A fusão de AI e DePIN: a ascensão das redes GPU distribuídas
Desde 2023, a IA e o DePIN tornaram-se tendências quentes no campo do Web3, com um valor de mercado de 30 mil milhões de dólares e 23 mil milhões de dólares, respetivamente. Este artigo foca no ponto de interseção entre ambos e explora o desenvolvimento deste novo campo.
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 levou à escassez de oferta, dificultando para outros desenvolvedores a obtenção de recursos suficientes para treinar seus próprios modelos. Os serviços de nuvem centralizados tradicionais geralmente exigem a assinatura de contratos de longo prazo inflexíveis, resultando em ineficiência. A rede DePIN oferece uma alternativa mais flexível e econômica, reunindo recursos de GPU descentralizados através de incentivos em tokens, proporcionando um fornecimento unificado para os usuários. Isso não só permite que os desenvolvedores acessem capacidades computacionais personalizáveis conforme necessário, mas também gera receita adicional para os usuários de GPUs ociosas.
Visão Geral da Rede DePIN de IA
Render
Render é o pioneiro da rede de computação GPU P2P, inicialmente focado em renderização gráfica para criação de conteúdo, e mais tarde expandiu para incluir uma ampla gama de tarefas de computação AI, incluindo AI generativa.
Destaques:
Fundada por uma empresa com tecnologia premiada com o Oscar
Já foi utilizado por gigantes da indústria do entretenimento, como a Paramount Pictures.
Colaborar com empresas como a Stability AI para integrar modelos de IA e renderização de conteúdo 3D
Suporte a vários clientes de computação, integrando mais GPUs da rede DePIN
Akash
Akash é posicionado como uma alternativa ao "super nuvem" das plataformas de nuvem tradicionais, suportando armazenamento, computação GPU e CPU. Sua plataforma de contêineres e os nós de computação geridos pelo Kubernetes podem implantar aplicações nativas da nuvem de forma transparente.
Destaques:
Abrange uma ampla gama de tarefas, desde computação geral até hospedagem na web.
AkashML suporta a execução de mais de 15.000 modelos no Hugging Face
Aplicações conhecidas como o chatbot LLM da Mistral AI já foram hospedadas.
Suporte a plataformas como Metaverso, implantação de IA e aprendizado federal
io.net
A io.net oferece um cluster de nuvem GPU distribuído, focado em casos de uso de IA e ML. Agrega recursos de GPU de várias fontes, como data centers e mineradores de criptomoedas.
Destaques:
IO-SDK compatível com frameworks como PyTorch, podendo ser expandido dinamicamente de acordo com as necessidades
Suporta a criação de 3 tipos diferentes de clusters, iniciar em 2 minutos
Integrar mais recursos de GPU em colaboração com Render, Filecoin e outros.
Gensyn
Gensyn foca em computação de aprendizado de máquina e aprendizado profundo. Utiliza mecanismos como prova de aprendizado, protocolos baseados em grafos e incentivos de staking para melhorar a eficiência da validação.
Destaques:
O custo por hora da GPU V100 é de aproximadamente 0,40 dólares, o que representa uma grande economia.
Pode afinar o modelo base pré-treinado para completar tarefas específicas
Fornecer um modelo básico descentralizado e globalmente compartilhado
Aethir
Aethir foca em GPU de nível empresarial, servindo áreas de computação intensiva como IA, ML e jogos na nuvem. Através da tecnologia de contêineres, transfere cargas de trabalho do local para a nuvem, proporcionando uma experiência de baixa latência.
Destaques:
Expandir para serviços de smartphone na nuvem, lançar um smartphone inteligente descentralizado em parceria com a APhone
Estabelecer uma ampla colaboração com gigantes do Web2 como a NVIDIA e a Foxconn
Colaborar com várias partes, como CARV e Magic Eden, no campo do Web3
Phala Network
A Phala Network, como camada de execução da solução Web3 AI, utiliza um ambiente de execução confiável (TEE) para lidar com questões de privacidade. Sua camada de execução permite que os agentes de IA sejam controlados por contratos inteligentes na blockchain.
Destaques:
Como um protocolo de coprocessador de computação verificável, capacitando recursos de agentes de IA na blockchain
O contrato de代理AI pode ser obtido através do Redpill para acessar LLMs de topo como o OpenAI
O futuro incluirá sistemas de múltiplas provas como zk-proofs, MPC e FHE.
O plano é suportar GPU TEE como H100, aumentando a capacidade de computação.
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 | Inferência e treino | Inferência e treino | Treino | Treino | Execução |
| Preço do trabalho | Preço 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% taxa de reserva | Baixos custos | 20% por sessão | Proporcional ao valor 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 Temporal | Prova de Aprendizagem | Prova de Trabalho Renderizado | Prova TEE |
| Garantia de Qualidade | Controvérsia | - | - | Verificador e Denunciante | Nó de Verificação | Prova Remota |
| GPU Cluster | Não | Sim | Sim | Sim | Sim | Não |
Comparação de Características Chave
Computação em cluster e paralela
Estruturas de computação distribuída implementam clusters de GPU, melhorando a eficiência de treinamento e a escalabilidade. A maioria dos projetos já integrou suporte a clusters para computação paralela, a fim de atender às necessidades de modelos de IA complexos. A io.net já implantou com sucesso mais de 3800 clusters. Embora o Render não suporte clusters, ele pode dividir tarefas em múltiplos nós para processamento simultâneo. A Phala suporta a clusterização de trabalhadores de CPU.
Privacidade de Dados
Proteger conjuntos de dados sensíveis é crucial para o desenvolvimento de IA. A maioria dos projetos utiliza criptografia de dados para proteger a privacidade. A io.net introduz criptografia totalmente homomórfica (FHE), permitindo o processamento de dados em estado criptografado. A Phala Network utiliza ambientes de execução confiáveis (TEE), prevenindo o acesso ou modificação externa dos dados.
Prova de cálculo concluído e inspeção de qualidade
Para garantir a qualidade do serviço, a maioria dos projetos adota mecanismos de prova de conclusão e verificação de qualidade. Gensyn e Aethir geram provas de trabalho concluído e realizam verificações de qualidade. A io.net comprova que o desempenho da GPU alugada é devidamente utilizado. A Render sugere o uso de processos de resolução de disputas para lidar com nós problemáticos. A Phala gera provas TEE para garantir a execução correta.
O treinamento de modelos de IA requer GPUs de melhor desempenho, como a NVIDIA A100 e H100. O mercado descentralizado de GPUs precisa fornecer uma quantidade suficiente de hardware de alto desempenho para atender à demanda. A io.net e a Aethir possuem mais de 2000 unidades H100/A100 cada, sendo mais adequadas para cálculos de grandes modelos. Os custos de aluguel de GPUs nessas redes já estão muito abaixo dos serviços centralizados.
Fornecimento de GPU/CPU de nível de consumo
Além das GPUs de nível empresarial, alguns projetos como Render, Akash e io.net também atendem ao mercado de GPUs de consumo. Isso pode aproveitar uma grande quantidade de recursos de GPUs de consumidores ociosos, desenvolvendo segmentos de mercado específicos.
Conclusão
O campo DePIN de IA ainda está em fase inicial, enfrentando muitos desafios. No entanto, o número de tarefas executadas e de hardware nessas redes aumentou significativamente, destacando a necessidade de alternativas aos serviços de nuvem tradicionais. No futuro, à medida que o mercado de IA continuar a crescer, essas redes de GPU distribuídas têm potencial para desempenhar um papel fundamental em fornecer recursos computacionais econômicos para os desenvolvedores, contribuindo de forma significativa para o futuro da infraestrutura de IA e computação.
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
6 gostos
Recompensa
6
2
Republicar
Partilhar
Comentar
0/400
MetaMisery
· 9h atrás
O Partido da escassez de poder de computação finalmente conseguiu se destacar.
Ver originalResponder0
Layer2Arbitrageur
· 9h atrás
ngmi sem pools de GPU descentralizados... a vantagem é óbvia se fizeres as contas
A ascensão da fusão entre AI e DePIN: redes de GPU distribuídas lideram uma nova tendência
A fusão de AI e DePIN: a ascensão das redes GPU distribuídas
Desde 2023, a IA e o DePIN tornaram-se tendências quentes no campo do Web3, com um valor de mercado de 30 mil milhões de dólares e 23 mil milhões de dólares, respetivamente. Este artigo foca no ponto de interseção entre ambos e explora o desenvolvimento deste novo campo.
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 levou à escassez de oferta, dificultando para outros desenvolvedores a obtenção de recursos suficientes para treinar seus próprios modelos. Os serviços de nuvem centralizados tradicionais geralmente exigem a assinatura de contratos de longo prazo inflexíveis, resultando em ineficiência. A rede DePIN oferece uma alternativa mais flexível e econômica, reunindo recursos de GPU descentralizados através de incentivos em tokens, proporcionando um fornecimento unificado para os usuários. Isso não só permite que os desenvolvedores acessem capacidades computacionais personalizáveis conforme necessário, mas também gera receita adicional para os usuários de GPUs ociosas.
Visão Geral da Rede DePIN de IA
Render
Render é o pioneiro da rede de computação GPU P2P, inicialmente focado em renderização gráfica para criação de conteúdo, e mais tarde expandiu para incluir uma ampla gama de tarefas de computação AI, incluindo AI generativa.
Destaques:
Akash
Akash é posicionado como uma alternativa ao "super nuvem" das plataformas de nuvem tradicionais, suportando armazenamento, computação GPU e CPU. Sua plataforma de contêineres e os nós de computação geridos pelo Kubernetes podem implantar aplicações nativas da nuvem de forma transparente.
Destaques:
io.net
A io.net oferece um cluster de nuvem GPU distribuído, focado em casos de uso de IA e ML. Agrega recursos de GPU de várias fontes, como data centers e mineradores de criptomoedas.
Destaques:
Gensyn
Gensyn foca em computação de aprendizado de máquina e aprendizado profundo. Utiliza mecanismos como prova de aprendizado, protocolos baseados em grafos e incentivos de staking para melhorar a eficiência da validação.
Destaques:
Aethir
Aethir foca em GPU de nível empresarial, servindo áreas de computação intensiva como IA, ML e jogos na nuvem. Através da tecnologia de contêineres, transfere cargas de trabalho do local para a nuvem, proporcionando uma experiência de baixa latência.
Destaques:
Phala Network
A Phala Network, como camada de execução da solução Web3 AI, utiliza um ambiente de execução confiável (TEE) para lidar com questões de privacidade. Sua camada de execução permite que os agentes de IA sejam controlados por contratos inteligentes na blockchain.
Destaques:
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 | Inferência e treino | Inferência e treino | Treino | Treino | Execução | | Preço do trabalho | Preço 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% taxa de reserva | Baixos custos | 20% por sessão | Proporcional ao valor 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 Temporal | Prova de Aprendizagem | Prova de Trabalho Renderizado | Prova TEE | | Garantia de Qualidade | Controvérsia | - | - | Verificador e Denunciante | Nó de Verificação | Prova Remota | | GPU Cluster | Não | Sim | Sim | Sim | Sim | Não |
Comparação de Características Chave
Computação em cluster e paralela
Estruturas de computação distribuída implementam clusters de GPU, melhorando a eficiência de treinamento e a escalabilidade. A maioria dos projetos já integrou suporte a clusters para computação paralela, a fim de atender às necessidades de modelos de IA complexos. A io.net já implantou com sucesso mais de 3800 clusters. Embora o Render não suporte clusters, ele pode dividir tarefas em múltiplos nós para processamento simultâneo. A Phala suporta a clusterização de trabalhadores de CPU.
Privacidade de Dados
Proteger conjuntos de dados sensíveis é crucial para o desenvolvimento de IA. A maioria dos projetos utiliza criptografia de dados para proteger a privacidade. A io.net introduz criptografia totalmente homomórfica (FHE), permitindo o processamento de dados em estado criptografado. A Phala Network utiliza ambientes de execução confiáveis (TEE), prevenindo o acesso ou modificação externa dos dados.
Prova de cálculo concluído e inspeção de qualidade
Para garantir a qualidade do serviço, a maioria dos projetos adota mecanismos de prova de conclusão e verificação de qualidade. Gensyn e Aethir geram provas de trabalho concluído e realizam verificações de qualidade. A io.net comprova que o desempenho da GPU alugada é devidamente utilizado. A Render sugere o uso de processos de resolução de disputas para lidar com nós problemáticos. A Phala gera provas TEE para garantir a execução correta.
Estatísticas de Hardware
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Número de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Número de CPUs | 114 | 14672 | 5433 | - | - | 30000+ | | Quantidade H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Custo H100/hora | - | $1.46 | $1.19 | - | - | - | | Custo A100/hora | - | $1.37 | $1.50 | $0.55 ( previsto ) | $0.33 ( previsto ) | - |
Demanda por GPU de alto desempenho
O treinamento de modelos de IA requer GPUs de melhor desempenho, como a NVIDIA A100 e H100. O mercado descentralizado de GPUs precisa fornecer uma quantidade suficiente de hardware de alto desempenho para atender à demanda. A io.net e a Aethir possuem mais de 2000 unidades H100/A100 cada, sendo mais adequadas para cálculos de grandes modelos. Os custos de aluguel de GPUs nessas redes já estão muito abaixo dos serviços centralizados.
Fornecimento de GPU/CPU de nível de consumo
Além das GPUs de nível empresarial, alguns projetos como Render, Akash e io.net também atendem ao mercado de GPUs de consumo. Isso pode aproveitar uma grande quantidade de recursos de GPUs de consumidores ociosos, desenvolvendo segmentos de mercado específicos.
Conclusão
O campo DePIN de IA ainda está em fase inicial, enfrentando muitos desafios. No entanto, o número de tarefas executadas e de hardware nessas redes aumentou significativamente, destacando a necessidade de alternativas aos serviços de nuvem tradicionais. No futuro, à medida que o mercado de IA continuar a crescer, essas redes de GPU distribuídas têm potencial para desempenhar um papel fundamental em fornecer recursos computacionais econômicos para os desenvolvedores, contribuindo de forma significativa para o futuro da infraestrutura de IA e computação.