AI dan DePIN: Menjelajahi Jaringan Komputasi GPU Desentralisasi
Sejak tahun 2023, AI dan DePIN sangat diperhatikan di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini bertujuan untuk mengeksplorasi bidang persimpangan AI dan DePIN, serta meneliti perkembangan protokol terkait.
Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Permintaan GPU dari perusahaan teknologi besar menyebabkan kekurangan, membuat pengembang lain kesulitan untuk mendapatkan GPU yang cukup untuk komputasi. Ini sering memaksa pengembang untuk memilih layanan cloud terpusat, tetapi kontrak perangkat keras berkinerja tinggi jangka panjang sering kali kurang fleksibel dan tidak efisien.
DePIN menyediakan alternatif yang lebih fleksibel dan lebih hemat biaya, dengan mendorong kontribusi sumber daya melalui insentif token. DePIN di bidang AI mengintegrasikan sumber daya GPU dari pemilik pribadi dan pusat data, memberikan pasokan yang terintegrasi bagi pengguna yang membutuhkan perangkat keras. Jaringan ini tidak hanya memberikan akses yang disesuaikan dan sesuai permintaan kepada pengembang, tetapi juga menciptakan pendapatan tambahan bagi pemilik GPU.
Ada berbagai jaringan AI DePIN di pasar, masing-masing dengan ciri khasnya. Di bawah ini, kita akan membahas beberapa proyek utama, karakteristik, dan tujuannya.
AI DePIN Jaringan Ringkasan
Render
Render adalah pelopor jaringan P2P yang menyediakan kemampuan komputasi GPU, awalnya fokus pada rendering grafis untuk penciptaan konten, kemudian memperluas cakupannya ke tugas komputasi AI.
Ciri-ciri:
Didirikan oleh perusahaan grafis awan pemenang Oscar OTOY
Jaringan GPU telah digunakan oleh perusahaan besar seperti Paramount Pictures, PUBG, dll.
Bekerja sama dengan Stability AI dan Endeavor, mengintegrasikan model AI dengan rendering konten 3D
Menyetujui beberapa klien komputasi, mengintegrasikan lebih banyak GPU dari jaringan DePIN
Akash
Akash diposisikan sebagai platform "super cloud" yang mendukung penyimpanan, GPU, dan komputasi CPU, sebagai alternatif untuk layanan cloud tradisional.
Ciri-ciri:
Menangani berbagai tugas komputasi dari komputasi umum hingga hosting jaringan
AkashML mendukung menjalankan lebih dari 15.000 model di Hugging Face
Mengelola chatbot model LLM Mistral AI, aplikasi SDXL dari Stability AI, dan lainnya
Mendukung platform Metaverse, AI deployment, dan federated learning
io.net
io.net menyediakan akses ke kluster GPU terdistribusi, khusus untuk kasus penggunaan AI dan ML.
Ciri-ciri:
IO-SDK kompatibel dengan kerangka kerja seperti PyTorch dan Tensorflow
Mendukung pembuatan 3 jenis kluster yang berbeda, dapat diluncurkan dalam 2 menit
Bekerja sama dengan jaringan seperti Render, Filecoin, Aethir untuk mengintegrasikan sumber daya GPU
Gensyn
Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam.
Ciri-ciri:
Biaya per jam untuk GPU setara V100 sekitar 0,40 dolar, menghemat biaya secara signifikan.
Mendukung fine-tuning model dasar pra-latih
Menyediakan model dasar yang desentralisasi dan berbagi secara global
Aethir
Aethir secara khusus menyediakan GPU tingkat perusahaan, terutama ditujukan untuk bidang komputasi intensif seperti AI, ML, dan permainan cloud.
Ciri-ciri:
Memperluas layanan ponsel cloud, bekerja sama dengan APhone untuk meluncurkan ponsel cerdas cloud desentralisasi
Membangun kerjasama yang luas dengan perusahaan besar seperti NVIDIA, Super Micro, HPE
Beberapa mitra dalam ekosistem Web3, seperti CARV, Magic Eden, dll.
Jaringan Phala
Phala Network sebagai lapisan eksekusi solusi AI Web3, merancang untuk menangani masalah privasi melalui lingkungan eksekusi tepercaya (TEE).
Ciri-ciri:
Bertindak sebagai protokol coprocessor yang dapat diverifikasi untuk memungkinkan agen AI mengakses sumber daya di blockchain
Dapatkan model bahasa besar terkemuka seperti OpenAI, Llama melalui Redpill
Masa depan akan mencakup sistem bukti ganda seperti zk-proofs, komputasi multi pihak, dan enkripsi homomorfik.
Mendukung H100 dan TEE GPU lainnya di masa depan, meningkatkan kemampuan komputasi
Perbandingan Proyek
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|--------|-------|--------|--------|--------|-------|
| Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Fokus Bisnis | Render Grafis dan AI | Komputasi Awan, Render, dan AI | AI | AI | AI, Permainan Awan, dan Telekomunikasi | Eksekusi AI di Blockchain |
| Jenis Tugas AI | Inferensi | Dua Arah | Dua Arah | Pelatihan | Pelatihan | Eksekusi |
| Penetapan Harga Pekerjaan | 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 | Otentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE |
| Biaya kerja | 0.5-5% per pekerjaan | 20% USDC, 4% AKT | 2% USDC, 0.25% cadangan | Biaya rendah | 20% per sesi | Proporsional dengan jumlah yang dipertaruhkan |
| Aman | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kapasitas Rendering | Mewarisi dari Rantai Perantara |
| Bukti Selesai | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE |
| Jaminan Kualitas | Kontroversi | - | - | Verifikator dan Pelapor | Node Pemeriksa | Bukti Jarak Jauh |
| GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |
Pentingnya
Ketersediaan kluster dan komputasi paralel
Kerangka komputasi terdistribusi menerapkan kluster GPU untuk meningkatkan efisiensi pelatihan dan skalabilitas. Sebagian besar proyek kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net bekerja sama dengan proyek lain, telah menerapkan lebih dari 3.800 kluster pada kuartal pertama tahun 24. Render meskipun tidak mendukung kluster, tetapi membagi satu bingkai menjadi beberapa node untuk diproses secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan pengelompokan pekerja CPU.
Privasi data
Melindungi kumpulan data sensitif sangat penting. Sebagian besar proyek menggunakan enkripsi data untuk melindungi privasi. io.net bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsi. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), untuk mencegah proses eksternal mengakses atau memodifikasi data.
Bukti penyelesaian perhitungan dan pemeriksaan kualitas
Setiap proyek menggunakan cara yang berbeda untuk menghasilkan bukti penyelesaian dan melakukan pemeriksaan kualitas. Gensyn dan Aethir menghasilkan bukti yang menunjukkan bahwa pekerjaan telah selesai, dan melakukan pemeriksaan kualitas. Bukti dari io.net menunjukkan bahwa kinerja GPU dimanfaatkan secara maksimal. Render menyarankan untuk menggunakan proses penyelesaian sengketa. Phala menghasilkan bukti TEE untuk memastikan agen AI melakukan operasi yang diperlukan.
Pelatihan model AI membutuhkan GPU dengan performa terbaik, seperti Nvidia A100 dan H100. Kinerja inferensi H100 4 kali lebih cepat daripada A100, menjadikannya GPU pilihan utama. Penyedia pasar GPU desentralisasi perlu menawarkan harga yang lebih rendah dan memenuhi kebutuhan pasar yang sebenarnya. io.net dan Aethir telah memperoleh lebih dari 2000 unit H100 dan A100, yang lebih cocok untuk perhitungan model besar.
Biaya layanan GPU Desentralisasi telah turun di bawah layanan terpusat. Kluster GPU yang terhubung ke jaringan meskipun memiliki memori terbatas, tetap menarik bagi pengguna yang memiliki kebutuhan beban kerja dinamis atau yang memerlukan fleksibilitas.
Menyediakan GPU/CPU kelas konsumen
CPU juga memainkan peran penting dalam pelatihan model AI. GPU konsumer dapat digunakan untuk penyempurnaan model yang telah dilatih sebelumnya atau pelatihan skala kecil. Proyek seperti Render, Akash, dan io.net juga melayani pasar ini, mengembangkan pasar niche mereka sendiri.
Kesimpulan
Bidang DePIN AI masih relatif baru dan menghadapi tantangan. Namun, jumlah tugas yang dieksekusi di jaringan ini dan perangkat keras yang digunakan meningkat secara signifikan, menyoroti kebutuhan akan alternatif penyedia cloud Web2. Di masa depan, jaringan GPU terdesentralisasi ini akan memainkan peran kunci dalam menyediakan solusi komputasi yang ekonomis bagi para pengembang, memberikan kontribusi signifikan terhadap lanskap masa depan AI dan infrastruktur komputasi.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
5 Suka
Hadiah
5
4
Bagikan
Komentar
0/400
GasGuzzler
· 8jam yang lalu
Hanya mereka yang berebut GPU yang sebenarnya ahli.
Lihat AsliBalas0
FortuneTeller42
· 07-26 07:02
Dengan kondisi pasar seperti ini, jangan trading lagi ya.
Lihat AsliBalas0
AirdropSweaterFan
· 07-26 07:01
Bergulung-gulung tidak sebaik penambangan
Lihat AsliBalas0
BlockchainFries
· 07-26 07:01
Pemain awal Web3 sepenuh hati menyambut Desentralisasi
AI dan DePIN: Kebangkitan dan Tantangan Jaringan Komputasi GPU Desentralisasi
AI dan DePIN: Menjelajahi Jaringan Komputasi GPU Desentralisasi
Sejak tahun 2023, AI dan DePIN sangat diperhatikan di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini bertujuan untuk mengeksplorasi bidang persimpangan AI dan DePIN, serta meneliti perkembangan protokol terkait.
Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Permintaan GPU dari perusahaan teknologi besar menyebabkan kekurangan, membuat pengembang lain kesulitan untuk mendapatkan GPU yang cukup untuk komputasi. Ini sering memaksa pengembang untuk memilih layanan cloud terpusat, tetapi kontrak perangkat keras berkinerja tinggi jangka panjang sering kali kurang fleksibel dan tidak efisien.
DePIN menyediakan alternatif yang lebih fleksibel dan lebih hemat biaya, dengan mendorong kontribusi sumber daya melalui insentif token. DePIN di bidang AI mengintegrasikan sumber daya GPU dari pemilik pribadi dan pusat data, memberikan pasokan yang terintegrasi bagi pengguna yang membutuhkan perangkat keras. Jaringan ini tidak hanya memberikan akses yang disesuaikan dan sesuai permintaan kepada pengembang, tetapi juga menciptakan pendapatan tambahan bagi pemilik GPU.
Ada berbagai jaringan AI DePIN di pasar, masing-masing dengan ciri khasnya. Di bawah ini, kita akan membahas beberapa proyek utama, karakteristik, dan tujuannya.
AI DePIN Jaringan Ringkasan
Render
Render adalah pelopor jaringan P2P yang menyediakan kemampuan komputasi GPU, awalnya fokus pada rendering grafis untuk penciptaan konten, kemudian memperluas cakupannya ke tugas komputasi AI.
Ciri-ciri:
Akash
Akash diposisikan sebagai platform "super cloud" yang mendukung penyimpanan, GPU, dan komputasi CPU, sebagai alternatif untuk layanan cloud tradisional.
Ciri-ciri:
io.net
io.net menyediakan akses ke kluster GPU terdistribusi, khusus untuk kasus penggunaan AI dan ML.
Ciri-ciri:
Gensyn
Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam.
Ciri-ciri:
Aethir
Aethir secara khusus menyediakan GPU tingkat perusahaan, terutama ditujukan untuk bidang komputasi intensif seperti AI, ML, dan permainan cloud.
Ciri-ciri:
Jaringan Phala
Phala Network sebagai lapisan eksekusi solusi AI Web3, merancang untuk menangani masalah privasi melalui lingkungan eksekusi tepercaya (TEE).
Ciri-ciri:
Perbandingan Proyek
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|--------|-------|--------|--------|--------|-------| | Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Fokus Bisnis | Render Grafis dan AI | Komputasi Awan, Render, dan AI | AI | AI | AI, Permainan Awan, dan Telekomunikasi | Eksekusi AI di Blockchain | | Jenis Tugas AI | Inferensi | Dua Arah | Dua Arah | Pelatihan | Pelatihan | Eksekusi | | Penetapan Harga Pekerjaan | 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 | Otentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE | | Biaya kerja | 0.5-5% per pekerjaan | 20% USDC, 4% AKT | 2% USDC, 0.25% cadangan | Biaya rendah | 20% per sesi | Proporsional dengan jumlah yang dipertaruhkan | | Aman | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kapasitas Rendering | Mewarisi dari Rantai Perantara | | Bukti Selesai | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Kontroversi | - | - | Verifikator dan Pelapor | Node Pemeriksa | Bukti Jarak Jauh | | GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |
Pentingnya
Ketersediaan kluster dan komputasi paralel
Kerangka komputasi terdistribusi menerapkan kluster GPU untuk meningkatkan efisiensi pelatihan dan skalabilitas. Sebagian besar proyek kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net bekerja sama dengan proyek lain, telah menerapkan lebih dari 3.800 kluster pada kuartal pertama tahun 24. Render meskipun tidak mendukung kluster, tetapi membagi satu bingkai menjadi beberapa node untuk diproses secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan pengelompokan pekerja CPU.
Privasi data
Melindungi kumpulan data sensitif sangat penting. Sebagian besar proyek menggunakan enkripsi data untuk melindungi privasi. io.net bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsi. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), untuk mencegah proses eksternal mengakses atau memodifikasi data.
Bukti penyelesaian perhitungan dan pemeriksaan kualitas
Setiap proyek menggunakan cara yang berbeda untuk menghasilkan bukti penyelesaian dan melakukan pemeriksaan kualitas. Gensyn dan Aethir menghasilkan bukti yang menunjukkan bahwa pekerjaan telah selesai, dan melakukan pemeriksaan kualitas. Bukti dari io.net menunjukkan bahwa kinerja GPU dimanfaatkan secara maksimal. Render menyarankan untuk menggunakan proses penyelesaian sengketa. Phala menghasilkan bukti TEE untuk memastikan agen AI melakukan operasi yang diperlukan.
Statistik perangkat keras
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|--------|--------|-------| | Jumlah GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Jumlah CPU | 114 | 14672 | 5433 | - | - | 30000+ | | H100/A100 Jumlah | - | 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
Pelatihan model AI membutuhkan GPU dengan performa terbaik, seperti Nvidia A100 dan H100. Kinerja inferensi H100 4 kali lebih cepat daripada A100, menjadikannya GPU pilihan utama. Penyedia pasar GPU desentralisasi perlu menawarkan harga yang lebih rendah dan memenuhi kebutuhan pasar yang sebenarnya. io.net dan Aethir telah memperoleh lebih dari 2000 unit H100 dan A100, yang lebih cocok untuk perhitungan model besar.
Biaya layanan GPU Desentralisasi telah turun di bawah layanan terpusat. Kluster GPU yang terhubung ke jaringan meskipun memiliki memori terbatas, tetap menarik bagi pengguna yang memiliki kebutuhan beban kerja dinamis atau yang memerlukan fleksibilitas.
Menyediakan GPU/CPU kelas konsumen
CPU juga memainkan peran penting dalam pelatihan model AI. GPU konsumer dapat digunakan untuk penyempurnaan model yang telah dilatih sebelumnya atau pelatihan skala kecil. Proyek seperti Render, Akash, dan io.net juga melayani pasar ini, mengembangkan pasar niche mereka sendiri.
Kesimpulan
Bidang DePIN AI masih relatif baru dan menghadapi tantangan. Namun, jumlah tugas yang dieksekusi di jaringan ini dan perangkat keras yang digunakan meningkat secara signifikan, menyoroti kebutuhan akan alternatif penyedia cloud Web2. Di masa depan, jaringan GPU terdesentralisasi ini akan memainkan peran kunci dalam menyediakan solusi komputasi yang ekonomis bagi para pengembang, memberikan kontribusi signifikan terhadap lanskap masa depan AI dan infrastruktur komputasi.