La fusión de la IA y DePIN: explorando un nuevo patrón de recursos computacionales
Desde 2023, la IA y DePIN han recibido mucha atención en el ámbito de Web3, con una capitalización de mercado de 30 mil millones de dólares y 23 mil millones de dólares, respectivamente. Este artículo se centra en el desarrollo en el campo de la intersección entre ambos.
En la pila de tecnología de IA, la red DePIN potencia la IA al proporcionar recursos de computación. La gran demanda de GPU por parte de las grandes empresas tecnológicas ha provocado escasez de suministro, lo que ha llevado a otros desarrolladores de modelos de IA a enfrentarse a la falta de recursos de computación. Las soluciones tradicionales, como elegir proveedores de servicios en la nube centralizados, presentan problemas de falta de flexibilidad y altos costos.
La red DePIN ofrece una alternativa más flexible y rentable. A través de un mecanismo de incentivos basado en tokens, integra los recursos de GPU individuales en un suministro unificado, proporcionando a los demandantes capacidades de cálculo personalizadas y bajo demanda, al mismo tiempo que crea ingresos adicionales para los propietarios de recursos de GPU ociosos.
En el mercado, diversas redes DePIN de IA están surgiendo continuamente. A continuación, exploraremos las características y el estado de desarrollo de varios proyectos representativos.
Visión general de la red DePIN de AI
Render
Render es el pionero de la red de computación P2P GPU, inicialmente centrado en la renderización gráfica para la creación de contenido, y luego se expandió a tareas de computación AI.
Características principales:
Fundada por la empresa de gráficos en la nube OTOY, ganadora del premio Oscar.
Obtención de la adopción por parte de gigantes de la industria del entretenimiento como Paramount Pictures y PUBG
Colaborar con Stability AI y otros, integrando modelos de IA en flujos de trabajo de renderizado 3D
Soporta múltiples clientes de cálculo, integrando más recursos GPU de la red DePIN
Akash
Akash se posiciona como una plataforma de "super nube" que soporta almacenamiento, computación GPU y CPU, como una alternativa a los servicios de nube tradicionales.
Características principales:
Orientado a una amplia gama de tareas computacionales, desde la computación general hasta el alojamiento web
AkashML admite la ejecución de más de 15,000 modelos en Hugging Face
Se han alojado múltiples aplicaciones de IA conocidas, como el chatbot LLM de Mistral AI.
Las plataformas de metaverso, implementación de IA y aprendizaje federado están utilizando sus servicios
io.net
io.net ofrece un clúster de GPU en la nube distribuido, centrado en aplicaciones de IA y ML.
Características principales:
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
Integrar activamente los recursos de GPU de otras redes DePIN como Render, Filecoin, etc.
Gensyn
Gensyn se centra en la capacidad de cálculo de GPU para el aprendizaje automático y el aprendizaje profundo.
Principales características:
El costo por hora de una GPU equivalente a V100 es de aproximadamente 0.40 dólares, lo que reduce significativamente los costos.
Soporte para el ajuste fino de modelos base preentrenados
Modelo base global compartido y descentralizado
Aethir
Aethir se centra en GPU de nivel empresarial, con un enfoque en áreas de computación intensiva como IA, aprendizaje automático y juegos en la nube.
Principales características:
Ampliar a servicios de teléfonos en la nube, lanzar un teléfono inteligente en la nube descentralizado en colaboración con APhone
Establecer amplias colaboraciones con gigantes de Web2 como NVIDIA, Super Micro, etc.
Colaborar con varios proyectos Web3 como CARV, Magic Eden
Phala Network
Phala Network como la capa de ejecución de soluciones de IA Web3, aborda problemas de privacidad a través de un entorno de ejecución confiable (TEE).
Características principales:
Como protocolo de coprocesador para computación verificable, admite la llamada de recursos en la cadena de agentes de IA.
Los contratos de agente de IA se pueden integrar con OpenAI, Llama y otros modelos de lenguaje de primer nivel a través de Redpill.
En el futuro se admitirán sistemas de prueba múltiple como zk-proofs, computación multipartita y cifrado homomórfico completo.
Plan para soportar GPUs TEE como H100, mejorando la capacidad de cálculo.
Comparación de proyectos
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Enfoque de negocio | Renderizado gráfico y AI | Computación en la nube, renderizado y AI | AI | AI | Inteligencia artificial, juegos en la nube y telecomunicaciones | Ejecución de AI en cadena |
| Tipo de tarea de IA | Inferencia | Ambos | Ambos | Entrenamiento | Entrenamiento | Ejecución |
| Precio del trabajo | Precio 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 | Cada trabajo 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% costos de reserva | Costos bajos | 20% por sesión | Proporcional al monto de la apuesta |
| 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 TEE |
| Garantía de calidad | Controversia | - | - | Verificador y denunciante | Nodo verificador | Prueba remota |
| GPU集群 | No | Sí | Sí | Sí | Sí | No |
análisis de importancia
Disponibilidad de computación en clúster y paralela
El marco de cálculo distribuido implementa un clúster de GPU, mejorando la eficiencia de entrenamiento y escalabilidad sin afectar la precisión del modelo. El entrenamiento de modelos de IA complejos requiere una potente capacidad de cálculo, que generalmente depende del cálculo distribuido. La mayoría de los proyectos ahora han integrado clústeres para lograr el cálculo en paralelo. io.net ha integrado recursos de GPU con varios socios y ha desplegado más de 3,800 clústeres en el primer trimestre de 2024.
Privacidad de datos
El desarrollo de modelos de IA requiere grandes conjuntos de datos, que pueden involucrar información personal sensible. Los proyectos generalmente adoptan cifrado de datos para proteger la privacidad. io.net se ha asociado con Mind Network para lanzar la encriptación completamente homomórfica (FHE), que permite procesar datos en estado cifrado. Phala Network ha introducido un entorno de ejecución confiable (TEE), aislando para prevenir el acceso o modificación externa de los datos.
Certificado de finalización de cálculo y verificación de calidad
Los diferentes proyectos utilizan distintos métodos para verificar la finalización y calidad del cálculo. Gensyn y Aethir generan pruebas de finalización y realizan controles de calidad. La prueba de io.net indica que el rendimiento de la GPU se utiliza de manera óptima y sin problemas. Render sugiere utilizar un proceso de resolución de disputas. Phala genera pruebas TEE que aseguran que los agentes de IA ejecuten las operaciones requeridas.
Los modelos de IA tienden a utilizar GPU de alto rendimiento como la Nvidia A100 y H100. Los proveedores de mercados de GPU descentralizados necesitan ofrecer una cantidad suficiente de hardware de alto rendimiento para satisfacer la demanda del mercado. io.net y Aethir poseen más de 2000 unidades H100/A100, que son más adecuadas para el cálculo de modelos grandes.
El costo de estos servicios de GPU descentralizados ha bajado por debajo de los servicios centralizados. Gensyn y Aethir afirman que pueden alquilar hardware de nivel A100 por menos de 1 dólar por hora.
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 el ajuste fino o el entrenamiento de modelos a pequeña escala. Proyectos como Render, Akash e io.net pueden atender este mercado, ofreciendo opciones para diferentes escalas de necesidades computacionales.
Conclusión
El campo de DePIN de IA todavía se encuentra en una etapa temprana y enfrenta numerosos desafíos. Sin embargo, el número de tareas y hardware ejecutados por estas redes de GPU descentralizadas ha aumentado significativamente, lo que resalta la demanda de alternativas a los servicios de nube Web2.
El futuro del mercado de IA se desarrollará hasta alcanzar una escala de billones de dólares, y estas redes de GPU descentralizadas tienen la esperanza de desempeñar un papel clave en la provisión de alternativas de cálculo económicas y eficientes para los desarrolladores. Al cerrar continuamente la brecha entre la demanda y la oferta, estas redes harán una contribución importante al futuro del panorama de la IA y la infraestructura de cálculo.
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.
8 me gusta
Recompensa
8
4
Compartir
Comentar
0/400
JustHereForMemes
· hace9h
gm ¿por qué otra vez es un炒 depin?
Ver originalesResponder0
SnapshotLaborer
· hace9h
¿Se han invertido 30 mil millones de dólares, y aún no puede despegar?
Ver originalesResponder0
SybilSlayer
· hace9h
¿A quién puede engañar esta capitalización de mercado inflada?
Fusión de IA y DePIN: la red GPU descentralizada lidera un nuevo paradigma de computación
La fusión de la IA y DePIN: explorando un nuevo patrón de recursos computacionales
Desde 2023, la IA y DePIN han recibido mucha atención en el ámbito de Web3, con una capitalización de mercado de 30 mil millones de dólares y 23 mil millones de dólares, respectivamente. Este artículo se centra en el desarrollo en el campo de la intersección entre ambos.
En la pila de tecnología de IA, la red DePIN potencia la IA al proporcionar recursos de computación. La gran demanda de GPU por parte de las grandes empresas tecnológicas ha provocado escasez de suministro, lo que ha llevado a otros desarrolladores de modelos de IA a enfrentarse a la falta de recursos de computación. Las soluciones tradicionales, como elegir proveedores de servicios en la nube centralizados, presentan problemas de falta de flexibilidad y altos costos.
La red DePIN ofrece una alternativa más flexible y rentable. A través de un mecanismo de incentivos basado en tokens, integra los recursos de GPU individuales en un suministro unificado, proporcionando a los demandantes capacidades de cálculo personalizadas y bajo demanda, al mismo tiempo que crea ingresos adicionales para los propietarios de recursos de GPU ociosos.
En el mercado, diversas redes DePIN de IA están surgiendo continuamente. A continuación, exploraremos las características y el estado de desarrollo de varios proyectos representativos.
Visión general de la red DePIN de AI
Render
Render es el pionero de la red de computación P2P GPU, inicialmente centrado en la renderización gráfica para la creación de contenido, y luego se expandió a tareas de computación AI.
Características principales:
Akash
Akash se posiciona como una plataforma de "super nube" que soporta almacenamiento, computación GPU y CPU, como una alternativa a los servicios de nube tradicionales.
Características principales:
io.net
io.net ofrece un clúster de GPU en la nube distribuido, centrado en aplicaciones de IA y ML.
Características principales:
Gensyn
Gensyn se centra en la capacidad de cálculo de GPU para el aprendizaje automático y el aprendizaje profundo.
Principales características:
Aethir
Aethir se centra en GPU de nivel empresarial, con un enfoque en áreas de computación intensiva como IA, aprendizaje automático y juegos en la nube.
Principales características:
Phala Network
Phala Network como la capa de ejecución de soluciones de IA Web3, aborda problemas de privacidad a través de un entorno de ejecución confiable (TEE).
Características principales:
Comparación de proyectos
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Enfoque de negocio | Renderizado gráfico y AI | Computación en la nube, renderizado y AI | AI | AI | Inteligencia artificial, juegos en la nube y telecomunicaciones | Ejecución de AI en cadena | | Tipo de tarea de IA | Inferencia | Ambos | Ambos | Entrenamiento | Entrenamiento | Ejecución | | Precio del trabajo | Precio 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 | Cada trabajo 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% costos de reserva | Costos bajos | 20% por sesión | Proporcional al monto de la apuesta | | 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 TEE | | Garantía de calidad | Controversia | - | - | Verificador y denunciante | Nodo verificador | Prueba remota | | GPU集群 | No | Sí | Sí | Sí | Sí | No |
análisis de importancia
Disponibilidad de computación en clúster y paralela
El marco de cálculo distribuido implementa un clúster de GPU, mejorando la eficiencia de entrenamiento y escalabilidad sin afectar la precisión del modelo. El entrenamiento de modelos de IA complejos requiere una potente capacidad de cálculo, que generalmente depende del cálculo distribuido. La mayoría de los proyectos ahora han integrado clústeres para lograr el cálculo en paralelo. io.net ha integrado recursos de GPU con varios socios y ha desplegado más de 3,800 clústeres en el primer trimestre de 2024.
Privacidad de datos
El desarrollo de modelos de IA requiere grandes conjuntos de datos, que pueden involucrar información personal sensible. Los proyectos generalmente adoptan cifrado de datos para proteger la privacidad. io.net se ha asociado con Mind Network para lanzar la encriptación completamente homomórfica (FHE), que permite procesar datos en estado cifrado. Phala Network ha introducido un entorno de ejecución confiable (TEE), aislando para prevenir el acceso o modificación externa de los datos.
Certificado de finalización de cálculo y verificación de calidad
Los diferentes proyectos utilizan distintos métodos para verificar la finalización y calidad del cálculo. Gensyn y Aethir generan pruebas de finalización y realizan controles de calidad. La prueba de io.net indica que el rendimiento de la GPU se utiliza de manera óptima y sin problemas. Render sugiere utilizar un proceso de resolución de disputas. Phala genera pruebas TEE que aseguran que los agentes de IA ejecuten las operaciones requeridas.
datos estadísticos de hardware
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Cantidad de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Cantidad de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Cantidad de H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Costo H100/hora | - | $1.46 | $1.19 | - | - | - | | Costo por hora A100 | - | $1.37 | $1.50 | $0.55 ( estimado ) | $0.33 ( estimado ) | - |
Requisitos de GPU de alto rendimiento
Los modelos de IA tienden a utilizar GPU de alto rendimiento como la Nvidia A100 y H100. Los proveedores de mercados de GPU descentralizados necesitan ofrecer una cantidad suficiente de hardware de alto rendimiento para satisfacer la demanda del mercado. io.net y Aethir poseen más de 2000 unidades H100/A100, que son más adecuadas para el cálculo de modelos grandes.
El costo de estos servicios de GPU descentralizados ha bajado por debajo de los servicios centralizados. Gensyn y Aethir afirman que pueden alquilar hardware de nivel A100 por menos de 1 dólar por hora.
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 el ajuste fino o el entrenamiento de modelos a pequeña escala. Proyectos como Render, Akash e io.net pueden atender este mercado, ofreciendo opciones para diferentes escalas de necesidades computacionales.
Conclusión
El campo de DePIN de IA todavía se encuentra en una etapa temprana y enfrenta numerosos desafíos. Sin embargo, el número de tareas y hardware ejecutados por estas redes de GPU descentralizadas ha aumentado significativamente, lo que resalta la demanda de alternativas a los servicios de nube Web2.
El futuro del mercado de IA se desarrollará hasta alcanzar una escala de billones de dólares, y estas redes de GPU descentralizadas tienen la esperanza de desempeñar un papel clave en la provisión de alternativas de cálculo económicas y eficientes para los desarrolladores. Al cerrar continuamente la brecha entre la demanda y la oferta, estas redes harán una contribución importante al futuro del panorama de la IA y la infraestructura de cálculo.