные альтернативы, стимулируя вклад в ресурсы с помощью токенов. DePIN в области ИИ краудсорсит GPU-ресурсы от частных владельцев к дата-центрам, предоставляя унифицированное предложение для пользователей, которым нужен доступ к аппаратному обеспечению. Это не только предоставляет разработчикам кастомизированный и по требованию доступ, но и приносит дополнительный доход владельцам GPU.

На рынке существует много AI DePIN сетей, в этой статье будет рассмотрена роль, цели и достижения различных протоколов, чтобы понять их различия.

Обзор сети AI DePIN

Render является пионером P2P-сети, предоставляющей вычислительные возможности GPU, изначально сосредоточенной на рендеринге контента, а затем расширившейся на задачи AI.

Основные моменты:

• Основана компанией OTOY
• GPU-сеть используется крупными компаниями развлекательной индустрии
• Сотрудничество с Stability AI и другими, интеграция AI-моделей и 3D-рендеринговых рабочих процессов
• Утверждение нескольких вычислительных клиентов, интеграция большего количества GPU DePIN сети

Akash позиционируется как "супероблако", поддерживающее хранение, GPU и CPU вычисления. С использованием контейнерной платформы и управляемых Kubernetes вычислительных узлов, разработчики могут без проблем разворачивать ПО в разных средах.

Основные моменты:

• Для широких вычислительных задач от общего вычисления до сетевого хостинга
• AkashML позволяет GPU-сетям запускать более 15 000 моделей на Hugging Face
• Хостинг приложений, таких как чат-боты на основе LLM модели Mistral AI
• Построение метавселенной, развертывание ИИ и другие платформы используют его Supercloud

io.net предоставляет доступ к распределенным GPU облачным кластерам, специально предназначенным для использования в AI и ML. Агрегирует GPU из дата-центров, криптомайнеров и других областей.

Основные моменты:

• IO-SDK совместим с такими фреймворками, как PyTorch, многоуровневая архитектура может динамически расширяться
• Поддержка создания 3-х различных типов кластеров, запуск в течение 2 минут.
• Сотрудничество с Render, Filecoin и другими для интеграции ресурсов GPU

Gensyn предоставляет возможности GPU, сосредоточенные на вычислениях в области машинного обучения и глубокого обучения. Утверждается, что более эффективные механизмы проверки реализуются через концепции, такие как доказательства обучения.

Основные моменты:

• Стоимость эквивалентного GPU V100 составляет примерно 0,40 доллара США в час, что позволяет значительно сэкономить.
• Можно дообучить предобученную базовую модель для выполнения конкретной задачи
• Предоставление децентрализованной, глобальной общей базовой модели

Aethir специально оснащен корпоративными GPU, сосредоточен на вычислительно интенсивных областях, таких как ИИ, МЛ, облачные игры и т.д. Контейнеры в сети выступают в качестве виртуальных конечных точек для выполнения облачных приложений, обеспечивая низкую задержку.

Основные моменты:

• Расширение до облачного мобильного сервиса, сотрудничество с APhone для запуска децентрализованного облачного смартфона
• Установление широкого сотрудничества с такими крупными компаниями Web2, как NVIDIA
• Сотрудничество с проектами Web3, такими как CARV и Magic Eden

Phala Network выступает в качестве исполняющего слоя для Web3 AI решений. Его блокчейн является децентрализованным облачным вычислительным решением, разрабатывающим обработку проблем конфиденциальности через доверенные исполняющие окружения (TEE).

Основные моменты:

• Выступает в качестве протокола сопроцессора для верифицируемых вычислений, позволяя AI-агентам получать доступ к ресурсам на блокчейне
• AI-агенты могут получить доступ к топовым языковым моделям, таким как OpenAI, через Redpill
• Будущее будет включать в себя многослойные системы доказательств, такие как zk-доказательства, MPC, FHE.
• В будущем поддержка GPU TEE, таких как H100, для увеличения вычислительных мощностей.

Сравнение проектов

| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |--------|------------|------------------|---------------------|--------|--------------|---------| | Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Основные направления | Графическая визуализация и ИИ | Облачные вычисления, визуализация и ИИ | ИИ | ИИ | ИИ, облачные игры и телекоммуникации | Выполнение ИИ на блокчейне | | Тип задач ИИ | Вывод | Обучение и вывод | Обучение и вывод | Обучение | Обучение | Выполнение | | Цены на работу | Цены на основе производительности | Обратный аукцион | Рыночная цена | Рыночная цена | Система тендеров | Расчет прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек| | Защита данных | Шифрование и хеширование | mTLS аутентификация | Шифрование данных | Безопасное отображение | Шифрование | TEE | | Рабочие расходы | 0.5-5%/работа | 20% USDC, 4% AKT| 2% USDC,0.25% резерв | Низкие расходы | 20%/сессия | Пропорционально ставке| | Безопасность | Доказательство рендеринга | Доказательство прав собственности | Доказательство расчета | Доказательство прав собственности | Доказательство вычислительной мощности | Унаследовано от цепи-посредника | | Завершение доказательства | - | - | Доказательство временной блокировки | Доказательство обучения | Доказательство рендеринга | Доказательство TEE | | Гарантия качества | Спор | - | - | Проверка и举报 | Проверка узлов | Удаленное доказательство | | GPU集群 | Нет | Да | Да | Да | Да | Нет |

! Пересечение AI и DePIN

Важность

Доступность кластеров и параллельных вычислений

Рамки распределенных вычислений реализуют кластеры GPU, повышая эффективность и масштабируемость обучения. Для обучения сложных моделей ИИ требуется мощная вычислительная способность, которая обычно достигается с помощью распределенных вычислений. Например, модель GPT-4 от OpenAI имеет более 1,8 триллиона параметров, на ее обучение потребовалось 3-4 месяца и использовалось около 25 000 GPU Nvidia A100.

Большинство проектов теперь объединены в кластеры для реализации параллельных вычислений. io.net в сотрудничестве с другими проектами развернул более 3,800 кластеров в первом квартале. Хотя Render не поддерживает кластеры, он разбивает один кадр на несколько узлов для одновременной обработки. Phala поддерживает кластеризацию процессоров.

Кластерная структура очень важна для сетей рабочих процессов ИИ, но количество и типы кластерных GPU, удовлетворяющие потребности разработчиков, являются другой проблемой.

Конфиденциальность данных

Разработка моделей ИИ требует больших объемов данных, которые могут содержать конфиденциальную информацию. Samsung из-за опасений по поводу конфиденциальности запретила использование ChatGPT, а утечка 38 ТБ данных Microsoft еще более подчеркивает важность безопасности ИИ. Различные методы защиты данных имеют решающее значение для обеспечения прав поставщиков данных.

Большинство проектов используют шифрование данных для защиты конфиденциальности. Render использует шифрование и хеширование, io.net и Gensyn применяют шифрование данных, а Akash использует аутентификацию mTLS.

io.net и Mind Network сотрудничают для запуска полного гомоморфного шифрования (FHE), позволяя обрабатывать зашифрованные данные без расшифровки. Это лучше защищает конфиденциальность по сравнению с существующими криптографическими технологиями.

Phala Network вводит доверенную исполняемую среду ( TEE ), чтобы предотвратить внешний доступ или модификацию данных. Она также сочетает zk-доказательства для интеграции RiscZero zkVM.

Завершение расчета и проверка качества

Из-за широкого спектра услуг конечное качество может не соответствовать стандартам пользователей. Завершение подтверждает, что GPU действительно использовался для требуемой услуги, контроль качества полезен для пользователей.

Gensyn и Aethir генерируют доказательства завершения, io.net подтверждает, что производительность GPU используется без проблем. Gensyn и Aethir проводят контроль качества. Gensyn повторно запускает часть доказательств с помощью валидаторов, сообщатели снова проверяют. Aethir использует проверки узлов для оценки качества обслуживания, наказывает услуги, не соответствующие стандартам. Render предлагает процесс разрешения споров, ревизионная комиссия может сократить проблемные узлы. Phala генерирует доказательства TEE, обеспечивая выполнение операций AI-агентами в цепочке.

Аппаратная статистика

| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |-------------|--------|-------|--------|------------|------------|--------| | Количество GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Количество ЦПУ | 114 | 14672 | 5433 | - | - | 30000+ | | Количество H100/A100| - | 157 | 2330 | - | 2000+ | - | | Плата H100/час | - | $1.46 | $1.19 | - | - | - | | A100 стоимость/час | - | $1.37 | $1.50 | $0.55 ( ожидается ) | $0.33 ( ожидается ) | - |

! Пересечение AI и DePIN

Требования к высокопроизводительным GPU

Обучение AI-моделей требует топовых GPU, таких как Nvidia A100 и H100. Производительность H100 в режиме вывода в 4 раза выше, чем у A100, что делает его предпочтительным выбором, особенно для крупных компаний.

Децентрализованный рынок GPU должен конкурировать с Web2, не только предлагая низкие цены, но и удовлетворяя реальные потребности. В 2023 году Nvidia поставила 500 000 H100 крупным технологическим компаниям, что привело к высоким затратам на аналогичное оборудование. Важно учитывать количество оборудования, которое может быть введено по низкой цене.

Разные проекты предоставляют различную вычислительную мощность. У Akash всего более 150 H100 и A100, у io.net и Aethir более 2000. Предобученные LLM обычно требуют от 248 до более 2000 GPU-кластеров, последние два проекта более подходят для вычислений больших моделей.

В настоящее время стоимость децентрализованных GPU-сервисов значительно ниже, чем централизованных. Gensyn и Aethir утверждают, что оборудование уровня A100 стоит менее 1 доллара в час, но потребуется время для проверки.

Сетевое соединение кластеров GPU, хотя и имеет большое количество GPU и низкую стоимость, ограничено по памяти по сравнению с GPU, соединенными через NVLink. NVLink поддерживает прямую связь между GPU, что подходит для LLM с большим количеством параметров и большими наборами данных.

Тем не менее, децентрализованная GPU-сеть все еще предоставляет мощные вычислительные возможности и масштабируемость для динамических нагрузок или пользователей, которым нужна гибкость, создавая возможности для разработки большего числа случаев использования ИИ.

Предоставление потребительских GPU/CPU

ЦПУ также очень важно в обучении ИИ-моделей, используемое для предварительной обработки данных и управления памятью. Потребительские графические процессоры могут быть использованы для дообучения предобученных моделей или для обучения в небольшом масштабе.

Учитывая, что более 85% потребителей имеют неиспользуемые GPU, проекты такие как Render, Akash и io.net также обслуживают эту часть рынка. Это позволяет им сосредоточиться на масштабных вычислениях, универсальной маломасштабной рендеринге или их комбинации.

Заключение

Область AI DePIN все еще довольно нова и сталкивается с вызовами. Например, io.net был обвинен в подделке количества GPU, но затем это было решено с помощью доказательства работы.

Тем не менее, количество задач и оборудования, выполняемых в этих сетях, значительно возросло, что подчеркивает растущий спрос на альтернативы облачным провайдерам Web2. Одновременно резкий рост поставщиков оборудования показывает, что предложение ранее было недостаточно использовано. Это подтверждает соответствие продукта сети AI DePIN рынку, эффективно решая вызовы спроса и предложения.

Смотря в будущее, AI обещает стать процветающим рынком на триллионы долларов, и эти децентрализованные GPU-сети сыграют ключевую роль в предоставлении разработчикам экономически эффективных вычислительных альтернатив. Постоянно сокращая разрыв между спросом и предложением, эти сети значительно повлияют на будущее AI и вычислительной инфраструктуры.

! Пересечение искусственного интеллекта и DePIN

! Пересечение AI и DePIN

! Пересечение ИИ и DePIN

! Пересечение искусственного интеллекта и DePIN

! Пересечение AI и DePIN