Sự kết hợp giữa AI và DePIN: Khám phá cấu trúc mới của tài nguyên tính toán

Kể từ năm 2023, AI và DePIN đã thu hút sự chú ý lớn trong lĩnh vực Web3, với giá trị thị trường lần lượt đạt 30 tỷ USD và 23 tỷ USD. Bài viết này tập trung vào tình hình phát triển trong lĩnh vực giao thoa của hai công nghệ này.

Trong bộ công nghệ AI, mạng DePIN cung cấp tài nguyên tính toán để tăng cường AI. Nhu cầu lớn về GPU từ các công ty công nghệ lớn dẫn đến tình trạng thiếu hụt cung ứng, khiến các nhà phát triển mô hình AI khác gặp khó khăn về tài nguyên tính toán. Các giải pháp truyền thống như chọn nhà cung cấp dịch vụ đám mây tập trung gặp phải vấn đề thiếu linh hoạt và chi phí cao.

Mạng DePIN cung cấp một giải pháp thay thế linh hoạt hơn và tiết kiệm chi phí hơn. Nó tích hợp tài nguyên GPU cá nhân thành một nguồn cung thống nhất thông qua cơ chế khuyến khích bằng token, cung cấp khả năng tính toán tùy chỉnh, theo nhu cầu cho các bên cần, đồng thời tạo ra thu nhập bổ sung cho những người sở hữu tài nguyên GPU không sử dụng.

Trên thị trường, các loại mạng AI DePIN đang xuất hiện liên tục, dưới đây chúng ta sẽ khám phá một số đặc điểm và tình hình phát triển của một số dự án điển hình.

Tổng quan mạng AI DePIN

Render

Render là người tiên phong trong mạng lưới tính toán GPU P2P, ban đầu tập trung vào việc tạo nội dung đồ họa, sau đó mở rộng sang các nhiệm vụ tính toán AI.

Các đặc điểm chính:

• Được thành lập bởi công ty đồ họa đám mây OTOY, đơn vị đoạt giải Oscar
• Được các ông lớn trong ngành giải trí như Paramount Pictures, PUBG áp dụng
• Hợp tác với Stability AI, tích hợp mô hình AI và quy trình làm việc 3D.
• Hỗ trợ nhiều khách hàng tính toán, tích hợp nhiều tài nguyên GPU mạng DePIN hơn.

Akash

Akash được định vị là nền tảng "đám mây siêu" hỗ trợ lưu trữ, tính toán GPU và CPU, là giải pháp thay thế cho dịch vụ đám mây truyền thống.

Các đặc điểm chính:

• Hướng tới các nhiệm vụ tính toán đa dạng từ tính toán tổng quát đến lưu trữ mạng
• AkashML hỗ trợ chạy hơn 15.000 mô hình trên Hugging Face
• Đã quản lý nhiều ứng dụng AI nổi tiếng, như chatbot LLM của Mistral AI
• Nền tảng Metaverse, triển khai AI và học tập liên bang đang sử dụng dịch vụ của nó

io.net

io.net cung cấp cụm GPU đám mây phân tán, tập trung vào các ứng dụng AI và ML.

Các đặc điểm chính:

• IO-SDK tương thích với các khung như PyTorch và Tensorflow
• Hỗ trợ tạo 3 loại cụm khác nhau, có thể khởi động trong vòng 2 phút
• Tích cực tích hợp tài nguyên GPU của các mạng DePIN khác như Render, Filecoin.

Gensyn

Gensyn tập trung vào khả năng tính toán GPU cho học máy và học sâu.

Các đặc điểm chính:

• Chi phí mỗi giờ cho GPU tương đương V100 khoảng 0.40 đô la, giảm đáng kể chi phí
• Hỗ trợ tinh chỉnh mô hình cơ sở được huấn luyện trước
• Mô hình cơ sở chia sẻ toàn cầu phi tập trung

Aethir

Aethir tập trung vào GPU cấp doanh nghiệp, chủ yếu nhắm vào các lĩnh vực tính toán đòi hỏi tài nguyên cao như AI, học máy, và trò chơi trên đám mây.

Các đặc điểm chính:

• Mở rộng dịch vụ điện thoại đám mây, hợp tác với APhone ra mắt điện thoại thông minh đám mây phi tập trung
• Thiết lập hợp tác rộng rãi với các ông lớn Web2 như NVIDIA, Super Micro
• Hợp tác với nhiều dự án Web3 như CARV, Magic Eden

Mạng lưới Phala

Phala Network như một lớp thực thi giải pháp AI Web3, xử lý các vấn đề về quyền riêng tư thông qua môi trường thực thi đáng tin cậy (TEE).

Các đặc điểm chính:

• Là một giao thức đồng xử lý tính toán có thể xác minh, hỗ trợ việc gọi tài nguyên trên chuỗi của đại lý AI
• Hợp đồng đại lý AI có thể kết nối với OpenAI, Llama và các mô hình ngôn ngữ lớn hàng đầu khác thông qua Redpill.
• Trong tương lai sẽ hỗ trợ zk-proofs, tính toán đa bên, mã hóa đồng nhất toàn phần và các hệ thống chứng minh đa dạng khác.
• Kế hoạch hỗ trợ H100 và các GPU TEE khác, nâng cao khả năng tính toán

So sánh dự án

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Phần cứng | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Điểm nhấn kinh doanh | Kết xuất đồ họa và AI | Điện toán đám mây, kết xuất và AI | AI | AI | Trí tuệ nhân tạo, trò chơi đám mây và viễn thông | Thực thi AI trên chuỗi | | Loại nhiệm vụ AI | Suy diễn | Cả hai | Cả hai | Đào tạo | Đào tạo | Thực hiện | | Định giá công việc | Định giá dựa trên hiệu suất | Đấu giá ngược | Định giá thị trường | Định giá thị trường | Hệ thống thầu | Tính toán quyền lợi | | Chuỗi khối | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Quyền riêng tư dữ liệu | Mã hóa&băm | Xác thực mTLS | Mã hóa dữ liệu | Bản đồ an toàn | Mã hóa | TEE | | Chi phí làm việc | Mỗi công việc 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% phí dự trữ | Chi phí thấp | Mỗi phiên 20% | Tỷ lệ với số tiền đặt cọc | | An toàn | Chứng minh kết xuất | Chứng minh quyền lợi | Chứng minh tính toán | Chứng minh quyền lợi | Chứng minh khả năng kết xuất | Kế thừa từ chuỗi trung gian | | Chứng nhận hoàn thành | - | - | Chứng nhận khóa thời gian | Chứng nhận học tập | Chứng nhận công việc render | Chứng nhận TEE | | Đảm bảo chất lượng | Tranh chấp | - | - | Người xác minh và tố cáo | Node kiểm tra | Chứng minh từ xa | | Cụm GPU | Không | Có | Có | Có | Có | Không |

Phân tích tầm quan trọng

Sự khả dụng của tính toán cụm và song song

Khung tính toán phân tán thực hiện cụm GPU, tăng hiệu suất đào tạo và khả năng mở rộng mà không ảnh hưởng đến độ chính xác của mô hình. Đào tạo mô hình AI phức tạp cần sức mạnh tính toán mạnh mẽ, thường phụ thuộc vào tính toán phân tán. Hầu hết các dự án hiện đã tích hợp cụm để thực hiện tính toán song song. io.net đã tích hợp tài nguyên GPU với nhiều đối tác, đã triển khai hơn 3.800 cụm trong quý đầu tiên của năm 2024.

Bảo mật dữ liệu

Phát triển mô hình AI cần một lượng lớn bộ dữ liệu, có thể liên quan đến thông tin cá nhân nhạy cảm. Các dự án đều sử dụng mã hóa dữ liệu để bảo vệ quyền riêng tư. io.net hợp tác với Mind Network ra mắt mã hóa hoàn toàn đồng nhất (FHE), cho phép xử lý dữ liệu trong trạng thái mã hóa. Phala Network giới thiệu môi trường thực thi đáng tin cậy (TEE), ngăn cách để ngăn chặn việc truy cập hoặc chỉnh sửa dữ liệu từ bên ngoài.

Chứng nhận hoàn thành tính toán và kiểm tra chất lượng

Các dự án áp dụng các cách khác nhau để xác thực việc hoàn thành và chất lượng tính toán. Gensyn và Aethir tạo ra chứng nhận hoàn thành và thực hiện kiểm tra chất lượng. Chứng nhận của io.net cho thấy hiệu suất GPU được sử dụng đầy đủ và không có vấn đề. Render đề xuất sử dụng quy trình giải quyết tranh chấp. Phala tạo ra chứng nhận TEE đảm bảo rằng các đại lý AI thực hiện các hoạt động cần thiết.

Dữ liệu thống kê phần cứng

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Số lượng GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Số lượng CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Số lượng H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Chi phí H100/giờ | - | $1.46 | $1.19 | - | - | - | | Chi phí A100/giờ | - | $1.37 | $1.50 | $0.55 ( dự kiến ) | $0.33 ( dự kiến ) | - |

Yêu cầu về GPU hiệu suất cao

Các mô hình AI thường có xu hướng sử dụng GPU hiệu suất cao như Nvidia A100 và H100. Các nhà cung cấp thị trường GPU phi tập trung cần cung cấp đủ số lượng phần cứng hiệu suất cao để đáp ứng nhu cầu thị trường. io.net và Aethir sở hữu hơn 2000 đơn vị H100/A100, phù hợp hơn cho tính toán mô hình lớn.

Chi phí của các dịch vụ GPU phi tập trung này đã thấp hơn các dịch vụ tập trung. Gensyn và Aethir tuyên bố có thể thuê phần cứng cấp A100 với giá dưới 1 đô la mỗi giờ.

Cung cấp GPU/CPU tiêu dùng

CPU cũng đóng vai trò quan trọng trong việc đào tạo mô hình AI. GPU tiêu dùng có thể được sử dụng để tinh chỉnh hoặc đào tạo mô hình quy mô nhỏ. Các dự án như Render, Akash và io.net có thể phục vụ cho thị trường này, cung cấp lựa chọn cho các nhu cầu tính toán với quy mô khác nhau.

Kết luận

Lĩnh vực AI DePIN vẫn đang ở giai đoạn đầu, phải đối mặt với nhiều thách thức. Tuy nhiên, số lượng nhiệm vụ và phần cứng được thực hiện bởi các mạng GPU phi tập trung đã tăng đáng kể, làm nổi bật nhu cầu về các giải pháp thay thế cho dịch vụ đám mây Web2.

Thị trường AI trong tương lai sẽ phát triển thành quy mô hàng nghìn tỷ đô la Mỹ, các mạng GPU phân tán này có khả năng đóng vai trò quan trọng trong việc cung cấp giải pháp tính toán hiệu quả về chi phí cho các nhà phát triển. Bằng cách liên tục thu hẹp khoảng cách giữa nhu cầu và cung, các mạng này sẽ đóng góp quan trọng cho bức tranh tương lai của AI và cơ sở hạ tầng tính toán.