Fusion de l'IA et de DePIN : l'essor des réseaux GPU distribués

Depuis 2023, l'IA et le DePIN sont devenus des tendances phares dans le domaine du Web3, avec des capitalisations boursières respectives atteignant 30 milliards de dollars et 23 milliards de dollars. Cet article se concentre sur le point de convergence des deux et explore le développement de ce nouveau domaine.

Dans la pile technologique de l'IA, le réseau DePIN habilite l'IA en fournissant des ressources de calcul. La demande des grandes entreprises technologiques pour les GPU a entraîné une pénurie d'approvisionnement, rendant difficile pour d'autres développeurs d'accéder à des ressources suffisantes pour former leurs propres modèles. Les services cloud centralisés traditionnels exigent souvent la signature de contrats à long terme peu flexibles, ce qui entraîne une inefficacité. Le réseau DePIN offre une alternative plus flexible et rentable, en rassemblant des ressources GPU décentralisées grâce à des incitations par jetons, fournissant ainsi une offre unifiée aux utilisateurs. Cela permet non seulement aux développeurs d'accéder à une capacité de calcul personnalisable à la demande, mais crée également des revenus supplémentaires pour les utilisateurs de GPU inactifs.

Aperçu du réseau DePIN AI

Rendre

Render est le pionnier des réseaux de calcul GPU P2P, initialement axé sur le rendu graphique pour la création de contenu, puis élargi pour inclure une large gamme de tâches de calcul AI, y compris l'AI générative.

Points forts:

• Fondée par une entreprise possédant une technologie primée aux Oscars
• Utilisé par des géants du divertissement tels que Paramount Pictures
• Collaborer avec des entreprises telles que Stability AI pour intégrer des modèles d'IA et du rendu de contenu 3D
• Prise en charge de plusieurs clients de calcul, intégration de plus de réseaux DePIN GPU

Akash

Akash se positionne comme un "super cloud" alternatif aux plateformes cloud traditionnelles, prenant en charge le stockage, le calcul GPU et CPU. Sa plateforme de conteneurs et ses nœuds de calcul gérés par Kubernetes peuvent déployer sans effort des applications cloud natives.

Points forts :

• Couvre une large gamme de tâches allant du calcul général à l'hébergement web
• AkashML prend en charge l'exécution de plus de 15 000 modèles sur Hugging Face
• Applications célèbres telles que le chatbot LLM de Mistral AI ont été hébergées.
• Support des plateformes telles que le métavers, le déploiement de l'IA et l'apprentissage fédéré

io.net

io.net offre un cluster de cloud GPU distribué, axé sur les cas d'utilisation de l'IA et du ML. Il agrège des ressources GPU provenant de divers acteurs tels que des centres de données et des mineurs de cryptomonnaies.

Points forts :

• IO-SDK compatible avec des frameworks comme PyTorch, peut être étendu dynamiquement en fonction des besoins
• Prise en charge de la création de 3 types différents de clusters, démarrage en moins de 2 minutes
• Collaborer avec Render, Filecoin et d'autres pour intégrer plus de ressources GPU

Gensyn

Gensyn se concentre sur le calcul en apprentissage automatique et en apprentissage profond. Il utilise des mécanismes tels que la preuve d'apprentissage, des protocoles basés sur des graphes et des incitations à la mise en jeu pour améliorer l'efficacité de la validation.

Points forts:

• Le coût horaire d'un GPU V100 est d'environ 0,40 dollar, ce qui permet d'économiser considérablement.
• Peut effectuer un ajustement fin du modèle de base pré-entraîné pour accomplir des tâches spécifiques
• Fournir un modèle de base décentralisé et partagé au niveau mondial

Aethir

Aethir se concentre sur les GPU de niveau entreprise, servant des domaines intensifs en calcul tels que l'IA, le ML et les jeux cloud. Grâce à la technologie des conteneurs, il déplace les charges de travail du local vers le cloud, offrant une expérience à faible latence.

Points forts :

• Étendre le service de téléphone cloud, lancer un smartphone cloud décentralisé en collaboration avec APhone.
• Établir une large coopération avec des géants du Web2 comme NVIDIA et Foxconn
• Collaborer avec plusieurs parties telles que CARV, Magic Eden dans le domaine du Web3

Phala Network

Phala Network en tant que couche d'exécution de solutions IA Web3 adopte un environnement d'exécution de confiance (TEE) pour traiter les problèmes de confidentialité. Sa couche d'exécution permet aux agents IA d'être contrôlés par des contrats intelligents sur la chaîne.

Points forts:

• En tant que protocole de coprocesseur pour le calcul vérifiable, il habilite les agents AI à utiliser les ressources sur la blockchain.
• Les contrats de l'agent AI peuvent être obtenus via Redpill pour accéder aux LLM de premier plan tels qu'OpenAI.
• L'avenir inclura des systèmes de preuves multiples tels que zk-proofs, MPC, FHE.
• Prise en charge des GPU TEE tels que H100, améliorant la capacité de calcul

Comparaison de projet

| | Rendu | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Matériel | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Points clés des affaires | Rendu graphique et IA | Informatique en nuage, rendu et IA | IA | IA | IA, jeux en nuage et télécommunications | Exécution de l'IA sur la chaîne | | Type de tâche IA | Inférence | Inférence et entraînement | Inférence et entraînement | Entraînement | Entraînement | Exécution | | Prix du travail | Prix basé sur la performance | Enchère inversée | Prix de marché | Prix de marché | Système d'appel d'offres | Calcul des droits | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Confidentialité des données | Chiffrement&hachage | Authentification mTLS | Chiffrement des données | Cartographie sécurisée | Chiffrement | TEE | | Coût du travail | 0,5-5% par tâche | 20% USDC, 4% AKT | 2% USDC, 0,25% frais de réserve | Frais peu élevés | 20% par session | Proportionnel au montant staké | | Sécurité | Preuve de rendu | Preuve de participation | Preuve de calcul | Preuve de participation | Preuve de capacité de rendu | Hérité de la chaîne de relais | | Preuve de complétion | - | - | Preuve de verrouillage temporel | Preuve d'apprentissage | Preuve de travail de rendu | Preuve TEE | | Garantie de qualité | Litige | - | - | Vérificateur et dénonciateur | Nœud de vérification | Preuve à distance | | Cluster GPU | Non | Oui | Oui | Oui | Oui | Non |

Comparaison des caractéristiques clés

Calcul des clusters et parallèle

Le cadre de calcul distribué permet de réaliser des clusters GPU, améliorant ainsi l'efficacité de l'entraînement et l'évolutivité. La plupart des projets ont intégré le support des clusters pour le calcul parallèle, afin de répondre aux besoins des modèles d'IA complexes. io.net a réussi à déployer plus de 3800 clusters. Bien que Render ne supporte pas les clusters, il peut décomposer les tâches pour être traitées simultanément sur plusieurs nœuds. Phala prend en charge la mise en cluster des travailleurs CPU.

Protection des données

Protéger les ensembles de données sensibles est essentiel pour le développement de l'IA. La plupart des projets utilisent le chiffrement des données pour protéger la vie privée. io.net introduit le chiffrement homomorphe complet (FHE), permettant de traiter les données en état chiffré. Phala Network utilise un environnement d'exécution de confiance (TEE), empêchant l'accès ou la modification des données par des tiers.

Preuve de calcul et contrôle de qualité

Pour garantir la qualité du service, la plupart des projets adoptent des mécanismes de preuve d'achèvement et de contrôle de la qualité. Gensyn et Aethir génèrent des preuves d'achèvement du travail et effectuent des contrôles de qualité. io.net prouve que la performance des GPU loués est pleinement exploitée. Render recommande d'utiliser le processus de résolution des litiges pour traiter les nœuds problématiques. Phala génère des preuves TEE pour garantir une exécution correcte.

statistiques matérielles

| | Rendre | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Nombre de GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Nombre de CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Quantité H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Coût H100/heure | - | $1.46 | $1.19 | - | - | - | | Coût A100/heure | - | $1.37 | $1.50 | $0.55 ( prévu ) | $0.33 ( prévu ) | - |

Demande de GPU haute performance

L'entraînement des modèles d'IA nécessite des GPU de performance optimale, tels que les NVIDIA A100 et H100. Le marché décentralisé des GPU doit fournir un nombre suffisant de matériels haute performance pour répondre à la demande. io.net et Aethir possèdent chacun plus de 2000 unités H100/A100, plus adaptées au calcul de grands modèles. Le coût de location des GPU sur ces réseaux est désormais bien inférieur à celui des services centralisés.

Fourniture de GPU/CPU de niveau consommateur

En plus des GPU de niveau entreprise, certains projets comme Render, Akash et io.net desservent également le marché des GPU grand public. Cela permet d'exploiter une grande quantité de ressources GPU grand public inutilisées pour développer des segments de marché spécifiques.

Conclusion

Le domaine DePIN de l'IA en est encore à ses débuts et fait face à de nombreux défis. Cependant, le nombre de tâches exécutées sur ces réseaux et de matériel a considérablement augmenté, mettant en évidence la demande d'alternatives aux services cloud traditionnels. À l'avenir, avec la croissance continue du marché de l'IA, ces réseaux de GPU distribués devraient jouer un rôle clé dans la fourniture de ressources de calcul économiques pour les développeurs, contribuant ainsi de manière significative à l'avenir de l'IA et de l'infrastructure informatique.