AI dan DePIN: Kebangkitan Jaringan GPU Desentralisasi

Sejak 2023, AI dan DePIN telah menjadi topik hangat di bidang Web3. Kapitalisasi pasar AI mencapai 30 miliar USD, sementara kapitalisasi pasar DePIN adalah 23 miliar USD. Kedua kategori ini mencakup berbagai protokol yang melayani berbagai bidang dan kebutuhan. Artikel ini akan fokus pada titik persimpangan keduanya, mengeksplorasi perkembangan protokol di bidang ini.

Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Permintaan besar dari perusahaan teknologi besar terhadap GPU menyebabkan kekurangan pasokan, membuat pengembang lain kesulitan untuk mendapatkan GPU yang cukup untuk pelatihan model AI. Ini sering kali memaksa pengembang beralih ke penyedia layanan cloud terpusat, tetapi karena perlu menandatangani kontrak perangkat keras berkinerja tinggi jangka panjang yang kurang fleksibel, efisiensinya rendah.

DePIN menyediakan alternatif yang lebih fleksibel dan hemat biaya. Ini memanfaatkan hadiah token untuk mendorong kontribusi sumber daya yang sesuai dengan tujuan jaringan. DePIN di bidang AI mengintegrasikan sumber daya GPU dari pemilik individu ke pusat data, menyediakan pasokan yang terintegrasi untuk pengguna yang membutuhkan perangkat keras. Jaringan DePIN ini tidak hanya menyediakan kemampuan komputasi yang dapat disesuaikan dan sesuai permintaan untuk pengembang, tetapi juga menciptakan sumber pendapatan tambahan bagi pemilik GPU.

Ada berbagai jaringan AI DePIN di pasar, masing-masing memiliki karakteristiknya sendiri. Berikut adalah beberapa proyek utama beserta fitur dan perkembangan mereka.

Gambaran Jaringan DePIN AI

Render

Render adalah pelopor jaringan komputasi GPU P2P, awalnya fokus pada rendering grafis untuk penciptaan konten, kemudian memperluas cakupannya ke tugas komputasi AI dengan mengintegrasikan alat seperti Stable Diffusion.

Fitur Utama:

• Didirikan oleh perusahaan grafis awan OTOY yang memiliki teknologi pemenang Oscar
• Jaringan GPU telah digunakan oleh Paramount Pictures, PUBG, dan raksasa industri hiburan lainnya.
• Bekerja sama dengan Stability AI dan Endeavor, mengintegrasikan model AI dengan alur kerja rendering konten 3D
• Menyetujui beberapa klien komputasi, mengintegrasikan lebih banyak GPU dari jaringan DePIN

Akash

Akash diposisikan sebagai platform "super cloud" yang mendukung penyimpanan, komputasi GPU, dan CPU, sebagai alternatif untuk penyedia layanan cloud tradisional. Dengan memanfaatkan platform kontainer dan node komputasi yang dikelola oleh Kubernetes, dapat melakukan penyebaran aplikasi cloud-native yang mulus di berbagai lingkungan.

Fitur Utama:

• Mendukung berbagai tugas komputasi dari komputasi umum hingga hosting jaringan
• AkashML memungkinkan jaringan GPU-nya menjalankan lebih dari 15.000 model di Hugging Face
• Mengelola berbagai aplikasi AI terkenal, seperti chatbot model LLM Mistral AI
• Menyediakan dukungan platform untuk membangun metaverse, penerapan AI, dan pembelajaran federasi.

io.net

io.net menyediakan akses ke kluster cloud GPU terdistribusi yang dirancang khusus untuk kasus penggunaan AI dan ML. Ini mengagregasi sumber daya GPU dari pusat data, penambang kripto, dan jaringan Desentralisasi lainnya.

Fitur Utama:

• IO-SDK kompatibel dengan kerangka kerja seperti PyTorch dan Tensorflow, dapat diperluas secara dinamis sesuai kebutuhan
• Mendukung pembuatan 3 jenis kluster yang berbeda, waktu peluncuran hanya memerlukan 2 menit
• Aktif berkolaborasi dengan jaringan DePIN lainnya untuk mengintegrasikan lebih banyak sumber daya GPU

Gensyn

Gensyn berfokus pada jaringan GPU untuk komputasi pembelajaran mesin dan pembelajaran mendalam. Ini menggunakan mekanisme verifikasi inovatif, termasuk bukti pembelajaran, protokol penentuan lokasi berbasis grafis, dan permainan insentif yang melibatkan staking dan pengurangan.

Fitur Utama:

• Diperkirakan biaya per jam untuk GPU setara V100 sekitar 0,40 dolar, menghemat biaya secara signifikan.
• Mendukung fine-tuning model dasar yang telah dilatih sebelumnya untuk menyelesaikan tugas yang lebih spesifik
• Rencana untuk membangun model dasar yang desentralisasi dan berbagi secara global

Aethir

Aethir secara khusus menyebarkan GPU tingkat perusahaan, berfokus pada AI, pembelajaran mesin, permainan cloud, dan bidang komputasi intensif lainnya. Kontainer dalam jaringannya berfungsi sebagai titik akhir virtual untuk menjalankan aplikasi cloud, memindahkan beban kerja dari perangkat lokal ke kontainer untuk mencapai pengalaman latensi rendah.

Fitur Utama:

• Selain AI dan game cloud, juga diperluas ke layanan ponsel cloud
• Membangun kerjasama dengan banyak perusahaan Web2 besar seperti NVIDIA, Super Micro, HPE
• Memiliki beberapa mitra seperti CARV, Magic Eden di bidang Web3

Jaringan Phala

Phala Network sebagai lapisan eksekusi solusi AI Web3, menyediakan solusi komputasi awan tanpa perlu percaya. Blockchain-nya memanfaatkan lingkungan eksekusi terpercaya (TEE) untuk merancang penanganan masalah privasi, sehingga agen AI dapat dikendalikan oleh kontrak pintar di atas rantai.

Fitur Utama:

• Bertindak sebagai protokol koprosesor komputasi yang dapat diverifikasi, sekaligus memberdayakan agen AI untuk sumber daya di blockchain
• Kontrak agen AI dapat mengakses model bahasa besar terkemuka seperti OpenAI, Llama melalui Redpill
• Di masa depan, akan mengintegrasikan zk-proofs, komputasi multi pihak (MPC), enkripsi homomorfik penuh (FHE) dan berbagai sistem bukti lainnya.
• Merencanakan mendukung GPU TEE lainnya seperti H100, meningkatkan kemampuan komputasi

Perbandingan Proyek

| Proyek | Perangkat Keras | Fokus Bisnis | Jenis Tugas AI | Penetapan Harga | Blockchain | Privasi Data | Biaya Pekerjaan | Keamanan | Bukti Penyelesaian | Jaminan Kualitas | Kluster GPU | |--------|---------|----------------|--------|--------|--------|--------|----------------------|--------|--------|----------|-------| | Render | GPU&CPU | Grafik rendering dan AI | Inferensi | Harga berdasarkan kinerja | Solana | Kripto&Hash | Setiap pekerjaan 0.5-5% | Bukti rendering | - | Kontroversi | Tidak | | Akash | GPU&CPU | Komputasi awan, rendering, dan AI | Keduanya | Lelang terbalik | Cosmos | Autentikasi mTLS | 20% USDC, 4% AKT | Bukti kepemilikan | - | - | Ya | | io.net | GPU&CPU | AI | Kedua | Penetapan Harga Pasar | Solana | Enkripsi Data | 2% USDC, 0.25% Biaya Cadangan | Bukti Perhitungan | Bukti Kunci Waktu | - | Ya | | Gensyn | GPU | AI | Pelatihan | Penetapan Harga Pasar | Gensyn | Pemetaan Aman | Biaya Rendah | Bukti Kepemilikan | Bukti Pembelajaran | Verifikator dan Pelapor | Ya | | Aethir | GPU | AI, game cloud dan telekomunikasi | pelatihan | sistem tender | Arbitrum | kripto | setiap sesi 20% | bukti kemampuan rendering | bukti kerja rendering | node pemeriksa | ya | | Phala | CPU | Eksekusi AI On-Chain | Eksekusi | Perhitungan Hak | Polkadot | TEE | Sebanding dengan jumlah staking | Mewarisi dari relai rantai | Bukti TEE | Bukti Jarak | Tidak |

Pentingnya kluster dan komputasi paralel

Kerangka komputasi terdistribusi mewujudkan kluster GPU, menyediakan pelatihan yang efisien sekaligus meningkatkan skalabilitas. Pelatihan model AI yang kompleks memerlukan kemampuan komputasi yang kuat, biasanya bergantung pada komputasi terdistribusi. Sebagian besar proyek telah mengintegrasikan kluster untuk melakukan komputasi paralel, guna memenuhi permintaan pasar.

perlindungan privasi data

Pelatihan model AI memerlukan kumpulan data besar, yang mungkin mengandung informasi sensitif. Untuk itu, berbagai proyek mengadopsi metode perlindungan privasi data yang berbeda. Sebagian besar proyek menggunakan enkripsi data, io.net juga memperkenalkan enkripsi homomorfik penuh (FHE), sementara Phala Network menggunakan lingkungan eksekusi tepercaya (TEE). Langkah-langkah ini bertujuan untuk melindungi privasi data, sambil memungkinkan data digunakan untuk tujuan pelatihan.

Bukti penyelesaian perhitungan dan pemeriksaan kualitas

Untuk memastikan kualitas layanan, beberapa proyek telah memperkenalkan mekanisme bukti penyelesaian perhitungan dan pemeriksaan kualitas. Gensyn dan Aethir menghasilkan bukti kerja yang telah diselesaikan, io.net membuktikan bahwa kinerja GPU dimanfaatkan dengan baik. Gensyn dan Aethir juga memiliki mekanisme pemeriksaan kualitas, sementara Render menggunakan proses penyelesaian sengketa. Langkah-langkah ini membantu menjamin kualitas dan keandalan layanan komputasi.

Statistik Perangkat Keras

| Proyek | Jumlah GPU | Jumlah CPU | Jumlah H100/A100 | Biaya H100/jam | Biaya A100/jam | |--------|-------|--------|------------|-----------|-------------| | Render | 5600 | 114 | - | - | - | | Akash | 384 | 14672 | 157 | $1.46 | $1.37 | | io.net | 38177 | 5433 | 2330 | $1.19 | $1.50 | | Gensyn | - | - | - | - | $0.55 ( diperkirakan ) | | Aethir | 40000+ | - | 2000+ | - | $0.33 ( diperkirakan ) | | Phala | - | 30000+ | - | - | - |

Permintaan GPU berkinerja tinggi

Pelatihan model AI memerlukan GPU berkinerja tinggi, seperti A100 dan H100 dari NVIDIA. GPU kelas atas ini menawarkan kualitas dan kecepatan pelatihan terbaik, tetapi harganya mahal. Penyedia pasar GPU desentralisasi perlu menemukan keseimbangan antara menyediakan jumlah GPU berkinerja tinggi yang cukup dan menjaga daya saing harga.

Saat ini, proyek seperti io.net dan Aethir telah mendapatkan lebih dari 2000 unit H100 dan A100, yang lebih cocok untuk perhitungan model besar. Biaya layanan GPU desentralisasi ini telah lebih rendah dari layanan GPU terpusat, tetapi masih memerlukan waktu untuk diverifikasi.

Peran GPU/CPU kelas konsumen

Meskipun GPU kelas atas adalah permintaan utama, GPU dan CPU kelas konsumen juga memainkan peran penting dalam pengembangan model AI. Mereka dapat digunakan untuk pra-pemrosesan data, pengelolaan sumber daya memori, serta untuk menyetel ulang atau melatih model skala kecil dari model yang sudah dilatih sebelumnya. Proyek seperti Render, Akash, dan io.net juga melayani segmen pasar ini, memberikan lebih banyak pilihan kepada pengembang.

Kesimpulan

Meskipun bidang DePIN AI masih dalam tahap awal pengembangan, namun telah menunjukkan potensi besar. Jaringan GPU desentralisasi ini sedang secara efektif mengatasi masalah ketidakseimbangan permintaan dan penawaran sumber daya komputasi AI. Dengan pertumbuhan cepat pasar AI, jaringan ini akan memainkan peran kunci dalam menyediakan alternatif komputasi yang hemat biaya bagi pengembang, memberikan kontribusi penting untuk lanskap masa depan AI dan infrastruktur komputasi.