AI ve DePIN'in Birleşimi: Dağıtık GPU Ağı'nın Yükselişi

2023'ten bu yana, yapay zeka ve merkeziyetsiz fiziksel altyapı ağı (DePIN), Web3 alanında iki büyük popüler trend haline geldi. Bu iki alan, farklı ihtiyaçlara hizmet eden çeşitli protokolleri kapsamaktadır. Bu makale, ikisinin kesişim noktasını inceleyecek ve ilgili protokollerin gelişimini araştıracaktır.

AI teknolojisi yelpazesinde, DePIN ağı AI'yi güçlendirmek için hesaplama kaynakları sağlayarak çalışır. Büyük teknoloji şirketlerinin gelişimi nedeniyle GPU kıtlığı yaşanmakta, diğer geliştiricilerin AI model eğitimi için yeterli GPU temin etmeleri zorlaşmaktadır. Geleneksel yöntem merkezi bulut hizmet sağlayıcılarını seçmektir, ancak bu esnek olmayan uzun vadeli sözleşmeler imzalamayı ve verimsizliği gerektirmektedir.

DePIN ağı, daha esnek ve maliyet açısından daha etkili bir alternatif sunmaktadır. Kaynak katkılarını teşvik etmek için token ödülleri kullanarak, GPU kaynaklarını bireysel sahiplerden ağa toplar ve donanıma erişim ihtiyacı olan kullanıcılar için birleşik bir tedarik oluşturur. Bu, geliştiricilere özelleştirme ve talep üzerine erişim sağlarken, GPU sahiplerine de ek gelir fırsatı sunmaktadır.

Piyasada çeşitli AI DePIN ağları bulunmaktadır ve her biri kendine özgü özelliklere sahiptir. Aşağıda, birkaç ana projenin özelliklerini ve hedeflerini inceleyeceğiz:

AI DePIN Ağı Genel Bakış

Render, GPU hesaplama gücü sağlayan bir P2P ağ öncüsüdür, başlangıçta içerik oluşturma render'ına odaklanmış, daha sonra AI hesaplama görevlerine genişlemiştir.

İlginç nokta:

• Oscar ödüllü teknolojiye sahip bulut grafik şirketi OTOY tarafından kuruldu
• GPU ağı, eğlence endüstrisinin büyük şirketleri tarafından kullanılmaktadır.
• Stability AI gibi ortaklıklar kurarak, AI modelleri ve 3D içerik renderlamasını entegre etmek
• Birden fazla hesaplama istemcisini onaylayın, daha fazla DePIN ağı GPU'sunu entegre edin.

Akash, geleneksel bulut platformlarının "süper bulut" alternatifi olarak konumlandırılmakta olup, depolama, GPU ve CPU hesaplamalarını desteklemektedir.

İlginç olan:

• Genel hesaplamadan ağ barındırmaya kadar geniş bir hesaplama görevine yönelik
• AkashML, Hugging Face üzerinde çok sayıda modeli çalıştırmanıza olanak tanır.
• Mistral AI'nın LLM sohbet botu gibi bazı tanınmış AI uygulamalarını yönettim.
• Metaverse, AI dağıtımı ve federated öğrenme platformunu destekler.

io.net dağıtık GPU bulut kümelerine erişim sağlar, AI ve ML kullanım durumları için özel olarak tasarlanmıştır.

İlginç olan:

• IO-SDK, ana akım AI çerçeveleri ile uyumludur, ihtiyaçlara göre otomatik olarak genişleyebilir.
• Hızlı bir şekilde başlatılabilen 3 farklı türde küme oluşturmayı destekler.
• Diğer DePIN ağları ile GPU kaynaklarını entegre etme

Gensyn makine öğrenimi ve derin öğrenmeye odaklanan GPU hesaplama gücü sunmaktadır.

İlginç olan:

• GPU hesaplama maliyetlerini büyük ölçüde düşürmek
• Önceden eğitilmiş temel modelin ince ayarını destekler.
• Merkeziyetsiz, küresel olarak paylaşılan temel model sağlamak

Aethir özellikle AI, makine öğrenimi, bulut oyunları gibi alanlarda kullanılan kurumsal düzeyde GPU'lar sunmaktadır.

İlginç olan:

• Bulut telefon hizmetleri alanına genişletmek
• NVIDIA gibi büyük Web2 şirketleriyle işbirliği kurmak
• Web3 alanında birçok iş ortağı var

Phala Network, Web3 AI çözümlerinin yürütme katmanı olarak hareket eder, gizlilik sorunlarını çözmek için güvenilir yürütme ortamı (TEE) kullanır.

İlginç olan:

• Doğrulanabilir hesaplama için yardımcı işlemci protokolü
• AI aracılık sözleşmesi, en iyi büyük dil modellerine erişebilir.
• Gelecekte birden fazla kanıt sistemi desteklenecektir.
• H100 gibi TEE GPU'larını desteklemeyi planlıyoruz

Proje Karşılaştırması

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Donanım | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | İşletme Odakları | Grafik İşleme ve AI | Bulut Bilişim, İşleme ve AI | AI | AI | Yapay Zeka, Bulut Oyun ve Telekomünikasyon | Zincir Üstü AI Uygulaması | | AI Görev Türü | Çıkarım | İkisi | İkisi | Eğitim | Eğitim | Uygulama | | İş fiyatlandırması | Performansa dayalı fiyatlandırma | Ters açık artırma | Piyasa fiyatlandırması | Piyasa fiyatlandırması | İhale sistemi | Hak hesaplama | | Blok Zinciri | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Veri Gizliliği | Şifreleme&Hash | mTLS Kimlik Doğrulama | Veri Şifreleme | Güvenli Haritalama | Şifreleme | TEE | | İşçilik Ücreti | Her bir iş %0.5-5 | %20 USDC, %4 AKT | %2 USDC, %0.25 Hazırlık Ücreti | Düşük Maliyet | Her oturumda %20 | Teminat tutarına orantılı | | Güvenli | Render Kanıtı | Pay Kanıtı | Hesaplama Kanıtı | Pay Kanıtı | Render Kapasite Kanıtı | Ara Zincirden Miras Alır | | Tamamlama Belgesi | - | - | Zaman Kilidi Belgesi | Öğrenme Belgesi | Render İş Belgesi | TEE Belgesi | | Kalite Güvencesi | İhtilaf | - | - | Doğrulayıcı ve İhbarcı | Kontrol Düğümü | Uzaktan Kanıt | | GPU Kümesi | Hayır | Evet | Evet | Evet | Evet | Hayır |

Önemi

Küme ve paralel hesaplama kullanılabilirliği

Dağıtık hesaplama çerçevesi, GPU kümelerini uygulayarak karmaşık AI modellerini daha verimli bir şekilde eğitmektedir. Çoğu proje şimdi paralel hesaplama sağlamak için kümeleri entegre etmiştir. io.net, çok sayıda kümeyi başarıyla dağıtmıştır. Render küme desteği sunmasa da, çalışma şekli benzerdir. Phala şu anda yalnızca CPU'yu desteklemekte, ancak CPU işleyici kümelemeye izin vermektedir.

Veri gizliliği

AI modeli geliştirmek için büyük miktarda veriye ihtiyaç vardır, bu da hassas bilgileri içerebilir. Çoğu proje, gizliliği korumak için bir tür veri şifrelemesi kullanmaktadır. io.net, şifreli verilerin şifrelenmeden işlenmesine izin veren tamamen homomorfik şifreleme (FHE) tanıttı. Phala Network, dış süreçlerin verilere erişimini veya verileri değiştirmesini önlemek için güvenilir yürütme ortamı (TEE) getirdi.

Tamamlama Kanıtı ve Kalite Kontrolü Hesaplama

Bazı projeler, işin tamamlandığını göstermek için kanıtlar oluşturacak ve kalite kontrolü yapacaktır. Gensyn ve Aethir, hizmet kalitesini sağlamak için doğrulayıcılar ve kontrol düğümleri kullanmaktadır. Render, ihtilaf çözüm sürecinin kullanılmasını önermektedir. Phala tamamlandıktan sonra TEE kanıtı oluşturacaktır.

Donanım İstatistikleri

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | GPU Sayısı | 5600 | 384 | 38177 | - | 40000+ | - | | CPU Sayısı | 114 | 14672 | 5433 | - | - | 30000+ | | H100/A100 Miktarı | - | 157 | 2330 | - | 2000+ | - | | H100 Ücreti/Saat | - | $1.46 | $1.19 | - | - | - | | A100 Ücreti/Saat | - | $1.37 | $1.50 | $0.55 ( tahmin ) | $0.33 ( tahmin ) | - |

Yüksek performanslı GPU'nun gereksinimleri

AI model eğitimi, Nvidia'nın A100 ve H100 gibi en iyi performans gösteren GPU'lara ihtiyaç duyar. H100'ün çıkarım performansı, A100'den 4 kat daha hızlıdır ve bu nedenle tercih edilen seçenek haline gelmiştir. Merkeziyetsiz GPU pazarındaki sağlayıcılar, Web2 ile rekabet edebilmek için yalnızca daha düşük fiyatlar sunmakla kalmamalı, aynı zamanda pazarın gerçek taleplerini de karşılamalıdır.

io.net ve Aethir, büyük model hesaplamaları için daha uygun olan 2000'den fazla H100/A100 birimi aldı. Bu merkezi olmayan GPU hizmetlerinin maliyeti, merkezi hizmetlerden çok daha düşük.

Ağ bağlantılı GPU kümelerinin bellek açısından belirli kısıtlamaları olmasına rağmen, esneklik ihtiyacı olan kullanıcılar için hâlâ güçlü bir seçenek. Daha maliyet etkin alternatifler sunarak, bu ağlar daha fazla AI ve ML kullanım durumu oluşturma fırsatları yaratıyor.

Tüketici sınıfı GPU/CPU sağlamak

Yüksek performanslı GPU'ların yanı sıra, tüketici sınıfı GPU'lar ve CPU'lar da AI model geliştirme sürecinde rol oynamaktadır. Çok sayıda tüketici GPU kaynağının atıl durumda olduğu göz önüne alındığında, bazı projeler bu pazar için hizmet sunmakta ve kendi niş pazarlarını geliştirmektedir.

Sonuç

AI DePIN alanı hala oldukça yeni ve zorluklarla karşı karşıya. Ancak bu merkeziyetsiz GPU ağlarında gerçekleştirilen görevler ve donanım sayısı önemli ölçüde artmıştır, bu da Web2 bulut sağlayıcılarının donanım kaynakları için alternatiflere olan talebi vurgulamaktadır.

Geleceğe baktığımızda, AI pazarının geniş bir perspektife sahip olduğu görülüyor; bu dağınık GPU ağları, geliştiricilere maliyet etkin bir hesaplama alternatifi sağlama konusunda kritik bir rol oynayacak. Talep ve arz arasındaki boşluğu sürekli olarak kapatarak, bu ağlar AI ve hesaplama altyapısının gelecekteki manzarasına önemli katkılarda bulunacak.