AI та DePIN: Децентралізовані мережі GPU ведуть нові тенденції обчислювальної потужності

AI та DePIN: зростання децентралізованої мережі GPU

З 2023 року AI та DePIN стали популярними тенденціями в галузі Web3, їхня ринкова капіталізація становить відповідно 30 мільярдів доларів та 23 мільярди доларів. У цій статті буде розглянуто перетин обох, досліджуючи розвиток протоколів у цій сфері.

У технологічному стеку AI мережа DePIN забезпечує практичність для AI за рахунок обчислювальних ресурсів. Розвиток великої технологічної компанії призвів до нестачі GPU, через що іншим розробникам важко отримати достатню кількість GPU для обчислень. DePIN пропонує більш гнучке і економічно ефективне рішення, використовуючи винагороди у токенах для стимулювання внесків ресурсів, які відповідають цілям мережі.

AI DePIN передає ресурси GPU від приватних власників до дата-центрів, створюючи єдине постачання для користувачів, які потребують доступу до апаратного забезпечення. Це не лише надає розробникам можливість налаштування та доступу на вимогу, але й забезпечує власників GPU додатковим доходом.

! Перетин AI та DePIN

Огляд мережі AI DePIN

Рендер

Render є піонером P2P-мережі, що надає обчислювальні можливості GPU, зосереджуючи увагу на рендерингу графіки для створення контенту, а потім розширилася на обчислювальні завдання, що включають нейронні відображувальні поля та генеративний ШІ.

Яскраві моменти:

  • Заснована компанією OTOY, яка володіє технологією, що отримала Оскар.
  • GPU-мережа була використана такими великими компаніями розважальної індустрії, як Paramount Pictures, PUBG тощо.
  • Співпраця з Stability AI та Endeavor, інтеграція AI моделей з 3D контентом у робочий процес рендерингу
  • Схвалення кількох обчислювальних клієнтів, інтеграція більшої кількості GPU DePIN мереж

Акаш

Akash позиціонується як "супер-хмара" заміна, що підтримує зберігання, GPU та CPU обчислення. Використовуючи контейнерну платформу та обчислювальні вузли, керовані Kubernetes, можна безшовно розгортати програмне забезпечення в різних середовищах і запускати будь-які хмарні нативні програми.

Яскраві моменти:

  • Для широкого спектра обчислювальних завдань від загальних обчислень до веб-хостингу
  • AkashML дозволяє запускати понад 15 000 моделей на Hugging Face
  • Зберігав чат-боти на основі моделей LLM Mistral AI, моделей SDXL Stability AI та інші застосунки
  • Платформа для побудови метасвіту, розгортання ШІ та федеративного навчання використовує Supercloud

io.net

io.net надає доступ до розподілених GPU хмарних кластерів, спеціально призначених для випадків використання в AI та ML. Він агрегає GPU ресурси з дата-центрів, криптомайнерів та інших децентралізованих мереж.

Яскраві моменти:

  • IO-SDK сумісний з такими фреймворками, як PyTorch і Tensorflow, багаторівнева архітектура може автоматично динамічно масштабуватися відповідно до обчислювальних потреб.
  • Підтримка створення 3 різних типів кластерів, які можна запустити за 2 хвилини
  • Інтеграція ресурсів GPU у співпраці з Render, Filecoin, Aethir та Exabits

Генсин

Gensyn пропонує можливості GPU обчислень, зосереджені на машинному навчанні та глибокому навчанні. Він стверджує, що досягнув більш ефективного механізму верифікації завдяки концепціям, таким як навчальні докази, графічні протоколи точного позиціонування та ігри стимулювання, які залучають постачальників обчислень.

Яскраві моменти:

  • Очікувана вартість години використання GPU еквівалентного V100 становитиме приблизно 0.40 доларів США, що суттєво заощаджує витрати.
  • Можна налаштувати попередньо навчану базову модель для виконання більш конкретних завдань
  • Ці базові моделі будуть децентралізованими, глобально власними, надаючи додаткові функції

Етір

Aethir спеціалізується на підприємницьких GPU, зосереджуючись на обчислювально інтенсивних сферах, головним чином, AI, машинному навчанні, хмарних іграх тощо. Контейнери в його мережі виконують роль віртуальних кінцевих точок для виконання хмарних програм, переміщуючи навантаження з локальних пристроїв до контейнерів, що забезпечує низьку затримку.

Яскраві моменти:

  • Розширення до хмарних телефонних послуг, співпраця з APhone для запуску децентралізованого хмарного смартфона
  • Налагодження широкої співпраці з великими компаніями Web2, такими як NVIDIA, Super Micro, HPE
  • У сфері Web3 з багатьма партнерами, такими як CARV, Magic Eden, Sequence

Мережа Phala

Phala Network виступає як виконавчий рівень рішень Web3 AI. Його блокчейн є рішенням для хмарних обчислень без довіри, розробленим для вирішення проблем конфіденційності за допомогою використання довіреного середовища виконання (TEE).

Яскраві моменти:

  • Виконує роль підтверджуваного обчислювального ко-протоколу, що дозволяє агентам ШІ отримувати ресурси в блокчейні
  • AI-агенти можуть отримати OpenAI, Llama та інші провідні великі мовні моделі через Redpill.
  • Майбутнє буде включати zk-докази, багатосторонні обчислення, повністю гомоморфне шифрування та інші системи множинних доказів
  • Планується 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-орієнтація | Графічний рендеринг та ШІ | Хмарні обчислення, рендеринг та ШІ | ШІ | ШІ | Штучний інтелект, хмарні ігри та телекомунікації | Виконання ШІ на ланцюгу | | Типи завдань AI | Висновок | Обидва | Обидва | Навчання | Навчання | Виконання | | Ціноутворення праці | Ціноутворення на основі ефективності | Зворотні торги | Ринкове ціноутворення | Ринкове ціноутворення | Система тендерів | Розрахунок прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбітраж | Горошок | | Конфіденційність даних | Шифрування&хешування | mTLS автентифікація | Шифрування даних | Безпечна мапа | Шифрування | TEE | | Витрати на роботу | За кожну роботу 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% витрати на резерв | Низькі витрати | За сесію 20% | Пропорційно до суми стейкінгу | | Безпека | Доказательство рендеринга | Доказательство долі | Доказательство вычислений | Доказательство долі | Доказательство производительности рендеринга | Спадок від релейного ланцюга | | Завершення доказу | - | - | Доказ часу затримки | Доказ навчання | Доказ рендерингу | Доказ TEE | | Гарантія якості | Спір | - | - | Верифікатор і повідомник | Нода перевірки | Віддалене підтвердження | | GPU кластер | Ні | Так | Так | Так | Так | Ні |

! Перетин AI та DePIN

Важливість

Доступність кластерних та паралельних обчислень

Розподілена обчислювальна система реалізувала кластер GPU, що забезпечує більш ефективне навчання, одночасно підвищуючи масштабованість. Навчання складних AI моделей потребує потужних обчислювальних ресурсів, зазвичай необхідно покладатися на розподілені обчислення для задоволення потреб. Наприклад, модель GPT-4 від OpenAI має понад 1,8 трильйона параметрів і була навчена за 3-4 місяці з використанням близько 25 000 Nvidia A100 GPU в 128 кластерах.

Більшість ключових проєктів тепер вже інтегрували кластери для досягнення паралельних обчислень. io.net співпрацює з іншими проєктами, щоб залучити більше GPU до своєї мережі, і вже в першому кварталі 24 року розгорнув понад 3,800 кластерів. Render, хоч і не підтримує кластери, працює за схожим принципом, розбиваючи один кадр на кілька вузлів для одночасної обробки. Phala наразі підтримує лише CPU, але дозволяє кластеризацію CPU-робітників.

Захист даних

Розробка AI-моделей вимагає використання великих наборів даних, які можуть містити чутливу інформацію. Тому вжиття достатніх заходів безпеки для захисту конфіденційності даних є вкрай важливим.

Більшість проектів використовують якусь форму шифрування даних для захисту конфіденційності даних. Render використовує шифрування та хешування при публікації результатів рендерингу, io.net та Gensyn застосовують шифрування даних, Akash використовує аутентифікацію mTLS.

io.net нещодавно співпрацював з Mind Network для запуску повної гомоморфної криптографії (FHE), що дозволяє обробляти зашифровані дані без необхідності попереднього їх розшифрування. Phala Network впровадила довірче середовище (TEE), яке запобігає доступу або зміні даних з боку зовнішніх процесів завдяки механізмам ізоляції.

Обчислення доказу виконання та перевірки якості

Оскільки сфера послуг є широкою, від рендерингу графіки до обчислень ШІ, остаточна якість може не відповідати стандартам користувача. Завершення доказів та перевірка якості є корисними для користувачів.

Gensyn та Aethir генерують докази після завершення обчислень, а докази io.net свідчать про те, що орендовані GPU ресурси використовуються в повному обсязі. Gensyn та Aethir здійснюють перевірку якості завершених обчислень. Render рекомендує використовувати процес вирішення спорів, якщо комісія з перевірки виявить проблеми з вузлом, то цей вузол буде скорочено. Після завершення Phala буде згенеровано TEE доказ, який забезпечить виконання необхідних операцій AI-агентом в ланцюзі.

! Перетин AI та DePIN

Статистика апаратного забезпечення

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

Вимоги до високопродуктивних GPU

Тренування моделей ШІ вимагає найкращих за продуктивністю GPU, таких як A100 та H100 від Nvidia. Швидкість інференсу H100 в 4 рази перевищує A100, що робить його вибором номер один, особливо для великих компаній, які тренують свої LLM.

Децентралізація GPU ринку постачальників повинна конкурувати з Web2 колегами, не лише пропонуючи нижчі ціни, але й задовольняючи реальні потреби ринку. Враховуючи складність отримання аналогічного обладнання, кількість апаратного забезпечення, яке ці проекти можуть впровадити в мережу за низькою ціною, є критично важливою для розширення послуг.

Akash всього має лише трохи більше 150 H100 та A100 одиниць, тоді як io.net та Aethir відповідно отримали понад 2000 одиниць. Зазвичай, для попереднього навчання LLM або генеративної моделі з нуля потрібно щонайменше 248 до понад 2000 GPU в кластері, тому два останні проекти більше підходять для обчислень великих моделей.

Наразі витрати на ці децентралізовані GPU-сервіси на ринку вже значно нижчі, ніж на централізовані GPU-сервіси. Gensyn та Aethir обидва стверджують, що можуть здавати в оренду еквівалент апаратного забезпечення A100 за ціною менше 1 долара на годину, але це все ще потрібно підтвердити з часом.

Кластери GPU з мережевим з'єднанням мають велику кількість GPU, їхня вартість за годину є нижчою, але їх пам'ять обмежена в порівнянні з GPU, підключеними через NVLink. NVLink підтримує безпосередню комунікацію між кількома GPU без необхідності передавати дані між CPU і GPU, забезпечуючи високу пропускну здатність і низьку затримку.

Попри це, для тих, хто має динамічні вимоги до навантаження або потребує гнучкості та можливості розподілу навантаження між кількома вузлами, децентралізована GPU-мережа все ще може забезпечити потужні обчислювальні можливості та масштабованість для розподілених обчислювальних завдань.

! Перетин AI та DePIN

Надання споживчих GPU/CPU

Хоча GPU є основним обробним модулем, необхідним для рендерингу та обчислень, CPU також відіграє важливу роль у навчанні AI моделей. Споживчі GPU можуть також використовуватися для менш інтенсивних завдань, таких як доопрацювання вже попередньо навчених моделей або навчання менших моделей на менших наборах даних.

Враховуючи, що понад 85% споживачів GPU-ресурсів перебувають у стані простою, такі проекти, як Render, Akash та io.net, також можуть обслуговувати цю частину ринку. Надання цих варіантів дозволяє їм розвивати власну ринкову нішу, зосереджуючи увагу на масових обчисленнях, більш універсальному маломасштабному рендерингу або на комбінації двох.

! Перетин AI та DePIN

Висновок

Сфера AI DePIN все ще відносно нова і стикається зі своїми викликами. Однак кількість завдань та апаратного забезпечення, що виконується в цих децентралізованих GPU-мережах, все ще значно зростає. Ця тенденція підтверджує відповідність продуктів AI DePIN-мережі ринку, оскільки вони ефективно вирішують виклики з попитом і пропозицією.

Поглядаючи в майбутнє, розвиток штучного інтелекту вказує на процвітаючий ринок в десятки трильйонів доларів. Ці розподілені мережі GPU забезпечать економічну вигоду для розробників.

Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
  • Нагородити
  • 4
  • Поділіться
Прокоментувати
0/400
retroactive_airdropvip
· 07-30 09:01
бик Мережевий картка ще може майнити
Переглянути оригіналвідповісти на0
0xSoullessvip
· 07-30 08:58
невдахи знову знайшли нове місце, де їх обдурюють, як лохів
Переглянути оригіналвідповісти на0
Fren_Not_Foodvip
· 07-30 08:43
Інше я не знаю, просто питаю, чи можна ще купувати просадку на gpu установці для майнінгу.
Переглянути оригіналвідповісти на0
NeverPresentvip
· 07-30 08:37
Хто піде знімати шерсть з картки N?
Переглянути оригіналвідповісти на0
  • Закріпити