Перекресток AI и DePIN: Восход децентрализованных GPU-сетей
С 2023 года ИИ и DePIN стали популярными трендами в области Web3, их рыночная капитализация составила 30 миллиардов долларов и 23 миллиарда долларов соответственно. Эта статья сосредоточена на пересечении двух областей и исследует развитие соответствующих протоколов.
В стеке технологий ИИ сеть DePIN предоставляет полезность для ИИ за счет вычислительных ресурсов. Дефицит GPU, вызванный крупными технологическими компаниями, приводит к тому, что другим разработчикам не хватает достаточного количества GPU для вычислений. Это часто заставляет разработчиков выбирать централизованных облачных провайдеров, но из-за необходимости подписания не гибких долгосрочных контрактов на высокопроизводительное оборудование возникает неэффективность.
DePIN в своей сути предлагает более гибкую и экономически эффективную альтернативу, используя токенизированные вознаграждения для стимулирования ресурсов, соответствующих целям сети. DePIN в области ИИ краудсорсит GPU-ресурсы от индивидуальных владельцев к дата-центрам, создавая единое предложение для пользователей, которым нужен доступ к оборудованию. Эти сети DePIN не только предоставляют разработчикам, нуждающимся в вычислительной мощности, возможность настройки и доступ по требованию, но и предлагают владельцам GPU дополнительный доход.
На рынке многочисленных AI DePIN сетей не легко распознать их различия и найти нужную сеть. Далее мы рассмотрим роль, цели и достигнутые достижения каждого протокола.
Каждый проект имеет схожие цели - сеть рынка вычислений на GPU. Этот раздел исследует ключевые моменты каждого проекта, акценты на рынке и достижения, углубляя понимание различий между ними через изучение их ключевой инфраструктуры и продуктов.
Render является пионером P2P-сети, предоставляющей вычислительные возможности GPU, ранее сосредоточенной на графическом рендеринге контента, а затем расширившейся на вычислительные задачи генеративного ИИ, интегрировав такие инструменты, как Stable Diffusion, включая нейронные радиационные поля (NeRF).
Яркие моменты:
Основана облачной графической компанией OTOY с награжденной Оскаром технологией
GPU-сеть используется такими крупными компаниями развлекательной индустрии, как Paramount Pictures, PUBG, Star Trek и другими.
Сотрудничество с Stability AI и Endeavor, интеграция AI-моделей с 3D-контентом в рабочий процесс рендеринга с использованием GPU Render
Утверждение нескольких вычислительных клиентов, интеграция большего количества GPU DePIN сети
Akash называет себя "хостинг-версией Airbnb", позиционируется как "супероблако" для традиционных платформ, таких как AWS(, поддерживающее хранение, GPU и CPU вычисления. Используя платформу контейнеров Akash и удобные для разработчиков инструменты, такие как вычислительные узлы, управляемые Kubernetes, можно бесшовно развертывать программное обеспечение в разных средах и запускать любое облачное приложение.
Яркие моменты:
Для широкого спектра вычислительных задач от общего вычисления до сетевого хостинга
AkashML позволяет GPU-сетям запускать более 15,000 моделей на Hugging Face, одновременно интегрируясь с Hugging Face
Размещение моделей чат-ботов LLM от Mistral AI, текстово-изображенческих моделей SDXL от Stability AI и нового базового модели AT-1 от Thumper AI на Akash.
Платформы для построения метавселенной, развертывания ИИ и федеративного обучения используют Supercloud
io.net предоставляет доступ к распределенному облачному кластеру GPU, специально предназначенному для случаев использования ИИ и МЛ. Он агрегирует GPU из дата-центров, крипто-майнеров и других децентрализованных сетей. Компания ранее была компанией по количественной торговле и переключилась на текущую деятельность после резкого роста цен на высокопроизводительные GPU.
Яркое пятно:
IO-SDK совместим с такими фреймворками, как PyTorch и Tensorflow, многоуровневая архитектура может автоматически динамически расширяться в зависимости от вычислительных потребностей.
Поддержка создания 3 различных типов кластеров, которые можно запустить за 2 минуты
Сильное сотрудничество по интеграции других DePIN сетей GPU, включая Render, Filecoin, Aethir и Exabits
Gensyn предоставляет вычислительные возможности GPU, сосредоточенные на машинном обучении и глубоких нейронных сетях. Он утверждает, что достигает более эффективного механизма верификации по сравнению с существующими методами, сочетая концепции, такие как доказательства обучения, графически основанный протокол точной локализации и стимулы в стиле Truebit, которые включают стейкинг провайдеров вычислений и сокращения.
Яркие моменты:
Ожидается, что стоимость эквивалентного GPU V100 составит около 0,40 доллара США за час, что значительно сократит затраты.
С помощью доказательной стековой архитектуры можно выполнить дообучение предобученной базовой модели для решения более конкретных задач.
Эти базовые модели будут Децентрализация, глобально доступные, кроме вычислительных сетей на аппаратном обеспечении, также будут предоставлять дополнительные функции.
Aethir специально разработан для корпоративных GPU, сосредоточен на вычислительно интенсивных областях, в основном это AI, машинное обучение ) ML (, облачные игры и т. д. В сети контейнеры выступают в качестве виртуальных конечных точек для выполнения облачных приложений, перемещая рабочие нагрузки с локальных устройств в контейнеры, обеспечивая низкую задержку. Для обеспечения качественного сервиса они перемещают GPU ближе к источникам данных в зависимости от потребностей и местоположения, корректируя ресурсы.
Яркие моменты:
Кроме AI и облачных игр, Aethir также расширяется до облачных мобильных услуг, сотрудничая с APhone для запуска Децентрализация облачного умного телефона.
Установление широкого сотрудничества с крупными компаниями Web2, такими как NVIDIA, Super Micro, HPE, Foxconn и Well Link.
В Web3 несколько партнеров, таких как CARV, Magic Eden, Sequence, Impossible Finance и другие
Phala Network выступает в качестве исполнительного слоя для Web3 AI решений. Его блокчейн является децентрализованным облачным вычислительным решением, которое решает проблемы конфиденциальности через доверенные исполняемые среды )TEE(. Исполнительный слой не используется в качестве вычислительного слоя AI моделей, а позволяет AI агентам контролироваться смарт-контрактами на блокчейне.
Яркие моменты:
Выступать в качестве протокола сопроцессора для верифицируемых вычислений, позволяя AI-агентам использовать ресурсы на блокчейне.
AI-агенты могут получить доступ к таким ведущим языковым моделям, как OpenAI, Llama, Claude и Hugging Face через Redpill.
Будущее будет включать zk-доказательства, многопартитные вычисления )MPC(, полностью однородное шифрование )FHE( и другие многоуровневые системы доказательства.
В будущем поддержка других TEE GPU, таких как H100, для повышения вычислительной мощности
! [Пересечение AI и DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(
Сравнение проектов
| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Основные направления бизнеса | Графическая рендеринга и ИИ | Облачные вычисления, рендеринг и ИИ | ИИ | ИИ | ИИ, облачные игры и телекоммуникации | Исполнение ИИ на блокчейне |
| Типы задач AI | Вывод | Оба | Оба | Обучение | Обучение | Выполнение |
| Ценообразование труда | Ценообразование на основе производительности | Обратные аукционы | Рыночное ценообразование | Рыночное ценообразование | Система тендеров | Расчет прав |
| Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек |
| Защита данных | Шифрование&Хеширование | mTLS аутентификация | Шифрование данных | Безопасная карта | Шифрование | TEE |
| Рабочие расходы | 0.5-5% за каждую работу | 20% USDC, 4% AKT | 2% USDC, 0.25% сбор на резерв | Низкие сборы | 20% за каждый сеанс | Пропорционально сумме стейкинга |
| Безопасность | Доказательство рендеринга | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство вычислительной мощности | Унаследовано от промежуточной цепи |
| Завершение доказательства | - | - | Доказательство временной блокировки | Доказательство обучения | Доказательство рендеринга | Доказательство TEE |
| Гарантия качества | Спор | - | - | Проверяющий и заявитель | Узел проверяющего | Удаленное доказательство |
| GPU кластер | Нет | Да | Да | Да | Да | Нет |
Важность
Доступность кластеров и параллельных вычислений
Распределенная вычислительная рамка реализует кластер GPU, обеспечивая более эффективное обучение без ущерба для точности модели и одновременно усиливая масштабируемость. Для обучения более сложных AI моделей требуется высокая вычислительная мощность, что обычно требует использования распределенных вычислений для удовлетворения потребностей. Наглядно, модель GPT-4 от OpenAI имеет более 1,8 триллионов параметров и обучалась на 25 000 графических процессоров Nvidia A100 в 128 кластерах в течение 3-4 месяцев.
Ранее Render и Akash предлагали только одноцелевые GPU, что могло ограничить рыночный спрос на GPU. Однако большинство ключевых проектов теперь интегрировали кластеры для реализации параллельных вычислений. io.net сотрудничает с Render, Filecoin и Aethir для интеграции большего количества GPU в сеть и успешно развернул более 3,800 кластеров в первом квартале 2024 года. Хотя Render не поддерживает кластеры, его работа схожа с кластером, разбивая отдельный кадр на несколько различных узлов для одновременной обработки кадров различного диапазона. Phala в настоящее время поддерживает только CPU, но позволяет кластеризацию CPU-агентов.
Включение кластерной структуры в сеть рабочих процессов ИИ очень важно, но необходимое количество и типы кластерных GPU для удовлетворения потребностей разработчиков ИИ — это отдельная проблема, которая будет обсуждена позже.
Конфиденциальность данных
Для разработки AI-моделей необходимо использовать большие наборы данных, которые могут поступать из различных источников и иметь различные формы. Чувствительные наборы данных, такие как личные медицинские записи и финансовые данные пользователей, могут подвергнуться риску раскрытия поставщикам моделей. Samsung запретила использование ChatGPT внутри компании из-за опасений, что загрузка чувствительного кода на платформу может нарушить конфиденциальность, а инцидент с утечкой 38 ТБ личных данных Microsoft еще больше подчеркивает важность применения достаточных мер безопасности при использовании AI. Поэтому наличие различных методов защиты данных имеет решающее значение для передачи прав контроля над данными обратно поставщикам данных.
Большинство охваченных проектов используют какую-то форму шифрования данных для защиты конфиденциальности данных. Шифрование данных обеспечивает защиту передачи данных от поставщика данных к поставщику модели ) и получателю данных ( в сети. Render использует шифрование и хеширование при возврате результатов рендеринга в сеть, в то время как io.net и Gensyn применяют какую-то форму шифрования данных. Akash использует аутентификацию mTLS, позволяя только выбранным арендатором поставщикам получать данные.
Однако, io.net недавно сотрудничала с Mind Network для запуска полностью гомоморфного шифрования )FHE(, позволяющего обрабатывать зашифрованные данные без предварительного расшифрования. Благодаря возможности безопасной передачи данных для учебных целей без раскрытия личности и содержания данных, эта инновация обеспечивает лучшую защиту конфиденциальности данных по сравнению с существующими технологиями шифрования.
Phala Network вводит TEE, то есть защищенную область в основном процессоре подключенного устройства. Благодаря этому механизму изоляции, он предотвращает доступ или модификацию данных внешними процессами, независимо от уровня их полномочий, даже лица с физическим доступом к машине не могут получить доступ. Кроме TEE, он также комбинирует zk-доказательства в zkDCAP валидаторе и jtee командной строке для интеграции с программами RiscZero zkVM.
! [Пересечение AI и DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(
Проверка завершения расчетов и контроля качества
Эти проекты предлагают GPU, которые могут обеспечить вычислительные мощности для ряда услуг. Поскольку спектр услуг широкий, от рендеринга графики до AI вычислений, конечное качество таких задач может не всегда соответствовать стандартам пользователя. Можно использовать подтверждение выполнения, чтобы указать, что конкретный арендованный пользователем GPU действительно использовался для выполнения требуемой услуги, проверка качества будет полезна для пользователей, запрашивающих выполнение таких работ.
После завершения вычислений, Gensyn и Aethir оба генерируют доказательства, указывающие на то, что работа выполнена, в то время как доказательство от io.net подтверждает, что производительность арендованного GPU была полностью использована и не было проблем. Gensyn и Aethir проводят проверку качества завершенных вычислений. Для Gensyn используется повторный запуск части сгенерированных доказательств валидатором для сопоставления с доказательствами, в то время как заявитель выступает в качестве дополнительного уровня проверки для валидатора. В то же время, Aethir использует проверочные узлы для определения качества обслуживания и накладывает штрафы на услуги, которые ниже стандартов. Render предлагает использовать процесс разрешения споров: если комитет по проверке обнаружит проблемы с узлом, то этот узел будет сокращен. После завершения Phala генерируется доказательство TEE, чтобы гарантировать, что AI-агент выполняет необходимые операции в цепочке.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
9 Лайков
Награда
9
6
Поделиться
комментарий
0/400
DegenWhisperer
· 49м назад
Карта трудно получить, как раз децентрализована.
Посмотреть ОригиналОтветить0
ChainSpy
· 21ч назад
Люблю черный, но не черный, розничный инвестор обязательно вырастет
Вот мой комментарий:
Недостаток GPU, лучше уж майнингом заниматься
Посмотреть ОригиналОтветить0
ThatsNotARugPull
· 07-22 14:35
gpu Блокчейн поставок卡脖子咯
Посмотреть ОригиналОтветить0
SoliditySlayer
· 07-22 14:34
рыночная капитализация 530 миллиардов, не хватает денег?
Посмотреть ОригиналОтветить0
GasFeeThunder
· 07-22 14:27
Газовые расходы слишком высоки, майнеры действительно не стыдятся.
AI-уполномоченный DePIN: анализ роста Децентрализованной сети GPU и сравнение с основными проектами
Перекресток AI и DePIN: Восход децентрализованных GPU-сетей
С 2023 года ИИ и DePIN стали популярными трендами в области Web3, их рыночная капитализация составила 30 миллиардов долларов и 23 миллиарда долларов соответственно. Эта статья сосредоточена на пересечении двух областей и исследует развитие соответствующих протоколов.
В стеке технологий ИИ сеть DePIN предоставляет полезность для ИИ за счет вычислительных ресурсов. Дефицит GPU, вызванный крупными технологическими компаниями, приводит к тому, что другим разработчикам не хватает достаточного количества GPU для вычислений. Это часто заставляет разработчиков выбирать централизованных облачных провайдеров, но из-за необходимости подписания не гибких долгосрочных контрактов на высокопроизводительное оборудование возникает неэффективность.
DePIN в своей сути предлагает более гибкую и экономически эффективную альтернативу, используя токенизированные вознаграждения для стимулирования ресурсов, соответствующих целям сети. DePIN в области ИИ краудсорсит GPU-ресурсы от индивидуальных владельцев к дата-центрам, создавая единое предложение для пользователей, которым нужен доступ к оборудованию. Эти сети DePIN не только предоставляют разработчикам, нуждающимся в вычислительной мощности, возможность настройки и доступ по требованию, но и предлагают владельцам GPU дополнительный доход.
На рынке многочисленных AI DePIN сетей не легко распознать их различия и найти нужную сеть. Далее мы рассмотрим роль, цели и достигнутые достижения каждого протокола.
! Пересечение AI и DePIN
Обзор сети AI DePIN
Каждый проект имеет схожие цели - сеть рынка вычислений на GPU. Этот раздел исследует ключевые моменты каждого проекта, акценты на рынке и достижения, углубляя понимание различий между ними через изучение их ключевой инфраструктуры и продуктов.
Render является пионером P2P-сети, предоставляющей вычислительные возможности GPU, ранее сосредоточенной на графическом рендеринге контента, а затем расширившейся на вычислительные задачи генеративного ИИ, интегрировав такие инструменты, как Stable Diffusion, включая нейронные радиационные поля (NeRF).
Яркие моменты:
Основана облачной графической компанией OTOY с награжденной Оскаром технологией
GPU-сеть используется такими крупными компаниями развлекательной индустрии, как Paramount Pictures, PUBG, Star Trek и другими.
Сотрудничество с Stability AI и Endeavor, интеграция AI-моделей с 3D-контентом в рабочий процесс рендеринга с использованием GPU Render
Утверждение нескольких вычислительных клиентов, интеграция большего количества GPU DePIN сети
Akash называет себя "хостинг-версией Airbnb", позиционируется как "супероблако" для традиционных платформ, таких как AWS(, поддерживающее хранение, GPU и CPU вычисления. Используя платформу контейнеров Akash и удобные для разработчиков инструменты, такие как вычислительные узлы, управляемые Kubernetes, можно бесшовно развертывать программное обеспечение в разных средах и запускать любое облачное приложение.
Яркие моменты:
Для широкого спектра вычислительных задач от общего вычисления до сетевого хостинга
AkashML позволяет GPU-сетям запускать более 15,000 моделей на Hugging Face, одновременно интегрируясь с Hugging Face
Размещение моделей чат-ботов LLM от Mistral AI, текстово-изображенческих моделей SDXL от Stability AI и нового базового модели AT-1 от Thumper AI на Akash.
Платформы для построения метавселенной, развертывания ИИ и федеративного обучения используют Supercloud
io.net предоставляет доступ к распределенному облачному кластеру GPU, специально предназначенному для случаев использования ИИ и МЛ. Он агрегирует GPU из дата-центров, крипто-майнеров и других децентрализованных сетей. Компания ранее была компанией по количественной торговле и переключилась на текущую деятельность после резкого роста цен на высокопроизводительные GPU.
Яркое пятно:
IO-SDK совместим с такими фреймворками, как PyTorch и Tensorflow, многоуровневая архитектура может автоматически динамически расширяться в зависимости от вычислительных потребностей.
Поддержка создания 3 различных типов кластеров, которые можно запустить за 2 минуты
Сильное сотрудничество по интеграции других DePIN сетей GPU, включая Render, Filecoin, Aethir и Exabits
Gensyn предоставляет вычислительные возможности GPU, сосредоточенные на машинном обучении и глубоких нейронных сетях. Он утверждает, что достигает более эффективного механизма верификации по сравнению с существующими методами, сочетая концепции, такие как доказательства обучения, графически основанный протокол точной локализации и стимулы в стиле Truebit, которые включают стейкинг провайдеров вычислений и сокращения.
Яркие моменты:
Ожидается, что стоимость эквивалентного GPU V100 составит около 0,40 доллара США за час, что значительно сократит затраты.
С помощью доказательной стековой архитектуры можно выполнить дообучение предобученной базовой модели для решения более конкретных задач.
Эти базовые модели будут Децентрализация, глобально доступные, кроме вычислительных сетей на аппаратном обеспечении, также будут предоставлять дополнительные функции.
Aethir специально разработан для корпоративных GPU, сосредоточен на вычислительно интенсивных областях, в основном это AI, машинное обучение ) ML (, облачные игры и т. д. В сети контейнеры выступают в качестве виртуальных конечных точек для выполнения облачных приложений, перемещая рабочие нагрузки с локальных устройств в контейнеры, обеспечивая низкую задержку. Для обеспечения качественного сервиса они перемещают GPU ближе к источникам данных в зависимости от потребностей и местоположения, корректируя ресурсы.
Яркие моменты:
Кроме AI и облачных игр, Aethir также расширяется до облачных мобильных услуг, сотрудничая с APhone для запуска Децентрализация облачного умного телефона.
Установление широкого сотрудничества с крупными компаниями Web2, такими как NVIDIA, Super Micro, HPE, Foxconn и Well Link.
В Web3 несколько партнеров, таких как CARV, Magic Eden, Sequence, Impossible Finance и другие
Phala Network выступает в качестве исполнительного слоя для Web3 AI решений. Его блокчейн является децентрализованным облачным вычислительным решением, которое решает проблемы конфиденциальности через доверенные исполняемые среды )TEE(. Исполнительный слой не используется в качестве вычислительного слоя AI моделей, а позволяет AI агентам контролироваться смарт-контрактами на блокчейне.
Яркие моменты:
Выступать в качестве протокола сопроцессора для верифицируемых вычислений, позволяя AI-агентам использовать ресурсы на блокчейне.
AI-агенты могут получить доступ к таким ведущим языковым моделям, как OpenAI, Llama, Claude и Hugging Face через Redpill.
Будущее будет включать zk-доказательства, многопартитные вычисления )MPC(, полностью однородное шифрование )FHE( и другие многоуровневые системы доказательства.
В будущем поддержка других TEE GPU, таких как H100, для повышения вычислительной мощности
! [Пересечение AI и DePIN])https://img-cdn.gateio.im/webp-social/moments-68a395d50be4ab07fbc575dd54441164.webp(
Сравнение проектов
| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Аппаратное обеспечение | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Основные направления бизнеса | Графическая рендеринга и ИИ | Облачные вычисления, рендеринг и ИИ | ИИ | ИИ | ИИ, облачные игры и телекоммуникации | Исполнение ИИ на блокчейне | | Типы задач AI | Вывод | Оба | Оба | Обучение | Обучение | Выполнение | | Ценообразование труда | Ценообразование на основе производительности | Обратные аукционы | Рыночное ценообразование | Рыночное ценообразование | Система тендеров | Расчет прав | | Блокчейн | Солана | Космос | Солана | Генсин | Арбитраж | Горошек | | Защита данных | Шифрование&Хеширование | mTLS аутентификация | Шифрование данных | Безопасная карта | Шифрование | TEE | | Рабочие расходы | 0.5-5% за каждую работу | 20% USDC, 4% AKT | 2% USDC, 0.25% сбор на резерв | Низкие сборы | 20% за каждый сеанс | Пропорционально сумме стейкинга | | Безопасность | Доказательство рендеринга | Доказательство доли | Доказательство вычислений | Доказательство доли | Доказательство вычислительной мощности | Унаследовано от промежуточной цепи | | Завершение доказательства | - | - | Доказательство временной блокировки | Доказательство обучения | Доказательство рендеринга | Доказательство TEE | | Гарантия качества | Спор | - | - | Проверяющий и заявитель | Узел проверяющего | Удаленное доказательство | | GPU кластер | Нет | Да | Да | Да | Да | Нет |
Важность
Доступность кластеров и параллельных вычислений
Распределенная вычислительная рамка реализует кластер GPU, обеспечивая более эффективное обучение без ущерба для точности модели и одновременно усиливая масштабируемость. Для обучения более сложных AI моделей требуется высокая вычислительная мощность, что обычно требует использования распределенных вычислений для удовлетворения потребностей. Наглядно, модель GPT-4 от OpenAI имеет более 1,8 триллионов параметров и обучалась на 25 000 графических процессоров Nvidia A100 в 128 кластерах в течение 3-4 месяцев.
Ранее Render и Akash предлагали только одноцелевые GPU, что могло ограничить рыночный спрос на GPU. Однако большинство ключевых проектов теперь интегрировали кластеры для реализации параллельных вычислений. io.net сотрудничает с Render, Filecoin и Aethir для интеграции большего количества GPU в сеть и успешно развернул более 3,800 кластеров в первом квартале 2024 года. Хотя Render не поддерживает кластеры, его работа схожа с кластером, разбивая отдельный кадр на несколько различных узлов для одновременной обработки кадров различного диапазона. Phala в настоящее время поддерживает только CPU, но позволяет кластеризацию CPU-агентов.
Включение кластерной структуры в сеть рабочих процессов ИИ очень важно, но необходимое количество и типы кластерных GPU для удовлетворения потребностей разработчиков ИИ — это отдельная проблема, которая будет обсуждена позже.
Конфиденциальность данных
Для разработки AI-моделей необходимо использовать большие наборы данных, которые могут поступать из различных источников и иметь различные формы. Чувствительные наборы данных, такие как личные медицинские записи и финансовые данные пользователей, могут подвергнуться риску раскрытия поставщикам моделей. Samsung запретила использование ChatGPT внутри компании из-за опасений, что загрузка чувствительного кода на платформу может нарушить конфиденциальность, а инцидент с утечкой 38 ТБ личных данных Microsoft еще больше подчеркивает важность применения достаточных мер безопасности при использовании AI. Поэтому наличие различных методов защиты данных имеет решающее значение для передачи прав контроля над данными обратно поставщикам данных.
Большинство охваченных проектов используют какую-то форму шифрования данных для защиты конфиденциальности данных. Шифрование данных обеспечивает защиту передачи данных от поставщика данных к поставщику модели ) и получателю данных ( в сети. Render использует шифрование и хеширование при возврате результатов рендеринга в сеть, в то время как io.net и Gensyn применяют какую-то форму шифрования данных. Akash использует аутентификацию mTLS, позволяя только выбранным арендатором поставщикам получать данные.
Однако, io.net недавно сотрудничала с Mind Network для запуска полностью гомоморфного шифрования )FHE(, позволяющего обрабатывать зашифрованные данные без предварительного расшифрования. Благодаря возможности безопасной передачи данных для учебных целей без раскрытия личности и содержания данных, эта инновация обеспечивает лучшую защиту конфиденциальности данных по сравнению с существующими технологиями шифрования.
Phala Network вводит TEE, то есть защищенную область в основном процессоре подключенного устройства. Благодаря этому механизму изоляции, он предотвращает доступ или модификацию данных внешними процессами, независимо от уровня их полномочий, даже лица с физическим доступом к машине не могут получить доступ. Кроме TEE, он также комбинирует zk-доказательства в zkDCAP валидаторе и jtee командной строке для интеграции с программами RiscZero zkVM.
! [Пересечение AI и DePIN])https://img-cdn.gateio.im/webp-social/moments-8f83f1affbdfd92f33bc47afe8928c5c.webp(
Проверка завершения расчетов и контроля качества
Эти проекты предлагают GPU, которые могут обеспечить вычислительные мощности для ряда услуг. Поскольку спектр услуг широкий, от рендеринга графики до AI вычислений, конечное качество таких задач может не всегда соответствовать стандартам пользователя. Можно использовать подтверждение выполнения, чтобы указать, что конкретный арендованный пользователем GPU действительно использовался для выполнения требуемой услуги, проверка качества будет полезна для пользователей, запрашивающих выполнение таких работ.
После завершения вычислений, Gensyn и Aethir оба генерируют доказательства, указывающие на то, что работа выполнена, в то время как доказательство от io.net подтверждает, что производительность арендованного GPU была полностью использована и не было проблем. Gensyn и Aethir проводят проверку качества завершенных вычислений. Для Gensyn используется повторный запуск части сгенерированных доказательств валидатором для сопоставления с доказательствами, в то время как заявитель выступает в качестве дополнительного уровня проверки для валидатора. В то же время, Aethir использует проверочные узлы для определения качества обслуживания и накладывает штрафы на услуги, которые ниже стандартов. Render предлагает использовать процесс разрешения споров: если комитет по проверке обнаружит проблемы с узлом, то этот узел будет сокращен. После завершения Phala генерируется доказательство TEE, чтобы гарантировать, что AI-агент выполняет необходимые операции в цепочке.
Статистика оборудования
| | Рендеринг | Акаш | io.net | Генсин | Этир | Фала | |-------------|--------|-------|--------|------------|------------|--------| | Количество GPU | 5600 | 384 | 38177 | - | 40000+ | - | | Количество CPU | 114 | 14672 | 5433 | - | - | 30000+ | | Количество H100/A100 | - | 157 | 2330 | - | 2000+ | - | | H100 стоимость/час | - | $1.46 | $1.19 | - | - | - | | Плата за 100 австралийских долларов в час | - | $1.37 | $1.50 | $0.55 ) ориентировочный ( | $0.33 ) ориентировочно ( | - |
![AI и пересечение DePIN])https://
Вот мой комментарий:
Недостаток GPU, лучше уж майнингом заниматься