AI ve DePIN'in Bütünleşmesi: Hesaplama Kaynakları İçin Yeni Bir Düzenin Keşfi

2023 yılından bu yana, AI ve DePIN Web3 alanında büyük ilgi gördü ve piyasa değerleri sırasıyla 30 milyar dolar ve 23 milyar dolara ulaştı. Bu makale, her iki alanın kesişimindeki gelişmelere odaklanmaktadır.

AI teknolojisi yığını içinde, DePIN ağı hesaplama kaynakları sağlayarak AI'ya güç katmaktadır. Büyük teknoloji şirketlerinin GPU'ya olan yüksek talebi, arz sıkıntısına yol açarak diğer AI model geliştiricilerinin hesaplama kaynakları eksikliği ile karşılaşmasına neden olmaktadır. Geleneksel çözümler, merkezi bulut hizmet sağlayıcılarını seçmek gibi, esneklik eksikliği ve yüksek maliyet gibi sorunlar içermektedir.

DePIN ağı, daha esnek ve maliyet etkin bir alternatif sunar. Bireysel GPU kaynaklarını bir araya getirerek, talep edenlere özelleştirilmiş ve gerektiğinde kullanılan hesaplama gücü sağlarken, GPU atıl kaynak sahiplerine ek gelir yaratmak için token teşvik mekanizması kullanır.

Piyasada çeşitli AI DePIN ağları ardı ardına ortaya çıkıyor, aşağıda birkaç tipik projenin özelliklerini ve gelişim durumunu inceleyeceğiz.

AI DePIN Ağı Genel Bakış

Render

Render, P2P GPU hesaplama ağının öncüsüdür ve başlangıçta içerik oluşturma için grafik renderleme alanına odaklanmış, daha sonra AI hesaplama görevlerine genişlemiştir.

Ana Özellikler:

• Oscar ödüllü teknoloji şirketi OTOY tarafından kuruldu
• Paramount Pictures, PUBG gibi eğlence endüstrisi devlerinin benimsenmesini sağlamak
• Stability AI gibi firmalarla iş birliği yaparak, AI modellerini ve 3D render iş akışını entegre etmek
• Birçok hesaplama istemcisini destekler, daha fazla DePIN ağı GPU kaynağını entegre eder.

Akash

Akash, depolama, GPU ve CPU hesaplamalarını destekleyen bir "süper bulut" platformu olarak konumlandırılmaktadır ve geleneksel bulut hizmetlerinin alternatifidir.

Ana Özellikler:

• Genel hesaplamadan ağ barındırmaya kadar geniş hesaplama görevlerine yöneliktir
• AkashML, Hugging Face üzerinde 15.000'den fazla modeli çalıştırmayı destekliyor.
• Birçok tanınmış AI uygulamasını, örneğin Mistral AI'nin LLM sohbet robotunu barındırmaktadır.
• Metaverse, AI dağıtım ve federated öğrenme platformları hizmetlerini kullanıyor.

io.net

io.net, AI ve ML uygulama senaryolarına odaklanan dağıtık GPU bulut kümeleri sunmaktadır.

Ana Özellikler:

• IO-SDK, PyTorch ve Tensorflow gibi çerçevelerle uyumludur.
• 2 dakika içinde başlatılabilecek 3 farklı türde küme oluşturmayı destekler.
• Render, Filecoin gibi diğer DePIN ağlarının GPU kaynaklarını aktif bir şekilde entegre etmek

Gensyn

Gensyn, makine öğrenimi ve derin öğrenmeye odaklanan GPU hesaplama gücüne sahiptir.

Ana Özellikler:

• V100 eşdeğer GPU'nun saatlik maliyeti yaklaşık 0.40 dolar, maliyetleri önemli ölçüde düşürür.
• Önceden eğitilmiş temel modelin ince ayarını destekler
• Merkeziyetsiz küresel paylaşım temeli modeli

Aethir

Aethir, kurumsal düzeyde GPU'lara odaklanarak AI, makine öğrenimi, bulut oyun gibi hesaplama yoğun alanlarda uzmanlaşmaktadır.

Ana özellikler:

• Bulut telefon hizmetine genişletildi, merkeziyetsiz bulut akıllı telefon için APhone ile iş birliği yapıldı
• NVIDIA, Super Micro gibi Web2 devleriyle geniş işbirlikleri kurmak
• CARV, Magic Eden gibi birçok Web3 projesi ile işbirliği

Phala Ağı

Phala Network, Web3 AI çözümleri için bir uygulama katmanı olarak, gizlilik sorunlarını güvenilir yürütme ortamı ( TEE ) aracılığıyla tasarlamaktadır.

Ana Özellikler:

• Doğrulanabilir hesaplama için bir yardımcı işlemci protokolü, AI ajanlarının zincir üzerindeki kaynak çağrısını destekler.
• AI ajan sözleşmeleri Redpill aracılığıyla OpenAI, Llama gibi en iyi büyük dil modellerine entegre edilebilir.
• Gelecekte zk-kanıtları, çok taraflı hesaplama, homomorfik şifreleme gibi çoklu kanıt sistemleri desteklenecektir.
• H100 gibi TEE GPU'larını desteklemeyi planlıyor, hesaplama kapasitesini artırıyor

Proje Karşılaştırması

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Donanım | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | İş Alanı | Grafik Renderleme ve AI | Bulut Bilişim, Renderleme ve AI | AI | AI | Yapay Zeka, Bulut Oyun ve Telekomünikasyon | Zincir Üzerinde AI Uygulaması | | AI Görev Türü | Çıkarım | İki Taraf | İki Taraf | Eğitim | Eğitim | Uygulama | | Çalışma Fiyatlandırması | Performansa Dayalı Fiyatlandırma | Ters İhale | Piyasa Fiyatlandırması | Piyasa Fiyatlandırması | İhale Sistemi | Hak Hesabı | | Blok zinciri | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Veri Gizliliği | Şifreleme&Hash | mTLS Kimlik Doğrulama | Veri Şifreleme | Güvenli Haritalama | Şifreleme | TEE | | İşçilik Ücreti | Her İş %0.5-5 | %20 USDC, %4 AKT | %2 USDC, %0.25 Rezerv Ücreti | Düşük Ücretler | Her oturum %20 | Teminat Miktarı ile Orantılı | | Güvenlik | Render Kanıtı | Hisse Kanıtı | Hesaplama Kanıtı | Hisse Kanıtı | Render Kapasite Kanıtı | Ara Zincirden Miras Alır | | Tamamlanma Kanıtı | - | - | Zaman Kilidi Kanıtı | Öğrenme Kanıtı | Renderleme İş Kanıtı | TEE Kanıtı | | Kalite Güvencesi | İhtilaf | - | - | Doğrulayıcılar ve Bildiriciler | Kontrol Düğümleri | Uzaktan Kanıtlama | | GPU kümesi | Hayır | Evet | Evet | Evet | Evet | Hayır |

önem analizi

Küme ve paralel hesaplamanın kullanılabilirliği

Dağıtık hesaplama çerçevesi, modelin doğruluğunu etkilemeden eğitim verimliliğini ve ölçeklenebilirliğini artırmak için GPU kümesini gerçekleştirir. Karmaşık AI model eğitimi güçlü hesaplama gücü gerektirir ve genellikle dağıtık hesaplamaya dayanır. Çoğu proje artık küme entegrasyonunu paralel hesaplama için kullanmaktadır. io.net, birçok ortakla GPU kaynaklarını entegre ederek 2024'ün ilk çeyreğinde 3,800'den fazla küme dağıtmıştır.

Veri gizliliği

AI modeli geliştirme, büyük veri setleri gerektirir ve hassas kişisel bilgileri içerebilir. Projeler genellikle gizliliği korumak için veri şifrelemesi kullanmaktadır. io.net, Mind Network ile işbirliği yaparak tamamen homomorfik şifreleme (FHE) sunmaktadır, bu da şifrelenmiş durumda veri işlenmesine olanak tanır. Phala Network, dış erişimi veya veri değişikliğini engellemek için güvenilir yürütme ortamı (TEE) tanıtmaktadır.

Hesaplama Tamamlanma Belgesi ve Kalite Kontrolü

Projeler, tamamlanmanın ve kalitenin doğrulanmasında farklı yöntemler kullanmaktadır. Gensyn ve Aethir, tamamlanma kanıtı üretir ve kalite kontrolü yapar. io.net'in kanıtı, GPU performansının yeterince kullanıldığını ve sorun olmadığını göstermektedir. Render, ihtilaf çözüm sürecinin kullanılmasını önermektedir. Phala, AI ajanının gerekli işlemleri gerçekleştirmesini sağlamak için TEE kanıtı üretmektedir.

Donanım istatistik verileri

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | GPU Sayısı | 5600 | 384 | 38177 | - | 40000+ | - | | CPU Sayısı | 114 | 14672 | 5433 | - | - | 30000+ | | H100/A100 Miktarı | - | 157 | 2330 | - | 2000+ | - | | H100 Ücreti/Saat | - | $1.46 | $1.19 | - | - | - | | A100 Ücret/Saat | - | $1.37 | $1.50 | $0.55 ( tahmin ) | $0.33 ( tahmin ) | - |

Yüksek performanslı GPU gereksinimleri

AI model eğitimi, Nvidia A100 ve H100 gibi yüksek performanslı GPU'ları kullanma eğilimindedir. Merkeziyetsiz GPU pazar sağlayıcılarının, pazar talebini karşılamak için yeterli sayıda yüksek performanslı donanım sunması gerekmektedir. io.net ve Aethir, büyük model hesaplamaları için daha uygun olan 2000'den fazla H100/A100 birimine sahiptir.

Bu merkeziyetsiz GPU hizmetlerinin maliyeti, merkezi hizmetlerin altına düştü. Gensyn ve Aethir, A100 seviyesinde donanımı saatte 1 dolardan daha düşük bir fiyatla kiralayabileceklerini iddia ediyor.

Tüketici seviyesi GPU/CPU sağlamak

CPU, AI model eğitiminde de önemli bir rol oynamaktadır. Tüketici sınıfı GPU'lar, ince ayar yapmak veya küçük ölçekli model eğitimleri için kullanılabilir. Render, Akash ve io.net gibi projeler, bu pazara hizmet ederek farklı ölçeklerdeki hesaplama ihtiyaçlarına seçenekler sunabilir.

Sonuç

AI DePIN alanı hala erken aşamalarda, birçok zorlukla karşı karşıya. Ancak bu merkeziyetsiz GPU ağlarının gerçekleştirdiği görevler ve donanım sayısı önemli ölçüde artıyor, bu da Web2 bulut hizmetleri için alternatif çözümlere olan talebi vurguluyor.

Gelecekteki AI pazarı trilyon dolarlık bir ölçeğe ulaşacak, bu dağıtık GPU ağlarının geliştiricilere ekonomik ve verimli hesaplama alternatifleri sunma konusunda önemli bir rol oynaması bekleniyor. Talep ve arz arasındaki farkı sürekli olarak kapatarak, bu ağlar AI ve hesaplama altyapısının gelecekteki yapısına önemli katkılarda bulunacaktır.