Пересечение ИИ и DePIN: восхождение децентрализованных GPU сетей
С 2023 года AI и DePIN стали热门话题 в области Web3, рыночная капитализация которых достигла 30 миллиардов долларов и 23 миллиардов долларов соответственно. Эта статья исследует пересечение двух понятий и изучает развитие протоколов в данной области.
В стеке технологий ИИ сеть DePIN предоставляет практическое применение ИИ через вычислительные ресурсы. Развитие крупных технологических компаний привело к нехватке GPU, что создало нехватку достаточного количества GPU для других разработчиков. Это часто приводит к выбору централизованных облачных провайдеров, но необходимость подписания неэластичных долгосрочных контрактов на высокопроизводительное оборудование приводит к неэффективности.
DePIN в своей сути предлагает более гибкое и экономически эффективное решение, использующее токенизированные вознаграждения для стимулирования вкладов ресурсов, соответствующих целям сети. DePIN в области ИИ краудсорсит ресурсы GPU от частных владельцев к дата-центрам, формируя единое предложение для пользователей, нуждающихся в доступе к оборудованию. Эти сети DePIN не только обеспечивают разработчиков, нуждающихся в вычислительных мощностях, возможностью настройки и доступом по запросу, но и предоставляют владельцам GPU дополнительный доход.
Render является пионером P2P сети, предоставляющей вычислительную мощность GPU, ранее сосредоточенной на рендеринге графики для создания контента, а затем расширившей свои возможности до включения ИИ вычислительных задач, от нейронных отражающих полей (NeRF) до генеративного ИИ.
Интересно:
Основана облачной графической компанией OTOY, обладающей технологией, награжденной Оскаром.
GPU-сеть была использована такими крупными компаниями развлекательной отрасли, как Paramount Pictures, PUBG, Звёздный путь и другими.
Сотрудничая с Stability AI и Endeavor, интегрировать их AI-модели с рабочим процессом рендеринга 3D-контента, используя GPU Render.
Одобрение нескольких вычислительных клиентов, интеграция большего количества GPU DePIN сети
Akash позиционирует себя как "супероблачную" альтернативу традиционным платформам, поддерживающим хранение, вычисления на GPU и CPU. Используя такие удобные для разработчиков инструменты, как платформа контейнеров Akash и управляемые Kubernetes вычислительные узлы, она может бесшовно развертывать программное обеспечение в различных средах, что позволяет запускать любые облачные нативные приложения.
Интересная часть:
Для широкого спектра вычислительных задач от общего вычисления до хостинга в сети
AkashML позволяет своей GPU-сети запускать более 15 000 моделей на Hugging Face, одновременно интегрируясь с Hugging Face.
На Akash размещены некоторые заметные приложения, такие как чат-бот на основе модели LLM от Mistral AI, текстово-графическая модель SDXL от Stability AI, а также новая базовая модель AT-1 от Thumper AI.
Платформы для создания мета-вселенной, развертывания искусственного интеллекта и федеративного обучения используют Supercloud
io.net предоставляет доступ к распределенным GPU облачным кластерам, которые специально предназначены для AI и ML случаев использования. Он агрегирует GPU из таких областей, как дата-центры, криптошахтеры и другие Децентрализация сети. Компания ранее была компанией по количественной торговле и после резкого роста цен на высокопроизводительные GPU она перешла к текущему бизнесу.
Интересно:
Его IO-SDK совместим с такими фреймворками, как PyTorch и Tensorflow, а его многослойная архитектура может автоматически динамически масштабироваться в зависимости от вычислительных потребностей.
Поддержка создания 3 различных типов кластеров, которые можно запустить за 2 минуты.
Сильные совместные усилия для интеграции GPU других DePIN сетей, включая Render, Filecoin, Aethir и Exabits
Gensyn предоставляет вычислительные мощности GPU, сосредоточенные на машинном обучении и глубоких нейронных сетях. Он утверждает, что по сравнению с существующими методами, благодаря комбинированию таких концепций, как доказательство работы на основе обучения для верификации, графический точный протокол для повторной проверки работы, а также игры с Truebit-стимулированием, связанной с поставщиками вычислений, он достиг более эффективного механизма верификации.
Интересно:
Ожидается, что стоимость эквивалентного GPU V100 составит около 0,40 долларов США в час, что значительно сэкономит затраты.
С помощью стекирования доказательств можно дообучить предобученную базовую модель для выполнения более конкретных задач.
Эти базовые модели будут децентрализованными, глобально принадлежащими, и помимо аппаратных вычислительных сетей будут предоставлять дополнительные функции.
Aethir специально оснащен корпоративными GPU, сосредоточен на вычислительно интенсивных областях, в основном в области искусственного интеллекта, машинного обучения ( ML ), облачного игрового сервиса и т.д. Контейнеры в его сети действуют как виртуальные конечные точки для выполнения облачных приложений, перемещая рабочую нагрузку с локальных устройств в контейнеры для обеспечения низкой задержки. Чтобы гарантировать предоставление качественных услуг пользователям, они перемещают GPU ближе к источнику данных в зависимости от потребностей и местоположения, тем самым регулируя ресурсы.
Интересно:
Кроме искусственного интеллекта и облачных игр, Aethir также расширился на облачные мобильные услуги и совместно с APhone выпустил децентрализованный облачный смартфон.
Установлены широкие партнерские отношения с крупными компаниями Web2, такими как NVIDIA, Super Micro, HPE, Foxconn и Well Link.
Несколько партнеров в Web3, таких как CARV, Magic Eden, Sequence, Impossible Finance и др.
Phala Network выступает в качестве исполнительного слоя для Web3 AI решений. Его блокчейн является решением для облачных вычислений без доверия, разработанным для решения проблем конфиденциальности с использованием его доверенной исполняемой среды (TEE). Его исполнительный слой не используется в качестве вычислительного слоя для AI моделей, а позволяет AI агентам управляться смарт-контрактами на блокчейне.
Интересно:
Являться протоколом сопроцессора для верифицируемых вычислений, одновременно позволяя AI-агентам использовать ресурсы на блокчейне.
Их контракты на искусственный интеллект могут получать доступ к таким передовым крупным языковым моделям, как OpenAI, Llama, Claude и Hugging Face через Redpill.
Будущее будет включать zk-доказательства, многопартийные вычисления (MPC), полностью однородное шифрование (FHE) и другие многократные системы доказательства.
В будущем поддержка H100 и других TEE GPU, повышение вычислительной мощности
| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Основные направления бизнеса | Графическая визуализация и ИИ | Облачные вычисления, визуализация и ИИ | ИИ | ИИ | Искусственный интеллект, облачные игры и телекоммуникации | Выполнение ИИ на блокчейне |
| Типы задач AI | Вывод | Оба | Оба | Обучение | Обучение | Выполнение |
| Ценовая политика | Ценообразование на основе производительности | Обратные аукционы | Рыночное ценообразование | Рыночное ценообразование | Система тендеров | Расчет прав собственности |
| Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек |
| Защита данных | Шифрование&Хеширование | mTLS-аутентификация | Шифрование данных | Безопасная карта | Шифрование | TEE |
| Рабочие расходы | 0.5-5% за каждую работу | 20% USDC, 4% AKT | 2% USDC, 0.25% резервный сбор | Низкие расходы | 20% за каждую сессию | Пропорционально сумме ставки |
| Безопасность | Рендеринг доказательства | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство вычислительных возможностей | Унаследовано от промежуточной цепи |
| Подтверждение завершения | - | - | Подтверждение временной блокировки | Подтверждение обучения | Подтверждение рендеринга | Подтверждение TEE |
| Гарантия качества | Споры | - | - | Проверяющий и举报人 | Узел проверяющего | Удаленное доказательство |
| GPU-кластер | Нет | Да | Да | Да | Да | Нет |
Важность
Доступность кластеров и параллельных вычислений
Распределенная вычислительная система реализует кластер GPU, обеспечивая более эффективное обучение без ущерба для точности модели, одновременно улучшая масштабируемость. Для обучения более сложных AI моделей требуется мощная вычислительная способность, что обычно требует использования распределенных вычислений для удовлетворения этих потребностей. С более интуитивной точки зрения, модель GPT-4 от OpenAI имеет более 1,8 триллиона параметров и обучалась в течение 3-4 месяцев, используя около 25 000 Nvidia A100 GPU в 128 кластерах.
Ранее Render и Akash предоставляли только одноцелевые GPU, что могло ограничить их рыночный спрос на GPU. Тем не менее, большинство ключевых проектов теперь интегрировали кластеры для параллельных вычислений. io.net сотрудничает с Render, Filecoin и другими проектами, чтобы включить больше GPU в свою сеть, и успешно развернул более 3 800 кластеров в первом квартале 24 года. Хотя Render не поддерживает кластеры, его работа аналогична кластерам, разбивая отдельные кадры на несколько различных узлов для одновремной обработки разных диапазонов кадров. Phala в настоящее время поддерживает только CPU, но позволяет кластеризовать CPU-работников.
Очень важно интегрировать кластерную инфраструктуру в сеть рабочих процессов ИИ, но необходимое количество и типы кластерных GPU для удовлетворения потребностей разработчиков ИИ — это отдельный вопрос, который мы обсудим в последующих разделах.
Конфиденциальность данных
Разработка моделей ИИ требует использования больших объемов данных, которые могут поступать из различных источников и иметь разные форматы. Чувствительные наборы данных, такие как личные медицинские записи и финансовые данные пользователей, могут подвергаться риску раскрытия поставщикам моделей. Samsung внутренне запретил использование ChatGPT из-за опасений по поводу того, что загрузка чувствительного кода на платформу может нарушить конфиденциальность, а инцидент с утечкой 38 ТБ частных данных Microsoft еще больше подчеркивает важность принятия достаточных мер безопасности при использовании ИИ. Поэтому наличие различных методов защиты данных имеет решающее значение для возвращения контроля над данными поставщикам данных.
Большинство охватываемых проектов используют какую-либо форму шифрования данных для защиты конфиденциальности данных. Шифрование данных обеспечивает защиту передачи данных от поставщика данных к поставщику модели ( и получателю данных ) в сети. Render использует шифрование и хеширование при публикации результатов рендеринга обратно в сеть, в то время как io.net и Gensyn применяют какую-либо форму шифрования данных. Akash использует аутентификацию mTLS, позволяя получать данные только тем провайдерам, которых выбрал арендатор.
Однако, io.net недавно сотрудничала с Mind Network для запуска полностью однородного шифрования (FHE), позволяющего обрабатывать зашифрованные данные без предварительного расшифрования. Эта инновация может лучше защищать конфиденциальность данных по сравнению с существующими технологиями шифрования, позволяя безопасно передавать данные для обучения без раскрытия личности и содержания данных.
Phala Network внедрила TEE, то есть защищенную область в основном процессоре подключенного устройства. Благодаря этому механизму изоляции, он может предотвратить доступ или изменение данных внешними процессами, независимо от уровня их привилегий, даже если у физического лица есть физический доступ к машине. Кроме TEE, он также объединил использование zk-доказательств в своем zkDCAP валидаторе и командном интерфейсе jtee для интеграции с программами, совместимыми с RiscZero zkVM.
Подтверждение завершения расчетов и контроль качества
Эти проекты предлагают GPU, которые могут предоставить вычислительную мощность для ряда услуг. Поскольку эти услуги охватывают широкий спектр, от рендеринга графики до AI вычислений, конечное качество таких задач может не всегда соответствовать стандартам пользователей. Можно использовать форму доказательства выполнения для подтверждения того, что арендованный пользователем конкретный GPU действительно использовался для выполнения требуемых услуг, и проверка качества полезна для пользователей, запрашивающих выполнение таких работ.
После завершения вычислений Gensyn и Aethir создадут доказательства, подтверждающие выполнение работы, в то время как доказательство io.net указывает на то, что производительность арендованных GPU была полностью использована и проблем не возникло. Gensyn и Aethir проведут проверку качества завершенных вычислений. Для Gensyn используется повторный запуск части сгенерированных доказательств валидатором для проверки их с доказательством, а информатор выступает в роли дополнительной проверки валидатора. В то же время Aethir использует проверочные узлы для определения качества обслуживания и наказывает за услуги, которые не соответствуют стандартам. Render рекомендует использовать процесс разрешения споров: если комитет по проверке обнаружит проблемы с узлом, он будет сокращён. После завершения Phala будет создано доказательство TEE, обеспечивающее выполнение необходимых операций AI-агентом на блокчейне.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
18 Лайков
Награда
18
6
Поделиться
комментарий
0/400
RektButStillHere
· 07-23 21:34
Вместо того чтобы копать на майнинг-картах, лучше увеличьте вычислительную мощность, чтобы стабильно выигрывать.
Посмотреть ОригиналОтветить0
BottomMisser
· 07-23 18:19
GPU сейчас немного заставляет людей волноваться
Посмотреть ОригиналОтветить0
MetaverseLandlord
· 07-22 17:44
Кто сказал, что зарабатывать деньги нельзя серьезно? Поднимайся, эта волна стабильна.
Посмотреть ОригиналОтветить0
FlashLoanLarry
· 07-22 17:38
смущает, что эти депин-игры на самом деле просто модные облачные вычисления, честно говоря... но коэффициент капиталовложений выглядит довольно заманчиво, не буду скрывать
Посмотреть ОригиналОтветить0
LongTermDreamer
· 07-22 17:36
Ха-ха, через три года куплю один риг для майнинга и полностью окуплюсь.
AI и DePIN: Возвышение децентрализованных GPU-сетей и сравнение с основными проектами
Пересечение ИИ и DePIN: восхождение децентрализованных GPU сетей
С 2023 года AI и DePIN стали热门话题 в области Web3, рыночная капитализация которых достигла 30 миллиардов долларов и 23 миллиардов долларов соответственно. Эта статья исследует пересечение двух понятий и изучает развитие протоколов в данной области.
В стеке технологий ИИ сеть DePIN предоставляет практическое применение ИИ через вычислительные ресурсы. Развитие крупных технологических компаний привело к нехватке GPU, что создало нехватку достаточного количества GPU для других разработчиков. Это часто приводит к выбору централизованных облачных провайдеров, но необходимость подписания неэластичных долгосрочных контрактов на высокопроизводительное оборудование приводит к неэффективности.
DePIN в своей сути предлагает более гибкое и экономически эффективное решение, использующее токенизированные вознаграждения для стимулирования вкладов ресурсов, соответствующих целям сети. DePIN в области ИИ краудсорсит ресурсы GPU от частных владельцев к дата-центрам, формируя единое предложение для пользователей, нуждающихся в доступе к оборудованию. Эти сети DePIN не только обеспечивают разработчиков, нуждающихся в вычислительных мощностях, возможностью настройки и доступом по запросу, но и предоставляют владельцам GPU дополнительный доход.
! Пересечение AI и DePIN
Обзор сети DePIN AI
Render является пионером P2P сети, предоставляющей вычислительную мощность GPU, ранее сосредоточенной на рендеринге графики для создания контента, а затем расширившей свои возможности до включения ИИ вычислительных задач, от нейронных отражающих полей (NeRF) до генеративного ИИ.
Интересно:
Основана облачной графической компанией OTOY, обладающей технологией, награжденной Оскаром.
GPU-сеть была использована такими крупными компаниями развлекательной отрасли, как Paramount Pictures, PUBG, Звёздный путь и другими.
Сотрудничая с Stability AI и Endeavor, интегрировать их AI-модели с рабочим процессом рендеринга 3D-контента, используя GPU Render.
Одобрение нескольких вычислительных клиентов, интеграция большего количества GPU DePIN сети
Akash позиционирует себя как "супероблачную" альтернативу традиционным платформам, поддерживающим хранение, вычисления на GPU и CPU. Используя такие удобные для разработчиков инструменты, как платформа контейнеров Akash и управляемые Kubernetes вычислительные узлы, она может бесшовно развертывать программное обеспечение в различных средах, что позволяет запускать любые облачные нативные приложения.
Интересная часть:
Для широкого спектра вычислительных задач от общего вычисления до хостинга в сети
AkashML позволяет своей GPU-сети запускать более 15 000 моделей на Hugging Face, одновременно интегрируясь с Hugging Face.
На Akash размещены некоторые заметные приложения, такие как чат-бот на основе модели LLM от Mistral AI, текстово-графическая модель SDXL от Stability AI, а также новая базовая модель AT-1 от Thumper AI.
Платформы для создания мета-вселенной, развертывания искусственного интеллекта и федеративного обучения используют Supercloud
io.net предоставляет доступ к распределенным GPU облачным кластерам, которые специально предназначены для AI и ML случаев использования. Он агрегирует GPU из таких областей, как дата-центры, криптошахтеры и другие Децентрализация сети. Компания ранее была компанией по количественной торговле и после резкого роста цен на высокопроизводительные GPU она перешла к текущему бизнесу.
Интересно:
Его IO-SDK совместим с такими фреймворками, как PyTorch и Tensorflow, а его многослойная архитектура может автоматически динамически масштабироваться в зависимости от вычислительных потребностей.
Поддержка создания 3 различных типов кластеров, которые можно запустить за 2 минуты.
Сильные совместные усилия для интеграции GPU других DePIN сетей, включая Render, Filecoin, Aethir и Exabits
Gensyn предоставляет вычислительные мощности GPU, сосредоточенные на машинном обучении и глубоких нейронных сетях. Он утверждает, что по сравнению с существующими методами, благодаря комбинированию таких концепций, как доказательство работы на основе обучения для верификации, графический точный протокол для повторной проверки работы, а также игры с Truebit-стимулированием, связанной с поставщиками вычислений, он достиг более эффективного механизма верификации.
Интересно:
Ожидается, что стоимость эквивалентного GPU V100 составит около 0,40 долларов США в час, что значительно сэкономит затраты.
С помощью стекирования доказательств можно дообучить предобученную базовую модель для выполнения более конкретных задач.
Эти базовые модели будут децентрализованными, глобально принадлежащими, и помимо аппаратных вычислительных сетей будут предоставлять дополнительные функции.
Aethir специально оснащен корпоративными GPU, сосредоточен на вычислительно интенсивных областях, в основном в области искусственного интеллекта, машинного обучения ( ML ), облачного игрового сервиса и т.д. Контейнеры в его сети действуют как виртуальные конечные точки для выполнения облачных приложений, перемещая рабочую нагрузку с локальных устройств в контейнеры для обеспечения низкой задержки. Чтобы гарантировать предоставление качественных услуг пользователям, они перемещают GPU ближе к источнику данных в зависимости от потребностей и местоположения, тем самым регулируя ресурсы.
Интересно:
Кроме искусственного интеллекта и облачных игр, Aethir также расширился на облачные мобильные услуги и совместно с APhone выпустил децентрализованный облачный смартфон.
Установлены широкие партнерские отношения с крупными компаниями Web2, такими как NVIDIA, Super Micro, HPE, Foxconn и Well Link.
Несколько партнеров в Web3, таких как CARV, Magic Eden, Sequence, Impossible Finance и др.
Phala Network выступает в качестве исполнительного слоя для Web3 AI решений. Его блокчейн является решением для облачных вычислений без доверия, разработанным для решения проблем конфиденциальности с использованием его доверенной исполняемой среды (TEE). Его исполнительный слой не используется в качестве вычислительного слоя для AI моделей, а позволяет AI агентам управляться смарт-контрактами на блокчейне.
Интересно:
Являться протоколом сопроцессора для верифицируемых вычислений, одновременно позволяя AI-агентам использовать ресурсы на блокчейне.
Их контракты на искусственный интеллект могут получать доступ к таким передовым крупным языковым моделям, как OpenAI, Llama, Claude и Hugging Face через Redpill.
Будущее будет включать zk-доказательства, многопартийные вычисления (MPC), полностью однородное шифрование (FHE) и другие многократные системы доказательства.
В будущем поддержка H100 и других TEE GPU, повышение вычислительной мощности
! Пересечение AI и DePIN
Сравнение проектов
| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Основные направления бизнеса | Графическая визуализация и ИИ | Облачные вычисления, визуализация и ИИ | ИИ | ИИ | Искусственный интеллект, облачные игры и телекоммуникации | Выполнение ИИ на блокчейне | | Типы задач AI | Вывод | Оба | Оба | Обучение | Обучение | Выполнение | | Ценовая политика | Ценообразование на основе производительности | Обратные аукционы | Рыночное ценообразование | Рыночное ценообразование | Система тендеров | Расчет прав собственности | | Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек | | Защита данных | Шифрование&Хеширование | mTLS-аутентификация | Шифрование данных | Безопасная карта | Шифрование | TEE | | Рабочие расходы | 0.5-5% за каждую работу | 20% USDC, 4% AKT | 2% USDC, 0.25% резервный сбор | Низкие расходы | 20% за каждую сессию | Пропорционально сумме ставки | | Безопасность | Рендеринг доказательства | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство вычислительных возможностей | Унаследовано от промежуточной цепи | | Подтверждение завершения | - | - | Подтверждение временной блокировки | Подтверждение обучения | Подтверждение рендеринга | Подтверждение TEE | | Гарантия качества | Споры | - | - | Проверяющий и举报人 | Узел проверяющего | Удаленное доказательство | | GPU-кластер | Нет | Да | Да | Да | Да | Нет |
Важность
Доступность кластеров и параллельных вычислений
Распределенная вычислительная система реализует кластер GPU, обеспечивая более эффективное обучение без ущерба для точности модели, одновременно улучшая масштабируемость. Для обучения более сложных AI моделей требуется мощная вычислительная способность, что обычно требует использования распределенных вычислений для удовлетворения этих потребностей. С более интуитивной точки зрения, модель GPT-4 от OpenAI имеет более 1,8 триллиона параметров и обучалась в течение 3-4 месяцев, используя около 25 000 Nvidia A100 GPU в 128 кластерах.
Ранее Render и Akash предоставляли только одноцелевые GPU, что могло ограничить их рыночный спрос на GPU. Тем не менее, большинство ключевых проектов теперь интегрировали кластеры для параллельных вычислений. io.net сотрудничает с Render, Filecoin и другими проектами, чтобы включить больше GPU в свою сеть, и успешно развернул более 3 800 кластеров в первом квартале 24 года. Хотя Render не поддерживает кластеры, его работа аналогична кластерам, разбивая отдельные кадры на несколько различных узлов для одновремной обработки разных диапазонов кадров. Phala в настоящее время поддерживает только CPU, но позволяет кластеризовать CPU-работников.
Очень важно интегрировать кластерную инфраструктуру в сеть рабочих процессов ИИ, но необходимое количество и типы кластерных GPU для удовлетворения потребностей разработчиков ИИ — это отдельный вопрос, который мы обсудим в последующих разделах.
Конфиденциальность данных
Разработка моделей ИИ требует использования больших объемов данных, которые могут поступать из различных источников и иметь разные форматы. Чувствительные наборы данных, такие как личные медицинские записи и финансовые данные пользователей, могут подвергаться риску раскрытия поставщикам моделей. Samsung внутренне запретил использование ChatGPT из-за опасений по поводу того, что загрузка чувствительного кода на платформу может нарушить конфиденциальность, а инцидент с утечкой 38 ТБ частных данных Microsoft еще больше подчеркивает важность принятия достаточных мер безопасности при использовании ИИ. Поэтому наличие различных методов защиты данных имеет решающее значение для возвращения контроля над данными поставщикам данных.
Большинство охватываемых проектов используют какую-либо форму шифрования данных для защиты конфиденциальности данных. Шифрование данных обеспечивает защиту передачи данных от поставщика данных к поставщику модели ( и получателю данных ) в сети. Render использует шифрование и хеширование при публикации результатов рендеринга обратно в сеть, в то время как io.net и Gensyn применяют какую-либо форму шифрования данных. Akash использует аутентификацию mTLS, позволяя получать данные только тем провайдерам, которых выбрал арендатор.
Однако, io.net недавно сотрудничала с Mind Network для запуска полностью однородного шифрования (FHE), позволяющего обрабатывать зашифрованные данные без предварительного расшифрования. Эта инновация может лучше защищать конфиденциальность данных по сравнению с существующими технологиями шифрования, позволяя безопасно передавать данные для обучения без раскрытия личности и содержания данных.
Phala Network внедрила TEE, то есть защищенную область в основном процессоре подключенного устройства. Благодаря этому механизму изоляции, он может предотвратить доступ или изменение данных внешними процессами, независимо от уровня их привилегий, даже если у физического лица есть физический доступ к машине. Кроме TEE, он также объединил использование zk-доказательств в своем zkDCAP валидаторе и командном интерфейсе jtee для интеграции с программами, совместимыми с RiscZero zkVM.
! Пересечение AI и DePIN
Подтверждение завершения расчетов и контроль качества
Эти проекты предлагают GPU, которые могут предоставить вычислительную мощность для ряда услуг. Поскольку эти услуги охватывают широкий спектр, от рендеринга графики до AI вычислений, конечное качество таких задач может не всегда соответствовать стандартам пользователей. Можно использовать форму доказательства выполнения для подтверждения того, что арендованный пользователем конкретный GPU действительно использовался для выполнения требуемых услуг, и проверка качества полезна для пользователей, запрашивающих выполнение таких работ.
После завершения вычислений Gensyn и Aethir создадут доказательства, подтверждающие выполнение работы, в то время как доказательство io.net указывает на то, что производительность арендованных GPU была полностью использована и проблем не возникло. Gensyn и Aethir проведут проверку качества завершенных вычислений. Для Gensyn используется повторный запуск части сгенерированных доказательств валидатором для проверки их с доказательством, а информатор выступает в роли дополнительной проверки валидатора. В то же время Aethir использует проверочные узлы для определения качества обслуживания и наказывает за услуги, которые не соответствуют стандартам. Render рекомендует использовать процесс разрешения споров: если комитет по проверке обнаружит проблемы с узлом, он будет сокращён. После завершения Phala будет создано доказательство TEE, обеспечивающее выполнение необходимых операций AI-агентом на блокчейне.
! Пересечение искусственного интеллекта и DePIN
Статистика оборудования
| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |-------------|--------|-------|--------|------------|