Sự giao thoa giữa AI và DePIN: Sự trỗi dậy của mạng GPU phân tán

Kể từ năm 2023, AI và DePIN đã trở thành những xu hướng nóng trong lĩnh vực Web3, trong đó AI có giá trị thị trường đạt 30 tỷ USD, trong khi DePIN có giá trị 23 tỷ USD. Bài viết này tập trung vào giao thoa giữa hai lĩnh vực, khám phá sự phát triển của các giao thức trong lĩnh vực này.

Trong hệ sinh thái công nghệ AI, mạng DePIN cung cấp tính hữu dụng cho AI thông qua tài nguyên tính toán. Sự phát triển của các công ty công nghệ lớn đã dẫn đến tình trạng thiếu GPU, khiến các nhà phát triển khác gặp khó khăn trong việc có đủ GPU để tính toán mô hình AI. Điều này thường dẫn đến việc các nhà phát triển chọn các nhà cung cấp đám mây tập trung, nhưng do phải ký hợp đồng phần cứng hiệu suất cao lâu dài không linh hoạt, nên hiệu quả bị giảm.

DePIN cung cấp một giải pháp linh hoạt hơn và tiết kiệm chi phí hơn, sử dụng phần thưởng token để khuyến khích các đóng góp tài nguyên phù hợp với mục tiêu của mạng. DePIN trong lĩnh vực AI đã huy động tài nguyên GPU từ các chủ sở hữu cá nhân đến các trung tâm dữ liệu, tạo ra một nguồn cung thống nhất cho những người dùng cần truy cập phần cứng. Những mạng lưới này không chỉ cung cấp khả năng tùy chỉnh và truy cập theo nhu cầu cho các nhà phát triển cần sức mạnh tính toán, mà còn mang lại thu nhập bổ sung cho các chủ sở hữu GPU.

Tổng quan về mạng DePIN AI

Render là tiên phong mạng P2P cung cấp khả năng tính toán GPU, trước đây tập trung vào việc tạo đồ họa cho nội dung, sau đó mở rộng phạm vi bao gồm các nhiệm vụ tính toán AI từ trường phản xạ thần kinh đến AI sinh tạo.

Akash định vị mình là một "siêu đám mây" thay thế cho các nền tảng truyền thống hỗ trợ lưu trữ, tính toán GPU và CPU. Với các công cụ thân thiện với nhà phát triển như nền tảng container và các nút tính toán được quản lý bởi Kubernetes, nó có khả năng triển khai phần mềm một cách liền mạch trên nhiều môi trường, từ đó có thể chạy bất kỳ ứng dụng gốc đám mây nào.

io.net cung cấp quyền truy cập vào các cụm GPU đám mây phân tán, những cụm này được thiết kế đặc biệt cho các trường hợp sử dụng AI và ML. Nó tích hợp GPU từ các trung tâm dữ liệu, thợ đào tiền điện tử và các mạng phi tập trung khác.

Gensyn cung cấp khả năng tính toán GPU tập trung vào học máy và học sâu. Nó tuyên bố đã đạt được cơ chế xác minh hiệu quả hơn bằng cách kết hợp sử dụng các khái niệm như chứng minh học, giao thức định vị chính xác dựa trên đồ thị, cũng như các trò chơi khuyến khích liên quan đến nhà cung cấp tính toán về việc đặt cược và giảm.

Aethir chuyên cung cấp GPU doanh nghiệp, tập trung vào các lĩnh vực tính toán chuyên sâu, chủ yếu là trí tuệ nhân tạo, học máy, trò chơi trên đám mây, v.v. Các container trong mạng của nó đóng vai trò như các điểm cuối ảo để thực thi các ứng dụng dựa trên đám mây, chuyển tải khối lượng công việc từ thiết bị cục bộ sang container để đạt được trải nghiệm độ trễ thấp.

Phala Network đóng vai trò là lớp thực thi cho giải pháp AI Web3. Blockchain của nó là một giải pháp điện toán đám mây không cần tin cậy, được thiết kế để giải quyết các vấn đề về quyền riêng tư bằng cách sử dụng môi trường thực thi tin cậy (TEE). Lớp thực thi của nó cho phép các đại lý AI được kiểm soát bởi các hợp đồng thông minh trên chuỗi.

So sánh dự án

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Phần cứng | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Điểm chính | Đồ họa và AI | Điện toán đám mây, đồ họa và AI | AI | AI | Trí tuệ nhân tạo, trò chơi đám mây và viễn thông | Thực thi AI trên chuỗi | | Loại nhiệm vụ AI | Suy diễn | Cả hai | Cả hai | Đào tạo | Đào tạo | Thực hiện | | Giá cả công việc | Giá cả dựa trên hiệu suất | Đấu giá ngược | Giá cả thị trường | Giá cả thị trường | Hệ thống đấu thầu | Tính toán quyền lợi | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Quyền riêng tư dữ liệu | Mã hóa&băm | Xác thực mTLS | Mã hóa dữ liệu | Bản đồ an toàn | Mã hóa | TEE | | Chi phí công việc | Mỗi công việc 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% phí dự trữ | Chi phí thấp | Mỗi phiên 20% | Tỷ lệ với số tiền đặt cọc | | An toàn | Chứng minh kết xuất | Chứng minh quyền lợi | Chứng minh tính toán | Chứng minh quyền lợi | Chứng minh khả năng kết xuất | Kế thừa từ chuỗi trung gian | | Chứng minh hoàn thành | - | - | Chứng minh khóa thời gian | Chứng minh học tập | Chứng minh công việc render | Chứng minh TEE | | Đảm bảo chất lượng | Tranh chấp | - | - | Người xác minh và người báo cáo | Node kiểm tra | Chứng thực từ xa | | GPU cụm | Không | Có | Có | Có | Có | Không |

Tầm quan trọng

Khả năng sử dụng của cụm và tính toán song song

Khung tính toán phân tán đã triển khai cụm GPU, cung cấp đào tạo hiệu quả hơn mà không ảnh hưởng đến độ chính xác của mô hình, đồng thời tăng cường khả năng mở rộng. Việc đào tạo các mô hình AI phức tạp hơn đòi hỏi sức mạnh tính toán mạnh mẽ, điều này thường phải dựa vào tính toán phân tán để đáp ứng nhu cầu của nó. Hầu hết các dự án trọng điểm hiện nay đã tích hợp cụm để thực hiện tính toán song song.

Dữ liệu riêng tư

Việc phát triển mô hình AI cần sử dụng một lượng lớn tập dữ liệu, những tập dữ liệu này có thể đến từ nhiều nguồn khác nhau và có hình thức đa dạng. Các tập dữ liệu nhạy cảm như hồ sơ y tế cá nhân, dữ liệu tài chính của người dùng có thể đối mặt với rủi ro bị lộ cho nhà cung cấp mô hình. Do đó, việc có nhiều phương pháp bảo mật dữ liệu là rất quan trọng để trao quyền kiểm soát dữ liệu trở lại cho nhà cung cấp dữ liệu.

Hầu hết các dự án được đề cập sử dụng một dạng mã hóa dữ liệu nào đó để bảo vệ quyền riêng tư của dữ liệu. io.net gần đây đã hợp tác với Mind Network để ra mắt mã hóa đồng nhất hoàn toàn (FHE), cho phép xử lý dữ liệu được mã hóa mà không cần giải mã trước. Phala Network đã giới thiệu TEE, tức là khu vực bảo mật trong bộ xử lý chính của thiết bị kết nối.

Dữ liệu thống kê phần cứng

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Số lượng GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Số lượng CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Số lượng H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Chi phí H100/giờ | - | $1.46 | $1.19 | - | - | - | | Chi phí A100/giờ | - | $1.37 | $1.50 | $0.55 ( dự kiến ) | $0.33 ( dự kiến ) | - |

Kết luận

Lĩnh vực DePIN AI vẫn còn tương đối mới và đối mặt với những thách thức riêng. Tuy nhiên, số lượng nhiệm vụ và phần cứng được thực hiện trong các mạng GPU phi tập trung này vẫn đang tăng lên đáng kể. Khối lượng nhiệm vụ thực hiện trên các mạng này không ngừng gia tăng, nhấn mạnh nhu cầu ngày càng tăng đối với các lựa chọn thay thế cho tài nguyên phần cứng của các nhà cung cấp đám mây Web2. Đồng thời, sự bùng nổ của các nhà cung cấp phần cứng trong các mạng này nhấn mạnh nguồn cung chưa được tận dụng đầy đủ trước đây.

Nhìn về tương lai, quỹ đạo phát triển của trí tuệ nhân tạo chỉ ra một thị trường hàng ngàn tỷ đô la đang bùng nổ, chúng tôi tin rằng các mạng GPU phân tán này sẽ đóng vai trò quan trọng trong việc cung cấp các giải pháp tính toán tiết kiệm chi phí cho các nhà phát triển. Bằng cách tận dụng mạng lưới của mình để thu hẹp khoảng cách giữa nhu cầu và cung, các mạng này sẽ đóng góp đáng kể vào cấu trúc tương lai của trí tuệ nhân tạo và cơ sở hạ tầng tính toán.