AI y la fusión de DePIN: explorando redes de computación GPU descentralizadas
Desde 2023, la IA y DePIN han atraído mucha atención en el ámbito de Web3, con capitalizaciones de mercado de 30 mil millones de dólares y 23 mil millones de dólares, respectivamente. Este artículo tiene como objetivo explorar el campo cruzado de la IA y DePIN, investigando el desarrollo de los protocolos relacionados.
En la pila de tecnología de IA, la red DePIN empodera a la IA al proporcionar recursos de computación. La demanda de GPU por parte de las grandes empresas tecnológicas ha causado escasez, lo que dificulta que otros desarrolladores obtengan suficientes GPU para la computación. Esto a menudo obliga a los desarrolladores a optar por servicios en la nube centralizados, pero los contratos a largo plazo de hardware de alto rendimiento a menudo carecen de flexibilidad y son ineficientes.
DePIN proporciona una alternativa más flexible y rentable, incentivando la contribución de recursos a través de tokens. DePIN en el ámbito de la IA integra recursos de GPU de propietarios individuales y centros de datos, ofreciendo un suministro unificado a los usuarios que necesitan hardware. Estas redes no solo brindan a los desarrolladores acceso personalizado y bajo demanda, sino que también crean ingresos adicionales para los propietarios de GPU.
En el mercado hay varias redes DePIN de IA, cada una con sus propias características. A continuación, exploraremos las características y objetivos de algunos proyectos principales.
Resumen de la red AI DePIN
Render
Render es un pionero en redes P2P que proporciona capacidad de cálculo GPU, inicialmente centrado en la renderización gráfica de contenido, y luego amplió su alcance a tareas de cálculo de IA.
Características:
Fundada por la empresa de gráficos en la nube OTOY, ganadora del premio Oscar
La red GPU ha sido utilizada por grandes empresas como Paramount Pictures, PUBG, entre otras.
Colaborar con Stability AI y Endeavor, integrar modelos de IA con renderizado de contenido 3D
Aprobar múltiples clientes de cálculo, integrar más GPU de redes DePIN
Akash
Akash se posiciona como una plataforma de "supernube" que soporta almacenamiento, GPU y computación CPU, siendo una alternativa a los servicios de nube tradicionales.
Características:
Para una amplia gama de tareas computacionales, desde la computación general hasta el alojamiento en red.
AkashML admite más de 15,000 modelos en Hugging Face
Aplicaciones como el chatbot modelo LLM de Mistral AI, SDXL de Stability AI, etc.
Soporte para plataformas de Metaverso, IA y aprendizaje federado
io.net
io.net ofrece acceso a clústeres de GPU distribuidos en la nube, diseñados específicamente para casos de uso de IA y ML.
Características:
IO-SDK es compatible con marcos como PyTorch y Tensorflow
Soporta la creación de 3 tipos diferentes de clústeres, que se pueden iniciar en 2 minutos.
Colaborar e integrar recursos GPU con redes como Render, Filecoin y Aethir
Gensyn
Gensyn ofrece capacidades de computación GPU centradas en el aprendizaje automático y el aprendizaje profundo.
Características:
El costo por hora de una GPU equivalente a V100 es de aproximadamente 0.40 dólares, lo que representa un gran ahorro en costos.
Soporte para el ajuste fino de modelos base preentrenados
Proporcionar un modelo básico descentralizado y compartido globalmente
Aethir
Aethir se especializa en proporcionar GPU de nivel empresarial, enfocándose principalmente en áreas de alto consumo computacional como AI, ML y juegos en la nube.
Características:
Expansión al servicio de teléfonos en la nube, colaboración con APhone para lanzar teléfonos inteligentes en la nube de Descentralización.
Establecer amplias colaboraciones con grandes empresas como NVIDIA, Super Micro y HPE
Varios socios en el ecosistema Web3, como CARV, Magic Eden, etc.
Phala Network
Phala Network como la capa de ejecución de soluciones de IA Web3, aborda los problemas de privacidad a través de entornos de ejecución confiables (TEE).
Características:
Actuar como un protocolo de coprocesador de computación verificable, permitiendo que los agentes de IA utilicen recursos en la cadena.
Obtén los mejores modelos de lenguaje como OpenAI, Llama, etc. a través de Redpill
El futuro incluirá sistemas de pruebas múltiples como zk-proofs, computación multipartita y criptografía homomórfica completa.
En el futuro se soportarán GPU TEE como H100, mejorando la capacidad de cálculo.
Comparación de proyectos
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|--------|-------|--------|--------|--------|-------|
| Hardware | GPU y CPU | GPU y CPU | GPU y CPU | GPU | GPU | CPU |
| Enfoque comercial | Renderizado gráfico y AI | Computación en la nube, renderizado y AI | AI | AI | AI, juegos en la nube y telecomunicaciones | Ejecución de AI en cadena |
| Tipo de tarea de IA | Inferencia | Bidireccional | Bidireccional | Entrenamiento | Entrenamiento | Ejecución |
| Precio de trabajo | Basado en el rendimiento | Subasta inversa | Precio de mercado | Precio de mercado | Sistema de licitación | Cálculo de derechos |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Privacidad de datos | Encriptación & Hash | Autenticación mTLS | Encriptación de datos | Mapeo seguro | Encriptación | TEE |
| Costos de trabajo | 0.5-5% por trabajo | 20% USDC, 4% AKT | 2% USDC, 0.25% reserva | Bajas tarifas | 20% por sesión | Proporcional al monto apostado |
| Seguridad | Prueba de Renderizado | Prueba de Participación | Prueba de Cálculo | Prueba de Participación | Prueba de Capacidad de Renderizado | Heredado de la Cadena de Relé |
| Prueba de finalización | - | - | Prueba de bloqueo temporal | Prueba de aprendizaje | Prueba de trabajo de renderizado | Prueba de TEE |
| Garantía de calidad | Controversia | - | - | Verificador y denunciante | Nodo de verificación | Prueba remota |
| GPU Clúster | No | Sí | Sí | Sí | Sí | No |
Importancia
Disponibilidad de computación en clúster y paralela
El marco de cálculo distribuido implementa un clúster de GPU, mejorando la eficiencia de entrenamiento y la escalabilidad. La mayoría de los proyectos ahora han integrado clústeres para realizar cálculos en paralelo. io.net, en colaboración con otros proyectos, ha desplegado más de 3,800 clústeres en el primer trimestre de 2024. Render, aunque no admite clústeres, descompone un solo fotograma en múltiples nodos para su procesamiento simultáneo. Phala actualmente solo admite CPU, pero permite la agrupación de trabajadores de CPU.
Privacidad de datos
Es crucial proteger conjuntos de datos sensibles. La mayoría de los proyectos utilizan la encriptación de datos para proteger la privacidad. io.net colabora con Mind Network para lanzar la encriptación completamente homomórfica (FHE), que permite procesar datos encriptados sin necesidad de desencriptar. Phala Network introduce un entorno de ejecución confiable (TEE), que impide que procesos externos accedan o modifiquen los datos.
Prueba de cálculo completada y verificación de calidad
Cada proyecto utiliza diferentes métodos para generar certificados de finalización y realizar controles de calidad. Gensyn y Aethir generan certificados que indican que el trabajo se ha completado y realizan controles de calidad. El certificado de io.net indica que el rendimiento de la GPU se ha utilizado adecuadamente. Render sugiere utilizar un proceso de resolución de disputas. Phala genera certificados TEE para asegurar que los agentes de IA ejecuten las operaciones requeridas.
El entrenamiento de modelos de IA requiere GPUs de alto rendimiento, como la A100 y la H100 de Nvidia. El rendimiento de inferencia de la H100 es 4 veces más rápido que el de la A100, convirtiéndola en la GPU preferida. Los proveedores de mercado de GPU descentralizadas necesitan ofrecer precios más bajos y satisfacer la demanda real del mercado. io.net y Aethir han adquirido más de 2000 unidades de H100 y A100, siendo más adecuadas para el cálculo de grandes modelos.
El costo del servicio GPU descentralizado ha bajado de los servicios centralizados. Aunque los clústeres de GPU conectados a la red tienen memoria limitada, siguen siendo atractivos para usuarios con demandas de carga de trabajo dinámicas o que requieren flexibilidad.
Proporcionar GPU/CPU de nivel de consumo
La CPU también desempeña un papel importante en el entrenamiento de modelos de IA. Las GPU de consumo se pueden utilizar para afinar modelos preentrenados o para entrenamientos a pequeña escala. Proyectos como Render, Akash e io.net también sirven a este mercado, desarrollando su propio mercado de nicho.
Conclusión
El campo de DePIN de IA todavía es relativamente nuevo y enfrenta desafíos. Sin embargo, el número de tareas ejecutadas en estas redes y la cantidad de hardware han aumentado significativamente, lo que destaca la necesidad de alternativas a los proveedores de nube Web2. En el futuro, estas redes de GPU descentralizadas desempeñarán un papel clave al proporcionar soluciones de computación económicas para los desarrolladores, contribuyendo significativamente al futuro del panorama de la IA y la infraestructura computacional.
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
4 me gusta
Recompensa
4
3
Compartir
Comentar
0/400
FortuneTeller42
· hace16h
Con este mercado, ¿no deberías dejar de operar?
Ver originalesResponder0
AirdropSweaterFan
· hace16h
Enrollarse y desenrollarse no es tan bueno como la Minería
Ver originalesResponder0
BlockchainFries
· hace16h
Los primeros jugadores de Web3 abrazan la Descentralización con todo su corazón.
Fusión de IA y DePIN: El surgimiento y los desafíos de la red de computación GPU descentralizada
AI y la fusión de DePIN: explorando redes de computación GPU descentralizadas
Desde 2023, la IA y DePIN han atraído mucha atención en el ámbito de Web3, con capitalizaciones de mercado de 30 mil millones de dólares y 23 mil millones de dólares, respectivamente. Este artículo tiene como objetivo explorar el campo cruzado de la IA y DePIN, investigando el desarrollo de los protocolos relacionados.
En la pila de tecnología de IA, la red DePIN empodera a la IA al proporcionar recursos de computación. La demanda de GPU por parte de las grandes empresas tecnológicas ha causado escasez, lo que dificulta que otros desarrolladores obtengan suficientes GPU para la computación. Esto a menudo obliga a los desarrolladores a optar por servicios en la nube centralizados, pero los contratos a largo plazo de hardware de alto rendimiento a menudo carecen de flexibilidad y son ineficientes.
DePIN proporciona una alternativa más flexible y rentable, incentivando la contribución de recursos a través de tokens. DePIN en el ámbito de la IA integra recursos de GPU de propietarios individuales y centros de datos, ofreciendo un suministro unificado a los usuarios que necesitan hardware. Estas redes no solo brindan a los desarrolladores acceso personalizado y bajo demanda, sino que también crean ingresos adicionales para los propietarios de GPU.
En el mercado hay varias redes DePIN de IA, cada una con sus propias características. A continuación, exploraremos las características y objetivos de algunos proyectos principales.
Resumen de la red AI DePIN
Render
Render es un pionero en redes P2P que proporciona capacidad de cálculo GPU, inicialmente centrado en la renderización gráfica de contenido, y luego amplió su alcance a tareas de cálculo de IA.
Características:
Akash
Akash se posiciona como una plataforma de "supernube" que soporta almacenamiento, GPU y computación CPU, siendo una alternativa a los servicios de nube tradicionales.
Características:
io.net
io.net ofrece acceso a clústeres de GPU distribuidos en la nube, diseñados específicamente para casos de uso de IA y ML.
Características:
Gensyn
Gensyn ofrece capacidades de computación GPU centradas en el aprendizaje automático y el aprendizaje profundo.
Características:
Aethir
Aethir se especializa en proporcionar GPU de nivel empresarial, enfocándose principalmente en áreas de alto consumo computacional como AI, ML y juegos en la nube.
Características:
Phala Network
Phala Network como la capa de ejecución de soluciones de IA Web3, aborda los problemas de privacidad a través de entornos de ejecución confiables (TEE).
Características:
Comparación de proyectos
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|--------|-------|--------|--------|--------|-------| | Hardware | GPU y CPU | GPU y CPU | GPU y CPU | GPU | GPU | CPU | | Enfoque comercial | Renderizado gráfico y AI | Computación en la nube, renderizado y AI | AI | AI | AI, juegos en la nube y telecomunicaciones | Ejecución de AI en cadena | | Tipo de tarea de IA | Inferencia | Bidireccional | Bidireccional | Entrenamiento | Entrenamiento | Ejecución | | Precio de trabajo | Basado en el rendimiento | Subasta inversa | Precio de mercado | Precio de mercado | Sistema de licitación | Cálculo de derechos | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privacidad de datos | Encriptación & Hash | Autenticación mTLS | Encriptación de datos | Mapeo seguro | Encriptación | TEE | | Costos de trabajo | 0.5-5% por trabajo | 20% USDC, 4% AKT | 2% USDC, 0.25% reserva | Bajas tarifas | 20% por sesión | Proporcional al monto apostado | | Seguridad | Prueba de Renderizado | Prueba de Participación | Prueba de Cálculo | Prueba de Participación | Prueba de Capacidad de Renderizado | Heredado de la Cadena de Relé | | Prueba de finalización | - | - | Prueba de bloqueo temporal | Prueba de aprendizaje | Prueba de trabajo de renderizado | Prueba de TEE | | Garantía de calidad | Controversia | - | - | Verificador y denunciante | Nodo de verificación | Prueba remota | | GPU Clúster | No | Sí | Sí | Sí | Sí | No |
Importancia
Disponibilidad de computación en clúster y paralela
El marco de cálculo distribuido implementa un clúster de GPU, mejorando la eficiencia de entrenamiento y la escalabilidad. La mayoría de los proyectos ahora han integrado clústeres para realizar cálculos en paralelo. io.net, en colaboración con otros proyectos, ha desplegado más de 3,800 clústeres en el primer trimestre de 2024. Render, aunque no admite clústeres, descompone un solo fotograma en múltiples nodos para su procesamiento simultáneo. Phala actualmente solo admite CPU, pero permite la agrupación de trabajadores de CPU.
Privacidad de datos
Es crucial proteger conjuntos de datos sensibles. La mayoría de los proyectos utilizan la encriptación de datos para proteger la privacidad. io.net colabora con Mind Network para lanzar la encriptación completamente homomórfica (FHE), que permite procesar datos encriptados sin necesidad de desencriptar. Phala Network introduce un entorno de ejecución confiable (TEE), que impide que procesos externos accedan o modifiquen los datos.
Prueba de cálculo completada y verificación de calidad
Cada proyecto utiliza diferentes métodos para generar certificados de finalización y realizar controles de calidad. Gensyn y Aethir generan certificados que indican que el trabajo se ha completado y realizan controles de calidad. El certificado de io.net indica que el rendimiento de la GPU se ha utilizado adecuadamente. Render sugiere utilizar un proceso de resolución de disputas. Phala genera certificados TEE para asegurar que los agentes de IA ejecuten las operaciones requeridas.
Datos de estadísticas de hardware
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|--------|--------|-------| | Cantidad de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Cantidad de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Cantidad H100/A100 | - | 157 | 2330 | - | 2000+ | - | | H100 costo/hora | - | $1.46 | $1.19 | - | - | - | | A100 Costo/hora | - | $1.37 | $1.50 | $0.55 ( previsto ) | $0.33 ( previsto ) | - |
Requisitos de GPU de alto rendimiento
El entrenamiento de modelos de IA requiere GPUs de alto rendimiento, como la A100 y la H100 de Nvidia. El rendimiento de inferencia de la H100 es 4 veces más rápido que el de la A100, convirtiéndola en la GPU preferida. Los proveedores de mercado de GPU descentralizadas necesitan ofrecer precios más bajos y satisfacer la demanda real del mercado. io.net y Aethir han adquirido más de 2000 unidades de H100 y A100, siendo más adecuadas para el cálculo de grandes modelos.
El costo del servicio GPU descentralizado ha bajado de los servicios centralizados. Aunque los clústeres de GPU conectados a la red tienen memoria limitada, siguen siendo atractivos para usuarios con demandas de carga de trabajo dinámicas o que requieren flexibilidad.
Proporcionar GPU/CPU de nivel de consumo
La CPU también desempeña un papel importante en el entrenamiento de modelos de IA. Las GPU de consumo se pueden utilizar para afinar modelos preentrenados o para entrenamientos a pequeña escala. Proyectos como Render, Akash e io.net también sirven a este mercado, desarrollando su propio mercado de nicho.
Conclusión
El campo de DePIN de IA todavía es relativamente nuevo y enfrenta desafíos. Sin embargo, el número de tareas ejecutadas en estas redes y la cantidad de hardware han aumentado significativamente, lo que destaca la necesidad de alternativas a los proveedores de nube Web2. En el futuro, estas redes de GPU descentralizadas desempeñarán un papel clave al proporcionar soluciones de computación económicas para los desarrolladores, contribuyendo significativamente al futuro del panorama de la IA y la infraestructura computacional.