AI et DePIN : l'essor des réseaux GPU décentralisés
Depuis 2023, l'IA et DePIN affichent une dynamique de croissance florissante dans le domaine du Web3. La capitalisation boursière de l'IA atteint 30 milliards de dollars, tandis que celle de DePIN est d'environ 23 milliards de dollars. Ces deux domaines englobent de nombreux protocoles différents, répondant à divers besoins. Cet article explorera le domaine d'intersection des deux et examinera l'évolution des protocoles dans ce domaine.
Dans la pile technologique de l'IA, le réseau DePIN fournit des ressources de calcul pour l'utilité de l'IA. Le développement des grandes entreprises technologiques a entraîné une pénurie de GPU, rendant difficile pour d'autres développeurs construisant des modèles d'IA d'accéder à un nombre suffisant de GPU pour le calcul. Cela pousse souvent les développeurs à choisir des fournisseurs de cloud centralisés, mais la nécessité de signer des contrats rigides et à long terme pour du matériel haute performance entraîne une inefficacité.
DePIN fournit essentiellement une alternative plus flexible et plus rentable, utilisant des récompenses en jetons pour inciter les contributions de ressources qui correspondent aux objectifs du réseau. Dans l'IA, DePIN externalise les ressources GPU des propriétaires individuels vers des centres de données, formant une offre unifiée pour les utilisateurs nécessitant un accès au matériel. Ces réseaux DePIN offrent non seulement aux développeurs ayant besoin de puissance de calcul une personnalisation et un accès à la demande, mais également un revenu supplémentaire aux propriétaires de GPU.
Il existe de nombreux réseaux AI DePIN sur le marché. Cet article explorera le rôle de chaque protocole et ses objectifs, ainsi que quelques points forts concrets qu'ils ont déjà réalisés.
Aperçu du réseau DePIN AI
Render est un pionnier des réseaux P2P fournissant des capacités de calcul GPU, initialement concentré sur le rendu graphique pour la création de contenu, puis élargissant son champ d'application en intégrant des outils tels que Stable Diffusion, incluant des tâches de calcul allant des champs de réflexion neuronale (NeRF) à l'IA générative.
Caractéristiques de Render :
Fondée par la société de graphisme en nuage OTOY, qui possède une technologie primée aux Oscars.
Le réseau GPU a été utilisé par des grandes entreprises du secteur du divertissement telles que Paramount Pictures, PUBG, Star Trek, etc.
Collaborer avec Stability AI et Endeavor pour intégrer les modèles d'IA dans les flux de travail de rendu de contenu 3D en utilisant le GPU de Render.
Approuver plusieurs clients de calcul, intégrer plus de GPU des réseaux DePIN
Akash se positionne comme une alternative au "super cloud" pour les plateformes traditionnelles qui supportent le stockage, le calcul GPU et CPU. Grâce à des outils conviviaux pour les développeurs tels que la plateforme de conteneurs Akash et les nœuds de calcul gérés par Kubernetes, il est capable de déployer des logiciels de manière transparente à travers les environnements, permettant ainsi d'exécuter n'importe quelle application cloud native.
Caractéristiques d'Akash :
Cible une large gamme de tâches de calcul allant de l'informatique générale à l'hébergement réseau.
AkashML permet à son réseau GPU de faire fonctionner plus de 15 000 modèles sur Hugging Face, tout en s'intégrant à Hugging Face.
Akash héberge certaines applications notables, telles que le chatbot basé sur le modèle LLM de Mistral AI, le modèle de génération d'images à partir de texte SDXL de Stability AI, ainsi que le nouveau modèle de base AT-1 de Thumper AI.
La construction de la plateforme pour le métavers, le déploiement de l'intelligence artificielle et l'apprentissage fédéré utilise Supercloud.
io.net fournit un accès aux clusters de cloud GPU distribués, conçus spécifiquement pour les cas d'utilisation en IA et ML. Il agrège des GPU provenant de centres de données, de mineurs de cryptomonnaies et d'autres réseaux décentralisés.
Caractéristiques de io.net :
Son IO-SDK est compatible avec des frameworks tels que PyTorch et Tensorflow, et sa structure multi-niveaux peut s'étendre dynamiquement en fonction des besoins de calcul.
Support de la création de 3 types différents de clusters, pouvant être lancés en 2 minutes.
Efforts de collaboration solides pour intégrer les GPU d'autres réseaux DePIN, y compris Render, Filecoin, Aethir et Exabits.
Gensyn fournit une capacité de calcul GPU axée sur l'apprentissage automatique et l'apprentissage profond. Il affirme avoir réalisé un mécanisme de validation plus efficace en combinant des concepts tels que l'utilisation de preuves de travail pour la validation, des protocoles de localisation précise basés sur des graphiques pour la relance de la validation et des jeux d'incitation de type Truebit impliquant des fournisseurs de calcul, ainsi que le staking et les réductions.
Caractéristiques de Gensyn :
Le coût horaire prévu d'un GPU équivalent V100 est d'environ 0,40 $/heure, ce qui permet d'importantes économies.
Grâce à la preuve de pile, il est possible d'affiner un modèle de base pré-entraîné pour accomplir des tâches plus spécifiques.
Ces modèles de base seront décentralisés, détenus à l'échelle mondiale, et offriront des fonctionnalités supplémentaires en plus du réseau de calcul matériel.
Aethir est spécialement équipé de GPU d'entreprise, se concentrant sur des domaines intensifs en calcul, principalement l'intelligence artificielle, l'apprentissage automatique (ML), les jeux en nuage, etc. Les conteneurs dans son réseau agissent comme des points d'extrémité virtuels exécutant des applications basées sur le cloud, transférant les charges de travail des appareils locaux vers les conteneurs pour une expérience à faible latence. Afin de garantir un service de qualité aux utilisateurs, ils rapprochent les GPU des sources de données en fonction de la demande et de la localisation, ajustant ainsi les ressources.
Caractéristiques d'Aethir :
En plus de l'intelligence artificielle et des jeux en nuage, Aethir s'est également étendu aux services de téléphones en nuage et a collaboré avec APhone pour lancer des téléphones intelligents en nuage décentralisés.
A établi des relations de coopération étendues avec de grandes entreprises telles que NVIDIA, Super Micro, HPE, Foxconn et Well Link.
Plusieurs partenaires dans Web3, tels que CARV, Magic Eden, Sequence, Impossible Finance, etc.
Phala Network agit en tant que couche d'exécution pour les solutions AI Web3. Sa blockchain est une solution de cloud computing sans confiance, conçue pour traiter les problèmes de confidentialité grâce à son environnement d'exécution de confiance (TEE). Sa couche d'exécution n'est pas utilisée comme couche de calcul pour les modèles AI, mais permet aux agents AI d'être contrôlés par des contrats intelligents sur la chaîne.
Caractéristiques de Phala Network :
Agir en tant que protocole de coprocesseur de calcul vérifiable, tout en permettant également aux agents IA d'accéder aux ressources en chaîne.
Ses contrats d'agents d'intelligence artificielle peuvent accéder aux meilleurs modèles de langage comme OpenAI, Llama, Claude et Hugging Face via Redpill.
L'avenir comprendra des systèmes de preuve multiples tels que les zk-proofs, le calcul multipartite (MPC), le chiffrement homomorphe complet (FHE), etc.
À l'avenir, prise en charge des GPU TEE tels que H100, amélioration de la capacité de calcul.
Comparaison de projets
| | Rendre | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Matériel | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Points d'affaires | Rendu graphique et IA | Cloud computing, rendu et IA | IA | IA | Intelligence artificielle, cloud gaming et télécommunications | Exécution de l'IA on-chain |
| Type de tâche AI | Inférence | Entraînement et inférence | Entraînement et inférence | Entraînement | Entraînement | Exécution |
| Tarification du travail | Tarification basée sur la performance | Vente aux enchères inversée | Tarification de marché | Tarification de marché | Système d'appel d'offres | Calcul des droits |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Confidentialité des données | Chiffrement&hachage | Authentification mTLS | Chiffrement des données | Mappage sécurisé | Chiffrement | TEE |
| Coût de travail | 0,5-5% par travail | 20% USDC, 4% AKT | 2% USDC, 0,25% frais de réserve | Frais peu élevés | 20% par session | Proportionnel au montant staké |
| Sécurité | Preuve de rendu | Preuve de participation | Preuve de calcul | Preuve de participation | Preuve de capacité de rendu | Hérité de la chaîne relais |
| Preuve de complétion | - | - | Preuve de verrouillage temporel | Preuve d'apprentissage | Preuve de travail de rendu | Preuve TEE |
| Garantie de qualité | Controverse | - | - | Vérificateurs et dénonciateurs | Nœud vérificateur | Preuve à distance |
| Cluster GPU | Non | Oui | Oui | Oui | Oui | Non |
La disponibilité des clusters et du calcul parallèle est essentielle pour former des modèles d'IA complexes. La plupart des projets ont maintenant intégré des clusters pour permettre le calcul parallèle. io.net collabore avec d'autres projets tels que Render, Filecoin et Aethir pour intégrer davantage de GPU dans son réseau, et a réussi à déployer plus de 3 800 clusters au cours du premier trimestre de 2024.
La confidentialité des données est un problème clé dans le développement des modèles d'IA. La plupart des projets utilisent une forme de cryptage des données pour protéger la confidentialité des données. io.net a récemment collaboré avec Mind Network pour lancer le chiffrement homomorphe complet (FHE), permettant de traiter des données chiffrées sans avoir besoin de les déchiffrer au préalable. Phala Network a introduit un environnement d'exécution de confiance (TEE), qui peut empêcher les processus externes d'accéder ou de modifier les données.
La génération de preuves de calcul complété et de vérifications de qualité est essentielle pour garantir la qualité du travail. Gensyn et Aethir génèrent des preuves pour indiquer que le travail est terminé et effectuent des vérifications de qualité sur les calculs complétés. Render recommande d'utiliser un processus de résolution des litiges ; si le comité d'examen découvre des problèmes avec un nœud, ce nœud sera réduit.
Les GPU haute performance sont essentiels pour l'entraînement des modèles d'IA. io.net et Aethir sont en tête en termes de nombre de GPU H100 et A100, les rendant plus adaptés au calcul de grands modèles. Le coût des réseaux GPU décentralisés est déjà beaucoup plus bas que celui des services GPU centralisés, ouvrant la voie à la construction de davantage de cas d'utilisation en IA et en ML.
Les GPU/CPU de niveau consommateur jouent également un rôle important dans ces réseaux. Des projets comme Render, Akash et io.net peuvent servir cette partie du marché, offrant plus de choix aux développeurs.
Conclusion
Bien que le domaine de l'IA DePIN soit encore relativement nouveau, il a déjà montré une forte dynamique de développement. Le nombre de tâches et de matériel exécutés dans ces réseaux GPU décentralisés augmente constamment, mettant en évidence la demande croissante d'alternatives aux ressources matérielles des fournisseurs de cloud Web2. En regardant vers l'avenir, ces réseaux GPU décentralisés joueront un rôle clé en fournissant des solutions de calcul économiques aux développeurs, contribuant de manière significative au futur paysage de l'intelligence artificielle et de l'infrastructure informatique.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
8 J'aime
Récompense
8
5
Partager
Commentaire
0/400
ZKProofEnthusiast
· Il y a 5h
Je dois dire, c'est vraiment acharné!
Voir l'originalRépondre0
Web3ProductManager
· Il y a 5h
en regardant nos données de cohorte, les effets de réseau GPU pourraient multiplier par 10 les taux d'adoption, pour être honnête... il suffit de meilleures accroches d'utilité de jetons.
AI et DePIN se croisent : l'essor des réseaux GPU décentralisés
AI et DePIN : l'essor des réseaux GPU décentralisés
Depuis 2023, l'IA et DePIN affichent une dynamique de croissance florissante dans le domaine du Web3. La capitalisation boursière de l'IA atteint 30 milliards de dollars, tandis que celle de DePIN est d'environ 23 milliards de dollars. Ces deux domaines englobent de nombreux protocoles différents, répondant à divers besoins. Cet article explorera le domaine d'intersection des deux et examinera l'évolution des protocoles dans ce domaine.
Dans la pile technologique de l'IA, le réseau DePIN fournit des ressources de calcul pour l'utilité de l'IA. Le développement des grandes entreprises technologiques a entraîné une pénurie de GPU, rendant difficile pour d'autres développeurs construisant des modèles d'IA d'accéder à un nombre suffisant de GPU pour le calcul. Cela pousse souvent les développeurs à choisir des fournisseurs de cloud centralisés, mais la nécessité de signer des contrats rigides et à long terme pour du matériel haute performance entraîne une inefficacité.
DePIN fournit essentiellement une alternative plus flexible et plus rentable, utilisant des récompenses en jetons pour inciter les contributions de ressources qui correspondent aux objectifs du réseau. Dans l'IA, DePIN externalise les ressources GPU des propriétaires individuels vers des centres de données, formant une offre unifiée pour les utilisateurs nécessitant un accès au matériel. Ces réseaux DePIN offrent non seulement aux développeurs ayant besoin de puissance de calcul une personnalisation et un accès à la demande, mais également un revenu supplémentaire aux propriétaires de GPU.
Il existe de nombreux réseaux AI DePIN sur le marché. Cet article explorera le rôle de chaque protocole et ses objectifs, ainsi que quelques points forts concrets qu'ils ont déjà réalisés.
Aperçu du réseau DePIN AI
Render est un pionnier des réseaux P2P fournissant des capacités de calcul GPU, initialement concentré sur le rendu graphique pour la création de contenu, puis élargissant son champ d'application en intégrant des outils tels que Stable Diffusion, incluant des tâches de calcul allant des champs de réflexion neuronale (NeRF) à l'IA générative.
Caractéristiques de Render :
Akash se positionne comme une alternative au "super cloud" pour les plateformes traditionnelles qui supportent le stockage, le calcul GPU et CPU. Grâce à des outils conviviaux pour les développeurs tels que la plateforme de conteneurs Akash et les nœuds de calcul gérés par Kubernetes, il est capable de déployer des logiciels de manière transparente à travers les environnements, permettant ainsi d'exécuter n'importe quelle application cloud native.
Caractéristiques d'Akash :
io.net fournit un accès aux clusters de cloud GPU distribués, conçus spécifiquement pour les cas d'utilisation en IA et ML. Il agrège des GPU provenant de centres de données, de mineurs de cryptomonnaies et d'autres réseaux décentralisés.
Caractéristiques de io.net :
Gensyn fournit une capacité de calcul GPU axée sur l'apprentissage automatique et l'apprentissage profond. Il affirme avoir réalisé un mécanisme de validation plus efficace en combinant des concepts tels que l'utilisation de preuves de travail pour la validation, des protocoles de localisation précise basés sur des graphiques pour la relance de la validation et des jeux d'incitation de type Truebit impliquant des fournisseurs de calcul, ainsi que le staking et les réductions.
Caractéristiques de Gensyn :
Aethir est spécialement équipé de GPU d'entreprise, se concentrant sur des domaines intensifs en calcul, principalement l'intelligence artificielle, l'apprentissage automatique (ML), les jeux en nuage, etc. Les conteneurs dans son réseau agissent comme des points d'extrémité virtuels exécutant des applications basées sur le cloud, transférant les charges de travail des appareils locaux vers les conteneurs pour une expérience à faible latence. Afin de garantir un service de qualité aux utilisateurs, ils rapprochent les GPU des sources de données en fonction de la demande et de la localisation, ajustant ainsi les ressources.
Caractéristiques d'Aethir :
Phala Network agit en tant que couche d'exécution pour les solutions AI Web3. Sa blockchain est une solution de cloud computing sans confiance, conçue pour traiter les problèmes de confidentialité grâce à son environnement d'exécution de confiance (TEE). Sa couche d'exécution n'est pas utilisée comme couche de calcul pour les modèles AI, mais permet aux agents AI d'être contrôlés par des contrats intelligents sur la chaîne.
Caractéristiques de Phala Network :
Comparaison de projets
| | Rendre | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Matériel | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Points d'affaires | Rendu graphique et IA | Cloud computing, rendu et IA | IA | IA | Intelligence artificielle, cloud gaming et télécommunications | Exécution de l'IA on-chain | | Type de tâche AI | Inférence | Entraînement et inférence | Entraînement et inférence | Entraînement | Entraînement | Exécution | | Tarification du travail | Tarification basée sur la performance | Vente aux enchères inversée | Tarification de marché | Tarification de marché | Système d'appel d'offres | Calcul des droits | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Confidentialité des données | Chiffrement&hachage | Authentification mTLS | Chiffrement des données | Mappage sécurisé | Chiffrement | TEE | | Coût de travail | 0,5-5% par travail | 20% USDC, 4% AKT | 2% USDC, 0,25% frais de réserve | Frais peu élevés | 20% par session | Proportionnel au montant staké | | Sécurité | Preuve de rendu | Preuve de participation | Preuve de calcul | Preuve de participation | Preuve de capacité de rendu | Hérité de la chaîne relais | | Preuve de complétion | - | - | Preuve de verrouillage temporel | Preuve d'apprentissage | Preuve de travail de rendu | Preuve TEE | | Garantie de qualité | Controverse | - | - | Vérificateurs et dénonciateurs | Nœud vérificateur | Preuve à distance | | Cluster GPU | Non | Oui | Oui | Oui | Oui | Non |
La disponibilité des clusters et du calcul parallèle est essentielle pour former des modèles d'IA complexes. La plupart des projets ont maintenant intégré des clusters pour permettre le calcul parallèle. io.net collabore avec d'autres projets tels que Render, Filecoin et Aethir pour intégrer davantage de GPU dans son réseau, et a réussi à déployer plus de 3 800 clusters au cours du premier trimestre de 2024.
La confidentialité des données est un problème clé dans le développement des modèles d'IA. La plupart des projets utilisent une forme de cryptage des données pour protéger la confidentialité des données. io.net a récemment collaboré avec Mind Network pour lancer le chiffrement homomorphe complet (FHE), permettant de traiter des données chiffrées sans avoir besoin de les déchiffrer au préalable. Phala Network a introduit un environnement d'exécution de confiance (TEE), qui peut empêcher les processus externes d'accéder ou de modifier les données.
La génération de preuves de calcul complété et de vérifications de qualité est essentielle pour garantir la qualité du travail. Gensyn et Aethir génèrent des preuves pour indiquer que le travail est terminé et effectuent des vérifications de qualité sur les calculs complétés. Render recommande d'utiliser un processus de résolution des litiges ; si le comité d'examen découvre des problèmes avec un nœud, ce nœud sera réduit.
Statistiques matérielles
| | Rendu | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Nombre de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Nombre de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Quantité H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Coût H100/heure | - | $1.46 | $1.19 | - | - | - | | Coût A100/heure | - | $1.37 | $1.50 | $0.55 ( prévu ) | $0.33 ( prévu ) | - |
Les GPU haute performance sont essentiels pour l'entraînement des modèles d'IA. io.net et Aethir sont en tête en termes de nombre de GPU H100 et A100, les rendant plus adaptés au calcul de grands modèles. Le coût des réseaux GPU décentralisés est déjà beaucoup plus bas que celui des services GPU centralisés, ouvrant la voie à la construction de davantage de cas d'utilisation en IA et en ML.
Les GPU/CPU de niveau consommateur jouent également un rôle important dans ces réseaux. Des projets comme Render, Akash et io.net peuvent servir cette partie du marché, offrant plus de choix aux développeurs.
Conclusion
Bien que le domaine de l'IA DePIN soit encore relativement nouveau, il a déjà montré une forte dynamique de développement. Le nombre de tâches et de matériel exécutés dans ces réseaux GPU décentralisés augmente constamment, mettant en évidence la demande croissante d'alternatives aux ressources matérielles des fournisseurs de cloud Web2. En regardant vers l'avenir, ces réseaux GPU décentralisés joueront un rôle clé en fournissant des solutions de calcul économiques aux développeurs, contribuant de manière significative au futur paysage de l'intelligence artificielle et de l'infrastructure informatique.