AI DePIN Jaringan: Masa Depan Komputasi GPU Terdesentralisasi
Sejak tahun 2023, AI dan DePIN telah menjadi tren populer di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar USD dan 23 miliar USD. Artikel ini fokus pada bidang persilangan keduanya, membahas perkembangan protokol terkait.
Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Kekurangan GPU yang disebabkan oleh perusahaan teknologi besar membuat pengembang AI lainnya kesulitan untuk mendapatkan cukup daya komputasi GPU. Praktik tradisional adalah memilih penyedia layanan cloud terpusat, tetapi harus menandatangani kontrak jangka panjang yang tidak fleksibel dan tidak efisien.
DePIN menawarkan alternatif yang lebih fleksibel dan lebih ekonomis, dengan memberikan insentif token untuk kontribusi sumber daya yang sesuai dengan tujuan jaringan. DePIN di bidang AI mengintegrasikan sumber daya GPU pribadi ke dalam pusat data, memberikan pasokan yang terintegrasi kepada pengguna. Ini tidak hanya memberikan akses yang disesuaikan dan sesuai permintaan bagi pengembang, tetapi juga menciptakan pendapatan tambahan bagi pemilik GPU.
Di pasar terdapat banyak jaringan DePIN AI, artikel ini akan membahas peran, tujuan, dan keunggulan masing-masing protokol, serta perbedaan di antara mereka.
AI DePIN Jaringan Overview
Render
Render adalah pelopor jaringan komputasi GPU P2P, awalnya fokus pada rendering grafis, kemudian berkembang ke tugas komputasi AI.
Sorotan:
Didirikan oleh perusahaan OTOY yang memenangkan Penghargaan Teknologi Oscar
Jaringan GPU digunakan oleh perusahaan hiburan besar seperti Paramount, PUBG, dll.
Bekerja sama dengan Stability AI, mengintegrasikan model AI dengan alur kerja rendering konten 3D
Menyetujui beberapa klien komputasi, mengintegrasikan lebih banyak GPU jaringan DePIN
Akash
Akash diposisikan sebagai platform "super cloud" yang mendukung penyimpanan, komputasi GPU, dan CPU, sebagai alternatif untuk platform tradisional seperti AWS. Dengan menggunakan platform kontainer dan node komputasi yang dikelola oleh Kubernetes, aplikasi cloud native dapat diterapkan tanpa hambatan.
Sorotan:
Ditujukan untuk tugas komputasi yang luas dari komputasi umum hingga hosting jaringan
AkashML memungkinkan menjalankan lebih dari 15.000 model di Hugging Face
Mengelola aplikasi penting seperti chatbot LLM Mistral AI, SDXL dari Stability AI, dll.
Metaverse, penerapan AI, dan platform pembelajaran federasi sedang menggunakan super cloud-nya
io.net
io.net menyediakan akses ke kluster cloud GPU terdistribusi yang khusus untuk AI dan ML, mengagregasi sumber daya GPU dari pusat data, penambang, dan lain-lain.
Sorotan:
IO-SDK kompatibel dengan kerangka kerja seperti PyTorch dan Tensorflow, dapat secara otomatis diperluas sesuai kebutuhan
Mendukung pembuatan 3 jenis kluster yang berbeda, dapat diluncurkan dalam 2 menit
Bekerja sama dengan Render, Filecoin, dan mengintegrasikan GPU dari jaringan DePIN lainnya
Gensyn
Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam. Melalui teknologi seperti bukti pembelajaran, mewujudkan mekanisme verifikasi yang lebih efisien.
Sorotan:
Biaya per jam untuk GPU V100 sekitar 0,40 dolar AS, menghemat biaya secara signifikan
Dapat melakukan fine-tuning pada model dasar yang telah dilatih sebelumnya untuk menyelesaikan tugas yang lebih spesifik
Model dasar akan terdesentralisasi, berbagi secara global, menyediakan fungsi tambahan
Aethir
Aethir secara khusus menerapkan GPU tingkat perusahaan, fokus pada bidang komputasi intensif seperti AI, ML, dan permainan cloud. Kontainer dalam jaringan bertindak sebagai titik akhir virtual untuk menjalankan aplikasi cloud, memberikan pengalaman latensi rendah.
Sorotan:
Memperluas layanan ponsel cloud, bekerja sama dengan APhone untuk meluncurkan ponsel cloud terdesentralisasi
Membangun kerjasama luas dengan perusahaan Web2 besar seperti NVIDIA, HPE
Bekerja sama dengan beberapa mitra Web3 seperti CARV, Magic Eden
Jaringan Phala
Phala Network sebagai lapisan eksekusi solusi AI Web3, memanfaatkan lingkungan eksekusi tepercaya (TEE) untuk menangani masalah privasi. Memungkinkan agen AI dikendalikan oleh kontrak pintar di blockchain.
Sorotan:
Sebagai protokol coprocessor komputasi yang dapat diverifikasi, memberdayakan agen AI untuk sumber daya di blockchain.
Kontrak agen AI dapat diperoleh melalui Redpill untuk model bahasa besar terkemuka seperti OpenAI.
Masa depan akan mencakup sistem bukti ganda seperti zk-proofs, MPC, FHE, dan lainnya.
Mendukung GPU TEE seperti H100 di masa depan, meningkatkan kemampuan komputasi
Perbandingan Proyek
| | Render | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Fokus Bisnis | Rendering grafis dan AI | Komputasi awan, rendering, dan AI | AI | AI | AI, game awan, dan telekomunikasi | Eksekusi AI di blockchain |
| Jenis Tugas AI | Inferensi | Keduanya bisa | Keduanya bisa | Pelatihan | Pelatihan | Eksekusi |
| Penetapan harga | Penetapan harga berbasis kinerja | Lelang terbalik | Penetapan harga pasar | Penetapan harga pasar | Sistem tender | Perhitungan hak |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Privasi Data | Enkripsi&Hash | Autentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE |
| Biaya Pekerjaan | 0,5-5% per pekerjaan | 20% USDC, 4% AKT | 2% USDC, 0,25% biaya cadangan | Biaya rendah | 20% per sesi | Proporsional dengan jumlah staking |
| Keamanan | Bukti Render | Bukti Hak | Bukti Perhitungan | Bukti Hak | Bukti Kemampuan Render | Warisan dari Rantai Perantara |
| Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE |
| Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pemeriksa | Bukti Jarak |
| GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |
Pentingnya
Ketersediaan komputasi kluster dan paralel
Kerangka kerja komputasi terdistribusi telah mengimplementasikan kluster GPU, memberikan pelatihan yang lebih efisien, sekaligus meningkatkan skalabilitas. Melatih model AI yang kompleks memerlukan kekuatan komputasi yang besar, biasanya bergantung pada komputasi terdistribusi. Misalnya, model GPT-4 dari OpenAI memiliki lebih dari 1,8 triliun parameter, dilatih dalam 3-4 bulan menggunakan sekitar 25.000 GPU Nvidia A100 di 128 kluster.
Sebagian besar proyek kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net bekerja sama dengan proyek lain untuk menggabungkan lebih banyak GPU ke dalam jaringan, dengan lebih dari 3.800 kluster yang diterapkan pada kuartal pertama tahun 2024. Meskipun Render tidak mendukung kluster, namun membagi satu bingkai menjadi beberapa node untuk diproses secara bersamaan, dengan prinsip kerja yang serupa. Phala saat ini hanya mendukung CPU, tetapi memungkinkan klusterisasi pekerja CPU.
privasi data
Pengembangan model AI memerlukan kumpulan data yang besar, yang mungkin berisi informasi sensitif. Samsung melarang penggunaan ChatGPT karena khawatir tentang kebocoran kode, sementara insiden kebocoran data 38TB Microsoft menyoroti pentingnya langkah-langkah keamanan AI. Oleh karena itu, berbagai metode privasi data sangat penting untuk melindungi hak kontrol atas data.
Sebagian besar proyek menggunakan beberapa bentuk enkripsi data. Render menggunakan enkripsi dan hash saat merilis hasil render, io.net dan Gensyn menggunakan enkripsi data, Akash menggunakan otentikasi mTLS untuk membatasi akses data.
io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsi, melindungi privasi data dengan lebih baik dibandingkan teknologi enkripsi yang ada.
Phala Network memperkenalkan lingkungan eksekusi tepercaya ( TEE ), untuk mencegah proses eksternal mengakses atau memodifikasi data. Ini juga menggabungkan zk-proofs dalam validator zkDCAP dan jtee CLI, untuk mengintegrasikan RiscZero zkVM.
Bukti penyelesaian perhitungan dan pemeriksaan kualitas
Karena cakupan layanan yang luas, mulai dari rendering hingga perhitungan AI, kualitas akhir mungkin tidak selalu memenuhi standar pengguna. Penyelesaian bukti dan pemeriksaan kualitas bermanfaat bagi pengguna.
Gensyn dan Aethir menghasilkan bukti penyelesaian, bukti dari io.net menunjukkan bahwa kinerja GPU dimanfaatkan sepenuhnya. Gensyn dan Aethir melakukan pemeriksaan kualitas, Gensyn menggunakan validator dan pelapor, Aethir menggunakan node pemeriksa. Render menyarankan untuk menggunakan proses penyelesaian sengketa. Phala menghasilkan bukti TEE, memastikan bahwa agen AI melakukan operasi yang diperlukan.
Model AI cenderung menggunakan GPU berkinerja tinggi seperti Nvidia A100 dan H100 untuk pelatihan. Kinerja inferensi H100 adalah 4 kali lipat dari A100, menjadikannya pilihan utama perusahaan besar untuk melatih LLM.
Penyedia pasar GPU terdesentralisasi perlu menawarkan harga yang lebih rendah dan memenuhi permintaan yang sebenarnya. Pada tahun 2023, Nvidia mengirimkan lebih dari 500.000 unit H100 kepada perusahaan teknologi besar, membuat akses ke perangkat keras yang setara menjadi sulit. Oleh karena itu, mempertimbangkan jumlah perangkat keras yang dapat diperkenalkan dengan biaya rendah oleh proyek-proyek ini sangat penting untuk memperluas basis pelanggan.
Akash hanya memiliki lebih dari 150 H100 dan A100, sementara io.net dan Aethir masing-masing memiliki lebih dari 2000. Model LLM yang telah dilatih sebelumnya atau model generatif biasanya memerlukan 248 hingga lebih dari 2000 kelompok GPU, sehingga dua proyek terakhir lebih cocok untuk perhitungan model besar.
Biaya layanan GPU terdesentralisasi telah lebih rendah daripada layanan terpusat. Gensyn dan Aethir mengklaim dapat menyewa perangkat keras level A100 dengan harga kurang dari 1 dolar per jam, tetapi masih perlu waktu untuk memverifikasinya.
Dibandingkan dengan GPU yang terhubung melalui NVLink, memori kluster GPU yang terhubung melalui jaringan terbatas. NVLink mendukung komunikasi langsung antar GPU, cocok untuk LLM dengan parameter besar dan kumpulan data besar. Meskipun demikian, jaringan GPU terdesentralisasi tetap menyediakan daya komputasi yang kuat dan skalabilitas untuk tugas komputasi terdistribusi, menciptakan peluang untuk membangun lebih banyak kasus penggunaan AI dan ML.
menyediakan GPU/CPU kelas konsumen
CPU juga memainkan peran penting dalam pelatihan model AI, digunakan untuk pra-pemrosesan data hingga manajemen memori. GPU kelas konsumen dapat digunakan untuk melakukan fine-tuning pada model yang telah dilatih sebelumnya atau melatih model skala kecil.
Mengingat lebih dari 85% konsumen memiliki sumber daya GPU yang tidak terpakai, proyek seperti Render, Akash, dan io.net juga melayani pasar ini. Menyediakan opsi ini memungkinkan mereka untuk mengembangkan pasar niche, fokus pada komputasi intensif skala besar, rendering skala kecil, atau keduanya campuran.
Kata Penutup
Bidang DePIN AI masih relatif baru dan menghadapi tantangan. Misalnya, io.net pernah dituduh memalsukan jumlah GPU, yang kemudian diselesaikan dengan memperkenalkan proses pembuktian kerja.
Meskipun demikian, jumlah tugas dan perangkat keras yang dijalankan di jaringan GPU terdesentralisasi ini meningkat secara signifikan, menyoroti pertumbuhan permintaan akan alternatif sumber daya perangkat keras dari penyedia cloud Web2. Pada saat yang sama, peningkatan penyedia perangkat keras mencerminkan pasokan yang sebelumnya tidak dimanfaatkan secara maksimal. Ini lebih lanjut membuktikan kesesuaian produk pasar dari jaringan AI DePIN, yang secara efektif mengatasi tantangan permintaan dan pasokan.
Melihat ke depan, AI akan berkembang menjadi pasar bernilai triliunan dolar yang berkembang pesat. Jaringan GPU terdesentralisasi ini akan memainkan peran kunci dalam memberikan solusi komputasi yang hemat biaya bagi para pengembang. Dengan terus menjembatani kesenjangan antara permintaan dan pasokan, jaringan ini akan memberikan kontribusi signifikan terhadap lanskap masa depan AI dan infrastruktur komputasi.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
10 Suka
Hadiah
10
4
Bagikan
Komentar
0/400
SpeakWithHatOn
· 20jam yang lalu
Masih trading depin? Semakin cepat mati semakin cepat reinkarnasi
Lihat AsliBalas0
SmartContractPlumber
· 20jam yang lalu
Kode ini masih harus diaudit, jangan buat celah yang jelas.
Lihat AsliBalas0
HodlNerd
· 20jam yang lalu
teori permainan yang menarik sedang dimainkan... kolam gpu terdesentralisasi adalah evolusi logis berikutnya sejujurnya
Lihat AsliBalas0
PanicSeller
· 20jam yang lalu
Hanya kekurangan kartu grafis, lihat seberapa bisa orang-orang ini.
Kebangkitan Jaringan DePIN AI: Komputasi GPU Terdesentralisasi Memimpin Tren Baru
AI DePIN Jaringan: Masa Depan Komputasi GPU Terdesentralisasi
Sejak tahun 2023, AI dan DePIN telah menjadi tren populer di bidang Web3, dengan nilai pasar masing-masing mencapai 30 miliar USD dan 23 miliar USD. Artikel ini fokus pada bidang persilangan keduanya, membahas perkembangan protokol terkait.
Dalam tumpukan teknologi AI, jaringan DePIN memberdayakan AI dengan menyediakan sumber daya komputasi. Kekurangan GPU yang disebabkan oleh perusahaan teknologi besar membuat pengembang AI lainnya kesulitan untuk mendapatkan cukup daya komputasi GPU. Praktik tradisional adalah memilih penyedia layanan cloud terpusat, tetapi harus menandatangani kontrak jangka panjang yang tidak fleksibel dan tidak efisien.
DePIN menawarkan alternatif yang lebih fleksibel dan lebih ekonomis, dengan memberikan insentif token untuk kontribusi sumber daya yang sesuai dengan tujuan jaringan. DePIN di bidang AI mengintegrasikan sumber daya GPU pribadi ke dalam pusat data, memberikan pasokan yang terintegrasi kepada pengguna. Ini tidak hanya memberikan akses yang disesuaikan dan sesuai permintaan bagi pengembang, tetapi juga menciptakan pendapatan tambahan bagi pemilik GPU.
Di pasar terdapat banyak jaringan DePIN AI, artikel ini akan membahas peran, tujuan, dan keunggulan masing-masing protokol, serta perbedaan di antara mereka.
AI DePIN Jaringan Overview
Render
Render adalah pelopor jaringan komputasi GPU P2P, awalnya fokus pada rendering grafis, kemudian berkembang ke tugas komputasi AI.
Sorotan:
Akash
Akash diposisikan sebagai platform "super cloud" yang mendukung penyimpanan, komputasi GPU, dan CPU, sebagai alternatif untuk platform tradisional seperti AWS. Dengan menggunakan platform kontainer dan node komputasi yang dikelola oleh Kubernetes, aplikasi cloud native dapat diterapkan tanpa hambatan.
Sorotan:
io.net
io.net menyediakan akses ke kluster cloud GPU terdistribusi yang khusus untuk AI dan ML, mengagregasi sumber daya GPU dari pusat data, penambang, dan lain-lain.
Sorotan:
Gensyn
Gensyn menyediakan kemampuan komputasi GPU yang fokus pada pembelajaran mesin dan pembelajaran mendalam. Melalui teknologi seperti bukti pembelajaran, mewujudkan mekanisme verifikasi yang lebih efisien.
Sorotan:
Aethir
Aethir secara khusus menerapkan GPU tingkat perusahaan, fokus pada bidang komputasi intensif seperti AI, ML, dan permainan cloud. Kontainer dalam jaringan bertindak sebagai titik akhir virtual untuk menjalankan aplikasi cloud, memberikan pengalaman latensi rendah.
Sorotan:
Jaringan Phala
Phala Network sebagai lapisan eksekusi solusi AI Web3, memanfaatkan lingkungan eksekusi tepercaya (TEE) untuk menangani masalah privasi. Memungkinkan agen AI dikendalikan oleh kontrak pintar di blockchain.
Sorotan:
Perbandingan Proyek
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Perangkat Keras | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Fokus Bisnis | Rendering grafis dan AI | Komputasi awan, rendering, dan AI | AI | AI | AI, game awan, dan telekomunikasi | Eksekusi AI di blockchain | | Jenis Tugas AI | Inferensi | Keduanya bisa | Keduanya bisa | Pelatihan | Pelatihan | Eksekusi | | Penetapan harga | Penetapan harga berbasis kinerja | Lelang terbalik | Penetapan harga pasar | Penetapan harga pasar | Sistem tender | Perhitungan hak | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Privasi Data | Enkripsi&Hash | Autentikasi mTLS | Enkripsi Data | Pemetaan Aman | Enkripsi | TEE | | Biaya Pekerjaan | 0,5-5% per pekerjaan | 20% USDC, 4% AKT | 2% USDC, 0,25% biaya cadangan | Biaya rendah | 20% per sesi | Proporsional dengan jumlah staking | | Keamanan | Bukti Render | Bukti Hak | Bukti Perhitungan | Bukti Hak | Bukti Kemampuan Render | Warisan dari Rantai Perantara | | Bukti Penyelesaian | - | - | Bukti Kunci Waktu | Bukti Pembelajaran | Bukti Pekerjaan Rendering | Bukti TEE | | Jaminan Kualitas | Sengketa | - | - | Verifikator dan Pelapor | Node Pemeriksa | Bukti Jarak | | GPU Cluster | Tidak | Ya | Ya | Ya | Ya | Tidak |
Pentingnya
Ketersediaan komputasi kluster dan paralel
Kerangka kerja komputasi terdistribusi telah mengimplementasikan kluster GPU, memberikan pelatihan yang lebih efisien, sekaligus meningkatkan skalabilitas. Melatih model AI yang kompleks memerlukan kekuatan komputasi yang besar, biasanya bergantung pada komputasi terdistribusi. Misalnya, model GPT-4 dari OpenAI memiliki lebih dari 1,8 triliun parameter, dilatih dalam 3-4 bulan menggunakan sekitar 25.000 GPU Nvidia A100 di 128 kluster.
Sebagian besar proyek kini telah mengintegrasikan kluster untuk melakukan komputasi paralel. io.net bekerja sama dengan proyek lain untuk menggabungkan lebih banyak GPU ke dalam jaringan, dengan lebih dari 3.800 kluster yang diterapkan pada kuartal pertama tahun 2024. Meskipun Render tidak mendukung kluster, namun membagi satu bingkai menjadi beberapa node untuk diproses secara bersamaan, dengan prinsip kerja yang serupa. Phala saat ini hanya mendukung CPU, tetapi memungkinkan klusterisasi pekerja CPU.
privasi data
Pengembangan model AI memerlukan kumpulan data yang besar, yang mungkin berisi informasi sensitif. Samsung melarang penggunaan ChatGPT karena khawatir tentang kebocoran kode, sementara insiden kebocoran data 38TB Microsoft menyoroti pentingnya langkah-langkah keamanan AI. Oleh karena itu, berbagai metode privasi data sangat penting untuk melindungi hak kontrol atas data.
Sebagian besar proyek menggunakan beberapa bentuk enkripsi data. Render menggunakan enkripsi dan hash saat merilis hasil render, io.net dan Gensyn menggunakan enkripsi data, Akash menggunakan otentikasi mTLS untuk membatasi akses data.
io.net baru-baru ini bekerja sama dengan Mind Network untuk meluncurkan enkripsi homomorfik sepenuhnya (FHE), yang memungkinkan pemrosesan data terenkripsi tanpa perlu mendekripsi, melindungi privasi data dengan lebih baik dibandingkan teknologi enkripsi yang ada.
Phala Network memperkenalkan lingkungan eksekusi tepercaya ( TEE ), untuk mencegah proses eksternal mengakses atau memodifikasi data. Ini juga menggabungkan zk-proofs dalam validator zkDCAP dan jtee CLI, untuk mengintegrasikan RiscZero zkVM.
Bukti penyelesaian perhitungan dan pemeriksaan kualitas
Karena cakupan layanan yang luas, mulai dari rendering hingga perhitungan AI, kualitas akhir mungkin tidak selalu memenuhi standar pengguna. Penyelesaian bukti dan pemeriksaan kualitas bermanfaat bagi pengguna.
Gensyn dan Aethir menghasilkan bukti penyelesaian, bukti dari io.net menunjukkan bahwa kinerja GPU dimanfaatkan sepenuhnya. Gensyn dan Aethir melakukan pemeriksaan kualitas, Gensyn menggunakan validator dan pelapor, Aethir menggunakan node pemeriksa. Render menyarankan untuk menggunakan proses penyelesaian sengketa. Phala menghasilkan bukti TEE, memastikan bahwa agen AI melakukan operasi yang diperlukan.
Statistik Perangkat Keras
| | Render | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|------------|--------| | Jumlah GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Jumlah CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Jumlah H100/A100 | - | 157 | 2330 | - | 2000+ | - | | Biaya H100/jam | - | $1.46 | $1.19 | - | - | - | | Biaya A100/jam | - | $1.37 | $1.50 | $0.55 ( diperkirakan ) | $0.33 ( diperkirakan ) | - |
Permintaan GPU berkinerja tinggi
Model AI cenderung menggunakan GPU berkinerja tinggi seperti Nvidia A100 dan H100 untuk pelatihan. Kinerja inferensi H100 adalah 4 kali lipat dari A100, menjadikannya pilihan utama perusahaan besar untuk melatih LLM.
Penyedia pasar GPU terdesentralisasi perlu menawarkan harga yang lebih rendah dan memenuhi permintaan yang sebenarnya. Pada tahun 2023, Nvidia mengirimkan lebih dari 500.000 unit H100 kepada perusahaan teknologi besar, membuat akses ke perangkat keras yang setara menjadi sulit. Oleh karena itu, mempertimbangkan jumlah perangkat keras yang dapat diperkenalkan dengan biaya rendah oleh proyek-proyek ini sangat penting untuk memperluas basis pelanggan.
Akash hanya memiliki lebih dari 150 H100 dan A100, sementara io.net dan Aethir masing-masing memiliki lebih dari 2000. Model LLM yang telah dilatih sebelumnya atau model generatif biasanya memerlukan 248 hingga lebih dari 2000 kelompok GPU, sehingga dua proyek terakhir lebih cocok untuk perhitungan model besar.
Biaya layanan GPU terdesentralisasi telah lebih rendah daripada layanan terpusat. Gensyn dan Aethir mengklaim dapat menyewa perangkat keras level A100 dengan harga kurang dari 1 dolar per jam, tetapi masih perlu waktu untuk memverifikasinya.
Dibandingkan dengan GPU yang terhubung melalui NVLink, memori kluster GPU yang terhubung melalui jaringan terbatas. NVLink mendukung komunikasi langsung antar GPU, cocok untuk LLM dengan parameter besar dan kumpulan data besar. Meskipun demikian, jaringan GPU terdesentralisasi tetap menyediakan daya komputasi yang kuat dan skalabilitas untuk tugas komputasi terdistribusi, menciptakan peluang untuk membangun lebih banyak kasus penggunaan AI dan ML.
menyediakan GPU/CPU kelas konsumen
CPU juga memainkan peran penting dalam pelatihan model AI, digunakan untuk pra-pemrosesan data hingga manajemen memori. GPU kelas konsumen dapat digunakan untuk melakukan fine-tuning pada model yang telah dilatih sebelumnya atau melatih model skala kecil.
Mengingat lebih dari 85% konsumen memiliki sumber daya GPU yang tidak terpakai, proyek seperti Render, Akash, dan io.net juga melayani pasar ini. Menyediakan opsi ini memungkinkan mereka untuk mengembangkan pasar niche, fokus pada komputasi intensif skala besar, rendering skala kecil, atau keduanya campuran.
Kata Penutup
Bidang DePIN AI masih relatif baru dan menghadapi tantangan. Misalnya, io.net pernah dituduh memalsukan jumlah GPU, yang kemudian diselesaikan dengan memperkenalkan proses pembuktian kerja.
Meskipun demikian, jumlah tugas dan perangkat keras yang dijalankan di jaringan GPU terdesentralisasi ini meningkat secara signifikan, menyoroti pertumbuhan permintaan akan alternatif sumber daya perangkat keras dari penyedia cloud Web2. Pada saat yang sama, peningkatan penyedia perangkat keras mencerminkan pasokan yang sebelumnya tidak dimanfaatkan secara maksimal. Ini lebih lanjut membuktikan kesesuaian produk pasar dari jaringan AI DePIN, yang secara efektif mengatasi tantangan permintaan dan pasokan.
Melihat ke depan, AI akan berkembang menjadi pasar bernilai triliunan dolar yang berkembang pesat. Jaringan GPU terdesentralisasi ini akan memainkan peran kunci dalam memberikan solusi komputasi yang hemat biaya bagi para pengembang. Dengan terus menjembatani kesenjangan antara permintaan dan pasokan, jaringan ini akan memberikan kontribusi signifikan terhadap lanskap masa depan AI dan infrastruktur komputasi.