Перехресна область AI та DePIN: зростання децентралізованих GPU-мереж

З 2023 року AI та DePIN стали популярними тенденціями в сфері Web3, їх ринкові капіталізації досягли 30 мільярдів доларів та 23 мільярдів доларів відповідно. Ця стаття зосереджена на перетині обох сфер, досліджуючи розвиток відповідних протоколів.

У стеку технологій ШІ мережа DePIN забезпечує практичність для ШІ через обчислювальні ресурси. Нестача GPU, викликана великими технологічними компаніями, змушує інших розробників відчувати нестачу достатньої кількості GPU для обчислень. Це зазвичай призводить до того, що розробники обирають централізованих постачальників хмарних послуг, але через необхідність підписання негнучких довгострокових контрактів на високо продуктивне апаратне забезпечення ефективність знижується.

DePIN в основному надає більш гнучку та економічно ефективну альтернативу, використовуючи токенні винагороди для стимулювання ресурсних внесків, що відповідають цілям мережі. DePIN у сфері штучного інтелекту краудсорсує ресурси GPU від приватних власників до дата-центрів, формуючи єдине постачання для користувачів, яким потрібен доступ до обладнання. Ці мережі DePIN не тільки забезпечують розробників, яким потрібні обчислювальні потужності, можливістю налаштування та доступу за запитом, але й надають власникам GPU додатковий дохід.

На ринку безліч AI DePIN мереж, ідентифікувати їх відмінності та знайти потрібну мережу не так просто. Нижче буде розглянуто роль кожного протоколу, їх цілі та досягнуті досягнення.

! Перетин AI та DePIN

Огляд мережі DePIN на базі ШІ

Кожен проект має подібну мету - мережа ринку обчислень на базі GPU. У цьому розділі досліджуються основні моменти кожного проекту, акценти на ринку та досягнення, а також, вивчаючи їх ключову інфраструктуру та продукти, поглиблюється розуміння їхніх відмінностей.

Render є піонером P2P-мережі, що надає обчислювальні можливості GPU, раніше зосереджений на графічному рендерінгу контенту, а тепер, інтегрувавши такі інструменти, як Stable Diffusion, розширився до обчислювальних завдань, включаючи нейронні радіаційні поля (NeRF) до генеративного ШІ.

Яскраві моменти:

1. Заснована компанією OTOY, що володіє технологією, нагородженою Оскаром.

2. GPU-мережа використовується великими компаніями розважальної індустрії, такими як Paramount Pictures, PUBG, Зоряний шлях.

3. Співпраця з Stability AI та Endeavor, інтегруючи моделі ШІ з робочим процесом рендерингу 3D-контенту за допомогою GPU Render.

4. Схвалення кількох обчислювальних клієнтів, інтеграція більшої кількості GPU мереж DePIN

Akash називає себе "хостинговим Airbnb", позиціюючись як "супер-хмара" заміна традиційним платформам, таким як AWS(, що підтримують зберігання, обчислення GPU та CPU ). Використовуючи контейнерну платформу Akash та розподілені обчислювальні вузли, керовані Kubernetes, розробники можуть безшовно розгортати програмне забезпечення в різних середовищах і запускати будь-які хмарні нативні додатки.

Яскраві моменти:

1. Щодо широких обчислювальних завдань від загальних обчислень до мережевого хостингу

2. AkashML дозволяє GPU мережам запускати понад 15 000 моделей на Hugging Face, одночасно інтегруючись з Hugging Face

3. Akash хостить чат-боти LLM моделі Mistral AI, текстово-образні моделі SDXL від Stability AI, а також нову базову модель AT-1 від Thumper AI та інші застосунки.

4. Платформа для побудови метасвіту, впровадження ШІ та федеративного навчання вже використовує Supercloud

io.net надає доступ до розподілених GPU хмарних кластерів, які спеціально призначені для випадків використання AI та ML. Він агрегує GPU з дата-центрів, крипто-майнерів та інших децентралізованих мереж. Компанія раніше була компанією з кількісної торгівлі, а після різкого зростання цін на високопродуктивні GPU перейшла до поточної діяльності.

Яскраві моменти:

1. IO-SDK сумісний з такими фреймворками, як PyTorch і Tensorflow, багатошарова архітектура може автоматично динамічно розширюватися відповідно до обчислювальних потреб.

2. Підтримка створення 3 різних типів кластерів, які можна запустити за 2 хвилини

3. Сильна співпраця інтегрує інші DePIN мережі GPU, включаючи Render, Filecoin, Aethir та Exabits

Gensyn надає обчислювальні можливості GPU, що зосереджені на машинному навчанні та глибокому навчанні. Він стверджує, що досягає більш ефективного механізму верифікації, ніж існуючі методи, шляхом поєднання таких концепцій, як навчальні докази, графічний протокол точного позиціонування та ігри стимулювання в стилі Truebit, що включають стейкінг постачальників обчислень і зменшення.

Яскраві моменти:

1. Очікувана вартість години використання GPU, еквівалентного V100, становитиме приблизно 0,40 долара, що суттєво заощаджує витрати.

2. Через proof stacking можна доопрацювати попередньо навчальну базову модель для виконання більш конкретних завдань

3. Ці базові моделі будуть Децентралізація, глобальною власністю, окрім апаратних обчислювальних мереж, також надаватимуть додаткові функції.

Aethir спеціально розроблений для корпоративних GPU, зосереджений на обчислювально інтенсивних галузях, переважно в AI, машинному навчанні ( ML ), хмарних іграх тощо. У мережі контейнери виконують роль віртуальних кінцевих точок для хмарних додатків, переміщуючи робочі навантаження з локальних пристроїв у контейнери, забезпечуючи низьку затримку. Щоб забезпечити якісне обслуговування, вони переміщують GPU ближче до джерела даних відповідно до попиту та місця розташування, налаштовуючи ресурси.

Яскраві моменти:

1. Окрім AI та хмарних ігор, Aethir також розширюється на послуги хмарних телефонів, запустивши децентралізований хмарний смартфон у співпраці з APhone.

2. Встановлення широкого співробітництва з великими компаніями Web2, такими як NVIDIA, Super Micro, HPE, Foxconn та Well Link.

3. У Web3 кілька партнерів, таких як CARV, Magic Eden, Sequence, Impossible Finance тощо

Phala Network виступає як рівень виконання для рішень Web3 AI. Його блокчейн є бездоверчним рішенням для хмарних обчислень, яке вирішує питання конфіденційності через надійне середовище виконання (TEE). Рівень виконання не використовується як рівень обчислень AI-моделей, а дозволяє AI-агентам контролюватися смарт-контрактами на ланцюзі.

Яскраві моменти:

1. Виконує функцію протоколу співпроцесора для верифікованих обчислень, що дозволяє AI-агентам використовувати ресурси на блокчейні.

2. AI-агентські контракти можна отримати через Redpill за допомогою таких провідних великих мовних моделей, як OpenAI, Llama, Claude та Hugging Face.

3. Майбутнє буде включати zk-proofs, багатосторонні обчислення (MPC), повну гомоморфну криптографію (FHE) та інші багатогранні системи доказів.

4. У майбутньому підтримка H100 та інших TEE GPU, підвищення обчислювальної потужності

! Перетин AI та DePIN

Порівняння проектів

| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Апаратне забезпечення | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Відеокарта | Відеокарта | Центральний процесор | | Бізнес-орієнтири | Графічний рендеринг та ШІ | Хмарні обчислення, рендеринг та ШІ | ШІ | ШІ | ШІ, хмарні ігри та телекомунікації | Виконання ШІ на блокчейні | | Типи завдань AI | Інференція | Обидва | Обидва | Навчання | Навчання | Виконання | | Ціноутворення | Ціноутворення на основі результатів | Зворотні аукціони | Ринкове ціноутворення | Ринкове ціноутворення | Система тендерів | Розрахунок прав | | Блокчейн | Солана | Космос | Солана | Генсін | Арбітрум | Полкадот | | Конфіденційність даних | Шифрування&хешування | mTLS аутентифікація | Шифрування даних | Безпечне відображення | Шифрування | TEE | | Витрати на роботу | Кожна робота 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% витрати на резерв | Низькі витрати | Кожна сесія 20% | Пропорційно до суми стейкінгу | | Безпека | Докази рендерингу | Докази частки | Докази обчислення | Докази частки | Докази рендерингових можливостей | Спадок з проміжної ланки | | Завершення доказу | - | - | Доказ тимчасового замка | Доказ навчання | Доказ рендерингу | Доказ TEE | | Гарантія якості | Спір | - | - | Перевіряючий та повідомник | Вузол перевірки | Віддалене доведення | | GPU кластер | Ні | Так | Так | Так | Так | Ні |

Важливість

Доступність кластерних і паралельних обчислень

Розподілена обчислювальна платформа реалізує GPU-кластери, забезпечуючи більш ефективне навчання без впливу на точність моделі, одночасно підвищуючи масштабованість. Для навчання складніших AI-моделей потрібні потужні обчислювальні ресурси, зазвичай необхідно покладатися на розподілені обчислення для задоволення цих потреб. Наочним прикладом є модель GPT-4 від OpenAI, яка має понад 1,8 трильйона параметрів і навчалася протягом 3-4 місяців на приблизно 25 000 GPU Nvidia A100 у 128 кластерах.

Раніше Render і Akash надавали лише одноразові графічні процесори (GPU), що могло обмежити попит на ринку GPU. Проте більшість ключових проектів вже об'єднали кластери для реалізації паралельних обчислень. io.net у співпраці з Render, Filecoin та Aethir інтегрує більше GPU в мережу, успішно розгорнувши понад 3 800 кластерів у першому кварталі 2024 року. Хоча Render не підтримує кластери, принцип роботи подібний до кластерів, оскільки він розбиває один кадр на кілька різних вузлів, які одночасно обробляють різні діапазони кадрів. Phala наразі підтримує лише CPU, але дозволяє кластеризацію CPU-робітників.

Включення кластерної архітектури в мережу робочих процесів AI є дуже важливим, але кількість і типи GPU кластеру, необхідні для задоволення потреб розробників AI, є окремим питанням, яке буде обговорено далі.

Конфіденційність даних

Розробка AI-моделей вимагає використання великих наборів даних, які можуть походити з різних джерел і мати різні форми. Чутливі набори даних, такі як особисті медичні записи, фінансові дані користувачів тощо, можуть піддаватися ризику розкриття постачальникам моделей. Samsung заборонив ChatGPT всередині компанії через побоювання, що завантаження чутливого коду на платформу порушить конфіденційність, а інцидент з витоком 38TB приватних даних Microsoft ще більше підкреслив важливість вжиття достатніх заходів безпеки під час використання AI. Тому наявність різних методів захисту даних має вирішальне значення для повернення контролю над даними постачальникам даних.

Більшість покритих проектів використовують певну форму шифрування даних для захисту конфіденційності даних. Шифрування даних забезпечує захист передачі даних від постачальників даних до постачальників моделей ( і отримувачів даних ) в мережі. Render використовує шифрування та обробку хешів при публікації результатів рендерингу назад у мережу, тоді як io.net та Gensyn застосовують певну форму шифрування даних. Akash використовує аутентифікацію mTLS, дозволяючи отримувати дані лише обраним постачальникам орендаря.

Однак, io.net нещодавно співпрацював з Mind Network для запуску повної гомоморфної криптографії (FHE), що дозволяє обробляти зашифровані дані без попереднього їх розшифрування. Завдяки можливості безпечної передачі даних для навчальних цілей без розкриття особи та вмісту даних, ця інновація може краще забезпечити конфіденційність даних у порівнянні з існуючими методами шифрування.

Phala Network впроваджує TEE, тобто безпечну область у головному процесорі підключеного пристрою. Завдяки цьому механізму ізоляції, він заважає зовнішнім процесам отримувати доступ до даних або змінювати їх, незалежно від рівня їхніх прав, навіть особи з фізичним доступом до машини не можуть отримати доступ. Окрім TEE, він також поєднує zk-докази у валідаторі zkDCAP та командному інтерфейсі jtee для інтеграції з програмами RiscZero zkVM.

! Перетин AI та DePIN

Підтвердження виконання обчислень та перевірка якості

Ці проекти пропонують GPU, які можуть забезпечити обчислювальні потужності для ряду послуг. Через широкий спектр послуг, від рендерингу графіки до AI обчислень, остаточна якість таких завдань може не завжди відповідати стандартам користувачів. Можна використовувати підтвердження виконання, щоб показати, що конкретний GPU, орендований користувачем, дійсно використовувався для виконання необхідних послуг; перевірка якості є корисною для користувачів, які запитують виконання таких робіт.

Після завершення обчислень Gensyn і Aethir створюють підтвердження, що робота виконана, тоді як підтвердження io.net вказує на те, що продуктивність орендованих GPU була повністю використана і без проблем. Gensyn і Aethir проводять перевірку якості виконаних обчислень. Для Gensyn використовуються валідатори, щоб повторно виконати частину згенерованого підтвердження для звірки з підтвердженням, а заявник виступає як ще один рівень перевірки валідаторів. У той же час Aethir використовує контрольні вузли для визначення якості обслуговування та накладає штрафи на послуги, які нижчі за стандарт. Render пропонує використовувати процес вирішення суперечок: якщо комісія з перевірки виявить проблеми з вузлом, тоді цей вузол підлягає скороченню. Після завершення Phala створюється підтвердження TEE, яке гарантує, що AI-агенти виконують необхідні дії в ланцюзі.

Статистичні дані про апаратуру

| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |-------------|--------|-------|--------|------------|------------|--------| | Кількість GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Кількість CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Кількість H100/A100 | - | 157 | 2330 | - | 2000+ | - | | H100 витрати/година | - | $1.46 | $1.19 | - | - | - | | A100 витрати/година | - | $1.37 | $1.50 | $0.55 (очікується) | $0.33 (очікується) | - |

![AI та DePIN в перехресті](https://