AI và DePIN: Sự trỗi dậy của mạng GPU Phi tập trung
Kể từ năm 2023, AI và DePIN đã thể hiện sự phát triển mạnh mẽ trong lĩnh vực Web3. Giá trị thị trường của AI đạt 30 tỷ USD, trong khi giá trị thị trường của DePIN khoảng 23 tỷ USD. Hai lĩnh vực này bao gồm nhiều giao thức khác nhau, phục vụ cho nhiều nhu cầu khác nhau. Bài viết này sẽ khám phá các lĩnh vực giao thoa của hai bên và nghiên cứu tình hình phát triển của các giao thức trong lĩnh vực này.
Trong ngăn xếp công nghệ AI, mạng DePIN cung cấp tính hữu ích cho AI thông qua tài nguyên tính toán. Sự phát triển của các công ty công nghệ lớn dẫn đến tình trạng thiếu GPU, khiến các nhà phát triển khác đang xây dựng mô hình AI khó có thể có đủ GPU để tính toán. Điều này thường buộc các nhà phát triển phải chọn nhà cung cấp đám mây tập trung, nhưng do phải ký hợp đồng phần cứng hiệu suất cao dài hạn không linh hoạt, dẫn đến hiệu suất kém.
DePIN về bản chất cung cấp một giải pháp thay thế linh hoạt hơn và tiết kiệm chi phí hơn, sử dụng phần thưởng token để khuyến khích việc đóng góp tài nguyên phù hợp với mục tiêu mạng lưới. DePIN trong trí tuệ nhân tạo sẽ huy động tài nguyên GPU từ các chủ sở hữu cá nhân tới các trung tâm dữ liệu, hình thành một nguồn cung thống nhất cho người dùng cần truy cập phần cứng. Những mạng DePIN này không chỉ cung cấp tính tùy chỉnh và truy cập theo yêu cầu cho các nhà phát triển cần sức mạnh tính toán, mà còn mang lại thu nhập bổ sung cho các chủ sở hữu GPU.
Trên thị trường có nhiều mạng AI DePIN, bài viết này sẽ khám phá vai trò và mục tiêu của từng giao thức, cũng như một số điểm nổi bật cụ thể mà chúng đã đạt được.
Tổng quan về mạng DePIN AI
Render là người tiên phong trong mạng P2P cung cấp khả năng tính toán GPU, trước đây tập trung vào việc tạo nội dung hình ảnh, sau đó mở rộng phạm vi của mình bằng cách tích hợp các công cụ như Stable Diffusion, bao gồm các nhiệm vụ tính toán từ trường phản xạ thần kinh (NeRF) đến AI tạo sinh.
Đặc điểm của Render:
Được thành lập bởi công ty hình ảnh đám mây OTOY với công nghệ đoạt giải Oscar
Mạng GPU đã được các công ty lớn trong ngành giải trí như Paramount Pictures, PUBG, Star Trek sử dụng.
Hợp tác với Stability AI và Endeavor, sử dụng GPU của Render để tích hợp mô hình AI vào quy trình làm việc dựng hình 3D.
Phê duyệt nhiều khách hàng tính toán, tích hợp nhiều GPU của mạng DePIN hơn
Akash định vị mình là một "siêu đám mây" thay thế cho các nền tảng truyền thống hỗ trợ lưu trữ, tính toán GPU và CPU. Sử dụng các công cụ thân thiện với nhà phát triển như nền tảng container Akash và các nút tính toán được quản lý bởi Kubernetes, nó có khả năng triển khai phần mềm một cách liền mạch qua các môi trường, từ đó có thể chạy bất kỳ ứng dụng gốc đám mây nào.
Đặc điểm của Akash:
Đối với các nhiệm vụ tính toán rộng rãi từ tính toán tổng quát đến lưu trữ mạng
AkashML cho phép mạng GPU của mình chạy hơn 15.000 mô hình trên Hugging Face, đồng thời tích hợp với Hugging Face.
Akash đang lưu trữ một số ứng dụng đáng chú ý, chẳng hạn như chatbot mô hình LLM của Mistral AI, mô hình chuyển đổi văn bản thành hình ảnh SDXL của Stability AI, và mô hình cơ sở mới AT-1 của Thumper AI.
Các nền tảng xây dựng vũ trụ ảo, triển khai trí tuệ nhân tạo và học tập liên bang đang tận dụng Supercloud
io.net cung cấp quyền truy cập vào các cụm GPU đám mây phân tán, những cụm này được thiết kế đặc biệt cho các trường hợp sử dụng AI và ML. Nó tập hợp các GPU từ các trung tâm dữ liệu, thợ đào tiền điện tử và các mạng phi tập trung khác.
Đặc điểm của io.net:
IO-SDK của nó tương thích với các framework như PyTorch và Tensorflow, kiến trúc đa tầng của nó có thể tự động mở rộng theo nhu cầu tính toán.
Hỗ trợ tạo 3 loại cụm khác nhau, có thể khởi động trong vòng 2 phút
Nỗ lực hợp tác mạnh mẽ để tích hợp GPU của các mạng DePIN khác, bao gồm Render, Filecoin, Aethir và Exabits
Gensyn cung cấp khả năng tính toán GPU tập trung vào học máy và học sâu. Nó tuyên bố đã đạt được cơ chế xác minh hiệu quả hơn bằng cách kết hợp các khái niệm như chứng minh công việc học cho việc xác minh, giao thức định vị chính xác dựa trên đồ họa cho việc chạy lại xác minh, cũng như các trò chơi khuyến khích kiểu Truebit liên quan đến việc cung cấp nhà cung cấp tính toán và việc đặt cược và cắt giảm.
Đặc điểm của Gensyn:
Dự kiến chi phí mỗi giờ cho GPU tương đương V100 khoảng 0.40 đô la/giờ, từ đó tiết kiệm chi phí đáng kể.
Thông qua việc chứng minh chồng chất, có thể tinh chỉnh mô hình cơ sở đã được đào tạo trước để hoàn thành các nhiệm vụ cụ thể hơn.
Những mô hình cơ bản này sẽ là Phi tập trung, thuộc sở hữu toàn cầu, bên cạnh mạng lưới tính toán phần cứng còn cung cấp các chức năng bổ sung.
Aethir chuyên cung cấp GPU doanh nghiệp, tập trung vào các lĩnh vực tính toán chuyên sâu, chủ yếu là trí tuệ nhân tạo, học máy (ML), trò chơi đám mây, v.v. Các container trong mạng của nó đóng vai trò như các điểm cuối ảo thực hiện các ứng dụng dựa trên đám mây, chuyển tải khối lượng công việc từ thiết bị địa phương sang container để đạt được trải nghiệm độ trễ thấp. Để đảm bảo cung cấp dịch vụ chất lượng cao cho người dùng, họ di chuyển GPU gần với nguồn dữ liệu dựa trên nhu cầu và vị trí, từ đó điều chỉnh tài nguyên.
Đặc điểm của Aethir:
Ngoài trí tuệ nhân tạo và trò chơi trên đám mây, Aethir còn mở rộng sang dịch vụ điện thoại đám mây và hợp tác với APhone để ra mắt điện thoại thông minh đám mây Phi tập trung.
Đã thiết lập mối quan hệ hợp tác rộng rãi với các doanh nghiệp lớn như NVIDIA, Super Micro, HPE, Foxconn và Well Link.
Nhiều đối tác trong Web3, chẳng hạn như CARV, Magic Eden, Sequence, Impossible Finance, v.v.
Phala Network đóng vai trò là lớp thực thi cho giải pháp AI Web3. Chuỗi khối của nó là một giải pháp điện toán đám mây không cần tin cậy, được thiết kế để giải quyết các vấn đề về quyền riêng tư thông qua việc sử dụng môi trường thực thi tin cậy (TEE). Lớp thực thi của nó không được sử dụng làm lớp tính toán cho mô hình AI, mà cho phép các đại lý AI được kiểm soát bởi hợp đồng thông minh trên chuỗi.
Đặc điểm của Phala Network:
Đóng vai trò là giao thức đồng xử lý tính toán có thể xác minh, đồng thời cho phép các đại lý AI truy cập tài nguyên trên chuỗi.
Các hợp đồng đại lý trí tuệ nhân tạo của nó có thể được nhận thông qua Redpill với các mô hình ngôn ngữ lớn hàng đầu như OpenAI, Llama, Claude và Hugging Face.
Tương lai sẽ bao gồm zk-proofs, tính toán đa bên (MPC), mật mã đồng nhất (FHE) và nhiều hệ thống chứng minh khác.
Tương lai hỗ trợ H100 và các GPU TEE khác, nâng cao khả năng tính toán
So sánh dự án
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Phần cứng | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Điểm nhấn kinh doanh | Render đồ họa và AI | Điện toán đám mây, render và AI | AI | AI | Trí tuệ nhân tạo, trò chơi đám mây và viễn thông | Thực thi AI trên chuỗi |
| Loại nhiệm vụ AI | Suy luận | Đào tạo và suy luận | Đào tạo và suy luận | Đào tạo | Đào tạo | Thực hiện |
| Định giá công việc | Định giá dựa trên hiệu suất | Đấu giá ngược | Định giá thị trường | Định giá thị trường | Hệ thống đấu thầu | Tính toán quyền lợi |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Quyền riêng tư dữ liệu | Mã hóa&băm | Xác thực mTLS | Mã hóa dữ liệu | Bản đồ an toàn | Mã hóa | TEE |
| Chi phí công việc | Mỗi công việc 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% Chi phí dự trữ | Chi phí thấp | Mỗi phiên 20% | Tương ứng với số tiền đặt cọc |
| An toàn | Chứng minh kết xuất | Chứng minh quyền lợi | Chứng minh tính toán | Chứng minh quyền lợi | Chứng minh khả năng kết xuất | Kế thừa từ chuỗi trung gian |
| Hoàn thành chứng minh | - | - | Chứng minh khóa thời gian | Chứng minh học tập | Chứng minh công việc render | Chứng minh TEE |
| Đảm bảo chất lượng | Tranh chấp | - | - | Người xác minh và người tố cáo | Nút kiểm tra | Chứng minh từ xa |
| Cụm GPU | Không | Có | Có | Có | Có | Không |
Khả năng sử dụng cụm máy và tính toán song song là rất quan trọng cho việc đào tạo các mô hình AI phức tạp. Hầu hết các dự án hiện nay đã tích hợp cụm máy để thực hiện tính toán song song. io.net đã hợp tác với các dự án khác như Render, Filecoin và Aethir để đưa nhiều GPU hơn vào mạng của họ, và đã thành công triển khai hơn 3.800 cụm máy trong quý 1 năm 24.
Quyền riêng tư dữ liệu là một vấn đề quan trọng trong phát triển mô hình AI. Hầu hết các dự án đều sử dụng một số hình thức mã hóa dữ liệu để bảo vệ quyền riêng tư dữ liệu. io.net gần đây đã hợp tác với Mind Network để ra mắt mã hóa đồng cấu hoàn toàn (FHE), cho phép xử lý dữ liệu được mã hóa mà không cần phải giải mã trước. Phala Network đã giới thiệu môi trường thực thi đáng tin cậy (TEE), có thể ngăn chặn các quy trình bên ngoài truy cập hoặc sửa đổi dữ liệu.
Việc hoàn thành chứng nhận và kiểm tra chất lượng là rất quan trọng để đảm bảo chất lượng công việc. Gensyn và Aethir đều tạo ra chứng nhận để chỉ ra rằng công việc đã hoàn thành và thực hiện kiểm tra chất lượng cho các phép toán đã hoàn thành. Render khuyên nên sử dụng quy trình giải quyết tranh chấp, nếu hội đồng xem xét phát hiện có vấn đề với nút, thì sẽ giảm bớt nút đó.
GPU hiệu suất cao rất quan trọng cho việc đào tạo mô hình AI. io.net và Aethir dẫn đầu về số lượng GPU H100 và A100, khiến chúng phù hợp hơn cho tính toán mô hình lớn. Chi phí của mạng GPU Phi tập trung đã thấp hơn nhiều so với dịch vụ GPU tập trung, mở ra một tình huống độc quyền cho việc xây dựng nhiều trường hợp AI và ML hơn.
GPU/CPU tiêu dùng cũng đóng vai trò quan trọng trong các mạng này. Các dự án như Render, Akash và io.net có thể phục vụ cho phần thị trường này, cung cấp cho các nhà phát triển nhiều lựa chọn hơn.
Kết luận
Lĩnh vực DePIN AI tuy vẫn tương đối mới, nhưng đã cho thấy sự phát triển mạnh mẽ. Số lượng nhiệm vụ và phần cứng được thực hiện trong các mạng GPU phi tập trung này đang ngày càng tăng, làm nổi bật nhu cầu ngày càng tăng về các giải pháp thay thế cho tài nguyên phần cứng của nhà cung cấp đám mây Web2. Nhìn về tương lai, những mạng GPU phân tán này sẽ đóng vai trò quan trọng trong việc cung cấp các giải pháp tính toán hiệu quả về chi phí cho các nhà phát triển, góp phần đáng kể vào cảnh quan tương lai của trí tuệ nhân tạo và cơ sở hạ tầng tính toán.
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
8 thích
Phần thưởng
8
5
Chia sẻ
Bình luận
0/400
ZKProofEnthusiast
· 2giờ trước
Không thể không nói, thật sự rất căng thẳng!
Xem bản gốcTrả lời0
Web3ProductManager
· 2giờ trước
nhìn vào dữ liệu nhóm của chúng tôi, hiệu ứng mạng gpu có thể tăng gấp 10 lần tỷ lệ chấp nhận thật lòng... chỉ cần các tiện ích token tốt hơn
AI và DePIN giao thoa: Phi tập trung mạng GPU nổi lên
AI và DePIN: Sự trỗi dậy của mạng GPU Phi tập trung
Kể từ năm 2023, AI và DePIN đã thể hiện sự phát triển mạnh mẽ trong lĩnh vực Web3. Giá trị thị trường của AI đạt 30 tỷ USD, trong khi giá trị thị trường của DePIN khoảng 23 tỷ USD. Hai lĩnh vực này bao gồm nhiều giao thức khác nhau, phục vụ cho nhiều nhu cầu khác nhau. Bài viết này sẽ khám phá các lĩnh vực giao thoa của hai bên và nghiên cứu tình hình phát triển của các giao thức trong lĩnh vực này.
Trong ngăn xếp công nghệ AI, mạng DePIN cung cấp tính hữu ích cho AI thông qua tài nguyên tính toán. Sự phát triển của các công ty công nghệ lớn dẫn đến tình trạng thiếu GPU, khiến các nhà phát triển khác đang xây dựng mô hình AI khó có thể có đủ GPU để tính toán. Điều này thường buộc các nhà phát triển phải chọn nhà cung cấp đám mây tập trung, nhưng do phải ký hợp đồng phần cứng hiệu suất cao dài hạn không linh hoạt, dẫn đến hiệu suất kém.
DePIN về bản chất cung cấp một giải pháp thay thế linh hoạt hơn và tiết kiệm chi phí hơn, sử dụng phần thưởng token để khuyến khích việc đóng góp tài nguyên phù hợp với mục tiêu mạng lưới. DePIN trong trí tuệ nhân tạo sẽ huy động tài nguyên GPU từ các chủ sở hữu cá nhân tới các trung tâm dữ liệu, hình thành một nguồn cung thống nhất cho người dùng cần truy cập phần cứng. Những mạng DePIN này không chỉ cung cấp tính tùy chỉnh và truy cập theo yêu cầu cho các nhà phát triển cần sức mạnh tính toán, mà còn mang lại thu nhập bổ sung cho các chủ sở hữu GPU.
Trên thị trường có nhiều mạng AI DePIN, bài viết này sẽ khám phá vai trò và mục tiêu của từng giao thức, cũng như một số điểm nổi bật cụ thể mà chúng đã đạt được.
Tổng quan về mạng DePIN AI
Render là người tiên phong trong mạng P2P cung cấp khả năng tính toán GPU, trước đây tập trung vào việc tạo nội dung hình ảnh, sau đó mở rộng phạm vi của mình bằng cách tích hợp các công cụ như Stable Diffusion, bao gồm các nhiệm vụ tính toán từ trường phản xạ thần kinh (NeRF) đến AI tạo sinh.
Đặc điểm của Render:
Akash định vị mình là một "siêu đám mây" thay thế cho các nền tảng truyền thống hỗ trợ lưu trữ, tính toán GPU và CPU. Sử dụng các công cụ thân thiện với nhà phát triển như nền tảng container Akash và các nút tính toán được quản lý bởi Kubernetes, nó có khả năng triển khai phần mềm một cách liền mạch qua các môi trường, từ đó có thể chạy bất kỳ ứng dụng gốc đám mây nào.
Đặc điểm của Akash:
io.net cung cấp quyền truy cập vào các cụm GPU đám mây phân tán, những cụm này được thiết kế đặc biệt cho các trường hợp sử dụng AI và ML. Nó tập hợp các GPU từ các trung tâm dữ liệu, thợ đào tiền điện tử và các mạng phi tập trung khác.
Đặc điểm của io.net:
Gensyn cung cấp khả năng tính toán GPU tập trung vào học máy và học sâu. Nó tuyên bố đã đạt được cơ chế xác minh hiệu quả hơn bằng cách kết hợp các khái niệm như chứng minh công việc học cho việc xác minh, giao thức định vị chính xác dựa trên đồ họa cho việc chạy lại xác minh, cũng như các trò chơi khuyến khích kiểu Truebit liên quan đến việc cung cấp nhà cung cấp tính toán và việc đặt cược và cắt giảm.
Đặc điểm của Gensyn:
Aethir chuyên cung cấp GPU doanh nghiệp, tập trung vào các lĩnh vực tính toán chuyên sâu, chủ yếu là trí tuệ nhân tạo, học máy (ML), trò chơi đám mây, v.v. Các container trong mạng của nó đóng vai trò như các điểm cuối ảo thực hiện các ứng dụng dựa trên đám mây, chuyển tải khối lượng công việc từ thiết bị địa phương sang container để đạt được trải nghiệm độ trễ thấp. Để đảm bảo cung cấp dịch vụ chất lượng cao cho người dùng, họ di chuyển GPU gần với nguồn dữ liệu dựa trên nhu cầu và vị trí, từ đó điều chỉnh tài nguyên.
Đặc điểm của Aethir:
Phala Network đóng vai trò là lớp thực thi cho giải pháp AI Web3. Chuỗi khối của nó là một giải pháp điện toán đám mây không cần tin cậy, được thiết kế để giải quyết các vấn đề về quyền riêng tư thông qua việc sử dụng môi trường thực thi tin cậy (TEE). Lớp thực thi của nó không được sử dụng làm lớp tính toán cho mô hình AI, mà cho phép các đại lý AI được kiểm soát bởi hợp đồng thông minh trên chuỗi.
Đặc điểm của Phala Network:
So sánh dự án
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Phần cứng | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Điểm nhấn kinh doanh | Render đồ họa và AI | Điện toán đám mây, render và AI | AI | AI | Trí tuệ nhân tạo, trò chơi đám mây và viễn thông | Thực thi AI trên chuỗi | | Loại nhiệm vụ AI | Suy luận | Đào tạo và suy luận | Đào tạo và suy luận | Đào tạo | Đào tạo | Thực hiện | | Định giá công việc | Định giá dựa trên hiệu suất | Đấu giá ngược | Định giá thị trường | Định giá thị trường | Hệ thống đấu thầu | Tính toán quyền lợi | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Quyền riêng tư dữ liệu | Mã hóa&băm | Xác thực mTLS | Mã hóa dữ liệu | Bản đồ an toàn | Mã hóa | TEE | | Chi phí công việc | Mỗi công việc 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% Chi phí dự trữ | Chi phí thấp | Mỗi phiên 20% | Tương ứng với số tiền đặt cọc | | An toàn | Chứng minh kết xuất | Chứng minh quyền lợi | Chứng minh tính toán | Chứng minh quyền lợi | Chứng minh khả năng kết xuất | Kế thừa từ chuỗi trung gian | | Hoàn thành chứng minh | - | - | Chứng minh khóa thời gian | Chứng minh học tập | Chứng minh công việc render | Chứng minh TEE | | Đảm bảo chất lượng | Tranh chấp | - | - | Người xác minh và người tố cáo | Nút kiểm tra | Chứng minh từ xa | | Cụm GPU | Không | Có | Có | Có | Có | Không |
Khả năng sử dụng cụm máy và tính toán song song là rất quan trọng cho việc đào tạo các mô hình AI phức tạp. Hầu hết các dự án hiện nay đã tích hợp cụm máy để thực hiện tính toán song song. io.net đã hợp tác với các dự án khác như Render, Filecoin và Aethir để đưa nhiều GPU hơn vào mạng của họ, và đã thành công triển khai hơn 3.800 cụm máy trong quý 1 năm 24.
Quyền riêng tư dữ liệu là một vấn đề quan trọng trong phát triển mô hình AI. Hầu hết các dự án đều sử dụng một số hình thức mã hóa dữ liệu để bảo vệ quyền riêng tư dữ liệu. io.net gần đây đã hợp tác với Mind Network để ra mắt mã hóa đồng cấu hoàn toàn (FHE), cho phép xử lý dữ liệu được mã hóa mà không cần phải giải mã trước. Phala Network đã giới thiệu môi trường thực thi đáng tin cậy (TEE), có thể ngăn chặn các quy trình bên ngoài truy cập hoặc sửa đổi dữ liệu.
Việc hoàn thành chứng nhận và kiểm tra chất lượng là rất quan trọng để đảm bảo chất lượng công việc. Gensyn và Aethir đều tạo ra chứng nhận để chỉ ra rằng công việc đã hoàn thành và thực hiện kiểm tra chất lượng cho các phép toán đã hoàn thành. Render khuyên nên sử dụng quy trình giải quyết tranh chấp, nếu hội đồng xem xét phát hiện có vấn đề với nút, thì sẽ giảm bớt nút đó.
Dữ liệu thống kê phần cứng
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Số lượng GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Số lượng CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Số lượng H100/A100 | - | 157 | 2330 | - | 2000+ | - | | H100 phí/giờ | - | $1.46 | $1.19 | - | - | - | | Chi phí A100/giờ | - | $1.37 | $1.50 | $0.55 ( dự kiến ) | $0.33 ( dự kiến ) | - |
GPU hiệu suất cao rất quan trọng cho việc đào tạo mô hình AI. io.net và Aethir dẫn đầu về số lượng GPU H100 và A100, khiến chúng phù hợp hơn cho tính toán mô hình lớn. Chi phí của mạng GPU Phi tập trung đã thấp hơn nhiều so với dịch vụ GPU tập trung, mở ra một tình huống độc quyền cho việc xây dựng nhiều trường hợp AI và ML hơn.
GPU/CPU tiêu dùng cũng đóng vai trò quan trọng trong các mạng này. Các dự án như Render, Akash và io.net có thể phục vụ cho phần thị trường này, cung cấp cho các nhà phát triển nhiều lựa chọn hơn.
Kết luận
Lĩnh vực DePIN AI tuy vẫn tương đối mới, nhưng đã cho thấy sự phát triển mạnh mẽ. Số lượng nhiệm vụ và phần cứng được thực hiện trong các mạng GPU phi tập trung này đang ngày càng tăng, làm nổi bật nhu cầu ngày càng tăng về các giải pháp thay thế cho tài nguyên phần cứng của nhà cung cấp đám mây Web2. Nhìn về tương lai, những mạng GPU phân tán này sẽ đóng vai trò quan trọng trong việc cung cấp các giải pháp tính toán hiệu quả về chi phí cho các nhà phát triển, góp phần đáng kể vào cảnh quan tương lai của trí tuệ nhân tạo và cơ sở hạ tầng tính toán.