A Interseção entre IA e DePIN: A Ascensão das Redes de Computação Distribuída

Desde 2023, a IA e o DePIN tornaram-se tendências populares no campo do Web3, com um valor de mercado de 30 mil milhões de dólares e 23 mil milhões de dólares, respetivamente. Este artigo foca na interseção entre os dois, explorando o desenvolvimento dos protocolos relacionados.

Na pilha de tecnologia de IA, a rede DePIN oferece utilidade para a IA por meio de recursos de computação. O desenvolvimento de grandes empresas de tecnologia levou à escassez de GPU, dificultando que outros desenvolvedores consigam GPUs suficientes para computação. Isso geralmente leva os desenvolvedores a escolher provedores de nuvem centralizados, mas devido a contratos de hardware de longo prazo que não são suficientemente flexíveis, a eficiência é baixa.

DePIN oferece uma alternativa mais flexível e económica, incentivando a contribuição de recursos através de recompensas em tokens. O DePIN na área da IA está a fazer a crowdsourcing de recursos de GPU de proprietários individuais para centros de dados, proporcionando um suprimento unificado para usuários que necessitam de acesso a hardware. Isso não só oferece aos desenvolvedores acesso personalizado e sob demanda, mas também gera uma renda extra para os proprietários de GPU.

Existem muitas redes AI DePIN no mercado, este artigo irá explorar o papel, os objetivos e as conquistas de cada protocolo, a fim de entender as diferenças entre eles.

Visão Geral da Rede DePIN de IA

Render é um pioneiro na rede P2P que fornece capacidade de computação GPU, inicialmente focado em renderização de criação de conteúdo, e depois expandiu para tarefas de computação AI.

Pontos principais:

• Fundada pela empresa de gráficos em nuvem OTOY
• A rede GPU é utilizada por grandes empresas da indústria do entretenimento
• Colaborar com a Stability AI e integrar modelos de IA com fluxos de trabalho de renderização 3D
• Aprovar múltiplos clientes de computação, integrar mais GPUs da rede DePIN

Akash é posicionado como uma alternativa "super cloud" que suporta armazenamento, computação GPU e CPU. Com ferramentas amigáveis para desenvolvedores, como nós de computação geridos por plataformas de contêiner e Kubernetes, é possível implantar software de forma contínua em diferentes ambientes.

Pontos principais:

• Tarefas de computação abrangentes, desde computação geral até hospedagem na web
• AkashML permite que redes GPU executem mais de 15.000 modelos na Hugging Face
• Aplicações como chatbots do modelo LLM da Mistral AI.
• Construir plataformas como o metaverso, implantação de IA, etc., utilizando o Supercloud

io.net fornece acesso a clusters de nuvem GPU distribuídos, especialmente para casos de uso de AI e ML. Agrega GPUs de data centers, mineiros de criptomoedas e outros setores.

Pontos principais:

• IO-SDK é compatível com estruturas como PyTorch, a arquitetura em múltiplas camadas pode ser expandida dinamicamente
• Suporta a criação de 3 tipos diferentes de clusters, inicia em 2 minutos
• Colaborar com Render, Filecoin e outros para integrar recursos de GPU

Gensyn oferece capacidades de GPU focadas em computação de aprendizado de máquina e aprendizado profundo. Afirma implementar mecanismos de validação mais eficientes através de conceitos como prova de aprendizagem.

Pontos principais:

• O custo por hora de uma GPU equivalente a V100 é de aproximadamente 0,40 dólares, o que representa uma grande economia.
• Pode ajustar o modelo básico pré-treinado para concluir tarefas específicas.
• Fornecer um modelo base descentralizado e de propriedade global

Aethir é projetado especificamente para GPUs empresariais, focando em áreas de computação intensiva como IA, ML e jogos na nuvem. Os contêineres na rede atuam como pontos de extremidade virtuais para executar aplicações em nuvem, proporcionando uma experiência de baixa latência.

Ponto chave:

• Expandir para serviços de smartphone na nuvem, em colaboração com a APhone, lançando smartphones inteligentes descentralizados na nuvem.
• Estabelecer uma ampla colaboração com grandes empresas do Web2, como a NVIDIA
• Colaboração com projetos Web3 como CARV, Magic Eden

Phala Network atua como a camada de execução para soluções de IA Web3. Sua blockchain é uma solução de computação em nuvem sem necessidade de confiança, projetada para lidar com questões de privacidade através de um ambiente de execução confiável (TEE).

Pontos principais:

• Servir como um protocolo de coprocessador de computação verificável, permitindo que agentes de IA acessem recursos na cadeia.
• Os contratos de代理 AI podem ser obtidos através da Redpill com os principais modelos de linguagem como o OpenAI.
• O futuro incluirá sistemas de provas múltiplas como zk-proofs, MPC, FHE, entre outros.
• Suporte futuro para GPU TEE como H100, aumentando a capacidade de cálculo

Comparação de Projetos

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|------------|------------------|---------------------|--------|--------------|---------| | Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Foco de Negócios | Renderização Gráfica e IA | Computação em Nuvem, Renderização e IA | IA | IA | IA, Jogos em Nuvem e Telecomunicações | Execução de IA na Cadeia | | Tipo de tarefa de IA | Inferência | Treinamento e inferência | Treinamento e inferência | Treinamento | Treinamento | Execução | | Preços de Trabalho | Preço baseado em desempenho | Leilão reverso | Preço de mercado | Preço de mercado | Sistema de licitação | Cálculo de direitos | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot| | Privacidade de Dados | Criptografia e Hashing | Autenticação mTLS | Criptografia de Dados | Mapeamento Seguro | Criptografia | TEE | | Custos de trabalho | 0,5-5%/trabalho | 20% USDC, 4% AKT| 2% USDC, 0,25% reserva | Baixos custos | 20%/sessão | Proporcional ao staking| | Segurança | Prova de Renderização | Prova de Participação | Prova de Cálculo | Prova de Participação | Prova de Capacidade de Renderização | Herdado da Cadeia Intermediária | | Prova de conclusão | - | - | Prova de bloqueio de tempo | Prova de aprendizado | Prova de trabalho de renderização | Prova de TEE | | Garantia de Qualidade | Controvérsia | - | - | Verificação e Denúncia | Verificar Nó | Prova Remota | | GPU Cluster | Não | Sim | Sim | Sim | Sim | Não |

Importância

Disponibilidade de cluster e computação paralela

O framework de computação distribuída implementa clusters de GPU, melhorando a eficiência de treinamento e a escalabilidade. Treinar modelos de IA complexos requer uma poderosa capacidade de computação, geralmente dependente da computação distribuída. Por exemplo, o modelo GPT-4 da OpenAI possui mais de 1,8 trilhão de parâmetros, levando de 3 a 4 meses e utilizando cerca de 25.000 GPUs Nvidia A100.

A maioria dos projetos agora integrou clusters para realizar computação paralela. A io.net, em colaboração com outros projetos, já implementou mais de 3.800 clusters no Q1. Embora o Render não suporte clusters, ele decompõe uma única frame para ser processada em múltiplos nós simultaneamente. O Phala suporta a clusterização de trabalhadores CPU.

A estrutura de cluster é muito importante para a rede de fluxo de trabalho de IA, mas a quantidade e o tipo de GPUs de cluster que atendem às necessidades dos desenvolvedores é outra questão.

Privacidade de dados

O desenvolvimento de modelos de IA requer grandes conjuntos de dados, que podem envolver informações sensíveis. A Samsung desativou o ChatGPT devido a preocupações com a privacidade, e a violação de dados de 38TB da Microsoft destaca ainda mais a importância da segurança da IA. Diversos métodos de privacidade de dados são cruciais para restituir os direitos dos provedores de dados.

A maioria dos projetos utiliza algum tipo de criptografia de dados para proteger a privacidade. Render utiliza criptografia e hashing, io.net e Gensyn adotam criptografia de dados, Akash utiliza autenticação mTLS.

A io.net, em colaboração com a Mind Network, lançou a criptografia homomórfica total (FHE), permitindo o processamento de dados criptografados sem a necessidade de os descriptografar. Isso protege melhor a privacidade do que as tecnologias de criptografia existentes.

A Phala Network introduz um ambiente de execução confiável (TEE), para evitar acessos ou modificações externas aos dados. Também combina zk-proofs para a integração do RiscZero zkVM.

Prova de conclusão de cálculo e inspeção de qualidade

Devido à ampla gama de serviços, a qualidade final pode não corresponder aos padrões do usuário. A conclusão da prova indica que a GPU foi realmente utilizada para o serviço requerido, e a verificação da qualidade é benéfica para o usuário.

A Gensyn e a Aethir geraram provas de conclusão, a io.net prova que o desempenho da GPU está totalmente aproveitado sem problemas. A Gensyn e a Aethir realizam verificações de qualidade. A Gensyn reexecuta parte das provas usando validadores, e os denunciantes verificam novamente. A Aethir usa pontos de verificação para avaliar a qualidade do serviço, penalizando serviços que não atendem aos padrões. A Render sugere um processo de resolução de disputas, e o comitê de revisão pode cortar nós problemáticos. A Phala gera provas de TEE, garantindo que os agentes de IA realizem operações na cadeia.

Dados Estatísticos de Hardware

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Número de GPUs | 5600 | 384 | 38177 | - | 40000+ | - | | Número de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | H100/A100 quantidade| - | 157 | 2330 | - | 2000+ | - | | Custo H100/hora | - | $1.46 | $1.19 | - | - | - | | Custo A100/hora | - | $1.37 | $1.50 | $0.55 ( previsto ) | $0.33 ( previsto ) | - |

Requisitos de GPU de alto desempenho

O treinamento de modelos de IA requer GPUs de topo como a Nvidia A100 e H100. O desempenho de inferência do H100 é 4 vezes superior ao do A100, tornando-se a escolha preferida, especialmente para grandes empresas.

O mercado descentralizado de GPU deve competir com o Web2, não apenas oferecendo preços baixos, mas também atendendo às necessidades reais. Em 2023, a Nvidia entregou 500 mil unidades do H100 a grandes empresas de tecnologia, com custos de hardware equivalentes elevados. É importante considerar a quantidade de hardware que esses projetos podem introduzir a baixo custo.

Os diferentes projetos oferecem capacidades computacionais distintas. O Akash tem apenas mais de 150 H100 e A100, enquanto o io.net e o Aethir têm mais de 2000 cada. Os LLM pré-treinados normalmente requerem clusters de GPU que variam de 248 a mais de 2000, sendo os dois últimos projetos mais adequados para cálculos de grandes modelos.

Atualmente, o custo dos serviços de GPU descentralizados está muito abaixo dos serviços centralizados. Gensyn e Aethir afirmam que o hardware de nível A100 custa menos de 1 dólar por hora, mas ainda é necessário tempo para verificar.

Embora a conexão em rede de um cluster de GPU tenha muitas GPUs e baixo custo, a memória é limitada em comparação com a conexão NVLink entre GPUs. O NVLink suporta comunicação direta entre GPUs, sendo adequado para LLM com muitos parâmetros e grandes conjuntos de dados.

Apesar disso, a rede GPU descentralizada ainda oferece uma poderosa capacidade de computação e escalabilidade para usuários que precisam de flexibilidade ou têm demandas de carga de trabalho dinâmicas, criando oportunidades para construir mais casos de uso de IA.

fornece GPU/CPU de consumo

A CPU é também muito importante no treinamento de modelos de IA, sendo utilizada para o pré-processamento de dados até a gestão de memória. GPUs de consumo podem ser usadas para ajustar modelos pré-treinados ou para treinamentos em pequena escala.

Considerando que mais de 85% dos consumidores têm GPUs ociosas, projetos como Render, Akash e io.net também atendem a essa parte do mercado. Isso permite que se concentrem em computação intensiva em larga escala, renderização de pequeno porte ou uma mistura de ambos.

Conclusão

O campo DePIN de IA ainda é relativamente novo e enfrenta desafios. Por exemplo, a io.net foi acusada de falsificar o número de GPUs, mas isso foi resolvido através da prova de trabalho.

Apesar disso, o número de tarefas executadas e de hardware na rede aumentou significativamente, destacando o crescimento da demanda por alternativas aos provedores de nuvem Web2. Ao mesmo tempo, o aumento do número de fornecedores de hardware mostra que a oferta não foi suficientemente aproveitada antes. Isso prova a adequação do produto do AI DePIN à demanda do mercado, resolvendo efetivamente os desafios de demanda e oferta.

Olhando para o futuro, a IA tem potencial para se tornar um mercado de trilhões de dólares em crescimento, e essas redes de GPU descentralizadas desempenharão um papel crucial em oferecer alternativas de computação econômicas para os desenvolvedores. Ao continuar a fechar a lacuna entre demanda e oferta, essas redes contribuirão significativamente para o futuro da IA e da infraestrutura de computação.