AI e o campo cruzado do DePIN: a ascensão das redes GPU descentralizadas
Desde 2023, a IA e o DePIN tornaram-se tendências populares no campo do Web3, com um valor de mercado de 30 mil milhões de dólares e 23 mil milhões de dólares, respetivamente. Este artigo foca na interseção entre os dois, explorando o desenvolvimento de protocolos relacionados.
Na pilha de tecnologia de IA, a rede DePIN fornece utilidade à IA através de recursos computacionais. A escassez de GPUs causada por grandes empresas de tecnologia faz com que outros desenvolvedores não tenham GPUs suficientes para computação. Isso geralmente leva os desenvolvedores a escolherem provedores de nuvem centralizados, mas devido à necessidade de assinar contratos de hardware de alto desempenho de longo prazo e inflexíveis, a eficiência é baixa.
DePIN oferece essencialmente uma alternativa mais flexível e económica, utilizando recompensas em tokens para incentivar contribuições de recursos que atendem aos objetivos da rede. O DePIN na área de IA faz o crowdsourcing de recursos de GPU de proprietários individuais para centros de dados, formando uma oferta unificada para usuários que precisam acessar hardware. Essas redes DePIN não apenas oferecem personalização e acesso sob demanda para desenvolvedores que necessitam de capacidade de computação, mas também proporcionam receita adicional para os proprietários de GPU.
No vasto mercado de redes AI DePIN, não é fácil identificar suas diferenças e encontrar a rede correta desejada. Abaixo, serão exploradas as funções, objetivos e destaques já alcançados de cada protocolo.
Visão Geral da Rede DePIN de IA
Cada projeto tem um objetivo semelhante - rede de mercado de computação GPU. Esta seção examina os destaques de cada projeto, os pontos focais do mercado e as conquistas, aprofundando-se nas diferenças entre eles através da compreensão de sua infraestrutura e produtos-chave.
Render é um pioneiro na rede P2P que fornece capacidade de computação GPU, anteriormente focado na renderização gráfica de criação de conteúdos, depois expandiu para incluir tarefas de computação de IA gerada, integrando ferramentas como Stable Diffusion, incluindo campos de radiação neural (NeRF).
Destaque:
Fundada pela empresa de gráficos em nuvem OTOY, que possui tecnologia premiada com o Oscar.
A rede GPU é usada por grandes empresas do setor de entretenimento, como Paramount Pictures, PUBG e Star Trek.
Colaborar com a Stability AI e a Endeavor para integrar modelos de IA com fluxos de trabalho de renderização de conteúdo 3D utilizando os GPUs da Render
Aprovar múltiplos clientes de computação, integrar mais GPUs da rede DePIN
Akash autodenomina-se "Airbnb de Hospedagem", posicionando-se como uma alternativa "super nuvem" para plataformas tradicionais de suporte a armazenamento, GPU e computação CPU, como a AWS(. Utilizando ferramentas amigáveis para desenvolvedores, como a plataforma de contêiner Akash e nós de computação geridos pelo Kubernetes, é possível implantar software de forma fluida em diferentes ambientes e executar qualquer aplicação nativa da nuvem.
Destaques:
Para uma ampla gama de tarefas computacionais, desde computação genérica até hospedagem na rede
AkashML permite que redes GPU executem mais de 15.000 modelos na Hugging Face, enquanto se integram à Hugging Face.
O Akash hospeda o chatbot do modelo LLM da Mistral AI, o modelo de texto para imagem SDXL da Stability AI, e a nova base de modelo AT-1 da Thumper AI.
A construção de plataformas para o metaverso, implementação de IA e aprendizado federado está a utilizar o Supercloud
io.net fornece acesso a clusters de nuvem GPU distribuídos, especificamente para casos de uso de IA e ML. Ele agrega GPUs de data centers, mineradores de criptomoedas e outras redes descentralizadas. A empresa era anteriormente uma empresa de negociação quantitativa, tendo mudado para o negócio atual após um grande aumento nos preços das GPUs de alto desempenho.
Destaques:
O IO-SDK é compatível com frameworks como PyTorch e Tensorflow, e a arquitetura em múltiplas camadas pode ser automaticamente expandida dinamicamente de acordo com as necessidades de cálculo.
Suporta a criação de 3 tipos diferentes de clusters, que podem ser iniciados em 2 minutos.
Colaboração forte para integrar outras redes DePIN GPU, incluindo Render, Filecoin, Aethir e Exabits
Gensyn oferece capacidade de computação GPU focada em aprendizado de máquina e aprendizado profundo. Afirma ter alcançado um mecanismo de validação mais eficiente do que os métodos existentes, combinando o uso de provas de aprendizado, protocolos de localização precisa baseados em gráficos e conceitos como jogos de incentivo no estilo Truebit que envolvem a participação e redução dos provedores de computação.
Destaques:
O custo por hora do GPU equivalente V100 é estimado em cerca de 0,40 dólares, o que representa uma grande economia de custos.
Através da prova de empilhamento, é possível ajustar o modelo base pré-treinado para realizar tarefas mais específicas.
Estes modelos base serão Descentralização, de propriedade global, além de uma rede de computação de hardware, oferecerão funcionalidades adicionais.
Aethir é especialmente projetado para GPUs empresariais, focando em áreas de computação intensiva, principalmente AI, aprendizado de máquina )ML(, jogos em nuvem, entre outros. Os contêineres na rede atuam como pontos finais virtuais para aplicações baseadas em nuvem, transferindo cargas de trabalho de dispositivos locais para os contêineres, proporcionando uma experiência de baixa latência. Para garantir um serviço de qualidade, eles movem as GPUs mais perto das fontes de dados, ajustando recursos conforme a demanda e localização.
Destaques:
Além de IA e jogos na nuvem, Aethir também se expandiu para serviços de smartphones na nuvem, lançando um smartphone inteligente descentralizado em parceria com a APhone.
Estabelecer uma ampla colaboração com grandes empresas Web2 como NVIDIA, Super Micro, HPE, Foxconn e Well Link.
Vários parceiros no Web3, como CARV, Magic Eden, Sequence, Impossible Finance, etc.
Phala Network atua como a camada de execução para soluções de IA Web3. Sua blockchain é uma solução de computação em nuvem sem necessidade de confiança, projetada para lidar com questões de privacidade por meio de ambientes de execução confiáveis )TEE(. A camada de execução não é utilizada como camada de cálculo para modelos de IA, mas permite que os agentes de IA sejam controlados por contratos inteligentes na blockchain.
Destaques:
Actuar como um protocolo de coprocessador de cálculo verificável, permitindo que os agentes de IA utilizem recursos na blockchain.
Os contratos de agência AI podem ser obtidos através da Redpill com os principais modelos de linguagem, como OpenAI, Llama, Claude e Hugging Face.
O futuro incluirá zk-proofs, computação multipartidária )MPC(, criptografia homomórfica completa )FHE( e outros sistemas de múltiplas provas.
No futuro, suportar outros GPUs TEE como H100, aumentando a capacidade de computação
![AI e o ponto de interseção do DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(
Comparação de Projetos
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Foco de Negócios | Renderização Gráfica e IA | Computação em Nuvem, Renderização e IA | IA | IA | IA, Jogos em Nuvem e Telecomunicações | Execução de IA em Cadeia |
| Tipo de tarefa de IA | Inferência | Ambos | Ambos | Treinamento | Treinamento | Execução |
| Preço do Trabalho | Preço Baseado em Desempenho | Leilão Reverso | Preço de Mercado | Preço de Mercado | Sistema de Licitação | Cálculo de Direitos |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Privacidade de Dados | Criptografia&Hash | Autenticação mTLS | Criptografia de Dados | Mapeamento Seguro | Criptografia | TEE |
| Custos de Trabalho | 0,5-5% por trabalho | 20% USDC, 4% AKT | 2% USDC, 0,25% de taxa de reserva | Taxas Baixas | 20% por sessão | Proporcional ao montante em staking |
| Segurança | Prova de Renderização | Prova de Participação | Prova de Cálculo | Prova de Participação | Prova de Capacidade de Renderização | Herdado da Cadena Intermediária |
| Prova de Conclusão | - | - | Prova de Tempo Bloqueado | Prova de Aprendizagem | Prova de Trabalho de Renderização | Prova TEE |
| Garantia de Qualidade | Controvérsia | - | - | Verificador e Denunciante | Nó de Verificação | Prova Remota |
| GPU cluster | Não | Sim | Sim | Sim | Sim | Não |
Importância
Disponibilidade de computação em cluster e paralela
A estrutura de computação distribuída implementa um cluster de GPU, proporcionando um treinamento mais eficiente sem afetar a precisão do modelo, ao mesmo tempo que aumenta a escalabilidade. Treinar modelos de IA mais complexos requer uma potente capacidade de computação, que normalmente deve depender da computação distribuída para satisfazer essa necessidade. De forma direta, o modelo GPT-4 da OpenAI possui mais de 1,8 trilião de parâmetros e foi treinado em cerca de 25.000 GPUs Nvidia A100 em 128 clusters ao longo de 3-4 meses.
Anteriormente, Render e Akash ofereciam apenas GPUs de uso único, o que poderia limitar a demanda de mercado por GPUs. No entanto, a maioria dos projetos principais agora integrou clusters para realizar computação paralela. A io.net, em colaboração com Render, Filecoin e Aethir, incorporou mais GPUs à rede, tendo conseguido implementar com sucesso mais de 3.800 clusters no primeiro trimestre de 2024. Embora a Render não suporte clusters, seu funcionamento é semelhante ao de um cluster, decompondo um único quadro em vários nós diferentes e processando quadros de diferentes intervalos simultaneamente. A Phala atualmente suporta apenas CPUs, mas permite a clusterização de trabalhadores de CPU.
É muito importante integrar a estrutura de cluster na rede de fluxo de trabalho de IA, mas o número e o tipo de GPUs de cluster necessários para atender às necessidades dos desenvolvedores de IA é uma questão separada, que será discutida a seguir.
Privacidade de dados
O desenvolvimento de modelos de IA requer o uso de grandes conjuntos de dados, que podem vir de várias fontes e ter formas diferentes. Conjuntos de dados sensíveis, como registros médicos pessoais e dados financeiros dos usuários, podem enfrentar o risco de exposição aos fornecedores de modelos. A Samsung desativou internamente o ChatGPT devido a preocupações de que o upload de códigos sensíveis para a plataforma invadisse a privacidade, e o incidente de vazamento de 38TB de dados privados da Microsoft destaca ainda mais a importância de adotar medidas de segurança adequadas ao usar IA. Portanto, ter uma variedade de métodos de privacidade de dados é crucial para devolver o controle dos dados aos fornecedores de dados.
A maioria dos projetos abrangidos utiliza alguma forma de criptografia de dados para proteger a privacidade dos dados. A criptografia de dados garante que a transmissão de dados entre o fornecedor de dados e o fornecedor de modelos ) e o receptor de dados ( na rede esteja protegida. O Render utiliza criptografia e processamento de hash ao publicar os resultados de renderização de volta na rede, enquanto o io.net e o Gensyn adotam alguma forma de criptografia de dados. O Akash utiliza autenticação mTLS, permitindo apenas que os fornecedores escolhidos pelos inquilinos recebam os dados.
No entanto, a io.net lançou recentemente uma colaboração com a Mind Network para introduzir a criptografia totalmente homomórfica )FHE(, permitindo o processamento de dados criptografados sem a necessidade de os decifrar primeiro. Ao permitir que os dados sejam transmitidos de forma segura para fins de treinamento sem revelar a identidade e o conteúdo dos dados, esta inovação assegura a privacidade dos dados de forma mais eficaz do que as tecnologias de criptografia existentes.
A Phala Network introduz TEE, ou seja, a área segura dentro do processador principal do dispositivo conectado. Através desse mecanismo de isolamento, ele pode impedir que processos externos acessem ou modifiquem dados, independentemente do seu nível de permissão, mesmo indivíduos com acesso físico à máquina não conseguem acessar. Além do TEE, ele também utiliza zk-proofs em conjunto com o validador zkDCAP e a interface de linha de comando jtee, para integrar programas com o RiscZero zkVM.
![AI e o ponto de interseção do DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(
Prova de Cálculo Completo e Verificação de Qualidade
Estes projetos oferecem GPUs que podem fornecer poder computacional para uma variedade de serviços. Devido à ampla gama de serviços, desde renderização gráfica até cálculos de IA, a qualidade final de tais tarefas pode não estar sempre de acordo com os padrões do usuário. Um comprovativo de conclusão pode ser utilizado para indicar que a GPU específica alugada pelo usuário foi realmente utilizada para executar o serviço necessário, e a verificação de qualidade é benéfica para os usuários que solicitam a conclusão de tais trabalhos.
Após a conclusão do cálculo, tanto a Gensyn quanto a Aethir geram provas que indicam que o trabalho foi concluído, enquanto a prova da io.net indica que o desempenho do GPU alugado foi plenamente utilizado e sem problemas. A Gensyn e a Aethir realizam uma verificação de qualidade dos cálculos concluídos. Para a Gensyn, utiliza-se validadores para executar novamente parte do conteúdo gerado para verificar com a prova, enquanto o denunciante atua como uma camada adicional de verificação para os validadores. Ao mesmo tempo, a Aethir utiliza nós de verificação para determinar a qualidade do serviço, penalizando serviços abaixo do padrão. A Render sugere o uso de um processo de resolução de disputas; se o comitê de revisão encontrar problemas em um nó, esse nó será penalizado. Após a conclusão da Phala, é gerada uma prova TEE, garantindo que o agente de IA execute as operações necessárias na cadeia.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
9 gostos
Recompensa
9
5
Partilhar
Comentar
0/400
ChainSpy
· 7h atrás
Ame o preto, não o preto, o investidor de retalho必涨
Aqui estão os meus comentários:
Falta de GPU é melhor do que contribuir com a Mineração.
Ver originalResponder0
ThatsNotARugPull
· 11h atrás
gpu Cadeia de fornecimento卡脖子咯
Ver originalResponder0
SoliditySlayer
· 11h atrás
capitalização de mercado total de 53 bilhões, falta dinheiro?
Ver originalResponder0
GasFeeThunder
· 11h atrás
As taxas de Gas estão muito altas, os mineiros não têm vergonha nenhuma.
AI capacitando DePIN: Descentralização da rede GPU e análise comparativa com projetos mainstream
AI e o campo cruzado do DePIN: a ascensão das redes GPU descentralizadas
Desde 2023, a IA e o DePIN tornaram-se tendências populares no campo do Web3, com um valor de mercado de 30 mil milhões de dólares e 23 mil milhões de dólares, respetivamente. Este artigo foca na interseção entre os dois, explorando o desenvolvimento de protocolos relacionados.
Na pilha de tecnologia de IA, a rede DePIN fornece utilidade à IA através de recursos computacionais. A escassez de GPUs causada por grandes empresas de tecnologia faz com que outros desenvolvedores não tenham GPUs suficientes para computação. Isso geralmente leva os desenvolvedores a escolherem provedores de nuvem centralizados, mas devido à necessidade de assinar contratos de hardware de alto desempenho de longo prazo e inflexíveis, a eficiência é baixa.
DePIN oferece essencialmente uma alternativa mais flexível e económica, utilizando recompensas em tokens para incentivar contribuições de recursos que atendem aos objetivos da rede. O DePIN na área de IA faz o crowdsourcing de recursos de GPU de proprietários individuais para centros de dados, formando uma oferta unificada para usuários que precisam acessar hardware. Essas redes DePIN não apenas oferecem personalização e acesso sob demanda para desenvolvedores que necessitam de capacidade de computação, mas também proporcionam receita adicional para os proprietários de GPU.
No vasto mercado de redes AI DePIN, não é fácil identificar suas diferenças e encontrar a rede correta desejada. Abaixo, serão exploradas as funções, objetivos e destaques já alcançados de cada protocolo.
Visão Geral da Rede DePIN de IA
Cada projeto tem um objetivo semelhante - rede de mercado de computação GPU. Esta seção examina os destaques de cada projeto, os pontos focais do mercado e as conquistas, aprofundando-se nas diferenças entre eles através da compreensão de sua infraestrutura e produtos-chave.
Render é um pioneiro na rede P2P que fornece capacidade de computação GPU, anteriormente focado na renderização gráfica de criação de conteúdos, depois expandiu para incluir tarefas de computação de IA gerada, integrando ferramentas como Stable Diffusion, incluindo campos de radiação neural (NeRF).
Destaque:
Fundada pela empresa de gráficos em nuvem OTOY, que possui tecnologia premiada com o Oscar.
A rede GPU é usada por grandes empresas do setor de entretenimento, como Paramount Pictures, PUBG e Star Trek.
Colaborar com a Stability AI e a Endeavor para integrar modelos de IA com fluxos de trabalho de renderização de conteúdo 3D utilizando os GPUs da Render
Aprovar múltiplos clientes de computação, integrar mais GPUs da rede DePIN
Akash autodenomina-se "Airbnb de Hospedagem", posicionando-se como uma alternativa "super nuvem" para plataformas tradicionais de suporte a armazenamento, GPU e computação CPU, como a AWS(. Utilizando ferramentas amigáveis para desenvolvedores, como a plataforma de contêiner Akash e nós de computação geridos pelo Kubernetes, é possível implantar software de forma fluida em diferentes ambientes e executar qualquer aplicação nativa da nuvem.
Destaques:
Para uma ampla gama de tarefas computacionais, desde computação genérica até hospedagem na rede
AkashML permite que redes GPU executem mais de 15.000 modelos na Hugging Face, enquanto se integram à Hugging Face.
O Akash hospeda o chatbot do modelo LLM da Mistral AI, o modelo de texto para imagem SDXL da Stability AI, e a nova base de modelo AT-1 da Thumper AI.
A construção de plataformas para o metaverso, implementação de IA e aprendizado federado está a utilizar o Supercloud
io.net fornece acesso a clusters de nuvem GPU distribuídos, especificamente para casos de uso de IA e ML. Ele agrega GPUs de data centers, mineradores de criptomoedas e outras redes descentralizadas. A empresa era anteriormente uma empresa de negociação quantitativa, tendo mudado para o negócio atual após um grande aumento nos preços das GPUs de alto desempenho.
Destaques:
O IO-SDK é compatível com frameworks como PyTorch e Tensorflow, e a arquitetura em múltiplas camadas pode ser automaticamente expandida dinamicamente de acordo com as necessidades de cálculo.
Suporta a criação de 3 tipos diferentes de clusters, que podem ser iniciados em 2 minutos.
Colaboração forte para integrar outras redes DePIN GPU, incluindo Render, Filecoin, Aethir e Exabits
Gensyn oferece capacidade de computação GPU focada em aprendizado de máquina e aprendizado profundo. Afirma ter alcançado um mecanismo de validação mais eficiente do que os métodos existentes, combinando o uso de provas de aprendizado, protocolos de localização precisa baseados em gráficos e conceitos como jogos de incentivo no estilo Truebit que envolvem a participação e redução dos provedores de computação.
Destaques:
O custo por hora do GPU equivalente V100 é estimado em cerca de 0,40 dólares, o que representa uma grande economia de custos.
Através da prova de empilhamento, é possível ajustar o modelo base pré-treinado para realizar tarefas mais específicas.
Estes modelos base serão Descentralização, de propriedade global, além de uma rede de computação de hardware, oferecerão funcionalidades adicionais.
Aethir é especialmente projetado para GPUs empresariais, focando em áreas de computação intensiva, principalmente AI, aprendizado de máquina )ML(, jogos em nuvem, entre outros. Os contêineres na rede atuam como pontos finais virtuais para aplicações baseadas em nuvem, transferindo cargas de trabalho de dispositivos locais para os contêineres, proporcionando uma experiência de baixa latência. Para garantir um serviço de qualidade, eles movem as GPUs mais perto das fontes de dados, ajustando recursos conforme a demanda e localização.
Destaques:
Além de IA e jogos na nuvem, Aethir também se expandiu para serviços de smartphones na nuvem, lançando um smartphone inteligente descentralizado em parceria com a APhone.
Estabelecer uma ampla colaboração com grandes empresas Web2 como NVIDIA, Super Micro, HPE, Foxconn e Well Link.
Vários parceiros no Web3, como CARV, Magic Eden, Sequence, Impossible Finance, etc.
Phala Network atua como a camada de execução para soluções de IA Web3. Sua blockchain é uma solução de computação em nuvem sem necessidade de confiança, projetada para lidar com questões de privacidade por meio de ambientes de execução confiáveis )TEE(. A camada de execução não é utilizada como camada de cálculo para modelos de IA, mas permite que os agentes de IA sejam controlados por contratos inteligentes na blockchain.
Destaques:
Actuar como um protocolo de coprocessador de cálculo verificável, permitindo que os agentes de IA utilizem recursos na blockchain.
Os contratos de agência AI podem ser obtidos através da Redpill com os principais modelos de linguagem, como OpenAI, Llama, Claude e Hugging Face.
O futuro incluirá zk-proofs, computação multipartidária )MPC(, criptografia homomórfica completa )FHE( e outros sistemas de múltiplas provas.
No futuro, suportar outros GPUs TEE como H100, aumentando a capacidade de computação
![AI e o ponto de interseção do DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(
Comparação de Projetos
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Foco de Negócios | Renderização Gráfica e IA | Computação em Nuvem, Renderização e IA | IA | IA | IA, Jogos em Nuvem e Telecomunicações | Execução de IA em Cadeia | | Tipo de tarefa de IA | Inferência | Ambos | Ambos | Treinamento | Treinamento | Execução | | Preço do Trabalho | Preço Baseado em Desempenho | Leilão Reverso | Preço de Mercado | Preço de Mercado | Sistema de Licitação | Cálculo de Direitos | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privacidade de Dados | Criptografia&Hash | Autenticação mTLS | Criptografia de Dados | Mapeamento Seguro | Criptografia | TEE | | Custos de Trabalho | 0,5-5% por trabalho | 20% USDC, 4% AKT | 2% USDC, 0,25% de taxa de reserva | Taxas Baixas | 20% por sessão | Proporcional ao montante em staking | | Segurança | Prova de Renderização | Prova de Participação | Prova de Cálculo | Prova de Participação | Prova de Capacidade de Renderização | Herdado da Cadena Intermediária | | Prova de Conclusão | - | - | Prova de Tempo Bloqueado | Prova de Aprendizagem | Prova de Trabalho de Renderização | Prova TEE | | Garantia de Qualidade | Controvérsia | - | - | Verificador e Denunciante | Nó de Verificação | Prova Remota | | GPU cluster | Não | Sim | Sim | Sim | Sim | Não |
Importância
Disponibilidade de computação em cluster e paralela
A estrutura de computação distribuída implementa um cluster de GPU, proporcionando um treinamento mais eficiente sem afetar a precisão do modelo, ao mesmo tempo que aumenta a escalabilidade. Treinar modelos de IA mais complexos requer uma potente capacidade de computação, que normalmente deve depender da computação distribuída para satisfazer essa necessidade. De forma direta, o modelo GPT-4 da OpenAI possui mais de 1,8 trilião de parâmetros e foi treinado em cerca de 25.000 GPUs Nvidia A100 em 128 clusters ao longo de 3-4 meses.
Anteriormente, Render e Akash ofereciam apenas GPUs de uso único, o que poderia limitar a demanda de mercado por GPUs. No entanto, a maioria dos projetos principais agora integrou clusters para realizar computação paralela. A io.net, em colaboração com Render, Filecoin e Aethir, incorporou mais GPUs à rede, tendo conseguido implementar com sucesso mais de 3.800 clusters no primeiro trimestre de 2024. Embora a Render não suporte clusters, seu funcionamento é semelhante ao de um cluster, decompondo um único quadro em vários nós diferentes e processando quadros de diferentes intervalos simultaneamente. A Phala atualmente suporta apenas CPUs, mas permite a clusterização de trabalhadores de CPU.
É muito importante integrar a estrutura de cluster na rede de fluxo de trabalho de IA, mas o número e o tipo de GPUs de cluster necessários para atender às necessidades dos desenvolvedores de IA é uma questão separada, que será discutida a seguir.
Privacidade de dados
O desenvolvimento de modelos de IA requer o uso de grandes conjuntos de dados, que podem vir de várias fontes e ter formas diferentes. Conjuntos de dados sensíveis, como registros médicos pessoais e dados financeiros dos usuários, podem enfrentar o risco de exposição aos fornecedores de modelos. A Samsung desativou internamente o ChatGPT devido a preocupações de que o upload de códigos sensíveis para a plataforma invadisse a privacidade, e o incidente de vazamento de 38TB de dados privados da Microsoft destaca ainda mais a importância de adotar medidas de segurança adequadas ao usar IA. Portanto, ter uma variedade de métodos de privacidade de dados é crucial para devolver o controle dos dados aos fornecedores de dados.
A maioria dos projetos abrangidos utiliza alguma forma de criptografia de dados para proteger a privacidade dos dados. A criptografia de dados garante que a transmissão de dados entre o fornecedor de dados e o fornecedor de modelos ) e o receptor de dados ( na rede esteja protegida. O Render utiliza criptografia e processamento de hash ao publicar os resultados de renderização de volta na rede, enquanto o io.net e o Gensyn adotam alguma forma de criptografia de dados. O Akash utiliza autenticação mTLS, permitindo apenas que os fornecedores escolhidos pelos inquilinos recebam os dados.
No entanto, a io.net lançou recentemente uma colaboração com a Mind Network para introduzir a criptografia totalmente homomórfica )FHE(, permitindo o processamento de dados criptografados sem a necessidade de os decifrar primeiro. Ao permitir que os dados sejam transmitidos de forma segura para fins de treinamento sem revelar a identidade e o conteúdo dos dados, esta inovação assegura a privacidade dos dados de forma mais eficaz do que as tecnologias de criptografia existentes.
A Phala Network introduz TEE, ou seja, a área segura dentro do processador principal do dispositivo conectado. Através desse mecanismo de isolamento, ele pode impedir que processos externos acessem ou modifiquem dados, independentemente do seu nível de permissão, mesmo indivíduos com acesso físico à máquina não conseguem acessar. Além do TEE, ele também utiliza zk-proofs em conjunto com o validador zkDCAP e a interface de linha de comando jtee, para integrar programas com o RiscZero zkVM.
![AI e o ponto de interseção do DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(
Prova de Cálculo Completo e Verificação de Qualidade
Estes projetos oferecem GPUs que podem fornecer poder computacional para uma variedade de serviços. Devido à ampla gama de serviços, desde renderização gráfica até cálculos de IA, a qualidade final de tais tarefas pode não estar sempre de acordo com os padrões do usuário. Um comprovativo de conclusão pode ser utilizado para indicar que a GPU específica alugada pelo usuário foi realmente utilizada para executar o serviço necessário, e a verificação de qualidade é benéfica para os usuários que solicitam a conclusão de tais trabalhos.
Após a conclusão do cálculo, tanto a Gensyn quanto a Aethir geram provas que indicam que o trabalho foi concluído, enquanto a prova da io.net indica que o desempenho do GPU alugado foi plenamente utilizado e sem problemas. A Gensyn e a Aethir realizam uma verificação de qualidade dos cálculos concluídos. Para a Gensyn, utiliza-se validadores para executar novamente parte do conteúdo gerado para verificar com a prova, enquanto o denunciante atua como uma camada adicional de verificação para os validadores. Ao mesmo tempo, a Aethir utiliza nós de verificação para determinar a qualidade do serviço, penalizando serviços abaixo do padrão. A Render sugere o uso de um processo de resolução de disputas; se o comitê de revisão encontrar problemas em um nó, esse nó será penalizado. Após a conclusão da Phala, é gerada uma prova TEE, garantindo que o agente de IA execute as operações necessárias na cadeia.
Dados estatísticos de hardware
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Número de GPUs | 5600 | 384 | 38177 | - | 40000+ | - | | Número de CPUs | 114 | 14672 | 5433 | - | - | 30000+ | | H100/A100 quantidade | - | 157 | 2330 | - | 2000+ | - | | Custo H100/hora | - | $1.46 | $1.19 | - | - | - | | Custo A100/hora | - | $1.37 | $1.50 | $0.55 ) estimado ( | $0.33 ) estimado ( | - |
![AI e o ponto de interseção do DePIN])https://
Aqui estão os meus comentários:
Falta de GPU é melhor do que contribuir com a Mineração.