التقاطع بين الذكاء الاصطناعي و DePIN: صعود شبكة الحوسبة الموزعة GPU

منذ عام 2023، أصبحت الذكاء الاصطناعي وDePIN اتجاهات شائعة في مجال Web3، حيث تصل القيمة السوقية للذكاء الاصطناعي إلى حوالي 30 مليار دولار، بينما تبلغ قيمة DePIN السوقية حوالي 23 مليار دولار. تركز هذه المقالة على المجال المشترك بين الاثنين، وتستكشف تطور البروتوكولات ذات الصلة.

في مجموعة تقنيات الذكاء الاصطناعي، يوفر شبكة DePIN عملية الاستفادة من الموارد الحاسوبية للذكاء الاصطناعي. أدى تطور الشركات التكنولوجية الكبرى إلى نقص في وحدات معالجة الرسومات، مما جعل من الصعب على المطورين الآخرين الحصول على وحدات معالجة رسومات كافية لإجراء العمليات الحسابية. هذا غالباً ما يؤدي إلى اختيار المطورين لمزودي الخدمات السحابية المركزية، ولكن بسبب الحاجة إلى توقيع عقود غير مرنة طويلة الأجل للأجهزة عالية الأداء، تكون الكفاءة منخفضة.

DePIN يوفر بشكل أساسي بديلاً أكثر مرونة وتكلفة فعالة، باستخدام مكافآت رمزية لتحفيز المساهمات في الموارد التي تتوافق مع أهداف الشبكة. في مجال الذكاء الاصطناعي، يقوم DePIN بتجميع موارد GPU من مالكيها الأفراد إلى مراكز البيانات، مما يشكل عرضًا موحدًا للمستخدمين الذين يحتاجون للوصول إلى الأجهزة. لا توفر هذه الشبكات من DePIN فقط قابلية التخصيص والوصول حسب الطلب للمطورين الذين يحتاجون إلى قدرة حسابية، بل تقدم أيضًا دخلًا إضافيًا لمالكي GPU.

هناك العديد من شبكات AI DePIN في السوق، ستستكشف هذه المقالة دور كل بروتوكول وأهدافه والإنجازات التي تم تحقيقها.

! تقاطع الذكاء الاصطناعي و DePIN

مقدمة عن شبكة DePIN الذكية

Render هو رائد في شبكة P2P التي توفر قدرة حساب GPU، كان يركز سابقًا على إنشاء الرسوم البيانية للمحتوى، ثم من خلال دمج أدوات مثل Stable Diffusion، وسع نطاقه ليشمل المهام الحسابية من مجالات الإشعاع العصبي (NeRF) إلى الذكاء الاصطناعي التوليدي.

النقاط البارزة:

1. تأسست من قبل شركة OTOY المتخصصة في الرسوم البيانية السحابية الحائزة على جائزة الأوسكار

2. تم استخدام شبكة GPU من قبل شركات كبيرة في صناعة الترفيه مثل باراماونت بيكتشرز، PUBG، ستار تريك.

3. التعاون مع Stability AI و Endeavor لدمج نموذج AI مع سير عمل المحتوى ثلاثي الأبعاد باستخدام GPU من Render

4. الموافقة على عدة عملاء حوسبة، ودمج المزيد من شبكات DePIN باستخدام GPU

Akash تحدد نفسها كبديل "سوبر كلاود" للمنصات التقليدية مثل AWS( التي تدعم التخزين، وحساب GPU وCPU). من خلال أدوات صديقة للمطورين مثل منصة Akash للحاويات وعقد الحوسبة المدارة بواسطة Kubernetes، يمكنها نشر البرمجيات بسلاسة عبر البيئات، مما يتيح تشغيل أي تطبيق سحابي أصلي.

الميزات:

1. المهام الحسابية الواسعة من الحوسبة العامة إلى استضافة الشبكة

2. AkashML يسمح لشبكة GPU الخاصة به بتشغيل أكثر من 15,000 نموذج على Hugging Face، بينما يتكامل مع Hugging Face.

3. يستضيف Akash بعض التطبيقات الملحوظة، مثل روبوت الدردشة LLM من Mistral AI، ونموذج تحويل النص إلى صورة SDXL من Stability AI، ونموذج الأساس الجديد AT-1 من Thumper AI.

4. بناء منصة للميتافيرس، ونشر الذكاء الاصطناعي، والتعلم الفيدرالي يستفيد من Supercloud

io.net يوفر الوصول إلى تجمعات السحابة الموزعة للـ GPU، وهذه التجمعات مخصصة لتطبيقات الذكاء الاصطناعي وتعلم الآلة. إنه يجمع GPU من مراكز البيانات وعمال التعدين المشفرين وشبكات غير مركزية أخرى. كانت الشركة سابقاً شركة تداول كمي، وتحولت إلى أعمالها الحالية بعد الارتفاع الكبير في أسعار GPU عالية الأداء.

النقاط البارزة:

1. تتوافق IO-SDK الخاصة بها مع أطر مثل PyTorch و Tensorflow، وهيكلها متعدد الطبقات يمكنه التوسع تلقائيًا وفقًا لاحتياجات الحوسبة.

2. يدعم إنشاء 3 أنواع مختلفة من الكلاستر، يمكن تشغيلها في غضون دقيقتين

3. التعاون مع شبكات DePIN الأخرى ( مثل Render و Filecoin و Aethir و Exabits )، ودمج موارد GPU

Gensyn تقدم قدرة حساب GPU تركز على التعلم الآلي والتعلم العميق. تدعي أنها حققت آلية تحقق أكثر كفاءة من الطرق الحالية من خلال دمج استخدام إثباتات التعلم، وبروتوكولات تحديد المواقع الدقيقة المستندة إلى الرسوم البيانية، وألعاب الحوافز التي تتضمن مزودي الحوسبة من خلال الرهن والتقليل.

نقاط بارزة:

1. من المتوقع أن تكون التكلفة لكل ساعة لوحدة معالجة الرسومات المعادلة لـ V100 حوالي 0.40 دولار، مما يوفر تكاليف كبيرة.

2. من خلال إثبات التكديس، يمكن ضبط النموذج الأساسي المدرب مسبقًا لإكمال مهام أكثر تحديدًا.

3. ستكون هذه النماذج الأساسية لامركزية ومملوكة عالمياً، وستوفر ميزات إضافية بالإضافة إلى شبكة الحوسبة بالأجهزة.

Aethir مخصص لتزويد أجهزة GPU للأعمال، ويركز على المجالات التي تتطلب حسابات مكثفة، مثل الذكاء الاصطناعي، وتعلم الآلة ( ML )، والألعاب السحابية وغيرها. تعمل الحاويات في شبكتها كنقاط نهاية افتراضية لتشغيل التطبيقات المستندة إلى السحابة، مما ينقل الأحمال من الأجهزة المحلية إلى الحاويات، لتحقيق تجربة ذات زمن استجابة منخفض. لضمان تقديم خدمة عالية الجودة للمستخدمين، يقومون بنقل GPU بالقرب من مصادر البيانات بناءً على الطلب والموقع، مما يتيح ضبط الموارد.

نقاط القوة:

1. بخلاف الذكاء الاصطناعي وألعاب السحابة، قامت Aethir أيضًا بتوسيع خدمات الهاتف السحابي، بالتعاون مع APhone لإطلاق هاتف ذكي سحابي لامركزي.

2. إقامة شراكات واسعة مع شركات Web2 الكبرى مثل NVIDIA وSuper Micro وHPE وFoxconn وWell Link

3. التعاون مع العديد من الشركاء في Web3 مثل CARV و Magic Eden و Sequence و Impossible Finance (

تعمل Phala Network كطبقة تنفيذ لحلول Web3 AI. تعتبر بلوكتشين الخاصة بها حلاً للحوسبة السحابية بدون ثقة، مصممة لمعالجة قضايا الخصوصية من خلال استخدام بيئات التنفيذ الموثوقة )TEE(. لا تُستخدم طبقة التنفيذ الخاصة بها كطبقة حساب لنماذج AI، بل تمكّن الوكلاء الذكاء الاصطناعي من التحكم بواسطة العقود الذكية على السلسلة.

نقاط القوة:

1. العمل كبروتوكول معالج مساعد قابل للتحقق من الحسابات، مع تمكين وكلاء الذكاء الاصطناعي من الوصول إلى الموارد على السلسلة.

2. يمكن الحصول على نماذج اللغة الكبيرة الرائدة مثل OpenAI و Llama و Claude و Hugging Face من خلال عقد代理 الذكاء الاصطناعي الخاص بها Redpill.

3. المستقبل سيشمل zk-proofs، حساب متعدد الأطراف )MPC(، تشفير متجانس بالكامل )FHE( وأنظمة إثبات متعددة أخرى.

4. دعم H100 وغيرها من وحدات معالجة الرسوميات TEE في المستقبل، لتعزيز القدرة الحاسوبية

![نقطة التقاء الذكاء الاصطناعي و DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(

مقارنة المشاريع

| | ريندر | أكاش | io.net | جينسين | آثير | فالا | |--------|-------------|------------------|---------------------|---------|---------------|----------| | الأجهزة | وحدة معالجة الرسوميات و وحدة المعالجة المركزية | وحدة معالجة الرسوميات و وحدة المعالجة المركزية | وحدة معالجة الرسوميات و وحدة المعالجة المركزية | وحدة معالجة الرسوميات | وحدة معالجة الرسوميات | وحدة المعالجة المركزية | | التركيز على الأعمال | عرض الرسوميات والذكاء الاصطناعي | الحوسبة السحابية، العرض والذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي، الألعاب السحابية والاتصالات | تنفيذ الذكاء الاصطناعي على السلسلة | | نوع مهام AI | استدلال | كلاهما | كلاهما | تدريب | تدريب | تنفيذ | | تسعير العمل | تسعير قائم على الأداء | مزاد عكسي | تسعير سوقي | تسعير سوقي | نظام المناقصات | حساب الحقوق | | بلوكشين | سولانا | كوزموس | سولانا | جينسين | أربيتروم | بولكادوت | | خصوصية البيانات | تشفير&تجزئة | مصادقة mTLS | تشفير البيانات | خريطة آمنة | تشفير | TEE | | تكاليف العمل | لكل عمل 0.5-5% | 20% USDC، 4% AKT | 2% USDC، 0.25% رسوم احتياطي | رسوم منخفضة | لكل جلسة 20% | بالنسبة لمبلغ الرهان | | الأمان | إثبات التقديم | إثبات الملكية | إثبات الحساب | إثبات الملكية | إثبات القدرة على التقديم | وراثة من سلسلة الوسيط | | إثبات الإنجاز | - | - | إثبات القفل الزمني | إثبات التعلم | إثبات العمل المرئي | إثبات TEE | | ضمان الجودة | النزاع | - | - | المحققون والمبلغون | عقدة الفحص | إثبات عن بعد | | مجموعة GPU | لا | نعم | نعم | نعم | نعم | لا |

) الأهمية

توافر التجميع والحوسبة المتوازية

إطار العمل للحوسبة الموزعة حقق تجمعات GPU، مما يوفر تدريبًا أكثر كفاءة دون التأثير على دقة النموذج، بينما يعزز قابلية التوسع. يتطلب تدريب نماذج الذكاء الاصطناعي المعقدة قوة حسابية قوية، وغالبًا ما يجب الاعتماد على الحوسبة الموزعة لتلبية الطلبات. نموذج GPT-4 من OpenAI يحتوي على أكثر من 1.8 تريليون معلمة، وتم تدريبه خلال 3-4 أشهر باستخدام حوالي 25,000 من وحدات معالجة الرسوميات Nvidia A100 في 128 تجمعًا.

في السابق، قدمت Render و Akash وحدات معالجة الرسوميات للاستخدام الفردي، مما قد يحد من الطلب في سوق وحدات معالجة الرسوميات. ومع ذلك، فقد قامت معظم المشاريع الرئيسية الآن بدمج العناقيد لتحقيق الحوسبة المتوازية. تتعاون io.net مع Render و Filecoin ومشاريع أخرى مثل Aethir لإدخال المزيد من وحدات معالجة الرسوميات في شبكتها، وقد نجحت في نشر أكثر من 3,800 عنقود في الربع الأول من عام 24. على الرغم من أن Render لا تدعم العناقيد، إلا أن طريقة عملها مشابهة للعناقيد، حيث تقوم بتفكيك إطار فردي إلى عدة عقد مختلفة لمعالجة نطاقات مختلفة من الإطارات في آن واحد. تدعم Phala حاليًا وحدات المعالجة المركزية فقط، لكنها تسمح بتجميع وحدات المعالجة المركزية.

من المهم دمج إطار التجميع في شبكة سير عمل الذكاء الاصطناعي، ولكن عدد ونوع وحدات معالجة الرسومات (GPU) المطلوبة لتلبية احتياجات مطوري الذكاء الاصطناعي هو مسألة أخرى.

خصوصية البيانات

تتطلب تطوير نماذج الذكاء الاصطناعي استخدام مجموعات بيانات كبيرة، وقد تأتي هذه المجموعات من مصادر متنوعة، بأشكال مختلفة. قد تواجه مجموعات البيانات الحساسة خطر الكشف لمقدمي النماذج. من الضروري اتخاذ تدابير أمان كافية عند استخدام الذكاء الاصطناعي. لذلك، فإن امتلاك مجموعة متنوعة من طرق خصوصية البيانات أمر بالغ الأهمية لإعادة السيطرة على البيانات لمقدمي البيانات.

تستخدم معظم المشاريع نوعًا ما من تشفير البيانات لحماية خصوصية البيانات. يستخدم Render التشفير ومعالجة التجزئة عند نشر نتائج التقديم مرة أخرى على الشبكة، بينما تتبنى io.net وGensyn نوعًا ما من تشفير البيانات. تستخدم Akash مصادقة mTLS، مما يسمح فقط لمزودي الخدمة المختارين من قبل المستأجرين باستلام البيانات.

أطلقت io.net مؤخرًا تعاونًا مع Mind Network لتقديم تشفير متجانس تمامًا ###FHE(، مما يسمح بمعالجة البيانات المشفرة دون الحاجة إلى فك تشفيرها أولاً. هذه الابتكار يمكن أن يضمن خصوصية البيانات بشكل أفضل من تقنيات التشفير الحالية.

أدخلت شبكة فالا بيئة تنفيذ موثوقة )TEE(، وهي منطقة أمان متصلة بمعالج الجهاز الرئيسي. من خلال هذه الآلية المعزولة، يمكنها منع العمليات الخارجية من الوصول إلى البيانات أو تعديلها، بغض النظر عن مستوى أذوناتهم. بالإضافة إلى TEE، فقد دمجت أيضًا استخدام zk-proofs في مُحقق zkDCAP وواجهة سطر الأوامر jtee، لتكامل البرامج مع RiscZero zkVM.

! [تقاطع الذكاء الاصطناعي و DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(

) إثبات إكمال الحساب وفحص الجودة

توفر وحدات معالجة الرسومات (GPU) المقدمة من هذه المشاريع القدرة الحسابية لمجموعة من الخدمات. نظرًا لأن نطاق الخدمات واسع، بدءًا من عرض الرسوم البيانية إلى الحوسبة الذكية، فإن الجودة النهائية لمثل هذه المهام قد لا تتوافق دائمًا مع معايير المستخدمين. يمكن استخدام شكل إثبات الإنجاز للإشارة إلى أن وحدة معالجة الرسومات المحددة المستأجرة من قبل المستخدم قد تم استخدامها بالفعل لتشغيل الخدمة المطلوبة، وتكون فحص الجودة مفيدًا للمستخدمين الذين يطلبون إتمام مثل هذه الأعمال.

بعد انتهاء الحساب، ستقوم Gensyn و Aethir بإنشاء إثباتات للدلالة على أن العمل قد اكتمل، بينما تشير إثباتات io.net إلى أن أداء GPU المستأجر قد تم استغلاله بالكامل دون حدوث أي مشاكل. ستقوم Gensyn و Aethir بإجراء فحص جودة للحسابات المكتملة. بالنسبة لـ Gensyn، يستخدم المدققون لإعادة تشغيل جزء من محتوى الإثباتات التي تم إنشاؤها للتحقق من مطابقتها للإثباتات، بينما يقوم المبلغون بدور طبقة إضافية من الفحص للمدققين. تستخدم Aethir نقاط الفحص لتحديد جودة الخدمة، وتفرض عقوبات على الخدمات التي تقل عن المعايير. تنصح Render باستخدام عملية حل النزاعات، وإذا اكتشف مجلس المراجعة وجود مشاكل في نقطة، فسيتم تقليص تلك النقطة. بعد الانتهاء من Phala، سيتم إنشاء إثبات TEE لضمان تنفيذ وكيل الذكاء الاصطناعي للعمليات المطلوبة على السلسلة.

بيانات إحصاءات الأجهزة

| | ريندر | أكاش | io.net | جنسن | أثير | فالا | |-------------|--------|-------|--------|------------|------------|--------| | عدد وحدات معالجة الرسوميات | 5600 | 384 | 38177 | - | 40000+ | - | | عدد المعالجات | 114 | 14672 | 5433 | - | - | 30000+ | | عدد H100/A100 | - | 157 | 2330 | - | 2000+ | - | | تكلفة H100/ساعة | - | $1.46 | $1.19 | - | - | - | | تكلفة A100/ساعة | - | $1.37 | $1.50 | $0.55 ### متوقع ( | $0.33 ) متوقع ( | - |

! [تقاطع الذكاء الاصطناعي و DePIN])https://img-cdn.gateio.im/webp-social/moments-df4f88879b53c4aa604b248fc9ff393a.webp(

) متطلبات GPU عالية الأداء

نظرًا لأن تدريب نماذج الذكاء الاصطناعي يتطلب أفضل أداء لوحدات معالجة الرسوميات (GPU)، يميل المطورون إلى استخدام وحدات معالجة الرسوميات مثل Nvidia A100 و H100. أداء الاستدلال لـ H100 أسرع 4 مرات من A100.