Integrasi AI dan DePIN: Kebangkitan Jaringan GPU Terdistribusi

Sejak tahun 2023, AI dan DePIN telah menjadi tren hot di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini berfokus pada titik pertemuan keduanya, membahas perkembangan di bidang yang sedang berkembang ini.

Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Permintaan GPU dari perusahaan teknologi besar menyebabkan kekurangan pasokan, membuat pengembang lain kesulitan mendapatkan sumber daya yang cukup untuk melatih model mereka sendiri. Layanan cloud terpusat tradisional seringkali mengharuskan penandatanganan kontrak jangka panjang yang kaku dan tidak efisien. Jaringan DePIN menawarkan alternatif yang lebih fleksibel dan lebih hemat biaya, dengan mengumpulkan sumber daya GPU yang terdistribusi melalui insentif token, memberikan pasokan yang terintegrasi kepada pengguna. Ini tidak hanya memungkinkan pengembang untuk mendapatkan kemampuan komputasi yang dapat disesuaikan sesuai permintaan, tetapi juga menciptakan pendapatan tambahan bagi pengguna GPU yang tidak terpakai.

Ikhtisar Jaringan DePIN AI

Render

Render adalah pelopor jaringan komputasi GPU P2P, awalnya fokus pada rendering grafis untuk pembuatan konten, kemudian berkembang untuk mencakup berbagai tugas komputasi AI termasuk AI generatif.

Sorotan:

• Didirikan oleh perusahaan yang memiliki teknologi pemenang Oscar
• Sudah digunakan oleh Paramount Pictures dan raksasa industri hiburan lainnya
• Bekerja sama dengan perusahaan seperti Stability AI, mengintegrasikan model AI dan rendering konten 3D
• Mendukung berbagai klien komputasi, mengintegrasikan lebih banyak GPU jaringan DePIN

Akash

Akash diposisikan sebagai pengganti "super cloud" untuk platform cloud tradisional, mendukung penyimpanan, GPU, dan komputasi CPU. Platform kontainernya dan node komputasi yang dikelola Kubernetes dapat dengan mudah menerapkan aplikasi cloud native.

Sorotan:

• Mencakup berbagai tugas dari komputasi umum hingga hosting jaringan
• AkashML mendukung menjalankan lebih dari 15.000 model di Hugging Face
• Telah dihosting aplikasi terkenal seperti chatbot LLM Mistral AI
• Mendukung platform seperti metaverse, penerapan AI, dan pembelajaran federasi

io.net

io.net menyediakan kluster GPU cloud terdistribusi, fokus pada kasus penggunaan AI dan ML. Menggabungkan berbagai sumber daya GPU dari pusat data, penambang kripto, dan lainnya.

Sorotan:

• IO-SDK kompatibel dengan kerangka kerja seperti PyTorch dan dapat diperluas secara dinamis sesuai kebutuhan
• Mendukung pembuatan 3 jenis kluster berbeda, mulai dalam 2 menit
• Bekerja sama dengan Render, Filecoin, dan lainnya untuk mengintegrasikan lebih banyak sumber daya GPU

Gensyn

Gensyn berfokus pada komputasi pembelajaran mesin dan pembelajaran mendalam. Mengadopsi mekanisme seperti bukti pembelajaran, protokol berbasis grafik, dan insentif staking untuk meningkatkan efisiensi verifikasi.

Sorotan:

• Biaya per jam untuk V100 GPU sekitar 0,40 dolar, penghematan yang signifikan.
• Dapat melakukan fine-tuning pada model dasar yang telah dilatih sebelumnya untuk menyelesaikan tugas tertentu
• Menyediakan model dasar yang terdesentralisasi dan dapat dibagikan secara global

Aethir

Aethir berfokus pada GPU tingkat perusahaan, melayani bidang komputasi yang padat seperti AI, ML, dan game cloud. Dengan teknologi kontainer, memindahkan beban kerja dari lokal ke cloud untuk mencapai pengalaman latensi rendah.

Sorotan:

• Memperluas layanan ponsel cloud, meluncurkan ponsel pintar cloud terdesentralisasi bekerja sama dengan APhone
• Membangun kerjasama yang luas dengan raksasa Web2 seperti NVIDIA dan Foxconn
• Bekerja sama dengan banyak pihak seperti CARV, Magic Eden di bidang Web3

Jaringan Phala

Phala Network sebagai lapisan eksekusi solusi AI Web3, menggunakan lingkungan eksekusi terpercaya (TEE) untuk menangani masalah privasi. Lapisan eksekusinya memungkinkan agen AI dikendalikan oleh kontrak pintar di blockchain.

Sorotan:

• Sebagai protokol koprosesor untuk komputasi yang dapat diverifikasi, memberdayakan agen AI untuk sumber daya di blockchain.
• Kontrak agen AI dapat diperoleh melalui Redpill untuk mendapatkan LLM teratas seperti OpenAI
• Masa depan akan mencakup sistem bukti multipel seperti zk-proofs, MPC, FHE, dan lainnya.
• Rencana mendukung GPU TEE seperti H100, meningkatkan kemampuan komputasi

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 | Komputasi Awan, Rendering, dan AI | AI | AI | AI, Game Awan, dan Telekomunikasi | Eksekusi AI di Blockchain | | Jenis Tugas AI | Inferensi | Inferensi dan Pelatihan | Inferensi dan Pelatihan | Pelatihan | Pelatihan | Eksekusi | | Penetapan Harga | Penetapan Harga Berdasarkan Kinerja | Lelang Terbalik | Penetapan Harga Pasar | Penetapan Harga Pasar | Sistem Tender | Perhitungan Ekuitas | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privasi Data | Enkripsi&Hash | Autentikasi 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 staking | | Keamanan | Bukti Rendering | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kemampuan Rendering | Mewarisi dari Jaringan Perantara | | Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Sengketa | - | - | Verifier dan Pelapor | Node Pemeriksa | Bukti Jarak | | GPU Kluster | Tidak | Ya | Ya | Ya | Ya | Tidak |

Perbandingan fitur kunci

Kluster dan komputasi paralel

Kerangka komputasi terdistribusi mengimplementasikan kluster GPU, meningkatkan efisiensi pelatihan dan skalabilitas. Sebagian besar proyek telah mengintegrasikan dukungan kluster untuk komputasi paralel, untuk memenuhi kebutuhan model AI yang kompleks. io.net telah berhasil menerapkan lebih dari 3800 kluster. Render meskipun tidak mendukung kluster, tetapi dapat membagi tugas menjadi beberapa node untuk diproses secara bersamaan. Phala mendukung pengelompokan pekerja CPU.

Privasi Data

Melindungi dataset sensitif sangat penting untuk pengembangan AI. Sebagian besar proyek menggunakan enkripsi data untuk melindungi privasi. io.net memperkenalkan enkripsi homomorfik penuh (FHE), yang memungkinkan pemrosesan data dalam keadaan terenkripsi. Phala Network menggunakan lingkungan eksekusi tepercaya (TEE), untuk mencegah akses atau modifikasi data dari luar.

Bukti perhitungan selesai dan pemeriksaan kualitas

Untuk memastikan kualitas layanan, sebagian besar proyek menggunakan mekanisme bukti penyelesaian dan pemeriksaan kualitas. Gensyn dan Aethir menghasilkan bukti penyelesaian kerja dan melakukan pemeriksaan kualitas. io.net membuktikan bahwa kinerja GPU yang disewa dimanfaatkan secara maksimal. Render menyarankan untuk menggunakan proses penyelesaian sengketa untuk menangani node yang bermasalah. Phala menghasilkan bukti TEE untuk memastikan eksekusi yang benar.

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 ) | - |

Permintaan GPU berkinerja tinggi

Pelatihan model AI memerlukan GPU dengan performa terbaik, seperti NVIDIA A100 dan H100. Pasar GPU terdesentralisasi perlu menyediakan jumlah perangkat keras berkinerja tinggi yang cukup untuk memenuhi permintaan. io.net dan Aethir masing-masing memiliki lebih dari 2000 unit H100/A100, yang lebih cocok untuk perhitungan model besar. Biaya sewa GPU di jaringan ini sudah jauh lebih rendah dibandingkan dengan layanan terpusat.

Penyediaan GPU/CPU Kelas Konsumen

Selain GPU tingkat perusahaan, beberapa proyek seperti Render, Akash, dan io.net juga melayani pasar GPU konsumen. Ini dapat memanfaatkan sejumlah besar sumber daya GPU konsumen yang tidak terpakai untuk mengembangkan segmen pasar tertentu.

Kesimpulan

Bidang DePIN AI masih berada pada tahap awal, menghadapi berbagai tantangan. Namun, jumlah tugas yang dieksekusi di jaringan ini dan perangkat kerasnya meningkat secara signifikan, menyoroti kebutuhan akan alternatif layanan cloud tradisional. Di masa depan, seiring dengan pertumbuhan pasar AI yang berkelanjutan, jaringan GPU terdistribusi ini diharapkan dapat memainkan peran kunci dalam menyediakan sumber daya komputasi yang efisien secara ekonomi bagi para pengembang, memberikan kontribusi penting bagi pola masa depan AI dan infrastruktur komputasi.