Перехрестя AI та DePIN: зростання децентралізованих GPU-мереж

З 2023 року AI та DePIN стали популярними тенденціями у сфері Web3, ринкова капіталізація яких досягла 30 мільярдів доларів і 23 мільярдів доларів відповідно. У цій статті зосереджено увагу на перетині цих двох областей та обговорюється розвиток відповідних протоколів.

У стеку технологій ШІ мережа DePIN забезпечує практичність для ШІ через обчислювальні ресурси. Розвиток великих технологічних компаній призвів до нестачі GPU, що ускладнює іншим розробникам отримання достатньої кількості GPU для обчислень. Це часто змушує розробників обирати централізованих постачальників хмарних послуг, але через необхідність підписання не гнучких довгострокових контрактів на високопродуктивне обладнання, ефективність знижується.

DePIN в основному пропонує більш гнучку та економічно вигідну альтернативу, мотивуючи внесок ресурсів через токенізовані винагороди. DePIN в галузі штучного інтелекту краудфандить ресурси GPU від приватних власників до дата-центрів, формуючи єдину пропозицію для користувачів, яким потрібен доступ до апаратного забезпечення. Ці мережі не лише надають розробникам, яким потрібна обчислювальна потужність, налаштовуваність та доступ на вимогу, але й забезпечують власників GPU додатковим доходом.

На ринку існує безліч AI DePIN мереж, визначення їх відмінностей та пошук відповідної мережі може бути складним завданням. Далі ми розглянемо роль, цілі та досягнуті конкретні результати кожного протоколу.

! Перетин AI та DePIN

Огляд мережі AI DePIN

Кожен проект, згаданий тут, має подібну мету - мережа GPU-обчислень. Цей розділ має на меті дослідити основні моменти кожного проекту, його ринкові акценти та досягнення. Завдяки розумінню їхньої ключової інфраструктури та продуктів, ми можемо глибше проаналізувати їхні відмінності.

Render є піонером P2P-мережі, що надає можливості GPU-обчислень, спочатку зосереджуючись на графічному рендерингу для створення контенту, а згодом розширивши обсяг на різні AI-обчислювальні задачі, включаючи нейронні радіаційні поля (NeRF) та генеративний AI.

Akash позиціонує себе як альтернативу традиційним платформам зберігання, GPU та CPU обчисленням, таким як AWS(, що є "супер-хмарою". Використовуючи дружні до розробників інструменти, такі як контейнерна платформа Akash та обчислювальні вузли, керовані Kubernetes, вона здатна безшовно розгортати програмне забезпечення в різних середовищах, що дозволяє запускати будь-які хмарні нативні додатки.

io.net надає доступ до розподілених GPU хмарних кластерів, які спеціально призначені для випадків використання AI та ML. Він агрегує GPU з таких сфер, як дата-центри, криптомайнери та інші децентралізовані мережі.

Gensyn надає обчислювальні потужності GPU, зосереджені на обчисленнях машинного навчання та глибокого навчання. Він стверджує, що досягає більш ефективного механізму верифікації, поєднуючи такі концепції, як докази навчання для перевірки роботи, графічні точні протоколи для повторної верифікації роботи та ігри з винагородами, що включають стейкінг і зниження для постачальників обчислень.

Aethir спеціально оснащений корпоративними GPU, зосереджений на обчислювально інтенсивних сферах, зокрема штучному інтелекті, машинному навчанні )ML(, хмарних іграх тощо. Контейнери в його мережі виконують роль віртуальних кінцевих точок для виконання хмарних додатків, переміщуючи навантаження з локальних пристроїв до контейнерів для досягнення низької затримки.

Phala Network виконує роль виконувального шару для рішень Web3 AI. Його блокчейн є бездокументним рішенням для хмарних обчислень, розробленим для вирішення проблем конфіденційності за допомогою його надійного виконувального середовища )TEE(. Його виконувальний шар не використовується як обчислювальний шар для AI-моделей, а дозволяє AI-агентам контролюватися смарт-контрактами на ланцюзі.

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

Порівняння проектів

| | Рендер | Акаш | io.net | Генсин | Етір | Пхала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Апаратне забезпечення | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Графічний процесор & Центральний процесор | Відеокарта | Відеокарта | Центральний процесор | | Основні напрямки | Графічний рендеринг та ШІ | Хмарні обчислення, рендеринг та ШІ | ШІ | ШІ | Штучний інтелект, хмарні ігри та телекомунікації | Виконання ШІ на блокчейні | | Типи AI завдань | Висновок | Увага | Увага | Навчання | Навчання | Виконання | | Ціна роботи | Ціна, що ґрунтується на результатах | Зворотні торги | Ринкова ціна | Ринкова ціна | Система тендерів | Розрахунок прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбітраж | Горошок | | Приватність даних | Шифрування&хешування | mTLS аутентифікація | Шифрування даних | Безпечна мапа | Шифрування | TEE | | Витрати на роботу | Кожна робота 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% резервний збір | Низькі витрати | Кожна сесія 20% | Пропорційно до суми застави | | Безпека | Доказательство рендерингу | Доказательство прав власності | Доказательство обчислень | Доказательство прав власності | Доказательство обчислювальної потужності | Спадкування з релейного ланцюга | | Підтвердження завершення | - | - | Підтвердження з часом блокування | Підтвердження навчання | Підтвердження рендерингу | Підтвердження TEE | | Гарантія якості | Спір | - | - | Верифікатор і повідомник | Вузол перевірки | Віддалене підтвердження | | GPU кластер | Ні | Так | Так | Так | Так | Ні |

) важливість

Доступність кластерних і паралельних обчислень

Розподілена обчислювальна рамка реалізувала GPU-кластери, забезпечуючи більш ефективне навчання без впливу на точність моделі, одночасно підвищуючи масштабованість. Навчання складних AI-моделей потребує потужних обчислювальних можливостей, що зазвичай має спиратися на розподілені обчислення для задоволення своїх потреб. З інтуїтивної точки зору, модель GPT-4 від OpenAI має понад 1,8 трильйона параметрів і була навчена за 3-4 місяці з використанням близько 25 000 Nvidia A100 GPU в 128 кластерах.

Раніше Render та Akash надавали лише одноцільові GPU, що могло обмежити їхній попит на ринку GPU. Однак більшість ключових проєктів вже інтегрували кластери для паралельних обчислень. io.net співпрацює з Render, Filecoin та іншими проєктами, щоб включити більше GPU до своєї мережі, і вже успішно розгорнула понад 3,800 кластерів у першому кварталі 2024 року. Хоча Render не підтримує кластери, його принцип роботи схожий на кластерний: він розбиває один кадр на кілька різних вузлів для одночасної обробки різних діапазонів кадрів. Phala наразі підтримує лише CPU, але дозволяє кластеризацію CPU-робітників.

Включення кластерної架构 в мережу робочих процесів AI є дуже важливим, але кількість і типи кластерних GPU, необхідні для задоволення потреб розробників AI, є окремим питанням.

Приватність даних

Розробка AI-моделей вимагає використання великих наборів даних, які можуть походити з різних джерел і мати різні формати. Чутливі набори даних, такі як особисті медичні записи, фінансові дані користувачів тощо, можуть піддаватися ризику розкриття постачальникам моделей. Samsung заборонив внутрішнє використання ChatGPT через побоювання, що завантаження чутливого коду на платформу може порушити конфіденційність, а витік приватних даних Microsoft обсягом 38 ТБ ще більше підкреслює важливість вжиття достатніх заходів безпеки під час використання AI. Тому наявність різноманітних методів захисту даних є надзвичайно важливою для повернення контролю над даними постачальникам.

Більшість проектів, що охоплюються, використовують певну форму шифрування даних для захисту конфіденційності даних. Шифрування даних забезпечує захист передачі даних від постачальників даних до постачальників моделей ### та отримувачів даних ( в мережі. Render використовує шифрування та хешування при публікації результатів рендерингу назад у мережу, тоді як io.net та Gensyn використовують певну форму шифрування даних. Akash використовує аутентифікацію mTLS, дозволяючи лише обраним постачальникам отримувати дані.

Однак, io.net нещодавно співпрацював з Mind Network для запуску повної гомоморфної криптографії )FHE(, яка дозволяє обробляти зашифровані дані без попереднього розшифрування. Це нововведення може краще забезпечити конфіденційність даних, дозволяючи безпечно передавати дані для навчальних цілей без розкриття особистості та змісту даних.

Phala Network впроваджує TEE, тобто безпечну область у головному процесорі пристрою. Завдяки цьому механізму ізоляції він може запобігти доступу або модифікації даних з боку зовнішніх процесів, незалежно від рівня їхніх прав, навіть якщо особа має фізичний доступ до машини. Окрім TEE, він також поєднує використання zk-доказів у своєму zkDCAP верифікаторі та jtee командному інтерфейсі для інтеграції програм, сумісних з RiscZero zkVM.

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

) Завершено обчислення доказу та перевірки якості

Ці проекти пропонують GPU, які можуть забезпечити обчислювальні потужності для ряду послуг. Оскільки ці послуги охоплюють широкий спектр, від рендерингу графіки до AI-обчислень, остаточна якість таких завдань може не завжди відповідати стандартам користувачів. Можна використовувати форму підтвердження виконання для того, щоб підтвердити, що конкретний GPU, який орендував користувач, дійсно використовувався для виконання необхідних послуг, і перевірка якості корисна для користувачів, які просять виконати такі роботи.

Після завершення обчислень Gensyn та Aethir обидва створюють докази, що свідчать про те, що робота була завершена, тоді як доказ io.net свідчить про те, що продуктивність орендованого GPU була повністю використана і не виникло жодних проблем. Gensyn та Aethir проводять перевірку якості завершених обчислень. Для Gensyn він використовує валідатор для повторного запуску частини згенерованих доказів, щоб порівняти їх з доказами, а інформатор виконує роль додаткового рівня перевірки для валідатора. У той же час Aethir використовує перевірочні вузли для визначення якості обслуговування, караючи за послуги, що не відповідають стандартам. Render рекомендує використовувати процес вирішення спорів; якщо комітет з перевірки виявить проблеми з вузлом, то його зменшать. Phala після завершення генерує TEE-доказ, щоб забезпечити виконання необхідних операцій AI-агентом на ланцюзі.

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

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+ | - | | Вартість H100/година | - | $1.46 | $1.19 | - | - | - | | Вартість A100/год | - | $1.37 | $1.50 | $0.55 ) очікується ( | $0.33 ) очікується ( | - |

) Вимоги до високопродуктивних GPU

Оскільки для навчання AI-моделей потрібні GPU з найкращими характеристиками, існує схильність використовувати GPU, такі як Nvidia A100 і H100. Незважаючи на те, що останні мають високу ціну на ринку, вони забезпечують найкращу якість. A100 здатний не лише навчати всі навантаження, але й завершувати навчання швидше, що свідчить про високу значущість цього апаратного забезпечення на ринку. Оскільки продуктивність H100 для висновків в 4 рази вища, ніж у A100, він став переважним вибором GPU, особливо для великих компаній, які навчають свої власні LLM.

Для децентралізованих постачальників ринку GPU, щоб конкурувати з колегами з Web2, їм потрібно не лише пропонувати нижчі ціни, але й задовольняти реальні потреби ринку. У 2023 році Nvidia доставила централізованим великим технологічним компаніям понад 500 тисяч H100, що ускладнило та зробило дорогим отримання максимальної кількості аналогічного обладнання для конкуренції з великими хмарними постачальниками. Тому важливо враховувати, скільки обладнання ці проекти можуть залучити в свою мережу за низькою вартістю, щоб розширити ці послуги для більшої клієнтської бази.

Хоча кожен проект має бізнес в галузі AI та ML обчислень, але їх здатність надавати обчислювальні ресурси відрізняється. У Akash всього лише трохи більше 150 одиниць H100 та A100, тоді як io.net та Aethir отримали понад 2000 одиниць відповідно. Зазвичай, для попереднього навчання LLM або генеративної моделі з нуля потрібно щонайменше 248 до понад 2000 GPU в кластері, тому останні два проекти більше підходять для обчислень великих моделей.

Згідно з розміром кластера, необхідним розробникам, вартість цих децентралізованих GPU-сервісів на ринку вже значно нижча, ніж централізованих GPU-сервісів. Gensyn та Aethir обидва стверджують, що можуть орендувати обладнання, еквівалентне A100, за ціною менш ніж 1 долар на годину, але це все ще потребує підтвердження з часом.

Групи GPU з підключенням до мережі мають велику кількість GPU, вартість за годину є відносно низькою, але в порівнянні з GPU, підключеними через NVLink,