La fusión de AI y DePIN: el surgimiento de redes GPU distribuidas
Desde 2023, la IA y DePIN se han convertido en tendencias candentes en el ámbito de Web3, con capitalizaciones de mercado que alcanzan los 30 mil millones de dólares y 23 mil millones de dólares, respectivamente. Este artículo se centra en el punto de intersección entre ambos y explora el desarrollo de este nuevo campo.
En la pila tecnológica de IA, la red DePIN potencia la IA al proporcionar recursos de cálculo. La demanda de GPU por parte de grandes empresas tecnológicas ha llevado a una escasez de suministro, dificultando que otros desarrolladores obtengan recursos suficientes para entrenar sus propios modelos. Los servicios de nube centralizados tradicionales a menudo requieren la firma de contratos a largo plazo poco flexibles y son ineficientes. La red DePIN ofrece una alternativa más flexible y rentable, agregando recursos de GPU descentralizados a través de incentivos en tokens, proporcionando un suministro unificado a los usuarios. Esto no solo permite a los desarrolladores acceder a capacidades de cálculo personalizables según demanda, sino que también crea ingresos adicionales para los usuarios de GPU que tienen recursos ociosos.
Visión general de la red DePIN de IA
Render
Render es el pionero de la red de computación GPU P2P, inicialmente centrado en la renderización gráfica para la creación de contenido, y luego se expandió para incluir una amplia gama de tareas de computación AI, incluyendo AI generativa.
Destacar:
Fundada por una empresa con tecnología ganadora de un Oscar
Ha sido utilizado por Paramount Pictures y otros gigantes de la industria del entretenimiento
Colaborar con empresas como Stability AI para integrar modelos de IA y renderización de contenido 3D
Soporte para múltiples clientes de cálculo, integración de más GPU de redes DePIN
Akash
Akash se posiciona como un "súper nube" sustituto de las plataformas de nube tradicionales, soportando almacenamiento, computación GPU y CPU. Su plataforma de contenedores y los nodos de computación gestionados por Kubernetes pueden desplegar aplicaciones nativas de la nube sin problemas.
Destacar:
Cubriendo una amplia gama de tareas que van desde la computación general hasta el alojamiento web
AkashML admite la ejecución de más de 15,000 modelos en Hugging Face
Aplicaciones conocidas como chatbots LLM de Mistral AI han sido gestionadas.
Soporte para plataformas como metaverso, implementación de IA y aprendizaje federado.
io.net
io.net ofrece un clúster de nube GPU distribuido, enfocado en casos de uso de IA y ML. Agrega recursos de GPU de múltiples partes, como centros de datos y mineros de criptomonedas.
Destacar:
IO-SDK compatible con marcos como PyTorch, se puede expandir dinámicamente según las necesidades.
Soporta la creación de 3 tipos diferentes de clústeres, se inicia en 2 minutos.
Colaborar con Render, Filecoin y otros para integrar más recursos de GPU
Gensyn
Gensyn se centra en el cálculo de aprendizaje automático y aprendizaje profundo. Utiliza mecanismos como pruebas de aprendizaje, protocolos basados en gráficos e incentivos de participación para mejorar la eficiencia de la verificación.
Destacados:
El costo por hora de la GPU V100 es de aproximadamente 0.40 dólares, lo que representa un gran ahorro.
Se puede ajustar finamente el modelo base preentrenado para completar tareas específicas
Proporcionar un modelo base descentralizado y compartido globalmente
Aethir
Aethir se centra en GPU de nivel empresarial, sirviendo a campos de alta demanda computacional como IA, ML y juegos en la nube. A través de la tecnología de contenedores, traslada la carga de trabajo de local a la nube, logrando una experiencia de baja latencia.
Destacar:
Ampliación del servicio de teléfonos en la nube, colaboración con APhone para lanzar un teléfono inteligente en la nube descentralizado.
Establecer amplias colaboraciones con gigantes de Web2 como NVIDIA y Foxconn.
Colaboración con múltiples partes como CARV, Magic Eden en el ámbito de Web3
Phala Network
Phala Network, como la capa de ejecución de la solución Web3 AI, utiliza un entorno de ejecución confiable (TEE) para abordar los problemas de privacidad. Su capa de ejecución permite que los agentes de IA sean controlados por contratos inteligentes en la cadena.
Destacar:
Como protocolo de coprocesador de cálculo verificable, empodera a los agentes de IA con recursos en la cadena.
Los contratos de agente de IA se pueden obtener a través de Redpill para acceder a LLM de primer nivel como OpenAI.
El futuro incluirá sistemas de prueba múltiple como zk-proofs, MPC y FHE.
Se planea soportar GPU TEE como H100, mejorando la capacidad de cálculo
Comparación de Proyectos
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Enfoque de negocio | Renderizado gráfico y AI | Computación en la nube, renderizado y AI | AI | AI | AI, juegos en la nube y telecomunicaciones | Ejecución de AI en cadena |
| Tipo de tarea AI | Inferencia | Inferencia y entrenamiento | Inferencia y entrenamiento | Entrenamiento | Entrenamiento | Ejecución |
| Precio de trabajo | Precio basado en el rendimiento | Subasta inversa | Precio de mercado | Precio de mercado | Sistema de licitación | Cálculo de derechos |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Privacidad de datos | Encriptación&Hash | Autenticación mTLS | Encriptación de datos | Mapeo seguro | Encriptación | TEE |
| Costos de trabajo | 0.5-5% por trabajo | 20% USDC, 4% AKT | 2% USDC, 0.25% gastos de reserva | Costos bajos | 20% por cada sesión | Proporcional al monto apostado |
| Seguridad | Prueba de renderizado | Prueba de participación | Prueba de cálculo | Prueba de participación | Prueba de capacidad de renderizado | Heredado de la cadena intermedia |
| Prueba de finalización | - | - | Prueba de bloqueo de tiempo | Prueba de aprendizaje | Prueba de trabajo de renderizado | Prueba de TEE |
| Garantía de calidad | Controversia | - | - | Verificadores y denunciantes | Nodos de verificación | Prueba remota |
| Clúster de GPU | No | Sí | Sí | Sí | Sí | No |
Comparación de características clave
Cálculo en clúster y paralelo
El marco de computación distribuida implementa un clúster de GPU, mejorando la eficiencia de entrenamiento y la escalabilidad. La mayoría de los proyectos ya han integrado el soporte para el cálculo paralelo en clústeres para satisfacer las demandas de modelos de IA complejos. io.net ha desplegado con éxito más de 3800 clústeres. Aunque Render no soporta clústeres, puede descomponer tareas para ser procesadas simultáneamente en múltiples nodos. Phala apoya la agrupación de trabajadores de CPU.
Privacidad de datos
Proteger conjuntos de datos sensibles es crucial para el desarrollo de IA. La mayoría de los proyectos utilizan cifrado de datos para proteger la privacidad. io.net introduce cifrado homomórfico completo (FHE), que permite procesar datos en estado cifrado. Phala Network utiliza un entorno de ejecución confiable (TEE), para prevenir el acceso o modificación externa de los datos.
Prueba de cálculo completado y verificación de calidad
Para asegurar la calidad del servicio, la mayoría de los proyectos utilizan mecanismos de prueba de finalización y control de calidad. Gensyn y Aethir generan pruebas de finalización del trabajo y realizan controles de calidad. io.net prueba que el rendimiento de la GPU alquilada se utiliza adecuadamente. Render sugiere utilizar el proceso de resolución de disputas para abordar nodos problemáticos. Phala genera pruebas TEE para asegurar la ejecución correcta.
El entrenamiento de modelos de IA requiere GPU de alto rendimiento, como las NVIDIA A100 y H100. El mercado de GPU descentralizado necesita ofrecer suficientes unidades de hardware de alto rendimiento para satisfacer la demanda. io.net y Aethir poseen más de 2000 unidades H100/A100 cada uno, lo que las hace más adecuadas para el cálculo de modelos grandes. Los costos de alquiler de GPU en estas redes ya son mucho más bajos que los de los servicios centralizados.
Suministro de GPU/CPU de consumo
Además de las GPU de nivel empresarial, algunos proyectos como Render, Akash y io.net también sirven al mercado de GPU de consumo. Esto puede aprovechar una gran cantidad de recursos de GPU de consumidores inactivos, desarrollando segmentos de mercado específicos.
Conclusión
El campo de DePIN de IA aún se encuentra en una etapa temprana, enfrentando numerosos desafíos. Sin embargo, la cantidad de tareas ejecutadas en estas redes y el hardware han aumentado significativamente, lo que resalta la necesidad de alternativas a los servicios en la nube tradicionales. En el futuro, a medida que el mercado de IA continúe creciendo, estas redes de GPU distribuidas tienen el potencial de desempeñar un papel clave en la provisión de recursos de computación económicos y eficientes para los desarrolladores, contribuyendo de manera importante al futuro panorama de la IA y la infraestructura computacional.
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
7 me gusta
Recompensa
7
3
Republicar
Compartir
Comentar
0/400
consensus_whisperer
· hace1h
Sólo son tontos que siguen la tendencia~
Ver originalesResponder0
MetaMisery
· hace14h
La potencia computacional escasa finalmente ha salido a la luz.
Ver originalesResponder0
Layer2Arbitrageur
· hace14h
ngmi sin grupos de GPU descentralizados... la ventaja es obvia si haces los cálculos
La fusión de la IA y DePIN está surgiendo: las redes de GPU distribuidas lideran la nueva tendencia.
La fusión de AI y DePIN: el surgimiento de redes GPU distribuidas
Desde 2023, la IA y DePIN se han convertido en tendencias candentes en el ámbito de Web3, con capitalizaciones de mercado que alcanzan los 30 mil millones de dólares y 23 mil millones de dólares, respectivamente. Este artículo se centra en el punto de intersección entre ambos y explora el desarrollo de este nuevo campo.
En la pila tecnológica de IA, la red DePIN potencia la IA al proporcionar recursos de cálculo. La demanda de GPU por parte de grandes empresas tecnológicas ha llevado a una escasez de suministro, dificultando que otros desarrolladores obtengan recursos suficientes para entrenar sus propios modelos. Los servicios de nube centralizados tradicionales a menudo requieren la firma de contratos a largo plazo poco flexibles y son ineficientes. La red DePIN ofrece una alternativa más flexible y rentable, agregando recursos de GPU descentralizados a través de incentivos en tokens, proporcionando un suministro unificado a los usuarios. Esto no solo permite a los desarrolladores acceder a capacidades de cálculo personalizables según demanda, sino que también crea ingresos adicionales para los usuarios de GPU que tienen recursos ociosos.
Visión general de la red DePIN de IA
Render
Render es el pionero de la red de computación GPU P2P, inicialmente centrado en la renderización gráfica para la creación de contenido, y luego se expandió para incluir una amplia gama de tareas de computación AI, incluyendo AI generativa.
Destacar:
Akash
Akash se posiciona como un "súper nube" sustituto de las plataformas de nube tradicionales, soportando almacenamiento, computación GPU y CPU. Su plataforma de contenedores y los nodos de computación gestionados por Kubernetes pueden desplegar aplicaciones nativas de la nube sin problemas.
Destacar:
io.net
io.net ofrece un clúster de nube GPU distribuido, enfocado en casos de uso de IA y ML. Agrega recursos de GPU de múltiples partes, como centros de datos y mineros de criptomonedas.
Destacar:
Gensyn
Gensyn se centra en el cálculo de aprendizaje automático y aprendizaje profundo. Utiliza mecanismos como pruebas de aprendizaje, protocolos basados en gráficos e incentivos de participación para mejorar la eficiencia de la verificación.
Destacados:
Aethir
Aethir se centra en GPU de nivel empresarial, sirviendo a campos de alta demanda computacional como IA, ML y juegos en la nube. A través de la tecnología de contenedores, traslada la carga de trabajo de local a la nube, logrando una experiencia de baja latencia.
Destacar:
Phala Network
Phala Network, como la capa de ejecución de la solución Web3 AI, utiliza un entorno de ejecución confiable (TEE) para abordar los problemas de privacidad. Su capa de ejecución permite que los agentes de IA sean controlados por contratos inteligentes en la cadena.
Destacar:
Comparación de Proyectos
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Enfoque de negocio | Renderizado gráfico y AI | Computación en la nube, renderizado y AI | AI | AI | AI, juegos en la nube y telecomunicaciones | Ejecución de AI en cadena | | Tipo de tarea AI | Inferencia | Inferencia y entrenamiento | Inferencia y entrenamiento | Entrenamiento | Entrenamiento | Ejecución | | Precio de trabajo | Precio basado en el rendimiento | Subasta inversa | Precio de mercado | Precio de mercado | Sistema de licitación | Cálculo de derechos | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privacidad de datos | Encriptación&Hash | Autenticación mTLS | Encriptación de datos | Mapeo seguro | Encriptación | TEE | | Costos de trabajo | 0.5-5% por trabajo | 20% USDC, 4% AKT | 2% USDC, 0.25% gastos de reserva | Costos bajos | 20% por cada sesión | Proporcional al monto apostado | | Seguridad | Prueba de renderizado | Prueba de participación | Prueba de cálculo | Prueba de participación | Prueba de capacidad de renderizado | Heredado de la cadena intermedia | | Prueba de finalización | - | - | Prueba de bloqueo de tiempo | Prueba de aprendizaje | Prueba de trabajo de renderizado | Prueba de TEE | | Garantía de calidad | Controversia | - | - | Verificadores y denunciantes | Nodos de verificación | Prueba remota | | Clúster de GPU | No | Sí | Sí | Sí | Sí | No |
Comparación de características clave
Cálculo en clúster y paralelo
El marco de computación distribuida implementa un clúster de GPU, mejorando la eficiencia de entrenamiento y la escalabilidad. La mayoría de los proyectos ya han integrado el soporte para el cálculo paralelo en clústeres para satisfacer las demandas de modelos de IA complejos. io.net ha desplegado con éxito más de 3800 clústeres. Aunque Render no soporta clústeres, puede descomponer tareas para ser procesadas simultáneamente en múltiples nodos. Phala apoya la agrupación de trabajadores de CPU.
Privacidad de datos
Proteger conjuntos de datos sensibles es crucial para el desarrollo de IA. La mayoría de los proyectos utilizan cifrado de datos para proteger la privacidad. io.net introduce cifrado homomórfico completo (FHE), que permite procesar datos en estado cifrado. Phala Network utiliza un entorno de ejecución confiable (TEE), para prevenir el acceso o modificación externa de los datos.
Prueba de cálculo completado y verificación de calidad
Para asegurar la calidad del servicio, la mayoría de los proyectos utilizan mecanismos de prueba de finalización y control de calidad. Gensyn y Aethir generan pruebas de finalización del trabajo y realizan controles de calidad. io.net prueba que el rendimiento de la GPU alquilada se utiliza adecuadamente. Render sugiere utilizar el proceso de resolución de disputas para abordar nodos problemáticos. Phala genera pruebas TEE para asegurar la ejecución correcta.
Estadísticas de hardware
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Cantidad de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Cantidad de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Cantidad de H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Costo H100/hora | - | $1.46 | $1.19 | - | - | - | | Costo A100/hora | - | $1.37 | $1.50 | $0.55 ( estimado ) | $0.33 ( estimado ) | - |
Demanda de GPU de alto rendimiento
El entrenamiento de modelos de IA requiere GPU de alto rendimiento, como las NVIDIA A100 y H100. El mercado de GPU descentralizado necesita ofrecer suficientes unidades de hardware de alto rendimiento para satisfacer la demanda. io.net y Aethir poseen más de 2000 unidades H100/A100 cada uno, lo que las hace más adecuadas para el cálculo de modelos grandes. Los costos de alquiler de GPU en estas redes ya son mucho más bajos que los de los servicios centralizados.
Suministro de GPU/CPU de consumo
Además de las GPU de nivel empresarial, algunos proyectos como Render, Akash y io.net también sirven al mercado de GPU de consumo. Esto puede aprovechar una gran cantidad de recursos de GPU de consumidores inactivos, desarrollando segmentos de mercado específicos.
Conclusión
El campo de DePIN de IA aún se encuentra en una etapa temprana, enfrentando numerosos desafíos. Sin embargo, la cantidad de tareas ejecutadas en estas redes y el hardware han aumentado significativamente, lo que resalta la necesidad de alternativas a los servicios en la nube tradicionales. En el futuro, a medida que el mercado de IA continúe creciendo, estas redes de GPU distribuidas tienen el potencial de desempeñar un papel clave en la provisión de recursos de computación económicos y eficientes para los desarrolladores, contribuyendo de manera importante al futuro panorama de la IA y la infraestructura computacional.