AI dan DePIN: Kebangkitan Jaringan GPU Desentralisasi

Sejak tahun 2023, AI dan DePIN telah menjadi topik populer di bidang Web3, dengan kapitalisasi pasar masing-masing mencapai 30 miliar dolar AS dan 23 miliar dolar AS. Artikel ini akan membahas persimpangan keduanya dan meneliti perkembangan protokol di bidang ini.

Dalam tumpukan teknologi AI, jaringan DePIN menyediakan kegunaan untuk AI melalui sumber daya komputasi. Perkembangan perusahaan teknologi besar menyebabkan kekurangan GPU, membuat pengembang lain kekurangan GPU yang cukup untuk komputasi. Ini sering membuat pengembang memilih penyedia cloud terpusat, tetapi karena harus menandatangani kontrak perangkat keras berkinerja tinggi jangka panjang yang kaku, menyebabkan efisiensi yang rendah.

DePIN pada dasarnya menawarkan alternatif yang lebih fleksibel dan lebih hemat biaya, yang menggunakan hadiah token untuk mendorong kontribusi sumber daya yang sesuai dengan tujuan jaringan. DePIN di bidang AI mengalihdayakan sumber daya GPU dari pemilik individu ke pusat data, membentuk pasokan terintegrasi bagi pengguna yang perlu mengakses perangkat keras. Jaringan DePIN ini tidak hanya memberikan kustomisasi dan akses sesuai permintaan bagi pengembang yang memerlukan kemampuan komputasi, tetapi juga memberikan pendapatan tambahan bagi pemilik GPU.

Ringkasan Jaringan DePIN AI

Render adalah pelopor jaringan P2P yang menyediakan kemampuan komputasi GPU, sebelumnya fokus pada merender grafik untuk penciptaan konten, kemudian memperluas jangkauannya untuk mencakup tugas komputasi AI dari neural reflectance field (NeRF) hingga AI generatif.

Hal yang menarik:

1. Didirikan oleh perusahaan grafik awan OTOY yang memiliki teknologi pemenang Oscar

2. Jaringan GPU telah digunakan oleh perusahaan besar di industri hiburan seperti Paramount Pictures, PUBG, dan Star Trek.

3. Bekerja sama dengan Stability AI dan Endeavor, memanfaatkan GPU Render untuk mengintegrasikan model AI mereka dengan alur kerja rendering konten 3D

4. Menyetujui beberapa klien komputasi, mengintegrasikan lebih banyak GPU dari jaringan DePIN

Akash memposisikan dirinya sebagai alternatif "super cloud" untuk platform tradisional yang mendukung penyimpanan, komputasi GPU, dan CPU. Dengan memanfaatkan alat ramah pengembang seperti platform kontainer Akash dan node komputasi yang dikelola Kubernetes, ia mampu melakukan penyebaran perangkat lunak secara mulus di berbagai lingkungan, sehingga dapat menjalankan aplikasi cloud-native apa pun.

Hal yang menarik:

1. Untuk tugas komputasi yang luas dari komputasi umum hingga hosting jaringan

2. AkashML memungkinkan jaringan GPU-nya untuk menjalankan lebih dari 15.000 model di Hugging Face, sambil terintegrasi dengan Hugging Face.

3. Akash menyimpan beberapa aplikasi yang patut dicatat, seperti chatbot model LLM dari Mistral AI, model teks ke gambar SDXL dari Stability AI, serta model dasar baru AT-1 dari Thumper AI.

4. Membangun platform untuk metaverse, penerapan kecerdasan buatan, dan pembelajaran federal sedang memanfaatkan Supercloud

io.net menyediakan akses ke kluster GPU cloud terdistribusi, yang dirancang khusus untuk kasus penggunaan AI dan ML. Ini mengagregasi GPU dari pusat data, penambang kripto, dan jaringan desentralisasi lainnya. Perusahaan ini sebelumnya adalah perusahaan perdagangan kuantitatif, dan setelah harga GPU berkinerja tinggi melonjak, perusahaan ini beralih ke bisnis saat ini.

Hal yang menarik:

1. IO-SDK ini kompatibel dengan kerangka kerja seperti PyTorch dan Tensorflow, dan arsitektur multilapisnya dapat secara otomatis berkembang dinamis sesuai dengan kebutuhan komputasi.

2. Mendukung pembuatan 3 jenis kluster yang berbeda, dapat dimulai dalam 2 menit

3. Upaya kolaborasi yang kuat untuk mengintegrasikan GPU dari jaringan DePIN lainnya, termasuk Render, Filecoin, Aethir, dan Exabits.

Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam. Ini mengklaim bahwa dibandingkan dengan metode yang ada, dengan menggabungkan konsep-konsep seperti bukti kerja yang digunakan untuk memverifikasi pekerjaan, protokol pemetaan berbasis grafik untuk menjalankan kembali pekerjaan verifikasi, serta permainan insentif gaya Truebit yang melibatkan penyedia komputasi dengan staking dan pengurangan, mekanisme verifikasi yang lebih efisien telah dicapai.

Hal menarik:

1. Diperkirakan biaya per jam untuk GPU setara V100 sekitar 0,40 dolar/jam, sehingga dapat menghemat biaya secara signifikan.

2. Melalui pembuktian tumpukan, model dasar yang telah dilatih sebelumnya dapat disesuaikan untuk menyelesaikan tugas yang lebih spesifik.

3. Model-model dasar ini akan bersifat Desentralisasi, dimiliki secara global, dan menyediakan fungsi tambahan di luar jaringan komputasi perangkat keras.

Aethir khusus dirancang untuk GPU perusahaan, fokus pada bidang yang intensif komputasi, terutama kecerdasan buatan, pembelajaran mesin (ML), permainan awan, dan lainnya. Kontainer dalam jaringannya bertindak sebagai titik akhir virtual untuk menjalankan aplikasi berbasis awan, memindahkan beban kerja dari perangkat lokal ke kontainer untuk pengalaman latensi rendah. Untuk memastikan penyediaan layanan berkualitas tinggi kepada pengguna, mereka memindahkan GPU lebih dekat ke sumber data sesuai dengan permintaan dan lokasi, sehingga menyesuaikan sumber daya.

Hal yang menarik:

1. Selain kecerdasan buatan dan permainan cloud, Aethir juga memperluas layanan ponsel cloud dan bekerja sama dengan APhone untuk meluncurkan ponsel cerdas cloud yang terdesentralisasi.

2. Membangun kemitraan yang luas dengan perusahaan Web2 besar seperti NVIDIA, Super Micro, HPE, Foxconn, dan Well Link

3. Beberapa mitra dalam Web3, seperti CARV, Magic Eden, Sequence, Impossible Finance, dan lainnya

Phala Network berfungsi sebagai lapisan eksekusi untuk solusi AI Web3. Blockchain-nya adalah solusi komputasi awan yang tidak memerlukan kepercayaan, dirancang untuk menangani masalah privasi dengan menggunakan lingkungan eksekusi tepercaya (TEE). Lapisan eksekusinya tidak digunakan sebagai lapisan komputasi untuk model AI, tetapi memungkinkan agen AI dikendalikan oleh kontrak pintar di blockchain.

Hal yang menarik:

1. Bertindak sebagai protokol koprosesor yang dapat diverifikasi, sekaligus memungkinkan agen AI untuk mengakses sumber daya di blockchain.

2. Kontrak agen kecerdasan buatan mereka dapat memperoleh model bahasa besar terkemuka seperti OpenAI, Llama, Claude, dan Hugging Face melalui Redpill

3. Masa depan akan mencakup zk-proofs, komputasi multipihak (MPC), kriptografi homomorfik penuh (FHE) dan sistem bukti ganda lainnya.

4. Di masa depan mendukung H100 dan TEE GPU lainnya, 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 Grafik dan AI | Komputasi Awan, Render, dan AI | AI | AI | Kecerdasan Buatan, Game Awan, dan Telekomunikasi | Eksekusi AI di Blockchain | | Jenis Tugas AI | Inferensi | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi | | Penetapan Harga | Penetapan Harga 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 Pekerjaan | 0.5-5% per pekerjaan | 20% USDC, 4% AKT | 2% USDC, 0.25% biaya cadangan | Biaya rendah | 20% per sesi | Proporsional dengan jumlah yang dipertaruhkan | | Keamanan | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kemampuan Rendering | Mewarisi dari Rantai Perantara | | Bukti Penyelesaian | - | - | 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 telah mewujudkan kluster GPU, menawarkan pelatihan yang lebih efisien tanpa mempengaruhi akurasi model, sekaligus meningkatkan skalabilitas. Melatih model AI yang lebih kompleks memerlukan kekuatan komputasi yang kuat, yang biasanya harus bergantung pada komputasi terdistribusi untuk memenuhi kebutuhannya. Dari sudut pandang yang lebih intuitif, model GPT-4 dari OpenAI memiliki lebih dari 1,8 triliun parameter dan dilatih dalam 3-4 bulan menggunakan sekitar 25.000 Nvidia A100 GPU dalam 128 kluster.

Sebelumnya, Render dan Akash hanya menyediakan GPU untuk satu penggunaan, yang mungkin membatasi permintaan pasar untuk GPU tersebut. Namun, sebagian besar proyek utama sekarang telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net bekerja sama dengan proyek lain seperti Render, Filecoin, dan Aethir untuk memasukkan lebih banyak GPU ke dalam jaringannya, dan telah berhasil menerapkan lebih dari 3.800 kluster pada kuartal pertama 24 tahun. Meskipun Render tidak mendukung kluster, cara kerjanya mirip dengan kluster, membagi satu bingkai menjadi beberapa node yang berbeda untuk memproses berbagai bingkai secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan pengelompokan pekerja CPU.

Sangat penting untuk mengintegrasikan kerangka cluster ke dalam jaringan alur kerja AI, tetapi jumlah dan jenis GPU cluster yang dibutuhkan untuk memenuhi kebutuhan pengembang AI adalah masalah terpisah yang akan kita bahas di bagian selanjutnya.

Privasi Data

Mengembangkan model AI memerlukan penggunaan kumpulan data besar, yang mungkin berasal dari berbagai sumber dan memiliki bentuk yang berbeda. Kumpulan data sensitif seperti catatan medis pribadi dan data keuangan pengguna mungkin menghadapi risiko terpapar kepada penyedia model. Samsung melarang penggunaan ChatGPT secara internal karena kekhawatiran bahwa pengunggahan kode sensitif ke platform dapat melanggar privasi, sementara insiden kebocoran data pribadi sebesar 38TB oleh Microsoft semakin menyoroti pentingnya mengambil langkah-langkah keamanan yang cukup saat menggunakan AI. Oleh karena itu, memiliki berbagai metode perlindungan data sangat penting untuk mengembalikan kontrol data kepada penyedia data.

Sebagian besar proyek yang tercakup menggunakan semacam enkripsi data untuk melindungi privasi data. Enkripsi data memastikan bahwa transmisi data dari penyedia data ke penyedia model ( penerima data ) dilindungi. Render menggunakan enkripsi dan pemrosesan hash saat menerbitkan hasil render kembali ke jaringan, sementara io.net dan Gensyn menggunakan semacam enkripsi data. Akash menggunakan otentikasi mTLS, yang hanya memungkinkan penyedia yang dipilih oleh penyewa untuk menerima data.

Namun, io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan Enkripsi Homomorfik Penuh (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsi terlebih dahulu. Dengan memungkinkan data untuk ditransmisikan secara aman untuk tujuan pelatihan tanpa mengungkapkan identitas dan konten data, inovasi ini dapat memastikan privasi data lebih baik dibandingkan dengan teknologi enkripsi yang ada.

Phala Network memperkenalkan TEE, yaitu area aman yang terhubung di dalam prosesor utama perangkat. Melalui mekanisme isolasi ini, ia dapat mencegah proses eksternal mengakses atau memodifikasi data, terlepas dari tingkat izin mereka, bahkan oleh individu yang memiliki akses fisik ke mesin. Selain TEE, ia juga menggabungkan penggunaan zk-proofs dalam verifikator zkDCAP dan antarmuka baris perintah jtee untuk program yang terintegrasi dengan RiscZero zkVM.

Bukti penyelesaian perhitungan dan pemeriksaan kualitas

Proyek-proyek ini menyediakan GPU yang dapat memberikan kemampuan komputasi untuk berbagai layanan. Karena layanan ini sangat beragam, mulai dari merender grafik hingga komputasi AI, kualitas akhir dari tugas-tugas tersebut mungkin tidak selalu memenuhi standar pengguna. Bukti penyelesaian dapat digunakan untuk menunjukkan bahwa GPU tertentu yang disewa oleh pengguna benar-benar digunakan untuk menjalankan layanan yang diinginkan, dan pemeriksaan kualitas bermanfaat bagi pengguna yang meminta penyelesaian pekerjaan semacam itu.

Setelah perhitungan selesai, Gensyn dan Aethir akan menghasilkan bukti untuk menunjukkan bahwa pekerjaan telah selesai, sedangkan bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa telah digunakan secara maksimal dan tidak ada masalah yang muncul. Gensyn dan Aethir akan melakukan pemeriksaan kualitas pada perhitungan yang telah selesai. Untuk Gensyn, ia menggunakan validator untuk menjalankan kembali sebagian dari bukti yang dihasilkan untuk mencocokkannya dengan bukti, sementara pelapor bertindak sebagai lapisan pemeriksaan tambahan terhadap validator. Sementara itu, Aethir menggunakan node pemeriksa untuk menentukan kualitas layanan, dan menghukum layanan yang berada di bawah standar. Render menyarankan untuk menggunakan proses penyelesaian sengketa, jika dewan peninjau menemukan masalah pada node, maka node tersebut akan dipotong. Phala setelah selesai akan menghasilkan bukti TEE, memastikan bahwa agen AI melakukan operasi yang diperlukan di rantai.

data statistik perangkat keras

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|