AI và DePIN: Sự trỗi dậy của mạng GPU Phi tập trung

Gần đây, AI và DePIN đã trở thành những chủ đề nóng trong lĩnh vực Web3, với giá trị thị trường lần lượt đạt 30 tỷ USD và 23 tỷ USD. Bài viết này tập trung vào giao điểm của hai khái niệm, khám phá sự phát triển của các giao thức liên quan.

Trong ngăn xếp công nghệ AI, mạng DePIN cung cấp tài nguyên tính toán để tiếp sức cho AI. Do việc các công ty công nghệ lớn mua sắm số lượng lớn dẫn đến tình trạng thiếu hụt GPU, các nhà phát triển khác gặp khó khăn trong việc có đủ GPU để đào tạo mô hình AI. DePIN cung cấp một giải pháp thay thế linh hoạt hơn và hiệu quả về chi phí, thông qua việc thưởng token để khuyến khích đóng góp tài nguyên. DePIN trong lĩnh vực AI đã cộng tác tài nguyên GPU từ các chủ sở hữu cá nhân đến các trung tâm dữ liệu, tạo ra một nguồn cung đồng nhất cho người dùng. Điều này không chỉ cung cấp cho các nhà phát triển khả năng truy cập tùy chỉnh và theo yêu cầu, mà còn tạo ra thu nhập bổ sung cho các chủ sở hữu GPU.

Thị trường xuất hiện nhiều mạng AI DePIN, mỗi mạng có đặc điểm riêng. Render là người tiên phong trong mạng tính toán GPU P2P, ban đầu tập trung vào việc kết xuất đồ họa, sau đó mở rộng sang các nhiệm vụ tính toán AI. Akash được định vị là "siêu đám mây" thay thế cho các nền tảng đám mây truyền thống, hỗ trợ lưu trữ, tính toán GPU và CPU. io.net cung cấp cụm đám mây GPU phân tán chuyên dụng cho AI và học máy. Gensyn tập trung vào tính toán học máy và học sâu, tuyên bố đã đạt được cơ chế xác minh hiệu quả hơn. Aethir chuyên cung cấp GPU cấp doanh nghiệp, nhắm vào các lĩnh vực tính toán đòi hỏi hiệu suất cao như AI, học máy, trò chơi đám mây. Phala Network thì đóng vai trò là lớp thực thi cho giải pháp Web3 AI, cho phép các tác nhân AI được kiểm soát bởi hợp đồng thông minh trên chuỗi.

Các dự án này có những đặc điểm riêng biệt về phần cứng, trọng tâm kinh doanh, loại nhiệm vụ AI, cơ chế định giá, blockchain, bảo mật dữ liệu và an ninh. Hầu hết các dự án đã tích hợp cụm GPU để thực hiện tính toán song song, đáp ứng nhu cầu đào tạo các mô hình AI phức tạp. Về bảo mật dữ liệu, các dự án áp dụng các công nghệ khác nhau như mã hóa, TEE để bảo vệ dữ liệu nhạy cảm. Để đảm bảo chất lượng tính toán, hầu hết các dự án thiết lập cơ chế chứng minh hoàn thành và kiểm tra chất lượng.

Về phần cứng, các dự án như io.net và Aethir đã có được hơn 2000 đơn vị GPU hiệu suất cao, phù hợp hơn cho việc tính toán mô hình lớn. So với dịch vụ đám mây tập trung, các mạng phi tập trung này có lợi thế rõ rệt về giá cả. Đồng thời, một số dự án cũng cung cấp thị trường cho GPU/CPU tiêu dùng, đáp ứng nhu cầu tính toán với quy mô khác nhau.

Mặc dù lĩnh vực DePIN AI vẫn đang đối mặt với những thách thức, nhưng sự gia tăng đáng kể về khối lượng nhiệm vụ và số lượng phần cứng đã làm nổi bật nhu cầu của thị trường. Trong tương lai, các mạng GPU phi tập trung này được kỳ vọng sẽ đóng vai trò quan trọng trong việc cung cấp các giải pháp tính toán hiệu quả về chi phí cho các nhà phát triển, góp phần quan trọng vào sự phát triển của AI và cơ sở hạ tầng tính toán.