AI и DePIN: восход децентрализованных GPU вычислительных сетей

С 2023 года AI и DePIN стали горячими трендами в области Web3, рыночная капитализация которых достигла 30 миллиардов долларов и 23 миллиардов долларов соответственно. В данной статье будет рассмотрено их пересечение и исследовано развитие соответствующих протоколов.

В стеке технологий ИИ сеть DePIN предоставляет вычислительные ресурсы для усиления ИИ. Развитие крупных технологических компаний привело к нехватке GPU, что затрудняет другим разработчикам получение достаточного количества GPU для вычислений. Это часто заставляет разработчиков выбирать централизованных облачных провайдеров, но из-за необходимости подписания не гибких долгосрочных контрактов на высокопроизводительное оборудование это приводит к низкой эффективности.

DePIN предлагает более гибкие и экономически эффективные альтернативы, поощряя вклад ресурсов с помощью токенов. Сеть DePIN в области ИИ объединяет ресурсы GPU от частных владельцев в единое предложение, предоставляя услуги пользователям, нуждающимся в аппаратном обеспечении. Это не только предоставляет разработчикам возможность настройки и доступ по требованию, но и создает дополнительный доход для владельцев GPU.

! Пересечение AI и DePIN

Обзор сети AI DePIN

Каждый проект нацелен на создание сети рынков вычислений на GPU. Далее будут представлены особенности каждого проекта, ключевые моменты рынка и достижения.

Render является пионером P2P GPU вычислительной сети, изначально сосредоточенным на графическом рендеринге для создания контента, а затем расширившимся на задачи ИИ вычислений.

Особенности:

• Основана компанией облачной графики OTOY
• Крупные компании развлекательной индустрии, такие как Paramount Pictures, PUBG и т.д., используют свою GPU сеть
• Сотрудничая со Stability AI и Endeavor, интегрировать AI модели с рабочим процессом рендеринга 3D контента
• Одобрение нескольких вычислительных клиентов, интеграция большего количества GPU DePIN сетей

Akash позиционируется как "супероблачная" альтернатива, поддерживающая хранение, GPU и CPU вычисления. Используя контейнерную платформу и управляемые Kubernetes вычислительные узлы, программное обеспечение можно бесшовно развертывать в разных средах.

Особенности:

• Ориентирован на широкий спектр вычислительных задач, от универсальных вычислений до хостинга в сети
• AkashML поддерживает работу более чем с 15 000 моделей на Hugging Face
• Хостинг чат-ботов на LLM моделях Mistral AI, таких как SDXL от Stability AI и другие приложения
• Поддержка метавселенной, платформы развертывания ИИ и федеративного обучения

io.net предоставляет распределенные GPU облачные кластеры, специально предназначенные для AI и ML случаев. Интегрирует GPU ресурсы из областей дата-центров, криптошахтеров и других.

Особенности:

• IO-SDK совместим с такими фреймворками, как PyTorch и Tensorflow, и может автоматически масштабироваться в зависимости от вычислительных требований.
• Поддержка создания 3 различных типов кластеров, которые можно запустить за 2 минуты
• Сотрудничество с Render, Filecoin, Aethir и интеграция ресурсов GPU

Gensyn предоставляет вычислительные мощности GPU, сосредотачиваясь на машинном обучении и глубоких нейронных сетях. Использует технологии, такие как доказательство обучения и графически основанные протоколы точной локализации, для повышения эффективности верификации.

Особенности:

• Эквивалентные GPU V100 стоят около 0,40 долларов США в час, что значительно экономит затраты
• Поддержка дообучения предобученных базовых моделей
• Планируется предоставить Децентрализация, глобально обладаемую базовую модель

Aethir сосредоточен на таких вычислительно емких областях, как ИИ, МО, облачные игры и т.д. Контейнеры в его сети служат виртуальными конечными точками для выполнения облачных приложений, обеспечивая низкую задержку.

Особенности:

• Расширение до облачных мобильных услуг, сотрудничество с APhone для запуска Децентрализация облачного смарт- телефона
• Установление сотрудничества с такими крупными компаниями, как NVIDIA, Super Micro, HPE
• Сотрудничество с несколькими проектами Web3, такими как CARV, Magic Eden

Phala Network как уровень исполнения Web3 AI решений. С помощью доверенной среды выполнения (TEE) проектируются решения для проблем конфиденциальности, поддерживающие AI-агентов, контролируемых смарт-контрактами на блокчейне.

Особенности:

• В качестве протокола сопроцессора для верифицируемых вычислений поддерживает ресурсы AI-агентов на блокчейне
• AI-агенты могут быть получены через Redpill с использованием таких ведущих языковых моделей, как OpenAI, Llama и другие.
• В будущем будут включены zk-доказательства, многопартитные вычисления, полностью гомоморфное шифрование и другие многоуровневые системы доказательства.
• Планируется поддержка H100 и других TEE GPU для повышения вычислительной способности

! Пересечение AI и DePIN

Сравнение проектов

| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Основные направления бизнеса | Графическая визуализация и ИИ | Облачные вычисления, визуализация и ИИ | ИИ | ИИ | ИИ, облачные игры и телекоммуникации | Выполнение ИИ на блокчейне | | Типы задач AI | Вывод | Оба | Оба | Обучение | Обучение | Выполнение | | Ценообразование | Ценообразование на основе производительности | Обратные аукционы | Рыночное ценообразование | Рыночное ценообразование | Система тендеров | Расчет прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек | | Защита данных | Шифрование&Хеширование | Аутентификация mTLS | Шифрование данных | Безопасное отображение | Шифрование | TEE | | Рабочие расходы | 0.5-5% за каждую работу | 20% USDC, 4% AKT | 2% USDC, 0.25% резервный сбор | Низкие расходы | 20% за каждую сессию | Пропорционально сумме ставки | | Безопасность | Доказательство рендеринга | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство рендеринговых возможностей | Унаследовано от промежуточной цепи | | Доказательство завершения | - | - | Доказательство временной блокировки | Доказательство обучения | Доказательство рендеринга | Доказательство TEE | | Гарантия качества | Спор | - | - | Проверяющий и информатор | Узел проверяющего | Удаленное доказательство | | GPU кластер | Нет | Да | Да | Да | Да | Нет |

Важность

Доступность кластеров и параллельных вычислений

Распределённая вычислительная платформа реализует кластер GPU, обеспечивая более эффективное обучение и масштабируемость. Для обучения сложных AI моделей требуется мощная вычислительная мощность, обычно полагаясь на распределённые вычисления. Большинство проектов теперь интегрировали кластеры для реализации параллельных вычислений. io.net успешно развернул более 3,800 кластеров. Хотя Render не поддерживает кластеры, он разбивает отдельные задачи на несколько узлов для одновременной обработки. Phala поддерживает кластеризацию CPU-воркеров.

Конфиденциальность данных

Разработка моделей ИИ требует использования больших объемов данных, что может привести к риску раскрытия конфиденциальной информации. Большинство проектов используют какие-либо формы шифрования данных для защиты конфиденциальности. io.net совместно с Mind Network запустили полное гомоморфное шифрование (FHE), позволяющее обрабатывать данные в зашифрованном состоянии. Phala Network внедрила доверенную среду выполнения (TEE), чтобы предотвратить доступ или изменение данных внешними процессами.

Вывод доказательства выполнения и контроля качества

Gensyn и Aethir генерируют доказательства по завершении вычислений, доказательства io.net показывают, что аренда производительности GPU была полностью использована. Gensyn и Aethir проводят проверку качества завершённых вычислений. Render рекомендует использовать процесс разрешения споров. Phala генерирует TEE доказательства по завершении, обеспечивая выполнение необходимых операций AI-агентом.

! Пересечение AI и DePIN

Статистика оборудования

| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |-------------|--------|-------|--------|------------|------------|--------| | Количество GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Количество CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Количество H100/A100 | - | 157 | 2330 | - | 2000+ | - | | H100 стоимость/час | - | $1.46 | $1.19 | - | - | - | | Плата за 100 австралийских долларов в час | - | $1.37 | $1.50 | $0.55 ( ориентировочный ) | $0.33 ( ориентировочно ) | - |

Требования к высокопроизводительным GPU

Обучение AI моделей требует GPU с наилучшей производительностью, таких как A100 и H100 от Nvidia. Производительность H100 в области инференса в 4 раза быстрее, чем у A100, что делает его предпочтительным GPU. Поставщики децентрализованного GPU рынка должны соответствовать реальным потребностям рынка и предлагать более низкие цены. io.net и Aethir получили более 2000 единиц H100/A100, что лучше подходит для вычислений крупных моделей.

Сетевые GPU кластеры хоть и имеют низкие затраты, но ограничены по памяти. GPU с подключением NVLink наиболее подходят для LLM с большим количеством параметров и большими наборами данных, поскольку они требуют высокой производительности и плотных вычислений. Децентрализованная GPU сеть всё ещё может обеспечить мощные вычислительные возможности и масштабируемость для распределённых вычислительных задач, открывая возможности для создания большего количества AI и ML применений.

Предоставление потребительского уровня GPU/CPU

ЦП также играет важную роль в обучении ИИ-моделей, может использоваться для предварительной обработки данных и управления ресурсами памяти. Потребительские ГПУ могут использоваться для дообучения предобученных моделей или маломасштабного обучения. Проекты, такие как Render, Akash и io.net, также обслуживают этот рынок, развивая свои ниши.

Заключение

Область DePIN в AI все еще относительно новая и сталкивается с вызовами. Тем не менее, количество задач и оборудования, выполняемых в этих сетях, значительно увеличивается, подчеркивая потребность в замене аппаратных ресурсов облачных провайдеров Web2. В будущем рынок искусственного интеллекта, вероятно, будет процветать, и эти децентрализованные сети GPU сыграют ключевую роль в предоставлении экономически эффективных вычислительных альтернатив для разработчиков.

! Пересечение искусственного интеллекта и DePIN

! Пересечение AI и DePIN

! Пересечение ИИ и DePIN

! Пересечение искусственного интеллекта и DePIN

! Пересечение AI и DePIN