دمج الذكاء الاصطناعي وDePIN: صعود شبكة GPU الموزعة

منذ عام 2023، أصبحت الذكاء الاصطناعي وDePIN موضوعات ساخنة في مجال Web3، حيث بلغ حجم السوق 30 مليار دولار و23 مليار دولار على التوالي. ستتناول هذه المقالة تقاطع هذين المجالين، مع التركيز على تحليل تطوير البروتوكولات ذات الصلة.

في مجموعة تقنيات الذكاء الاصطناعي، يمكّن شبكة DePIN الذكاء الاصطناعي من خلال توفير موارد الحوسبة. أدى تطور الشركات التكنولوجية الكبرى إلى نقص في وحدات معالجة الرسومات (GPU)، مما جعل من الصعب على المطورين الآخرين الحصول على ما يكفي من وحدات معالجة الرسومات لتدريب نماذج الذكاء الاصطناعي. تقدم DePIN بديلاً أكثر مرونة وفعالية من حيث التكلفة، من خلال تحفيز مساهمة الموارد بمكافآت رمزية. تقوم شبكة DePIN في مجال الذكاء الاصطناعي بتجميع موارد وحدات معالجة الرسومات من الملاك الأفراد إلى مراكز البيانات، مما يوفر للمستخدمين إمدادًا موحدًا.

! تقاطع الذكاء الاصطناعي و DePIN

نظرة عامة على شبكة DePIN للذكاء الاصطناعي

رندر

Render هي رائدة شبكة P2P التي تقدم قدرة حساب GPU، وكانت تركز في البداية على رسم الرسوم البيانية لإنشاء المحتوى، ثم وسعت نطاقها ليشمل مهام حساب الذكاء الاصطناعي. تم استخدام شبكتها GPU من قبل شركات الترفيه الكبرى مثل باراماونت بيكتشرز وPUBG.

أكاش

تُحدد أكاش كبديل "سوبر كلاود" يدعم التخزين وحسابات GPU وCPU. يسمح AkashML لشبكات GPU بتشغيل أكثر من 15,000 نموذج على Hugging Face.

io.net

يوفر io.net الوصول إلى تجمعات سحابية موزعة من وحدات معالجة الرسوميات، مخصصة لحالات استخدام الذكاء الاصطناعي وتعلم الآلة. يتوافق IO-SDK مع أطر العمل مثل PyTorch وTensorflow، ويمكن أن يتوسع تلقائيًا بشكل ديناميكي وفقًا لاحتياجات الحوسبة.

جينسين

تقدم Gensyn قدرة حسابية GPU تركز على التعلم الآلي والتعلم العميق. وتدعي أنها حققت آلية تحقق أكثر كفاءة من خلال الجمع بين مفاهيم مثل إثبات التعلم وبروتوكولات تحديد المواقع الدقيقة المستندة إلى الرسوم.

أثير

Aethir مخصص لتشغيل وحدات معالجة الرسوميات الخاصة بالشركات، ويركز على المجالات كثيفة الحساب، وخاصة الذكاء الاصطناعي، وتعلم الآلة، وألعاب السحاب. تعمل الحاويات في شبكتها كنقاط نهاية افتراضية لتطبيقات قائمة على السحابة، مما يضمن تجربة ذات زمن انتقال منخفض.

شبكة فالا

تعمل شبكة فالا كطبقة تنفيذية لحلول الذكاء الاصطناعي في ويب 3. تعتبر سلسلة الكتل الخاصة بها حلاً حوسبيًا سحابيًا بدون ثقة، تم تصميمها لمعالجة قضايا الخصوصية من خلال استخدام بيئة التنفيذ الموثوقة (TEE).

! تقاطع الذكاء الاصطناعي و DePIN

مقارنة المشاريع

توجد اختلافات بين المشاريع في مجالات الأجهزة، وأولويات الأعمال، وأنواع مهام الذكاء الاصطناعي، وتسعير العمل، وسلسلة الكتل، وخصوصية البيانات، وتكاليف العمل، والأمان، وإثبات الإنجاز، وضمان الجودة، ومجموعات GPU.

الأهمية

توفر الحوسبة الموازية والتجمعات

إطار عمل الحوسبة الموزعة حقق تجمعات GPU، مما يوفر تدريبًا أكثر كفاءة، ويعزز في الوقت نفسه قابلية التوسع. تم دمج معظم المشاريع الرئيسية الآن مع التجمعات لتحقيق الحوسبة المتوازية.

! تقاطع الذكاء الاصطناعي و DePIN

خصوصية البيانات

يتطلب تطوير نماذج الذكاء الاصطناعي استخدام مجموعات بيانات كبيرة قد تحتوي على معلومات حساسة. تستخدم معظم المشاريع نوعًا ما من التشفير لحماية خصوصية البيانات. تعاونت io.net مؤخرًا مع شبكة Mind لإطلاق تشفير متجانس بالكامل (FHE)، مما يسمح بمعالجة البيانات المشفرة دون الحاجة إلى فك تشفيرها أولاً.

! تقاطع الذكاء الاصطناعي و DePIN

إثبات إكمال الحساب وفحص الجودة

تقدم العديد من المشاريع شهادة إتمام الحساب وآلية فحص الجودة لضمان جودة العمل ومنع الغش.

! تقاطع الذكاء الاصطناعي و DePIN

بيانات الإحصائيات للأجهزة

توجد اختلافات في عدد وحدات معالجة الرسوميات (GPU) وعدد وحدات المعالجة المركزية (CPU) وعدد وحدات معالجة الرسوميات عالية الأداء وتكاليفها بين المشاريع المختلفة. تتصدر io.net وAethir في عدد وحدات معالجة الرسوميات عالية الأداء.

! تقاطع الذكاء الاصطناعي و DePIN

متطلبات أداء GPU العالي

تتطلب نماذج الذكاء الاصطناعي تدريبًا على وحدات معالجة الرسوميات (GPU) ذات الأداء الأمثل، مثل A100 وH100 من Nvidia. يحتاج مزودو سوق GPU اللامركزي إلى توفير عدد كافٍ من وحدات معالجة الرسوميات عالية الأداء للتنافس مع الخدمات المركزية.

توفير وحدة معالجة الرسوميات/وحدة المعالجة المركزية من فئة المستهلك

تقدم بعض المشاريع أيضًا وحدات معالجة الرسوميات / وحدات المعالجة المركزية من فئة المستهلك، والتي يمكن استخدامها في المهام الأقل كثافة، مثل ضبط النماذج المدربة مسبقًا أو تدريب النماذج الصغيرة.

الاستنتاج

لا يزال مجال AI DePIN نسبياً ناشئًا ويواجه تحديات. ومع ذلك، فإن زيادة عدد المهام والأجهزة التي يتم تنفيذها على هذه الشبكات اللامركزية من وحدات معالجة الرسوميات (GPU) تسلط الضوء على تزايد الطلب على بدائل لموارد الأجهزة من مقدمي خدمات السحابة Web2. في المستقبل، ستلعب هذه الشبكات الموزعة من وحدات معالجة الرسوميات (GPU) دورًا حاسمًا في توفير بدائل حسابية فعالة من حيث التكلفة للمطورين، مما سيقدم مساهمة كبيرة في المشهد المستقبلي للبنية التحتية للذكاء الاصطناعي والحوسبة.

! تقاطع الذكاء الاصطناعي و DePIN