A fusão de AI e DePIN: a ascensão das redes GPU descentralizadas

Desde 2023, a IA e o DePIN têm sido tópicos populares no domínio do Web3. O valor de mercado da IA atinge 30 mil milhões de dólares, enquanto o valor de mercado do DePIN é de 23 mil milhões de dólares. Estas duas categorias abrangem uma série de protocolos diferentes, servindo a várias áreas e necessidades. Este artigo irá focar no ponto de intersecção entre ambos, explorando o desenvolvimento dos protocolos neste domínio.

Na pilha tecnológica de IA, a rede DePIN capacita a IA ao fornecer recursos computacionais. A elevada procura de GPUs por grandes empresas de tecnologia provocou uma escassez de fornecimento, dificultando o acesso a GPUs suficientes para o treinamento de modelos de IA por outros desenvolvedores. Isso frequentemente obriga os desenvolvedores a recorrer a prestadores de serviços em nuvem centralizados, mas a necessidade de assinar contratos de hardware de alto desempenho de longo prazo e falta de flexibilidade resulta em eficiência reduzida.

DePIN oferece uma alternativa mais flexível e econômica. Ele utiliza recompensas em tokens para incentivar a contribuição de recursos que atendem aos objetivos da rede. O DePIN no campo da IA integra recursos de GPU de proprietários individuais em centros de dados, fornecendo um suprimento unificado para usuários que precisam de hardware. Essas redes DePIN não apenas oferecem aos desenvolvedores capacidade de computação personalizável e sob demanda, mas também criam uma fonte de renda adicional para os proprietários de GPU.

Existem várias redes AI DePIN no mercado, cada uma com suas características. A seguir, serão apresentadas as principais características e o desenvolvimento de alguns projetos.

Visão Geral da Rede DePIN de AI

Render

Render é o pioneiro da rede de computação GPU P2P, inicialmente focado na renderização gráfica de criação de conteúdo, e depois expandiu seu alcance para tarefas de computação de IA através da integração de ferramentas como o Stable Diffusion.

Principais características:

• Fundada pela empresa de gráficos em nuvem OTOY, que possui tecnologia premiada com o Oscar
• A rede GPU foi utilizada por gigantes da indústria do entretenimento como a Paramount Pictures e o PUBG.
• Colaborar com a Stability AI e a Endeavor, integrando modelos de IA com fluxos de trabalho de renderização de conteúdo 3D
• Aprovar múltiplos clientes de computação, integrar mais GPUs da rede DePIN

Akash

Akash é posicionado como uma plataforma de "super nuvem" que suporta armazenamento, computação GPU e CPU, sendo uma alternativa aos provedores de serviços em nuvem tradicionais. Utilizando uma plataforma de contêineres e nós de computação geridos pelo Kubernetes, é capaz de implantar diversos aplicativos nativos da nuvem de forma contínua em diferentes ambientes.

Principais características:

• Suporte a uma ampla gama de tarefas computacionais, desde computação geral até hospedagem na web
• AkashML permite que sua rede GPU execute mais de 15.000 modelos no Hugging Face
• Hospedou várias aplicações de IA conhecidas, como o chatbot do modelo LLM da Mistral AI
• Fornecer suporte de plataforma para a construção do metaverso, implementação de IA e aprendizagem federada.

io.net

A io.net oferece acesso a um cluster de nuvem GPU distribuído, projetado para casos de uso de IA e ML. Ele agrega recursos de GPU de data centers, mineradores de criptomoedas e outras redes descentralizadas.

Principais características:

• IO-SDK é compatível com frameworks como PyTorch e Tensorflow, podendo ser expandido dinamicamente conforme a necessidade.
• Suporta a criação de 3 tipos diferentes de clusters, o tempo de inicialização é apenas de 2 minutos
• Colaborar ativamente com outras redes DePIN para integrar mais recursos de GPU

Gensyn

A Gensyn foca em redes GPU para computação em aprendizado de máquina e aprendizado profundo. Ela utiliza um mecanismo de validação inovador, incluindo provas de aprendizado, um protocolo de localização precisa baseado em gráficos e jogos de incentivo que envolvem staking e queima.

Principais características:

• O custo por hora de um GPU equivalente V100 é estimado em cerca de 0,40 dólares, o que representa uma grande economia de custos.
• Suporte para ajuste fino de modelos base pré-treinados, completando tarefas mais específicas
• Planejar estabelecer um modelo base descentralizado e compartilhado globalmente

Aethir

Aethir é especializado na implementação de GPUs de nível empresarial, focando em áreas de computação intensiva como IA, aprendizado de máquina e jogos em nuvem. Os contêineres na sua rede atuam como pontos finais virtuais para executar aplicações em nuvem, transferindo a carga de trabalho de dispositivos locais para os contêineres, proporcionando uma experiência de baixa latência.

Principais características:

• Além da IA e dos jogos em nuvem, também se expandiu para serviços de telefone em nuvem.
• Estabelecer parcerias com várias grandes empresas de Web2, como NVIDIA, Super Micro e HPE
• Ter vários parceiros como CARV, Magic Eden no campo Web3

Phala Network

A Phala Network, como camada de execução da solução Web3 AI, oferece soluções de computação em nuvem sem confiança. A sua blockchain utiliza ambientes de execução confiáveis (TEE) para tratar questões de privacidade, permitindo que agentes de IA sejam controlados por contratos inteligentes na cadeia.

Principais características:

• Actuar como um protocolo de co-processador de computação verificável, ao mesmo tempo que capacita recursos na cadeia de agentes de IA.
• O contrato de agente de IA pode acessar os principais modelos de linguagem como OpenAI, Llama, etc. através do Redpill
• O futuro irá integrar zk-proofs, cálculo multipartido (MPC), criptografia homomórfica completa (FHE) e outros sistemas de múltiplas provas.
• Planejamento para suportar H100 e outras GPUs TEE, aumentando a capacidade de cálculo

Comparação de Projetos

| Projeto | Hardware | Foco de Negócio | Tipo de Tarefa AI | Preço do Trabalho | Descentralização | Privacidade de Dados | Custo do Trabalho | Segurança | Prova de Conclusão | Garantia de Qualidade | Cluster GPU | |--------|---------|----------------|--------|--------|--------|--------|----------------------|--------|--------|----------|-------| | Render | GPU&CPU | Renderização Gráfica e IA | Inferência | Preços baseados em desempenho | Solana | Cripto&Hash | 0,5-5% por trabalho | Prova de Renderização | - | Controvérsia | Não | | Akash | GPU&CPU | Computação em nuvem, renderização e IA | Ambos | Leilão reverso | Cosmos | Autenticação mTLS | 20% USDC, 4% AKT | Prova de participação | - | - | Sim | | io.net | GPU&CPU | AI | Ambos | Preço de mercado | Solana | Criptografia de dados | 2% USDC, 0.25% taxa de reserva | Prova de cálculo | Prova de bloqueio temporal | - | Sim | | Gensyn | GPU | IA | Treinamento | Preço de mercado | Gensyn | Mapeamento seguro | Custo baixo | Prova de participação | Prova de aprendizado | Verificadores e denunciantes | Sim | | Aethir | GPU | IA, jogos na nuvem e telecomunicações | treinamento | sistema de licitação | Arbitrum | criptografia | 20% por sessão | prova de capacidade de renderização | prova de trabalho de renderização | nó verificador | sim | | Phala | CPU | Execução de IA em cadeia | Execução | Cálculo de direitos | Polkadot | TEE | Proporcional à quantia de staking | Herdado da cadeia de retransmissão | Prova TEE | Prova remota | Não |

A importância do agrupamento e da computação paralela

O framework de computação distribuída implementa um cluster de GPU, proporcionando um treinamento eficiente ao mesmo tempo que aumenta a escalabilidade. O treinamento de modelos complexos de IA requer uma poderosa capacidade de computação, geralmente dependendo de computação distribuída. A maioria dos projetos já integrou clusters para realizar computação paralela, a fim de atender à demanda do mercado.

Proteção de Privacidade de Dados

O treinamento de modelos de IA requer grandes conjuntos de dados, que podem conter informações sensíveis. Para isso, diferentes projetos adotam várias metodologias de proteção da privacidade dos dados. A maioria dos projetos utiliza criptografia de dados, enquanto o io.net introduziu a criptografia homomórfica completa (FHE), e a Phala Network optou por um ambiente de execução confiável (TEE). Essas medidas visam proteger a privacidade dos dados, permitindo ao mesmo tempo que os dados sejam utilizados para fins de treinamento.

Prova de cálculo concluído e verificação de qualidade

Para garantir a qualidade do serviço, vários projetos introduziram mecanismos de prova de trabalho concluído e verificação de qualidade. Gensyn e Aethir geram prova de trabalho concluído, enquanto a io.net comprova que o desempenho da GPU é plenamente utilizado. Gensyn e Aethir também têm mecanismos de verificação de qualidade, enquanto a Render adota um processo de resolução de disputas. Essas medidas ajudam a garantir a qualidade e a confiabilidade dos serviços de computação.

Estatísticas de Hardware

| Projeto | Número de GPUs | Número de CPUs | Número de H100/A100 | Custo H100/hora | Custo 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 ( previsto ) | | Phala | - | 30000+ | - | - | - |

Demanda por GPUs de alto desempenho

O treinamento de modelos de IA requer GPUs de alto desempenho, como as A100 e H100 da NVIDIA. Essas GPUs de alta gama oferecem a melhor qualidade e velocidade de treinamento, mas têm um custo elevado. Os fornecedores do mercado de GPUs descentralizadas precisam encontrar um equilíbrio entre fornecer uma quantidade suficiente de GPUs de alto desempenho e manter a competitividade de preços.

Atualmente, projetos como io.net e Aethir obtiveram mais de 2000 unidades H100 e A100, mais adequadas para cálculos de grandes modelos. O custo desses serviços de GPU descentralizados já está abaixo dos serviços de GPU centralizados, mas ainda precisa de tempo para validação.

O papel das GPUs/CPUs de nível de consumo

Embora as GPUs de alta gama sejam a principal demanda, as GPUs e CPUs de consumo também desempenham um papel importante no desenvolvimento de modelos de IA. Elas podem ser usadas para pré-processamento de dados, gerenciamento de recursos de memória, bem como para afinar modelos pré-treinados ou treinar modelos de pequeno porte. Projetos como Render, Akash e io.net também atendem a este segmento de mercado, oferecendo mais opções para os desenvolvedores.

Conclusão

Embora o campo da DePIN em IA ainda esteja em estágio inicial de desenvolvimento, já demonstra um enorme potencial. Estas redes de GPU descentralizadas estão a resolver eficazmente o problema do desbalanceamento entre a oferta e a procura de recursos de computação em IA. Com o rápido crescimento do mercado de IA, estas redes desempenharão um papel crucial em fornecer alternativas de computação econômicas e eficientes para os desenvolvedores, contribuindo significativamente para o futuro do panorama de IA e infraestrutura de computação.