Persimpangan AI dan DePIN: Kebangkitan Jaringan GPU Terdistribusi

Sejak tahun 2023, AI dan DePIN telah menjadi tren populer di bidang Web3, yang pertama memiliki nilai pasar mencapai 30 miliar dolar AS, dan yang kedua bernilai 23 miliar dolar AS. Artikel ini berfokus pada persimpangan keduanya, membahas perkembangan protokol di bidang ini.

Di tumpukan teknologi AI, jaringan DePIN menyediakan utilitas untuk AI melalui sumber daya komputasi. Perkembangan perusahaan teknologi besar menyebabkan kekurangan GPU, membuat pengembang lain kesulitan untuk mendapatkan cukup GPU untuk perhitungan model AI. Ini sering menyebabkan pengembang memilih penyedia cloud terpusat, tetapi karena harus menandatangani kontrak perangkat keras berkinerja tinggi jangka panjang yang tidak fleksibel, efisiensi menjadi rendah.

DePIN menyediakan alternatif yang lebih fleksibel dan lebih hemat biaya, dengan memanfaatkan insentif token untuk mendorong kontribusi sumber daya yang sesuai dengan tujuan jaringan. DePIN di bidang AI mengalihkan sumber daya GPU dari pemilik individu ke pusat data, membentuk pasokan terpadu bagi pengguna yang perlu mengakses perangkat keras. Jaringan ini tidak hanya memberikan kustomisasi dan akses sesuai permintaan bagi pengembang yang membutuhkan kapasitas komputasi, tetapi juga memberikan pendapatan tambahan bagi pemilik GPU.

Ringkasan Jaringan DePIN AI

Render adalah pelopor jaringan P2P yang menyediakan kemampuan komputasi GPU, sebelumnya fokus pada rendering grafik untuk pembuatan konten, kemudian memperluas jangkauan untuk mencakup tugas komputasi AI dari bidang refleksi neural hingga AI generatif.

Akash memposisikan dirinya sebagai alternatif "super cloud" untuk platform tradisional yang mendukung penyimpanan, komputasi GPU, dan CPU. Dengan memanfaatkan alat ramah pengembang seperti platform kontainer dan node komputasi yang dikelola Kubernetes, ia mampu menerapkan perangkat lunak secara mulus di berbagai lingkungan, sehingga dapat menjalankan aplikasi cloud native apa pun.

io.net menyediakan akses ke kluster GPU cloud terdistribusi, yang khusus digunakan untuk kasus AI dan ML. Ini mengagregasi GPU dari pusat data, penambang cryptocurrency, dan bidang jaringan terdesentralisasi lainnya.

Gensyn menawarkan kemampuan komputasi GPU yang berfokus pada pembelajaran mesin dan pembelajaran mendalam. Ini mengklaim telah mencapai mekanisme verifikasi yang lebih efisien dengan menggabungkan penggunaan bukti pembelajaran, protokol penentuan posisi yang berbasis grafik, serta konsep permainan insentif yang melibatkan penyedia komputasi untuk staking dan pemotongan.

Aethir dirancang khusus untuk GPU perusahaan, fokus pada bidang yang membutuhkan perhitungan intensif, terutama kecerdasan buatan, pembelajaran mesin, permainan cloud, dan sebagainya. Kontainer dalam jaringannya berfungsi sebagai titik akhir virtual untuk menjalankan aplikasi berbasis cloud, memindahkan beban kerja dari perangkat lokal ke kontainer untuk memberikan pengalaman dengan latensi rendah.

Phala Network berfungsi sebagai lapisan eksekusi untuk solusi AI Web3. Blockchain-nya adalah solusi komputasi awan tanpa kepercayaan, dirancang untuk menangani masalah privasi melalui penggunaan lingkungan eksekusi terpercaya (TEE). Lapisan eksekusinya memungkinkan agen AI dikendalikan oleh kontrak pintar di blockchain.

Perbandingan Proyek

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Fokus Bisnis | Render Grafik dan AI | Komputasi Awan, Render, dan AI | AI | AI | Kecerdasan Buatan, Permainan Awan, dan Telekomunikasi | Eksekusi AI di Blockchain | | Jenis Tugas AI | Penalaran | Keduanya | Keduanya | Pelatihan | Pelatihan | Pelaksanaan | | Penetapan Harga | Penetapan Harga Berbasis Kinerja | Lelang Terbalik | Penetapan Harga Pasar | Penetapan Harga Pasar | Sistem Tender | Perhitungan Hak | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privasi Data | Enkripsi&Hash | Autentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE | | Biaya Kerja | Setiap Pekerjaan 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% Biaya Cadangan | Biaya Rendah | Setiap sesi 20% | Sejalan dengan jumlah yang dipertaruhkan | | Keamanan | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kapasitas Rendering | Turunan dari Rantai Relai | | Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pemeriksa | Pembuktian Jarak | | GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |

Pentingnya

Ketersediaan kluster dan komputasi paralel

Kerangka kerja komputasi terdistribusi telah mengimplementasikan kluster GPU, menyediakan pelatihan yang lebih efisien tanpa mempengaruhi akurasi model, sekaligus meningkatkan skalabilitas. Melatih model AI yang lebih kompleks memerlukan kemampuan komputasi yang kuat, yang biasanya harus bergantung pada komputasi terdistribusi untuk memenuhi kebutuhannya. Sebagian besar proyek utama sekarang telah mengintegrasikan kluster untuk melakukan komputasi paralel.

Privasi Data

Mengembangkan model AI memerlukan penggunaan sejumlah besar dataset, yang mungkin berasal dari berbagai sumber dan dalam berbagai bentuk. Dataset sensitif seperti catatan medis pribadi, data keuangan pengguna, dll. mungkin menghadapi risiko terpapar kepada penyedia model. Oleh karena itu, memiliki berbagai metode privasi data sangat penting untuk mengembalikan kontrol data kepada penyedia data.

Sebagian besar proyek yang tercakup menggunakan semacam enkripsi data untuk melindungi privasi data. io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsi terlebih dahulu. Phala Network memperkenalkan TEE, yaitu area aman dalam prosesor utama perangkat yang terhubung.

Data Statistik Perangkat Keras

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Jumlah GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Jumlah CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Jumlah H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Biaya H100/jam | - | $1.46 | $1.19 | - | - | - | | Biaya A100/jam | - | $1.37 | $1.50 | $0.55 ( diperkirakan ) | $0.33 ( diperkirakan ) | - |

Kesimpulan

Bidang DePIN AI masih relatif baru, menghadapi tantangannya sendiri. Namun, jumlah tugas dan perangkat keras yang dijalankan dalam jaringan GPU terdesentralisasi ini terus meningkat secara signifikan. Volume tugas yang dijalankan di jaringan ini terus tumbuh, menyoroti meningkatnya permintaan akan alternatif sumber daya perangkat keras dari penyedia cloud Web2. Sementara itu, lonjakan penyedia perangkat keras di jaringan ini menyoroti pasokan yang sebelumnya belum dimanfaatkan dengan baik.

Melihat ke depan, perkembangan kecerdasan buatan menunjukkan arah pasar yang berkembang pesat senilai triliunan dolar, kami percaya bahwa jaringan GPU terdesentralisasi ini akan memainkan peran kunci dalam menyediakan alternatif komputasi yang hemat biaya bagi para pengembang. Dengan memanfaatkan jaringan ini untuk terus menjembatani kesenjangan antara permintaan dan pasokan, jaringan ini akan memberikan kontribusi signifikan terhadap lanskap masa depan kecerdasan buatan dan infrastruktur komputasi.