AI ve DePIN'in Kesişimi: Dağıtık Hesaplama Ağı'nın Yükselişi

2023'ten bu yana, AI ve DePIN Web3 alanında popüler trendler haline geldi ve piyasa değerleri sırasıyla 30 milyar dolar ve 23 milyar dolara ulaştı. Bu makale, her iki alanın kesişim alanına odaklanarak ilgili protokollerin gelişimini tartışmaktadır.

AI teknoloji yelpazesinde, DePIN ağı hesaplama kaynakları aracılığıyla AI'ye kullanılabilirlik sağlar. Büyük teknoloji şirketlerinin gelişimi, GPU kıtlığına yol açarak diğer geliştiricilerin hesaplama için yeterli GPU bulmasını zorlaştırdı. Bu genellikle geliştiricilerin merkezi bulut sağlayıcılarını tercih etmesine neden olur, ancak uzun vadeli donanım sözleşmeleri yeterince esnek olmadığından verimlilik düşüktür.

DePIN, kaynak katkısını teşvik etmek için token ödülleri aracılığıyla daha esnek ve maliyet etkin bir alternatif sunar. AI alanındaki DePIN, GPU kaynaklarını bireysel sahiplerden veri merkezlerine toplu olarak sağlamakta ve donanım erişimine ihtiyaç duyan kullanıcılara tek tip bir tedarik sunmaktadır. Bu, geliştiricilere özelleştirilmiş ve talep üzerine erişim sağlarken, GPU sahiplerine de ek gelir kazandırır.

Piyasada birçok AI DePIN ağı bulunmaktadır. Bu makalede, çeşitli protokollerin işlevlerini, hedeflerini ve başarılarını inceleyeceğiz, böylece aralarındaki farkları anlayabileceksiniz.

AI DePIN Ağına Genel Bakış

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

Özet:

• Bulut Görüntüleme Şirketi OTOY tarafından kurulmuştur.
• GPU ağı büyük eğlence şirketleri tarafından kullanılmaktadır
• Stability AI gibi ortaklıklar kurarak, AI modellerini ve 3D render iş akışını entegre etmek
• Birden fazla hesaplama istemcisini onaylayın, daha fazla DePIN ağı GPU'sunu entegre edin.

Akash, depolama, GPU ve CPU hesaplamalarını destekleyen bir "süper bulut" alternatifi olarak konumlandırılmıştır. Geliştirici dostu araçlar olan konteyner platformları ve Kubernetes yönetimindeki hesaplama düğümleri gibi kullanılarak yazılımlar, ortamlar arasında kesintisiz bir şekilde dağıtılabilir.

Önemli Noktalar:

• Genel hesaplamadan ağ barındırmaya kadar geniş bir hesaplama görevine yönelik
• AkashML, Hugging Face üzerinde 15.000'den fazla modelin GPU ağlarında çalışmasına olanak tanır.
• Mistral AI'nın LLM modeli sohbet robotu gibi uygulamaları yönetti.
• Metaverse, AI dağıtımı gibi platformlar Supercloud'unu kullanarak inşa ediliyor.

io.net AI ve ML kullanım durumları için özel olarak tasarlanmış dağıtılmış GPU bulut kümelerine erişim sağlar. Veri merkezleri, kripto madencileri gibi alanlardan GPU'ları bir araya getirir.

Önemli Noktalar:

• IO-SDK, PyTorch gibi çerçevelerle uyumludur, çok katmanlı mimari dinamik olarak genişletilebilir.
• 3 farklı türde küme oluşturmayı destekler, 2 dakika içinde başlatır.
• Render, Filecoin gibi projelerle GPU kaynaklarının entegrasyonu

Gensyn makine öğrenimi ve derin öğrenme hesaplamalarına odaklanan GPU yetenekleri sunmaktadır. Daha verimli bir doğrulama mekanizması sağlamak için öğrenme kanıtı gibi kavramlar aracılığıyla daha yüksek verimlilik iddia etmektedir.

Önemli Noktalar:

• V100 eşdeğer GPU saatlik maliyeti yaklaşık 0.40 dolar, büyük tasarruf sağlar.
• Önceden eğitilmiş temel modelin belirli görevleri tamamlamak için ince ayarını yapabilirsiniz.
• Merkeziyetsiz, küresel olarak ortak bir temel model sunmak

Aethir özel olarak kurumsal GPU'lar için tasarlandı ve AI, ML, bulut oyunları gibi hesaplama yoğun alanlara odaklanıyor. Ağdaki konteynerler, bulut uygulamalarını çalıştıran sanal uç noktalar olarak işlev görüyor ve düşük gecikme süresi deneyimi sağlıyor.

Özet:

• Bulut telefon hizmetine genişleme, merkeziyetsiz bulut akıllı telefon lansmanı için APhone ile işbirliği yapma
• NVIDIA gibi Web2 büyük şirketlerle geniş işbirlikleri kurmak
• CARV, Magic Eden gibi Web3 projeleri ile işbirliği

Phala Network, Web3 AI çözümleri için bir yürütme katmanı olarak hizmet eder. Blok zinciri, güvene ihtiyaç duymayan bir bulut hesaplama çözümüdür ve gizlilik sorunlarını ele almak için güvenilir bir yürütme ortamı (TEE) ile tasarlanmıştır.

Ana noktalar:

• Doğrulanabilir hesaplamaların yardımcı işlemci protokolü olarak görev yapar, AI ajanlarının zincir üstü kaynaklara erişmesini sağlar.
• AI ajan sözleşmeleri Redpill aracılığıyla OpenAI gibi üst düzey dil modelleri elde edilebilir.
• Gelecek, zk-kanıtları, MPC, FHE gibi çoklu kanıt sistemlerini içerecektir.
• Gelecekte H100 gibi TEE GPU'ları destekleyecek, hesaplama gücünü artıracak.

Proje Karşılaştırması

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|------------|------------------|---------------------|--------|--------------|---------| | Donanım | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | İş Öncelikleri | Grafik İşleme ve AI | Bulut Bilişim, İşleme ve AI | AI | AI | AI, Bulut Oyunları ve Telekomünikasyon | Zincir Üstü AI Uygulaması | | AI Görev Türü| Çıkarım | Eğitim ve Çıkarım | Eğitim ve Çıkarım | Eğitim | Eğitim | Uygulama | | İş fiyatlandırması | Performansa dayalı fiyatlandırma | Ters ihale | Piyasa fiyatlandırması | Piyasa fiyatlandırması | İhale sistemi | Hak hesaplama | | Blok Zinciri | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot| | Veri Gizliliği | Şifreleme ve Hashleme | mTLS Kimlik Doğrulama | Veri Şifreleme | Güvenli Haritalama | Şifreleme | TEE | | İş Ücreti | 0.5-5%/iş | 20% USDC, 4% AKT| 2% USDC,0.25% rezerv | Düşük Ücret | 20%/oturum | Stake ile orantılı| | Güvenli | Görüntüleme Kanıtı | Hak Kanıtı | Hesaplama Kanıtı | Hak Kanıtı | Görüntüleme Kapasite Kanıtı | Ara zincirden devralınmıştır| | Tamamlama Kanıtı | - | - | Zaman Kilidi Kanıtı | Öğrenme Kanıtı | Render Çalışması Kanıtı | TEE Kanıtı | | Kalite Güvencesi | Tartışma | - | - | Doğrulama ve İhbar | Düğüm Kontrolü | Uzaktan Kanıt | | GPU kümesi | Hayır | Evet | Evet | Evet | Evet | Hayır |

Önemi

Küme ve paralel hesaplamanın kullanılabilirliği

Dağıtık hesaplama çerçevesi, GPU kümesi uygulayarak eğitim verimliliğini ve ölçeklenebilirliği artırır. Karmaşık AI modellerini eğitmek için güçlü bir hesaplama gücü gereklidir ve genellikle dağıtık hesaplama ile sağlanır. Örneğin, OpenAI'nin GPT-4 modeli 18 trilyondan fazla parametreye sahiptir, 3-4 ay sürmüştür ve yaklaşık 25.000 Nvidia A100 GPU kullanmıştır.

Çoğu proje artık kümeleri birleştirerek paralel hesaplama gerçekleştiriyor. io.net, diğer projelerle işbirliği yaparak Q1'de 3,800'den fazla küme dağıttı. Render küme desteği olmasa da, tek bir kareyi birden fazla düğümde eşzamanlı olarak işleyerek parçalar. Phala, CPU işleyici kümelerini destekliyor.

Küme çerçevesi, AI iş akışı ağları için çok önemlidir, ancak geliştiricilerin ihtiyaçlarını karşılamak için gerekli olan küme GPU sayısı ve türü başka bir sorundur.

Veri Gizliliği

AI modeli geliştirmek için büyük veri setlerine ihtiyaç vardır ve bu, hassas bilgileri içerebilir. Samsung, gizlilik endişeleri nedeniyle ChatGPT'yi devre dışı bırakmıştı; Microsoft'un 38TB veri sızıntısı, AI güvenliğinin önemini daha da vurgulamaktadır. Çeşitli veri gizliliği yöntemleri, veri sağlayıcılarına haklarını geri vermek için son derece önemlidir.

Çoğu proje, gizliliği korumak için bir tür veri şifrelemesi kullanır. Render, şifreleme ve hash kullanırken, io.net ve Gensyn veri şifrelemesi kullanır, Akash mTLS kimlik doğrulaması kullanır.

io.net, Mind Network ile birlikte tam homomorfik şifreleme (FHE) sunuyor, bu da şifrelenmiş verilerin şifrelerini çözmeden işlenmesine olanak tanıyor. Bu, mevcut şifreleme teknolojilerinden daha iyi bir gizlilik koruması sağlıyor.

Phala Ağı, dış erişimi veya verilerin değiştirilmesini önlemek için güvenilir yürütme ortamı ( TEE ) tanıtmaktadır. Ayrıca RiscZero zkVM entegrasyonu için zk-kanıtları ile birleştirilmektedir.

hesaplama tamamlama belgesi ve kalite kontrol

Hizmet kapsamı geniş olduğu için, nihai kalite kullanıcı standartlarına uymayabilir. Tamamlama belgesi, GPU'nun gerekli hizmetler için gerçekten kullanıldığını gösterir, kalite kontrolü kullanıcılar için faydalıdır.

Gensyn ve Aethir, üretim tamamlanma kanıtı oluşturdu, io.net GPU performansının tam olarak kullanıldığını doğruladı. Gensyn ve Aethir kalite kontrolü yapıyor. Gensyn, doğrulayıcılar kullanarak bazı kanıtları yeniden çalıştırıyor, rapor edenler tekrar kontrol ediyor. Aethir, kontrol düğümlerini kullanarak hizmet kalitesini değerlendiriyor, standartları karşılamayan hizmetleri cezalandırıyor. Render, anlaşmazlık çözüm süreci öneriyor, inceleme komitesi sorunlu düğümleri azaltabilir. Phala, TEE kanıtı oluşturuyor, AI ajanlarının zincir üzerindeki işlemleri gerçekleştirmesini sağlıyor.

Donanım İstatistik Verileri

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

Yüksek performanslı GPU'nun gereksinimleri

AI modeli eğitimi, Nvidia A100 ve H100 gibi üst düzey GPU'lara ihtiyaç duyar. H100'ün çıkarım performansı A100'ün 4 katıdır ve büyük şirketler için özellikle tercih edilen bir seçenektir.

Merkeziyetsiz GPU pazarının Web2 ile rekabet edebilmesi için sadece fiyatları düşük tutmakla kalmayıp, aynı zamanda pratik ihtiyaçları da karşılaması gerekiyor. 2023 yılında Nvidia, büyük teknoloji şirketlerine 500.000 adet H100 teslim etti ve eşit donanım maliyetleri oldukça yüksek oldu. Bu projelerin düşük maliyetle sunabileceği donanım miktarını dikkate almak önemlidir.

Her projede farklı hesaplama gücü sunulmaktadır. Akash'ın sadece 150'den fazla H100 ve A100'u var, io.net ve Aethir'in ise 2000'den fazla var. Önceden eğitilmiş LLM'ler genellikle 248 ile 2000'den fazla GPU kümesi gerektirir, son iki proje büyük model hesaplamaları için daha uygundur.

Şu anda merkeziyetsiz GPU hizmetlerinin maliyeti, merkezi hizmetlerden çok daha düşük. Gensyn ve Aethir, A100 seviyesindeki donanımın saatlik maliyetinin 1 dolardan az olduğunu iddia ediyor, ancak bunu doğrulamak için zamana ihtiyaç var.

Ağ bağlantılı GPU kümeleri birçok GPU ve düşük maliyet sunmasına rağmen, NVLink ile bağlı GPU'lara kıyasla bellek sınırlıdır. NVLink, GPU'lar arasında doğrudan iletişimi destekler ve çok sayıda parametreye ve büyük veri setlerine sahip LLM'ler için uygundur.

Yine de, merkeziyetsiz GPU ağı dinamik iş yükü talepleri veya esneklik gerektiren kullanıcılar için güçlü hesaplama gücü ve ölçeklenebilirlik sunarak daha fazla AI kullanım durumu oluşturma fırsatları yaratmaktadır.

tüketici düzeyinde GPU/CPU sağlar

CPU, AI model eğitimi sırasında veri ön işleme ve bellek yönetimi için de önemlidir. Tüketici düzeyindeki GPU'lar, önceden eğitilmiş modellerin ince ayarını yapmak veya küçük ölçekli eğitim için kullanılabilir.

%85'ten fazla tüketicinin GPU'sunun boşta olduğu göz önüne alındığında, Render, Akash ve io.net gibi projeler de bu pazarın bir kısmına hizmet ediyor. Bu da onların büyük ölçekli yoğun hesaplama, genel küçük ölçekli render veya her ikisinin karışımına odaklanmalarını sağlıyor.

Sonuç

AI DePIN alanı hala yenidir ve zorluklarla karşı karşıyadır. Örneğin, io.net daha önce GPU sayısını sahte olarak bildirmekle suçlandı ve daha sonra iş kanıtı ile bu durumu çözdü.

Yine de, bu ağlarda gerçekleştirilen görevlerin ve donanım sayısının önemli ölçüde arttığı, Web2 bulut sağlayıcıları için alternatiflere olan talebin artışını vurguluyor. Aynı zamanda, donanım sağlayıcılarındaki patlama, arzın önceden yeterince kullanılmadığını gösteriyor. Bu, AI DePIN ağının ürün pazar uyumunu kanıtlıyor ve talep ile arz zorluklarını etkili bir şekilde çözüyor.

Geleceğe baktığımızda, AI'nin gelişen bir trilyon dolarlık pazar haline gelmesi bekleniyor, bu dağıtılmış GPU ağları geliştiricilere ekonomik olarak verimli bir hesaplama alternatifi sunmada önemli bir rol oynayacak. Sürekli talep ve arz arasındaki farkı kapatarak, bu ağlar AI ve hesaplama altyapısının gelecekteki görünümüne önemli katkılarda bulunacak.