AIとDePINの融合:分散型GPUネットワークの台頭

2023年以降、AIとDePINはWeb3分野のホットな話題となっています。AIの時価総額は300億ドルに達し、DePINの時価総額は230億ドルです。これらの2つのカテゴリーは、多くの異なるプロトコルを含み、さまざまな分野やニーズに応えています。この記事では、両者の交差点に焦点を当て、この分野のプロトコルの発展について探ります。

! AIとDePINの交差点

AI技術スタックにおいて、DePINネットワークは計算リソースを提供することでAIを強化します。大手テクノロジー企業によるGPUの大量需要は供給不足を引き起こし、他の開発者がAIモデルのトレーニングに十分なGPUを確保することが難しくなっています。これはしばしば開発者を中央集権的なクラウドサービスプロバイダーに向かわせますが、柔軟性に欠ける長期的な高性能ハードウェア契約を締結する必要があるため、効率が低下します。

DePINは、より柔軟でコスト効率の高い代替ソリューションを提供します。これは、ネットワークの目標に合ったリソースの貢献を奨励するためにトークン報酬を利用します。AI分野のDePINは、個人所有者からデータセンターにGPUリソースを統合し、ハードウェアを必要とするユーザーに対して統一された供給を提供します。これらのDePINネットワークは、開発者にカスタマイズ可能でオンデマンドの計算能力を提供するだけでなく、GPU所有者に追加の収入源を生み出します。

市場には多種多様なAI DePINネットワークが存在し、それぞれ独自の特徴があります。以下では、いくつかの主要プロジェクトの特徴と発展状況について紹介します。

AI DePINネットワークの概要

レンダー

RenderはP2P GPU計算ネットワークの先駆者であり、最初はコンテンツ制作のグラフィックレンダリングに焦点を当てていましたが、後にStable Diffusionなどのツールを統合することで、AI計算タスクに範囲を拡大しました。

主な機能:

• オスカー受賞技術を持つクラウドグラフィックス会社OTOYによって設立されました
• GPUネットワークはパラマウント・ピクチャーズやPUBGなどのエンターテインメント業界の巨頭によって使用されています
• Stability AIとEndeavorと協力し、AIモデルと3Dコンテンツレンダリングワークフローを統合
• 複数の計算クライアントを承認し、より多くのDePINネットワークのGPUを統合する

アカシュ

Akashは、ストレージ、GPU、CPUコンピューティングをサポートする"スーパークラウド"プラットフォームとして位置付けられ、従来のクラウドサービスプロバイダーの代替選択肢です。コンテナプラットフォームとKubernetes管理の計算ノードを利用して、さまざまなクラウドネイティブアプリケーションを環境を超えてシームレスに展開できます。

主な機能:

• 一般的な計算からネットワークホスティングまでの広範な計算タスクをサポート
• AkashMLは、そのGPUネットワークがHugging Face上で15,000以上のモデルを実行できることを許可しています。
• 有名なAIアプリケーションを複数管理しており、Mistral AIのLLMモデルチャットボットを含みます。
• メタバース、AIの展開、連邦学習などのためのプラットフォームサポートを提供する

io.net

io.netは、AIおよびMLのユースケース専用の分散型GPUクラウドクラスターへのアクセスを提供します。データセンター、暗号マイナー、その他の分散化ネットワークからのGPUリソースを集約しています。

主な機能:

• IO-SDKはPyTorchやTensorflowなどのフレームワークと互換性があり、ニーズに応じて動的に拡張できます
• 3種類の異なるタイプのクラスターの作成をサポートし、起動時間はわずか2分です。
• 他のDePINネットワークと積極的に協力し、より多くのGPUリソースを統合する

ゲンシン

Gensynは、機械学習と深層学習計算に特化したGPUネットワークです。革新的な検証メカニズムを採用しており、学習証明、グラフィックに基づく正確な位置決めプロトコル、及びステーキングや削減を含むインセンティブゲームが含まれています。

主な機能:

• V100相当のGPUの時間あたりコストは約0.40ドルと予想され、大幅にコストを削減します。
• 事前学習された基盤モデルの微調整をサポートし、より具体的なタスクを完了します
• 分散化、グローバルに共有される基盤モデルの構築を計画しています

アエティール

Aethirは企業向けのGPUを特化して展開し、AI、機械学習、クラウドゲームなど計算集約型の分野に焦点を当てています。そのネットワーク内のコンテナは仮想エンドポイントとしてクラウドアプリケーションを実行し、ワークロードをローカルデバイスからコンテナに移行させ、低遅延の体験を実現します。

主な機能:

• AIやクラウドゲームに加えて、クラウドスマートフォンサービスにも拡大します。
• NVIDIA、Super Micro、HPEなど多くの大手Web2企業との協力関係を確立
• Web3分野でCARV、Magic Edenなどの複数のパートナーを持っています

ファラネットワーク

Phala NetworkはWeb3 AIソリューションの実行層として、信頼不要なクラウドコンピューティングソリューションを提供します。そのブロックチェーンは信頼された実行環境(TEE)を利用してプライバシー問題を処理し、AIエージェントがオンチェーンのスマートコントラクトによって制御できるように設計されています。

主な機能:

• 検証可能な計算のコプロセッサプロトコルとして機能し、同時にAIエージェントにブロックチェーン上のリソースを提供する
• AIエージェント契約は、Redpillを通じてOpenAI、Llamaなどのトップ大規模言語モデルにアクセスできます
• 将来的には、zk-proofs、マルチパーティ計算(MPC)、完全同態暗号(FHE)などの複数の証明システムを統合します。
• H100などの他のTEE GPUをサポートし、計算能力を向上させることを計画しています。

プロジェクト比較

| プロジェクト | ハードウェア | ビジネス重点 | AIタスクタイプ | 仕事の価格 | ブロックチェーン | データプライバシー | 仕事の費用 | セキュリティ | 完了証明 | 品質保証 | GPUクラスター | |--------|---------|----------------|--------|--------|--------|--------|----------------------|--------|--------|----------|-------| | レンダリング | GPU&CPU | グラフィックレンダリングとAI | 推論 | パフォーマンスベースの価格設定 | Solana | 暗号&ハッシュ | 各作業0.5-5% | レンダリング証明 | - | 論争 | いいえ | | Akash | GPU&CPU | クラウドコンピューティング、レンダリングおよびAI | 両方 | 逆オークション | Cosmos | mTLS認証 | 20% USDC, 4% AKT | プルーフ・オブ・ステーク | - | - | はい | | io.net | GPU&CPU | 人工知能 | 両方 | Marketplace の価格 | ソラナ | データの暗号化 | 2% USDC、0.25%の準備金手数料 | 計算の証明 | タイムロックプルーフ | - | はい | | Gensyn | GPU | AI | トレーニング | 市場価格 | Gensyn | セキュアマッピング | 低コスト | プルーフ・オブ・ステーク | プルーフ・オブ・ラーニング | 検証者と通報者 | はい | | Aethir | GPU | AI、クラウドゲームと電気通信 | トレーニング | 入札システム | Arbitrum | 暗号 | 各セッション20% | レンダリング能力証明 | レンダリング作業証明 | チェッカーノード | はい | | Phala | CPU | チェーン上AI実行 | 実行 | ステーキング計算 | Polkadot | TEE | ステーキング額に比例 | リレーチェーンから継承 | TEE証明 | リモート証明 | いいえ |

! AIとDePINの交差点

クラスタと並列計算の重要性

分散化計算フレームワークはGPUクラスターを実現し、高効率のトレーニングを提供しながら拡張性を強化します。複雑なAIモデルのトレーニングには強力な計算能力が必要であり、通常は分散化計算に依存します。ほとんどのプロジェクトはクラスターを統合して並列計算を実現し、市場の需要に応えています。

データプライバシー保護

AIモデルのトレーニングには大量のデータセットが必要であり、その中にはセンサティブな情報が含まれている可能性があります。そのため、各プロジェクトは異なるデータプライバシー保護方法を採用しています。多くのプロジェクトはデータ暗号化を使用しており、io.netは完全同型暗号(FHE)を導入しています。一方、Phala Networkは信頼実行環境(TEE)を採用しています。これらの対策はデータプライバシーを保護しつつ、データをトレーニング目的で使用できるようにすることを目的としています。

完成証明と品質チェックの計算

サービスの質を確保するために、複数のプロジェクトは計算完了証明と品質検査メカニズムを導入しました。GensynとAethirは作業完了証明を生成し、io.netはGPUの性能が十分に活用されていることを証明します。GensynとAethirは品質検査メカニズムも設けており、Renderは紛争解決プロセスを採用しています。これらの対策は計算サービスの質と信頼性を保証するのに役立ちます。

ハードウェア統計データ

| プロジェクト | GPUの数 | CPUの数 | H100/A100個 | H100料金/時間 | A100料金/時間 | |--------|-------|--------|------------|-----------|-------------| | レンダリング | 5600 | 114 | - | - | - | | アカシュ | 384 | 14672 | 157 | $1.46 | $1.37 | | io.net | 38177 | 5433 | 2330 | 1.19ドル| 1.50ドル| | ゲンシン | - | - | - | - | $0.55 ( 推定) | | アエシール | 40000+ | - | 2000+ | - | $0.33 (推定) | | ファラ | - | 30000+ | - | - | - |

! AIとDePINの交差点

高性能GPUの必要性

AIモデルのトレーニングには、NVIDIAのA100やH100など、最高性能のGPUが必要です。これらの高級GPUは、最適なトレーニング品質と速度を提供しますが、価格が高価です。分散化GPU市場の提供者は、十分な数の高性能GPUを提供しながら、価格競争力を維持するバランスを見つける必要があります。

現在、io.netやAethirなどのプロジェクトは、2000以上のH100およびA100ユニットを獲得しており、大規模なモデル計算に適しています。これらの分散化GPUサービスのコストは、中央集権的なGPUサービスを下回っていますが、まだ検証には時間が必要です。

コンシューマグレードのGPU/CPUの役割

高性能GPUは主要な需要ですが、コンシューマ向けGPUやCPUもAIモデルの開発において重要な役割を果たしています。これらはデータの前処理、メモリリソース管理、そして事前トレーニングモデルの微調整や小規模モデルのトレーニングに使用できます。Render、Akash、io.netなどのプロジェクトもこの市場セグメントにサービスを提供し、開発者により多くの選択肢を提供しています。

まとめ

AI DePIN分野はまだ発展の初期段階にありますが、すでに巨大な潜在能力を示しています。これらの分散化GPUネットワークは、AI計算リソースの供給と需要の不均衡を効果的に解決しています。AI市場の急速な成長に伴い、これらのネットワークは開発者に経済的で効率的な計算の代替手段を提供する上で重要な役割を果たし、AIと計算インフラの未来の構造に重要な貢献をするでしょう。

! AIとDePINの交差点

! AIとDePINの交差点

! AIとDePINの交差点

! AIとDePINの交差点

! AIとDePINの交差点