AI dan DePIN: Menjelajahi Pola Baru Sumber Daya Komputasi
Sejak tahun 2023, AI dan DePIN telah menarik perhatian di bidang Web3, dengan kapitalisasi pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini fokus pada perkembangan di area persimpangan keduanya.
Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Permintaan besar dari perusahaan teknologi besar terhadap GPU menyebabkan kekurangan pasokan, membuat pengembang model AI lainnya menghadapi kekurangan sumber daya komputasi. Solusi tradisional seperti memilih penyedia layanan cloud terpusat memiliki masalah kurangnya fleksibilitas dan biaya yang tinggi.
Jaringan DePIN menawarkan alternatif yang lebih fleksibel dan lebih hemat biaya. Ini mengintegrasikan sumber daya GPU pribadi menjadi pasokan yang terstandarisasi melalui mekanisme insentif token, memberikan kemampuan komputasi yang disesuaikan dan sesuai permintaan kepada pihak yang membutuhkan, sekaligus menciptakan pendapatan tambahan bagi pemilik sumber daya GPU yang tidak terpakai.
Berbagai jenis jaringan DePIN AI bermunculan di pasar, berikut kami akan membahas beberapa proyek khas, karakteristik, dan perkembangan terkini.
Ikhtisar Jaringan DePIN AI
Render
Render adalah pelopor jaringan komputasi GPU P2P, awalnya fokus pada rendering grafis untuk pembuatan konten, kemudian berkembang menjadi tugas komputasi AI.
Fitur Utama:
Didirikan oleh perusahaan grafis awan OTOY yang memenangkan penghargaan Oscar
Mendapatkan adopsi dari raksasa industri hiburan seperti Paramount Pictures, PUBG, dan lainnya
Bekerja sama dengan Stability AI, mengintegrasikan model AI dan alur kerja rendering 3D
Mendukung berbagai klien komputasi, mengintegrasikan lebih banyak sumber daya GPU jaringan DePIN
Akash
Akash diposisikan sebagai platform "super cloud" yang mendukung penyimpanan, komputasi GPU, dan CPU, sebagai alternatif untuk layanan cloud tradisional.
Fitur Utama:
Ditujukan untuk berbagai tugas komputasi dari komputasi umum hingga hosting jaringan
AkashML mendukung menjalankan lebih dari 15.000 model di Hugging Face
Telah mengelola beberapa aplikasi AI terkenal, seperti chatbot LLM Mistral AI
Platform metaverse, penyebaran AI, dan pembelajaran federasi sedang menggunakan layanannya
io.net
io.net menyediakan kluster GPU cloud terdistribusi, fokus pada aplikasi AI dan ML.
Fitur Utama:
IO-SDK kompatibel dengan kerangka kerja seperti PyTorch dan Tensorflow
Mendukung pembuatan 3 jenis cluster yang berbeda, dapat diluncurkan dalam 2 menit
Secara aktif mengintegrasikan sumber daya GPU dari jaringan DePIN lainnya seperti Render, Filecoin, dll.
Gensyn
Gensyn berfokus pada kemampuan komputasi GPU untuk pembelajaran mesin dan pembelajaran mendalam.
Fitur Utama:
Biaya per jam untuk GPU setara V100 sekitar 0,40 dolar, secara signifikan mengurangi biaya
Mendukung fine-tuning model dasar pra-latihan
Model dasar berbagi global yang terdesentralisasi
Aethir
Aethir fokus pada GPU tingkat perusahaan, terutama di bidang komputasi intensif seperti AI, pembelajaran mesin, dan permainan cloud.
Fitur Utama:
Memperluas layanan ponsel cloud, bekerja sama dengan APhone untuk meluncurkan ponsel cerdas cloud terdesentralisasi
Membangun kerja sama luas dengan raksasa Web2 seperti NVIDIA, Super Micro
Bekerja sama dengan berbagai proyek Web3 seperti CARV, Magic Eden
Jaringan Phala
Phala Network sebagai lapisan eksekusi solusi Web3 AI, merancang untuk menangani masalah privasi melalui lingkungan eksekusi terpercaya (TEE).
Fitur Utama:
Sebagai protokol koprosesor perhitungan yang dapat diverifikasi, mendukung pemanggilan sumber daya agen AI di blockchain
Kontrak agen AI dapat terhubung ke OpenAI, Llama, dan model bahasa besar terkemuka lainnya melalui Redpill
Di masa depan akan mendukung sistem bukti ganda seperti zk-proofs, komputasi multi-pihak, dan enkripsi homomorfik sepenuhnya.
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 | Render Grafik dan AI | Komputasi Awan, Render, dan AI | AI | AI | Kecerdasan Buatan, Game Awan, dan Telekomunikasi | Eksekusi AI di Blockchain |
| Jenis Tugas AI | Penalaran | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi |
| Penetapan Harga | Penetapan Harga Berdasarkan Kinerja | Lelang Terbalik | Penetapan Harga Pasar | Penetapan Harga Pasar | Sistem Tender | Perhitungan Hak |
| 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 Render | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kapasitas Render | Warisan dari Rantai Perantara |
| Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE |
| Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pengecek | Bukti Jarak |
| GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |
Analisis Pentingnya
Ketersediaan komputasi cluster dan paralel
Kerangka komputasi terdistribusi mewujudkan kluster GPU, meningkatkan efisiensi pelatihan dan skalabilitas tanpa mempengaruhi akurasi model. Pelatihan model AI yang kompleks memerlukan kemampuan komputasi yang kuat, biasanya bergantung pada komputasi terdistribusi. Sebagian besar proyek kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net telah mengintegrasikan sumber daya GPU dengan beberapa mitra, dan telah menerapkan lebih dari 3.800 kluster pada kuartal pertama tahun 2024.
Privasi data
Pengembangan model AI memerlukan banyak dataset, yang mungkin melibatkan informasi pribadi yang sensitif. Berbagai proyek umumnya menggunakan enkripsi data untuk melindungi privasi. io.net bekerja sama dengan Mind Network meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data dalam keadaan terenkripsi. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), yang mengisolasi untuk mencegah akses atau modifikasi data dari luar.
Bukti penyelesaian perhitungan dan pemeriksaan kualitas
Setiap proyek menggunakan metode yang berbeda untuk memverifikasi penyelesaian dan kualitas perhitungan. Gensyn dan Aethir menghasilkan bukti penyelesaian dan melakukan pemeriksaan kualitas. Bukti dari io.net menunjukkan bahwa kinerja GPU dimanfaatkan sepenuhnya dan tidak ada masalah. Render menyarankan penggunaan proses penyelesaian sengketa. Phala menghasilkan bukti TEE untuk memastikan agen AI melakukan operasi yang diperlukan.
Pelatihan model AI cenderung menggunakan GPU berkinerja tinggi seperti Nvidia A100 dan H100. Penyedia pasar GPU terdesentralisasi perlu menyediakan jumlah perangkat keras berkinerja tinggi yang cukup untuk memenuhi permintaan pasar. io.net dan Aethir memiliki lebih dari 2000 unit H100/A100, yang lebih cocok untuk perhitungan model besar.
Biaya layanan GPU terdesentralisasi ini telah lebih rendah dari layanan terpusat. Gensyn dan Aethir mengklaim dapat menyewa perangkat keras tingkat A100 dengan harga kurang dari 1 dolar per jam.
Menyediakan GPU/CPU kelas konsumen
CPU juga memainkan peran penting dalam pelatihan model AI. GPU kelas konsumen dapat digunakan untuk penyempurnaan atau pelatihan model berskala kecil. Proyek seperti Render, Akash, dan io.net dapat melayani pasar ini, menawarkan pilihan untuk berbagai ukuran kebutuhan komputasi.
Kesimpulan
Bidang DePIN AI masih berada di tahap awal, menghadapi banyak tantangan. Namun, jumlah tugas yang dijalankan oleh jaringan GPU terdesentralisasi ini dan jumlah perangkat keras yang signifikan meningkat, menyoroti kebutuhan akan alternatif layanan cloud Web2.
Pasar AI di masa depan akan berkembang menjadi skala triliun dolar AS, dan jaringan GPU terdistribusi ini diharapkan memainkan peran kunci dalam menyediakan alternatif komputasi yang efisien secara ekonomi bagi para pengembang. Dengan terus menjembatani kesenjangan antara permintaan dan pasokan, jaringan ini akan memberikan kontribusi penting pada lanskap masa depan AI dan infrastruktur komputasi.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
8 Suka
Hadiah
8
4
Bagikan
Komentar
0/400
JustHereForMemes
· 3jam yang lalu
gm bagaimana lagi炒 depin
Lihat AsliBalas0
SnapshotLaborer
· 3jam yang lalu
300 miliar dolar AS sudah masuk, masih bisa meledak?
Lihat AsliBalas0
SybilSlayer
· 3jam yang lalu
Siapa yang bisa tertipu dengan kapitalisasi pasar yang disuntik ini?
AI dan DePIN bergabung: jaringan GPU desentralisasi memimpin pola baru komputasi
AI dan DePIN: Menjelajahi Pola Baru Sumber Daya Komputasi
Sejak tahun 2023, AI dan DePIN telah menarik perhatian di bidang Web3, dengan kapitalisasi pasar masing-masing mencapai 30 miliar dolar dan 23 miliar dolar. Artikel ini fokus pada perkembangan di area persimpangan keduanya.
Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Permintaan besar dari perusahaan teknologi besar terhadap GPU menyebabkan kekurangan pasokan, membuat pengembang model AI lainnya menghadapi kekurangan sumber daya komputasi. Solusi tradisional seperti memilih penyedia layanan cloud terpusat memiliki masalah kurangnya fleksibilitas dan biaya yang tinggi.
Jaringan DePIN menawarkan alternatif yang lebih fleksibel dan lebih hemat biaya. Ini mengintegrasikan sumber daya GPU pribadi menjadi pasokan yang terstandarisasi melalui mekanisme insentif token, memberikan kemampuan komputasi yang disesuaikan dan sesuai permintaan kepada pihak yang membutuhkan, sekaligus menciptakan pendapatan tambahan bagi pemilik sumber daya GPU yang tidak terpakai.
Berbagai jenis jaringan DePIN AI bermunculan di pasar, berikut kami akan membahas beberapa proyek khas, karakteristik, dan perkembangan terkini.
Ikhtisar Jaringan DePIN AI
Render
Render adalah pelopor jaringan komputasi GPU P2P, awalnya fokus pada rendering grafis untuk pembuatan konten, kemudian berkembang menjadi tugas komputasi AI.
Fitur Utama:
Akash
Akash diposisikan sebagai platform "super cloud" yang mendukung penyimpanan, komputasi GPU, dan CPU, sebagai alternatif untuk layanan cloud tradisional.
Fitur Utama:
io.net
io.net menyediakan kluster GPU cloud terdistribusi, fokus pada aplikasi AI dan ML.
Fitur Utama:
Gensyn
Gensyn berfokus pada kemampuan komputasi GPU untuk pembelajaran mesin dan pembelajaran mendalam.
Fitur Utama:
Aethir
Aethir fokus pada GPU tingkat perusahaan, terutama di bidang komputasi intensif seperti AI, pembelajaran mesin, dan permainan cloud.
Fitur Utama:
Jaringan Phala
Phala Network sebagai lapisan eksekusi solusi Web3 AI, merancang untuk menangani masalah privasi melalui lingkungan eksekusi terpercaya (TEE).
Fitur Utama:
Perbandingan Proyek
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Fokus Bisnis | Render Grafik dan AI | Komputasi Awan, Render, dan AI | AI | AI | Kecerdasan Buatan, Game Awan, dan Telekomunikasi | Eksekusi AI di Blockchain | | Jenis Tugas AI | Penalaran | Keduanya | Keduanya | Pelatihan | Pelatihan | Eksekusi | | Penetapan Harga | Penetapan Harga Berdasarkan Kinerja | Lelang Terbalik | Penetapan Harga Pasar | Penetapan Harga Pasar | Sistem Tender | Perhitungan Hak | | 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 Render | Bukti Kepemilikan | Bukti Perhitungan | Bukti Kepemilikan | Bukti Kapasitas Render | Warisan dari Rantai Perantara | | Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pengecek | Bukti Jarak | | GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |
Analisis Pentingnya
Ketersediaan komputasi cluster dan paralel
Kerangka komputasi terdistribusi mewujudkan kluster GPU, meningkatkan efisiensi pelatihan dan skalabilitas tanpa mempengaruhi akurasi model. Pelatihan model AI yang kompleks memerlukan kemampuan komputasi yang kuat, biasanya bergantung pada komputasi terdistribusi. Sebagian besar proyek kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net telah mengintegrasikan sumber daya GPU dengan beberapa mitra, dan telah menerapkan lebih dari 3.800 kluster pada kuartal pertama tahun 2024.
Privasi data
Pengembangan model AI memerlukan banyak dataset, yang mungkin melibatkan informasi pribadi yang sensitif. Berbagai proyek umumnya menggunakan enkripsi data untuk melindungi privasi. io.net bekerja sama dengan Mind Network meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data dalam keadaan terenkripsi. Phala Network memperkenalkan lingkungan eksekusi tepercaya (TEE), yang mengisolasi untuk mencegah akses atau modifikasi data dari luar.
Bukti penyelesaian perhitungan dan pemeriksaan kualitas
Setiap proyek menggunakan metode yang berbeda untuk memverifikasi penyelesaian dan kualitas perhitungan. Gensyn dan Aethir menghasilkan bukti penyelesaian dan melakukan pemeriksaan kualitas. Bukti dari io.net menunjukkan bahwa kinerja GPU dimanfaatkan sepenuhnya dan tidak ada masalah. Render menyarankan penggunaan proses penyelesaian sengketa. Phala menghasilkan bukti TEE untuk memastikan agen AI melakukan operasi yang diperlukan.
Data 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 ) | - |
Persyaratan GPU berkinerja tinggi
Pelatihan model AI cenderung menggunakan GPU berkinerja tinggi seperti Nvidia A100 dan H100. Penyedia pasar GPU terdesentralisasi perlu menyediakan jumlah perangkat keras berkinerja tinggi yang cukup untuk memenuhi permintaan pasar. io.net dan Aethir memiliki lebih dari 2000 unit H100/A100, yang lebih cocok untuk perhitungan model besar.
Biaya layanan GPU terdesentralisasi ini telah lebih rendah dari layanan terpusat. Gensyn dan Aethir mengklaim dapat menyewa perangkat keras tingkat A100 dengan harga kurang dari 1 dolar per jam.
Menyediakan GPU/CPU kelas konsumen
CPU juga memainkan peran penting dalam pelatihan model AI. GPU kelas konsumen dapat digunakan untuk penyempurnaan atau pelatihan model berskala kecil. Proyek seperti Render, Akash, dan io.net dapat melayani pasar ini, menawarkan pilihan untuk berbagai ukuran kebutuhan komputasi.
Kesimpulan
Bidang DePIN AI masih berada di tahap awal, menghadapi banyak tantangan. Namun, jumlah tugas yang dijalankan oleh jaringan GPU terdesentralisasi ini dan jumlah perangkat keras yang signifikan meningkat, menyoroti kebutuhan akan alternatif layanan cloud Web2.
Pasar AI di masa depan akan berkembang menjadi skala triliun dolar AS, dan jaringan GPU terdistribusi ini diharapkan memainkan peran kunci dalam menyediakan alternatif komputasi yang efisien secara ekonomi bagi para pengembang. Dengan terus menjembatani kesenjangan antara permintaan dan pasokan, jaringan ini akan memberikan kontribusi penting pada lanskap masa depan AI dan infrastruktur komputasi.