AI y DePIN: El auge de las redes GPU descentralizadas
Desde 2023, AI y DePIN han mostrado un crecimiento próspero en el ámbito de Web3. La capitalización de mercado de AI alcanzó los 30 mil millones de dólares, mientras que la capitalización de mercado de DePIN es de aproximadamente 23 mil millones de dólares. Estos dos campos abarcan numerosos protocolos diferentes, que sirven a diversas necesidades. Este artículo explorará el campo de intersección entre ambos y estudiará el desarrollo de los protocolos en este área.
En la pila de tecnología de IA, la red DePIN proporciona utilidad a la IA a través de recursos de computación. El desarrollo de grandes empresas tecnológicas ha llevado a una escasez de GPU, lo que dificulta a otros desarrolladores que están construyendo modelos de IA obtener suficientes GPU para la computación. Esto a menudo obliga a los desarrolladores a elegir proveedores de nube centralizados, pero la necesidad de firmar contratos de hardware de alto rendimiento a largo plazo e inflexibles resulta en ineficiencia.
DePIN esencialmente ofrece una alternativa más flexible y rentable, utilizando recompensas en tokens para incentivar la contribución de recursos que cumplan con los objetivos de la red. En la inteligencia artificial, DePIN externaliza recursos de GPU de propietarios individuales a centros de datos, formando un suministro unificado para usuarios que necesitan acceder al hardware. Estas redes DePIN no solo proporcionan personalización y acceso a demanda para los desarrolladores que requieren capacidad de cómputo, sino que también ofrecen ingresos adicionales a los propietarios de GPU.
En el mercado hay numerosas redes AI DePIN, este artículo explorará el papel de cada protocolo y sus objetivos, así como algunos de los aspectos destacados que ya han logrado.
Resumen de la red DePIN de IA
Render es el pionero de una red P2P que proporciona capacidad de cálculo GPU, que anteriormente se centraba en renderizar gráficos para la creación de contenido, y luego amplió su alcance integrando herramientas como Stable Diffusion, incluyendo tareas de cálculo que van desde campos de reflexión neuronal (NeRF) hasta AI generativa.
Características de Render:
Fundada por la empresa de gráficos en la nube OTOY, que posee tecnología ganadora del Oscar.
La red GPU ha sido utilizada por grandes empresas de la industria del entretenimiento como Paramount Pictures, PUBG y Star Trek.
Colaborar con Stability AI y Endeavor, utilizando la GPU de Render para integrar modelos de IA con flujos de trabajo de renderizado de contenido 3D.
Aprobar múltiples clientes de cálculo, integrar más GPU de redes DePIN
Akash se posiciona como una alternativa "super nube" a las plataformas tradicionales que soportan almacenamiento, GPU y cálculo CPU. Utilizando herramientas amigables para desarrolladores como la plataforma de contenedores de Akash y nodos de cálculo gestionados por Kubernetes, puede desplegar software de manera fluida a través de entornos, lo que le permite ejecutar cualquier aplicación nativa de la nube.
Características de Akash:
Para una amplia gama de tareas de computación, desde computación general hasta alojamiento en red.
AkashML permite que su red de GPU ejecute más de 15,000 modelos en Hugging Face, al mismo tiempo que se integra con Hugging Face.
Akash aloja algunas aplicaciones notables, como el chatbot del modelo LLM de Mistral AI, el modelo de texto a imagen SDXL de Stability AI, y el nuevo modelo base AT-1 de Thumper AI.
La plataforma para construir el metaverso, el despliegue de inteligencia artificial y el aprendizaje federado está utilizando Supercloud
io.net ofrece acceso a clústeres de GPU en la nube distribuidos, que están específicamente diseñados para casos de uso de IA y ML. Agrega GPU de centros de datos, mineros de criptomonedas y otras redes descentralizadas.
Características de io.net:
Su IO-SDK es compatible con marcos como PyTorch y Tensorflow, su arquitectura multicapa puede expandirse dinámicamente según las necesidades de cálculo.
Soporta la creación de 3 tipos diferentes de clústeres, que se pueden iniciar en 2 minutos.
Esfuerzos de colaboración sólidos para integrar las GPU de otras redes DePIN, incluyendo Render, Filecoin, Aethir y Exabits
Gensyn ofrece capacidad de computación GPU centrada en el aprendizaje automático y el aprendizaje profundo. Afirma haber logrado un mecanismo de verificación más eficiente al combinar conceptos como pruebas de trabajo basadas en el aprendizaje para la validación, protocolos de localización gráfica basados en la re-ejecución de trabajos de validación, y juegos de incentivos al estilo Truebit que involucran la participación y recortes de proveedores de computación.
Características de Gensyn:
Se espera que el costo por hora de un GPU equivalente a V100 sea de aproximadamente 0.40 dólares/hora, lo que permitirá un ahorro significativo en costos.
A través de la apilamiento de pruebas, se puede ajustar un modelo base preentrenado para completar tareas más específicas.
Estos modelos básicos serán Descentralización, de propiedad global, y ofrecerán funciones adicionales además de la red de computación de hardware.
Aethir está específicamente diseñado con GPU empresariales, enfocado en áreas de alta intensidad computacional, principalmente inteligencia artificial, aprendizaje automático (ML), juegos en la nube, etc. Los contenedores en su red actúan como puntos finales virtuales para ejecutar aplicaciones basadas en la nube, trasladando la carga de trabajo de los dispositivos locales a los contenedores para lograr una experiencia de baja latencia. Para garantizar un servicio de calidad a los usuarios, acercan las GPU a las fuentes de datos según la demanda y la ubicación, ajustando así los recursos.
Características de Aethir:
Además de la inteligencia artificial y los juegos en la nube, Aethir también se ha expandido a los servicios de teléfonos inteligentes en la nube y ha colaborado con APhone para lanzar un teléfono inteligente en la nube Descentralización.
Ha establecido amplias relaciones de colaboración con grandes empresas como NVIDIA, Super Micro, HPE, Foxconn y Well Link.
Múltiples socios en Web3, como CARV, Magic Eden, Sequence, Impossible Finance, etc.
Phala Network actúa como la capa de ejecución de soluciones de IA Web3. Su blockchain es una solución de computación en la nube sin necesidad de confianza, diseñada para abordar problemas de privacidad a través del uso de su entorno de ejecución confiable (TEE). Su capa de ejecución no se usa como capa de cálculo para modelos de IA, sino que permite que los agentes de IA sean controlados por contratos inteligentes en la cadena.
Características de Phala Network:
Actuar como un protocolo de coprocesador de computación verificable, al mismo tiempo que permite que los agentes de IA accedan a recursos en la cadena.
Su contrato de agente de inteligencia artificial se puede obtener a través de Redpill con los principales modelos de lenguaje a gran escala como OpenAI, Llama, Claude y Hugging Face.
El futuro incluirá pruebas zk, computación multipartita (MPC), cifrado totalmente homomórfico (FHE) y otros sistemas de pruebas múltiples.
En el futuro se soportarán otras GPU TEE como H100, mejorando la capacidad de cálculo.
Comparación de proyectos
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Enfoque de negocio | Renderizado gráfico y AI | Computación en la nube, renderizado y AI | AI | AI | Inteligencia artificial, juegos en la nube y telecomunicaciones | Ejecución de AI en cadena |
| Tipo de tarea de IA | Inferencia | Entrenamiento e inferencia | Entrenamiento e inferencia | Entrenamiento | Entrenamiento | Ejecución |
| Precio de trabajo | Precio basado en el rendimiento | Subasta inversa | Precio de mercado | Precio de mercado | Sistema de licitación | Cálculo de derechos |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Privacidad de datos | Cifrado&Hash | Autenticación mTLS | Cifrado de datos | Mapeo seguro | Cifrado | TEE |
| Costos de trabajo | 0.5-5% por trabajo | 20% USDC, 4% AKT | 2% USDC, 0.25% costo de reserva | Costos bajos | 20% por sesión | Proporcional al monto apostado |
| Seguridad | Prueba de Renderizado | Prueba de Participación | Prueba de Cálculo | Prueba de Participación | Prueba de Capacidad de Renderizado | Heredado de la Cadena Intermedia |
| Prueba de finalización | - | - | Prueba de bloqueo temporal | Prueba de aprendizaje | Prueba de trabajo de renderizado | Prueba de TEE |
| Garantía de calidad | Controversia | - | - | Verificador y denunciante | Nodo comprobador | Prueba remota |
| GPU Cluster | No | Sí | Sí | Sí | Sí | No |
La disponibilidad de clústeres y computación en paralelo es crucial para entrenar modelos de IA complejos. La mayoría de los proyectos ahora han integrado clústeres para lograr computación en paralelo. io.net ha colaborado con otros proyectos como Render, Filecoin y Aethir para incorporar más GPUs a su red, y ha logrado implementar con éxito más de 3,800 clústeres en el primer trimestre de 24.
La privacidad de los datos es un problema clave en el desarrollo de modelos de IA. La mayoría de los proyectos utilizan alguna forma de cifrado de datos para proteger la privacidad de los datos. io.net ha colaborado recientemente con Mind Network para lanzar un cifrado completamente homomórfico (FHE), que permite procesar datos cifrados sin necesidad de descifrarlos primero. Phala Network ha introducido un entorno de ejecución confiable (TEE), que puede evitar que procesos externos accedan o modifiquen los datos.
La generación de pruebas de finalización y la inspección de calidad son fundamentales para garantizar la calidad del trabajo. Gensyn y Aethir generan pruebas que indican que el trabajo ha sido completado y realizan inspecciones de calidad sobre los cálculos finalizados. Render sugiere utilizar un proceso de resolución de disputas; si el comité de revisión encuentra problemas con un nodo, se sancionará a dicho nodo.
Las GPU de alto rendimiento son esenciales para el entrenamiento de modelos de IA. io.net y Aethir lideran en términos de cantidad de GPU H100 y A100, lo que las hace más adecuadas para cálculos de grandes modelos. El costo de las redes GPU descentralizadas ya es mucho más bajo que el de los servicios de GPU centralizados, abriendo un escenario de oligopolio para construir más casos de uso de IA y ML.
Las GPU/CPU de consumo también juegan un papel importante en estas redes. Proyectos como Render, Akash e io.net pueden atender a esta parte del mercado, ofreciendo más opciones a los desarrolladores.
Conclusión
El campo de AI DePIN, aunque aún relativamente nuevo, ha mostrado un fuerte impulso de desarrollo. La cantidad de tareas y hardware ejecutados en estas redes de GPU descentralizadas está aumentando, lo que resalta la creciente demanda de alternativas a los recursos de hardware de los proveedores de nube Web2. Mirando hacia el futuro, estas redes de GPU descentralizadas desempeñarán un papel clave en proporcionar a los desarrolladores soluciones de computación rentables, contribuyendo significativamente al futuro panorama de la inteligencia artificial y la infraestructura computacional.
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
8 me gusta
Recompensa
8
5
Compartir
Comentar
0/400
ZKProofEnthusiast
· hace3h
No se puede negar, ¡es realmente competitivo!
Ver originalesResponder0
Web3ProductManager
· hace3h
mirando nuestros datos de cohortes, los efectos de red de gpu podrían multiplicar por 10 las tasas de adopción, para ser sinceros... solo necesitamos mejores mecanismos de utilidad del token
Ver originalesResponder0
AirdropHunter007
· hace3h
Ser engañados de nuevo.
Ver originalesResponder0
AirdropworkerZhang
· hace3h
Demasiado trágico Rig de Minera cosechador de cadáveres
AI y DePIN se cruzan: la ascensión de la red GPU descentralizada
AI y DePIN: El auge de las redes GPU descentralizadas
Desde 2023, AI y DePIN han mostrado un crecimiento próspero en el ámbito de Web3. La capitalización de mercado de AI alcanzó los 30 mil millones de dólares, mientras que la capitalización de mercado de DePIN es de aproximadamente 23 mil millones de dólares. Estos dos campos abarcan numerosos protocolos diferentes, que sirven a diversas necesidades. Este artículo explorará el campo de intersección entre ambos y estudiará el desarrollo de los protocolos en este área.
En la pila de tecnología de IA, la red DePIN proporciona utilidad a la IA a través de recursos de computación. El desarrollo de grandes empresas tecnológicas ha llevado a una escasez de GPU, lo que dificulta a otros desarrolladores que están construyendo modelos de IA obtener suficientes GPU para la computación. Esto a menudo obliga a los desarrolladores a elegir proveedores de nube centralizados, pero la necesidad de firmar contratos de hardware de alto rendimiento a largo plazo e inflexibles resulta en ineficiencia.
DePIN esencialmente ofrece una alternativa más flexible y rentable, utilizando recompensas en tokens para incentivar la contribución de recursos que cumplan con los objetivos de la red. En la inteligencia artificial, DePIN externaliza recursos de GPU de propietarios individuales a centros de datos, formando un suministro unificado para usuarios que necesitan acceder al hardware. Estas redes DePIN no solo proporcionan personalización y acceso a demanda para los desarrolladores que requieren capacidad de cómputo, sino que también ofrecen ingresos adicionales a los propietarios de GPU.
En el mercado hay numerosas redes AI DePIN, este artículo explorará el papel de cada protocolo y sus objetivos, así como algunos de los aspectos destacados que ya han logrado.
Resumen de la red DePIN de IA
Render es el pionero de una red P2P que proporciona capacidad de cálculo GPU, que anteriormente se centraba en renderizar gráficos para la creación de contenido, y luego amplió su alcance integrando herramientas como Stable Diffusion, incluyendo tareas de cálculo que van desde campos de reflexión neuronal (NeRF) hasta AI generativa.
Características de Render:
Akash se posiciona como una alternativa "super nube" a las plataformas tradicionales que soportan almacenamiento, GPU y cálculo CPU. Utilizando herramientas amigables para desarrolladores como la plataforma de contenedores de Akash y nodos de cálculo gestionados por Kubernetes, puede desplegar software de manera fluida a través de entornos, lo que le permite ejecutar cualquier aplicación nativa de la nube.
Características de Akash:
io.net ofrece acceso a clústeres de GPU en la nube distribuidos, que están específicamente diseñados para casos de uso de IA y ML. Agrega GPU de centros de datos, mineros de criptomonedas y otras redes descentralizadas.
Características de io.net:
Gensyn ofrece capacidad de computación GPU centrada en el aprendizaje automático y el aprendizaje profundo. Afirma haber logrado un mecanismo de verificación más eficiente al combinar conceptos como pruebas de trabajo basadas en el aprendizaje para la validación, protocolos de localización gráfica basados en la re-ejecución de trabajos de validación, y juegos de incentivos al estilo Truebit que involucran la participación y recortes de proveedores de computación.
Características de Gensyn:
Aethir está específicamente diseñado con GPU empresariales, enfocado en áreas de alta intensidad computacional, principalmente inteligencia artificial, aprendizaje automático (ML), juegos en la nube, etc. Los contenedores en su red actúan como puntos finales virtuales para ejecutar aplicaciones basadas en la nube, trasladando la carga de trabajo de los dispositivos locales a los contenedores para lograr una experiencia de baja latencia. Para garantizar un servicio de calidad a los usuarios, acercan las GPU a las fuentes de datos según la demanda y la ubicación, ajustando así los recursos.
Características de Aethir:
Phala Network actúa como la capa de ejecución de soluciones de IA Web3. Su blockchain es una solución de computación en la nube sin necesidad de confianza, diseñada para abordar problemas de privacidad a través del uso de su entorno de ejecución confiable (TEE). Su capa de ejecución no se usa como capa de cálculo para modelos de IA, sino que permite que los agentes de IA sean controlados por contratos inteligentes en la cadena.
Características de Phala Network:
Comparación de proyectos
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Hardware | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Enfoque de negocio | Renderizado gráfico y AI | Computación en la nube, renderizado y AI | AI | AI | Inteligencia artificial, juegos en la nube y telecomunicaciones | Ejecución de AI en cadena | | Tipo de tarea de IA | Inferencia | Entrenamiento e inferencia | Entrenamiento e inferencia | Entrenamiento | Entrenamiento | Ejecución | | Precio de trabajo | Precio basado en el rendimiento | Subasta inversa | Precio de mercado | Precio de mercado | Sistema de licitación | Cálculo de derechos | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privacidad de datos | Cifrado&Hash | Autenticación mTLS | Cifrado de datos | Mapeo seguro | Cifrado | TEE | | Costos de trabajo | 0.5-5% por trabajo | 20% USDC, 4% AKT | 2% USDC, 0.25% costo de reserva | Costos bajos | 20% por sesión | Proporcional al monto apostado | | Seguridad | Prueba de Renderizado | Prueba de Participación | Prueba de Cálculo | Prueba de Participación | Prueba de Capacidad de Renderizado | Heredado de la Cadena Intermedia | | Prueba de finalización | - | - | Prueba de bloqueo temporal | Prueba de aprendizaje | Prueba de trabajo de renderizado | Prueba de TEE | | Garantía de calidad | Controversia | - | - | Verificador y denunciante | Nodo comprobador | Prueba remota | | GPU Cluster | No | Sí | Sí | Sí | Sí | No |
La disponibilidad de clústeres y computación en paralelo es crucial para entrenar modelos de IA complejos. La mayoría de los proyectos ahora han integrado clústeres para lograr computación en paralelo. io.net ha colaborado con otros proyectos como Render, Filecoin y Aethir para incorporar más GPUs a su red, y ha logrado implementar con éxito más de 3,800 clústeres en el primer trimestre de 24.
La privacidad de los datos es un problema clave en el desarrollo de modelos de IA. La mayoría de los proyectos utilizan alguna forma de cifrado de datos para proteger la privacidad de los datos. io.net ha colaborado recientemente con Mind Network para lanzar un cifrado completamente homomórfico (FHE), que permite procesar datos cifrados sin necesidad de descifrarlos primero. Phala Network ha introducido un entorno de ejecución confiable (TEE), que puede evitar que procesos externos accedan o modifiquen los datos.
La generación de pruebas de finalización y la inspección de calidad son fundamentales para garantizar la calidad del trabajo. Gensyn y Aethir generan pruebas que indican que el trabajo ha sido completado y realizan inspecciones de calidad sobre los cálculos finalizados. Render sugiere utilizar un proceso de resolución de disputas; si el comité de revisión encuentra problemas con un nodo, se sancionará a dicho nodo.
Estadísticas de hardware
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Cantidad de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Cantidad de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | H100/A100 cantidad | - | 157 | 2330 | - | 2000+ | - | | H100 costo/hora | - | $1.46 | $1.19 | - | - | - | | Costo A100/hora | - | $1.37 | $1.50 | $0.55 ( previsto ) | $0.33 ( previsto ) | - |
Las GPU de alto rendimiento son esenciales para el entrenamiento de modelos de IA. io.net y Aethir lideran en términos de cantidad de GPU H100 y A100, lo que las hace más adecuadas para cálculos de grandes modelos. El costo de las redes GPU descentralizadas ya es mucho más bajo que el de los servicios de GPU centralizados, abriendo un escenario de oligopolio para construir más casos de uso de IA y ML.
Las GPU/CPU de consumo también juegan un papel importante en estas redes. Proyectos como Render, Akash e io.net pueden atender a esta parte del mercado, ofreciendo más opciones a los desarrolladores.
Conclusión
El campo de AI DePIN, aunque aún relativamente nuevo, ha mostrado un fuerte impulso de desarrollo. La cantidad de tareas y hardware ejecutados en estas redes de GPU descentralizadas está aumentando, lo que resalta la creciente demanda de alternativas a los recursos de hardware de los proveedores de nube Web2. Mirando hacia el futuro, estas redes de GPU descentralizadas desempeñarán un papel clave en proporcionar a los desarrolladores soluciones de computación rentables, contribuyendo significativamente al futuro panorama de la inteligencia artificial y la infraestructura computacional.