Sự kết hợp giữa AI và DePIN: Sự trỗi dậy của mạng GPU phân tán

Kể từ năm 2023, AI và DePIN đã trở thành những xu hướng nổi bật 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 điểm giao thoa giữa hai lĩnh vực, khám phá sự phát triển của lĩnh vực mới nổi này.

Trong công nghệ AI, mạng DePIN cung cấp tài nguyên tính toán để tăng cường AI. Nhu cầu về GPU của các công ty công nghệ lớn đã dẫn đến tình trạng thiếu hụt nguồn cung, khiến các nhà phát triển khác khó có thể có đủ tài nguyên để huấn luyện mô hình của riêng họ. Các dịch vụ đám mây trung tâm truyền thống thường yêu cầu ký kết các hợp đồng dài hạn không linh hoạt và kém hiệu quả. Mạng DePIN cung cấp một giải pháp thay thế linh hoạt và tiết kiệm chi phí hơn, tập hợp các tài nguyên GPU phân tán thông qua việc khuyến khích bằng token, cung cấp nguồn cung đồng nhất cho người dùng. Điều này không chỉ cho phép các nhà phát triển có thể truy cập vào khả năng tính toán tùy chỉnh theo nhu cầu, mà còn tạo ra thu nhập bổ sung cho những người dùng GPU không sử dụng.

Tổng quan về mạng DePIN AI

Render

Render là tiên phong trong mạng tính toán GPU P2P, ban đầu tập trung vào việc tạo ra đồ họa nội dung, sau đó mở rộng sang nhiều nhiệm vụ tính toán AI rộng rãi, bao gồm cả AI sinh tạo.

Điểm nổi bật:

• Được thành lập bởi công ty sở hữu công nghệ đoạt giải Oscar
• Đã được sử dụng bởi Paramount Pictures và các ông lớn trong ngành giải trí
• Hợp tác với các công ty như Stability AI, tích hợp mô hình AI và nội dung 3D.
• Hỗ trợ nhiều khách hàng tính toán, tích hợp nhiều GPU mạng DePIN hơn

Akash

Akash được định vị là "siêu đám mây" thay thế cho các nền tảng đám mây truyền thống, hỗ trợ lưu trữ, tính toán GPU và CPU. Nền tảng container và các nút tính toán được quản lý bằng Kubernetes của nó có thể triển khai ứng dụng gốc đám mây một cách liền mạch.

Điểm nổi bật:

• Bao gồm nhiều nhiệm vụ từ tính toán tổng quát đến lưu trữ trên mạng
• AkashML hỗ trợ chạy hơn 15.000 mô hình trên Hugging Face
• Đã ủy thác các ứng dụng nổi tiếng như chatbot LLM của Mistral AI
• Hỗ trợ các nền tảng như vũ trụ ảo, triển khai AI và học tập liên bang

io.net

io.net cung cấp cụm GPU đám mây phân tán, tập trung vào các trường hợp sử dụng AI và ML. Tích hợp nhiều nguồn tài nguyên GPU từ trung tâm dữ liệu, thợ đào tiền điện tử và các bên khác.

Điểm nổi bật:

• IO-SDK tương thích với các framework như PyTorch, có thể mở rộng linh hoạt theo nhu cầu.
• Hỗ trợ tạo 3 loại cụm khác nhau, khởi động trong vòng 2 phút
• Hợp tác với Render, Filecoin và các bên khác để tích hợp nhiều tài nguyên GPU hơn

Gensyn

Gensyn tập trung vào tính toán học máy và học sâu. Sử dụng các cơ chế như bằng chứng học, giao thức dựa trên đồ thị và khuyến khích staking để tăng cường hiệu quả xác minh.

Điểm nổi bật:

• Chi phí mỗi giờ cho GPU V100 khoảng 0.40 đô la, tiết kiệm đáng kể
• Có thể tinh chỉnh mô hình cơ bản đã được huấn luyện trước để hoàn thành các nhiệm vụ cụ thể
• Cung cấp mô hình cơ bản phi tập trung, chia sẻ toàn cầu

Aethir

Aethir tập trung vào GPU cấp doanh nghiệp, phục vụ cho các lĩnh vực tính toán cường độ cao như AI, ML và trò chơi điện toán đám mây. Thông qua công nghệ container, chuyển tải khối lượng công việc từ địa phương lên đám mây, tạo ra trải nghiệm độ trễ thấp.

Điểm nổi bật:

• Mở rộng dịch vụ điện thoại đám mây, hợp tác với APhone để ra mắt điện thoại thông minh đám mây phi tập trung
• Thiết lập hợp tác rộng rãi với các ông lớn Web2 như NVIDIA, Foxconn
• Hợp tác với nhiều bên như CARV, Magic Eden trong lĩnh vực Web3

Mạng lưới Phala

Phala Network như một lớp thực thi giải pháp Web3 AI, sử dụng môi trường thực thi đáng tin cậy (TEE) để xử lý các vấn đề về quyền riêng tư. Lớp thực thi của nó cho phép các đại lý AI được kiểm soát bởi hợp đồng thông minh trên chuỗi.

Điểm nổi bật:

• Là giao thức đồng xử lý cho tính toán có thể xác minh, cung cấp năng lượng cho các đại lý AI trên chuỗi.
• Hợp đồng đại lý AI có thể nhận được OpenAI và các LLM hàng đầu khác thông qua Redpill.
• Tương lai sẽ bao gồm các hệ thống chứng minh đa dạng như zk-proofs, MPC, FHE.
• 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 | | 重点业务 | Đồ họa và AI | Điện toán đám mây, đồ họa và AI | AI | AI | AI, trò chơi đám mây và viễn thông | Thực thi AI trên chuỗi | | Loại nhiệm vụ AI | Suy diễn | Suy diễn và đào tạo | Suy diễn và đào tạo | 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 đấu thầu | Tính toán quyền lợi | | Blockchain | 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 | 0.5-5% cho mỗi công việc | 20% USDC, 4% AKT | 2% USDC, 0.25% phí dự trữ | Chi phí thấp | 20% cho mỗi phiên | Tỉ lệ theo 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 minh hoàn thành | - | - | Chứng minh khóa thời gian | Chứng minh học tập | Chứng minh công việc render | Chứng minh TEE | | Đảm bảo chất lượng | Tranh chấp | - | - | Người xác minh và người báo cáo | Nút kiểm tra | Chứng minh từ xa | | Cụm GPU | Không | Có | Có | Có | Có | Không |

So sánh các tính năng chính

Tính toán cụm và song song

Khung tính toán phân tán thực hiện cụm GPU, nâng cao hiệu suất đào tạo và khả năng mở rộng. Hầu hết các dự án đã tích hợp hỗ trợ cụm để tính toán song song, nhằm đáp ứng nhu cầu của các mô hình AI phức tạp. io.net đã triển khai thành công hơn 3800 cụm. Render mặc dù không hỗ trợ cụm, nhưng có thể phân chia nhiệm vụ để xử lý đồng thời trên nhiều nút. Phala hỗ trợ cụm hóa máy chủ CPU.

Bảo mật dữ liệu

Bảo vệ bộ dữ liệu nhạy cảm là rất quan trọng đối với sự phát triển AI. Hầu hết các dự án sử dụng mã hóa dữ liệu để bảo vệ quyền riêng tư. io.net giới thiệu mã hóa hoàn toàn đồng hình (FHE), có thể xử lý dữ liệu trong trạng thái mã hóa. Phala Network sử dụng môi trường thực thi tin cậy (TEE), ngăn chặn truy cập hoặc sửa đổi dữ liệu từ bên ngoài.

Hoàn thành chứng nhận và kiểm tra chất lượng

Để đảm bảo chất lượng dịch vụ, hầu hết các dự án áp dụng cơ chế chứng nhận hoàn thành và kiểm tra chất lượng. Gensyn và Aethir tạo ra chứng nhận hoàn thành công việc và thực hiện kiểm tra chất lượng. io.net chứng minh việc thuê GPU được sử dụng hiệu quả. Render đề xuất sử dụng quy trình giải quyết tranh chấp để xử lý các nút vấn đề. Phala tạo ra chứng nhận TEE để đảm bảo thực hiện đúng.

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 ) | - |

Nhu cầu GPU hiệu suất cao

Việc đào tạo mô hình AI cần GPU có hiệu suất tốt nhất, như NVIDIA A100 và H100. Thị trường GPU phi tập trung cần cung cấp đủ số lượng phần cứng hiệu suất cao để đáp ứng nhu cầu. io.net và Aethir mỗi bên sở hữu hơn 2000 đơn vị H100/A100, phù hợp hơn cho tính toán mô hình lớn. Chi phí thuê GPU của các mạng này đã thấp hơn nhiều so với dịch vụ tập trung.

Cung cấp GPU/CPU tiêu dùng

Ngoài GPU cấp doanh nghiệp, một số dự án như Render, Akash và io.net cũng phục vụ cho thị trường GPU tiêu dùng. Điều này có thể tận dụng một lượng lớn tài nguyên GPU tiêu dùng nhàn rỗi, phát triển phân khúc thị trường cụ thể.

Kết luận

Lĩnh vực DePIN AI vẫn đang ở giai đoạn đầu, đối mặt với nhiều thách thức. Tuy nhiên, số lượng nhiệm vụ và phần cứng được thực hiện trên các mạng này đã tăng đáng kể, làm nổi bật nhu cầu về giải pháp thay thế cho dịch vụ đám mây truyền thống. Trong tương lai, khi thị trường AI tiếp tục phát triển, các mạng GPU phân tán này dự kiến sẽ đóng vai trò quan trọng trong việc cung cấp tài nguyên tính toán hiệu quả về chi phí cho các nhà phát triển, góp phần quan trọng vào cấu trúc tương lai của AI và cơ sở hạ tầng tính toán.