AI et DePIN : l'essor des réseaux GPU distribués

Depuis 2023, l'IA et le DePIN sont devenus des tendances populaires dans le domaine du Web3, la première atteignant une capitalisation boursière de 30 milliards de dollars, et la seconde de 23 milliards de dollars. Cet article se concentre sur l'intersection des deux et explore le développement des protocoles dans ce domaine.

Dans la pile technologique de l'IA, le réseau DePIN fournit une utilité à l'IA grâce à des ressources de calcul. Le développement des grandes entreprises technologiques a conduit à une pénurie de GPU, rendant difficile pour d'autres développeurs d'obtenir suffisamment de GPU pour le calcul des modèles d'IA. Cela conduit souvent les développeurs à choisir des fournisseurs de cloud centralisés, mais en raison de la nécessité de signer des contrats rigides à long terme pour du matériel haute performance, l'efficacité est faible.

DePIN offre une alternative plus flexible et plus rentable, en utilisant des récompenses en tokens pour inciter les contributions de ressources qui répondent aux objectifs du réseau. Dans le domaine de l'IA, DePIN externalise les ressources GPU des propriétaires individuels vers des centres de données, créant ainsi une offre unifiée pour les utilisateurs ayant besoin d'accéder au matériel. Ces réseaux non seulement offrent aux développeurs ayant besoin de capacité de calcul une personnalisation et un accès à la demande, mais fournissent également un revenu supplémentaire aux propriétaires de GPU.

Aperçu du réseau DePIN AI

Render est un pionnier du réseau P2P fournissant des capacités de calcul GPU, se concentrant auparavant sur le rendu graphique pour la création de contenu, puis élargissant son champ d'application pour inclure des tâches de calcul AI allant des champs de réflexion neuronale à l'IA générative.

Akash se positionne comme une alternative "super cloud" aux plateformes traditionnelles qui supportent le stockage, le calcul GPU et CPU. En utilisant des outils conviviaux pour les développeurs tels que des plateformes de conteneurs et des nœuds de calcul gérés par Kubernetes, il permet un déploiement sans couture de logiciels à travers différents environnements, ce qui permet d'exécuter n'importe quelle application native du cloud.

io.net offre un accès aux clusters cloud GPU distribués, spécialement conçus pour les cas d'utilisation en IA et en ML. Il agrège des GPU provenant de centres de données, de mineurs de cryptomonnaies et d'autres réseaux décentralisés.

Gensyn fournit des capacités de calcul GPU axées sur l'apprentissage automatique et l'apprentissage profond. Il prétend avoir mis en place un mécanisme de validation plus efficace en combinant des concepts tels que les preuves de l'apprentissage, les protocoles de localisation précise basés sur des graphes, ainsi que des jeux d'incitation impliquant des fournisseurs de calcul par le biais de la mise en jeu et de la réduction.

Aethir est spécialement conçu pour les GPU d'entreprise, se concentrant sur des domaines à forte intensité de calcul, principalement l'intelligence artificielle, l'apprentissage automatique, le cloud gaming, etc. Les conteneurs dans son réseau agissent comme des points de terminaison virtuels exécutant des applications basées sur le cloud, déplaçant les charges de travail des appareils locaux vers les conteneurs pour offrir une expérience à faible latence.

Phala Network sert de couche d'exécution pour les solutions Web3 AI. Sa blockchain est une solution de cloud computing sans confiance, conçue pour traiter les problèmes de confidentialité grâce à son environnement d'exécution de confiance (TEE). Sa couche d'exécution permet aux agents AI d'être contrôlés par des contrats intelligents sur la chaîne.

Comparaison de projet

| | Rendre | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Matériel | GPU \ & CPU | GPU \ & CPU | GPU \ & CPU | GPU | GPU | CPU | | Points clés | Rendu graphique et IA | Cloud computing, rendu et IA | IA | IA | Intelligence artificielle, jeux cloud et télécommunications | Exécution AI sur la chaîne | | Type de tâche AI | Inférence | Les deux | Les deux | Entraînement | Entraînement | Exécution | | Prix du travail | Prix basé sur la performance | Enchères inversées | Prix du marché | Prix du marché | Système d'appel d'offres | Calcul des droits | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Confidentialité des données | Cryptage&Hachage | Authentification mTLS | Cryptage des données | Cartographie sécurisée | Cryptage | TEE | | Coût de travail | Chaque tâche 0,5-5% | 20% USDC, 4% AKT | 2% USDC, 0,25% frais de réserve | Frais bas | Chaque session 20% | Proportionnel au montant staké | | Sécurité | Preuve de rendu | Preuve d'équité | Preuve de calcul | Preuve d'équité | Preuve de capacité de rendu | Hérité de la chaîne relais | | Preuve de réalisation | - | - | Preuve de verrouillage temporel | Preuve d'apprentissage | Preuve de travail de rendu | Preuve TEE | | Assurance qualité | Controverse | - | - | Vérificateur et dénonciateur | Nœud vérificateur | Preuve distante | | GPU Cluster | Non | Oui | Oui | Oui | Oui | Non |

importance

Disponibilité du calcul en cluster et parallèle

Le cadre de calcul distribué a mis en place un cluster GPU, offrant une formation plus efficace sans compromettre la précision du modèle, tout en renforçant l'évolutivité. Former des modèles d'IA plus complexes nécessite une puissance de calcul robuste, qui doit souvent s'appuyer sur le calcul distribué pour répondre à ces besoins. La plupart des projets clés ont maintenant intégré des clusters pour réaliser un calcul parallèle.

Protection des données

Le développement de modèles d'IA nécessite l'utilisation de grands ensembles de données, qui peuvent provenir de diverses sources et prendre différentes formes. Les ensembles de données sensibles, tels que les dossiers médicaux personnels et les données financières des utilisateurs, peuvent présenter un risque d'exposition aux fournisseurs de modèles. Par conséquent, il est crucial de disposer de diverses méthodes de protection des données pour restituer le contrôle des données aux fournisseurs de données.

La plupart des projets couverts utilisent une forme de cryptage des données pour protéger la vie privée des données. io.net a récemment collaboré avec Mind Network pour lancer un chiffrement homomorphe complet (FHE), permettant de traiter des données chiffrées sans avoir besoin de les déchiffrer au préalable. Phala Network a introduit TEE, c'est-à-dire une zone de sécurité dans le processeur principal de l'appareil connecté.

Données statistiques matérielles

| | Rendre | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Nombre de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Nombre de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Nombre H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Coût H100/heure | - | $1.46 | $1.19 | - | - | - | | Coût A100/heure | - | $1.37 | $1.50 | $0.55 ( prévu ) | $0.33 ( prévu ) | - |

conclusion

Le domaine de l'AI DePIN reste encore relativement nouveau et fait face à ses propres défis. Cependant, le nombre de tâches exécutées et de matériel dans ces réseaux GPU décentralisés continue d'augmenter de manière significative. L'augmentation constante du volume de tâches exécutées sur ces réseaux souligne une demande croissante pour des alternatives aux ressources matérielles des fournisseurs de cloud Web2. Parallèlement, l'explosion du nombre de fournisseurs de matériel dans ces réseaux met en évidence une offre auparavant sous-utilisée.

En regardant vers l'avenir, la trajectoire de développement de l'intelligence artificielle pointe vers un marché florissant de plusieurs milliers de milliards de dollars. Nous pensons que ces réseaux GPU décentralisés joueront un rôle clé en fournissant des alternatives de calcul économiques et efficaces pour les développeurs. En exploitant leur réseau pour combler constamment le fossé entre la demande et l'offre, ces réseaux contribueront de manière significative au paysage futur de l'intelligence artificielle et de l'infrastructure informatique.