نقطة تقاطع الذكاء الاصطناعي وDePIN: ظهور شبكة GPU الموزعة

منذ عام 2023، أصبحت الذكاء الاصطناعي وDePIN اتجاهات شائعة في مجال Web3، حيث وصلت القيمة السوقية لكل منهما إلى 30 مليار دولار و23 مليار دولار على التوالي. يركز هذا المقال على المجالات المشتركة بين الاثنين، ويستكشف تطور البروتوكولات ذات الصلة.

في مجموعة تقنيات الذكاء الاصطناعي، يوفر شبكة DePIN المزايا للذكاء الاصطناعي من خلال موارد الحوسبة. أدى تطور الشركات الكبرى في مجال التكنولوجيا إلى نقص في وحدات معالجة الرسوميات، مما جعل من الصعب على المطورين الآخرين الحصول على وحدات معالجة الرسوميات الكافية للحوسبة. وغالبًا ما يضطر المطورون إلى اختيار مقدمي الخدمات السحابية المركزية، ولكن بسبب الحاجة إلى توقيع عقود طويلة الأجل وغير مرنة للأجهزة عالية الأداء، فإن ذلك يؤدي إلى ضعف الكفاءة.

DePIN يقدم في جوهره بديلاً أكثر مرونة وفعالية من حيث التكلفة، من خلال تحفيز مساهمات الموارد بمكافآت رمزية. في مجال الذكاء الاصطناعي، يقوم DePIN بتجميع موارد GPU من مالكي الأفراد إلى مراكز البيانات، مما يشكل إمدادًا موحدًا للمستخدمين الذين يحتاجون إلى الوصول إلى الأجهزة. لا توفر هذه الشبكات فقط تخصيصًا وإمكانية وصول حسب الطلب للمطورين الذين يحتاجون إلى القدرة الحاسوبية، ولكنها أيضًا توفر دخلًا إضافيًا لمالكي GPU.

يوجد العديد من شبكات AI DePIN في السوق، وقد يكون من الصعب التعرف على الفروق بينها والعثور على الشبكة المناسبة. سنستكشف بعد ذلك أدوار كل بروتوكول، وأهدافه، والإنجازات المحددة التي تم تحقيقها.

! تقاطع الذكاء الاصطناعي و DePIN

نظرة عامة على شبكة DePIN الذكية

كل مشروع مذكور هنا له هدف مشابه - شبكة سوق حسابات GPU. تهدف هذه الفقرة إلى دراسة النقاط البارزة لكل مشروع، وأهم النقاط في السوق، والإنجازات. من خلال فهم البنية التحتية الرئيسية والمنتجات الخاصة بها، يمكننا تحليل الفروق بينها بشكل أعمق.

Render هو رائد شبكة P2P التي تقدم قدرات حسابية GPU، حيث كانت تركز في البداية على رسم الرسوم البيانية لإنشاء المحتوى، ثم وسعت نطاقها ليشمل مجموعة متنوعة من مهام الحوسبة الذكية، بدءًا من الحقول الشعاعية العصبية (NeRF) إلى الذكاء الاصطناعي التوليدي.

Akash تحدد نفسها كبديل "السوبر سحابة" للمنصات التقليدية مثل AWS( التي تدعم التخزين، حسابات GPU و CPU ). من خلال أدوات صديقة للمطورين مثل منصة Akash للحاويات وعقد الحوسبة المدارة بواسطة Kubernetes، يمكنها نشر البرمجيات بسلاسة عبر البيئات، مما يسمح بتشغيل أي تطبيق أصلي سحابي.

io.net يوفر الوصول إلى مجموعات السحابة GPU الموزعة، والتي تم تصميمها خصيصًا لاستخدامات الذكاء الاصطناعي وتعلم الآلة. إنه يجمع بين وحدات معالجة الرسوميات من مراكز البيانات، وعمال التعدين المشفرة، وحقول الشبكات اللامركزية الأخرى.

Gensyn توفر قدرة حساب GPU تركز على التعلم الآلي والتعلم العميق. وتدعي أنها حققت آلية تحقق أكثر كفاءة من خلال دمج استخدام مفاهيم مثل إثبات العمل القائم على التعلم للتحقق، وبروتوكول المواقع الدقيقة القائم على الرسوم البيانية لإعادة تشغيل العمل للتحقق، بالإضافة إلى ألعاب التحفيز التي تتضمن مزودي الحوسبة من خلال الرهان والتخفيض.

Aethir مخصص لتشغيل وحدات معالجة الرسومات الخاصة بالشركات، ويركز على المجالات التي تتطلب كثافة حسابية، مثل الذكاء الاصطناعي، وتعلم الآلة (ML)، وألعاب السحابة، وغيرها. تعمل الحاويات في الشبكة كنقاط نهاية افتراضية لتطبيقات السحابة، حيث تنقل عبء العمل من الأجهزة المحلية إلى الحاويات لتحقيق تجربة ذات زمن استجابة منخفض.

Phala Network تعمل كطبقة تنفيذ لحلول Web3 AI. تعتبر سلسلة الكتل الخاصة بها حلاً للحوسبة السحابية دون الحاجة إلى الثقة، مصممة لمعالجة قضايا الخصوصية من خلال استخدام بيئتها القابلة للتنفيذ الموثوقة (TEE). لا تستخدم طبقة التنفيذ الخاصة بها كطبقة حساب لنموذج AI، بل تمكن الوكلاء الذكاء الاصطناعي من التحكم بواسطة العقود الذكية على السلسلة.

! تقاطع الذكاء الاصطناعي و DePIN

مقارنة المشاريع

| | ريندر | أكاش | io.net | جينسين | إثير | فالا | |--------|-------------|------------------|---------------------|---------|---------------|----------| | الأجهزة | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات | وحدة معالجة الرسومات | وحدة المعالجة المركزية | | النقاط الرئيسية | عرض الرسوميات والذكاء الاصطناعي | الحوسبة السحابية، والعرض، والذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي، الألعاب السحابية والاتصالات | تنفيذ الذكاء الاصطناعي على السلسلة | | نوع المهام AI | استدلال | توازن | توازن | تدريب | تدريب | تنفيذ | | تسعير العمل | تسعير قائم على الأداء | مزاد عكسي | تسعير سوقي | تسعير سوقي | نظام المناقصة | حساب الحقوق | | بلوكتشين | سولانا | كوزموس | سولانا | جينسين | أربيتروم | بولكادوت | | خصوصية البيانات | تشفير&هاش | مصادقة mTLS | تشفير البيانات | خريطة الأمان | تشفير | TEE | | تكلفة العمل | لكل عمل 0.5-5% | 20% USDC، 4% AKT | 2% USDC، 0.25% تكلفة احتياطي | تكلفة منخفضة | لكل جلسة 20% | يتناسب مع مبلغ الرهان | | الأمان | إثبات العرض | إثبات الحقوق | إثبات الحساب | إثبات الحقوق | إثبات قدرة العرض | وراثي من سلسلة الوسطى | | إثبات الإنجاز | - | - | إثبات القفل الزمني | إثبات التعلم | إثبات العمل بالعرض | إثبات TEE | | ضمان الجودة | نزاع | - | - | المُحققون والمُبلغون | عقدة الفحص | إثبات عن بُعد | | مجموعة GPU | لا | نعم | نعم | نعم | نعم | لا |

الأهمية

توفر التجميع والحوسبة المتوازية

إطار عمل الحوسبة الموزعة حقق مجموعة GPU، مما يوفر تدريبًا أكثر كفاءة دون التأثير على دقة النموذج، وفي نفس الوقت يعزز قابلية التوسع. يتطلب تدريب نماذج الذكاء الاصطناعي المعقدة قدرات حسابية قوية، والتي غالبًا ما يجب الاعتماد على الحوسبة الموزعة لتلبية احتياجاتها. من منظور بديهي، يمتلك نموذج GPT-4 من OpenAI أكثر من 1.8 تريليون معلمة، وتم تدريبه باستخدام حوالي 25,000 من وحدات معالجة الرسوم Nvidia A100 في 128 مجموعة خلال 3-4 أشهر.

في السابق، كانت Render و Akash توفران وحدات معالجة الرسوميات (GPU) ذات استخدام واحد فقط، مما قد يقيد الطلب في سوق وحدات معالجة الرسوميات. ومع ذلك، فإن معظم المشاريع المهمة قد دمجت الآن العناقيد لتحقيق الحوسبة المتوازية. تتعاون io.net مع Render و Filecoin و Aethir وغيرها من المشاريع لإدخال المزيد من وحدات معالجة الرسوميات في شبكتها، وقد نجحت في نشر أكثر من 3,800 عنقود في الربع الأول من عام 24. على الرغم من أن Render لا تدعم العناقيد، إلا أن طريقة عملها تشبه العناقيد، حيث تقوم بتفكيك إطار فردي إلى عدة عقد مختلفة لمعالجة نطاقات مختلفة من الإطارات في وقت واحد. في الوقت الحالي، تدعم Phala وحدات المعالجة المركزية فقط، لكنها تسمح بتجميع وحدات المعالجة المركزية.

من المهم دمج إطار التجميع في شبكة سير عمل الذكاء الاصطناعي، لكن عدد ونوع وحدات معالجة الرسوميات التجميعية المطلوبة لتلبية احتياجات مطوري الذكاء الاصطناعي هو مسألة منفصلة.

خصوصية البيانات

تتطلب تطوير نماذج الذكاء الاصطناعي استخدام مجموعة كبيرة من البيانات، وقد تأتي هذه البيانات من مصادر متنوعة، وتكون بأشكال مختلفة. قد تواجه مجموعات البيانات الحساسة مثل السجلات الطبية الشخصية وبيانات المالية للمستخدمين مخاطر الكشف لمزودي النماذج. منعت شركة سامسونج استخدام ChatGPT داخليًا بسبب القلق من أن تحميل التعليمات البرمجية الحساسة على المنصة قد ينتهك الخصوصية، كما أن حادث تسرب البيانات الخاص بشركة مايكروسوفت والذي بلغ 38 تيرابايت يزيد من تسليط الضوء على أهمية اتخاذ تدابير أمان كافية عند استخدام الذكاء الاصطناعي. لذلك، فإن وجود طرق متنوعة لحماية البيانات أمر بالغ الأهمية لإعادة التحكم في البيانات لمزودي البيانات.

تستخدم معظم المشاريع التي تم تناولها نوعًا ما من تشفير البيانات لحماية خصوصية البيانات. يضمن تشفير البيانات حماية نقل البيانات من مزود البيانات إلى مزود النموذج ( إلى مستلم البيانات ) في الشبكة. تستخدم Render التشفير ومعالجة التجزئة عند نشر نتائج الرندر مرة أخرى إلى الشبكة، بينما تتبنى io.net و Gensyn نوعًا ما من تشفير البيانات. تستخدم Akash مصادقة mTLS، مما يسمح فقط لمقدمي الخدمات الذين اختارهم المستأجر باستلام البيانات.

ومع ذلك، قامت io.net مؤخرًا بالتعاون مع شبكة Mind لإطلاق تشفير متجانس تمامًا (FHE)، مما يسمح بمعالجة البيانات المشفرة دون الحاجة إلى فك تشفيرها أولاً. من خلال تمكين البيانات من النقل بشكل آمن لأغراض التدريب دون الكشف عن الهوية ومحتوى البيانات، يمكن أن تضمن هذه الابتكار خصوصية البيانات بشكل أفضل من تقنيات التشفير الحالية.

أدخلت شبكة فالا TEE، وهي منطقة أمان متصلة بوحدة المعالجة الرئيسية لجهاز. من خلال هذه الآلية العزل، يمكنها منع العمليات الخارجية من الوصول إلى البيانات أو تعديلها، بغض النظر عن مستوى صلاحياتها، حتى بالنسبة للأفراد الذين لديهم وصول فعلي إلى الجهاز. بالإضافة إلى TEE، فهي تجمع أيضًا بين استخدام zk-proofs في مُحقق zkDCAP وواجهة سطر الأوامر jtee لتكامل البرامج مع RiscZero zkVM.

! تقاطع الذكاء الاصطناعي و DePIN

إثبات الإنجاز والفحص الجيد

تقدم هذه المشاريع وحدات معالجة الرسومات (GPU) لتوفير القدرة الحسابية لمجموعة من الخدمات. نظرًا لأن نطاق هذه الخدمات واسع، بدءًا من رسم الرسومات وصولاً إلى حسابات الذكاء الاصطناعي، فإن الجودة النهائية لمثل هذه المهام قد لا تكون دائمًا متوافقة مع معايير المستخدم. يمكن استخدام شكل إثبات الإنجاز للإشارة إلى أن وحدة معالجة الرسومات المحددة المستأجرة من قبل المستخدم تم استخدامها بالفعل لتشغيل الخدمات المطلوبة، وأن فحص الجودة مفيد للمستخدمين الذين يطلبون إتمام مثل هذه الأعمال.

بعد الانتهاء من الحسابات، ستقوم Gensyn و Aethir بإنشاء أدلة لإظهار أن العمل قد اكتمل، بينما تشير أدلة io.net إلى أن أداء GPU المستأجر قد تم الاستفادة منه بالكامل دون مشاكل. ستقوم Gensyn و Aethir بإجراء فحص جودة على الحسابات المكتملة. بالنسبة لـ Gensyn، يستخدم المدققون إعادة تشغيل بعض محتويات الأدلة التي تم إنشاؤها لمطابقتها مع الأدلة، بينما يعمل المُبلغ كطبقة إضافية من الفحص للمدققين. في الوقت نفسه، تستخدم Aethir نقاط فحص لتحديد جودة الخدمة، ومعاقبة الخدمات التي تقل عن المعايير. توصي Render باستخدام عملية حل النزاعات، وإذا وجدت لجنة المراجعة أن هناك مشكلة في النقاط، يتم تقليص تلك النقاط. بعد Phala، سيتم إنشاء دليل TEE لضمان أن الوكلاء AI يقومون بتنفيذ العمليات المطلوبة على السلسلة.

! تقاطع الذكاء الاصطناعي و DePIN

إحصائيات الأجهزة

| | التقديم | عكاش | io.net | جينسين | أثير | فالا | |-------------|--------|-------|--------|------------|------------|--------| | عدد وحدات معالجة الرسوميات | 5600 | 384 | 38177 | - | 40000+ | - | | عدد وحدات المعالجة المركزية | 114 | 14672 | 5433 | - | - | 30000+ | | عدد H100/A100 | - | 157 | 2330 | - | 2000+ | - | | تكلفة H100/ساعة | - | $1.46 | $1.19 | - | - | - | | تكلفة A100 / ساعة | - | $1.37 | $1.50 | $0.55 ( متوقع ) | $0.33 ( متوقع ) | - |

متطلبات GPU عالية الأداء

نظرًا لأن تدريب نماذج الذكاء الاصطناعي يتطلب أفضل أداء لوحدات معالجة الرسوميات، فإن هناك ميلًا لاستخدام وحدات معالجة الرسوميات مثل Nvidia A100 وH100، على الرغم من أن الأخيرة مرتفعة السعر في السوق، إلا أنها توفر أفضل جودة. لا يقوم A100 بتدريب جميع أحمال العمل فحسب، بل يمكنه أيضًا إكمال التدريب بسرعة أكبر، مما يدل فقط على مدى أهمية هذا النوع من الأجهزة في السوق. نظرًا لأن أداء استدلال H100 أسرع بمقدار 4 مرات من A100، فقد أصبحت الآن وحدة معالجة الرسوميات المفضلة، وخاصة بالنسبة للشركات الكبيرة التي تقوم بتدريب نموذجها الخاص.

بالنسبة لمزودي سوق GPU اللامركزي، يجب عليهم، للتنافس مع نظرائهم في Web2، أن يقدموا أسعارًا أقل، بالإضافة إلى تلبية الاحتياجات الفعلية للسوق. في عام 2023، سلمت Nvidia أكثر من 500,000 جهاز H100 إلى شركات التكنولوجيا الكبيرة المركزية، مما جعل من المكلف والصعب الحصول على أكبر عدد ممكن من الأجهزة المماثلة للتنافس مع مقدمي الخدمات السحابية الكبار. لذلك، من المهم مراعاة عدد الأجهزة التي يمكن أن تدخل شبكة هذه المشاريع بتكلفة منخفضة لتوسيع هذه الخدمات إلى قاعدة عملاء أكبر.

على الرغم من أن كل مشروع لديه أعمال في حسابات الذكاء الاصطناعي وتعلم الآلة، إلا أنها تختلف في تقديم القدرة على الحساب. تمتلك Akash فقط أكثر من 150 وحدة H100 وA100، بينما حصلت io.net وAethir على أكثر من 2000 وحدة على التوالي. عادةً ما يتطلب تدريب نموذج LLM أو نموذج توليدي من الصفر 248 إلى أكثر من 2000 GPU على الأقل في الكلاستر، لذا فإن المشروعين الأخيرين أكثر ملاءمة لحساب النماذج الكبيرة.

وفقًا لحجم العنقود المطلوب من المطورين، فإن تكلفة هذه الخدمات اللامركزية للـ GPU في السوق حاليًا أقل بكثير من خدمات الـ GPU المركزية. تدعي Gensyn و Aethir أنه يمكن استئجار معدات تعادل A100 بأقل من دولار واحد في الساعة، ولكن لا يزال يتعين إثبات ذلك مع مرور الوقت.

تتمتع تجمعات GPU المتصلة بالشبكة بوجود عدد كبير من وحدات معالجة الرسومات، وتكلفتها منخفضة في الساعة، ولكن مقارنةً بوحدات معالجة الرسومات المتصلة بـ NVLink،