Пересечение ИИ и DePIN: Восход децентрализованных GPU-сетей
С 2023 года AI и DePIN стали популярными тенденциями в области Web3, с рыночной капитализацией 30 миллиардов долларов и 23 миллиарда долларов соответственно. В этой статье будет рассмотрено их пересечение и исследовано развитие протоколов в этой области.
В стеке технологий ИИ сеть DePIN предоставляет практичность для ИИ за счет вычислительных ресурсов. Развитие крупных технологических компаний привело к нехватке GPU, что усложняет другим разработчикам получение достаточного количества GPU для вычислений. DePIN предлагает более гибкую и экономически эффективную альтернативу, используя токенизированные вознаграждения для стимулирования вкладов ресурсов, соответствующих целям сети.
AI DePIN будет краудсорсить ресурсы GPU от частных владельцев в дата-центры, создавая единое предложение для пользователей, которым нужен доступ к оборудованию. Это не только предоставляет разработчикам настраиваемость и доступ по запросу, но и приносит дополнительный доход владельцам GPU.
Render является пионером P2P-сети, предоставляющим вычислительную мощность GPU, сосредоточенным на рендеринге графики для контентного творчества, а затем расширившимся на вычислительные задачи, включая нейронные отражающие поля и генеративный ИИ.
Яркие моменты:
Основана компанией OTOY, обладающей технологией, награжденной Оскаром.
GPU-сети были использованы такими крупными компаниями развлекательной индустрии, как Paramount Pictures и PUBG
Совместно с Stability AI и Endeavor интеграция AI-моделей и рабочих процессов рендеринга 3D-контента
Утверждение нескольких вычислительных клиентов, интеграция большего количества GPU DePIN сетей
Акаши
Akash позиционируется как "супероблако" замена, поддерживающая хранение, вычисления на GPU и CPU. Используя платформу контейнеров и вычислительные узлы, управляемые Kubernetes, можно бесшовно развертывать программное обеспечение в разных средах и запускать любые облачные нативные приложения.
Яркие моменты:
Для широкого спектра вычислительных задач, от общего вычисления до веб-хостинга
AkashML позволяет запускать более 15 000 моделей на Hugging Face
Хостинг чат-ботов на основе моделей LLM от Mistral AI, моделей SDXL от Stability AI и других приложений
Платформа для построения метавселенной, развертывания ИИ и федеративного обучения использует Supercloud
io.net
io.net предоставляет доступ к распределенным GPU облачным кластерам, специально предназначенным для случаев использования ИИ и МЛ. Он агрегирует ресурсы GPU из дата-центров, криптошахтеров и других Децентрализованных сетей.
Яркие моменты:
IO-SDK совместим с такими фреймворками, как PyTorch и Tensorflow, многоуровневая архитектура может автоматически динамически расширяться в зависимости от вычислительных требований.
Поддержка создания 3 различных типов кластеров, может быть запущена за 2 минуты
Интеграция ресурсов GPU в сотрудничестве с Render, Filecoin, Aethir и Exabits
Gensyn
Gensyn предоставляет вычислительные мощности GPU, сосредоточенные на машинном обучении и глубоком обучении. Он утверждает, что реализовал более эффективный механизм верификации через концепции, такие как доказательство обучения, графически основанный протокол точной локализации и стимулы в виде стейкинга и сокращения, вовлекающие поставщиков вычислений.
Яркие моменты:
Ожидаемая стоимость одного часа работы GPU, эквивалентного V100, составляет около 0,40 долларов, что значительно сократит затраты.
Можно дообучить предварительно обученную базовую модель для выполнения более конкретных задач.
Эти базовые модели будут Децентрализация, глобально принадлежащие, предоставляющие дополнительные функции
Этир
Aethir специально разработан для работы с корпоративными GPU, сосредоточен на вычислительно интенсивных областях, таких как ИИ, машинное обучение, облачные игры и т.д. Контейнеры в его сети служат виртуальными конечными точками для выполнения облачных приложений, перемещая рабочие нагрузки с локальных устройств в контейнеры, обеспечивая низкую задержку.
Яркие моменты:
Расширение до облачных мобильных услуг, сотрудничество с APhone для запуска децентрализованного облачного смартфона
Установление широкого сотрудничества с крупными компаниями Web2, такими как NVIDIA, Super Micro, HPE
В области Web3 с несколькими партнерами, такими как CARV, Magic Eden, Sequence
Сеть ### Phala
Phala Network выступает в качестве исполнительного слоя для решений Web3 AI. Его блокчейн является облачным вычислительным решением без доверия, разработанным для решения проблем конфиденциальности с использованием доверенной исполняемой среды (TEE).
Яркие моменты:
Выступать в качестве протокола сопроцессора для проверяемых вычислений, позволяя агентам ИИ использовать ресурсы в цепочке
AI-агенты могут получить доступ к крупнейшим языковым моделям, таким как OpenAI, Llama и другим, через Redpill.
Будущее будет включать в себя zk-доказательства, многопартийные вычисления, полностью гомоморфное шифрование и другие многоуровневые доказательные системы
Планируется поддержка TEE GPU, таких как H100, для повышения вычислительной мощности
Распределенная вычислительная структура реализовала кластер GPU, обеспечивая более эффективное обучение и одновременно повышая масштабируемость. Обучение сложных AI-моделей требует мощных вычислительных ресурсов, и обычно необходимо полагаться на распределенные вычисления для удовлетворения потребностей. Например, модель GPT-4 от OpenAI имеет более 1,8 триллионов параметров и обучалась в течение 3-4 месяцев с использованием около 25 000 графических процессоров Nvidia A100 в 128 кластерах.
Большинство ключевых проектов теперь интегрировали кластеры для параллельных вычислений. io.net сотрудничает с другими проектами, чтобы включить больше GPU в свою сеть и уже развернул более 3,800 кластеров в первом квартале 24 года. Render не поддерживает кластеры, но его работа аналогична, разбивая отдельный кадр на несколько узлов для одновременной обработки. Phala в настоящее время поддерживает только CPU, но позволяет кластеризацию CPU-агентов.
Защита данных
Разработка AI-моделей требует использования больших объемов данных, которые могут содержать конфиденциальную информацию. Поэтому крайне важно принимать достаточные меры безопасности для защиты конфиденциальности данных.
Большинство проектов используют какую-либо форму шифрования данных для защиты конфиденциальности данных. Render использует шифрование и хеширование при публикации результатов рендеринга, io.net и Gensyn применяют шифрование данных, Akash использует аутентификацию mTLS.
io.net недавно сотрудничал с Mind Network для запуска полностью однородного шифрования (FHE), позволяющего обрабатывать зашифрованные данные без необходимости предварительного расшифрования. Phala Network ввела доверенную вычислительную среду (TEE), предотвращая доступ или изменение данных внешними процессами с помощью механизмов изоляции.
Подтверждение завершения расчетов и контроль качества
Из-за широкого диапазона услуг, от рендеринга графики до ИИ вычислений, конечное качество может не соответствовать стандартам пользователя. Завершение проверки и контроля качества полезно для пользователя.
Gensyn и Aethir генерируют доказательства по завершении вычислений, и доказательства io.net показывают, что арендованная производительность GPU используется должным образом. Gensyn и Aethir проводят проверку качества завершенных вычислений. Render рекомендует использовать процесс разрешения споров; если комиссия по проверке обнаружит проблемы с узлом, узел будет сокращен. После завершения Phala будет сгенерировано TEE доказательство, чтобы гарантировать, что AI-агенты выполняют необходимые операции в цепочке.
Для обучения AI-моделей необходимы GPU с максимальной производительностью, такие как Nvidia A100 и H100. Производительность H100 в режиме вывода в 4 раза быстрее, чем у A100, что делает его предпочтительным выбором, особенно для крупных компаний, которые обучают свои собственные LLM.
Децентрализация поставщиков GPU на рынке должна конкурировать с коллегами из Web2, не только предлагая более низкие цены, но и удовлетворяя реальные потребности рынка. Учитывая сложность получения эквивалентного оборудования, количество аппаратных средств, которые эти проекты могут ввести в сеть по низкой стоимости, имеет решающее значение для расширения услуг.
У Akash всего лишь немного более 150 H100 и A100 единиц, в то время как io.net и Aethir получили более 2000 единиц соответственно. Обычно для предобучения LLM или генеративной модели с нуля требуется как минимум от 248 до более 2000 GPU в кластере, поэтому последние два проекта более подходят для вычислений крупных моделей.
В настоящее время стоимость этих децентрализованных GPU-сервисов на рынке значительно ниже, чем у централизованных GPU-сервисов. Gensyn и Aethir утверждают, что могут арендовать оборудование, эквивалентное A100, менее чем за 1 доллар в час, но это все еще нужно будет доказать со временем.
Сеть GPU-кластеров имеет множество GPU с низкой стоимостью в час, но их память ограничена по сравнению с GPU, соединенными через NVLink. NVLink поддерживает прямую связь между несколькими GPU, исключая необходимость передачи данных между CPU и GPU, обеспечивая высокую пропускную способность и низкую задержку.
Тем не менее, для пользователей с динамическими требованиями к рабочей нагрузке или необходимостью гибкости и распределения рабочей нагрузки между несколькими узлами, Децентрализация GPU сети по-прежнему может предоставить мощные вычислительные возможности и масштабируемость для распределенных вычислительных задач.
Несмотря на то, что GPU является основным вычислительным блоком, необходимым для рендеринга и вычислений, CPU также играет важную роль в обучении AI-моделей. Потребительские GPU также могут использоваться для менее интенсивных задач, таких как дообучение уже предобученных моделей или обучение моделей меньшего масштаба на меньших наборах данных.
Учитывая, что более 85% потребительских ресурсов GPU находятся в неиспользуемом состоянии, такие проекты, как Render, Akash и io.net, также могут обслуживать эту часть рынка. Предоставление этих вариантов позволяет им разработать свою собственную рыночную нишу, сосредоточив внимание на вычислениях, требующих больших ресурсов, более универсальном маломасштабном рендеринге или их комбинации.
Область AI DePIN все еще относительно нова и сталкивается с собственными вызовами. Тем не менее, количество задач и оборудования, выполняемых в этих децентрализованных GPU-сетях, продолжает значительно расти. Эта тенденция подтверждает соответствие продуктов сети AI DePIN рынку, так как они эффективно решают проблемы спроса и предложения.
Смотря в будущее, траектория развития искусственного интеллекта указывает на бурно развивающийся рынок стоимостью в десятки триллионов долларов. Эти децентрализованные GPU-сети будут экономически выгодны для разработчиков.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
9 Лайков
Награда
9
4
Поделиться
комментарий
0/400
retroactive_airdrop
· 07-30 09:01
бык Сеть Карта еще может добывать
Посмотреть ОригиналОтветить0
0xSoulless
· 07-30 08:58
неудачники又有新地方 разыгрывайте людей как лохов了
Посмотреть ОригиналОтветить0
Fren_Not_Food
· 07-30 08:43
Другого я не знаю, просто спрашиваю, можно ли еще покупать падения на gpu Риг для майнинга?
AI и DePIN: Децентрализованные GPU сети ведут новую тенденцию вычислительной мощности
Пересечение ИИ и DePIN: Восход децентрализованных GPU-сетей
С 2023 года AI и DePIN стали популярными тенденциями в области Web3, с рыночной капитализацией 30 миллиардов долларов и 23 миллиарда долларов соответственно. В этой статье будет рассмотрено их пересечение и исследовано развитие протоколов в этой области.
В стеке технологий ИИ сеть DePIN предоставляет практичность для ИИ за счет вычислительных ресурсов. Развитие крупных технологических компаний привело к нехватке GPU, что усложняет другим разработчикам получение достаточного количества GPU для вычислений. DePIN предлагает более гибкую и экономически эффективную альтернативу, используя токенизированные вознаграждения для стимулирования вкладов ресурсов, соответствующих целям сети.
AI DePIN будет краудсорсить ресурсы GPU от частных владельцев в дата-центры, создавая единое предложение для пользователей, которым нужен доступ к оборудованию. Это не только предоставляет разработчикам настраиваемость и доступ по запросу, но и приносит дополнительный доход владельцам GPU.
! Пересечение AI и DePIN
Обзор сети AI DePIN
Рендер
Render является пионером P2P-сети, предоставляющим вычислительную мощность GPU, сосредоточенным на рендеринге графики для контентного творчества, а затем расширившимся на вычислительные задачи, включая нейронные отражающие поля и генеративный ИИ.
Яркие моменты:
Акаши
Akash позиционируется как "супероблако" замена, поддерживающая хранение, вычисления на GPU и CPU. Используя платформу контейнеров и вычислительные узлы, управляемые Kubernetes, можно бесшовно развертывать программное обеспечение в разных средах и запускать любые облачные нативные приложения.
Яркие моменты:
io.net
io.net предоставляет доступ к распределенным GPU облачным кластерам, специально предназначенным для случаев использования ИИ и МЛ. Он агрегирует ресурсы GPU из дата-центров, криптошахтеров и других Децентрализованных сетей.
Яркие моменты:
Gensyn
Gensyn предоставляет вычислительные мощности GPU, сосредоточенные на машинном обучении и глубоком обучении. Он утверждает, что реализовал более эффективный механизм верификации через концепции, такие как доказательство обучения, графически основанный протокол точной локализации и стимулы в виде стейкинга и сокращения, вовлекающие поставщиков вычислений.
Яркие моменты:
Этир
Aethir специально разработан для работы с корпоративными GPU, сосредоточен на вычислительно интенсивных областях, таких как ИИ, машинное обучение, облачные игры и т.д. Контейнеры в его сети служат виртуальными конечными точками для выполнения облачных приложений, перемещая рабочие нагрузки с локальных устройств в контейнеры, обеспечивая низкую задержку.
Яркие моменты:
Сеть ### Phala
Phala Network выступает в качестве исполнительного слоя для решений Web3 AI. Его блокчейн является облачным вычислительным решением без доверия, разработанным для решения проблем конфиденциальности с использованием доверенной исполняемой среды (TEE).
Яркие моменты:
! Пересечение AI и DePIN
Сравнение проектов
| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Бизнес-акцент | Графическая визуализация и ИИ | Облачные вычисления, визуализация и ИИ | ИИ | ИИ | Искусственный интеллект, облачные игры и телекоммуникации | Исполнение ИИ на блокчейне | | Тип задачи AI | Вывод | Оба | Оба | Обучение | Обучение | Выполнение | | Ценообразование работы | Ценообразование на основе производительности | Обратный аукцион | Рыночное ценообразование | Рыночное ценообразование | Система тендеров | Расчет доли | | Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек | | Конфиденциальность данных | Шифрование&хэширование | mTLS аутентификация | Шифрование данных | Безопасное отображение | Шифрование | TEE | | Рабочие расходы | За каждую работу 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% резервный сбор | Низкие расходы | За каждую сессию 20% | Пропорционально сумме стейкинга | | Безопасность | Доказательство рендеринга | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство вычислительной мощности | Унаследовано от релейной цепи | | Завершенное свидетельство | - | - | Свидетельство о временном замке | Свидетельство о обучении | Свидетельство о рендеринге | Свидетельство TEE | | Гарантия качества | Спор | - | - | Проверяющий и заявитель | Узел проверяющего | Удаленное доказательство | | GPU кластер | Нет | Да | Да | Да | Да | Нет |
! Пересечение AI и DePIN
Важность
Доступность кластерных и параллельных вычислений
Распределенная вычислительная структура реализовала кластер GPU, обеспечивая более эффективное обучение и одновременно повышая масштабируемость. Обучение сложных AI-моделей требует мощных вычислительных ресурсов, и обычно необходимо полагаться на распределенные вычисления для удовлетворения потребностей. Например, модель GPT-4 от OpenAI имеет более 1,8 триллионов параметров и обучалась в течение 3-4 месяцев с использованием около 25 000 графических процессоров Nvidia A100 в 128 кластерах.
Большинство ключевых проектов теперь интегрировали кластеры для параллельных вычислений. io.net сотрудничает с другими проектами, чтобы включить больше GPU в свою сеть и уже развернул более 3,800 кластеров в первом квартале 24 года. Render не поддерживает кластеры, но его работа аналогична, разбивая отдельный кадр на несколько узлов для одновременной обработки. Phala в настоящее время поддерживает только CPU, но позволяет кластеризацию CPU-агентов.
Защита данных
Разработка AI-моделей требует использования больших объемов данных, которые могут содержать конфиденциальную информацию. Поэтому крайне важно принимать достаточные меры безопасности для защиты конфиденциальности данных.
Большинство проектов используют какую-либо форму шифрования данных для защиты конфиденциальности данных. Render использует шифрование и хеширование при публикации результатов рендеринга, io.net и Gensyn применяют шифрование данных, Akash использует аутентификацию mTLS.
io.net недавно сотрудничал с Mind Network для запуска полностью однородного шифрования (FHE), позволяющего обрабатывать зашифрованные данные без необходимости предварительного расшифрования. Phala Network ввела доверенную вычислительную среду (TEE), предотвращая доступ или изменение данных внешними процессами с помощью механизмов изоляции.
Подтверждение завершения расчетов и контроль качества
Из-за широкого диапазона услуг, от рендеринга графики до ИИ вычислений, конечное качество может не соответствовать стандартам пользователя. Завершение проверки и контроля качества полезно для пользователя.
Gensyn и Aethir генерируют доказательства по завершении вычислений, и доказательства io.net показывают, что арендованная производительность GPU используется должным образом. Gensyn и Aethir проводят проверку качества завершенных вычислений. Render рекомендует использовать процесс разрешения споров; если комиссия по проверке обнаружит проблемы с узлом, узел будет сокращен. После завершения Phala будет сгенерировано TEE доказательство, чтобы гарантировать, что AI-агенты выполняют необходимые операции в цепочке.
! Пересечение искусственного интеллекта и DePIN
Аппаратная статистика
| | Рендер | Акаш | io.net | Генсин | Эфир | Фала | |-------------|--------|-------|--------|------------|------------|--------| | Количество GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Количество CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Количество H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Стоимость H100/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
Для обучения AI-моделей необходимы GPU с максимальной производительностью, такие как Nvidia A100 и H100. Производительность H100 в режиме вывода в 4 раза быстрее, чем у A100, что делает его предпочтительным выбором, особенно для крупных компаний, которые обучают свои собственные LLM.
Децентрализация поставщиков GPU на рынке должна конкурировать с коллегами из Web2, не только предлагая более низкие цены, но и удовлетворяя реальные потребности рынка. Учитывая сложность получения эквивалентного оборудования, количество аппаратных средств, которые эти проекты могут ввести в сеть по низкой стоимости, имеет решающее значение для расширения услуг.
У Akash всего лишь немного более 150 H100 и A100 единиц, в то время как io.net и Aethir получили более 2000 единиц соответственно. Обычно для предобучения LLM или генеративной модели с нуля требуется как минимум от 248 до более 2000 GPU в кластере, поэтому последние два проекта более подходят для вычислений крупных моделей.
В настоящее время стоимость этих децентрализованных GPU-сервисов на рынке значительно ниже, чем у централизованных GPU-сервисов. Gensyn и Aethir утверждают, что могут арендовать оборудование, эквивалентное A100, менее чем за 1 доллар в час, но это все еще нужно будет доказать со временем.
Сеть GPU-кластеров имеет множество GPU с низкой стоимостью в час, но их память ограничена по сравнению с GPU, соединенными через NVLink. NVLink поддерживает прямую связь между несколькими GPU, исключая необходимость передачи данных между CPU и GPU, обеспечивая высокую пропускную способность и низкую задержку.
Тем не менее, для пользователей с динамическими требованиями к рабочей нагрузке или необходимостью гибкости и распределения рабочей нагрузки между несколькими узлами, Децентрализация GPU сети по-прежнему может предоставить мощные вычислительные возможности и масштабируемость для распределенных вычислительных задач.
! Пересечение AI и DePIN
Предоставление потребительских GPU/CPU
Несмотря на то, что GPU является основным вычислительным блоком, необходимым для рендеринга и вычислений, CPU также играет важную роль в обучении AI-моделей. Потребительские GPU также могут использоваться для менее интенсивных задач, таких как дообучение уже предобученных моделей или обучение моделей меньшего масштаба на меньших наборах данных.
Учитывая, что более 85% потребительских ресурсов GPU находятся в неиспользуемом состоянии, такие проекты, как Render, Akash и io.net, также могут обслуживать эту часть рынка. Предоставление этих вариантов позволяет им разработать свою собственную рыночную нишу, сосредоточив внимание на вычислениях, требующих больших ресурсов, более универсальном маломасштабном рендеринге или их комбинации.
! Пересечение ИИ и DePIN
Заключение
Область AI DePIN все еще относительно нова и сталкивается с собственными вызовами. Тем не менее, количество задач и оборудования, выполняемых в этих децентрализованных GPU-сетях, продолжает значительно расти. Эта тенденция подтверждает соответствие продуктов сети AI DePIN рынку, так как они эффективно решают проблемы спроса и предложения.
Смотря в будущее, траектория развития искусственного интеллекта указывает на бурно развивающийся рынок стоимостью в десятки триллионов долларов. Эти децентрализованные GPU-сети будут экономически выгодны для разработчиков.