الذكاء الاصطناعي و DePIN: صعود الشبكات اللامركزية للمعالجات الرسومية
منذ عام 2023، كانت AI و DePIN مواضيع شائعة في مجال Web3، حيث بلغت قيمتها السوقية 30 مليار دولار و 23 مليار دولار على التوالي. ستستكشف هذه المقالة تقاطع كلاهما، وتدرس تطور البروتوكولات في هذا المجال.
في مجموعة تقنيات الذكاء الاصطناعي، توفر شبكة DePIN الموارد الحاسوبية للذكاء الاصطناعي. أدى تطور شركات التكنولوجيا الكبرى إلى نقص في وحدات معالجة الرسوميات (GPU)، مما جعل المطورين الآخرين يفتقرون إلى ما يكفي من وحدات معالجة الرسوميات لإجراء الحسابات. وغالبًا ما يؤدي ذلك إلى اختيار المطورين لمزودي خدمات السحابة المركزية، ولكن بسبب الحاجة إلى توقيع عقود طويلة الأجل غير مرنة للأجهزة عالية الأداء، يؤدي إلى ضعف الكفاءة.
DePIN يوفر أساسًا بديلاً أكثر مرونة وفعالية من حيث التكلفة، حيث يستخدم مكافآت رمزية لتحفيز المساهمات في الموارد التي تتماشى مع أهداف الشبكة. ستقوم DePIN في مجال الذكاء الاصطناعي بتجميع موارد GPU من المالكين الأفراد إلى مراكز البيانات، مما يشكل إمدادًا موحدًا للمستخدمين الذين يحتاجون إلى الوصول إلى الأجهزة. لا توفر هذه الشبكات DePIN فقط تخصيصًا وإمكانية الوصول حسب الطلب للمطورين الذين يحتاجون إلى قدرة حسابية، بل تقدم أيضًا دخلًا إضافيًا لمالكي GPU.
Render هو رائد في شبكة P2P التي توفر القدرة على حساب GPU، كان يركز سابقًا على تقديم الرسوميات للمحتوى، ثم وسع نطاقه ليشمل المهام الحسابية للذكاء الاصطناعي من الحقول العاكسة العصبية (NeRF) إلى الذكاء الاصطناعي التوليدي.
الجزء المثير للاهتمام:
تأسست شركة OTOY، التي تمتلك تقنيات حائزة على جائزة الأوسكار.
تم استخدام شبكة GPU من قبل شركات كبيرة في صناعة الترفيه مثل باراماونت بيكتشرز، PUBG، وستار تريك.
التعاون مع Stability AI و Endeavor، واستخدام GPU من Render لدمج نماذج الذكاء الاصطناعي الخاصة بهم مع سير عمل عرض المحتوى ثلاثي الأبعاد
الموافقة على عدة عملاء حوسبة، ودمج المزيد من الشبكات DePIN GPU
Akash يحدد نفسه بديلاً عن "السحابة الفائقة" للمنصات التقليدية التي تدعم التخزين وحوسبة GPU وCPU. من خلال أدوات صديقة للمطورين مثل منصة Akash للحاويات وعقد الحوسبة المدارة بواسطة Kubernetes، فإنه قادر على نشر البرمجيات بسلاسة عبر البيئات، مما يمكنه من تشغيل أي تطبيقات سحابية أصلية.
الأشياء المثيرة للاهتمام:
للمهام الحسابية الواسعة النطاق من الحوسبة العامة إلى استضافة الشبكات
أكاش إم إل يسمح لشبكة المعالجة الرسومية الخاصة به بتشغيل أكثر من 15,000 نموذج على هاجينغ فيس، مع التكامل مع هاجينغ فيس.
تستضيف Akash بعض التطبيقات الجديرة بالاهتمام، مثل روبوت الدردشة LLM من Mistral AI، ونموذج تحويل النص إلى صورة SDXL من Stability AI، والنموذج الأساسي الجديد AT-1 من Thumper AI.
بناء منصات الميتافيرس، نشر الذكاء الاصطناعي وتعلم الفيدرالية تستفيد من Supercloud
io.net يوفر الوصول إلى تجمعات GPU السحابية الموزعة، والتي تم تصميمها خصيصًا لحالات استخدام الذكاء الاصطناعي والتعلم الآلي. إنه يجمع بين GPU من مراكز البيانات، وعمال التعدين المشفر، وشبكات أخرى اللامركزية. كانت الشركة سابقًا شركة تداول كمي، وبعد الارتفاع الكبير في أسعار GPU عالية الأداء، انتقلت الشركة إلى الأعمال الحالية.
الجزء المثير للاهتمام:
تتوافق IO-SDK مع أطر العمل مثل PyTorch و Tensorflow، ويمكن لهياكلها متعددة الطبقات التوسع ديناميكياً وفقًا لاحتياجات الحوسبة.
دعم إنشاء 3 أنواع مختلفة من الكتل، يمكن تشغيلها في غضون دقيقتين
جهود التعاون القوية لدمج GPU للشبكات الأخرى DePIN، بما في ذلك Render و Filecoin و Aethir و Exabits
Gensyn توفر قدرة حسابية على وحدات معالجة الرسوميات تركز على تعلم الآلة والتعلم العميق. وتزعم أنها حققت آلية تحقق أكثر كفاءة مقارنة بالطرق الحالية من خلال الجمع بين مفاهيم مثل إثبات العمل المعتمد على التعلم للتحقق من العمل، وبروتوكول تحديد المواقع الدقيق القائم على الرسوميات لإعادة تشغيل العمل للتحقق، والألعاب التحفيزية من نوع Truebit التي تشمل مزودي الحسابات من خلال الرهانات والخصومات.
الجزء المثير للاهتمام:
من المتوقع أن تكون تكلفة الساعة لوحدة معالجة الرسوميات المعادلة لـ V100 حوالي 0.40 دولار أمريكي / ساعة، مما سيوفر بشكل كبير في التكاليف.
من خلال إثبات التكديس، يمكن ضبط النموذج الأساسي المدرب مسبقًا لإكمال مهام أكثر تحديدًا.
ستصبح هذه النماذج الأساسية اللامركزية والمملوكة عالمياً، بالإضافة إلى شبكة الحوسبة المادية، توفر وظائف إضافية.
Aethir مخصص لركوب GPU الشركات، يركز على المجالات كثيفة الحوسبة، وخاصة الذكاء الاصطناعي، تعلم الآلة (ML )، الألعاب السحابية وغيرها. تعمل الحاويات في شبكته كنقاط افتراضية لتنفيذ التطبيقات المستندة إلى السحابة، حيث يتم نقل أعباء العمل من الأجهزة المحلية إلى الحاويات لتحقيق تجربة زمن انتقال منخفض. لضمان تقديم خدمة عالية الجودة للمستخدمين، يقومون بتحريك GPU بالقرب من مصادر البيانات بناءً على الطلب والموقع، مما يتيح ضبط الموارد.
الجانب المثير للاهتمام:
بالإضافة إلى الذكاء الاصطناعي والألعاب السحابية، توسعت Aethir أيضًا إلى خدمات الهواتف السحابية، وتعاونت مع APhone لإطلاق هواتف ذكية سحابية اللامركزية.
أقامت شراكات واسعة مع شركات Web2 الكبرى مثل NVIDIA وSuper Micro وHPE وFoxconn وWell Link
العديد من الشركاء في Web3 مثل CARV وMagic Eden وSequence وImpossible Finance وغيرها
Phala Network تعمل كطبقة تنفيذ لحلول Web3 AI. تعتبر سلسلة الكتل الخاصة بها حلاً للحوسبة السحابية بدون ثقة، تم تصميمها لمعالجة مشكلات الخصوصية من خلال استخدام بيئة التنفيذ الموثوقة (TEE). لا تستخدم طبقة التنفيذ الخاصة بها كطبقة حساب لنماذج AI، بل تمكن الوكلاء الذكاء الاصطناعي من أن يتم التحكم بهم بواسطة العقود الذكية على السلسلة.
الجانب المثير للاهتمام:
تعمل كبروتوكول مساعدة للحساب القابل للتحقق، وفي نفس الوقت تمكّن الوكلاء الذكاء الاصطناعي من الوصول إلى الموارد على السلسلة.
يمكن الحصول على نماذج اللغة الكبيرة الرائدة مثل OpenAI وLlama وClaude وHugging Face من خلال عقد الوكيل الذكي الخاص به.
المستقبل سيشمل zk-proofs، حساب متعدد الأطراف (MPC)، تشفير متجانس بالكامل (FHE) وأنظمة إثبات متعددة أخرى.
دعم H100 وغيرها من وحدات معالجة الرسوميات TEE في المستقبل، لتعزيز القدرة الحاسوبية
مقارنة المشاريع
| | رندر | أكاش | io.net | جينسين | أيثير | فالا |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| الأجهزة | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات | وحدة معالجة الرسومات | وحدة المعالجة المركزية |
| 重点 الأعمال | رسومات وصوتيات AI | الحوسبة السحابية، الرسومات وAI | AI | AI | الذكاء الاصطناعي، الألعاب السحابية والاتصالات | تنفيذ AI على السلسلة |
| نوع المهام الذكاء الاصطناعي | استنتاج | كلاهما | كلاهما | تدريب | تدريب | تنفيذ |
| تسعير العمل | تسعير قائم على الأداء | مزاد عكسي | تسعير السوق | تسعير السوق | نظام المناقصات | حساب الحقوق |
| بلوكشين | سولانا | كوزموس | سولانا | جينسين | أربيتروم | بولكادوت |
| خصوصية البيانات | تشفير&تجزئة | مصادقة mTLS | تشفير البيانات | خريطة الأمان | تشفير | TEE |
| تكاليف العمل | لكل عمل 0.5-5% | 20% USDC، 4% AKT | 2% USDC، 0.25% رسوم احتياطي | رسوم منخفضة | لكل جلسة 20% | تتناسب مع مبلغ الرهن |
| الأمان | إثبات الرندر | إثبات الملكية | إثبات الحسابات | إثبات الملكية | إثبات قدرة الرندر | موروث من سلسلة النقل |
| إثبات الإنجاز | - | - | إثبات القفل الزمني | إثبات التعلم | إثبات العمل المتعلق بالتقديم | إثبات TEE |
| ضمان الجودة | نزاع | - | - | المصدقون والمبلغون | عقدة الفحص | إثبات عن بعد |
| مجموعة GPU | لا | نعم | نعم | نعم | نعم | لا |
الأهمية
توفر التجميع والحوسبة المتوازية
إطار العمل للحوسبة الموزعة قد حقق مجموعة GPU، مما يوفر تدريبًا أكثر كفاءة دون التأثير على دقة النموذج، بينما يعزز أيضًا قابلية التوسع. يتطلب تدريب نماذج AI الأكثر تعقيدًا قوة حسابية قوية، والتي غالبًا ما يجب الاعتماد عليها لتلبية احتياجاتها من خلال الحوسبة الموزعة. من منظور أكثر وضوحًا، يمتلك نموذج GPT-4 من OpenAI أكثر من 1.8 تريليون معلمة، وتم تدريبه في غضون 3-4 أشهر باستخدام حوالي 25,000 من وحدات معالجة الرسوميات Nvidia A100 في 128 مجموعة.
في السابق، كانت Render و Akash تقدمان وحدات معالجة الرسوميات (GPU) للاستخدام الفردي فقط، مما قد يحد من طلب السوق على وحدات معالجة الرسوميات. ومع ذلك، فقد قامت معظم المشاريع الرئيسية الآن بدمج التجمعات لتحقيق حساب متوازي. تتعاون io.net مع Render و Filecoin و Aethir وغيرها من المشاريع لإدخال المزيد من وحدات معالجة الرسوميات إلى شبكتها، وقد نجحت في نشر أكثر من 3,800 تجمع في الربع الأول من عام 24. على الرغم من أن Render لا تدعم التجمعات، إلا أن طريقة عملها تشبه التجمعات، حيث تقوم بتحليل إطار واحد إلى عدة عقد مختلفة لمعالجة نطاقات مختلفة من الإطارات في وقت واحد. تدعم Phala حالياً وحدات المعالجة المركزية فقط، لكنها تسمح بتجميع وحدات المعالجة المركزية.
من المهم دمج إطار العمل الجماعي في شبكة سير عمل الذكاء الاصطناعي، ولكن عدد ونوع وحدات معالجة الرسومات الجماعية المطلوبة لتلبية احتياجات مطوري الذكاء الاصطناعي هو مسألة منفصلة، وسنناقش ذلك في الأجزاء التالية.
خصوصية البيانات
يتطلب تطوير نماذج الذكاء الاصطناعي استخدام مجموعات بيانات كبيرة، والتي قد تأتي من مصادر متنوعة وتكون بأشكال مختلفة. قد تواجه مجموعات البيانات الحساسة مثل السجلات الطبية الشخصية وبيانات المالية للمستخدمين خطر الكشف عن المعلومات لمزودي النماذج. حظرت شركة سامسونغ داخليًا استخدام ChatGPT بسبب مخاوف من أن تحميل الشيفرات الحساسة على المنصة قد ينتهك الخصوصية، كما أن حادث تسريب البيانات الخاصة الذي وقع لشركة مايكروسوفت والذي بلغ حجمه 38 تيرابايت يبرز بشكل أكبر أهمية اتخاذ تدابير أمان كافية عند استخدام الذكاء الاصطناعي. لذلك، فإن وجود طرق متنوعة لحماية البيانات يعد أمرًا حيويًا لإعادة السيطرة على البيانات لمزودي البيانات.
تستخدم معظم المشاريع التي تتم تغطيتها نوعًا ما من تشفير البيانات لحماية خصوصية البيانات. يضمن تشفير البيانات حماية نقل البيانات بين مزود البيانات ومزود النموذج ( ومستلم البيانات ) في الشبكة. تستخدم Render التشفير ومعالجة التجزئة عند نشر نتائج التقديم مرة أخرى إلى الشبكة، بينما تتبنى io.net وGensyn نوعًا ما من تشفير البيانات. يستخدم Akash مصادقة mTLS، مما يسمح فقط لمقدمي الخدمة الذين يختارهم المستأجر باستلام البيانات.
ومع ذلك، فقد تعاونت io.net مؤخرًا مع شبكة Mind لإطلاق تشفير متجانس كامل (FHE)، مما يسمح بمعالجة البيانات المشفرة دون الحاجة إلى فك تشفيرها مسبقًا. من خلال تمكين البيانات من النقل بأمان لأغراض التدريب دون الكشف عن الهوية ومحتوى البيانات، يمكن أن تضمن هذه الابتكار خصوصية البيانات بشكل أفضل من تقنيات التشفير الحالية.
أدخلت شبكة Phala TEE، وهي منطقة أمان متصلة بمعالج الجهاز الرئيسي. من خلال هذه الآلية المعزولة، يمكنها منع العمليات الخارجية من الوصول إلى البيانات أو تعديلها، بغض النظر عن مستوى أذوناتهم، حتى الأفراد الذين لديهم وصول فعلي إلى الجهاز. بالإضافة إلى TEE، فقد دمجت أيضًا استخدام zk-proofs في مدقق zkDCAP وواجهة سطر الأوامر jtee، لتكامل البرامج مع RiscZero zkVM.
إثبات إكمال الحساب وفحص الجودة
توفر وحدات معالجة الرسومات (GPU) المقدمة من هذه المشاريع القدرة الحاسوبية لمجموعة من الخدمات. نظرًا لأن هذه الخدمات متنوعة، من عرض الرسوم البيانية إلى الحسابات الذكية، فإن الجودة النهائية لمثل هذه المهام قد لا تتماشى دائمًا مع معايير المستخدمين. يمكن استخدام شكل من أشكال إثبات الإنجاز للإشارة إلى أن وحدات معالجة الرسومات المحددة المستأجرة من قبل المستخدم قد تم استخدامها بالفعل لتشغيل الخدمات المطلوبة، وأن فحص الجودة مفيد للمستخدمين الذين يطلبون إنجاز مثل هذه الأعمال.
بعد الانتهاء من الحساب، ستقوم Gensyn و Aethir بإنشاء إثباتات للدلالة على أن العمل قد اكتمل، بينما يدل إثبات io.net على أن أداء GPU المستأجر قد تم استخدامه بشكل كامل دون حدوث مشاكل. ستقوم كل من Gensyn و Aethir بإجراء فحص جودة على الحسابات المكتملة. بالنسبة لـ Gensyn، فإنه يستخدم المدققين لإعادة تشغيل جزء من محتوى الإثبات الناتج للتحقق من مطابقته مع الإثبات، بينما يعمل المبلغ كطبقة إضافية من الفحص للمدققين. في الوقت نفسه، تستخدم Aethir نقاط التفتيش لتحديد جودة الخدمة، ومعاقبة الخدمات التي تقل عن المعايير. يقترح Render استخدام إجراءات حل النزاعات، وإذا وجدت لجنة المراجعة مشاكل في العقد، سيتم تخفيض تلك العقد. بعد الانتهاء من Phala، سيتم إنشاء إثبات TEE لضمان أن وكيل AI ينفذ العمليات المطلوبة على السلسلة.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 13
أعجبني
13
5
مشاركة
تعليق
0/400
BottomMisser
· منذ 1 س
تبدو بطاقة الرسوميات (GPU) مثيرة للاهتمام حاليًا.
شاهد النسخة الأصليةرد0
MetaverseLandlord
· 07-22 17:44
من قال إن كسب المال لا يمكن أن يكون جديًا، ارفعها، هذه الموجة ثابتة.
شاهد النسخة الأصليةرد0
FlashLoanLarry
· 07-22 17:38
smh هذه الألعاب depin مجرد حوسبة سحابية فاخرة بصراحة... لكن نسبة كفاءة رأس المال تبدو مغرية نوعًا ما بصراحة
شاهد النسخة الأصليةرد0
LongTermDreamer
· 07-22 17:36
哈哈 ثلاث سنوات بعد الحصول على جهاز التعدين ستستعيد رأس المال المستثمر بالكامل.
تقاطع الذكاء الاصطناعي وDePIN: صعود شبكة GPU اللامركزية ومقارنة المشاريع الرئيسية
الذكاء الاصطناعي و DePIN: صعود الشبكات اللامركزية للمعالجات الرسومية
منذ عام 2023، كانت AI و DePIN مواضيع شائعة في مجال Web3، حيث بلغت قيمتها السوقية 30 مليار دولار و 23 مليار دولار على التوالي. ستستكشف هذه المقالة تقاطع كلاهما، وتدرس تطور البروتوكولات في هذا المجال.
في مجموعة تقنيات الذكاء الاصطناعي، توفر شبكة DePIN الموارد الحاسوبية للذكاء الاصطناعي. أدى تطور شركات التكنولوجيا الكبرى إلى نقص في وحدات معالجة الرسوميات (GPU)، مما جعل المطورين الآخرين يفتقرون إلى ما يكفي من وحدات معالجة الرسوميات لإجراء الحسابات. وغالبًا ما يؤدي ذلك إلى اختيار المطورين لمزودي خدمات السحابة المركزية، ولكن بسبب الحاجة إلى توقيع عقود طويلة الأجل غير مرنة للأجهزة عالية الأداء، يؤدي إلى ضعف الكفاءة.
DePIN يوفر أساسًا بديلاً أكثر مرونة وفعالية من حيث التكلفة، حيث يستخدم مكافآت رمزية لتحفيز المساهمات في الموارد التي تتماشى مع أهداف الشبكة. ستقوم DePIN في مجال الذكاء الاصطناعي بتجميع موارد GPU من المالكين الأفراد إلى مراكز البيانات، مما يشكل إمدادًا موحدًا للمستخدمين الذين يحتاجون إلى الوصول إلى الأجهزة. لا توفر هذه الشبكات DePIN فقط تخصيصًا وإمكانية الوصول حسب الطلب للمطورين الذين يحتاجون إلى قدرة حسابية، بل تقدم أيضًا دخلًا إضافيًا لمالكي GPU.
! تقاطع الذكاء الاصطناعي و DePIN
نظرة عامة على شبكة DePIN الذكاء الاصطناعي
Render هو رائد في شبكة P2P التي توفر القدرة على حساب GPU، كان يركز سابقًا على تقديم الرسوميات للمحتوى، ثم وسع نطاقه ليشمل المهام الحسابية للذكاء الاصطناعي من الحقول العاكسة العصبية (NeRF) إلى الذكاء الاصطناعي التوليدي.
الجزء المثير للاهتمام:
تأسست شركة OTOY، التي تمتلك تقنيات حائزة على جائزة الأوسكار.
تم استخدام شبكة GPU من قبل شركات كبيرة في صناعة الترفيه مثل باراماونت بيكتشرز، PUBG، وستار تريك.
التعاون مع Stability AI و Endeavor، واستخدام GPU من Render لدمج نماذج الذكاء الاصطناعي الخاصة بهم مع سير عمل عرض المحتوى ثلاثي الأبعاد
الموافقة على عدة عملاء حوسبة، ودمج المزيد من الشبكات DePIN GPU
Akash يحدد نفسه بديلاً عن "السحابة الفائقة" للمنصات التقليدية التي تدعم التخزين وحوسبة GPU وCPU. من خلال أدوات صديقة للمطورين مثل منصة Akash للحاويات وعقد الحوسبة المدارة بواسطة Kubernetes، فإنه قادر على نشر البرمجيات بسلاسة عبر البيئات، مما يمكنه من تشغيل أي تطبيقات سحابية أصلية.
الأشياء المثيرة للاهتمام:
للمهام الحسابية الواسعة النطاق من الحوسبة العامة إلى استضافة الشبكات
أكاش إم إل يسمح لشبكة المعالجة الرسومية الخاصة به بتشغيل أكثر من 15,000 نموذج على هاجينغ فيس، مع التكامل مع هاجينغ فيس.
تستضيف Akash بعض التطبيقات الجديرة بالاهتمام، مثل روبوت الدردشة LLM من Mistral AI، ونموذج تحويل النص إلى صورة SDXL من Stability AI، والنموذج الأساسي الجديد AT-1 من Thumper AI.
بناء منصات الميتافيرس، نشر الذكاء الاصطناعي وتعلم الفيدرالية تستفيد من Supercloud
io.net يوفر الوصول إلى تجمعات GPU السحابية الموزعة، والتي تم تصميمها خصيصًا لحالات استخدام الذكاء الاصطناعي والتعلم الآلي. إنه يجمع بين GPU من مراكز البيانات، وعمال التعدين المشفر، وشبكات أخرى اللامركزية. كانت الشركة سابقًا شركة تداول كمي، وبعد الارتفاع الكبير في أسعار GPU عالية الأداء، انتقلت الشركة إلى الأعمال الحالية.
الجزء المثير للاهتمام:
تتوافق IO-SDK مع أطر العمل مثل PyTorch و Tensorflow، ويمكن لهياكلها متعددة الطبقات التوسع ديناميكياً وفقًا لاحتياجات الحوسبة.
دعم إنشاء 3 أنواع مختلفة من الكتل، يمكن تشغيلها في غضون دقيقتين
جهود التعاون القوية لدمج GPU للشبكات الأخرى DePIN، بما في ذلك Render و Filecoin و Aethir و Exabits
Gensyn توفر قدرة حسابية على وحدات معالجة الرسوميات تركز على تعلم الآلة والتعلم العميق. وتزعم أنها حققت آلية تحقق أكثر كفاءة مقارنة بالطرق الحالية من خلال الجمع بين مفاهيم مثل إثبات العمل المعتمد على التعلم للتحقق من العمل، وبروتوكول تحديد المواقع الدقيق القائم على الرسوميات لإعادة تشغيل العمل للتحقق، والألعاب التحفيزية من نوع Truebit التي تشمل مزودي الحسابات من خلال الرهانات والخصومات.
الجزء المثير للاهتمام:
من المتوقع أن تكون تكلفة الساعة لوحدة معالجة الرسوميات المعادلة لـ V100 حوالي 0.40 دولار أمريكي / ساعة، مما سيوفر بشكل كبير في التكاليف.
من خلال إثبات التكديس، يمكن ضبط النموذج الأساسي المدرب مسبقًا لإكمال مهام أكثر تحديدًا.
ستصبح هذه النماذج الأساسية اللامركزية والمملوكة عالمياً، بالإضافة إلى شبكة الحوسبة المادية، توفر وظائف إضافية.
Aethir مخصص لركوب GPU الشركات، يركز على المجالات كثيفة الحوسبة، وخاصة الذكاء الاصطناعي، تعلم الآلة (ML )، الألعاب السحابية وغيرها. تعمل الحاويات في شبكته كنقاط افتراضية لتنفيذ التطبيقات المستندة إلى السحابة، حيث يتم نقل أعباء العمل من الأجهزة المحلية إلى الحاويات لتحقيق تجربة زمن انتقال منخفض. لضمان تقديم خدمة عالية الجودة للمستخدمين، يقومون بتحريك GPU بالقرب من مصادر البيانات بناءً على الطلب والموقع، مما يتيح ضبط الموارد.
الجانب المثير للاهتمام:
بالإضافة إلى الذكاء الاصطناعي والألعاب السحابية، توسعت Aethir أيضًا إلى خدمات الهواتف السحابية، وتعاونت مع APhone لإطلاق هواتف ذكية سحابية اللامركزية.
أقامت شراكات واسعة مع شركات Web2 الكبرى مثل NVIDIA وSuper Micro وHPE وFoxconn وWell Link
العديد من الشركاء في Web3 مثل CARV وMagic Eden وSequence وImpossible Finance وغيرها
Phala Network تعمل كطبقة تنفيذ لحلول Web3 AI. تعتبر سلسلة الكتل الخاصة بها حلاً للحوسبة السحابية بدون ثقة، تم تصميمها لمعالجة مشكلات الخصوصية من خلال استخدام بيئة التنفيذ الموثوقة (TEE). لا تستخدم طبقة التنفيذ الخاصة بها كطبقة حساب لنماذج AI، بل تمكن الوكلاء الذكاء الاصطناعي من أن يتم التحكم بهم بواسطة العقود الذكية على السلسلة.
الجانب المثير للاهتمام:
تعمل كبروتوكول مساعدة للحساب القابل للتحقق، وفي نفس الوقت تمكّن الوكلاء الذكاء الاصطناعي من الوصول إلى الموارد على السلسلة.
يمكن الحصول على نماذج اللغة الكبيرة الرائدة مثل OpenAI وLlama وClaude وHugging Face من خلال عقد الوكيل الذكي الخاص به.
المستقبل سيشمل zk-proofs، حساب متعدد الأطراف (MPC)، تشفير متجانس بالكامل (FHE) وأنظمة إثبات متعددة أخرى.
دعم H100 وغيرها من وحدات معالجة الرسوميات TEE في المستقبل، لتعزيز القدرة الحاسوبية
مقارنة المشاريع
| | رندر | أكاش | io.net | جينسين | أيثير | فالا | |--------|-------------|------------------|---------------------|---------|---------------|----------| | الأجهزة | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات \ & وحدة المعالجة المركزية | وحدة معالجة الرسومات | وحدة معالجة الرسومات | وحدة المعالجة المركزية | | 重点 الأعمال | رسومات وصوتيات AI | الحوسبة السحابية، الرسومات وAI | AI | AI | الذكاء الاصطناعي، الألعاب السحابية والاتصالات | تنفيذ AI على السلسلة | | نوع المهام الذكاء الاصطناعي | استنتاج | كلاهما | كلاهما | تدريب | تدريب | تنفيذ | | تسعير العمل | تسعير قائم على الأداء | مزاد عكسي | تسعير السوق | تسعير السوق | نظام المناقصات | حساب الحقوق | | بلوكشين | سولانا | كوزموس | سولانا | جينسين | أربيتروم | بولكادوت | | خصوصية البيانات | تشفير&تجزئة | مصادقة mTLS | تشفير البيانات | خريطة الأمان | تشفير | TEE | | تكاليف العمل | لكل عمل 0.5-5% | 20% USDC، 4% AKT | 2% USDC، 0.25% رسوم احتياطي | رسوم منخفضة | لكل جلسة 20% | تتناسب مع مبلغ الرهن | | الأمان | إثبات الرندر | إثبات الملكية | إثبات الحسابات | إثبات الملكية | إثبات قدرة الرندر | موروث من سلسلة النقل | | إثبات الإنجاز | - | - | إثبات القفل الزمني | إثبات التعلم | إثبات العمل المتعلق بالتقديم | إثبات TEE | | ضمان الجودة | نزاع | - | - | المصدقون والمبلغون | عقدة الفحص | إثبات عن بعد | | مجموعة GPU | لا | نعم | نعم | نعم | نعم | لا |
الأهمية
توفر التجميع والحوسبة المتوازية
إطار العمل للحوسبة الموزعة قد حقق مجموعة GPU، مما يوفر تدريبًا أكثر كفاءة دون التأثير على دقة النموذج، بينما يعزز أيضًا قابلية التوسع. يتطلب تدريب نماذج AI الأكثر تعقيدًا قوة حسابية قوية، والتي غالبًا ما يجب الاعتماد عليها لتلبية احتياجاتها من خلال الحوسبة الموزعة. من منظور أكثر وضوحًا، يمتلك نموذج GPT-4 من OpenAI أكثر من 1.8 تريليون معلمة، وتم تدريبه في غضون 3-4 أشهر باستخدام حوالي 25,000 من وحدات معالجة الرسوميات Nvidia A100 في 128 مجموعة.
في السابق، كانت Render و Akash تقدمان وحدات معالجة الرسوميات (GPU) للاستخدام الفردي فقط، مما قد يحد من طلب السوق على وحدات معالجة الرسوميات. ومع ذلك، فقد قامت معظم المشاريع الرئيسية الآن بدمج التجمعات لتحقيق حساب متوازي. تتعاون io.net مع Render و Filecoin و Aethir وغيرها من المشاريع لإدخال المزيد من وحدات معالجة الرسوميات إلى شبكتها، وقد نجحت في نشر أكثر من 3,800 تجمع في الربع الأول من عام 24. على الرغم من أن Render لا تدعم التجمعات، إلا أن طريقة عملها تشبه التجمعات، حيث تقوم بتحليل إطار واحد إلى عدة عقد مختلفة لمعالجة نطاقات مختلفة من الإطارات في وقت واحد. تدعم Phala حالياً وحدات المعالجة المركزية فقط، لكنها تسمح بتجميع وحدات المعالجة المركزية.
من المهم دمج إطار العمل الجماعي في شبكة سير عمل الذكاء الاصطناعي، ولكن عدد ونوع وحدات معالجة الرسومات الجماعية المطلوبة لتلبية احتياجات مطوري الذكاء الاصطناعي هو مسألة منفصلة، وسنناقش ذلك في الأجزاء التالية.
خصوصية البيانات
يتطلب تطوير نماذج الذكاء الاصطناعي استخدام مجموعات بيانات كبيرة، والتي قد تأتي من مصادر متنوعة وتكون بأشكال مختلفة. قد تواجه مجموعات البيانات الحساسة مثل السجلات الطبية الشخصية وبيانات المالية للمستخدمين خطر الكشف عن المعلومات لمزودي النماذج. حظرت شركة سامسونغ داخليًا استخدام ChatGPT بسبب مخاوف من أن تحميل الشيفرات الحساسة على المنصة قد ينتهك الخصوصية، كما أن حادث تسريب البيانات الخاصة الذي وقع لشركة مايكروسوفت والذي بلغ حجمه 38 تيرابايت يبرز بشكل أكبر أهمية اتخاذ تدابير أمان كافية عند استخدام الذكاء الاصطناعي. لذلك، فإن وجود طرق متنوعة لحماية البيانات يعد أمرًا حيويًا لإعادة السيطرة على البيانات لمزودي البيانات.
تستخدم معظم المشاريع التي تتم تغطيتها نوعًا ما من تشفير البيانات لحماية خصوصية البيانات. يضمن تشفير البيانات حماية نقل البيانات بين مزود البيانات ومزود النموذج ( ومستلم البيانات ) في الشبكة. تستخدم Render التشفير ومعالجة التجزئة عند نشر نتائج التقديم مرة أخرى إلى الشبكة، بينما تتبنى io.net وGensyn نوعًا ما من تشفير البيانات. يستخدم Akash مصادقة mTLS، مما يسمح فقط لمقدمي الخدمة الذين يختارهم المستأجر باستلام البيانات.
ومع ذلك، فقد تعاونت io.net مؤخرًا مع شبكة Mind لإطلاق تشفير متجانس كامل (FHE)، مما يسمح بمعالجة البيانات المشفرة دون الحاجة إلى فك تشفيرها مسبقًا. من خلال تمكين البيانات من النقل بأمان لأغراض التدريب دون الكشف عن الهوية ومحتوى البيانات، يمكن أن تضمن هذه الابتكار خصوصية البيانات بشكل أفضل من تقنيات التشفير الحالية.
أدخلت شبكة Phala TEE، وهي منطقة أمان متصلة بمعالج الجهاز الرئيسي. من خلال هذه الآلية المعزولة، يمكنها منع العمليات الخارجية من الوصول إلى البيانات أو تعديلها، بغض النظر عن مستوى أذوناتهم، حتى الأفراد الذين لديهم وصول فعلي إلى الجهاز. بالإضافة إلى TEE، فقد دمجت أيضًا استخدام zk-proofs في مدقق zkDCAP وواجهة سطر الأوامر jtee، لتكامل البرامج مع RiscZero zkVM.
إثبات إكمال الحساب وفحص الجودة
توفر وحدات معالجة الرسومات (GPU) المقدمة من هذه المشاريع القدرة الحاسوبية لمجموعة من الخدمات. نظرًا لأن هذه الخدمات متنوعة، من عرض الرسوم البيانية إلى الحسابات الذكية، فإن الجودة النهائية لمثل هذه المهام قد لا تتماشى دائمًا مع معايير المستخدمين. يمكن استخدام شكل من أشكال إثبات الإنجاز للإشارة إلى أن وحدات معالجة الرسومات المحددة المستأجرة من قبل المستخدم قد تم استخدامها بالفعل لتشغيل الخدمات المطلوبة، وأن فحص الجودة مفيد للمستخدمين الذين يطلبون إنجاز مثل هذه الأعمال.
بعد الانتهاء من الحساب، ستقوم Gensyn و Aethir بإنشاء إثباتات للدلالة على أن العمل قد اكتمل، بينما يدل إثبات io.net على أن أداء GPU المستأجر قد تم استخدامه بشكل كامل دون حدوث مشاكل. ستقوم كل من Gensyn و Aethir بإجراء فحص جودة على الحسابات المكتملة. بالنسبة لـ Gensyn، فإنه يستخدم المدققين لإعادة تشغيل جزء من محتوى الإثبات الناتج للتحقق من مطابقته مع الإثبات، بينما يعمل المبلغ كطبقة إضافية من الفحص للمدققين. في الوقت نفسه، تستخدم Aethir نقاط التفتيش لتحديد جودة الخدمة، ومعاقبة الخدمات التي تقل عن المعايير. يقترح Render استخدام إجراءات حل النزاعات، وإذا وجدت لجنة المراجعة مشاكل في العقد، سيتم تخفيض تلك العقد. بعد الانتهاء من Phala، سيتم إنشاء إثبات TEE لضمان أن وكيل AI ينفذ العمليات المطلوبة على السلسلة.
! تقاطع الذكاء الاصطناعي و DePIN
بيانات إحصائيات الأجهزة
| | ريندر | أكاش | io.net | جينسن | أثير | فالا | |-------------|--------|-------|--------|------------|