الذكاء الاصطناعي ودمج DePIN: استكشاف شبكة الحوسبة GPU اللامركزية
منذ عام 2023، كانت الذكاء الاصطناعي و DePIN محور اهتمام كبير في مجال Web3، حيث بلغت قيمتهما السوقية 30 مليار دولار و 23 مليار دولار على التوالي. تهدف هذه المقالة إلى استكشاف المجال المتقاطع بين الذكاء الاصطناعي و DePIN ودراسة تطور البروتوكولات ذات الصلة.
في مجموعة تقنيات الذكاء الاصطناعي، تمكّن شبكة DePIN الذكاء الاصطناعي من خلال توفير موارد الحوسبة. أدت حاجة الشركات التكنولوجية الكبرى إلى وحدات معالجة الرسوميات (GPU) إلى نقص، مما جعل من الصعب على المطورين الآخرين الحصول على وحدات معالجة الرسوميات الكافية للقيام بالحوسبة. غالبًا ما يُجبر المطورون على اختيار خدمات السحابة المركزية، لكن عقود الأجهزة عالية الأداء طويلة الأمد تفتقر غالبًا إلى المرونة وتكون غير فعّالة.
يوفر DePIN بديلاً أكثر مرونة وفعالية من حيث التكلفة، من خلال تحفيز الموارد من خلال الرموز. يجمع DePIN في مجال الذكاء الاصطناعي موارد GPU من المالكين الأفراد ومراكز البيانات، لتقديم إمداد موحد للمستخدمين الذين يحتاجون إلى الأجهزة. هذه الشبكات لا توفر فقط وصولاً مخصصًا وعند الطلب للمطورين، بل تخلق أيضًا دخلاً إضافيًا لمالكي GPU.
يوجد في السوق العديد من شبكات DePIN المدعومة بالذكاء الاصطناعي، لكل منها ميزاتها الخاصة. فيما يلي سنستعرض ميزات وأهداف بعض المشاريع الرئيسية.
نظرة عامة على شبكة AI DePIN
ريندر
Render هو رائد شبكة P2P التي توفر قدرات حساب GPU، وقد ركز في البداية على إنشاء المحتوى والتصيير الرسومي، ثم وسع نطاقه ليشمل مهام حساب الذكاء الاصطناعي.
خصوصيه:
تأسست من قبل شركة OTOY الحائزة على جائزة الأوسكار
تم استخدام شبكة GPU من قبل شركات كبيرة مثل باراماونت بيكتشرز وPUBG
بالتعاون مع Stability AI و Endeavor ، دمج نماذج الذكاء الاصطناعي مع عرض المحتوى ثلاثي الأبعاد
الموافقة على عدة عملاء حسابيين، دمج المزيد من شبكات DePIN الخاصة بوحدات معالجة الرسوميات
أكاش
أكا ش يحدد كمنصة "السحاب الفائق" التي تدعم التخزين وحوسبة GPU و CPU، كبديل لخدمات السحابة التقليدية.
الميزات:
لمجموعة واسعة من مهام الحوسبة من الحوسبة العامة إلى استضافة الشبكة
يدعم AkashML تشغيل أكثر من 15,000 نموذج على Hugging Face
استضافة روبوتات الدردشة لنموذج LLM من Mistral AI، وتطبيقات SDXL من Stability AI
دعم الميتافيرس، ونشر الذكاء الاصطناعي، ومنصة التعلم الفيدرالي
io.net
يوفر io.net الوصول إلى مجموعة سحابية موزعة من وحدات معالجة الرسومات، مصممة خصيصًا لحالات استخدام الذكاء الاصطناعي وتعلم الآلة.
الميزات:
IO-SDK متوافق مع أطر مثل PyTorch و Tensorflow
يدعم إنشاء 3 أنواع مختلفة من التجمعات، يمكن تشغيلها في غضون دقيقتين
التعاون مع شبكات مثل Render وFilecoin وAethir لدمج موارد GPU
جينسين
تقدم Gensyn قدرة حسابية على وحدات معالجة الرسوميات (GPU) تركز على تعلم الآلة والتعلم العميق.
خصوصيه:
تكلفة ساعة واحدة من وحدة معالجة الرسوميات المكافئة V100 حوالي 0.40 دولار، مما يوفر الكثير من التكاليف
يدعم تعديل النماذج الأساسية المدربة مسبقًا
تقديم نموذج أساسي عالمي مشترك ولامركزي
أثير
Aethir تقدم خدمات GPU على مستوى المؤسسات، وتستهدف بشكل رئيسي المجالات ذات الكثافة الحسابية مثل الذكاء الاصطناعي، تعلم الآلة، والألعاب السحابية.
خصوصيه:
توسيع خدمات الهاتف السحابي ، بالتعاون مع APhone لإطلاق هاتف ذكي سحابي لامركزي
إنشاء تعاون واسع مع شركات كبيرة مثل NVIDIA و Super Micro و HPE
عدة شركاء في نظام Web3 البيئي، مثل CARV و Magic Eden وغيرها
شبكة فالا
يعتبر Phala Network طبقة التنفيذ لحل Web3 AI، حيث يعالج مشكلات الخصوصية من خلال بيئة التنفيذ الموثوقة (TEE).
خصوصيه:
تعمل كبرتوكول معالج مساعد للتحقق من العمليات الحسابية، مما يمكّن الوكلاء الذكاء الاصطناعي من الوصول إلى الموارد على السلسلة.
احصل على نماذج اللغة الكبيرة الرائدة مثل OpenAI و Llama من خلال Redpill
المستقبل سيشمل أنظمة إثبات متعددة مثل zk-proofs، الحوسبة متعددة الأطراف، والتشفير المتجانس بالكامل
دعم مستقبلًا H100 وغيرها من وحدات معالجة الرسوميات TEE، لزيادة القدرة الحاسوبية
إطار عمل الحوسبة الموزعة ينفذ مجموعة GPU، مما يزيد من كفاءة التدريب وقابلية التوسع. معظم المشاريع قد دمجت الآن المجموعات لتحقيق الحوسبة المتوازية. تعاون io.net مع مشاريع أخرى، وقد تم نشر أكثر من 3,800 مجموعة في الربع الأول من عام 24. على الرغم من أن Render لا يدعم المجموعات، إلا أنه يقوم بتفكيك إطار واحد إلى عدة عقد لمعالجتها في وقت واحد. Phala تدعم حاليًا فقط CPU، لكنها تسمح بتجميع عمال CPU.
خصوصية البيانات
من المهم حماية مجموعات البيانات الحساسة. تستخدم معظم المشاريع تشفير البيانات لحماية الخصوصية. تعاون io.net مع شبكة Mind لإطلاق تشفير متجانس كامل (FHE)، مما يسمح بمعالجة البيانات المشفرة دون الحاجة إلى فك تشفيرها. قدمت شبكة Phala بيئة تنفيذ موثوقة (TEE)، لمنع العمليات الخارجية من الوصول إلى البيانات أو تعديلها.
إثبات إكمال الحساب وفحص الجودة
تستخدم المشاريع طرقًا مختلفة لإنشاء شهادات الإنجاز وإجراء فحوصات الجودة. تُظهر شهادات Gensyn و Aethir أن العمل قد اكتمل وتتم فحوصات الجودة. تُظهر الشهادة الخاصة بـ io.net أن أداء GPU يتم استغلاله بشكل كامل. توصي Render باستخدام عملية حل النزاعات. تُصدر Phala شهادات TEE لضمان تنفيذ الوكيل الذكي للإجراءات المطلوبة.
تتطلب نماذج الذكاء الاصطناعي تدريبًا على وحدات معالجة الرسوميات (GPU) ذات الأداء الأفضل، مثل A100 و H100 من Nvidia. أداء الاستدلال لـ H100 أسرع 4 مرات من A100، مما يجعلها وحدة معالجة الرسوميات المفضلة. يحتاج مزودو سوق GPU اللامركزية إلى تقديم أسعار أقل وتلبية الاحتياجات الفعلية للسوق. حصلت io.net و Aethir على أكثر من 2000 وحدة H100 و A100، مما يجعلها أكثر ملاءمة لحسابات النماذج الكبيرة.
تكلفة خدمات GPU اللامركزية أقل من خدمات المركزية. على الرغم من أن تجمعات GPU المتصلة بالشبكة تعاني من قيود الذاكرة، إلا أنها لا تزال جذابة للمستخدمين الذين يحتاجون إلى متطلبات عمل ديناميكية أو مرونة.
تلعب وحدة المعالجة المركزية أيضًا دورًا مهمًا في تدريب نماذج الذكاء الاصطناعي. يمكن استخدام وحدات معالجة الرسوميات من الفئة الاستهلاكية لضبط النماذج المدربة مسبقًا أو التدريب على نطاق صغير. تخدم مشاريع مثل Render و Akash و io.net هذه السوق أيضًا، حيث تطور أسواقها المتخصصة الخاصة.
الاستنتاج
لا يزال مجال AI DePIN جديدًا نسبيًا ويواجه تحديات. لكن المهام التي يتم تنفيذها على هذه الشبكات وعدد الأجهزة زادت بشكل كبير، مما يبرز الحاجة إلى بدائل لمزودي خدمات السحابة Web2. في المستقبل، ستلعب هذه الشبكات اللامركزية من وحدات معالجة الرسوميات دورًا حاسمًا في توفير بدائل حسابية فعالة من حيث التكلفة للمطورين، مما يساهم بشكل كبير في الشكل المستقبلي للبنية التحتية للذكاء الاصطناعي والحوسبة.
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 5
أعجبني
5
4
مشاركة
تعليق
0/400
GasGuzzler
· منذ 7 س
من يحصلون على بطاقة الرسوميات هم الحقيقيون المحترفون
دمج الذكاء الاصطناعي وDePIN: صعود وتحديات شبكة الحوسبة GPU اللامركزية
الذكاء الاصطناعي ودمج DePIN: استكشاف شبكة الحوسبة GPU اللامركزية
منذ عام 2023، كانت الذكاء الاصطناعي و DePIN محور اهتمام كبير في مجال Web3، حيث بلغت قيمتهما السوقية 30 مليار دولار و 23 مليار دولار على التوالي. تهدف هذه المقالة إلى استكشاف المجال المتقاطع بين الذكاء الاصطناعي و DePIN ودراسة تطور البروتوكولات ذات الصلة.
في مجموعة تقنيات الذكاء الاصطناعي، تمكّن شبكة DePIN الذكاء الاصطناعي من خلال توفير موارد الحوسبة. أدت حاجة الشركات التكنولوجية الكبرى إلى وحدات معالجة الرسوميات (GPU) إلى نقص، مما جعل من الصعب على المطورين الآخرين الحصول على وحدات معالجة الرسوميات الكافية للقيام بالحوسبة. غالبًا ما يُجبر المطورون على اختيار خدمات السحابة المركزية، لكن عقود الأجهزة عالية الأداء طويلة الأمد تفتقر غالبًا إلى المرونة وتكون غير فعّالة.
يوفر DePIN بديلاً أكثر مرونة وفعالية من حيث التكلفة، من خلال تحفيز الموارد من خلال الرموز. يجمع DePIN في مجال الذكاء الاصطناعي موارد GPU من المالكين الأفراد ومراكز البيانات، لتقديم إمداد موحد للمستخدمين الذين يحتاجون إلى الأجهزة. هذه الشبكات لا توفر فقط وصولاً مخصصًا وعند الطلب للمطورين، بل تخلق أيضًا دخلاً إضافيًا لمالكي GPU.
يوجد في السوق العديد من شبكات DePIN المدعومة بالذكاء الاصطناعي، لكل منها ميزاتها الخاصة. فيما يلي سنستعرض ميزات وأهداف بعض المشاريع الرئيسية.
نظرة عامة على شبكة AI DePIN
ريندر
Render هو رائد شبكة P2P التي توفر قدرات حساب GPU، وقد ركز في البداية على إنشاء المحتوى والتصيير الرسومي، ثم وسع نطاقه ليشمل مهام حساب الذكاء الاصطناعي.
خصوصيه:
أكاش
أكا ش يحدد كمنصة "السحاب الفائق" التي تدعم التخزين وحوسبة GPU و CPU، كبديل لخدمات السحابة التقليدية.
الميزات:
io.net
يوفر io.net الوصول إلى مجموعة سحابية موزعة من وحدات معالجة الرسومات، مصممة خصيصًا لحالات استخدام الذكاء الاصطناعي وتعلم الآلة.
الميزات:
جينسين
تقدم Gensyn قدرة حسابية على وحدات معالجة الرسوميات (GPU) تركز على تعلم الآلة والتعلم العميق.
خصوصيه:
أثير
Aethir تقدم خدمات GPU على مستوى المؤسسات، وتستهدف بشكل رئيسي المجالات ذات الكثافة الحسابية مثل الذكاء الاصطناعي، تعلم الآلة، والألعاب السحابية.
خصوصيه:
شبكة فالا
يعتبر Phala Network طبقة التنفيذ لحل Web3 AI، حيث يعالج مشكلات الخصوصية من خلال بيئة التنفيذ الموثوقة (TEE).
خصوصيه:
! تقاطع الذكاء الاصطناعي و DePIN
مقارنة المشاريع
| | ريندر | أكاش | io.net | جينسين | أثير | فالا | |--------|--------|-------|--------|--------|--------|-------| | الأجهزة | وحدة معالجة الرسومات ووحدة المعالجة المركزية | وحدة معالجة الرسومات ووحدة المعالجة المركزية | وحدة معالجة الرسومات ووحدة المعالجة المركزية | وحدة معالجة الرسومات | وحدة معالجة الرسومات | وحدة المعالجة المركزية | | النقاط الرئيسية | معالجة الرسوميات والذكاء الاصطناعي | الحوسبة السحابية، المعالجة والذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي | الذكاء الاصطناعي، الألعاب السحابية والاتصالات | تنفيذ الذكاء الاصطناعي على السلسلة | | نوع مهام الذكاء الاصطناعي | استدلال | ثنائي الاتجاه | ثنائي الاتجاه | تدريب | تدريب | تنفيذ | | تسعير العمل | بناءً على الأداء | المزاد العكسي | التسعير السوقي | التسعير السوقي | نظام المناقصات | حساب الحقوق | | بلوكشين | سولانا | كوزموس | سولانا | جينسين | أربيتروم | بولكادوت | | خصوصية البيانات | التشفير&هاش | مصادقة mTLS | تشفير البيانات | خريطة آمنة | تشفير | TEE | | تكاليف العمل | 0.5-5% لكل عمل | 20% USDC، 4% AKT | 2% USDC، 0.25% احتياطي | رسوم منخفضة | 20% لكل جلسة | تتناسب مع مبلغ الرهن | | الأمان | إثبات الإرسال | إثبات الحصة | إثبات الحساب | إثبات الحصة | إثبات قدرة الإرسال | موروثة من سلسلة الوسيط | | إثبات الإنجاز | - | - | إثبات القفل الزمني | إثبات التعلم | إثبات عمل العرض | إثبات TEE | | ضمان الجودة | نزاع | - | - | المراجع والمبلغين | عقدة الفحص | إثبات عن بعد | | مجموعة GPU | لا | نعم | نعم | نعم | نعم | لا |
! تقاطع الذكاء الاصطناعي و DePIN
الأهمية
توفر الحوسبة المجمعة والمتوازية
إطار عمل الحوسبة الموزعة ينفذ مجموعة GPU، مما يزيد من كفاءة التدريب وقابلية التوسع. معظم المشاريع قد دمجت الآن المجموعات لتحقيق الحوسبة المتوازية. تعاون io.net مع مشاريع أخرى، وقد تم نشر أكثر من 3,800 مجموعة في الربع الأول من عام 24. على الرغم من أن Render لا يدعم المجموعات، إلا أنه يقوم بتفكيك إطار واحد إلى عدة عقد لمعالجتها في وقت واحد. Phala تدعم حاليًا فقط CPU، لكنها تسمح بتجميع عمال CPU.
خصوصية البيانات
من المهم حماية مجموعات البيانات الحساسة. تستخدم معظم المشاريع تشفير البيانات لحماية الخصوصية. تعاون io.net مع شبكة Mind لإطلاق تشفير متجانس كامل (FHE)، مما يسمح بمعالجة البيانات المشفرة دون الحاجة إلى فك تشفيرها. قدمت شبكة Phala بيئة تنفيذ موثوقة (TEE)، لمنع العمليات الخارجية من الوصول إلى البيانات أو تعديلها.
إثبات إكمال الحساب وفحص الجودة
تستخدم المشاريع طرقًا مختلفة لإنشاء شهادات الإنجاز وإجراء فحوصات الجودة. تُظهر شهادات Gensyn و Aethir أن العمل قد اكتمل وتتم فحوصات الجودة. تُظهر الشهادة الخاصة بـ io.net أن أداء GPU يتم استغلاله بشكل كامل. توصي Render باستخدام عملية حل النزاعات. تُصدر Phala شهادات TEE لضمان تنفيذ الوكيل الذكي للإجراءات المطلوبة.
! تقاطع الذكاء الاصطناعي و DePIN
بيانات إحصائية للأجهزة
| | ريندر | أكاش | io.net | جينسين | إيثير | فالا | |-------------|--------|-------|--------|--------|--------|-------| | عدد وحدات معالجة الرسوم | 5600 | 384 | 38177 | - | 40000+ | - | | عدد وحدات المعالجة المركزية | 114 | 14672 | 5433 | - | - | 30000+ | | عدد H100/A100 | - | 157 | 2330 | - | 2000+ | - | | تكلفة H100/ساعة | - | $1.46 | $1.19 | - | - | - | | A100 تكلفة/ساعة | - | $1.37 | $1.50 | $0.55 ( متوقع ) | $0.33 ( متوقع ) | - |
! تقاطع الذكاء الاصطناعي و DePIN
متطلبات GPU عالية الأداء
تتطلب نماذج الذكاء الاصطناعي تدريبًا على وحدات معالجة الرسوميات (GPU) ذات الأداء الأفضل، مثل A100 و H100 من Nvidia. أداء الاستدلال لـ H100 أسرع 4 مرات من A100، مما يجعلها وحدة معالجة الرسوميات المفضلة. يحتاج مزودو سوق GPU اللامركزية إلى تقديم أسعار أقل وتلبية الاحتياجات الفعلية للسوق. حصلت io.net و Aethir على أكثر من 2000 وحدة H100 و A100، مما يجعلها أكثر ملاءمة لحسابات النماذج الكبيرة.
تكلفة خدمات GPU اللامركزية أقل من خدمات المركزية. على الرغم من أن تجمعات GPU المتصلة بالشبكة تعاني من قيود الذاكرة، إلا أنها لا تزال جذابة للمستخدمين الذين يحتاجون إلى متطلبات عمل ديناميكية أو مرونة.
! تقاطع الذكاء الاصطناعي و DePIN
تقديم GPU/CPU من فئة المستهلك
تلعب وحدة المعالجة المركزية أيضًا دورًا مهمًا في تدريب نماذج الذكاء الاصطناعي. يمكن استخدام وحدات معالجة الرسوميات من الفئة الاستهلاكية لضبط النماذج المدربة مسبقًا أو التدريب على نطاق صغير. تخدم مشاريع مثل Render و Akash و io.net هذه السوق أيضًا، حيث تطور أسواقها المتخصصة الخاصة.
الاستنتاج
لا يزال مجال AI DePIN جديدًا نسبيًا ويواجه تحديات. لكن المهام التي يتم تنفيذها على هذه الشبكات وعدد الأجهزة زادت بشكل كبير، مما يبرز الحاجة إلى بدائل لمزودي خدمات السحابة Web2. في المستقبل، ستلعب هذه الشبكات اللامركزية من وحدات معالجة الرسوميات دورًا حاسمًا في توفير بدائل حسابية فعالة من حيث التكلفة للمطورين، مما يساهم بشكل كبير في الشكل المستقبلي للبنية التحتية للذكاء الاصطناعي والحوسبة.
! تقاطع الذكاء الاصطناعي و DePIN