Titik Persimpangan AI dan DePIN: Kebangkitan Jaringan GPU Terdesentralisasi

Sejak 2023, AI dan DePIN telah menjadi tren populer di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini berfokus pada bidang persilangan keduanya, membahas perkembangan terkait protokol.

Dalam tumpukan teknologi AI, jaringan DePIN menyediakan utilitas untuk AI melalui sumber daya komputasi. Perkembangan perusahaan teknologi besar menyebabkan kekurangan GPU, menyulitkan pengembang lain untuk mendapatkan cukup GPU untuk perhitungan. Ini sering memaksa pengembang untuk memilih penyedia cloud terpusat, tetapi karena perlu menandatangani kontrak perangkat keras berkinerja tinggi jangka panjang yang tidak fleksibel, ini menjadi tidak efisien.

DePIN pada dasarnya menawarkan alternatif yang lebih fleksibel dan lebih ekonomis, dengan mendorong kontribusi sumber daya melalui imbalan token. DePIN di bidang AI mengalihkan sumber daya GPU dari pemilik individu ke pusat data, membentuk pasokan yang terintegrasi bagi pengguna yang perlu mengakses perangkat keras. Jaringan ini tidak hanya memberikan kustomisasi dan akses sesuai permintaan bagi pengembang yang membutuhkan daya komputasi, tetapi juga memberikan pendapatan tambahan bagi pemilik GPU.

Ada banyak jaringan AI DePIN di pasar, membedakan antara mereka dan menemukan jaringan yang tepat mungkin menjadi tantangan. Selanjutnya, kita akan membahas peran, tujuan, dan hasil konkret yang telah dicapai oleh masing-masing protokol.

Ringkasan Jaringan DePIN AI

Setiap proyek yang disebutkan di sini memiliki tujuan yang serupa - jaringan pasar komputasi GPU. Bagian ini bertujuan untuk menyelidiki sorotan, fokus pasar, dan pencapaian masing-masing proyek. Dengan memahami infrastruktur dan produk kunci mereka, kita dapat menganalisis perbedaan di antara mereka secara mendalam.

Render adalah pel先驱 jaringan P2P yang menyediakan kemampuan komputasi GPU, awalnya fokus pada rendering grafis untuk pembuatan konten, kemudian memperluas jangkauannya untuk mencakup berbagai tugas komputasi AI dari Neural Radiance Fields (NeRF) hingga AI generatif.

Akash memposisikan dirinya sebagai alternatif "super cloud" untuk platform tradisional yang mendukung penyimpanan, GPU, dan komputasi CPU seperti AWS(. Dengan memanfaatkan alat ramah pengembang seperti platform kontainer Akash dan node komputasi yang dikelola Kubernetes, ia dapat menyebarkan 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 kripto, dan jaringan terdesentralisasi lainnya.

Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam. Mereka mengklaim telah mencapai mekanisme verifikasi yang lebih efisien dengan menggabungkan konsep seperti bukti kerja yang digunakan untuk validasi, protokol penentuan posisi berbasis grafik untuk menjalankan ulang pekerjaan validasi, serta permainan insentif yang melibatkan penyedia komputasi melalui staking dan pengurangan.

Aethir dirancang khusus untuk GPU perusahaan, fokus pada bidang yang memerlukan komputasi intensif, terutama kecerdasan buatan, pembelajaran mesin )ML(, permainan cloud, dan lain-lain. Kontainer dalam jaringannya berfungsi sebagai titik akhir virtual untuk menjalankan aplikasi berbasis cloud, memindahkan beban kerja dari perangkat lokal ke kontainer untuk mencapai 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 yang tepercaya )TEE(. Lapisan eksekusinya bukan digunakan sebagai lapisan komputasi untuk model AI, melainkan memungkinkan agen AI untuk dikendalikan oleh kontrak pintar di atas rantai.

![AI dan DePIN titik pertemuan])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(

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, Game Awan, dan Telekomunikasi | Eksekusi AI di Blockchain | | Jenis Tugas AI | Penalaran | Mempertimbangkan | Mempertimbangkan | Pelatihan | Pelatihan | Pelaksanaan | | Penetapan Harga | Penetapan Harga Berdasarkan 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 | Peta 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% | Proporsional dengan jumlah staking | | Keamanan | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kemampuan Rendering | Diwarisi dari Rantai Perantara | | Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pengecek | Pembuktian Jarak | | GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |

) Pentingnya

Ketersediaan Kluster dan Komputasi Paralel

Kerangka komputasi terdistribusi telah mengimplementasikan kluster GPU, menyediakan pelatihan yang lebih efisien tanpa mempengaruhi akurasi model, sekaligus meningkatkan skalabilitas. Melatih model AI yang kompleks memerlukan kemampuan komputasi yang kuat, yang sering kali harus bergantung pada komputasi terdistribusi untuk memenuhi kebutuhannya. Dari sudut pandang intuitif, model GPT-4 OpenAI memiliki lebih dari 1,8 triliun parameter, dilatih dalam 3-4 bulan menggunakan sekitar 25.000 GPU Nvidia A100 di 128 kluster.

Sebelumnya, Render dan Akash hanya menyediakan GPU dengan satu kegunaan, yang mungkin membatasi permintaan pasar untuk GPU. Namun, sebagian besar proyek utama sekarang telah mengintegrasikan kluster untuk komputasi paralel. io.net bekerja sama dengan proyek lain seperti Render, Filecoin, dan Aethir untuk memasukkan lebih banyak GPU ke dalam jaringannya, dan telah berhasil mengerahkan lebih dari 3.800 kluster pada kuartal pertama tahun 24. Meskipun Render tidak mendukung kluster, cara kerjanya mirip dengan kluster, membagi satu frame menjadi beberapa node yang berbeda untuk memproses berbagai rentang frame secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan pengelompokan pekerja CPU.

Sangat penting untuk memasukkan kerangka kluster ke dalam jaringan alur kerja AI, tetapi jumlah dan jenis GPU kluster yang diperlukan untuk memenuhi kebutuhan pengembang AI adalah masalah tersendiri.

Privasi Data

Mengembangkan model AI memerlukan penggunaan sejumlah besar dataset, yang mungkin berasal dari berbagai sumber dan memiliki berbagai bentuk. Dataset sensitif seperti catatan medis pribadi dan data keuangan pengguna mungkin menghadapi risiko terpapar kepada penyedia model. Samsung melarang penggunaan ChatGPT di dalam perusahaan karena khawatir kode sensitif yang diunggah ke platform dapat melanggar privasi, sementara insiden kebocoran data pribadi 38TB oleh Microsoft semakin menyoroti pentingnya mengambil langkah-langkah keamanan yang memadai saat menggunakan AI. Oleh karena itu, memiliki berbagai metode privasi data sangat penting untuk mengembalikan kendali data kepada penyedia data.

Sebagian besar proyek yang dicakup menggunakan bentuk enkripsi data tertentu untuk melindungi privasi data. Enkripsi data memastikan bahwa transmisi data dari penyedia data ke penyedia model ### dan penerima data ( di jaringan dilindungi. Render menggunakan enkripsi dan pemrosesan hash saat mempublikasikan hasil render kembali ke jaringan, sementara io.net dan Gensyn menggunakan bentuk enkripsi data tertentu. Akash menggunakan otentikasi mTLS, hanya mengizinkan penyedia yang dipilih oleh penyewa untuk menerima data.

Namun, io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik penuh )FHE(, yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsi terlebih dahulu. Dengan memungkinkan data untuk ditransfer dengan aman untuk tujuan pelatihan tanpa mengungkapkan identitas dan konten data, inovasi ini dapat memastikan privasi data dengan lebih baik dibandingkan dengan teknologi enkripsi yang ada.

Phala Network memperkenalkan TEE, yaitu area aman yang terhubung di dalam prosesor utama perangkat. Melalui mekanisme isolasi ini, ia dapat mencegah proses eksternal mengakses atau memodifikasi data, terlepas dari tingkat izin mereka, bahkan individu yang memiliki akses fisik ke mesin. Selain TEE, ia juga menggabungkan penggunaan zk-proofs dalam zkDCAP verifikator dan antarmuka baris perintah jtee untuk program yang terintegrasi dengan RiscZero zkVM.

![AI dan DePIN di Persimpangan])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(

) Bukti penyelesaian perhitungan dan pemeriksaan kualitas

Proyek-proyek ini menyediakan GPU yang dapat memberikan kemampuan komputasi untuk berbagai layanan. Karena layanan ini bervariasi, mulai dari rendering grafis hingga komputasi AI, kualitas akhir dari tugas-tugas tersebut mungkin tidak selalu memenuhi standar pengguna. Bukti penyelesaian dapat digunakan untuk menunjukkan bahwa GPU tertentu yang disewa pengguna benar-benar digunakan untuk menjalankan layanan yang diperlukan, dan pemeriksaan kualitas akan bermanfaat bagi pengguna yang meminta penyelesaian pekerjaan semacam itu.

Setelah perhitungan selesai, Gensyn dan Aethir akan menghasilkan bukti untuk menunjukkan bahwa pekerjaan telah selesai, sementara bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa telah dimanfaatkan sepenuhnya dan tidak ada masalah yang muncul. Gensyn dan Aethir akan melakukan pemeriksaan kualitas pada perhitungan yang telah selesai. Untuk Gensyn, ia menggunakan validator untuk menjalankan kembali sebagian dari konten bukti yang dihasilkan untuk memverifikasi bukti tersebut, sementara pelapor bertindak sebagai lapisan pemeriksaan tambahan untuk validator. Sementara itu, Aethir menggunakan node pemeriksa untuk menentukan kualitas layanan, memberikan penalti untuk layanan yang di bawah standar. Render menyarankan menggunakan proses penyelesaian sengketa; jika dewan peninjau menemukan masalah dengan node, maka node tersebut akan dikurangi. Phala setelah selesai akan menghasilkan bukti TEE, memastikan bahwa agen AI menjalankan operasi yang diperlukan di blockchain.

![AI dan Titik Persimpangan DePIN]###https://img-cdn.gateio.im/webp-social/moments-df4f88879b53c4aa604b248fc9ff393a.webp(

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 ( | - |

) Persyaratan GPU berkinerja tinggi

Karena pelatihan model AI membutuhkan GPU dengan performa terbaik, ada kecenderungan untuk menggunakan GPU seperti Nvidia A100 dan H100. Meskipun yang terakhir memiliki harga yang sangat tinggi di pasar, mereka menawarkan kualitas terbaik. A100 tidak hanya dapat melatih semua beban kerja, tetapi juga dapat menyelesaikan pelatihan dengan kecepatan yang lebih cepat, yang menunjukkan betapa pentingnya perangkat keras ini di pasar. Karena kinerja inferensi H100 4 kali lebih cepat dibandingkan A100, sekarang ia telah menjadi GPU pilihan, terutama untuk perusahaan besar yang sedang melatih LLM mereka sendiri.

Bagi penyedia pasar GPU terdesentralisasi, untuk bersaing dengan rekan-rekan Web2, mereka tidak hanya harus menawarkan harga yang lebih rendah, tetapi juga memenuhi kebutuhan pasar yang sebenarnya. Pada tahun 2023, Nvidia mengirimkan lebih dari 500.000 unit H100 kepada perusahaan teknologi besar yang terpusat, yang membuat mendapatkan sebanyak mungkin perangkat keras setara untuk bersaing dengan penyedia cloud besar menjadi mahal dan sulit. Oleh karena itu, mempertimbangkan jumlah perangkat keras yang dapat dibawa ke dalam jaringan mereka dengan biaya rendah sangat penting untuk memperluas layanan ini ke basis pelanggan yang lebih besar.

Meskipun setiap proyek memiliki bisnis dalam komputasi AI dan ML, mereka berbeda dalam kemampuan untuk menyediakan komputasi. Akash hanya memiliki lebih dari 150 unit H100 dan A100, sedangkan io.net dan Aethir masing-masing mendapatkan lebih dari 2000 unit. Umumnya, untuk pra-latihan LLM atau model generatif dari awal memerlukan setidaknya 248 hingga lebih dari 2000 GPU di dalam kluster, sehingga dua proyek terakhir lebih cocok untuk komputasi model besar.

Berdasarkan ukuran kluster yang dibutuhkan oleh pengembang, saat ini biaya layanan GPU terdesentralisasi ini jauh lebih rendah dibandingkan dengan layanan GPU terpusat. Gensyn dan Aethir keduanya mengklaim dapat menyewakan perangkat keras yang setara dengan A100 dengan harga kurang dari 1 dolar per jam, tetapi ini masih perlu dibuktikan seiring berjalannya waktu.

Kumpulan GPU yang terhubung ke jaringan memiliki banyak GPU, dengan biaya yang lebih rendah per jam, tetapi dibandingkan dengan GPU yang terhubung dengan NVLink,