تقاطع الذكاء الاصطناعي وDePIN: ظهور الشبكات اللامركزية للمعالجات الرسومية

منذ عام 2023، أصبحت الذكاء الاصطناعي وDePIN الاتجاهات الشائعة في مجال Web3، حيث وصل حجم السوق لكل منهما إلى 30 مليار دولار و23 مليار دولار على التوالي. تركز هذه المقالة على المجال المشترك بين الاثنين، وتستكشف تطوير البروتوكولات ذات الصلة.

في تقنية الذكاء الاصطناعي، يوفر شبكة DePIN فائدة للذكاء الاصطناعي من خلال الموارد الحاسوبية. أدت ندرة وحدات معالجة الرسومات (GPU) الناتجة عن الشركات التقنية الكبرى إلى نقص في وحدات معالجة الرسومات الكافية للمطورين الآخرين لإجراء الحسابات. وغالبًا ما يؤدي ذلك إلى اختيار المطورين لمقدمي خدمات السحابة المركزية، ولكن بسبب الحاجة إلى توقيع عقود طويلة الأجل غير مرنة للأجهزة عالية الأداء، تصبح الكفاءة منخفضة.

DePIN في جوهرها توفر بديلاً أكثر مرونة وكفاءة من حيث التكلفة، باستخدام مكافآت الرموز لتحفيز مساهمات الموارد التي تتماشى مع أهداف الشبكة. DePIN في مجال الذكاء الاصطناعي يجمع موارد GPU من المالكين الأفراد إلى مراكز البيانات، مما يشكل عرضاً موحداً للمستخدمين الذين يحتاجون إلى الوصول إلى الأجهزة. هذه الشبكات DePIN لا توفر فقط القابلية للتخصيص والوصول عند الطلب للمطورين الذين يحتاجون إلى القدرة الحاسوبية، بل توفر أيضاً دخلاً إضافياً لمالكي GPU.

إن التعرف على الاختلافات بين الشبكات العديدة للذكاء الاصطناعي DePIN في السوق والعثور على الشبكة الصحيحة المطلوبة ليس بالأمر السهل. ستتناول الفقرة التالية دور كل بروتوكول وأهدافه والميزات التي تم تحقيقها.

نظرة عامة على شبكة DePIN الذكية

كل مشروع له هدف مشابه - شبكة سوق حسابات GPU. تبحث هذه القسم في أبرز النقاط لكل مشروع، والتركيزات السوقية، والإنجازات، لفهم الفروق بينها من خلال معرفة بنيتها التحتية الأساسية ومنتجاتها.

Render هو رائد شبكة P2P التي توفر القدرة على حساب GPU، وكان يركز سابقًا على إنشاء محتوى الرسوم المتحركة، ثم توسع ليشمل مهام الحساب المتعلقة بالذكاء الاصطناعي التي تتضمن أدوات مثل Stable Diffusion، بما في ذلك الحقول الإشعاعية العصبية (NeRF).

الميزات:

1. تأسست شركة OTOY، التي تمتلك تقنيات حائزة على جائزة الأوسكار.

2. تم استخدام شبكة GPU من قبل شركات الترفيه الكبرى مثل باراماونت بيكتشرز، وPUBG، وStar Trek.

3. التعاون مع Stability AI و Endeavor لدمج نماذج الذكاء الاصطناعي مع سير عمل رندرة المحتوى ثلاثي الأبعاد باستخدام GPU من Render

4. الموافقة على عدة عملاء حسابيين، ودمج المزيد من شبكات DePIN باستخدام GPU

Akash تُعرف بأنها "Airbnb المدارة"، وتُعَد بديلاً "للسحابة الفائقة" المنصة التقليدية التي تدعم التخزين وحوسبة GPU وCPU مثل AWS(. من خلال استخدام أدوات صديقة للمطورين مثل منصة Akash للحاويات والعقد المحوسبة المدارة بواسطة Kubernetes، يمكن نشر البرمجيات بسلاسة عبر البيئات وتشغيل أي تطبيق متوافق مع السحابة.

الملامح:

1. المهام الحسابية واسعة النطاق من الحوسبة العامة إلى استضافة الشبكة

2. AkashML يسمح لشبكات GPU بتشغيل أكثر من 15,000 نموذج على Hugging Face، مع التكامل مع Hugging Face.

3. استضافة Akash لروبوت الدردشة الخاص بنموذج LLM من Mistral AI، ونموذج تحويل النص إلى صورة SDXL من Stability AI، ونموذج AT-1 الأساسي الجديد من Thumper AI.

4. بناء منصة للميتافيرس، ونشر الذكاء الاصطناعي، والتعلم الفيدرالي تستفيد من Supercloud

io.net يوفر الوصول إلى تجمعات سحابية موزعة من وحدات معالجة الرسوميات، مخصصة لحالات استخدام الذكاء الاصطناعي والتعلم الآلي. إنها تجمع بين مراكز البيانات، وعمال تعدين العملات المشفرة، وشبكات أخرى اللامركزية. كانت الشركة سابقًا شركة تداول كمي، وتحولت إلى أعمالها الحالية بعد الارتفاع الكبير في أسعار وحدات معالجة الرسوميات عالية الأداء.

الميزات:

1. IO-SDK متوافق مع أطر العمل مثل PyTorch وTensorflow، يمكن أن تتوسع البنية متعددة الطبقات تلقائيًا حسب احتياجات الحساب.

2. يدعم إنشاء 3 أنواع مختلفة من التجمعات، ويمكن تشغيلها في غضون دقيقتين

3. تعاون قوي يدمج شبكات DePIN الأخرى GPU، بما في ذلك Render و Filecoin و Aethir و Exabits

Gensyn توفر قدرات الحوسبة GPU التي تركز على التعلم الآلي والتعلم العميق. تدعي أنها تحقق آلية تحقق أكثر كفاءة من الطرق الحالية من خلال دمج استخدام إثبات التعلم، بروتوكول تحديد المواقع الدقيق القائم على الرسوم، ومفاهيم الألعاب التحفيزية على غرار Truebit التي تشمل رهن مزودي الحوسبة وتخفيضاتهم.

الميزات:

1. من المتوقع أن يكون تكلفة GPU المعادل V100 حوالي 0.40 دولار أمريكي في الساعة، مما يوفر تكاليف كبيرة

2. من خلال إثبات التكديس، يمكن ضبط النموذج الأساسي المدرب مسبقًا لإكمال مهام أكثر تحديدًا

3. ستوفر هذه النماذج الأساسية اللامركزية، المملوكة عالميًا، بالإضافة إلى شبكة حسابات الأجهزة، وظائف إضافية.

Aethir مصممة خصيصًا لنقل GPU الشركات، تركز على المجالات التي تتطلب حسابات كثيفة، مثل الذكاء الاصطناعي، التعلم الآلي )ML (، الألعاب السحابية، وغيرها. تعمل الحاويات في الشبكة كنقاط افتراضية لتطبيقات السحابة، حيث تنقل عبء العمل من الأجهزة المحلية إلى الحاويات، مما يحقق تجربة ذات تأخير منخفض. لضمان خدمة ذات جودة عالية، يقومون بتحريك GPU بالقرب من مصادر البيانات حسب الطلب والموقع، وضبط الموارد.

الميزات:

1. بالإضافة إلى الذكاء الاصطناعي وألعاب السحابة، قامت Aethir أيضًا بتوسيع خدمات الهاتف السحابي، بالتعاون مع APhone لإطلاق هاتف ذكي سحابي لامركزي.

2. إقامة شراكات واسعة مع شركات Web2 الكبرى مثل NVIDIA وSuper Micro وHPE وFoxconn وWell Link

3. شركاء متعددون في Web3 مثل CARV و Magic Eden و Sequence و Impossible Finance وما إلى ذلك

Phala Network تعمل كطبقة تنفيذ لحلول Web3 AI. سلسلتها الكتلية هي حل حوسبة سحابية بدون ثقة، حيث معالجة قضايا الخصوصية تتم من خلال بيئة تنفيذ موثوقة )TEE(. لا تستخدم طبقة التنفيذ كطبقة حساب نموذج AI، بل تمكّن الوكلاء الذكاء الاصطناعي من التحكم بها من خلال عقود ذكية على السلسلة.

الميزات:

1. يعمل كبروتوكول معالج مساعد يمكن التحقق منه، مما يسمح لوكلاء الذكاء الاصطناعي باستخدام الموارد على السلسلة.

2. يمكن الحصول على نماذج اللغة الكبيرة الرائدة مثل OpenAI وLlama وClaude وHugging Face من خلال عقد الوكيل AI عبر Redpill

3. المستقبل سيشمل zk-proofs، الحوسبة متعددة الأطراف ) MPC (، التشفير المتجانس الكامل ) FHE ( وغيرها من أنظمة الإثبات المتعددة.

4. دعم H100 وغيرها من وحدات معالجة الرسوميات TEE في المستقبل، لتحسين القدرة الحاسوبية

![نقطة التقاء الذكاء الاصطناعي و DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(

مقارنة المشاريع

| | رندر | أكاش | io.net | جينسين | أثير | فالا | |--------|-------------|------------------|---------------------|---------|---------------|----------| | الأجهزة | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات | وحدة معالجة الرسومات | وحدة المعالجة المركزية | | التركيز على الأعمال | عرض الرسوميات والذكاء الاصطناعي | الحوسبة السحابية، العرض والذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي، الألعاب السحابية والاتصالات | تنفيذ الذكاء الاصطناعي على السلسلة | | نوع مهمة الذكاء الاصطناعي | استدلال | كلاهما | كلاهما | تدريب | تدريب | تنفيذ | | تسعير العمل | تسعير قائم على الأداء | مزاد عكسي | تسعير السوق | تسعير السوق | نظام العطاءات | حساب الحقوق | | بلوكتشين | سولانا | كوزموس | سولانا | جينسين | أربيتروم | بولكادوت | | خصوصية البيانات | التشفير& التجزئة | مصادقة mTLS | تشفير البيانات | خريطة الأمان | تشفير | TEE | | تكاليف العمل | لكل عمل 0.5-5% | 20% USDC، 4% AKT | 2% USDC، 0.25% رسوم احتياطي | رسوم منخفضة | لكل جلسة 20% | تتناسب مع مبلغ الرهن | | الأمان | إثبات التجسيد | إثبات الحصة | إثبات الحسابات | إثبات الحصة | إثبات قدرة التجسيد | موروثة من سلسلة الوسيط | | إثبات الإنجاز | - | - | إثبات قفل الوقت | إثبات التعلم | إثبات عمل الريندر | إثبات TEE | | ضمان الجودة | النزاع | - | - | المدققون والمبلغون | عقدة المراقبة | إثبات عن بعد | | مجموعة GPU | لا | نعم | نعم | نعم | نعم | لا |

الأهمية

توفر التجميع والحوسبة المتوازية

إطار الحوسبة الموزعة يحقق تجمعات GPU، ويوفر تدريبًا أكثر كفاءة دون التأثير على دقة النموذج، مع تعزيز القابلية للتوسع. يتطلب تدريب نماذج الذكاء الاصطناعي الأكثر تعقيدًا قوة حوسبة قوية، وغالبًا ما يجب الاعتماد على الحوسبة الموزعة لتلبية الطلب. من منظور مباشر، يحتوي نموذج GPT-4 من OpenAI على أكثر من 1.8 تريليون معلمة، وتم تدريبه باستخدام حوالي 25,000 وحدة معالجة رسومات Nvidia A100 في 128 تجمعًا خلال 3-4 أشهر.

قبل ذلك، كانت Render و Akash تقدم فقط وحدات معالجة الرسوميات ذات الاستخدام الفردي، مما قد يحد من الطلب في سوق وحدات معالجة الرسوميات. ومع ذلك، فقد قامت معظم المشاريع الرئيسية الآن بدمج التجمعات لتحقيق الحوسبة المتوازية. تتعاون io.net مع Render و Filecoin و Aethir، حيث تم دمج المزيد من وحدات معالجة الرسوميات في الشبكة، وتم نشر أكثر من 3,800 تجمع بنجاح في الربع الأول من عام 24. على الرغم من أن Render لا تدعم التجمعات، إلا أن آلية العمل تشبه التجمعات من خلال تقسيم الإطار الفردي إلى عدة عقد مختلفة، ومعالجة نطاقات مختلفة من الإطارات في وقت واحد. تدعم Phala حالياً وحدات المعالجة المركزية فقط، لكنها تسمح بتجمع وحدات المعالجة المركزية.

من المهم دمج إطار التجميع في شبكة سير عمل الذكاء الاصطناعي، لكن العدد والنوع المطلوب من وحدات معالجة الرسومات (GPU) لتلبية احتياجات مطوري الذكاء الاصطناعي هو قضية منفصلة، سيتم مناقشتها لاحقًا.

خصوصية البيانات

يتطلب تطوير نماذج الذكاء الاصطناعي استخدام مجموعات بيانات كبيرة قد تأتي من مصادر متنوعة وتكون بأشكال مختلفة. يمكن أن تواجه مجموعات البيانات الحساسة مثل السجلات الطبية الشخصية وبيانات المالية للمستخدمين خطر تعرضها لمزودي النماذج. قامت شركة سامسونغ بحظر ChatGPT داخليًا بسبب القلق من أن تحميل الأكواد الحساسة على المنصة قد ينتهك الخصوصية، في حين تسلط حادثة تسرب 38 تيرابايت من البيانات الخاصة من مايكروسوفت الضوء على أهمية اتخاذ تدابير أمان كافية عند استخدام الذكاء الاصطناعي. لذلك، فإن وجود مجموعة متنوعة من أساليب خصوصية البيانات يعد أمرًا حيويًا لإعادة سلطات البيانات إلى مزودي البيانات.

تستخدم معظم المشاريع المشمولة نوعًا ما من تشفير البيانات لحماية خصوصية البيانات. يضمن تشفير البيانات حماية نقل البيانات من مزود البيانات إلى موفر النموذج ) إلى مستلم البيانات ( في الشبكة. تستخدم Render التشفير ومعالجة التجزئة عند نشر نتائج التقديم مرة أخرى إلى الشبكة، بينما تستخدم io.net و Gensyn نوعًا ما من تشفير البيانات. تستخدم Akash مصادقة mTLS، مما يسمح فقط لمزودي الخدمة الذين يختارهم المستأجر باستقبال البيانات.

ومع ذلك، قامت io.net مؤخرًا بالتعاون مع شبكة Mind لإطلاق تشفير متجانس بالكامل )FHE(، مما يسمح بمعالجة البيانات المشفرة دون الحاجة إلى فك تشفيرها مسبقًا. من خلال تمكين نقل البيانات بشكل آمن لأغراض التدريب دون الكشف عن الهوية ومحتوى البيانات، توفر هذه الابتكار حماية أفضل لخصوصية البيانات مقارنة بالتقنيات التشفيرية الحالية.

تقدم شبكة فالا TEE، أي منطقة الأمان المتصلة بمعالج الجهاز الرئيسي. من خلال هذه الآلية المعزولة، يمكنها منع العمليات الخارجية من الوصول إلى البيانات أو تعديلها، بغض النظر عن مستوى صلاحياتها، حتى الأشخاص الذين لديهم وصول مادي إلى الجهاز لا يمكنهم الوصول إليها. بالإضافة إلى TEE، يتم استخدامها أيضًا مع zk-proofs في موثق zkDCAP وواجهة سطر الأوامر jtee، من أجل تكامل البرامج مع RiscZero zkVM.

! [تقاطع الذكاء الاصطناعي و DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(

إثبات إتمام الحساب وفحص الجودة

توفر وحدات معالجة الرسومات (GPU) المقدمة من هذه المشاريع القدرة الحاسوبية لمجموعة من الخدمات. نظرًا لتنوع نطاق الخدمات، من عرض الرسوميات إلى حسابات الذكاء الاصطناعي، قد لا تكون الجودة النهائية لمثل هذه المهام دائمًا وفقًا لمعايير المستخدمين. يمكن استخدام إثبات الإنجاز للإشارة إلى أن وحدة معالجة الرسومات المحددة المستأجرة من قبل المستخدم قد استخدمت بالفعل لتشغيل الخدمة المطلوبة، وتكون فحوصات الجودة مفيدة للمستخدمين الذين يطلبون إنجاز مثل هذه الأعمال.

بعد إكمال الحساب، يقوم كل من Gensyn وAethir بإنشاء دليل يشير إلى أن العمل قد اكتمل، بينما يشير دليل io.net إلى أن أداء GPU المستأجر قد تم استغلاله بالكامل دون أي مشاكل. يقوم كل من Gensyn وAethir بإجراء فحص جودة للحسابات المكتملة. بالنسبة لـ Gensyn، يتم استخدام المدققين لإعادة تشغيل أجزاء من المحتوى الذي تم إنشاؤه للمقارنة مع الدليل، بينما يعمل المراسل كطبقة إضافية من الفحص للمدققين. في الوقت نفسه، يستخدم Aethir عقد التفتيش لتحديد جودة الخدمة، ويعاقب الخدمات التي تقل عن المعايير. يقترح Render استخدام إجراءات حل النزاعات، فإذا وجدت لجنة المراجعة مشكلة في العقد، يتم تقليل تلك العقدة. بعد الانتهاء من Phala، يتم إنشاء دليل TEE لضمان تنفيذ وكيل الذكاء الاصطناعي للعمليات المطلوبة على السلسلة.

بيانات إحصائيات الأجهزة

| | ريندر | أكاش | io.net | جينسين | إيثير | فالا | |-------------|--------|-------|--------|------------|------------|--------| | عدد وحدات معالجة الرسوميات | 5600 | 384 | 38177 | - | 40000+ | - | | عدد وحدة المعالجة المركزية | 114 | 14672 | 5433 | - | - | 30000+ | | عدد H100/A100 | - | 157 | 2330 | - | 2000+ | - | | تكلفة H100/ساعة | - | $1.46 | $1.19 | - | - | - | | تكلفة A100/ساعة | - | $1.37 | $1.50 | $0.55 ) متوقع ( | $0.33 ) متوقع ( | - |

![نقطة التقائه بين AI و DePIN])https://