AI và lĩnh vực giao thoa DePIN: Sự trỗi dậy của mạng GPU phi tập trung

Kể từ năm 2023, AI và DePIN đã trở thành xu hướng nổi bật trong lĩnh vực Web3, với giá trị thị trường lần lượt đạt 30 tỷ USD và 23 tỷ USD. Bài viết này tập trung vào lĩnh vực giao thoa của hai bên, khám phá sự phát triển của các giao thức liên quan.

Trong hệ sinh thái công nghệ AI, mạng DePIN cung cấp tính hữu dụng cho AI thông qua tài nguyên tính toán. Sự thiếu hụt GPU do các công ty công nghệ lớn gây ra khiến các nhà phát triển khác thiếu GPU đủ để tính toán. Điều này thường dẫn đến việc các nhà phát triển chọn các nhà cung cấp đám mây Phi tập trung, nhưng do cần ký hợp đồng phần cứng hiệu suất cao dài hạn không linh hoạt, nên hiệu quả kém.

DePIN về bản chất cung cấp một giải pháp thay thế linh hoạt và tiết kiệm chi phí hơn, sử dụng phần thưởng token để khuyến khích đóng góp tài nguyên phù hợp với mục tiêu mạng. DePIN trong lĩnh vực AI sẽ phân phối 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 DePIN này không chỉ cung cấp tính tùy chỉnh và truy cập theo yêu cầu cho các nhà phát triển cần sức mạnh tính toán, mà còn mang đến thu nhập bổ sung cho các chủ sở hữu GPU.

Trên thị trường có rất nhiều mạng DePIN AI, việc nhận diện sự khác biệt giữa chúng và tìm ra mạng lưới đúng mà bạn cần không hề dễ dàng. Dưới đây sẽ khám phá vai trò, mục tiêu và những điểm nổi bật đã đạt được của các giao thức.

Tổng quan về mạng DePIN AI

Mỗi dự án đều có mục đích tương tự - mạng lưới tính toán GPU. Phần này nghiên cứu các điểm nổi bật của từng dự án, các trọng tâm của thị trường và thành tựu, thông qua việc hiểu biết về cơ sở hạ tầng và sản phẩm chính của chúng, để hiểu sâu hơn về sự khác biệt giữa chúng.

Render là tiên phong trong mạng P2P cung cấp khả năng tính toán GPU, trước đây tập trung vào việc tạo nội dung đồ họa, sau đó thông qua việc tích hợp các công cụ như Stable Diffusion, đã mở rộng sang các nhiệm vụ tính toán AI sinh ra, bao gồm cả trường phát xạ thần kinh (NeRF).

Điểm nổi bật:

1. Được thành lập bởi công ty đồ họa đám mây OTOY sở hữu công nghệ đoạt giải Oscar

2. Mạng GPU được sử dụng bởi các công ty lớn trong ngành giải trí như Paramount Pictures, PUBG, Star Trek.

3. Hợp tác với Stability AI và Endeavor, sử dụng GPU của Render để tích hợp mô hình AI với quy trình làm việc nội dung 3D.

4. Phê duyệt nhiều máy khách tính toán, tích hợp nhiều GPU của mạng DePIN hơn.

Akash tự xưng là "Airbnb phiên bản quản lý", định vị là một nền tảng truyền thống hỗ trợ lưu trữ, tính toán GPU và CPU, là sự thay thế "siêu đám mây" cho AWS(. Sử dụng các công cụ thân thiện với nhà phát triển như nền tảng container Akash và các nút tính toán được quản lý bởi Kubernetes, có thể triển khai phần mềm một cách liền mạch qua các môi trường, chạy bất kỳ ứng dụng gốc đám mây nào.

Điểm nổi bật:

1. Đối với các nhiệm vụ tính toán rộng rãi từ tính toán chung đến lưu trữ mạng

2. AkashML cho phép mạng GPU chạy hơn 15.000 mô hình trên Hugging Face, đồng thời tích hợp với Hugging Face.

3. Akash lưu trữ chatbot LLM của Mistral AI, mô hình chuyển đổi văn bản thành hình ảnh SDXL của Stability AI, và ứng dụng mô hình cơ sở mới AT-1 của Thumper AI.

4. Xây dựng nền tảng cho vũ trụ ảo, triển khai AI và học liên bang đang sử dụng Supercloud

io.net cung cấp quyền truy cập vào cụm GPU đám mây phân tán, chuyên dành cho các trường hợp sử dụng AI và ML. Nó tập hợp GPU từ các trung tâm dữ liệu, thợ mỏ tiền điện tử và các mạng Phi tập trung khác. Công ty trước đây là một công ty giao dịch định lượng, đã chuyển sang kinh doanh hiện tại sau khi giá GPU hiệu suất cao tăng vọt.

Điểm nổi bật:

1. IO-SDK tương thích với các khung như PyTorch và Tensorflow, kiến trúc nhiều lớp có thể tự động mở rộng theo nhu cầu tính toán.

2. Hỗ trợ tạo 3 loại cụm khác nhau, có thể khởi động trong vòng 2 phút

3. Hợp tác mạnh mẽ để tích hợp các mạng DePIN GPU khác, bao gồm Render, Filecoin, Aethir và Exabits

Gensyn cung cấp khả năng tính toán GPU tập trung vào học máy và học sâu. Nó tuyên bố đạt được cơ chế xác minh hiệu quả hơn so với các phương pháp hiện có bằng cách kết hợp sử dụng chứng minh học, giao thức định vị chính xác dựa trên đồ thị và các khái niệm trò chơi khuyến khích kiểu Truebit liên quan đến việc ký quỹ và cắt giảm của nhà cung cấp tính toán.

Điểm nổi bật:

1. Dự kiến chi phí mỗi giờ cho GPU tương đương V100 khoảng 0.40 đô la, tiết kiệm chi phí đáng kể.

2. Thông qua việc chứng minh xếp chồng, có thể tinh chỉnh mô hình cơ sở đã được đào tạo trước, hoàn thành các nhiệm vụ cụ thể hơn.

3. Những mô hình cơ bản này sẽ Phi tập trung, sở hữu toàn cầu, ngoài mạng tính toán phần cứng còn cung cấp các chức năng bổ sung.

Aethir được trang bị GPU doanh nghiệp, tập trung vào các lĩnh vực tính toán chuyên sâu, chủ yếu là AI, học máy )ML(, trò chơi đám mây, v.v. Các container trong mạng đóng vai trò là điểm cuối ảo dựa trên ứng dụng đám mây, chuyển tải khối lượng công việc từ thiết bị cục bộ sang container, tạo ra trải nghiệm độ trễ thấp. Để đảm bảo dịch vụ chất lượng, họ di chuyển GPU gần nguồn dữ liệu theo nhu cầu và vị trí, điều chỉnh tài nguyên.

Nổi bật:

1. Ngoài AI và trò chơi đám mây, Aethir còn mở rộng sang dịch vụ điện thoại đám mây, hợp tác với APhone để ra mắt điện thoại thông minh đám mây Phi tập trung.

2. Thiết lập quan hệ hợp tác rộng rãi với các công ty Web2 lớn như NVIDIA, Super Micro, HPE, Foxconn và Well Link.

3. Nhiều đối tác trong Web3, như CARV, Magic Eden, Sequence, Impossible Finance, v.v.

Phala Network đóng vai trò là tầng thực thi cho giải pháp Web3 AI. Blockchain của nó là giải pháp điện toán đám mây không cần tin cậy, xử lý các vấn đề về quyền riêng tư thông qua môi trường thực thi tin cậy )TEE(. Tầng thực thi không được sử dụng làm tầng tính toán mô hình AI, mà cho phép các tác nhân AI được kiểm soát bởi hợp đồng thông minh trên chuỗi.

Điểm nổi bật:

1. Đóng vai trò như một giao thức đồng xử lý tính toán có thể xác minh, giúp các đại lý AI có thể sử dụng tài nguyên trên chuỗi.

2. Hợp đồng đại lý AI có thể nhận được các mô hình ngôn ngữ lớn hàng đầu như OpenAI, Llama, Claude và Hugging Face thông qua Redpill.

3. Tương lai sẽ bao gồm zk-proofs, tính toán đa phần )MPC(, mã hóa đồng nhất toàn phần )FHE( và các hệ thống chứng minh đa dạng khác.

4. Tương lai hỗ trợ H100 và các GPU TEE khác, nâng cao khả năng tính toán

![AI và DePIN giao điểm])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(

So sánh dự án

| | Hiển thị | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Phần cứng | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Điểm nhấn kinh doanh | Kết xuất đồ họa và AI | Điện toán đám mây, kết xuất và AI | AI | AI | AI, 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 | | Định giá công việc | Định giá dựa trên hiệu suất | Đấu giá ngược | Định giá thị trường | Định giá thị trường | Hệ thống 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 làm việc | Mỗi công việc 0.5-5% | 20% USDC, 4% AKT | 2% USDC, 0.25% phí dự trữ | Chi phí thấp | Mỗi session 20% | Tỉ lệ với số tiền staking | | An toàn | Chứng minh Render | Chứng minh Quyền lợi | Chứng minh Tính toán | Chứng minh Quyền lợi | Chứng minh Khả năng Render | Kế thừa từ chuỗi trung gian | | Chứng minh hoàn thành | - | - | Chứng minh thời gian khóa | 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 | Nút kiểm tra | Chứng minh từ xa | | Cụm GPU | Không | Có | Có | Có | Có | Không |

Tầm quan trọng

Khả năng sẵn có của cụm và tính toán song song

Khung tính toán phân tán thực hiện 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. Để đào tạo các mô hình AI phức tạp hơn, cần có khả năng tính toán mạnh mẽ, thường phải dựa vào tính toán phân tán để đáp ứng nhu cầu. Nhìn một cách trực quan, mô hình GPT-4 của OpenAI có hơn 1,8 triệu tỷ tham số, trong 3-4 tháng đã sử dụng khoảng 25.000 GPU Nvidia A100 trong 128 cụm để đào tạo.

Trước đây, Render và Akash chỉ cung cấp GPU sử dụng đơn lẻ, có thể hạn chế nhu cầu thị trường đối với GPU. Tuy nhiên, hầu hết các dự án trọng tâm hiện đã tích hợp cụm để thực hiện tính toán song song. io.net hợp tác với Render, Filecoin và Aethir để đưa nhiều GPU hơn vào mạng, đã thành công trong việc triển khai hơn 3,800 cụm trong quý I năm 24. Mặc dù Render không hỗ trợ cụm, nhưng nguyên lý hoạt động giống như cụm, phân tích một khung hình đơn lẻ thành nhiều nút khác nhau, đồng thời xử lý các khung hình trong các phạm vi khác nhau. Phala hiện chỉ hỗ trợ CPU, nhưng cho phép lập cụm các bộ xử lý CPU.

Việc tích hợp khung tập trung vào mạng quy trình làm việc AI là rất quan trọng, nhưng số lượng và loại GPU tập trung cần thiết để đáp ứng nhu cầu của các nhà phát triển AI là một vấn đề riêng biệt, sẽ được thảo luận sau.

Dữ liệu riêng tư

Phát triển mô hình AI cần sử dụng một lượng lớn bộ dữ liệu, có thể đến từ nhiều nguồn khác nhau và có hình thức đa dạng. Các bộ dữ liệu nhạy cảm như hồ sơ y tế cá nhân, dữ liệu tài chính của người dùng có thể phải đối mặt với rủi ro bị lộ cho nhà cung cấp mô hình. Samsung đã nội bộ cấm ChatGPT vì lo ngại việc tải lên nền tảng mã nhạy cảm sẽ vi phạm quyền riêng tư, vụ rò rỉ 38TB dữ liệu cá nhân của Microsoft càng làm nổi bật tầm quan trọng của việc thực hiện các biện pháp an toàn đủ khi sử dụng AI. Do đó, việc sở hữu nhiều phương pháp bảo vệ quyền riêng tư dữ liệu là rất quan trọng để trao lại quyền kiểm soát dữ liệu cho nhà cung cấp dữ liệu.

Hầu hết các dự án được đề cập đều sử dụng một hình thức mã hóa dữ liệu nào đó để bảo vệ quyền riêng tư dữ liệu. Mã hóa dữ liệu đảm bảo rằng việc truyền dữ liệu từ nhà cung cấp dữ liệu đến nhà cung cấp mẫu ) và người nhận dữ liệu ( trong mạng được bảo vệ. Render sử dụng mã hóa và xử lý băm khi phát hành kết quả render trở lại mạng, trong khi io.net và Gensyn áp dụng một hình thức mã hóa dữ liệu nào đó. Akash sử dụng xác thực mTLS, chỉ cho phép các nhà cung cấp được chọn bởi người thuê nhận dữ liệu.

Tuy nhiên, io.net gần đây đã hợp tác với Mind Network để ra mắt mã hóa hoàn toàn đồng nhất )FHE(, cho phép xử lý dữ liệu mã hóa mà không cần phải giải mã trước. Bằng cách cho phép dữ liệu được truyền an toàn cho mục đích đào tạo mà không tiết lộ danh tính và nội dung dữ liệu, đổi mới này có thể đảm bảo quyền riêng tư dữ liệu tốt hơn so với các công nghệ mã hóa hiện có.

Mạng Phala giới thiệu TEE, tức là khu vực an toàn trong bộ xử lý chính của thiết bị kết nối. Thông qua cơ chế cách ly này, nó có thể ngăn chặn các quy trình bên ngoài truy cập hoặc sửa đổi dữ liệu, bất kể cấp độ quyền hạn của chúng, ngay cả những cá nhân có quyền truy cập vật lý vào máy cũng không thể truy cập. Ngoài TEE, nó còn kết hợp sử dụng zk-proofs trong bộ xác thực zkDCAP và giao diện lệnh jtee để tích hợp với các chương trình tích hợp RiscZero zkVM.

![AI và điểm giao thoa của DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(

Chứng minh hoàn thành tính toán và kiểm tra chất lượng

Các GPU được cung cấp bởi những dự án này có thể cung cấp khả năng tính toán cho một loạt các dịch vụ. Do phạm vi dịch vụ rộng rãi, từ việc xử lý đồ họa đến tính toán AI, chất lượng cuối cùng của các tác vụ này có thể không luôn đáp ứng tiêu chuẩn của người dùng. Chứng chỉ hoàn thành có thể được sử dụng để chỉ ra rằng GPU cụ thể mà người dùng đã thuê thực sự được sử dụng để chạy dịch vụ cần thiết, việc kiểm tra chất lượng là hữu ích cho người dùng yêu cầu hoàn thành các công việc như vậy.

Sau khi tính toán hoàn tất, cả Gensyn và Aethir đều tạo ra chứng minh để cho thấy công việc đã hoàn thành, trong khi chứng minh của io.net cho thấy hiệu suất GPU thuê đã được tối ưu hóa và không có vấn đề gì. Cả Gensyn và Aethir đều thực hiện kiểm tra chất lượng cho các phép tính đã hoàn thành. Đối với Gensyn, sử dụng người xác minh để chạy lại một phần nội dung của chứng minh để đối chiếu với chứng minh, trong khi người báo cáo đóng vai trò như một lớp kiểm tra khác đối với người xác minh. Đồng thời, Aethir sử dụng các nút kiểm tra để xác định chất lượng dịch vụ, xử phạt cho các dịch vụ dưới tiêu chuẩn. Render đề xuất sử dụng quy trình giải quyết tranh chấp, nếu hội đồng xem xét phát hiện vấn đề với nút thì sẽ cắt giảm nút đó. Phala tạo ra chứng minh TEE sau khi hoàn thành, đảm bảo rằng đại lý AI thực hiện các thao tác cần thiết trên chuỗi.

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 ( | - |

![AI và DePIN của giao điểm])https://