IA e DePIN: Explorando a Descentralização da Rede de Cálculo GPU
Desde 2023, a IA e a Descentralização de Infraestruturas Físicas (DePIN) têm recebido muita atenção no espaço Web3, com os dois a atingirem respetivamente uma capitalização de mercado de 30 mil milhões de dólares e 23 mil milhões de dólares. Este artigo tem como objetivo explorar a interseção entre a IA e a DePIN, investigando o desenvolvimento dos protocolos associados.
Na pilha de tecnologia de IA, a rede DePIN capacita a IA ao fornecer recursos computacionais. A demanda das grandes empresas de tecnologia por GPUs causou escassez, dificultando que outros desenvolvedores obtivessem GPUs suficientes para cálculos. Isso geralmente obriga os desenvolvedores a optar por serviços em nuvem centralizados, mas contratos de hardware de alto desempenho a longo prazo costumam carecer de flexibilidade e são ineficientes.
DePIN oferece uma alternativa mais flexível e econômica, incentivando a contribuição de recursos através de incentivos em tokens. O DePIN no campo da IA integra recursos de GPU de proprietários individuais e centros de dados, fornecendo um suprimento unificado para usuários que necessitam de hardware. Essas redes não apenas oferecem acesso personalizado e sob demanda para desenvolvedores, mas também criam uma receita adicional para os proprietários de GPU.
Existem várias redes AI DePIN no mercado, cada uma com suas características. Abaixo, vamos explorar as características e objetivos de alguns dos principais projetos.
Visão Geral da Rede DePIN AI
Render
Render é um pioneiro da rede P2P que fornece capacidade de computação GPU, inicialmente focado na renderização gráfica para criação de conteúdo, e depois expandiu seu escopo para tarefas de computação AI.
Características:
Fundada pela empresa de gráficos em nuvem OTOY, vencedora do Oscar
A rede GPU já foi utilizada por grandes empresas como a Paramount Pictures e PUBG.
Colaborar com a Stability AI e a Endeavor, integrando modelos de IA com renderização de conteúdo 3D
Aprovar múltiplos clientes de computação, integrar mais GPUs da rede DePIN
Akash
Akash é posicionado como uma plataforma de "super nuvem" que suporta armazenamento, computação GPU e CPU, sendo uma alternativa aos serviços de nuvem tradicionais.
Características:
Tarefas de computação abrangentes, desde computação geral até hospedagem de rede
AkashML suporta a execução de mais de 15.000 modelos na Hugging Face
Chatbots com modelos LLM da Mistral AI, SDXL da Stability AI e outras aplicações
Suporte para plataformas de Metaverso, IA e Aprendizagem Federada
io.net
A io.net oferece acesso a clusters de GPU distribuídos na nuvem, especificamente para casos de uso de IA e ML.
Características:
IO-SDK é compatível com frameworks como PyTorch e Tensorflow
Suporta a criação de 3 tipos diferentes de clusters, que podem ser iniciados em 2 minutos
Colaborar com redes como Render, Filecoin, Aethir para integrar recursos de GPU
Gensyn
Gensyn oferece capacidade de computação GPU focada em aprendizado de máquina e aprendizado profundo.
Características:
O custo por hora de uma GPU equivalente a V100 é de aproximadamente 0,40 dólares, o que representa uma grande economia de custos.
Suporte para ajuste fino de modelos base pré-treinados
Fornecer um modelo básico descentralizado e compartilhado globalmente
Aethir
Aethir fornece GPUs de nível empresarial, direcionadas principalmente para áreas intensivas em computação como AI, ML e jogos em nuvem.
Características:
Expansão para serviços de smartphone em nuvem, em colaboração com a APhone, lançando smartphones inteligentes em nuvem de Descentralização.
Estabelecer uma ampla colaboração com grandes empresas como NVIDIA, Super Micro, HPE
Vários parceiros no ecossistema Web3, como CARV, Magic Eden, entre outros
Phala Network
A Phala Network, como camada de execução de soluções Web3 AI, projeta o tratamento de problemas de privacidade através de ambientes de execução confiáveis (TEE).
Características:
Atuando como um protocolo de coprocessador de computação verificável, permitindo que agentes de IA acessem recursos na blockchain.
Obtenha os principais modelos de linguagem, como OpenAI, Llama, através do Redpill
O futuro incluirá zk-proofs, computação multipartidária, sistemas de prova múltipla como a criptografia homomórfica completa.
No futuro, suporte a H100 e outras GPUs TEE, aumentando a capacidade de cálculo.
Comparação de Projetos
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|--------|-------|--------|--------|--------|-------|
| Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Foco de Negócios | Renderização Gráfica e IA | Computação em Nuvem, Renderização e IA | IA | IA | IA, Jogos em Nuvem e Telecomunicações | Execução de IA em Cadeia |
| Tipo de tarefa de IA | Inferência | Bidirecional | Bidirecional | Treinamento | Treinamento | Execução |
| Preço do Trabalho | Baseado em Desempenho | Leilão Reverso | Preço de Mercado | Preço de Mercado | Sistema de Licitação | Cálculo de Direitos |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Privacidade de Dados | Criptografia&Hash | Autenticação mTLS | Criptografia de Dados | Mapeamento Seguro | Criptografia | TEE |
| Custos de Trabalho | 0,5-5% por trabalho | 20% USDC, 4% AKT | 2% USDC, 0,25% reserva | Baixos custos | 20% por sessão | Proporcional ao montante em stake |
| Segurança | Prova de Renderização | Prova de Participação | Prova de Cálculo | Prova de Participação | Prova de Capacidade de Renderização | Herdado da Cadeia Intermediária |
| Prova de Conclusão | - | - | Prova de Bloqueio de Tempo | Prova de Aprendizagem | Prova de Trabalho de Renderização | Prova de TEE |
| Garantia de qualidade | Controvérsia | - | - | Verificador e denunciante | Nó de verificação | Prova remota |
| Cluster de GPU | Não | Sim | Sim | Sim | Sim | Não |
Importância
Disponibilidade de computação em cluster e paralela
A estrutura de computação distribuída implementa clusters de GPU, melhorando a eficiência de treinamento e escalabilidade. A maioria dos projetos agora integrou clusters para realizar computação paralela. A io.net, em colaboração com outros projetos, já implantou mais de 3.800 clusters no primeiro trimestre de 2024. O Render, embora não suporte clusters, decompõe um único quadro em vários nós para processamento simultâneo. O Phala atualmente suporta apenas CPU, mas permite a clusterização de trabalhadores de CPU.
Privacidade de Dados
Proteger conjuntos de dados sensíveis é crucial. A maioria dos projetos utiliza criptografia de dados para proteger a privacidade. A io.net, em colaboração com a Mind Network, lançou a criptografia completamente homomórfica (FHE), permitindo o processamento de dados criptografados sem a necessidade de decriptação. A Phala Network introduziu ambientes de execução confiáveis (TEE), impedindo que processos externos acessem ou modifiquem dados.
Prova de cálculo concluído e inspeção de qualidade
Cada projeto utiliza diferentes métodos para gerar certificados de conclusão e realizar verificações de qualidade. Gensyn e Aethir geram certificados que indicam que o trabalho foi concluído e realizam verificações de qualidade. O certificado da io.net indica que o desempenho da GPU foi plenamente utilizado. A Render recomenda o uso de um processo de resolução de disputas. A Phala gera certificados TEE que garantem que os agentes de IA executem as operações necessárias.
O treinamento de modelos de IA requer GPUs com o melhor desempenho, como o A100 e o H100 da Nvidia. O desempenho de inferência do H100 é 4 vezes mais rápido que o do A100, tornando-o a GPU preferida. Os provedores de mercado de GPUs descentralizadas precisam oferecer preços mais baixos e atender à demanda real do mercado. A io.net e a Aethir já adquiriram mais de 2000 unidades de H100 e A100, mais adequadas para cálculos de grandes modelos.
O custo dos serviços de GPU descentralizados já é inferior ao dos serviços centralizados. Embora o cluster de GPU conectado à rede tenha memória limitada, ainda é atraente para usuários com necessidades de carga de trabalho dinâmica ou que precisam de flexibilidade.
Fornecer GPU/CPU de nível de consumo
A CPU também desempenha um papel importante no treinamento de modelos de IA. GPUs de consumo podem ser usadas para ajustar modelos pré-treinados ou para treinamentos em pequena escala. Projetos como Render, Akash e io.net também atendem a esse mercado, desenvolvendo seu próprio nicho.
Conclusão
O campo da DePIN de IA ainda é relativamente novo e enfrenta desafios. No entanto, o número de tarefas executadas e de hardware nesses redes aumentou significativamente, destacando a necessidade de alternativas aos fornecedores de nuvem Web2. No futuro, essas redes de GPU descentralizadas desempenharão um papel crucial na oferta de soluções de computação econômicas para os desenvolvedores, contribuindo de forma significativa para o futuro da infraestrutura de IA e computação.
Ver original
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
5 Curtidas
Recompensa
5
4
Compartilhar
Comentário
0/400
GasGuzzler
· 11h atrás
Os que conseguem roubar GPUs são os verdadeiros mestres.
Ver originalResponder0
FortuneTeller42
· 07-26 07:02
Com essa situação de mercado, é melhor não negociar.
Ver originalResponder0
AirdropSweaterFan
· 07-26 07:01
Rolando de um lado para o outro não é tão bom quanto a Mineração
Ver originalResponder0
BlockchainFries
· 07-26 07:01
Jogadores iniciais do Web3 abraçam a Descentralização de corpo e alma
AI e DePIN: a ascensão e os desafios das redes de computação GPU descentralizadas
IA e DePIN: Explorando a Descentralização da Rede de Cálculo GPU
Desde 2023, a IA e a Descentralização de Infraestruturas Físicas (DePIN) têm recebido muita atenção no espaço Web3, com os dois a atingirem respetivamente uma capitalização de mercado de 30 mil milhões de dólares e 23 mil milhões de dólares. Este artigo tem como objetivo explorar a interseção entre a IA e a DePIN, investigando o desenvolvimento dos protocolos associados.
Na pilha de tecnologia de IA, a rede DePIN capacita a IA ao fornecer recursos computacionais. A demanda das grandes empresas de tecnologia por GPUs causou escassez, dificultando que outros desenvolvedores obtivessem GPUs suficientes para cálculos. Isso geralmente obriga os desenvolvedores a optar por serviços em nuvem centralizados, mas contratos de hardware de alto desempenho a longo prazo costumam carecer de flexibilidade e são ineficientes.
DePIN oferece uma alternativa mais flexível e econômica, incentivando a contribuição de recursos através de incentivos em tokens. O DePIN no campo da IA integra recursos de GPU de proprietários individuais e centros de dados, fornecendo um suprimento unificado para usuários que necessitam de hardware. Essas redes não apenas oferecem acesso personalizado e sob demanda para desenvolvedores, mas também criam uma receita adicional para os proprietários de GPU.
Existem várias redes AI DePIN no mercado, cada uma com suas características. Abaixo, vamos explorar as características e objetivos de alguns dos principais projetos.
Visão Geral da Rede DePIN AI
Render
Render é um pioneiro da rede P2P que fornece capacidade de computação GPU, inicialmente focado na renderização gráfica para criação de conteúdo, e depois expandiu seu escopo para tarefas de computação AI.
Características:
Akash
Akash é posicionado como uma plataforma de "super nuvem" que suporta armazenamento, computação GPU e CPU, sendo uma alternativa aos serviços de nuvem tradicionais.
Características:
io.net
A io.net oferece acesso a clusters de GPU distribuídos na nuvem, especificamente para casos de uso de IA e ML.
Características:
Gensyn
Gensyn oferece capacidade de computação GPU focada em aprendizado de máquina e aprendizado profundo.
Características:
Aethir
Aethir fornece GPUs de nível empresarial, direcionadas principalmente para áreas intensivas em computação como AI, ML e jogos em nuvem.
Características:
Phala Network
A Phala Network, como camada de execução de soluções Web3 AI, projeta o tratamento de problemas de privacidade através de ambientes de execução confiáveis (TEE).
Características:
Comparação de Projetos
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|--------|-------|--------|--------|--------|-------| | Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Foco de Negócios | Renderização Gráfica e IA | Computação em Nuvem, Renderização e IA | IA | IA | IA, Jogos em Nuvem e Telecomunicações | Execução de IA em Cadeia | | Tipo de tarefa de IA | Inferência | Bidirecional | Bidirecional | Treinamento | Treinamento | Execução | | Preço do Trabalho | Baseado em Desempenho | Leilão Reverso | Preço de Mercado | Preço de Mercado | Sistema de Licitação | Cálculo de Direitos | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privacidade de Dados | Criptografia&Hash | Autenticação mTLS | Criptografia de Dados | Mapeamento Seguro | Criptografia | TEE | | Custos de Trabalho | 0,5-5% por trabalho | 20% USDC, 4% AKT | 2% USDC, 0,25% reserva | Baixos custos | 20% por sessão | Proporcional ao montante em stake | | Segurança | Prova de Renderização | Prova de Participação | Prova de Cálculo | Prova de Participação | Prova de Capacidade de Renderização | Herdado da Cadeia Intermediária | | Prova de Conclusão | - | - | Prova de Bloqueio de Tempo | Prova de Aprendizagem | Prova de Trabalho de Renderização | Prova de TEE | | Garantia de qualidade | Controvérsia | - | - | Verificador e denunciante | Nó de verificação | Prova remota | | Cluster de GPU | Não | Sim | Sim | Sim | Sim | Não |
Importância
Disponibilidade de computação em cluster e paralela
A estrutura de computação distribuída implementa clusters de GPU, melhorando a eficiência de treinamento e escalabilidade. A maioria dos projetos agora integrou clusters para realizar computação paralela. A io.net, em colaboração com outros projetos, já implantou mais de 3.800 clusters no primeiro trimestre de 2024. O Render, embora não suporte clusters, decompõe um único quadro em vários nós para processamento simultâneo. O Phala atualmente suporta apenas CPU, mas permite a clusterização de trabalhadores de CPU.
Privacidade de Dados
Proteger conjuntos de dados sensíveis é crucial. A maioria dos projetos utiliza criptografia de dados para proteger a privacidade. A io.net, em colaboração com a Mind Network, lançou a criptografia completamente homomórfica (FHE), permitindo o processamento de dados criptografados sem a necessidade de decriptação. A Phala Network introduziu ambientes de execução confiáveis (TEE), impedindo que processos externos acessem ou modifiquem dados.
Prova de cálculo concluído e inspeção de qualidade
Cada projeto utiliza diferentes métodos para gerar certificados de conclusão e realizar verificações de qualidade. Gensyn e Aethir geram certificados que indicam que o trabalho foi concluído e realizam verificações de qualidade. O certificado da io.net indica que o desempenho da GPU foi plenamente utilizado. A Render recomenda o uso de um processo de resolução de disputas. A Phala gera certificados TEE que garantem que os agentes de IA executem as operações necessárias.
Dados estatísticos de hardware
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|--------|--------|-------| | Número de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Número de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | H100/A100 Quantidade | - | 157 | 2330 | - | 2000+ | - | | H100 Custo/hora | - | $1.46 | $1.19 | - | - | - | | A100 Custo/hora | - | $1.37 | $1.50 | $0.55 ( previsto ) | $0.33 ( previsto ) | - |
Requisitos de GPU de alto desempenho
O treinamento de modelos de IA requer GPUs com o melhor desempenho, como o A100 e o H100 da Nvidia. O desempenho de inferência do H100 é 4 vezes mais rápido que o do A100, tornando-o a GPU preferida. Os provedores de mercado de GPUs descentralizadas precisam oferecer preços mais baixos e atender à demanda real do mercado. A io.net e a Aethir já adquiriram mais de 2000 unidades de H100 e A100, mais adequadas para cálculos de grandes modelos.
O custo dos serviços de GPU descentralizados já é inferior ao dos serviços centralizados. Embora o cluster de GPU conectado à rede tenha memória limitada, ainda é atraente para usuários com necessidades de carga de trabalho dinâmica ou que precisam de flexibilidade.
Fornecer GPU/CPU de nível de consumo
A CPU também desempenha um papel importante no treinamento de modelos de IA. GPUs de consumo podem ser usadas para ajustar modelos pré-treinados ou para treinamentos em pequena escala. Projetos como Render, Akash e io.net também atendem a esse mercado, desenvolvendo seu próprio nicho.
Conclusão
O campo da DePIN de IA ainda é relativamente novo e enfrenta desafios. No entanto, o número de tarefas executadas e de hardware nesses redes aumentou significativamente, destacando a necessidade de alternativas aos fornecedores de nuvem Web2. No futuro, essas redes de GPU descentralizadas desempenharão um papel crucial na oferta de soluções de computação econômicas para os desenvolvedores, contribuindo de forma significativa para o futuro da infraestrutura de IA e computação.