# AIとDePINの交差:分散コンピューティングネットワークの台頭2023年以降、AIとDePINはWeb3分野の人気トレンドとなり、市場価値はそれぞれ300億ドルと230億ドルに達しました。本記事は両者の交差領域に焦点を当て、関連プロトコルの発展について探討します。! [AIとDePINの交差点](https://img-cdn.gateio.im/social/moments-112d1efea526039e305cc846f2ca3c50)AI技術スタックにおいて、DePINネットワークは計算リソースを通じてAIに実用性を提供します。大手テクノロジー企業の発展によりGPUが不足し、他の開発者が計算のために十分なGPUを確保することが難しくなっています。これにより、開発者は中央集権的なクラウドプロバイダーを選択せざるを得ないことが多いですが、長期のハードウェア契約は柔軟性がなく、効率も低下します。DePINは、リソース提供を促進するためにトークン報酬を通じて、より柔軟でコスト効果の高い代替手段を提供します。AI分野のDePINは、GPUリソースを個人所有者からデータセンターにクラウドソーシングし、ハードウェアアクセスが必要なユーザーに統一された供給を提供します。これは、開発者にカスタマイズされたオンデマンドアクセスを提供するだけでなく、GPU所有者に追加の収入をもたらします。市場には多くのAI DePINネットワークが存在し、本稿では各プロトコルの役割、目標、および成果について探求し、彼らの違いを理解します。## AI DePINネットワークの概要**Render**は、GPU計算能力を提供するP2Pネットワークの先駆者であり、最初はコンテンツ制作のレンダリングに特化していましたが、その後AI計算タスクに拡大しました。基本表現：- 云图形会社OTOYによって設立された- GPUネットワークはエンターテインメント業界の大手企業によって使用されています- Stability AIなどと協力し、AIモデルと3Dレンダリングワークフローを統合- 複数の計算クライアントを承認し、より多くのDePINネットワークGPUを統合する**Akash**は、ストレージ、GPU、およびCPU計算をサポートする"スーパークラウド"の代替品として位置付けられています。コンテナプラットフォームやKubernetes管理の計算ノードなど、開発者に優しいツールを活用して、環境を超えてソフトウェアをシームレスにデプロイできます。基本表現：- 一般的な計算からネットワークホスティングに至る幅広い計算タスク- AkashMLはHugging Face上で15,000以上のモデルをGPUネットワークで実行できるようにします。- Mistral AIのLLMモデルチャットボットなどのアプリケーションをホスティングしました- メタバース、AIデプロイメントなどのプラットフォームがそのSupercloudを利用する**io.net**は、AIおよびMLユースケース専用の分散GPUクラウドクラスターへのアクセスを提供します。データセンター、暗号マイナーなどの分野からGPUを集約します。基本表現：- IO-SDKはPyTorchなどのフレームワークと互換性があり、マルチレイヤーアーキテクチャは動的に拡張可能です。- 3種類の異なるタイプのクラスターを作成し、2分以内に起動します- RenderやFilecoinなどと協力してGPUリソースを統合する**Gensyn**は、機械学習と深層学習計算に特化したGPU能力を提供します。学習証明などの概念を通じて、より効率的な検証メカニズムを実現すると主張しています。基本表現：- V100等価GPUの時間あたりコストは約0.40ドルで、大幅に節約できます。- 事前学習したベースモデルを微調整して特定のタスクを完了できます- 中央集権のない、グローバルに共有される基盤モデルを提供する**Aethir**は企業向けGPUを搭載し、AI、ML、クラウドゲームなど計算集約型分野に焦点を当てています。ネットワーク内のコンテナは、クラウドアプリケーションを実行する仮想エンドポイントとして機能し、低遅延の体験を実現します。基本表現：- クラウドフォンサービスに拡張し、APhoneと協力して分散型クラウドスマートフォンを発売しました。- NVIDIAなどの主要なWeb2企業との広範な協力関係を確立する- CARVやMagic EdenなどのWeb3プロジェクトと提携**Phala Network**はWeb3 AIソリューションの実行層として機能します。そのブロックチェーンは信頼を必要としないクラウドコンピューティングソリューションであり、信頼できる実行環境(TEE)を通じてプライバシー問題を処理するように設計されています。基本表現：- 検証可能な計算のコプロセッサプロトコルとして機能し、AIエージェントがオンチェーンリソースにアクセスできるようにします。- AIエージェント契約はRedpillを通じてOpenAIなどのトップ言語モデルを取得できます- 未来にはzk-proofs、MPC、FHEなどの多重証明システムが含まれます- 将来的にはH100などのTEE GPUをサポートし、計算能力を向上させます。## プロジェクト比較| | レンダリング | アカシュ | io.net | ゲンシン | アエシール | ファラ ||--------|------------|------------------|---------------------|--------|--------------|---------|| ハードウェア | GPUとCPU | GPUとCPU | GPUとCPU | GPUの| GPUの| CPU || 業務の重点 | グラフィックレンダリングとAI | クラウドコンピューティング、レンダリングとAI | AI | AI | AI、クラウドゲーミングと電気通信 | チェーン上のAI実行 || AIタスクタイプ| 推論 | トレーニング&推論 | トレーニング&推論 | トレーニング | トレーニング | 実行 || 仕事の価格設定 | パフォーマンスに基づく価格設定 | 逆オークション | 市場価格設定 | 市場価格設定 | 入札システム | 権益計算 || ブロックチェーン | ソラナ | コスモス | ソラナ | ゲンシン | アービトラム | ポルカドット|| データプライバシー | 暗号化とハッシュ | mTLS認証 | データ暗号化 | セキュアマッピング | 暗号化 | TEE || 作業費用 | 0.5-5%/作業 | 20% USDC, 4% AKT| 2% USDC,0.25%準備金 | 低コスト | 20%/セッション | ステーキングに比例|| セキュリティ | プルーフ・オブ・レンダリング | プルーフ・オブ・ステーク | 計算の証明 | プルーフ・オブ・ステーク | レンダリング機能の証明 | 継承元 Relay Chain|| 完了証明 | - | - | タイムロック証明 | 学習証明 | レンダリング作業証明 | TEE証明 || 品質保証 | 争議 | - | - | 確認と報告 | ノードのチェック | リモート証明 || GPUクラスター | いいえ | はい | はい | はい | はい | いいえ |! [AIとDePINの交差点](https://img-cdn.gateio.im/social/moments-68a395d50be4ab07fbc575dd54441164)###の重要性**クラスタと並列計算の可用性**分散コンピューティングフレームワークはGPUクラスターを実現し、トレーニング効率とスケーラビリティを向上させます。複雑なAIモデルのトレーニングには強力な計算能力が必要で、通常は分散コンピューティングに依存します。例えば、OpenAIのGPT-4モデルは超1.8兆のパラメータを持ち、3～4ヶ月の時間がかかり、約25,000のNvidia A100 GPUを使用しています。ほとんどのプロジェクトは、現在、クラスターを統合して並列計算を実現しています。io.netは他のプロジェクトと協力し、Q1に3,800以上のクラスターを展開しました。Renderはクラスターをサポートしていませんが、単一のフレームを複数のノードに分解して同時に処理します。PhalaはCPUワーカーのクラスター化をサポートしています。クラスター フレームワークは AI ワークフロー ネットワークにとって重要ですが、開発者のニーズを満たすクラスター GPU の数と種類は別の問題です。**データプライバシー**AIモデルの開発には大量のデータセットが必要であり、機密情報が含まれる可能性があります。Samsungはプライバシーを懸念してChatGPTを無効にしましたが、Microsoftの38TBのデータ漏洩はAIの安全性の重要性をさらに強調しています。さまざまなデータプライバシー手法は、データプロバイダーに権限を戻すために非常に重要です。ほとんどのプロジェクトは、プライバシーを保護するために何らかのデータ暗号化を使用しています。Renderは暗号化とハッシュを使用し、io.netとGensynはデータ暗号化を採用し、AkashはmTLS認証を使用しています。io.netがMind Networkと提携して全同態暗号(FHE)を発表し、暗号化データを復号化せずに処理できるようにしました。これは既存の暗号技術よりもプライバシーをよりよく保護します。Phala Networkは信頼できる実行環境(TEE)を導入し、外部からのデータアクセスや変更を防ぎます。また、RiscZero zkVM統合のためにzk-proofsを組み合わせています。### 完成証明と品質チェックの計算サービス範囲が広いため、最終的な品質がユーザーの基準に合わない可能性があります。完成証明はGPUが必要なサービスに実際に使用されたことを示し、品質チェックはユーザーにとって有益です。GensynとAethirは生成完了証明を行い、io.netはGPU性能の充分な利用に問題がないことを証明します。GensynとAethirは品質チェックを行います。Gensynは検証者を使用して一部の証明を再実行し、報告者が再度チェックします。Aethirはチェックポイントを使用してサービスの品質を評価し、基準に達していないサービスには罰則を科します。Renderは紛争解決プロセスを提案し、審査委員会は問題のあるノードを削減することができます。PhalaはTEE証明を生成し、AIエージェントがオンチェーン操作を実行することを保証します。## ハードウェア統計データ| | レンダー | アカシュ | io.net | ジェンシン | エイサー | ファラ ||-------------|--------|-------|--------|------------|------------|--------|| GPUの数 | 5600 | 384 | 38177 | - | 40000+ | - || CPUの数 | 114 | 14672 | 5433 | - | - | 30000+ || H100/A100数量| - | 157 | 2330 | - | 2000+ | - || H100料金/時間 | - | 1.46ドル | 1.19ドル| - | - | - || A100料金/時間 | - | 1.37ドル | 1.50ドル| $0.55 ( 推定) | $0.33 (推定) | - |! [AIとDePINの交差点](https://img-cdn.gateio.im/social/moments-8f83f1affbdfd92f33bc47afe8928c5c)### 高性能GPUの要件AIモデルのトレーニングにはNvidia A100やH100のようなトップクラスのGPUが必要です。H100の推論性能はA100の4倍であり、特に大企業にとっては第一選択となっています。去中心化GPU市場はWeb2と競争するために、価格が安いだけでなく、実際の需要を満たす必要があります。2023年にNvidiaは大手テクノロジー企業に50万台のH100を納入し、同等のハードウェアコストが高額です。これらのプロジェクトが低コストで導入できるハードウェアの数量を考慮することが重要です。各プロジェクトは異なる計算能力を提供します。Akashはわずか150以上のH100とA100を持ち、io.netとAethirはそれぞれ2000以上のGPUを持っています。事前訓練されたLLMは通常248から2000以上のGPUクラスタを必要とし、後者の2つのプロジェクトは大規模モデルの計算により適しています。現在、分散型GPUサービスのコストは集中型サービスを大幅に下回っています。GensynとAethirはA100クラスのハードウェアが1時間あたり1ドル未満であると主張していますが、検証にはまだ時間がかかります。ネットワーク接続GPUクラスターは大量のGPUと低コストを持っていますが、NVLink接続GPUと比較してメモリが制限されています。NVLinkはGPU間の直接通信をサポートし、パラメータが多く、データセットが大きいLLMに適しています。それにもかかわらず、分散型GPUネットワークは、動的なワークロードのニーズや柔軟性を必要とするユーザーに強力な計算能力とスケーラビリティを提供し、より多くのAIユースケースを構築する機会を創出します。### コンシューマ向けGPU/CPUを提供CPUはAIモデルのトレーニングにおいても非常に重要で、データ前処理からメモリ管理まで使用されます。コンシューマ向けGPUは、事前トレーニングされたモデルの微調整や小規模トレーニングに使用できます。85%以上の消費者がGPUをアイドル状態にしていることを考慮して、Render、Akash、io.netなどのプロジェクトはこの市場の一部にもサービスを提供しています。これにより、彼らは大規模な集中的計算、汎用小規模レンダリング、またはその両方に集中することができます。## まとめAI DePIN分野はまだ新しく、課題に直面しています。例えば、io.netはGPUの数を偽造したとして告発され、その後、プルーフ・オブ・ワークで解決されました。それにもかかわらず、これらのネットワーク上で実行されるタスクとハードウェアの数は著しく増加しており、Web2クラウドプロバイダーの代替品に対する需要の増加を浮き彫りにしています。同時に、ハードウェアプロバイダーの急増は、供給前に十分に活用されていなかったことを示しています。これは、AI DePINネットワークの製品市場適合性を証明し、需要と供給の課題を効果的に解決しています。未来を展望すると、AIは成長を続ける兆ドル市場になると期待されており、これらの分散GPUネットワークは開発者に経済的な計算代替手段を提供する上で重要な役割を果たすでしょう。需要と供給のギャップを埋め続けることで、これらのネットワークはAIと計算インフラの未来の構図に大きな貢献をするでしょう。! [AIとDePINの交差点](https://img-cdn.gateio.im/social/moments-df4f88879b53c4aa604b248fc9ff393a)! [AIとDePINの交差点](https://img-cdn.gateio.im/social/moments-24fd635c71ed2aad842d38bf56e70b43)! [AIとDePINの交差点](https://img-cdn.gateio.im/social/moments-7a05f8ca3e44b9c91a7917953175da09)! [AIとDePINの交差点](https://img-cdn.gateio.im/social/moments-85bfeec032db538007843e9b55783e18)! [AIとDePINの交差点](https://img-cdn.gateio.im/social/moments-10f0acfcfea618361b9c445c49edfc88)
AI DePINネットワーク:分散GPUコンピューティングによりAI開発を促進
AIとDePINの交差:分散コンピューティングネットワークの台頭
2023年以降、AIとDePINはWeb3分野の人気トレンドとなり、市場価値はそれぞれ300億ドルと230億ドルに達しました。本記事は両者の交差領域に焦点を当て、関連プロトコルの発展について探討します。
! AIとDePINの交差点
AI技術スタックにおいて、DePINネットワークは計算リソースを通じてAIに実用性を提供します。大手テクノロジー企業の発展によりGPUが不足し、他の開発者が計算のために十分なGPUを確保することが難しくなっています。これにより、開発者は中央集権的なクラウドプロバイダーを選択せざるを得ないことが多いですが、長期のハードウェア契約は柔軟性がなく、効率も低下します。
DePINは、リソース提供を促進するためにトークン報酬を通じて、より柔軟でコスト効果の高い代替手段を提供します。AI分野のDePINは、GPUリソースを個人所有者からデータセンターにクラウドソーシングし、ハードウェアアクセスが必要なユーザーに統一された供給を提供します。これは、開発者にカスタマイズされたオンデマンドアクセスを提供するだけでなく、GPU所有者に追加の収入をもたらします。
市場には多くのAI DePINネットワークが存在し、本稿では各プロトコルの役割、目標、および成果について探求し、彼らの違いを理解します。
AI DePINネットワークの概要
Renderは、GPU計算能力を提供するP2Pネットワークの先駆者であり、最初はコンテンツ制作のレンダリングに特化していましたが、その後AI計算タスクに拡大しました。
基本表現：
Akashは、ストレージ、GPU、およびCPU計算をサポートする"スーパークラウド"の代替品として位置付けられています。コンテナプラットフォームやKubernetes管理の計算ノードなど、開発者に優しいツールを活用して、環境を超えてソフトウェアをシームレスにデプロイできます。
基本表現：
io.netは、AIおよびMLユースケース専用の分散GPUクラウドクラスターへのアクセスを提供します。データセンター、暗号マイナーなどの分野からGPUを集約します。
基本表現：
Gensynは、機械学習と深層学習計算に特化したGPU能力を提供します。学習証明などの概念を通じて、より効率的な検証メカニズムを実現すると主張しています。
基本表現：
Aethirは企業向けGPUを搭載し、AI、ML、クラウドゲームなど計算集約型分野に焦点を当てています。ネットワーク内のコンテナは、クラウドアプリケーションを実行する仮想エンドポイントとして機能し、低遅延の体験を実現します。
基本表現：
Phala NetworkはWeb3 AIソリューションの実行層として機能します。そのブロックチェーンは信頼を必要としないクラウドコンピューティングソリューションであり、信頼できる実行環境(TEE)を通じてプライバシー問題を処理するように設計されています。
基本表現：
プロジェクト比較
| | レンダリング | アカシュ | io.net | ゲンシン | アエシール | ファラ | |--------|------------|------------------|---------------------|--------|--------------|---------| | ハードウェア | GPUとCPU | GPUとCPU | GPUとCPU | GPUの| GPUの| CPU | | 業務の重点 | グラフィックレンダリングとAI | クラウドコンピューティング、レンダリングとAI | AI | AI | AI、クラウドゲーミングと電気通信 | チェーン上のAI実行 | | AIタスクタイプ| 推論 | トレーニング&推論 | トレーニング&推論 | トレーニング | トレーニング | 実行 | | 仕事の価格設定 | パフォーマンスに基づく価格設定 | 逆オークション | 市場価格設定 | 市場価格設定 | 入札システム | 権益計算 | | ブロックチェーン | ソラナ | コスモス | ソラナ | ゲンシン | アービトラム | ポルカドット| | データプライバシー | 暗号化とハッシュ | mTLS認証 | データ暗号化 | セキュアマッピング | 暗号化 | TEE | | 作業費用 | 0.5-5%/作業 | 20% USDC, 4% AKT| 2% USDC,0.25%準備金 | 低コスト | 20%/セッション | ステーキングに比例| | セキュリティ | プルーフ・オブ・レンダリング | プルーフ・オブ・ステーク | 計算の証明 | プルーフ・オブ・ステーク | レンダリング機能の証明 | 継承元 Relay Chain| | 完了証明 | - | - | タイムロック証明 | 学習証明 | レンダリング作業証明 | TEE証明 | | 品質保証 | 争議 | - | - | 確認と報告 | ノードのチェック | リモート証明 | | GPUクラスター | いいえ | はい | はい | はい | はい | いいえ |
! AIとDePINの交差点
###の重要性
クラスタと並列計算の可用性
分散コンピューティングフレームワークはGPUクラスターを実現し、トレーニング効率とスケーラビリティを向上させます。複雑なAIモデルのトレーニングには強力な計算能力が必要で、通常は分散コンピューティングに依存します。例えば、OpenAIのGPT-4モデルは超1.8兆のパラメータを持ち、3～4ヶ月の時間がかかり、約25,000のNvidia A100 GPUを使用しています。
ほとんどのプロジェクトは、現在、クラスターを統合して並列計算を実現しています。io.netは他のプロジェクトと協力し、Q1に3,800以上のクラスターを展開しました。Renderはクラスターをサポートしていませんが、単一のフレームを複数のノードに分解して同時に処理します。PhalaはCPUワーカーのクラスター化をサポートしています。
クラスター フレームワークは AI ワークフロー ネットワークにとって重要ですが、開発者のニーズを満たすクラスター GPU の数と種類は別の問題です。
データプライバシー
AIモデルの開発には大量のデータセットが必要であり、機密情報が含まれる可能性があります。Samsungはプライバシーを懸念してChatGPTを無効にしましたが、Microsoftの38TBのデータ漏洩はAIの安全性の重要性をさらに強調しています。さまざまなデータプライバシー手法は、データプロバイダーに権限を戻すために非常に重要です。
ほとんどのプロジェクトは、プライバシーを保護するために何らかのデータ暗号化を使用しています。Renderは暗号化とハッシュを使用し、io.netとGensynはデータ暗号化を採用し、AkashはmTLS認証を使用しています。
io.netがMind Networkと提携して全同態暗号(FHE)を発表し、暗号化データを復号化せずに処理できるようにしました。これは既存の暗号技術よりもプライバシーをよりよく保護します。
Phala Networkは信頼できる実行環境(TEE)を導入し、外部からのデータアクセスや変更を防ぎます。また、RiscZero zkVM統合のためにzk-proofsを組み合わせています。
完成証明と品質チェックの計算
サービス範囲が広いため、最終的な品質がユーザーの基準に合わない可能性があります。完成証明はGPUが必要なサービスに実際に使用されたことを示し、品質チェックはユーザーにとって有益です。
GensynとAethirは生成完了証明を行い、io.netはGPU性能の充分な利用に問題がないことを証明します。GensynとAethirは品質チェックを行います。Gensynは検証者を使用して一部の証明を再実行し、報告者が再度チェックします。Aethirはチェックポイントを使用してサービスの品質を評価し、基準に達していないサービスには罰則を科します。Renderは紛争解決プロセスを提案し、審査委員会は問題のあるノードを削減することができます。PhalaはTEE証明を生成し、AIエージェントがオンチェーン操作を実行することを保証します。
ハードウェア統計データ
| | レンダー | アカシュ | io.net | ジェンシン | エイサー | ファラ | |-------------|--------|-------|--------|------------|------------|--------| | GPUの数 | 5600 | 384 | 38177 | - | 40000+ | - | | CPUの数 | 114 | 14672 | 5433 | - | - | 30000+ | | H100/A100数量| - | 157 | 2330 | - | 2000+ | - | | H100料金/時間 | - | 1.46ドル | 1.19ドル| - | - | - | | A100料金/時間 | - | 1.37ドル | 1.50ドル| $0.55 ( 推定) | $0.33 (推定) | - |
! AIとDePINの交差点
高性能GPUの要件
AIモデルのトレーニングにはNvidia A100やH100のようなトップクラスのGPUが必要です。H100の推論性能はA100の4倍であり、特に大企業にとっては第一選択となっています。
去中心化GPU市場はWeb2と競争するために、価格が安いだけでなく、実際の需要を満たす必要があります。2023年にNvidiaは大手テクノロジー企業に50万台のH100を納入し、同等のハードウェアコストが高額です。これらのプロジェクトが低コストで導入できるハードウェアの数量を考慮することが重要です。
各プロジェクトは異なる計算能力を提供します。Akashはわずか150以上のH100とA100を持ち、io.netとAethirはそれぞれ2000以上のGPUを持っています。事前訓練されたLLMは通常248から2000以上のGPUクラスタを必要とし、後者の2つのプロジェクトは大規模モデルの計算により適しています。
現在、分散型GPUサービスのコストは集中型サービスを大幅に下回っています。GensynとAethirはA100クラスのハードウェアが1時間あたり1ドル未満であると主張していますが、検証にはまだ時間がかかります。
ネットワーク接続GPUクラスターは大量のGPUと低コストを持っていますが、NVLink接続GPUと比較してメモリが制限されています。NVLinkはGPU間の直接通信をサポートし、パラメータが多く、データセットが大きいLLMに適しています。
それにもかかわらず、分散型GPUネットワークは、動的なワークロードのニーズや柔軟性を必要とするユーザーに強力な計算能力とスケーラビリティを提供し、より多くのAIユースケースを構築する機会を創出します。
コンシューマ向けGPU/CPUを提供
CPUはAIモデルのトレーニングにおいても非常に重要で、データ前処理からメモリ管理まで使用されます。コンシューマ向けGPUは、事前トレーニングされたモデルの微調整や小規模トレーニングに使用できます。
85%以上の消費者がGPUをアイドル状態にしていることを考慮して、Render、Akash、io.netなどのプロジェクトはこの市場の一部にもサービスを提供しています。これにより、彼らは大規模な集中的計算、汎用小規模レンダリング、またはその両方に集中することができます。
まとめ
AI DePIN分野はまだ新しく、課題に直面しています。例えば、io.netはGPUの数を偽造したとして告発され、その後、プルーフ・オブ・ワークで解決されました。
それにもかかわらず、これらのネットワーク上で実行されるタスクとハードウェアの数は著しく増加しており、Web2クラウドプロバイダーの代替品に対する需要の増加を浮き彫りにしています。同時に、ハードウェアプロバイダーの急増は、供給前に十分に活用されていなかったことを示しています。これは、AI DePINネットワークの製品市場適合性を証明し、需要と供給の課題を効果的に解決しています。
未来を展望すると、AIは成長を続ける兆ドル市場になると期待されており、これらの分散GPUネットワークは開発者に経済的な計算代替手段を提供する上で重要な役割を果たすでしょう。需要と供給のギャップを埋め続けることで、これらのネットワークはAIと計算インフラの未来の構図に大きな貢献をするでしょう。
! AIとDePINの交差点
! AIとDePINの交差点
! AIとDePINの交差点
! AIとDePINの交差点
! AIとDePINの交差点