AI ve DePIN'in Kesişimi: Dağıtık GPU Ağlarının Yükselişi

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

AI teknoloji yığını içinde, DePIN ağı hesaplama kaynakları ile AI'ye uygulanabilirlik sağlıyor. Büyük teknoloji şirketlerinin gelişimi GPU kıtlığına yol açtı ve bu durum diğer geliştiricilerin hesaplama için yeterli GPU elde etmesini zorlaştırdı. Bu genellikle geliştiricileri merkezi bulut sağlayıcıları seçmeye zorlar, ancak esnek olmayan uzun vadeli yüksek performanslı donanım sözleşmelerini imzalama gerekliliği nedeniyle verimsizliğe yol açar.

DePIN esasen, kaynak katkılarını teşvik etmek için token ödülleri aracılığıyla daha esnek ve maliyet etkin bir alternatif sunar. AI alanındaki DePIN, GPU kaynaklarını bireysel sahiplerden veri merkezlerine toplar ve donanıma erişim ihtiyacı olan kullanıcılar için birleşik bir tedarik oluşturur. Bu ağlar, yalnızca hesaplama gücüne ihtiyaç duyan geliştiricilere özelleştirilebilirlik ve talep üzerine erişim sağlamakla kalmaz, aynı zamanda GPU sahiplerine ek gelir sunar.

Piyasada birçok AI DePIN ağı bulunmaktadır, bunlar arasındaki farkları tanımlamak ve uygun ağı bulmak zor olabilir. Sonraki bölümde, her protokolün rolünü, hedeflerini ve elde edilen somut sonuçları inceleyeceğiz.

AI DePIN Ağı Genel Görünümü

Burada bahsedilen her proje benzer bir amaca sahiptir - GPU hesaplama pazar ağı. Bu bölüm, projelerin öne çıkan özelliklerini, piyasa odaklarını ve başarılarını incelemeyi amaçlamaktadır. Onların temel altyapılarını ve ürünlerini anlamak suretiyle, aralarındaki farkları derinlemesine analiz edebiliriz.

Render, GPU hesaplama yeteneği sunan bir P2P ağ öncüsüdür. İlk olarak içerik oluşturma grafik renderlemesine odaklanmış, daha sonra kapsamını (NeRF)'dan üretilen AI'ye kadar çeşitli AI hesaplama görevlerini içerecek şekilde genişletmiştir.

Akash, kendisini depolama, GPU ve CPU hesaplamalarını destekleyen geleneksel platform ( gibi AWS) için bir "süper bulut" alternatif olarak konumlandırıyor. Geliştirici dostu araçlar olan Akash konteyner platformu ve Kubernetes ile yönetilen hesaplama düğümleri gibi, yazılımları ortamlar arasında kesintisiz bir şekilde dağıtma yeteneğine sahip, böylece her türlü bulut yerel uygulamasını çalıştırabiliyor.

io.net dağıtılmış GPU bulut kümelerine erişim sağlar, bu kümeler AI ve ML kullanım durumları için özel olarak tasarlanmıştır. Veri merkezlerinden, kripto madencilerinden ve diğer merkeziyetsiz ağlardan gelen GPU'ları bir araya getirir.

Gensyn, makine öğrenimi ve derin öğrenme hesaplamalarına odaklanan GPU hesaplama yetenekleri sunmaktadır. Öğrenme kanıtı gibi iş doğrulama için kullanılan, doğrulama işlerini yeniden çalıştırmak için grafik tabanlı kesin konumlandırma protokolleri ve hesaplama sağlayıcılarını içeren stake ve azaltma teşvik oyunları gibi kavramların birleşimini kullanarak daha verimli bir doğrulama mekanizması sağladığını iddia etmektedir.

Aethir özellikle kurumsal GPU'lar için tasarlanmıştır ve hesaplama yoğun alanlara, özellikle yapay zeka, makine öğrenimi(ML), bulut oyunları gibi alanlara odaklanmaktadır. Ağındaki konteynerler, bulut tabanlı uygulamaları çalıştıran sanal uç noktalar olarak işlev görür ve iş yükünü yerel cihazlardan konteynerlere taşıyarak düşük gecikme süresi deneyimi sağlar.

Phala Network, Web3 AI çözümlerinin yürütme katmanı olarak hizmet eder. Blok zinciri, güvene ihtiyaç duymayan bir bulut bilişim çözümüdür ve gizlilik sorunlarını ele almak için (TEE) gibi güvenilir yürütme ortamını kullanarak tasarlanmıştır. Yürütme katmanı, AI modellerinin hesaplama katmanı olarak kullanılmaz, bunun yerine AI ajanlarının zincir üzerindeki akıllı sözleşmelerle kontrol edilmesine olanak tanır.

Proje Karşılaştırması

| | Render | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Donanım | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | İş Teması | Grafik Renderleme ve AI | Bulut Bilişim, Renderleme ve AI | AI | AI | Yapay Zeka, Bulut Oyun ve Telekomünikasyon | Zincir Üstü AI Uygulaması | | AI Görev Türü | Çıkarım | Dengeleme | Dengeleme | Eğitim | Eğitim | Uygulama | | Çalışma Fiyatlandırması | Performansa Dayalı Fiyatlandırma | Ters Açık Artırma | Piyasa Fiyatlandırması | Piyasa Fiyatlandırması | İhale Sistemi | Hak Hesabı | | Blok Zinciri | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Veri Gizliliği | Şifreleme&Hash | mTLS Kimlik Doğrulama | Veri Şifreleme | Güvenli Haritalama | Şifreleme | TEE | | İşçilik Ücreti | Her iş %0.5-5 | %20 USDC, %4 AKT | %2 USDC, %0.25 Rezerv Ücreti | Düşük Ücretler | Her oturum %20 | Teminat Miktarına Orantılı | | Güvenli | Render Kanıtı | Hak Kanıtı | Hesaplama Kanıtı | Hak Kanıtı | Render Kapasite Kanıtı | Ara Zincirden Miras Alır | | Tamamlama Belgesi | - | - | Zaman Kilidi Belgesi | Öğrenim Belgesi | Render İş Belgesi | TEE Belgesi | | Kalite Güvencesi | İtiraz | - | - | Doğrulayıcı ve Bildirici | Kontrol Düğümü | Uzaktan Kanıt | | GPU kümesi | Hayır | Evet | Evet | Evet | Evet | Hayır |

Önemi

Küme ve paralel hesaplama kullanılabilirliği

Dağıtık hesaplama çerçevesi, modelin doğruluğunu etkilemeden daha verimli bir eğitim sağlarken GPU kümesi gerçekleştirmiştir. Karmaşık AI modellerini eğitmek, genellikle bu ihtiyaçları karşılamak için dağıtık hesaplamaya dayanması gereken güçlü bir hesaplama gücü gerektirir. Görsel bir bakış açısıyla, OpenAI'nin GPT-4 modeli 1.8 trilyondan fazla parametreye sahiptir ve 128 küme içinde yaklaşık 25,000 Nvidia A100 GPU kullanarak 3-4 ay içinde eğitilmiştir.

Öncelikle, Render ve Akash yalnızca tek kullanımlık GPU'lar sunuyordu, bu da GPU'ya olan pazar talebini sınırlayabilir. Ancak, çoğu önemli proje artık paralel hesaplama sağlamak için kümeleri entegre etti. io.net, Render, Filecoin ve Aethir gibi diğer projelerle iş birliği yaparak, daha fazla GPU'yu ağına dahil etti ve 2024'ün ilk çeyreğinde 3,800'den fazla küme başarıyla dağıttı. Render kümeleri desteklemese de, çalışma şekli kümelere benzer, tek bir kareyi farklı düğümlere ayırarak farklı çerçevelerin aynı anda işlenmesini sağlar. Phala şu anda yalnızca CPU'yu destekliyor, ancak CPU işleyicilerini kümelere ayırmaya izin veriyor.

Küme çerçevesinin AI iş akışı ağına dahil edilmesi çok önemlidir, ancak AI geliştiricilerinin ihtiyaçlarını karşılamak için gereken küme GPU sayısı ve türü ayrı bir sorundur.

Veri Gizliliği

AI modeli geliştirmek için büyük veri setlerine ihtiyaç vardır, bu veri setleri çeşitli kaynaklardan ve farklı formlarda gelebilir. Kişisel sağlık kayıtları, kullanıcı finansal verileri gibi hassas veri setleri, model sağlayıcılarına ifşa olma riskiyle karşı karşıya kalabilir. Samsung, hassas kodların platforma yüklenmesinin gizliliği ihlal edeceğinden endişe ederek ChatGPT kullanımını içten yasakladı, Microsoft'un 38TB özel veri sızıntısı olayı, AI kullanırken yeterli güvenlik önlemleri almanın önemini bir kez daha vurguladı. Bu nedenle, veri kontrolünü veri sağlayıcılarına geri vermek için çeşitli veri gizliliği yöntemlerine sahip olmak son derece önemlidir.

Kapsanan çoğu proje, veri gizliliğini korumak için bir tür veri şifrelemesi kullanmaktadır. Veri şifrelemesi, ağda veri sağlayıcısından model sağlayıcısına ( veri alıcısına ) veri aktarımının korunmasını sağlar. Render, render sonuçlarını ağa geri yayınlarken şifreleme ve hash işleme kullanırken, io.net ve Gensyn de bir tür veri şifrelemesi uygulamaktadır. Akash, yalnızca kiracı tarafından seçilen sağlayıcıların veri almasına izin veren mTLS kimlik doğrulaması kullanmaktadır.

Ancak, io.net son zamanlarda Mind Network ile işbirliği yaparak tamamen homomorfik şifreleme (FHE) tanıttı; bu, şifrelenmiş verileri önceden deşifre etmeden işlemeyi sağlıyor. Bu yenilik, verilerin kimlik ve veri içeriğini ifşa etmeden eğitim amaçları için güvenli bir şekilde iletilmesini sağlayarak mevcut şifreleme teknolojilerinden daha iyi veri gizliliği sağlamaktadır.

Phala Network, cihazın ana işlemcisindeki güvenli alanı ifade eden TEE'yi tanıttı. Bu izolasyon mekanizması sayesinde, dış süreçlerin verilere erişmesini veya bunları değiştirmesini engelleyebilir; bu, izin düzeyleri ne olursa olsun, hatta makineye fiziksel erişim hakkı olan kişiler için bile geçerlidir. TEE dışında, zkDCAP doğrulayıcısında ve jtee komut satırı arayüzünde zk-proof'ların kullanımını birleştirerek RiscZero zkVM ile entegre programlar sunmaktadır.

hesaplama tamamlama belgesi ve kalite kontrol

Bu projeler tarafından sağlanan GPU'lar, bir dizi hizmete hesaplama gücü sağlayabilir. Bu hizmetlerin kapsamı geniş olduğundan, grafiklerin render edilmesinden AI hesaplamalarına kadar, bu tür görevlerin nihai kalitesi her zaman kullanıcı standartlarına uymayabilir. Kullanıcıların kiraladığı belirli GPU'nun gerçekten gerekli hizmetleri yürütmek için kullanıldığını belirtmek için tamamlanma kanıtı biçimi kullanılabilir ve kalite kontrolü, bu tür işleri tamamlamak için talepte bulunan kullanıcılar için faydalıdır.

Hesaplama tamamlandığında, Gensyn ve Aethir, işin tamamlandığını göstermek için kanıtlar oluşturacakken, io.net'in kanıtı kiralanan GPU'nun performansının tam olarak kullanıldığını ve herhangi bir sorun yaşanmadığını belirtir. Gensyn ve Aethir, tamamlanan hesaplamaların kalite kontrolünü yapacaktır. Gensyn, doğrulayıcıların üretilen kanıtların bazı bölümlerini yeniden çalıştırarak kanıtla karşılaştırmasını sağlar ve rapor veren, doğrulayıcılara yönelik bir kontrol katmanı işlevi görür. Aynı zamanda, Aethir hizmet kalitesini belirlemek için kontrol düğümleri kullanır ve standartların altında kalan hizmetler için ceza uygular. Render, itiraz çözüm sürecinin kullanılmasını önerir; eğer gözden geçirme komitesi bir düğümde sorun tespit ederse, o düğümün azaltılmasını sağlar. Phala tamamlandığında, gerekli işlemleri zincir üzerinde gerçekleştirmek için TEE kanıtı oluşturur.

Donanım İstatistik Verileri

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

Yüksek performanslı GPU'nun gereksinimleri

AI modellerinin eğitimi için en iyi performansa sahip GPU'lara ihtiyaç duyulması nedeniyle, Nvidia'nın A100 ve H100 gibi GPU'larının kullanımı tercih edilmektedir. Her ne kadar H100'ün piyasadaki fiyatı çok yüksek olsa da, bu donanımlar en iyi kalitede sonuçlar sunmaktadır. A100, yalnızca tüm iş yüklerini eğitmekle kalmayıp, aynı zamanda eğitimi daha hızlı bir şekilde tamamlayabilmektedir, bu da bu donanımın pazardaki değerini göstermektedir. H100'ün A100'e göre 4 kat daha hızlı bir çıkarım performansına sahip olması nedeniyle, özellikle kendi LLM'lerini eğiten büyük şirketler için şu anda tercih edilen GPU haline gelmiştir.

Merkeziyetsiz GPU pazar sağlayıcılarının Web2 rakipleriyle rekabet edebilmesi için yalnızca daha düşük fiyatlar sunması yeterli değil, aynı zamanda pazarın gerçek taleplerini de karşılaması gerekiyor. 2023 yılında, Nvidia merkezi büyük teknoloji şirketlerine 500.000'den fazla H100 teslim etti, bu da büyük bulut sağlayıcılarıyla rekabet edebilmek için mümkün olduğunca fazla eşdeğer donanıma erişmenin maliyetini artırdı ve zorluklarla dolu hale getirdi. Bu nedenle, bu projelerin ağlarına düşük maliyetle entegre edebilecekleri donanım miktarını dikkate almak, bu hizmetleri daha büyük bir müşteri kitlesine genişletmek için çok önemlidir.

Her ne kadar her proje AI ve ML hesaplama alanında bir işletmeye sahip olsa da, hesaplama sağlama yetenekleri açısından farklılık göstermektedir. Akash toplamda sadece 150'den fazla H100 ve A100 birimine sahipken, io.net ve Aethir sırasıyla 2000'den fazla birim elde etmiştir. Genellikle, sıfırdan önceden eğitilmiş LLM veya üretim modelinin oluşturulması, kümede en az 248'den 2000'den fazla GPU gerektirmektedir, bu nedenle son iki proje büyük model hesaplama için daha uygundur.

Geliştiricilerin ihtiyaç duyduğu küme boyutuna göre, şu anda piyasada bu merkeziyetsiz GPU hizmetlerinin maliyeti merkezi GPU hizmetlerinden çok daha düşük. Gensyn ve Aethir, A100'e eşdeğer donanımı saatte 1 dolardan daha düşük bir fiyatla kiralayabileceklerini iddia ediyor, ancak bu zamanla kanıtlanması gereken bir durum.

Ağ bağlantılı GPU kümesi, her saat için maliyeti düşük olan çok sayıda GPU'ya sahiptir, ancak NVLink ile bağlanan GPU'lara kıyasla,