Перетворення AI та DePIN: виникнення розподіленої мережі GPU обчислень

З 2023 року AI та DePIN стали популярними тенденціями у сфері Web3, ринкова капіталізація AI становить приблизно 30 мільярдів доларів, а ринкова капіталізація DePIN - приблизно 23 мільярди доларів. У цій статті зосереджено увагу на перетині обох напрямків, обговорюючи розвиток відповідних протоколів.

У стосунку до технологічного стека ШІ, мережа DePIN забезпечує практичність для ШІ через обчислювальні ресурси. Розвиток великих технологічних компаній призвів до дефіциту GPU, що ускладнило іншим розробникам отримання достатньої кількості GPU для обчислень. Це зазвичай призводить до вибору розробниками централізованих постачальників хмарних послуг, але через необхідність підписання не гнучких довгострокових договорів на високопродуктивне апаратне забезпечення, ефективність знижується.

DePIN в основному пропонує більш гнучке та економічно ефективне рішення, використовуючи токенізовані винагороди для стимулювання внесків у ресурси, що відповідають цілям мережі. DePIN у сфері ШІ краще за все використовує ресурси GPU від приватних власників, які збираються в дата-центрах, формуючи єдине постачання для користувачів, яким потрібен доступ до апаратного забезпечення. Ці мережі DePIN не лише надають розробникам, які потребують обчислювальних потужностей, можливість налаштування та доступу за запитом, а й забезпечують власникам GPU додатковий дохід.

На ринку існує безліч AI DePIN мереж, у цій статті буде розглянуто роль, цілі та досягнення кожного з протоколів.

! Перетин AI та DePIN

Огляд мережі DePIN на базі ШІ

Render є піонером в наданні обчислювальної потужності GPU в P2P мережах, раніше зосереджуючись на рендерингу графіки для створення контенту, а згодом, інтегрувавши такі інструменти, як Stable Diffusion, розширивши діапазон до обчислювальних завдань, що включають нейронні радіаційні поля (NeRF) до генеративного ШІ.

Переваги:

1. Заснована компанією OTOY, яка має технології, нагороджені Оскаром.

2. GPU-мережі були використані такими великими компаніями розважальної індустрії, як Paramount Pictures, PUBG, Star Trek тощо.

3. Співпраця з Stability AI та Endeavor для інтеграції моделей ШІ з робочими процесами рендерингу 3D-контенту за допомогою GPU Render.

4. Затвердити кілька обчислювальних клієнтів, інтегрувати більше GPU мереж DePIN

Akash позиціонує себе як традиційну платформу, що підтримує зберігання, GPU та CPU обчислення, альтернативу "супер хмарі" на зразок AWS(. Завдяки дружнім до розробників інструментам, таким як платформа контейнерів Akash та обчислювальні вузли, керовані Kubernetes, вона може безперешкодно розгортати програмне забезпечення в різних середовищах, що дозволяє запускати будь-які хмарні нативні програми.

Яскраві моменти:

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

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

3. Akash хостить деякі помітні додатки, такі як чат-бот з LLM моделі Mistral AI, модель перетворення тексту в зображення SDXL від Stability AI, а також нову базову модель AT-1 від Thumper AI.

4. Платформи для побудови метасвіту, розгортання ШІ та федеративного навчання використовують Supercloud

io.net надає доступ до розподілених GPU хмарних кластерів, які спеціально створені для випадків використання AI та ML. Він агрегує GPU з центрів обробки даних, криптомайнерів та інших децентралізованих мереж. Компанія раніше була компанією з кількісної торгівлі, і після значного зростання цін на високопродуктивні GPU вона перейшла до поточної діяльності.

Яскраві моменти:

1. Його IO-SDK сумісний з такими фреймворками, як PyTorch і Tensorflow, а його багаторівнева архітектура може автоматично динамічно масштабуватися в залежності від обчислювальних потреб.

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

3. Співпраця з іншими DePIN мережами ) такими як Render, Filecoin, Aethir та Exabits (, інтеграція GPU ресурсів

Gensyn надає обчислювальні можливості GPU, зосереджуючи увагу на машинному навчанні та глибокому навчанні. Він стверджує, що досягнув більш ефективного механізму верифікації, поєднуючи концепції доказу навчання, графічного точного позиціювання та ігрових стимулів, що включають стейкінг та зменшення, для постачальників обчислень.

Основні моменти:

1. Очікувана вартість години використання GPU, еквівалентного V100, становитиме близько 0.40 доларів, що значно зекономить витрати.

2. Завдяки доказу стекування можна доопрацювати попередньо навчану базову модель для виконання більш конкретних завдань.

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

Aethir спеціалізується на встановленні корпоративних GPU, зосереджуючись на обчислювально інтенсивних сферах, головним чином AI, машинному навчанні ) ML (, хмарних іграх тощо. Контейнери в їхній мережі виконують роль віртуальних кінцевих точок для виконання хмарних додатків, переміщуючи навантаження з локальних пристроїв до контейнерів, забезпечуючи низьку затримку. Щоб гарантувати надання якісних послуг користувачам, вони переміщують GPU ближче до джерела даних відповідно до потреб і розташування, таким чином коригуючи ресурси.

Основні моменти:

1. Окрім AI та хмарних ігор, Aethir також розширився до хмарних мобільних послуг, співпрацюючи з APhone для запуску децентралізованого хмарного смартфона.

2. Налагодження широкої співпраці з великими компаніями Web2, такими як NVIDIA, Super Micro, HPE, Foxconn та Well Link.

3. Співпраця з кількома партнерами в Web3 ), такими як CARV, Magic Eden, Sequence, Impossible Finance тощо (.

Phala Network виступає як виконавчий рівень для рішень Web3 AI. Його блокчейн є бездостовірним хмарним обчислювальним рішенням, розробленим для вирішення проблем конфіденційності шляхом використання надійного виконуваного середовища )TEE(. Його виконавчий рівень не використовується як обчислювальний рівень для AI-моделей, а дозволяє AI-агентам контролюватися смарт-контрактами на блокчейні.

Яскраві моменти:

1. Виконання протоколу сопроцесора для верифікованих обчислень, одночасно дозволяючи AI-агентам отримувати ресурси в ланцюгу.

2. Його AI-агентський контракт може отримати провідні великі мовні моделі, такі як OpenAI, Llama, Claude та Hugging Face через Redpill.

3. Майбутнє включатиме zk-докази, багатосторонні обчислення )MPC(, повну гомоморфну криптографію )FHE( та інші багатосторонні системи доказів.

4. У майбутньому буде підтримка інших TEE GPU, таких як H100, для підвищення обчислювальних можливостей

! [Перетин AI та DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(

Порівняння проектів

| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Апаратне забезпечення | Графічний процесор і центральний процесор | Графічний процесор і центральний процесор | Графічний процесор і центральний процесор | Відеокарта | Відеокарта | Центральний процесор | | Основні напрямки бізнесу | Графічний рендеринг та ШІ | Хмарні обчислення, рендеринг та ШІ | ШІ | ШІ | ШІ, хмарні ігри та телекомунікації | Виконання ШІ на блокчейні | | Типи завдань AI | Висновок | Обидва | Обидва | Навчання | Навчання | Виконання | | Ціна роботи | Ціна на основі показників | Зворотні аукціони | Ринкова ціна | Ринкова ціна | Система тендерів | Обчислення прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбітраж | Горошок | | Приватність даних | Шифрування&Хешування | mTLS аутентифікація | Шифрування даних | Безпечна мапа | Шифрування | TEE | | Вартість роботи | Кожна робота 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% резервний збір | Низькі витрати | Кожна сесія 20% | Пропорційно до суми стейкінгу | | Безпека | Доказательство рендерингу | Доказательство прав власності | Доказательство обчислень | Доказательство прав власності | Доказательство рендерингових можливостей | Спадкування з проміжного ланцюга | | Підтвердження завершення | - | - | Підтвердження з таймером | Підтвердження навчання | Підтвердження рендерингу | TEE підтвердження | | Гарантія якості | Спір | - | - | Перевіряючий і повідомник | Нода перевірки | Віддалене підтвердження | | GPU кластер | Ні | Так | Так | Так | Так | Ні |

) важливість

Доступність кластерних і паралельних обчислень

Розподілена обчислювальна платформа реалізує кластер GPU, забезпечуючи більш ефективне навчання без шкоди для точності моделі, одночасно підвищуючи масштабованість. Для навчання складних ІІ моделей потрібна потужна обчислювальна потужність, зазвичай необхідно покладатися на розподілені обчислення, щоб задовольнити попит. Модель GPT-4 від OpenAI має понад 1,8 трильйона параметрів і була навчена за 3-4 місяці з використанням приблизно 25 000 GPU Nvidia A100 у 128 кластерах.

Раніше Render та Akash надавали лише одноцільові GPU, що могло обмежити попит на ринку GPU. Проте більшість основних проектів вже об'єднали кластери для реалізації паралельних обчислень. io.net співпрацює з Render, Filecoin та іншими проектами, щоб залучити більше GPU до своєї мережі, і успішно розгорнула понад 3,800 кластерів у першому кварталі 24 року. Хоча Render не підтримує кластери, його принцип роботи схожий на кластеризацію — він розбиває один кадр на кілька різних вузлів для одночасної обробки різних діапазонів кадрів. Phala наразі підтримує лише CPU, але дозволяє кластеризацію CPU-робітників.

Включення кластерної структури в мережу робочих процесів штучного інтелекту є надзвичайно важливим, але кількість і типи GPU в кластері, необхідні для задоволення потреб розробників ШІ, є іншим питанням.

Приватність даних

Розробка моделей ШІ вимагає використання великих обсягів даних, які можуть надходити з різних джерел і мати різну форму. Чутливі набори даних можуть піддаватися ризику розкриття постачальникам моделей. Вжиття достатніх заходів безпеки є життєво важливим для використання ШІ. Отже, наявність різних методів захисту даних є вкрай важливою для повернення контролю над даними постачальникам даних.

Більшість проектів використовують певну форму шифрування даних для захисту конфіденційності даних. Render використовує шифрування та хешування при публікації результатів рендерингу назад в мережу, тоді як io.net та Gensyn застосовують певну форму шифрування даних. Akash використовує mTLS аутентифікацію, дозволяючи лише обраним постачальникам орендаря отримувати дані.

io.net нещодавно співпрацював з Mind Network для запуску повністю гомоморфного шифрування ###FHE(, що дозволяє обробляти зашифровані дані без необхідності попереднього розшифрування. Ця інновація може краще забезпечити конфіденційність даних, ніж існуючі технології шифрування.

Phala Network впроваджує довірене середовище виконання ) TEE (, яке є безпечним простором у головному процесорі підключеного пристрою. Завдяки цьому механізму ізоляції, він може запобігти доступу або зміні даних зовнішніми процесами, незалежно від їх рівня дозволу. Окрім TEE, він також поєднує використання zk-підтверджень у своєму zkDCAP валідаторі та jtee командному інтерфейсі для інтеграції з програмами, що використовують RiscZero zkVM.

! [Перетин AI та DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(

) обчислення завершено, доказ і контроль якості

Ці проекти надають GPU, які можуть забезпечити обчислювальні потужності для різних послуг. Оскільки спектр послуг є широким, від рендерингу графіки до AI-обчислень, кінцева якість таких завдань може не завжди відповідати стандартам користувачів. Можна використовувати форму підтвердження виконання, щоб підтвердити, що конкретний GPU, орендований користувачем, дійсно використовувався для виконання необхідних послуг, а перевірка якості є корисною для користувачів, які замовляють виконання таких робіт.

Після завершення обчислень Gensyn та Aethir генерують докази, щоб підтвердити, що робота завершена, тоді як доказ io.net свідчить про те, що продуктивність орендованого GPU була використана належним чином і не виникло проблем. Gensyn і Aethir проводять перевірку якості виконаних обчислень. У випадку Gensyn, він використовує валідаторів, які повторно виконують частину згенерованих доказів, щоб звірити їх з самими доказами, в той час як донощик виконує функцію додаткового контролю для валідаторів. Aethir використовує контрольні вузли для визначення якості обслуговування, накладаючи штрафи на сервіси, які не відповідають стандартам. Render рекомендує використовувати процес вирішення суперечок: якщо комісія з перевірки виявить проблеми з вузлом, то цей вузол підлягає зменшенню. Phala після завершення генерує TEE-докази, щоб забезпечити виконання необхідних операцій AI-агентом в блокчейні.

Статистичні дані обладнання

| | 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+ | - | | Вартість H100/година | - | $1.46 | $1.19 | - | - | - | | A100 витрати/годину | - | $1.37 | $1.50 | $0.55 ### прогнозується ( | $0.33 ) прогнозується ( | - |

! [Перетин AI та DePIN])https://img-cdn.gateio.im/webp-social/moments-df4f88879b53c4aa604b248fc9ff393a.webp(

) Вимоги до високопродуктивних GPU

Оскільки для навчання AI-моделей потрібні найкращі за продуктивністю GPU, розробники схиляються до використання GPU, таких як A100 і H100 від Nvidia. Швидкість інференсу H100 у 4 рази вища за A100,