AI dan DePIN: Kebangkitan Jaringan GPU Desentralisasi

Sejak 2023, AI dan DePIN telah menjadi tren populer di bidang Web3, dengan kapitalisasi pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini fokus pada bidang persilangan keduanya, mengeksplorasi perkembangan protokol terkait.

Dalam tumpukan teknologi AI, jaringan DePIN menyediakan utilitas untuk AI melalui sumber daya komputasi. Kekurangan GPU yang disebabkan oleh perusahaan teknologi besar membuat pengembang lain kekurangan GPU yang cukup untuk komputasi. Ini sering menyebabkan pengembang memilih penyedia cloud terpusat, tetapi karena harus menandatangani kontrak perangkat keras berkinerja tinggi jangka panjang yang tidak fleksibel, efisiensi menjadi rendah.

DePIN pada dasarnya menawarkan alternatif yang lebih fleksibel dan lebih hemat biaya, dengan menggunakan insentif hadiah token untuk mendorong kontribusi sumber daya yang sesuai dengan tujuan jaringan. DePIN di bidang AI mengalihkan sumber daya GPU dari pemilik individu ke pusat data, membentuk pasokan terpadu bagi pengguna yang perlu mengakses perangkat keras. Jaringan DePIN ini tidak hanya memberikan kustomisasi dan akses sesuai permintaan bagi pengembang yang membutuhkan kemampuan komputasi, tetapi juga memberikan pendapatan tambahan bagi pemilik GPU.

Di antara banyak jaringan AI DePIN di pasar, tidak mudah untuk mengidentifikasi perbedaan mereka dan menemukan jaringan yang tepat yang dibutuhkan. Berikut akan membahas peran, tujuan, dan sorotan yang telah dicapai oleh masing-masing protokol.

Ringkasan Jaringan DePIN AI

Setiap proyek memiliki tujuan yang serupa - jaringan pasar komputasi GPU. Bagian ini mempelajari sorotan masing-masing proyek, fokus pasar, dan pencapaian, dengan memahami infrastruktur dan produk kunci mereka, untuk memahami perbedaan di antara mereka.

Render adalah pelopor jaringan P2P yang menyediakan kemampuan komputasi GPU, sebelumnya berfokus pada rendering grafis untuk penciptaan konten, kemudian melalui integrasi alat seperti Stable Diffusion, diperluas untuk mencakup tugas komputasi AI generatif termasuk Neural Radiance Fields (NeRF).

Sorotan:

1. Didirikan oleh perusahaan grafis awan OTOY yang memiliki teknologi pemenang Oscar.

2. Jaringan GPU digunakan oleh perusahaan besar di industri hiburan seperti Paramount Pictures, PUBG, dan Star Trek.

3. Bekerja sama dengan Stability AI dan Endeavor, menggunakan GPU Render untuk mengintegrasikan model AI dengan alur kerja rendering konten 3D.

4. Menyetujui beberapa klien komputasi, mengintegrasikan lebih banyak GPU dari jaringan DePIN

Akash mengklaim sebagai "Airbnb yang dikelola", yang ditujukan untuk mendukung penyimpanan, GPU, dan komputasi CPU sebagai alternatif "super cloud" untuk platform tradisional seperti AWS(. Dengan memanfaatkan platform kontainer Akash dan alat ramah pengembang lainnya seperti node komputasi yang dikelola Kubernetes, perangkat lunak dapat diterapkan tanpa hambatan di berbagai lingkungan dan menjalankan aplikasi cloud-native apa pun.

Sorotan:

1. Menyasar tugas komputasi yang luas dari komputasi umum hingga hosting jaringan

2. AkashML memungkinkan jaringan GPU menjalankan lebih dari 15.000 model di Hugging Face, sambil terintegrasi dengan Hugging Face.

3. Akash menghosting model chatbot LLM Mistral AI, model teks ke gambar SDXL dari Stability AI, dan model dasar baru AT-1 dari Thumper AI.

4. Platform untuk membangun metaverse, penerapan AI, dan pembelajaran federasi sedang memanfaatkan Supercloud

io.net menyediakan akses ke kluster GPU cloud terdistribusi, khusus untuk kasus penggunaan AI dan ML. Ini menggabungkan pusat data, penambang kripto, dan GPU dari jaringan desentralisasi lainnya. Perusahaan ini sebelumnya adalah perusahaan perdagangan kuantitatif, yang beralih ke bisnis saat harga GPU berkinerja tinggi melonjak.

Sorotan:

1. IO-SDK kompatibel dengan kerangka kerja seperti PyTorch dan Tensorflow, arsitektur multilapis dapat secara otomatis diperluas secara dinamis sesuai dengan kebutuhan komputasi

2. Mendukung pembuatan 3 jenis kluster berbeda, dapat dimulai dalam 2 menit

3. Kerja sama yang kuat mengintegrasikan jaringan DePIN GPU lainnya, termasuk Render, Filecoin, Aethir, dan Exabits

Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam. Ini mengklaim telah mencapai mekanisme verifikasi yang lebih efisien dibandingkan metode yang ada dengan menggabungkan penggunaan bukti pembelajaran, protokol penentuan posisi berbasis grafis, dan konsep permainan insentif Truebit yang melibatkan penyedia komputasi dengan staking dan pengurangan.

Sorotan:

1. Diperkirakan biaya per jam untuk GPU setara V100 sekitar 0,40 dolar, menghemat biaya secara signifikan.

2. Melalui pembuktian tumpukan, dapat dilakukan penyesuaian pada model dasar yang telah dilatih sebelumnya untuk menyelesaikan tugas yang lebih spesifik.

3. Model dasar ini akan Desentralisasi, dimiliki secara global, dan selain jaringan komputasi perangkat keras, juga menyediakan fungsi tambahan.

Aethir dirancang untuk menggunakan GPU perusahaan, berfokus pada bidang yang memerlukan komputasi intensif, terutama AI, pembelajaran mesin )ML(, permainan cloud, dan lain-lain. Dalam jaringan, kontainer berfungsi sebagai titik akhir virtual yang menjalankan aplikasi berbasis cloud, memindahkan beban kerja dari perangkat lokal ke kontainer, untuk mencapai pengalaman latensi rendah. Untuk memastikan layanan berkualitas, mereka memindahkan GPU lebih dekat ke sumber data berdasarkan permintaan dan lokasi, menyesuaikan sumber daya.

Sorotan:

1. Selain AI dan game cloud, Aethir juga memperluas layanan ponsel cloud, bekerja sama dengan APhone untuk meluncurkan ponsel cerdas cloud desentralisasi.

2. Membangun kerjasama yang luas dengan perusahaan Web2 besar seperti NVIDIA, Super Micro, HPE, Foxconn, dan Well Link

3. Beberapa mitra dalam Web3, seperti CARV, Magic Eden, Sequence, Impossible Finance, dll.

Phala Network bertindak sebagai lapisan eksekusi untuk solusi AI Web3. Blockchain-nya adalah solusi cloud computing tanpa kepercayaan, yang dirancang untuk menangani masalah privasi melalui lingkungan eksekusi terpercaya )TEE(. Lapisan eksekusi tidak digunakan sebagai lapisan perhitungan model AI, tetapi memungkinkan agen AI untuk dikendalikan oleh kontrak pintar di blockchain.

Sorotan:

1. Bertindak sebagai protokol koprosesor yang dapat diverifikasi untuk memungkinkan agen AI menggunakan sumber daya di blockchain

2. Kontrak agen AI dapat diperoleh melalui Redpill untuk model bahasa besar terkemuka seperti OpenAI, Llama, Claude, dan Hugging Face.

3. Masa depan akan mencakup zk-proofs, komputasi multipihak )MPC(, kriptografi homomorfik penuh )FHE( dan berbagai sistem bukti lainnya.

4. Di masa depan mendukung H100 dan GPU TEE lainnya, meningkatkan kemampuan komputasi

![AI dan titik pertemuan DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(

Perbandingan Proyek

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Perangkat Keras | GPU \& CPU | GPU \& CPU | GPU \& CPU | GPU | GPU | CPU | | Fokus Bisnis | Rendering Grafik dan AI | Cloud Computing, Rendering, dan AI | AI | AI | AI, Cloud Gaming, dan Telekomunikasi | Eksekusi AI di Blockchain | | Jenis Tugas AI | Inferensi | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi | | Penetapan Harga | Penetapan Harga Berdasarkan Kinerja | Lelang Balik | Penetapan Harga Pasar | Penetapan Harga Pasar | Sistem Tender | Perhitungan Hak | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privasi Data | Enkripsi&Hash | Otentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE | | Biaya kerja | Setiap pekerjaan 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% biaya cadangan | Biaya rendah | Setiap sesi 20% | Proporsional dengan jumlah yang dipertaruhkan | | Aman | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kemampuan Rendering | Turunan dari Rantai Perantara | | Bukti Penyelesaian | - | - | Bukti Waktu Terkunci | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Kontroversi | - | - | Verifier dan Pelapor | Node Pengecek | Bukti Jarak | | GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |

Pentingnya

Ketersediaan kluster dan komputasi paralel

Kerangka komputasi terdistribusi mewujudkan kluster GPU, memberikan pelatihan yang lebih efisien tanpa mempengaruhi akurasi model, sekaligus meningkatkan skalabilitas. Melatih model AI yang lebih kompleks memerlukan kekuatan komputasi yang besar, biasanya harus bergantung pada komputasi terdistribusi untuk memenuhi kebutuhan. Secara langsung, model GPT-4 OpenAI memiliki lebih dari 18 triliun parameter, dilatih dalam 3-4 bulan menggunakan sekitar 25.000 GPU Nvidia A100 di 128 kluster.

Sebelumnya, Render dan Akash hanya menyediakan GPU untuk satu tujuan, yang mungkin membatasi permintaan pasar untuk GPU. Namun, sebagian besar proyek utama kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net bekerja sama dengan Render, Filecoin, dan Aethir untuk memasukkan lebih banyak GPU ke dalam jaringan, dan telah berhasil menerapkan lebih dari 3.800 kluster pada kuartal pertama tahun 2024. Meskipun Render tidak mendukung kluster, cara kerjanya mirip dengan kluster, yaitu memecah satu frame menjadi beberapa node yang berbeda, sambil memproses frame dengan rentang yang berbeda secara bersamaan. Phala saat ini hanya mendukung CPU, tetapi memungkinkan klusterisasi pekerja CPU.

Sangat penting untuk mengintegrasikan kerangka cluster ke dalam jaringan alur kerja AI, tetapi jumlah dan jenis GPU cluster yang diperlukan untuk memenuhi kebutuhan pengembang AI adalah masalah terpisah, yang akan dibahas kemudian.

Privasi Data

Mengembangkan model AI memerlukan penggunaan kumpulan data yang besar, yang mungkin berasal dari berbagai sumber dan memiliki bentuk yang berbeda. Kumpulan data sensitif seperti catatan medis pribadi dan data keuangan pengguna mungkin menghadapi risiko terpapar kepada penyedia model. Samsung melarang penggunaan ChatGPT secara internal karena khawatir bahwa pengunggahan kode sensitif ke platform akan melanggar privasi, sementara insiden kebocoran data pribadi sebesar 38TB oleh Microsoft semakin menyoroti pentingnya mengambil langkah-langkah keamanan yang cukup saat menggunakan AI. Oleh karena itu, memiliki berbagai metode privasi data sangat penting untuk mengembalikan kontrol data kepada penyedia data.

Sebagian besar proyek yang tercakup menggunakan beberapa bentuk enkripsi data untuk melindungi privasi data. Enkripsi data memastikan bahwa transmisi data dari penyedia data ke penyedia model ) ke penerima data ( di jaringan terlindungi. Render menggunakan enkripsi dan pemrosesan hash saat menerbitkan hasil render kembali ke jaringan, sementara io.net dan Gensyn menggunakan beberapa bentuk enkripsi data. Akash menggunakan otentikasi mTLS, hanya memungkinkan penyedia yang dipilih penyewa untuk menerima data.

Namun, io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik sepenuhnya )FHE(, yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsi terlebih dahulu. Inovasi ini dapat memastikan privasi data dengan lebih baik dibandingkan teknologi enkripsi yang ada dengan memungkinkan data ditransmisikan secara aman untuk tujuan pelatihan tanpa mengungkapkan identitas dan konten data.

Phala Network memperkenalkan TEE, yaitu area aman yang terhubung dengan prosesor utama perangkat. Melalui mekanisme isolasi ini, ia dapat mencegah proses eksternal mengakses atau memodifikasi data, tanpa memandang tingkat izin mereka, bahkan individu yang memiliki akses fisik ke mesin pun tidak dapat mengaksesnya. Selain TEE, ia juga digunakan bersamaan dengan zk-proofs dalam validator zkDCAP dan antarmuka baris perintah jtee, untuk memfasilitasi integrasi program dengan RiscZero zkVM.

![AI dan titik pertemuan DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(

Bukti Penyelesaian Perhitungan dan Pemeriksaan Kualitas

Proyek-proyek ini menyediakan GPU yang dapat memberikan kemampuan komputasi untuk berbagai layanan. Karena jangkauan layanan yang luas, mulai dari rendering grafis hingga komputasi AI, kualitas akhir dari tugas-tugas tersebut mungkin tidak selalu memenuhi standar pengguna. Bukti penyelesaian dapat digunakan untuk menunjukkan bahwa GPU tertentu yang disewa oleh pengguna benar-benar digunakan untuk menjalankan layanan yang dibutuhkan, dan pemeriksaan kualitas bermanfaat bagi pengguna yang meminta penyelesaian pekerjaan semacam itu.

Setelah perhitungan selesai, Gensyn dan Aethir keduanya menghasilkan bukti yang menunjukkan pekerjaan telah selesai, sementara bukti dari io.net menunjukkan bahwa kinerja GPU yang disewa telah dimanfaatkan dengan baik dan tidak ada masalah. Gensyn dan Aethir keduanya melakukan pemeriksaan kualitas pada perhitungan yang telah selesai. Untuk Gensyn, validator menjalankan kembali sebagian konten yang dihasilkan bukti untuk mencocokkannya dengan bukti tersebut, sementara pelapor berfungsi sebagai lapisan pemeriksaan tambahan untuk validator. Sementara itu, Aethir menggunakan node pemeriksa untuk menentukan kualitas layanan dan menghukum layanan yang di bawah standar. Render menyarankan untuk menggunakan proses penyelesaian sengketa; jika dewan peninjau menemukan masalah pada node, maka node tersebut akan dikurangi. Setelah Phala selesai, bukti TEE dihasilkan untuk memastikan agen AI menjalankan operasi yang diperlukan di blockchain.

Statistik Perangkat Keras

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

![AI dan titik pertemuan DePIN])https://