Intersection de l'IA et du DePIN : l'essor des réseaux GPU décentralisés
Depuis 2023, l'IA et DePIN sont des sujets populaires dans le domaine du Web3, avec une capitalisation de marché atteignant respectivement 30 milliards de dollars et 23 milliards de dollars. Cet article explorera l'intersection des deux et étudiera le développement des protocoles dans ce domaine.
Dans la pile technologique de l'IA, le réseau DePIN offre de la praticité à l'IA grâce à des ressources de calcul. Le développement des grandes entreprises technologiques a entraîné une pénurie de GPU, ce qui a conduit d'autres développeurs à manquer de GPU suffisants pour le calcul. Cela conduit souvent les développeurs à choisir des fournisseurs de cloud centralisés, mais cela entraîne une inefficacité en raison de la nécessité de signer des contrats de matériel haute performance à long terme et peu flexibles.
DePIN offre essentiellement une alternative plus flexible et plus rentable, en utilisant des récompenses en tokens pour inciter à la contribution de ressources qui répondent aux objectifs du réseau. Le DePIN dans le domaine de l'IA externalise les ressources GPU des propriétaires individuels vers des centres de données, formant une offre unifiée pour les utilisateurs ayant besoin d'accéder au matériel. Ces réseaux DePIN offrent non seulement aux développeurs nécessitant de la puissance de calcul une personnalisation et un accès à la demande, mais fournissent également des revenus supplémentaires aux propriétaires de GPU.
Aperçu du réseau DePIN AI
Render est le pionnier d'un réseau P2P offrant des capacités de calcul GPU, initialement axé sur le rendu graphique pour la création de contenu, avant d'élargir son champ d'application pour inclure des tâches de calcul AI allant des champs de réflexion neuronaux (NeRF) à l'AI générative.
Points intéressants:
Fondée par la société de graphisme en nuage OTOY, qui possède des technologies primées aux Oscars.
Le réseau GPU a été utilisé par de grandes entreprises du secteur du divertissement telles que Paramount Pictures, PUBG et Star Trek.
Collaborer avec Stability AI et Endeavor pour intégrer leurs modèles d'IA avec le flux de travail de rendu de contenu 3D en utilisant le GPU de Render.
Approuver plusieurs clients de calcul, intégrer plus de GPU de réseaux DePIN.
Akash se positionne comme une alternative "super cloud" aux plateformes traditionnelles qui supportent le stockage, le calcul GPU et CPU. Grâce à des outils conviviaux pour les développeurs, tels que la plateforme de conteneurs Akash et les nœuds de calcul gérés par Kubernetes, il est capable de déployer des logiciels de manière transparente à travers les environnements, permettant ainsi d'exécuter n'importe quelle application native du cloud.
Intérêt :
Ciblant une large gamme de tâches de calcul allant du calcul général à l'hébergement réseau
AkashML permet à son réseau GPU de faire fonctionner plus de 15 000 modèles sur Hugging Face, tout en s'intégrant à Hugging Face.
Akash héberge certaines applications remarquables, telles que le chatbot du modèle LLM de Mistral AI, le modèle de génération d'images SDXL de Stability AI, ainsi que le nouveau modèle de base AT-1 de Thumper AI.
La construction de la plateforme pour le métavers, le déploiement de l'intelligence artificielle et l'apprentissage fédéré utilise Supercloud
io.net fournit un accès à des clusters GPU cloud décentralisés, spécialement conçus pour les cas d'utilisation d'IA et d'AP. Il agrège des GPU provenant de centres de données, de mineurs de cryptomonnaies et d'autres réseaux décentralisés. L'entreprise était auparavant une société de trading quantitatif, et après une forte augmentation des prix des GPU hautes performances, elle a changé d'activité.
Intéressant:
Son SDK IO est compatible avec des frameworks tels que PyTorch et Tensorflow, et sa structure à plusieurs niveaux peut s'étendre dynamiquement en fonction des besoins de calcul.
Prend en charge la création de 3 types différents de clusters, pouvant être démarrés en 2 minutes.
Efforts de coopération solides pour intégrer les GPU d'autres réseaux DePIN, y compris Render, Filecoin, Aethir et Exabits.
Gensyn offre des capacités de calcul GPU axées sur l'apprentissage automatique et l'apprentissage profond. Il prétend avoir mis en place un mécanisme de validation plus efficace par rapport aux méthodes existantes, en combinant des concepts tels que les preuves de travail pour la validation, un protocole de localisation basé sur des graphismes pour la relance des travaux de validation, ainsi que des jeux d'incitation de type Truebit impliquant des fournisseurs de calcul avec mise en jeu et réduction.
Point intéressant :
Le coût horaire estimé d'un GPU équivalent V100 est d'environ 0,40 $/heure, ce qui permet d'importantes économies.
Grâce à l'empilement de preuves, il est possible d'affiner un modèle de base pré-entraîné pour accomplir des tâches plus spécifiques.
Ces modèles de base seront décentralisés et détenus au niveau mondial, offrant des fonctionnalités supplémentaires en plus du réseau de calcul matériel.
Aethir est spécialement conçu pour embarquer des GPU d'entreprise, se concentrant sur les domaines à forte intensité de calcul, principalement l'intelligence artificielle, l'apprentissage automatique (ML ), les jeux en cloud, etc. Les conteneurs dans son réseau agissent comme des points d'exécution virtuels pour des applications basées sur le cloud, transférant la charge de travail des dispositifs locaux vers les conteneurs pour offrir une expérience à faible latence. Pour garantir un service de qualité aux utilisateurs, ils rapprochent les GPU des sources de données en fonction de la demande et de la localisation, ajustant ainsi les ressources.
Intéressant:
En plus de l'intelligence artificielle et des jeux en nuage, Aethir s'est également étendu aux services de cloud mobile et a collaboré avec APhone pour lancer un smartphone intelligent en nuage décentralisé.
A établi des partenariats étendus avec de grandes entreprises Web2 telles que NVIDIA, Super Micro, HPE, Foxconn et Well Link.
Plusieurs partenaires dans Web3, tels que CARV, Magic Eden, Sequence, Impossible Finance, etc.
Phala Network agit en tant que couche d'exécution pour les solutions IA Web3. Sa blockchain est une solution de cloud computing sans confiance, conçue pour traiter les problèmes de confidentialité grâce à son environnement d'exécution de confiance (TEE). Sa couche d'exécution n'est pas utilisée comme couche de calcul pour les modèles IA, mais permet aux agents IA d'être contrôlés par des contrats intelligents sur la chaîne.
Aspect intéressant :
Servir de protocole de coprocesseur pour le calcul vérifiable, tout en permettant aux agents AI d'accéder aux ressources sur la chaîne.
Ses contrats d'agent d'intelligence artificielle peuvent obtenir des modèles de langage de premier plan tels qu'OpenAI, Llama, Claude et Hugging Face via Redpill.
L'avenir comprendra des zk-proofs, des calculs multipartites (MPC), des cryptages entièrement homomorphes (FHE) et d'autres systèmes de preuves multiples.
À l'avenir, prise en charge des GPU TEE tels que H100, amélioration de la puissance de calcul
Comparaison de projet
| | Rendu | Akash | io.net | Gensyn | Aethir | Phala |
|--------|-------------|------------------|---------------------|---------|---------------|----------|
| Matériel | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU |
| Points d'affaires | Rendu graphique et IA | Cloud computing, rendu et IA | IA | IA | Intelligence artificielle, cloud gaming et télécommunications | Exécution d'IA sur la chaîne |
| Type de tâche AI | Inférence | Les deux | Les deux | Entraînement | Entraînement | Exécution |
| Tarification du travail | Tarification basée sur la performance | Enchères inversées | Tarification de marché | Tarification de marché | Système d'appel d'offres | Calcul des droits |
| Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot |
| Confidentialité des données | Cryptage&Hachage | Authentification mTLS | Chiffrement des données | Cartographie sécurisée | Cryptage | TEE |
| Frais de travail | 0,5-5% par travail | 20% USDC, 4% AKT | 2% USDC, 0,25% frais de réserve | Frais peu élevés | 20% par session | Proportionnel au montant misé |
| Sécurité | Preuve de rendu | Preuve d'enjeu | Preuve de calcul | Preuve d'enjeu | Preuve de capacité de rendu | Hérité de la chaîne de relais |
| Preuve de complétion | - | - | Preuve de verrouillage temporel | Preuve d'apprentissage | Preuve de travail de rendu | Preuve TEE |
| Garantie de qualité | Controverse | - | - | Vérificateur et dénonciateur | Nœud vérificateur | Preuve à distance |
| GPU Cluster | Non | Oui | Oui | Oui | Oui | Non |
Importance
Disponibilité du calcul en cluster et parallèle
Le cadre de calcul distribué a mis en œuvre un cluster GPU, offrant un entraînement plus efficace sans compromettre l'exactitude du modèle, tout en renforçant l'évolutivité. L'entraînement de modèles d'IA plus complexes nécessite une puissance de calcul importante, ce qui doit souvent s'appuyer sur le calcul distribué pour répondre à ses besoins. D'un point de vue plus intuitif, le modèle GPT-4 d'OpenAI possède plus de 1,8 billion de paramètres et a été entraîné en 3 à 4 mois en utilisant environ 25 000 GPU Nvidia A100 dans 128 clusters.
Auparavant, Render et Akash ne proposaient que des GPU à usage unique, ce qui pouvait limiter leur demande sur le marché des GPU. Cependant, la plupart des projets phares ont maintenant intégré des clusters pour le calcul parallèle. io.net collabore avec d'autres projets tels que Render, Filecoin et Aethir pour intégrer davantage de GPU dans son réseau, et a réussi à déployer plus de 3 800 clusters au cours du premier trimestre de 2024. Bien que Render ne prenne pas en charge les clusters, son fonctionnement est similaire à celui des clusters, décomposant une seule trame en plusieurs nœuds différents pour traiter simultanément différentes plages de trames. Phala ne prend actuellement en charge que les CPU, mais permet la mise en cluster des travailleurs CPU.
Il est très important d'intégrer le cadre de cluster dans le réseau de flux de travail AI, mais le nombre et le type de GPU de cluster nécessaires pour satisfaire les besoins des développeurs AI est une question distincte que nous aborderons dans les sections suivantes.
Confidentialité des données
Le développement de modèles d'IA nécessite l'utilisation de grands ensembles de données, qui peuvent provenir de diverses sources et revêtir différentes formes. Les ensembles de données sensibles tels que les dossiers médicaux personnels et les données financières des utilisateurs peuvent être exposés au risque d'être divulgués aux fournisseurs de modèles. Samsung a interdit l'utilisation de ChatGPT en interne en raison de craintes que le téléchargement de codes sensibles sur la plateforme ne viole la vie privée, et l'incident de fuite de 38 To de données privées de Microsoft souligne davantage l'importance de prendre des mesures de sécurité adéquates lors de l'utilisation de l'IA. Par conséquent, disposer de diverses méthodes de protection de la vie privée des données est essentiel pour redonner le contrôle des données aux fournisseurs de données.
La plupart des projets couverts utilisent une forme de cryptage des données pour protéger la confidentialité des données. Le cryptage des données garantit que le transfert de données depuis les fournisseurs de données vers les fournisseurs de modèles ( et les destinataires de données ) dans le réseau est sécurisé. Render utilise le cryptage et le hachage lors de la publication des résultats de rendu sur le réseau, tandis qu'io.net et Gensyn adoptent une certaine forme de cryptage des données. Akash utilise l'authentification mTLS, permettant uniquement aux fournisseurs choisis par les locataires de recevoir des données.
Cependant, io.net a récemment collaboré avec Mind Network pour lancer le chiffrement homomorphe complet (FHE), permettant de traiter des données cryptées sans avoir besoin de les déchiffrer au préalable. En permettant aux données d'être transmises en toute sécurité à des fins de formation sans divulguer l'identité et le contenu des données, cette innovation peut mieux garantir la confidentialité des données que les technologies de chiffrement existantes.
Phala Network a introduit le TEE, c'est-à-dire une zone sécurisée dans le processeur principal de l'appareil connecté. Grâce à ce mécanisme d'isolation, il peut empêcher les processus externes d'accéder ou de modifier les données, quel que soit leur niveau de permission, même pour les personnes ayant un accès physique à la machine. En plus du TEE, il utilise également des zk-proofs dans son vérificateur zkDCAP et son interface de ligne de commande jtee, afin d'intégrer des programmes avec RiscZero zkVM.
Preuve de calcul terminée et vérification de la qualité
Ces projets offrent des GPU capables de fournir des capacités de calcul pour une gamme de services. Étant donné que ces services varient considérablement, allant du rendu graphique au calcul AI, la qualité finale de telles tâches peut ne pas toujours répondre aux normes des utilisateurs. Une preuve d'achèvement peut être utilisée pour indiquer que le GPU spécifique loué par l'utilisateur a bien été utilisé pour exécuter les services requis, et un contrôle de qualité est bénéfique pour les utilisateurs demandant l'achèvement de tels travaux.
Après le calcul, Gensyn et Aethir génèrent tous deux des preuves pour indiquer que le travail est terminé, tandis que la preuve d'io.net indique que la performance des GPU loués a été pleinement exploitée et qu'aucun problème n'est survenu. Gensyn et Aethir effectuent tous deux un contrôle de qualité sur les calculs terminés. Pour Gensyn, il utilise des validateurs pour réexécuter une partie des preuves générées afin de les vérifier, tandis que les dénonciateurs agissent comme une couche supplémentaire de vérification pour les validateurs. En même temps, Aethir utilise des nœuds de contrôle pour déterminer la qualité du service et pénaliser les services en dessous des normes. Render recommande d'utiliser un processus de résolution des litiges ; si le comité d'examen trouve des problèmes avec un nœud, celui-ci sera réduit. Phala génère une preuve TEE une fois terminé, garantissant que l'agent AI exécute les opérations nécessaires sur la chaîne.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
13 J'aime
Récompense
13
5
Partager
Commentaire
0/400
BottomMisser
· Il y a 46m
La GPU est actuellement un peu ennuyeuse.
Voir l'originalRépondre0
MetaverseLandlord
· 07-22 17:44
Qui a dit que gagner de l'argent ne pouvait pas se faire sérieusement ? On s'élance, cette vague est stable.
Voir l'originalRépondre0
FlashLoanLarry
· 07-22 17:38
smh ces jeux depin ne sont que du cloud computing fancy tbh... mais le ratio d'efficacité du capital a l'air plutôt juteux ngl
Voir l'originalRépondre0
LongTermDreamer
· 07-22 17:36
Haha, après trois ans, je récupérerai tout mon investissement avec une seule rig de minage.
AI et DePIN se croisent : l'essor des réseaux GPU décentralisés et comparaison avec des projets grand public.
Intersection de l'IA et du DePIN : l'essor des réseaux GPU décentralisés
Depuis 2023, l'IA et DePIN sont des sujets populaires dans le domaine du Web3, avec une capitalisation de marché atteignant respectivement 30 milliards de dollars et 23 milliards de dollars. Cet article explorera l'intersection des deux et étudiera le développement des protocoles dans ce domaine.
Dans la pile technologique de l'IA, le réseau DePIN offre de la praticité à l'IA grâce à des ressources de calcul. Le développement des grandes entreprises technologiques a entraîné une pénurie de GPU, ce qui a conduit d'autres développeurs à manquer de GPU suffisants pour le calcul. Cela conduit souvent les développeurs à choisir des fournisseurs de cloud centralisés, mais cela entraîne une inefficacité en raison de la nécessité de signer des contrats de matériel haute performance à long terme et peu flexibles.
DePIN offre essentiellement une alternative plus flexible et plus rentable, en utilisant des récompenses en tokens pour inciter à la contribution de ressources qui répondent aux objectifs du réseau. Le DePIN dans le domaine de l'IA externalise les ressources GPU des propriétaires individuels vers des centres de données, formant une offre unifiée pour les utilisateurs ayant besoin d'accéder au matériel. Ces réseaux DePIN offrent non seulement aux développeurs nécessitant de la puissance de calcul une personnalisation et un accès à la demande, mais fournissent également des revenus supplémentaires aux propriétaires de GPU.
Aperçu du réseau DePIN AI
Render est le pionnier d'un réseau P2P offrant des capacités de calcul GPU, initialement axé sur le rendu graphique pour la création de contenu, avant d'élargir son champ d'application pour inclure des tâches de calcul AI allant des champs de réflexion neuronaux (NeRF) à l'AI générative.
Points intéressants:
Fondée par la société de graphisme en nuage OTOY, qui possède des technologies primées aux Oscars.
Le réseau GPU a été utilisé par de grandes entreprises du secteur du divertissement telles que Paramount Pictures, PUBG et Star Trek.
Collaborer avec Stability AI et Endeavor pour intégrer leurs modèles d'IA avec le flux de travail de rendu de contenu 3D en utilisant le GPU de Render.
Approuver plusieurs clients de calcul, intégrer plus de GPU de réseaux DePIN.
Akash se positionne comme une alternative "super cloud" aux plateformes traditionnelles qui supportent le stockage, le calcul GPU et CPU. Grâce à des outils conviviaux pour les développeurs, tels que la plateforme de conteneurs Akash et les nœuds de calcul gérés par Kubernetes, il est capable de déployer des logiciels de manière transparente à travers les environnements, permettant ainsi d'exécuter n'importe quelle application native du cloud.
Intérêt :
Ciblant une large gamme de tâches de calcul allant du calcul général à l'hébergement réseau
AkashML permet à son réseau GPU de faire fonctionner plus de 15 000 modèles sur Hugging Face, tout en s'intégrant à Hugging Face.
Akash héberge certaines applications remarquables, telles que le chatbot du modèle LLM de Mistral AI, le modèle de génération d'images SDXL de Stability AI, ainsi que le nouveau modèle de base AT-1 de Thumper AI.
La construction de la plateforme pour le métavers, le déploiement de l'intelligence artificielle et l'apprentissage fédéré utilise Supercloud
io.net fournit un accès à des clusters GPU cloud décentralisés, spécialement conçus pour les cas d'utilisation d'IA et d'AP. Il agrège des GPU provenant de centres de données, de mineurs de cryptomonnaies et d'autres réseaux décentralisés. L'entreprise était auparavant une société de trading quantitatif, et après une forte augmentation des prix des GPU hautes performances, elle a changé d'activité.
Intéressant:
Son SDK IO est compatible avec des frameworks tels que PyTorch et Tensorflow, et sa structure à plusieurs niveaux peut s'étendre dynamiquement en fonction des besoins de calcul.
Prend en charge la création de 3 types différents de clusters, pouvant être démarrés en 2 minutes.
Efforts de coopération solides pour intégrer les GPU d'autres réseaux DePIN, y compris Render, Filecoin, Aethir et Exabits.
Gensyn offre des capacités de calcul GPU axées sur l'apprentissage automatique et l'apprentissage profond. Il prétend avoir mis en place un mécanisme de validation plus efficace par rapport aux méthodes existantes, en combinant des concepts tels que les preuves de travail pour la validation, un protocole de localisation basé sur des graphismes pour la relance des travaux de validation, ainsi que des jeux d'incitation de type Truebit impliquant des fournisseurs de calcul avec mise en jeu et réduction.
Point intéressant :
Le coût horaire estimé d'un GPU équivalent V100 est d'environ 0,40 $/heure, ce qui permet d'importantes économies.
Grâce à l'empilement de preuves, il est possible d'affiner un modèle de base pré-entraîné pour accomplir des tâches plus spécifiques.
Ces modèles de base seront décentralisés et détenus au niveau mondial, offrant des fonctionnalités supplémentaires en plus du réseau de calcul matériel.
Aethir est spécialement conçu pour embarquer des GPU d'entreprise, se concentrant sur les domaines à forte intensité de calcul, principalement l'intelligence artificielle, l'apprentissage automatique (ML ), les jeux en cloud, etc. Les conteneurs dans son réseau agissent comme des points d'exécution virtuels pour des applications basées sur le cloud, transférant la charge de travail des dispositifs locaux vers les conteneurs pour offrir une expérience à faible latence. Pour garantir un service de qualité aux utilisateurs, ils rapprochent les GPU des sources de données en fonction de la demande et de la localisation, ajustant ainsi les ressources.
Intéressant:
En plus de l'intelligence artificielle et des jeux en nuage, Aethir s'est également étendu aux services de cloud mobile et a collaboré avec APhone pour lancer un smartphone intelligent en nuage décentralisé.
A établi des partenariats étendus avec de grandes entreprises Web2 telles que NVIDIA, Super Micro, HPE, Foxconn et Well Link.
Plusieurs partenaires dans Web3, tels que CARV, Magic Eden, Sequence, Impossible Finance, etc.
Phala Network agit en tant que couche d'exécution pour les solutions IA Web3. Sa blockchain est une solution de cloud computing sans confiance, conçue pour traiter les problèmes de confidentialité grâce à son environnement d'exécution de confiance (TEE). Sa couche d'exécution n'est pas utilisée comme couche de calcul pour les modèles IA, mais permet aux agents IA d'être contrôlés par des contrats intelligents sur la chaîne.
Aspect intéressant :
Servir de protocole de coprocesseur pour le calcul vérifiable, tout en permettant aux agents AI d'accéder aux ressources sur la chaîne.
Ses contrats d'agent d'intelligence artificielle peuvent obtenir des modèles de langage de premier plan tels qu'OpenAI, Llama, Claude et Hugging Face via Redpill.
L'avenir comprendra des zk-proofs, des calculs multipartites (MPC), des cryptages entièrement homomorphes (FHE) et d'autres systèmes de preuves multiples.
À l'avenir, prise en charge des GPU TEE tels que H100, amélioration de la puissance de calcul
Comparaison de projet
| | Rendu | Akash | io.net | Gensyn | Aethir | Phala | |--------|-------------|------------------|---------------------|---------|---------------|----------| | Matériel | GPU & CPU | GPU & CPU | GPU & CPU | GPU | GPU | CPU | | Points d'affaires | Rendu graphique et IA | Cloud computing, rendu et IA | IA | IA | Intelligence artificielle, cloud gaming et télécommunications | Exécution d'IA sur la chaîne | | Type de tâche AI | Inférence | Les deux | Les deux | Entraînement | Entraînement | Exécution | | Tarification du travail | Tarification basée sur la performance | Enchères inversées | Tarification de marché | Tarification de marché | Système d'appel d'offres | Calcul des droits | | Blockchain | Solana | Cosmos | Solana | Gensyn | Arbitrum | Polkadot | | Confidentialité des données | Cryptage&Hachage | Authentification mTLS | Chiffrement des données | Cartographie sécurisée | Cryptage | TEE | | Frais de travail | 0,5-5% par travail | 20% USDC, 4% AKT | 2% USDC, 0,25% frais de réserve | Frais peu élevés | 20% par session | Proportionnel au montant misé | | Sécurité | Preuve de rendu | Preuve d'enjeu | Preuve de calcul | Preuve d'enjeu | Preuve de capacité de rendu | Hérité de la chaîne de relais | | Preuve de complétion | - | - | Preuve de verrouillage temporel | Preuve d'apprentissage | Preuve de travail de rendu | Preuve TEE | | Garantie de qualité | Controverse | - | - | Vérificateur et dénonciateur | Nœud vérificateur | Preuve à distance | | GPU Cluster | Non | Oui | Oui | Oui | Oui | Non |
Importance
Disponibilité du calcul en cluster et parallèle
Le cadre de calcul distribué a mis en œuvre un cluster GPU, offrant un entraînement plus efficace sans compromettre l'exactitude du modèle, tout en renforçant l'évolutivité. L'entraînement de modèles d'IA plus complexes nécessite une puissance de calcul importante, ce qui doit souvent s'appuyer sur le calcul distribué pour répondre à ses besoins. D'un point de vue plus intuitif, le modèle GPT-4 d'OpenAI possède plus de 1,8 billion de paramètres et a été entraîné en 3 à 4 mois en utilisant environ 25 000 GPU Nvidia A100 dans 128 clusters.
Auparavant, Render et Akash ne proposaient que des GPU à usage unique, ce qui pouvait limiter leur demande sur le marché des GPU. Cependant, la plupart des projets phares ont maintenant intégré des clusters pour le calcul parallèle. io.net collabore avec d'autres projets tels que Render, Filecoin et Aethir pour intégrer davantage de GPU dans son réseau, et a réussi à déployer plus de 3 800 clusters au cours du premier trimestre de 2024. Bien que Render ne prenne pas en charge les clusters, son fonctionnement est similaire à celui des clusters, décomposant une seule trame en plusieurs nœuds différents pour traiter simultanément différentes plages de trames. Phala ne prend actuellement en charge que les CPU, mais permet la mise en cluster des travailleurs CPU.
Il est très important d'intégrer le cadre de cluster dans le réseau de flux de travail AI, mais le nombre et le type de GPU de cluster nécessaires pour satisfaire les besoins des développeurs AI est une question distincte que nous aborderons dans les sections suivantes.
Confidentialité des données
Le développement de modèles d'IA nécessite l'utilisation de grands ensembles de données, qui peuvent provenir de diverses sources et revêtir différentes formes. Les ensembles de données sensibles tels que les dossiers médicaux personnels et les données financières des utilisateurs peuvent être exposés au risque d'être divulgués aux fournisseurs de modèles. Samsung a interdit l'utilisation de ChatGPT en interne en raison de craintes que le téléchargement de codes sensibles sur la plateforme ne viole la vie privée, et l'incident de fuite de 38 To de données privées de Microsoft souligne davantage l'importance de prendre des mesures de sécurité adéquates lors de l'utilisation de l'IA. Par conséquent, disposer de diverses méthodes de protection de la vie privée des données est essentiel pour redonner le contrôle des données aux fournisseurs de données.
La plupart des projets couverts utilisent une forme de cryptage des données pour protéger la confidentialité des données. Le cryptage des données garantit que le transfert de données depuis les fournisseurs de données vers les fournisseurs de modèles ( et les destinataires de données ) dans le réseau est sécurisé. Render utilise le cryptage et le hachage lors de la publication des résultats de rendu sur le réseau, tandis qu'io.net et Gensyn adoptent une certaine forme de cryptage des données. Akash utilise l'authentification mTLS, permettant uniquement aux fournisseurs choisis par les locataires de recevoir des données.
Cependant, io.net a récemment collaboré avec Mind Network pour lancer le chiffrement homomorphe complet (FHE), permettant de traiter des données cryptées sans avoir besoin de les déchiffrer au préalable. En permettant aux données d'être transmises en toute sécurité à des fins de formation sans divulguer l'identité et le contenu des données, cette innovation peut mieux garantir la confidentialité des données que les technologies de chiffrement existantes.
Phala Network a introduit le TEE, c'est-à-dire une zone sécurisée dans le processeur principal de l'appareil connecté. Grâce à ce mécanisme d'isolation, il peut empêcher les processus externes d'accéder ou de modifier les données, quel que soit leur niveau de permission, même pour les personnes ayant un accès physique à la machine. En plus du TEE, il utilise également des zk-proofs dans son vérificateur zkDCAP et son interface de ligne de commande jtee, afin d'intégrer des programmes avec RiscZero zkVM.
Preuve de calcul terminée et vérification de la qualité
Ces projets offrent des GPU capables de fournir des capacités de calcul pour une gamme de services. Étant donné que ces services varient considérablement, allant du rendu graphique au calcul AI, la qualité finale de telles tâches peut ne pas toujours répondre aux normes des utilisateurs. Une preuve d'achèvement peut être utilisée pour indiquer que le GPU spécifique loué par l'utilisateur a bien été utilisé pour exécuter les services requis, et un contrôle de qualité est bénéfique pour les utilisateurs demandant l'achèvement de tels travaux.
Après le calcul, Gensyn et Aethir génèrent tous deux des preuves pour indiquer que le travail est terminé, tandis que la preuve d'io.net indique que la performance des GPU loués a été pleinement exploitée et qu'aucun problème n'est survenu. Gensyn et Aethir effectuent tous deux un contrôle de qualité sur les calculs terminés. Pour Gensyn, il utilise des validateurs pour réexécuter une partie des preuves générées afin de les vérifier, tandis que les dénonciateurs agissent comme une couche supplémentaire de vérification pour les validateurs. En même temps, Aethir utilise des nœuds de contrôle pour déterminer la qualité du service et pénaliser les services en dessous des normes. Render recommande d'utiliser un processus de résolution des litiges ; si le comité d'examen trouve des problèmes avec un nœud, celui-ci sera réduit. Phala génère une preuve TEE une fois terminé, garantissant que l'agent AI exécute les opérations nécessaires sur la chaîne.
Statistiques matérielles
| | Rendu | Akash | io.net | Gensyn | Aethir | Phala | |-------------|--------|-------|--------|------------|