AI DePIN сеть: будущее децентрализованных GPU вычислений

С 2023 года AI и DePIN стали популярными тенденциями в области Web3, рыночная капитализация которых достигла 30 миллиардов долларов и 23 миллиардов долларов соответственно. В данной статье рассматривается пересечение этих двух областей и обсуждается развитие соответствующих протоколов.

В стеке технологий ИИ сеть DePIN предоставляет вычислительные ресурсы для усиления ИИ. Дефицит GPU, вызванный крупными технологическими компаниями, затрудняет другим разработчикам ИИ получение достаточной вычислительной мощности GPU. Традиционный подход заключается в выборе централизованных облачных провайдеров, но при этом необходимо подписывать не гибкие долгосрочные контракты, что приводит к низкой эффективности.

DePIN предоставляет более гибкие и экономически эффективные альтернативы, стимулируя вклад ресурсов, соответствующий целям сети, с помощью токенов. DePIN в области ИИ интегрирует личные ресурсы GPU в центры обработки данных, предоставляя пользователям единое предложение. Это не только предлагает разработчикам индивидуализированный и по требованию доступ, но и создает дополнительные доходы для владельцев GPU.

На рынке существует множество AI DePIN сетей, в этой статье будут рассмотрены функции, цели и особенности различных протоколов, а также их различия.

! Пересечение AI и DePIN

Обзор сети AI DePIN

Рендер

Render является пионером P2P GPU вычислительной сети, изначально сосредоточившимся на графическом рендеринге, а затем расширившимся на задачи ИИ вычислений.

Яркое пятно:

• Основана компанией OTOY, получившей Оскар за технические достижения
• GPU-сеть используется такими крупными развлекательными компаниями, как Paramount, PUBG и другими.
• Сотрудничество с такими компаниями, как Stability AI, для интеграции AI-моделей в рабочий процесс 3D-контента.
• Одобрение нескольких вычислительных клиентов, интеграция большего количества GPU DePIN сети

Акеш

Akash позиционируется как "супероблачная" платформа, поддерживающая хранение, вычисления на GPU и CPU, и является альтернативой традиционным платформам, таким как AWS. С помощью контейнерной платформы и управляемых Kubernetes вычислительных узлов можно безболезненно развертывать любые облачные нативные приложения.

Яркое пятно:

• Ориентирован на широкий спектр вычислительных задач, от общего вычисления до веб-хостинга
• AkashML позволяет запускать более 15 000 моделей на Hugging Face
• Хранение важнейших приложений, таких как LLM-чат-бот Mistral AI, SDXL от Stability AI и др.
• Метавселенная, платформы развертывания ИИ и федеративного обучения используют свой супероблако

io.net

io.net предоставляет специализированный доступ к распределенным GPU облачным кластерам для AI и ML, агрегируя ресурсы GPU из дата-центров, майнеров и других источников.

Яркие моменты:

• IO-SDK совместим с такими фреймворками, как PyTorch и Tensorflow, и может автоматически масштабироваться в зависимости от потребностей.
• Поддержка создания 3 различных типов кластеров, запуск в течение 2 минут
• Сотрудничество с Render, Filecoin и другими DePIN сетями для интеграции GPU

Gensyn

Gensyn предлагает вычислительные мощности GPU, сосредоточенные на машинном обучении и глубоком обучении. С помощью таких технологий, как доказательство обучения, реализуется более эффективный механизм валидации.

Яркая сторона:

• Стоимость использования GPU V100 составляет примерно 0,40 доллара в час, что значительно экономит затраты.
• Можно дообучить предобученную базовую модель для выполнения более конкретных задач
• Базовая модель будет децентрализованной, глобально доступной и предоставит дополнительные функции.

Этир

Aethir специализируется на развертывании корпоративных GPU, сосредотачиваясь на вычислительно интенсивных областях, таких как ИИ, машинное обучение и облачные игры. Контейнеры в сети выступают в качестве виртуальных конечных точек для выполнения облачных приложений, обеспечивая низкую задержку.

Яркое пятно:

• Расширение до облачного телефонного сервиса, сотрудничество с APhone для запуска децентрализованного облачного телефона
• Установление широкого сотрудничества с крупными компаниями Web2, такими как NVIDIA и HPE
• С несколькими партнерами Web3, такими как CARV, Magic Eden и другими

Сеть ### Phala

Phala Network как исполняющий уровень Web3 AI решений использует доверенную исполняющую среду (TEE) для решения вопросов конфиденциальности. Это позволяет AI-агентам контролироваться смарт-контрактами на блокчейне.

Яркое пятно:

• Как протокол сопроцессора для верифицируемых вычислений, предоставляет возможности для AI-агентов на блокчейне.
• Контракты AI-агентов могут быть получены через Redpill с использованием таких ведущих языковых моделей, как OpenAI.
• Будущее будет включать такие многослойные системы доказательств, как zk-proofs, MPC, FHE и др.
• В будущем поддержка TEE GPU, таких как H100, улучшит вычислительные мощности

Сравнение проектов

| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Основные направления бизнеса | Графическая визуализация и ИИ | Облачные вычисления, визуализация и ИИ | ИИ | ИИ | ИИ, облачные игры и телекоммуникации | Исполнение ИИ на блокчейне | | Тип задачи AI | Вывод | Оба допустимы | Оба допустимы | Обучение | Обучение | Выполнение | | Ценообразование на работу | Ценообразование на основе производительности | Обратный аукцион | Рыночное ценообразование | Рыночное ценообразование | Система тендеров | Расчет прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек | | Приватность данных | Шифрование&Хеширование | mTLS аутентификация | Шифрование данных | Безопасная карта | Шифрование | TEE | | Рабочие расходы | 0.5-5% за каждую работу | 20% USDC, 4% AKT | 2% USDC, 0.25% резервный сбор | Низкие расходы | 20% за каждую сессию | Пропорционально ставке стейкинга | | Безопасность | Доказательство рендеринга | Доказательство прав | Доказательство вычислений | Доказательство прав | Доказательство вычислительных мощностей | Унаследовано от промежуточной цепи | | Завершение доказательства | - | - | Доказательство временной блокировки | Доказательство обучения | Доказательство рендеринга | Доказательство TEE | | Гарантия качества | Спор | - | - | Проверяющий и сообщающий | Узел проверок | Удаленное доказательство | | GPU集群 | Нет | Да | Да | Да | Да | Нет |

! Пересечение AI и DePIN

Важность

Доступность кластерных и параллельных вычислений

Распределенная вычислительная рамка реализовала кластер GPU, обеспечивая более эффективное обучение и одновременно увеличивая масштабируемость. Для обучения сложных ИИ-моделей требуется мощная вычислительная способность, которая обычно зависит от распределенных вычислений. Например, модель GPT-4 от OpenAI имеет более 1,8 триллионов параметров и обучалась на примерно 25 000 графических процессоров Nvidia A100 в 128 кластерах в течение 3-4 месяцев.

Большинство проектов теперь объединены в кластеры для реализации параллельных вычислений. io.net сотрудничает с другими проектами, чтобы включить больше GPU в сеть, уже в первом квартале 2024 года было развернуто более 3,800 кластеров. Render хотя и не поддерживает кластеры, но разбивает отдельный кадр на несколько узлов для одновременной обработки, принцип работы схожий. Phala в настоящее время поддерживает только CPU, но позволяет кластеризацию процессоров.

! Пересечение AI и DePIN

Защита данных

Разработка AI-моделей требует больших наборов данных, которые могут содержать конфиденциальную информацию. Samsung отключил ChatGPT из-за опасений по поводу утечки кода, а инцидент с утечкой 38 ТБ данных Microsoft подчеркивает важность мер безопасности AI. Поэтому различные методы защиты данных имеют решающее значение для обеспечения контроля над данными.

Большинство проектов используют какую-либо форму шифрования данных. Render использует шифрование и хэширование при публикации результатов рендеринга, io.net и Gensyn применяют шифрование данных, а Akash использует mTLS аутентификацию для ограничения доступа к данным.

Недавно io.net сотрудничала с Mind Network для запуска полностью гомоморфного шифрования (FHE), позволяющего обрабатывать зашифрованные данные без их расшифровки, что лучше защищает конфиденциальность данных по сравнению с существующими криптографическими технологиями.

Phala Network вводит доверенную среду выполнения ( TEE ), чтобы предотвратить доступ внешних процессов к данным или их изменение. Он также сочетает zk-доказательства в валидаторе zkDCAP и jtee CLI для интеграции RiscZero zkVM.

! Пересечение искусственного интеллекта и DePIN

Подтверждение завершения расчета и контроль качества

Из-за широкого спектра услуг, от рендеринга до AI-вычислений, конечное качество может не всегда соответствовать стандартам пользователя. Завершение проверки и контроль качества полезны для пользователей.

Gensyn и Aethir завершили генерацию доказательства, а доказательство io.net показывает, что производительность GPU была полностью использована. Gensyn и Aethir проводят контроль качества, Gensyn использует валидаторов и репортеров, Aethir использует проверочные узлы. Render рекомендует использовать процесс разрешения споров. Phala генерирует TEE доказательства, чтобы гарантировать выполнение необходимых операций AI-агентами.

Статистика оборудования

| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |-------------|--------|-------|--------|------------|------------|--------| | Количество GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Количество CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Количество H100/A100 | - | 157 | 2330 | - | 2000+ | - | | H100 стоимость/час | - | $1.46 | $1.19 | - | - | - | | A100 стоимость/час | - | $1.37 | $1.50 | $0.55 (预计) | $0.33 (预计) | - |

! Пересечение AI и DePIN

Высокопроизводительный спрос на GPU

Модели ИИ склонны использовать высокопроизводительные GPU, такие как Nvidia A100 и H100, для обучения. Производительность вывода H100 в 4 раза выше, чем у A100, что делает его предпочтительным выбором для крупных компаний при обучении LLM.

Поставщики децентрализованного GPU-рынка должны предлагать более низкие цены и удовлетворять реальные потребности. В 2023 году Nvidia доставила более 500 000 H100 крупным технологическим компаниям, что сделало получение аналогичного оборудования сложным. Поэтому важно учитывать количество оборудования, которое эти проекты могут ввести по низкой цене, для расширения клиентской базы.

У Akash всего чуть более 150 H100 и A100, в то время как у io.net и Aethir более 2000. Предобученные LLM или генеративные модели обычно требуют от 248 до более 2000 GPU-кластеров, поэтому последние два проекта более подходят для вычислений крупных моделей.

Стоимость децентрализованных GPU-услуг уже ниже, чем у централизованных. Gensyn и Aethir утверждают, что могут арендовать оборудование уровня A100 менее чем за 1 доллар в час, но потребуется время для проверки.

По сравнению с GPU, подключенными через NVLink, память в кластерах GPU с сетевым подключением ограничена. NVLink поддерживает прямую связь между GPU, что подходит для LLM с большими параметрами и большими наборами данных. Тем не менее, децентрализованная сеть GPU по-прежнему предоставляет мощные вычислительные мощности и масштабируемость для распределенных вычислительных задач, создавая возможности для разработки большего числа случаев использования ИИ и МЛ.

! Пересечение ИИ и DePIN

предоставляет потребительские GPU/CPU

ЦПУ также играет важную роль в обучении ИИ-моделей, используется для предварительной обработки данных и управления памятью. Потребительские GPU могут использоваться для дообучения предобученных моделей или для обучения моделей небольшого масштаба.

Учитывая, что более 85% ресурсов GPU простаивают, такие проекты, как Render, Akash и io.net, также обслуживают этот рынок. Предоставление этих опций позволяет им развивать нишевые рынки, сосредотачиваясь на высокомасштабных вычислениях, мелком рендеринге или их сочетании.

! Пересечение искусственного интеллекта и DePIN

Заключение

Область AI DePIN все еще относительно нова и сталкивается с вызовами. Например, io.net была обвинена в подделке количества GPU, но затем решила проблему, введя процесс доказательства работы.

Тем не менее, количество задач и оборудования, выполняемых в этих децентрализованных GPU-сетях, значительно увеличилось, что подчеркивает растущий спрос на альтернативные аппаратные ресурсы, предоставляемые облачными провайдерами Web2. В то же время увеличение числа поставщиков оборудования отражает ранее неиспользованный потенциал предложения. Это дополнительно подтверждает соответствие продуктового рынка AI DePIN сетей, эффективно решающей проблемы спроса и предложения.

Смотря в будущее, ИИ будет развиваться в процветающий рынок стоимостью в триллионы долларов. Эти распределенные GPU-сети сыграют ключевую роль в предоставлении разработчикам экономически эффективных вычислительных альтернатив. Постоянно сокращая разрыв между спросом и предложением, эти сети внесут значительный вклад в будущее ландшафта ИИ и вычислительной инфраструктуры.

! Пересечение AI и DePIN