La fusión de IA y DePIN: El surgimiento de redes GPU descentralizadas

Desde 2023, la IA y la Descentralización de Infraestructura Física (DePIN) han sido temas candentes en el ámbito de Web3. La capitalización de mercado de la IA alcanza los 30 mil millones de dólares, mientras que la de DePIN es de 23 mil millones de dólares. Estas dos categorías abarcan una variedad de protocolos diferentes, que sirven a diversas áreas y necesidades. Este artículo se centrará en el punto de intersección entre ambas, explorando el desarrollo de los protocolos en este campo.

En la pila de tecnología de IA, la red DePIN empodera la IA al proporcionar recursos de computación. La gran demanda de GPU por parte de las grandes empresas de tecnología ha llevado a una escasez de suministro, lo que dificulta que otros desarrolladores obtengan suficientes GPU para el entrenamiento de modelos de IA. Esto a menudo obliga a los desarrolladores a recurrir a proveedores de servicios en la nube centralizados, pero debido a la necesidad de firmar contratos de hardware de alto rendimiento a largo plazo que carecen de flexibilidad, la eficiencia es baja.

DePIN ofrece una alternativa más flexible y rentable. Utiliza recompensas en tokens para incentivar las contribuciones de recursos que cumplen con los objetivos de la red. El DePIN en el campo de la IA integra recursos de GPU de propietarios individuales en centros de datos, proporcionando un suministro unificado para usuarios que necesitan hardware. Estas redes DePIN no solo ofrecen a los desarrolladores capacidades de computación personalizables y bajo demanda, sino que también crean fuentes adicionales de ingresos para los propietarios de GPU.

Existen varias redes DePIN de IA en el mercado, cada una con sus propias características. A continuación, se describirán las características y el estado de desarrollo de algunos proyectos principales.

Visión general de la red DePIN de IA

Render

Render es el pionero de la red de computación GPU P2P, inicialmente enfocado en la creación de contenido gráfico, y luego amplió su alcance a tareas de computación AI integrando herramientas como Stable Diffusion.

Características principales:

• Fundada por la empresa de gráficos en la nube OTOY, que cuenta con tecnología ganadora de un Oscar.
• La red GPU ha sido utilizada por gigantes de la industria del entretenimiento como Paramount Pictures y PUBG.
• Colaborar con Stability AI y Endeavor, integrando modelos de IA con flujos de trabajo de renderizado de contenido 3D
• Aprobar múltiples clientes de cálculo, integrar más GPU de redes DePIN

Akash

Akash se posiciona como una plataforma de "súper nube" que soporta almacenamiento, computación GPU y CPU, siendo una alternativa a los proveedores de servicios en la nube tradicionales. Aprovechando la plataforma de contenedores y los nodos de computación gestionados por Kubernetes, permite desplegar de manera fluida diversas aplicaciones nativas de la nube a través de entornos.

Principales características:

• Soporte para una amplia gama de tareas computacionales, desde computación general hasta alojamiento web.
• AkashML permite que su red GPU ejecute más de 15,000 modelos en Hugging Face.
• Ha custodiado múltiples aplicaciones de IA reconocidas, como el chatbot del modelo LLM de Mistral AI.
• Proporcionar soporte de plataforma para la construcción del metaverso, el despliegue de IA y el aprendizaje federado.

io.net

io.net proporciona acceso a un clúster de nube de GPU distribuido, diseñado específicamente para casos de uso de IA y ML. Agrega recursos de GPU de centros de datos, mineros de criptomonedas y otras redes de Descentralización.

Principales características:

• IO-SDK es compatible con marcos como PyTorch y Tensorflow, y se puede expandir dinámicamente según las necesidades.
• Soporta la creación de 3 tipos diferentes de clústeres, el tiempo de inicio solo requiere 2 minutos
• Colaborar activamente con otras redes DePIN para integrar más recursos de GPU

Gensyn

Gensyn se centra en una red de GPU para computación de aprendizaje automático y aprendizaje profundo. Utiliza un mecanismo de validación innovador, que incluye pruebas de aprendizaje, un protocolo de localización precisa basado en gráficos y juegos de incentivos que involucran apuestas y reducciones.

Características principales:

• Se espera que el costo por hora de un GPU equivalente a V100 sea de aproximadamente 0.40 dólares, lo que representa un gran ahorro en costos.
• Soporta el ajuste fino de modelos base preentrenados para completar tareas más específicas
• Plan para establecer un modelo básico descentralizado y compartido a nivel global

Aethir

Aethir se especializa en implementar GPU de nivel empresarial, enfocándose en áreas intensivas en computación como IA, aprendizaje automático y juegos en la nube. Los contenedores en su red actúan como puntos finales virtuales para ejecutar aplicaciones en la nube, trasladando la carga de trabajo de los dispositivos locales a los contenedores, logrando así una experiencia de baja latencia.

Principales características:

• Además de la IA y los juegos en la nube, también se expande a los servicios de teléfono en la nube.
• Establecer colaboraciones con varias grandes empresas de Web2 como NVIDIA, Super Micro y HPE.
• En el ámbito de Web3, cuenta con varios socios como CARV, Magic Eden.

Phala Network

Phala Network como la capa de ejecución de soluciones de IA Web3, ofrece soluciones de computación en la nube sin necesidad de confianza. Su blockchain utiliza un entorno de ejecución confiable (TEE) diseñado para abordar problemas de privacidad, permitiendo que los agentes de IA sean controlados por contratos inteligentes en la cadena.

Principales características:

• Actuar como un protocolo de coprocesador de cálculo verificable, al mismo tiempo que empodera a los agentes de IA con recursos en la cadena.
• Los contratos de agentes de IA se pueden acceder a través de Redpill a los principales modelos de lenguaje como OpenAI, Llama, entre otros.
• En el futuro, se integrarán zk-proofs, cálculo multiparte (MPC), cifrado completamente homomórfico (FHE) y otros sistemas de prueba múltiple.
• Se planea soportar otras GPU TEE como H100, mejorando la capacidad de cálculo

Comparación de proyectos

| Proyecto | Hardware | Enfoque de negocio | Tipo de tarea AI | Precio de trabajo | Blockchain | Privacidad de datos | Costo del trabajo | Seguridad | Prueba de finalización | Garantía de calidad | Clúster GPU | |--------|---------|----------------|--------|--------|--------|--------|----------------------|--------|--------|----------|-------| | Render | GPU&CPU | Renderizado gráfico y AI | Inferencia | Precios basados en el rendimiento | Solana | Cripto&hash | 0.5-5% por trabajo | Prueba de renderizado | - | Controversia | No | | Akash | GPU&CPU | Computación en la nube, renderizado y AI | Ambos | Subasta inversa | Cosmos | Autenticación mTLS | 20% USDC, 4% AKT | Prueba de participación | - | - | Sí | | io.net | GPU&CPU | AI | Ambos | Precio de mercado | Solana | Cifrado de datos | 2% USDC, 0.25% de tarifa de reserva | Prueba de cálculo | Prueba de bloqueo de tiempo | - | Sí | | Gensyn | GPU | AI | Entrenamiento | Precio de mercado | Gensyn | Mapeo seguro | Costos bajos | Prueba de participación | Prueba de aprendizaje | Verificadores y denunciantes | Sí | | Aethir | GPU | IA, juegos en la nube y telecomunicaciones | entrenamiento | sistema de licitación | Arbitrum | criptografía | 20% por sesión | prueba de capacidad de renderizado | prueba de trabajo de renderizado | nodo verificador | sí | | Phala | CPU | Ejecución de IA en cadena | Ejecución | Cálculo de derechos | Polkadot | TEE | Proporcional a la cantidad apostada | Heredado de la cadena de relevo | Prueba TEE | Prueba remota | No |

La importancia de los clústeres y la computación en paralelo

El marco de computación distribuida implementa un clúster de GPU, proporcionando un entrenamiento eficiente al tiempo que mejora la escalabilidad. El entrenamiento de modelos de IA complejos requiere una potente capacidad de cálculo, que a menudo depende de la computación distribuida. La mayoría de los proyectos han integrado clústeres para lograr computación paralela, a fin de satisfacer la demanda del mercado.

Protección de la privacidad de los datos

El entrenamiento de modelos de IA requiere grandes conjuntos de datos, que pueden incluir información sensible. Para ello, los proyectos adoptan diferentes métodos de protección de la privacidad de los datos. La mayoría de los proyectos utilizan cifrado de datos, io.net también ha introducido cifrado homomórfico completo (FHE), mientras que Phala Network utiliza entornos de ejecución confiables (TEE). Estas medidas tienen como objetivo proteger la privacidad de los datos, mientras que permiten que los datos se utilicen con fines de entrenamiento.

Prueba de cálculo completada y control de calidad

Para garantizar la calidad del servicio, varios proyectos han introducido mecanismos de prueba de finalización de cálculo y verificación de calidad. Gensyn y Aethir generan pruebas de trabajo completado, mientras que io.net asegura que el rendimiento de la GPU se aproveche al máximo. Gensyn y Aethir también cuentan con mecanismos de verificación de calidad, mientras que Render utiliza un proceso de resolución de disputas. Estas medidas ayudan a garantizar la calidad y confiabilidad de los servicios de cálculo.

Estadísticas de hardware

| Proyecto | Cantidad de GPU | Cantidad de CPU | Cantidad de H100/A100 | Costo H100/hora | Costo A100/hora | |--------|-------|--------|------------|-----------|-------------| | Render | 5600 | 114 | - | - | - | | Akash | 384 | 14672 | 157 | $1.46 | $1.37 | | io.net | 38177 | 5433 | 2330 | $1.19 | $1.50 | | Gensyn | - | - | - | - | $0.55 (预计) | | Aethir | 40000+ | - | 2000+ | - | $0.33 (预计) | | Phala | - | 30000+ | - | - | - |

Demanda de GPU de alto rendimiento

El entrenamiento de modelos de IA requiere GPU de máxima rendimiento, como las A100 y H100 de NVIDIA. Estas GPU de alta gama ofrecen la mejor calidad y velocidad de entrenamiento, pero son costosas. Los proveedores del mercado de GPU Descentralización necesitan encontrar un equilibrio entre ofrecer una cantidad suficiente de GPU de alto rendimiento y mantener la competitividad de precios.

Actualmente, proyectos como io.net y Aethir han obtenido más de 2000 unidades H100 y A100, más adecuadas para cálculos de modelos grandes. El costo de estos servicios de GPU descentralizados ya es inferior al de los servicios de GPU centralizados, pero aún se necesita tiempo para validarlo.

Función de GPU/CPU de nivel de consumo

Aunque las GPU de alta gama son la principal demanda, las GPU y CPU de consumo también desempeñan un papel importante en el desarrollo de modelos de IA. Se pueden utilizar para el preprocesamiento de datos, la gestión de recursos de memoria y para ajustar modelos preentrenados o entrenar modelos de pequeña escala. Proyectos como Render, Akash y io.net también sirven a este segmento de mercado, ofreciendo más opciones a los desarrolladores.

Conclusión

El campo de AI DePIN, aunque aún se encuentra en sus inicios, ya ha mostrado un gran potencial. Estas redes GPU descentralizadas están resolviendo eficazmente el problema del desequilibrio entre la oferta y la demanda de recursos de computación AI. Con el rápido crecimiento del mercado de AI, estas redes desempeñarán un papel clave en la provisión de alternativas de computación económicas y eficientes para los desarrolladores, contribuyendo de manera significativa al futuro panorama de AI e infraestructura de computación.