Злиття ШІ та DePIN: Витоки розподіленої мережі GPU

З 2023 року AI та DePIN стали гарячими темами в сфері Web3, їхня ринкова капіталізація досягла відповідно 30 мільярдів доларів і 23 мільярдів доларів. У цій статті буде досліджено перетин цих двох сфер, з акцентом на аналіз розвитку відповідних протоколів.

У технологічному стеку AI мережа DePIN надає обчислювальні ресурси для підсилення AI. Через розвиток великих технологічних компаній спостерігається нестача GPU, внаслідок чого іншим розробникам важко отримати достатню кількість GPU для навчання AI-моделей. DePIN пропонує більш гнучке і економічно вигідне рішення, стимулюючи внесок ресурсів через винагороди у вигляді токенів. Мережа DePIN у сфері AI краудсорсить ресурси GPU від приватних власників до дата-центрів, надаючи користувачам єдине постачання.

! Перетин AI та DePIN

Огляд мережі AI DePIN

Рендер

Render є піонером P2P-мережі, що надає обчислювальні можливості GPU, спочатку зосереджуючись на графічному рендерингу для створення контенту, а згодом розширивши спектр до включення завдань обчислень ШІ. Його GPU-мережу вже використовують великі компанії розважальної індустрії, такі як Paramount Pictures та PUBG.

Акаш

Akash позиціонується як "супер-хмара" альтернатива, що підтримує зберігання, обчислення на GPU та CPU. Його AkashML дозволяє GPU-мережам запускати понад 15 000 моделей на Hugging Face.

io.net

io.net надає доступ до розподілених GPU хмарних кластерів, спеціально призначених для випадків використання AI та ML. Його IO-SDK сумісний з такими фреймворками, як PyTorch і Tensorflow, а багаторівнева архітектура може автоматично динамічно масштабуватися відповідно до обчислювальних вимог.

Генсин

Gensyn надає можливості GPU обчислень, зосереджені на машинному навчанні та глибокому навчанні. Він стверджує, що реалізував більш ефективний механізм верифікації шляхом поєднання таких концепцій, як навчальне доведення, графічний протокол точної локалізації та ін.

Етір

Aethir спеціалізується на підприємницьких GPU, зосереджуючись на обчислювально інтенсивних сферах, головним чином на штучному інтелекті, машинному навчанні, хмарних іграх тощо. Контейнери в його мережі виконують роль віртуальних кінцевих точок для запуску хмарних додатків, щоб забезпечити низьку затримку.

Мережа Phala

Phala Network виконує роль виконавчого рівня для рішень Web3 AI. Його блокчейн є бездостовірним рішенням для хмарних обчислень, розробленим для вирішення проблеми конфіденційності за допомогою його надійного середовища виконання (TEE).

! Перетин AI та DePIN

Порівняння проектів

Різні проєкти мають відмінності в апаратному забезпеченні, бізнес-пріоритетах, типах завдань штучного інтелекту, ціноутворенні на роботу, блокчейні, конфіденційності даних, витратах на роботу, безпеці, підтвердженнях виконання, забезпеченні якості, GPU-кластерах тощо.

важливість

Доступність кластерних і паралельних обчислень

Розподілена обчислювальна система реалізувала кластер GPU, що забезпечує більш ефективне навчання та одночасно підвищує масштабованість. Більшість основних проектів тепер інтегрували кластери для паралельних обчислень.

! Перетин AI та DePIN

Приватність даних

Розробка AI-моделей потребує використання великої кількості наборів даних, які можуть містити чутливу інформацію. Більшість проектів використовують якусь форму шифрування даних для захисту конфіденційності даних. io.net нещодавно співпрацювало з Mind Network для запуску повної гомоморфної криптографії (FHE), яка дозволяє обробляти зашифровані дані без попереднього розшифрування.

! Перетин AI та DePIN

Підтвердження завершення обчислень та перевірка якості

Багато проектів пропонують механізми підтвердження виконання обчислень та перевірки якості, щоб забезпечити якість роботи та запобігти шахрайству.

! Перетин AI та DePIN

Статистичні дані апаратного забезпечення

Різні проєкти відрізняються за кількістю GPU, кількістю CPU, кількістю високопродуктивних GPU та їхніми витратами. io.net та Aethir є лідерами за кількістю високопродуктивних GPU.

! Перетин AI та DePIN

Вимоги до високопродуктивних GPU

Навчання AI-моделей потребує найкращих за продуктивністю GPU, таких як A100 і H100 від Nvidia. Постачальники децентралізованого GPU-ринку повинні забезпечити достатню кількість високопродуктивних GPU, щоб конкурувати з централізованими послугами.

надає споживчі GPU/CPU

Деякі проекти також пропонують споживчі GPU/CPU, які можна використовувати для менш інтенсивних завдань, таких як доопрацювання попередньо натренованих моделей або навчання малих моделей.

! Перетин AI та DePIN

Висновок

Сфера AI DePIN залишається відносно новою, стикаючись з викликами. Але кількість завдань і апаратного забезпечення, які виконуються на цих децентралізованих GPU мережах, значно зросла, підкреслюючи зростаючий попит на альтернативи апаратних ресурсів від постачальників хмарних послуг Web2. У майбутньому ці розподілені GPU мережі відіграватимуть ключову роль у наданні економічно вигідних обчислювальних альтернатив для розробників, роблячи значний внесок у майбутній ландшафт AI та обчислювальної інфраструктури.

! Перетин AI та DePIN