A interseção entre AI e DePIN: a ascensão das redes de computação em GPU distribuídas

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

Na pilha de tecnologia de IA, a rede DePIN fornece utilidade para a IA através de recursos computacionais. O desenvolvimento de grandes empresas de tecnologia levou à escassez de GPUs, dificultando a obtenção de GPUs suficientes para cálculos por outros desenvolvedores. Isso frequentemente leva os desenvolvedores a escolher fornecedores de nuvem centralizados, mas devido à necessidade de assinar contratos de hardware de alto desempenho de longo prazo e inflexíveis, a eficiência é baixa.

DePIN oferece essencialmente uma alternativa mais flexível e econômica, incentivando a contribuição de recursos que atendem aos objetivos da rede através de recompensas em tokens. No campo da IA, o DePIN faz o crowdsourcing de recursos de GPU de proprietários individuais para centros de dados, formando uma oferta unificada para usuários que precisam acessar hardware. Essas redes DePIN não só oferecem personalização e acesso sob demanda para desenvolvedores que precisam de capacidade de computação, mas também proporcionam uma renda extra para os proprietários de GPU.

Existem várias redes DePIN de IA no mercado, este artigo irá explorar o papel, os objetivos e os destaques já alcançados de cada protocolo.

Visão Geral da Rede DePIN de IA

Render é o pioneiro na rede P2P que oferece capacidade de computação GPU, anteriormente focado na renderização de gráficos para criação de conteúdo, expandiu seu escopo para incluir tarefas de computação que vão desde campos neurais (NeRF) até IA generativa, através da integração de ferramentas como Stable Diffusion.

Destaques:

1. Fundada pela empresa de gráficos em nuvem OTOY, que possui tecnologia premiada com o Oscar.

2. A rede GPU tem sido utilizada por grandes empresas do setor de entretenimento, como a Paramount Pictures, PUBG e Star Trek.

3. Colaborar com a Stability AI e a Endeavor, integrando os modelos de IA com o fluxo de trabalho de renderização de conteúdo 3D utilizando os GPUs da Render.

4. Aprovar múltiplos clientes de computação, integrar mais GPUs da rede DePIN

Akash posiciona-se como uma alternativa "super nuvem" aos tradicionais plataformas de armazenamento, computação GPU e CPU como o AWS(. Com ferramentas amigáveis para os desenvolvedores, como a plataforma de contêiner Akash e nós de computação geridos pelo Kubernetes, é capaz de implantar software de forma contínua em diferentes ambientes, permitindo a execução de qualquer aplicação nativa em nuvem.

Destaques:

1. Tarefas de computação abrangentes que vão desde a computação genérica até a hospedagem na rede

2. AkashML permite que a sua rede GPU execute mais de 15.000 modelos na Hugging Face, enquanto está integrada com a Hugging Face.

3. A Akash hospeda algumas aplicações notáveis, como o chatbot do modelo LLM da Mistral AI, o modelo de texto para imagem SDXL da Stability AI, e o novo modelo básico AT-1 da Thumper AI.

4. A construção de plataformas para o metaverso, implementação de IA e aprendizado federado está a utilizar o Supercloud

io.net fornece acesso a clusters de nuvem GPU distribuídos, que são especialmente projetados para casos de uso de IA e ML. Ele agrega GPUs de centros de dados, mineradores de criptomoedas e outras redes descentralizadas. A empresa era anteriormente uma empresa de trading quantitativo, tendo mudado para o negócio atual após um aumento acentuado nos preços de GPUs de alto desempenho.

Destaque:

1. A sua IO-SDK é compatível com frameworks como PyTorch e Tensorflow, e a sua arquitetura em múltiplas camadas pode ser automaticamente expandida de forma dinâmica de acordo com as necessidades de cálculo.

2. Suporta a criação de 3 tipos diferentes de clusters, podendo ser iniciados em 2 minutos.

3. Colaborar com outras redes DePIN ) como Render, Filecoin, Aethir e Exabits (, integrando recursos de GPU

Gensyn oferece capacidade de computação GPU focada em aprendizado de máquina e aprendizado profundo. Afirma que, ao combinar conceitos como prova de aprendizado, protocolos de localização precisa baseados em gráfico, e jogos de incentivo envolvendo provedores de computação com staking e redução, conseguiu implementar um mecanismo de verificação mais eficiente do que os métodos existentes.

Destaques:

1. O custo por hora de um GPU equivalente a V100 é estimado em cerca de 0,40 dólares, o que representa uma grande economia de custos.

2. Através da prova de empilhamento, é possível ajustar um modelo base previamente treinado para completar tarefas mais específicas.

3. Estes modelos básicos serão descentralizados, de propriedade global, e oferecerão funcionalidades adicionais além da rede de computação de hardware.

Aethir é especializado em GPU empresariais, focando em áreas de alta intensidade computacional, principalmente em IA, aprendizado de máquina )ML(, jogos em nuvem, entre outros. Os contêineres na sua rede atuam como pontos finais virtuais para executar aplicativos baseados em nuvem, transferindo a carga de trabalho de dispositivos locais para os contêineres, proporcionando uma experiência de baixa latência. Para garantir a prestação de serviços de qualidade aos usuários, eles movem as GPUs mais perto das fontes de dados com base na demanda e na localização, ajustando assim os recursos.

Destaques:

1. Além da IA e dos jogos na nuvem, a Aethir também se expandiu para serviços de smartphones na nuvem, lançando um smartphone inteligente descentralizado em parceria com a APhone.

2. Estabelecer uma ampla colaboração com grandes empresas Web2 como NVIDIA, Super Micro, HPE, Foxconn e Well Link.

3. Colaboração com vários parceiros no Web3 como CARV, Magic Eden, Sequence, Impossible Finance, etc. )

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 do uso de um ambiente de execução confiável (TEE). Sua camada de execução não é usada como a camada de computação para modelos de IA, mas sim para permitir que agentes de IA sejam controlados por contratos inteligentes na cadeia.

Destaques:

1. Actuar como um protocolo de coprocessador de computação verificável, permitindo ao agente de IA aceder a recursos na blockchain.

2. O contrato de agente AI pode obter modelos de linguagem de ponta como OpenAI, Llama, Claude e Hugging Face através do Redpill.

3. O futuro incluirá zk-proofs, computação multipartidária (MPC), criptografia homomórfica completa (FHE) e outros sistemas de provas múltiplas.

4. Futuramente suportará outras GPUs 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 Blockchain | | Tipo de tarefa de IA | Inferência | Ambos | Ambos | Treinamento | Treinamento | Execução | | Preço 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&Hashing | Autenticação mTLS | Criptografia de Dados | Mapeamento Seguro | Criptografia | TEE | | Custos de trabalho | 0,5-5% por trabalho | 20% USDC, 4% AKT | 2% USDC, 0,25% custo de reserva | Custos baixos | 20% por sessão | Proporcional ao valor em staking | | Segurança | Prova de Renderização | Prova de Participação | Prova de Cálculo | Prova de Participação | Prova de Capacidade de Renderização | Herdado da Cadeia de Intermediação | | Prova de conclusão | - | - | Prova de bloqueio temporal | Prova de aprendizado | Prova de trabalho de renderização | Prova de TEE | | Garantia de Qualidade | Controvérsia | - | - | Verificador e Denunciante | Nó de Verificação | Prova Remota | | GPU Cluster | Não | Sim | Sim | Sim | Sim | Não |

( importância

Disponibilidade de cluster e computação paralela

A estrutura de computação distribuída implementou um cluster de GPU, fornecendo um treinamento mais eficiente sem comprometer a precisão do modelo, ao mesmo tempo que melhora a escalabilidade. Treinar modelos de IA complexos requer uma poderosa capacidade de computação, geralmente dependendo da computação distribuída para atender à demanda. O modelo GPT-4 da OpenAI possui mais de 1,8 trilhões de parâmetros, sendo treinado em aproximadamente 25.000 GPUs Nvidia A100 em 128 clusters ao longo de 3 a 4 meses.

Anteriormente, Render e Akash ofereciam apenas GPUs de uso único, o que poderia limitar a demanda de mercado por GPUs. No entanto, a maioria dos projetos focados já integrou clusters para realizar computação paralela. A io.net colaborou com projetos como Render, Filecoin e Aethir para incluir mais GPUs em sua rede e já implantou com sucesso mais de 3.800 clusters no primeiro trimestre de 2024. Embora a Render não suporte clusters, seu funcionamento é semelhante ao de clusters, decompondo um único quadro em vários nós diferentes para processar simultaneamente quadros de diferentes faixas. A Phala atualmente suporta apenas CPU, mas permite a criação de clusters de trabalhadores de CPU.

É muito importante integrar a estrutura de clusters na rede de fluxos de trabalho de IA, mas o número e o tipo de GPUs de cluster necessários para atender às necessidades dos desenvolvedores de IA é outra questão.

Privacidade de Dados

Desenvolver modelos de IA requer o uso de grandes conjuntos de dados, que podem vir de várias fontes e ter formas diferentes. Conjuntos de dados sensíveis podem enfrentar o risco de serem expostos a fornecedores de modelos. Tomar medidas de segurança adequadas é crucial para o uso de IA. Portanto, ter uma variedade de métodos de privacidade de dados é fundamental para devolver o controle dos dados aos fornecedores de dados.

A maioria dos projetos utiliza alguma forma de criptografia de dados para proteger a privacidade dos dados. O Render utiliza criptografia e processamento de hash ao publicar os resultados da renderização de volta na rede, enquanto o io.net e o Gensyn adotam alguma forma de criptografia de dados. O Akash utiliza autenticação mTLS, permitindo apenas que os provedores escolhidos pelos inquilinos recebam dados.

A io.net lançou recentemente uma parceria com a Mind Network para introduzir a criptografia totalmente homomórfica )FHE###, permitindo o processamento de dados criptografados sem a necessidade de os descriptografar primeiro. Esta inovação pode garantir a privacidade dos dados de forma mais eficaz do que as tecnologias de criptografia existentes.

A Phala Network introduziu um Ambiente de Execução Confiável (TEE), que se conecta à área segura do processador principal do dispositivo. Através desse mecanismo de isolamento, ele pode impedir que processos externos acessem ou modifiquem dados, independentemente do nível de permissão. Além do TEE, ele também integrou o uso de zk-proofs em seu validador zkDCAP e na interface de linha de comando jtee, para programas integrados com o RiscZero zkVM.

( Prova de cálculo completada e verificação de qualidade

Os GPUs disponibilizados por esses projetos podem fornecer capacidade de cálculo para uma variedade de serviços. Devido ao amplo alcance dos serviços, desde a renderização de gráficos até o cálculo de IA, a qualidade final de tais tarefas pode não estar sempre em conformidade com os padrões dos usuários. É possível utilizar um comprovativo de conclusão para indicar que o GPU específico alugado pelo usuário foi efetivamente utilizado para executar os serviços requeridos, e a verificação de qualidade é benéfica para os usuários que solicitam a conclusão de tais trabalhos.

Após a conclusão do cálculo, tanto a Gensyn quanto a Aethir geram provas para indicar que o trabalho foi realizado, enquanto a prova da io.net indica que o desempenho da GPU alugada foi plenamente aproveitado e sem problemas. A Gensyn e a Aethir realizam verificações de qualidade nos cálculos concluídos. Para a Gensyn, ela utiliza validadores para reexecutar parte do conteúdo da prova gerada a fim de verificar com a prova, enquanto os denunciantes atuam como uma camada adicional de verificação para os validadores. A Aethir utiliza nós de verificação para determinar a qualidade do serviço, penalizando serviços abaixo do padrão. A Render sugere o uso de um processo de resolução de disputas, onde, se o comitê de revisão encontrar problemas com um nó, este será penalizado. Após a conclusão da Phala, uma prova TEE é gerada, garantindo que o agente de IA execute as operações necessárias na cadeia.

Estatísticas de Hardware

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Número de GPUs | 5600 | 384 | 38177 | - | 40000+ | - | | Número de CPUs | 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

Devido à necessidade de GPUs de desempenho otimizado para o treinamento de modelos de IA, os desenvolvedores tendem a usar GPUs como a A100 e a H100 da Nvidia. O desempenho de inferência da H100 é 4 vezes mais rápido que o da A100.