AI и DePIN: исследование Децентрализации сети GPU вычислений

С 2023 года AI и DePIN привлекли много внимания в области Web3, их рыночная капитализация достигла 30 миллиардов долларов и 23 миллиардов долларов соответственно. Эта статья направлена на исследование перекрестной области AI и DePIN, изучая развитие соответствующих протоколов.

В технологическом стеке ИИ сеть DePIN предоставляет вычислительные ресурсы для поддержки ИИ. Спрос крупных технологических компаний на GPU привел к нехватке, из-за чего другим разработчикам трудно получить достаточно GPU для вычислений. Это часто заставляет разработчиков выбирать централизованные облачные услуги, но долгосрочные контракты на высокопроизводительное оборудование обычно не обладают гибкостью и неэффективны.

DePIN предлагает более гибкое и экономически выгодное решение, стимулируя вклад ресурсов через токенизированные вознаграждения. DePIN в области ИИ объединяет ресурсы GPU от частных владельцев и дата-центров, предоставляя единое предложение пользователям, нуждающимся в оборудовании. Эти сети не только предоставляют разработчикам возможность настраиваемого и по требованию доступа, но и создают дополнительный доход для владельцев GPU.

На рынке существует множество сетей AI DePIN, каждая из которых имеет свои особенности. Ниже мы рассмотрим характеристики и цели нескольких основных проектов.

! Пересечение AI и DePIN

Обзор сети AI DePIN

Рендер

Render является пионером P2P сети, предоставляющим вычислительные мощности GPU, изначально сосредоточенным на графическом рендеринге для создания контента, а позже расширившим свои возможности на задачи AI.

Особенности:

• Основана облачной графической компанией OTOY, лауреатом премии Оскар
• GPU сети были использованы такими крупными компаниями, как Paramount Pictures, PUBG и другими.
• Сотрудничая с Stability AI и Endeavor, интеграция AI моделей с 3D контентом рендеринга
• Одобрение нескольких вычислительных клиентов, интеграция большего количества GPU сетей DePIN

Акаши

Akash позиционируется как "супероблачная" платформа, поддерживающая хранение, вычисления на GPU и CPU, и является альтернативой традиционным облачным сервисам.

Особенности:

• Для широкого спектра вычислительных задач от общего вычисления до хостинга в сети
• AkashML поддерживает запуск более 15 000 моделей на Hugging Face
• Хостинг чат-ботов на основе моделей LLM Mistral AI, таких как SDXL от Stability AI и другие приложения
• Поддержка метавселенной, AI-развертывания и платформы федеративного обучения

io.net

io.net предоставляет доступ к распределённым GPU облачным кластерам, специально предназначенным для случаев использования ИИ и МЛ.

Особенности:

• IO-SDK совместим с такими фреймворками, как PyTorch и Tensorflow
• Поддержка создания 3 различных типов кластеров, которые могут быть запущены за 2 минуты
• Сотрудничество с сетями, такими как Render, Filecoin, Aethir для интеграции ресурсов GPU

Gensyn

Gensyn предоставляет вычислительные мощности GPU, сосредоточенные на машинном обучении и глубоких нейронных сетях.

Особенности:

• Эквивалентные GPU V100 стоят примерно 0,40 доллара за час, что значительно экономит затраты.
• Поддержка дообучения предобученных базовых моделей
• Предоставление децентрализованной, глобально共享ной базовой модели

Этир

Aethir предлагает корпоративные GPU, ориентированные на вычислительно интенсивные области, такие как ИИ, МЛ, облачные игры.

Особенности:

• Расширение до облачных мобильных услуг, сотрудничество с APhone для запуска Децентрализованного облачного смарт телефона
• Установление широкого сотрудничества с крупными компаниями, такими как NVIDIA, Super Micro, HPE
• Множество партнеров в экосистеме Web3, таких как CARV, Magic Eden и др.

Сеть ### Phala

Phala Network как уровень выполнения Web3 AI решений, решает проблемы конфиденциальности через доверенную среду выполнения (TEE).

Характеристика:

• Выступает в роли протокола сопроцессора для верифицируемых вычислений, позволяя агентам ИИ использовать ресурсы на блокчейне.
• Получите лучшие языковые модели, такие как OpenAI, Llama и другие, через Redpill
• Будущее будет включать в себя zk-доказательства, многопартийные вычисления, полностью гомоморфное шифрование и другие многократные системы доказательства
• В будущем поддержка H100 и других TEE GPU, повышение вычислительных возможностей

! Пересечение AI и DePIN

Сравнение проектов

| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |--------|--------|-------|--------|--------|--------|-------| | Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Бизнес-фокус | Графическая визуализация и ИИ | Облачные вычисления, визуализация и ИИ | ИИ | ИИ | ИИ, облачные игры и телекоммуникации | Исполнение ИИ на блокчейне | | Тип задачи AI | Вывод | Двунаправленный | Двунаправленный | Обучение | Обучение | Выполнение | | Ценообразование по работе | Ценообразование на основе производительности | Обратный аукцион | Рыночное ценообразование | Рыночное ценообразование | Система тендеров | Расчет долей | | Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек | | Защита данных | Шифрование&Хеширование | mTLS-аутентификация | Шифрование данных | Безопасное отображение | Шифрование | TEE | | Рабочие расходы | 0.5-5% за каждую работу | 20% USDC, 4% AKT | 2% USDC, 0.25% резерв | Низкие расходы | 20% за сессию | Пропорционально сумме стейка | | Безопасность | Доказательство рендеринга | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство рендеринговой мощности | Унаследовано от релейной цепи | | Подтверждение завершения | - | - | Подтверждение временной блокировки | Подтверждение обучения | Подтверждение рендеринга | Подтверждение TEE | | Гарантия качества | Споры | - | - | Проверяющий и заявитель | Узел проверяющего | Удаленное подтверждение | | GPU кластеры | Нет | Да | Да | Да | Да | Нет |

! Пересечение AI и DePIN

Важность

Доступность кластеров и параллельных вычислений

Распределенная вычислительная рамка реализует кластер GPU, повышая эффективность обучения и масштабируемость. Большинство проектов уже интегрировали кластеры для реализации параллельных вычислений. io.net в сотрудничестве с другими проектами развернул более 3,800 кластеров в первом квартале 24 года. Render, хотя и не поддерживает кластеры, разбивает отдельные кадры на несколько узлов для одновременной обработки. Phala на данный момент поддерживает только CPU, но позволяет кластеризовать CPU-воркеры.

Защита данных

Защита чувствительных наборов данных имеет решающее значение. Большинство проектов используют шифрование данных для защиты конфиденциальности. io.net в сотрудничестве с Mind Network представила полностью гомоморфное шифрование (FHE), позволяющее обрабатывать зашифрованные данные без необходимости их расшифровки. Phala Network вводит доверенную среду выполнения (TEE), предотвращающую доступ или изменение данных со стороны внешних процессов.

Завершение расчетов и контроль качества

Разные проекты используют различные способы для генерации доказательства выполнения и проведения проверки качества. Gensyn и Aethir генерируют доказательства, которые подтверждают выполнение работы и проводят проверку качества. Доказательства io.net показывают, что производительность GPU充分利用яется. Render рекомендует использовать процесс разрешения споров. Phala генерирует TEE доказательства, чтобы гарантировать, что AI агенты выполняют необходимые операции.

! Пересечение искусственного интеллекта и DePIN

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 (ожидается) | $0.33 (ожидается) | - |

! Пересечение AI и DePIN

Требования к высокопроизводительным GPU

Обучение AI-моделей требует GPU с наилучшей производительностью, таких как A100 и H100 от Nvidia. Производительность H100 в инференсе в 4 раза быстрее, чем у A100, что делает его предпочтительным GPU. Провайдеры децентрализованного рынка GPU должны предлагать более низкие цены и удовлетворять реальные потребности рынка. io.net и Aethir уже получили более 2000 единиц H100 и A100, что делает их более подходящими для вычислений крупных моделей.

Децентрализация затрат на GPU-сервисы уже ниже, чем у централизованных услуг. Хотя кластер GPU с сетевым подключением имеет ограниченную память, он все еще привлекателен для пользователей с динамическими рабочими нагрузками или требующих гибкости.

! Пересечение ИИ и DePIN

Предоставление потребительских GPU/CPU

ЦПУ также играет важную роль в обучении ИИ-моделей. Потребительские графические процессоры могут использоваться для тонкой настройки предобученных моделей или небольшого обучения. Проекты, такие как Render, Akash и io.net, также обслуживают этот рынок, разрабатывая собственные ниши.

! Пересечение искусственного интеллекта и DePIN

Заключение

Область AI DePIN все еще относительно нова и сталкивается с вызовами. Однако количество задач и оборудования, выполняемых в этих сетях, значительно увеличивается, что подчеркивает потребность в альтернативных решениях для облачных провайдеров Web2. В будущем эти децентрализованные GPU сети сыграют ключевую роль в предоставлении разработчикам экономически эффективных вычислительных альтернатив и внесут значительный вклад в будущее инфраструктуры AI и вычислений.

! Пересечение AI и DePIN