AI та DePIN: дослідження децентралізованої GPU обчислювальної мережі

З 2023 року AI та DePIN привертають значну увагу в сфері Web3, їхні ринкові капіталізації досягли 30 мільярдів доларів і 23 мільярдів доларів відповідно. Ця стаття має на меті дослідити перетин AI та DePIN, вивчаючи розвиток відповідних протоколів.

У стеку технологій AI мережа DePIN надає обчислювальні ресурси для надання можливостей AI. Попит великих технологічних компаній на GPU призвів до дефіциту, що ускладнює іншим розробникам отримання достатньої кількості GPU для обчислень. Це зазвичай змушує розробників обирати централізовані хмарні сервіси, але довгострокові контракти на високопродуктивне апаратне забезпечення часто страждають від нестачі гнучкості та низької ефективності.

DePIN пропонує більш гнучке та економічно вигідне рішення, що стимулює внески ресурсів через токенізовані винагороди. DePIN у сфері ШІ об'єднує GPU ресурси від приватних власників та дата-центрів, забезпечуючи єдине постачання для користувачів, яким потрібне обладнання. Ці мережі не лише надають розробникам можливість доступу на замовлення та з індивідуальними налаштуваннями, але й створюють додатковий дохід для власників GPU.

На ринку є кілька AI DePIN мереж, кожна з яких має свої особливості. Нижче ми розглянемо характеристики та цілі кількох основних проєктів.

! Перетин AI та DePIN

Огляд мережі AI DePIN

Рендер

Render є піонером P2P мережі, що надає можливості GPU обчислень, спочатку зосереджуючись на графічному рендерингу для створення контенту, а пізніше розширивши свій спектр на AI обчислювальні завдання.

Особливості:

• Заснована компанією OTOY, лауреатом премії Оскар.
• GPU мережа була використана такими великими компаніями, як Paramount Pictures, PUBG тощо
• Співпраця з Stability AI та Endeavor, інтеграція AI моделей та 3D контенту рендерингу
• Затвердження кількох обчислювальних клієнтів, інтеграція більшої кількості GPU DePIN мереж

Акаш

Akash позиціонується як "супероблачна" платформа, що підтримує зберігання, GPU та CPU обчислення, є альтернативою традиційним хмарним послугам.

Особливості:

• Для широкого спектра обчислювальних завдань, від загальних обчислень до мережевого хостингу
• AkashML підтримує запуск понад 15 000 моделей на Hugging Face
• Хостинг чат-ботів на базі LLM моделей Mistral AI, SDXL від Stability AI та інших застосунків
• Підтримка метасвіту, платформ для впровадження штучного інтелекту та федеративного навчання

io.net

io.net надає доступ до розподілених GPU хмарних кластерів, спеціально призначених для випадків використання AI та ML.

Особливості:

• IO-SDK сумісний з такими фреймворками, як PyTorch і Tensorflow
• Підтримка створення 3 різних типів кластерів, які можна запустити за 2 хвилини
• Співпраця з такими мережами, як Render, Filecoin, Aethir для інтеграції ресурсів GPU

Генсин

Gensyn надає обчислювальні можливості GPU, зосереджені на машинному навчанні та глибокому навчанні.

Особливості:

• Вартість еквівалентного GPU V100 становить приблизно 0,40 доларів США на годину, що суттєво знижує витрати.
• Підтримка доопрацювання попередньо навченої базової моделі
• Забезпечити децентралізовану, глобально спільну базову модель

Етір

Aethir спеціально пропонує корпоративні GPU, в основному орієнтуючись на обчислювально інтенсивні сфери, такі як ШІ, МЛ, хмарні ігри.

Особливості:

• Розширення до хмарних телефонних послуг, співпраця з APhone для запуску Децентралізація хмарного розумного телефону
• Налагодження широкої співпраці з великими компаніями, такими як NVIDIA, Super Micro, HPE
• Багато партнерів у екосистемі Web3, таких як CARV, Magic Eden тощо

Мережа Phala

Phala Network як виконавчий рівень Web3 AI рішень, вирішує проблеми конфіденційності через надійне середовище виконання (TEE).

Особливості:

• Виконує роль протоколу співпроцесора для верифікованих обчислень, що дозволяє AI агентам використовувати ресурси на блокчейні
• Отримайте топові великі мовні моделі, такі як OpenAI, Llama тощо, через Redpill
• У майбутньому будуть включені zk-докази, багатопартійні обчислення, повна гомоморфна криптографія та інші багаторівневі системи доказів
• У майбутньому буде підтримка H100 та інших TEE GPU, що підвищить обчислювальні можливості

! Перетин AI та DePIN

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 | | Бізнес-орієнтири | Графічний рендеринг та ШІ | Хмарні обчислення, рендеринг та ШІ | ШІ | ШІ | ШІ, хмарні ігри та телекомунікації | Виконання ШІ на ланцюгу | | Типи завдань AI | Висновок | Двосторонній | Двосторонній | Навчання | Навчання | Виконання | | Ціноутворення роботи | На основі результатів | Зворотні аукціони | Ринкове ціноутворення | Ринкове ціноутворення | Система тендерів | Розрахунок прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбітраж | Горошок | | Конфіденційність даних | Шифрування&Хешування | mTLS автентифікація | Шифрування даних | Безпечне відображення | Шифрування | TEE | | Витрати на роботу | 0,5-5% за кожну роботу | 20% USDC, 4% AKT | 2% USDC, 0,25% резерв | Низькі витрати | 20% за сесію | Пропорційно до суми стейкування | | Безпека | Докази рендерингу | Докази прав власності | Докази обчислень | Докази прав власності | Докази рендерингових можливостей | Спадщина з релейного ланцюга | | Завершення підтвердження | - | - | Підтвердження часового замка | Підтвердження навчання | Підтвердження рендерингу | Підтвердження TEE | | Гарантія якості | Спір | - | - | Перевіряючий та заявник | Вузол перевірки | Віддалене підтвердження | | GPU кластер | Ні | Так | Так | Так | Так | Ні |

! Перетин AI та DePIN

Важливість

Доступність кластерних і паралельних обчислень

Розподілена обчислювальна структура реалізує кластер GPU, підвищуючи ефективність навчання та масштабованість. Більшість проектів уже інтегрували кластери для реалізації паралельних обчислень. io.net у співпраці з іншими проектами вже у першому кварталі 24 року розгорнули понад 3,800 кластерів. Render, хоча й не підтримує кластери, але розбиває один кадр на кілька вузлів для одночасної обробки. Phala наразі підтримує лише CPU, але дозволяє створення кластерів з CPU-робітників.

Конфіденційність даних

Захист чутливих наборів даних є критично важливим. Більшість проєктів використовують шифрування даних для захисту приватності. io.net спільно з Mind Network запустили повне гомоморфне шифрування (FHE), що дозволяє обробляти зашифровані дані без їх розшифровки. Phala Network впроваджує довірене середовище виконання (TEE), щоб запобігти доступу або модифікації даних ззовні.

Обчислення завершено, підтвердження та перевірка якості

Кожен проект використовує різні способи для генерації доказів виконання та проведення перевірки якості. Gensyn та Aethir генерують докази, що підтверджують виконання роботи, та проводять перевірку якості. Докази io.net свідчать про повне використання продуктивності GPU. Render рекомендує використовувати процес вирішення суперечок. Phala генерує TEE докази, щоб забезпечити виконання необхідних дій AI агентом.

! Перетин AI та DePIN

Статистика апаратного забезпечення

| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |-------------|--------|-------|--------|--------|--------|-------| | Кількість GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Кількість ЦПУ | 114 | 14672 | 5433 | - | - | 30000+ | | Кількість H100/A100 | - | 157 | 2330 | - | 2000+ | - | | H100 витрати/година | - | $1.46 | $1.19 | - | - | - | | A100 вартість/год | - | $1.37 | $1.50 | $0.55 (очікується) | $0.33 (очікується) | - |

! Перетин AI та DePIN

Вимоги до високопродуктивних GPU

Навчання моделей ШІ потребує найкращих за продуктивністю графічних процесорів, таких як A100 та H100 від Nvidia. Продуктивність H100 в обробці даних у 4 рази вища, ніж у A100, що робить його кращим вибором. Постачальники децентралізованого ринку графічних процесорів повинні пропонувати нижчі ціни та задовольняти реальні потреби ринку. io.net та Aethir отримали понад 2000 одиниць H100 та A100, що більше підходять для обчислень великих моделей.

Децентралізація GPU послуг стала дешевшою за централізовані. Хоча пам'ять мережевих GPU кластерів обмежена, вони все ще привабливі для користувачів з динамічними навантаженнями або які потребують гнучкості.

! Перетин AI та DePIN

Надання споживчих GPU/CPU

ЦП також відіграє важливу роль у навчанні AI моделей. Споживчі графічні процесори можна використовувати для доопрацювання попередньо підготовлених моделей або для маломасштабного навчання. Проекти, такі як Render, Akash та io.net, також обслуговують цей ринок, розробляючи власні ніші.

! Перетин AI та DePIN

Висновок

Сфера AI DePIN все ще відносно нова і стикається з викликами. Але кількість завдань та обладнання, що виконується в цих мережах, значно зросла, що підкреслює потребу в альтернативі для постачальників хмарних послуг Web2. У майбутньому ці децентралізовані GPU мережі відіграватимуть ключову роль у наданні економічно ефективних обчислювальних рішень для розробників, що матиме значний внесок у майбутню структуру AI та обчислювальної інфраструктури.

! Перетин AI та DePIN