Sự hồi sinh của sức mạnh điện toán đám mây—nhân danh AI

Thời trang là một chu kỳ, và thời trang cũng vậy Web 3.

Gần "re" đã trở thành một chuỗi công khai AI và tư cách là một trong những tác giả của người sáng lập Transformer đã cho phép anh ấy tham dự hội nghị NVIDIA GTC và nói về AI sáng tạo với Lao Huang mặc da. Trong tương lai, Solana sẽ chuyển đổi thành công thành chuỗi ý tưởng AI làm nơi quy tụ của io.net, Bittensor và Render Network. Ngoài ra, sẽ có những người chơi mới nổi tham gia vào lĩnh vực điện toán GPU như Akash, GAIMIN và Gensyn.

Nếu chúng ta nâng cao tầm nhìn của mình trong khi giá tiền tệ đang tăng, chúng ta có thể tìm thấy một số sự thật thú vị:

1. Cuộc chiến giành sức mạnh tính toán GPU đến với nền tảng phi tập trung. Sức mạnh tính toán càng lớn thì hiệu quả tính toán càng mạnh. CPU, Bộ lưu trữ và GPU được ghép nối với nhau;

2. Trong quá trình chuyển đổi mô hình điện toán từ đám mây sang phân cấp, Đằng sau bối cảnh là sự chuyển đổi nhu cầu từ đào tạo AI sang lý luận và các mô hình trên chuỗi không còn là những lời nói suông nữa;

3. < strong>Thành phần phần mềm và phần cứng cơ bản cũng như logic vận hành của kiến ​​trúc Internet về cơ bản không thay đổi và lớp sức mạnh tính toán phi tập trung đóng vai trò nhiều hơn trong việc kích thích kết nối mạng.

Trước tiên chúng ta hãy phân biệt về mặt khái niệm. Sức mạnh điện toán đám mây trong thế giới Web3 ra đời trong kỷ nguyên của khai thác trên nền tảng đám mây, dùng để chỉ ngành khai thác mỏ. Sức mạnh tính toán của máy được bán theo gói, giúp người dùng loại bỏ khoản chi phí khổng lồ để mua máy khai thác. Tuy nhiên, các nhà sản xuất sức mạnh tính toán thường "bán quá mức", chẳng hạn như trộn lẫn sức mạnh tính toán của 100 máy khai thác và bán chúng cho 105 người để thu được lợi nhuận vượt mức, điều này cuối cùng khiến công ty trở thành một kẻ lừa dối.

Sức mạnh điện toán đám mây trong bài viết này đề cập cụ thể đến tài nguyên sức mạnh tính toán của các nhà cung cấp đám mây dựa trên GPU. Câu hỏi ở đây là liệu nền tảng sức mạnh tính toán phi tập trung có thuộc về các nhà cung cấp đám mây. Con rối mặt trước vẫn là bản cập nhật phiên bản tiếp theo.

Sự tích hợp giữa các nhà cung cấp đám mây truyền thống và blockchain sâu hơn chúng tôi tưởng tượng. Ví dụ: các nút chuỗi công khai, quá trình phát triển và lưu trữ hàng ngày về cơ bản xoay quanh AWS, Alibaba Cloud và Huawei Cloud được triển khai nhằm loại bỏ khoản đầu tư tốn kém vào việc mua phần cứng vật lý, tuy nhiên không thể bỏ qua những vấn đề gây ra, trong trường hợp cực đoan, việc rút cáp mạng sẽ khiến chuỗi công cộng ngừng hoạt động, vi phạm nghiêm trọng tinh thần phân cấp.

Mặt khác, các nền tảng sức mạnh tính toán phi tập trung hoặc trực tiếp xây dựng một "phòng máy tính" để duy trì sự ổn định của mạng hoặc trực tiếp xây dựng một mạng khuyến khích, chẳng hạn như IO. NET Chiến lược airdrop nhằm thúc đẩy số lượng GPU cũng giống như việc lưu trữ mã thông báo FIL của Filecoin. Điểm khởi đầu không phải để đáp ứng nhu cầu sử dụng mà là để trao quyền cho mã thông báo. Một bằng chứng là rất ít nhà sản xuất, cá nhân hoặc tổ chức học thuật lớn sẽ thực sự sử dụng chúng dành cho ML. Các công việc như đào tạo, suy luận hoặc kết xuất đồ họa gây lãng phí tài nguyên nghiêm trọng.

Nhưng trước tình hình giá tiền tệ tăng cao và tâm lý FOMO, mọi cáo buộc cho rằng sức mạnh tính toán phi tập trung là một trò lừa đảo sức mạnh điện toán đám mây đã biến mất.

Suy luận và FLOPS, định lượng sức mạnh tính toán của GPU

AI Các yêu cầu về sức mạnh tính toán của mô hình đang phát triển từ đào tạo đến suy luận.

Hãy lấy Sora của OpenAI làm ví dụ. Mặc dù cũng được sản xuất dựa trên công nghệ Transformer nhưng số lượng thông số của nó được so sánh với hàng chục thông số của GPT-4 Ở cấp độ tỷ, giới học thuật suy đoán rằng nó ở dưới mức hàng trăm tỷ, Yang Likun thậm chí còn nói rằng nó chỉ có 3 tỷ, có nghĩa là chi phí đào tạo thấp, điều này cũng rất dễ hiểu. yêu cầu đối với các tham số nhỏ cũng bị suy giảm theo tỷ lệ.

Nhưng đổi lại, Sora có thể cần khả năng "lý luận" mạnh mẽ hơn. Lý luận có thể được hiểu là khả năng tạo ra các video cụ thể dựa trên hướng dẫn. Video từ lâu đã được coi là Là Nội dung sáng tạo, do đó đòi hỏi AI phải có khả năng hiểu biết mạnh mẽ hơn và việc đào tạo tương đối đơn giản, có thể hiểu là tổng hợp các quy tắc dựa trên nội dung hiện có, xếp chồng sức mạnh tính toán không cần não và chăm chỉ làm việc để tạo nên những điều kỳ diệu.

Trước đây, sức mạnh tính toán của AI chủ yếu được sử dụng cho việc đào tạo, một phần nhỏ được sử dụng cho khả năng suy luận và về cơ bản được bao phủ bởi các sản phẩm khác nhau của NVIDIA. Tuy nhiên , trong Groq Sau sự ra đời của LPU (Bộ xử lý ngôn ngữ), mọi thứ bắt đầu thay đổi: Khả năng suy luận tốt hơn, thu gọn và cải thiện độ chính xác của các mô hình lớn xếp chồng và việc có bộ não để nói chuyện logic đang dần trở thành xu hướng chủ đạo.

Ngoài ra, tôi xin bổ sung thêm cách phân loại GPU. Người ta thường thấy rằng chính những người chơi game dở mới cứu được AI. Lý do cho việc này là rằng thị trường game có nhu cầu mạnh mẽ về hiệu năng cao. Nhu cầu GPU mạnh mẽ bao gồm chi phí nghiên cứu và phát triển. Ví dụ, card đồ họa 4090 có thể được sử dụng bởi những người chơi game và thuật giả kim AI. Tuy nhiên, cần lưu ý rằng thẻ game và các thẻ sức mạnh tính toán sẽ dần được tách rời. Quá trình này tương tự như Bitcoin. Các máy khai thác đã phát triển từ máy tính cá nhân thành máy khai thác chuyên dụng và các chip được sử dụng trong chúng cũng tuân theo thứ tự từ CPU, GPU, FPGA và ASIC.

Với sự trưởng thành và tiến bộ của công nghệ AI, đặc biệt là lộ trình LLM, hơn Sẽ ngày càng có nhiều nỗ lực tương tự về đa TPU, DPU và LPU. Tất nhiên, sản phẩm chính hiện tại vẫn là GPU của NVIDIA. Tất cả các cuộc thảo luận dưới đây cũng dựa trên GPU. LPU, v.v. GPU, và nó vẫn cần phải được thay thế hoàn toàn.

Cuộc cạnh tranh sức mạnh tính toán phi tập trung không cạnh tranh giành các kênh mua lại GPU mà cố gắng thiết lập các mô hình lợi nhuận mới.

Tại thời điểm này, NVIDIA gần như đã trở thành nhân vật chính. Về cơ bản, NVIDIA chiếm 80% thị trường card đồ họa. Cuộc chiến giữa card N và Một lá bài Nó chỉ tồn tại trên lý thuyết, trên thực tế, mọi người đều không hài lòng với sự chính trực của mình.

Vị trí độc quyền tuyệt đối đã tạo ra sự cạnh tranh khốc liệt đối với GPU, từ RTX 4090 cấp độ người tiêu dùng đến A100/H100 cấp doanh nghiệp. Các nhà sản xuất đám mây gia đình là những nhà sản xuất lực lượng chính trong việc dự trữ. Tuy nhiên, các công ty liên quan đến AI như Google, Meta, Tesla và OpenAI đều có hành động hoặc kế hoạch sản xuất chip tự sản xuất, còn các công ty trong nước đã chuyển hướng sang các nhà sản xuất trong nước như Huawei, và đường đua GPU vẫn vô cùng đông đúc.

Đối với các nhà cung cấp đám mây truyền thống, thứ họ bán thực chất là sức mạnh tính toán và dung lượng lưu trữ, vì vậy việc có sử dụng chip của riêng họ hay không không phải là vấn đề cấp bách như các công ty AI mà là đối với Về các dự án điện toán tập trung, hiện đang ở giai đoạn đầu, cạnh tranh với các nhà cung cấp điện toán đám mây truyền thống trong lĩnh vực kinh doanh điện toán, tập trung vào sức mạnh điện toán rẻ và dễ kiếm.Nhưng trong tương lai, như khai thác Bitcoin, có rất ít cơ hội xuất hiện chip Web3 AI.

Một nhận xét bổ sung, kể từ khi Ethereum chuyển sang PoS, ngày càng có ít phần cứng chuyên dụng hơn trong vòng tròn tiền tệ. Quy mô thị trường của điện thoại di động Saga, phần cứng ZK tăng tốc và DePIN, v.v. Quá nhỏ. Chúng tôi hy vọng rằng sức mạnh tính toán phi tập trung có thể khám phá một con đường duy nhất cho Web3 dành cho thẻ sức mạnh tính toán AI chuyên dụng.

Sức mạnh tính toán phi tập trung là bước tiếp theo hoặc phần bổ sung của đám mây.

Sức mạnh tính toán của GPU thường được so sánh trong ngành với FLOPS (Hoạt động dấu phẩy động mỗi giây), đây là phép tính được sử dụng phổ biến nhất chỉ số tốc độ, bất kể thông số kỹ thuật GPU hay các biện pháp tối ưu hóa như tính song song của ứng dụng, cuối cùng đều được đánh giá bởi FLOPS.

Đã mất khoảng nửa thế kỷ từ điện toán cục bộ đến chuyển sang đám mây và khái niệm phân phối đã tồn tại kể từ khi máy tính ra đời. Được thúc đẩy bởi LLM, nó có Sự kết hợp giữa tập trung hóa và sức mạnh tính toán không còn mơ hồ như trước nữa. Tôi sẽ tóm tắt càng nhiều dự án sức mạnh tính toán phi tập trung hiện có càng tốt và chỉ có hai khía cạnh điều tra:

1. Số lượng phần cứng như GPU, tức là kiểm tra tốc độ tính toán của chúng. Theo Moore's Luật, GPU càng mới thì sức mạnh tính toán càng mạnh, số lượng trong cùng thông số kỹ thuật càng lớn thì sức mạnh tính toán càng mạnh;

2. Phương pháp tổ chức lớp khuyến khích, thuộc về Các tính năng ngành của Web3, chẳng hạn như mã thông báo kép, chức năng quản trị bổ sung, khuyến khích airdrop, v.v., giúp dễ hiểu hơn về giá trị lâu dài của từng loại dự án, thay vì tập trung quá nhiều vào giá tiền tệ ngắn hạn và chỉ xem xét số lượng GPU bạn có thể sở hữu hoặc lên lịch trong dài hạn.

Từ quan điểm này, sức mạnh tính toán phi tập trung vẫn dựa trên lộ trình DePIN của "phần cứng + mạng khuyến khích hiện có" hoặc trong nói cách khác, kiến ​​trúc Internet vẫn là lớp dưới cùng, và lớp sức mạnh tính toán phi tập trung là khả năng kiếm tiền sau khi "ảo hóa phần cứng", trọng tâm là truy cập mà không được phép. Mạng thực vẫn cần sự hợp tác của phần cứng.

Sức mạnh tính toán nên được phân cấp và GPU nên được tập trung

Với sự trợ giúp của blockchain ba Trong khuôn khổ tình thế tiến thoái lưỡng nan, tính bảo mật của sức mạnh tính toán phi tập trung không cần phải được xem xét đặc biệt. Vấn đề chính là sự phân cấp và khả năng mở rộng, sau này là mục đích của mạng GPU và nó hiện đang ở trạng thái thành công chưa từng có trong AI.

Bắt đầu từ một nghịch lý, nếu muốn hoàn thành dự án sức mạnh tính toán phi tập trung thì số lượng GPU trên mạng phải càng lớn càng tốt. Lý do Không có Đối với anh ta, khối lượng tham số của các mô hình lớn như GPT bùng nổ và GPU ở quy mô nhất định không thể đạt được hiệu ứng đào tạo hoặc suy luận.

Tất nhiên, so với sự kiểm soát tuyệt đối của các nhà cung cấp đám mây, ở giai đoạn hiện tại, các dự án sức mạnh điện toán phi tập trung ít nhất có thể thiết lập các cơ chế như không có quyền truy cập và miễn phí Tuy nhiên, do hiệu quả sử dụng vốn được cải thiện nên có thể các sản phẩm tương tự như mining pool sẽ được hình thành trong tương lai.

Về khả năng mở rộng, GPU không chỉ có thể được sử dụng cho AI mà điện toán đám mây và kết xuất cũng là những hướng đi khả thi. Ví dụ: Render Network tập trung vào công việc kết xuất , trong khi Bittensor, v.v. Tập trung vào việc cung cấp đào tạo mô hình, từ góc độ đơn giản hơn, khả năng mở rộng tương đương với các tình huống và mục đích sử dụng.

Vì vậy, hai tham số bổ sung có thể được thêm vào GPU và mạng khuyến khích, đó là tính phân cấp và khả năng mở rộng, để tạo thành chỉ số so sánh từ bốn góc độ. Xin lưu ý rằng điều này Phương pháp này khác với so sánh kỹ thuật, nó hoàn toàn chỉ mang tính chất giải trí.

< /p>

Trong các dự án trên, Render Network thực sự rất đặc biệt. Về cơ bản, nó là một mạng kết xuất phân tán và mối quan hệ của nó với AI không trực tiếp. Trong đào tạo và suy luận AI , tất cả các liên kết đều đan xen với nhau. Cho dù đó là SGD (Stochastic gradient Descent) hay lan truyền ngược và các thuật toán khác, chúng đều bắt buộc phải nhất quán, nhưng kết xuất và các công việc khác không nhất thiết phải như vậy. Video và hình ảnh thường bị cắt. phân bổ.

Khả năng đào tạo AI của nó chủ yếu được tích hợp với io.net và tồn tại dưới dạng plug-in của io.net. GPU vẫn hoạt động, vậy tại sao? Thay vào đó Khi làm điều đó, điều đáng hướng tới hơn là việc nó chuyển sang Solana khi Solana bị đánh giá thấp. Sau đó, người ta đã chứng minh rằng Solana phù hợp hơn với các yêu cầu hiệu suất cao của kết xuất và các mạng khác.

Thứ hai là lộ trình phát triển quy mô thay thế GPU bạo lực của io.net. Hiện tại, trang web chính thức liệt kê đầy đủ 180.000 GPU trong dự án sức mạnh tính toán phi tập trung. Thiết bị đầu tiên, có sự khác biệt lớn so với các đối thủ khác và về khả năng mở rộng, io.net tập trung vào lý luận AI và đào tạo AI là một cách làm việc thực hành.

Nói đúng ra, đào tạo AI không phù hợp cho việc triển khai phân tán. Ngay cả đối với các LLM nhẹ, số lượng tham số tuyệt đối sẽ không ít hơn nhiều. , phương pháp tính toán tập trung tiết kiệm chi phí hơn về mặt chi phí kinh tế. Sự kết hợp giữa Web 3 và AI trong đào tạo thiên về các hoạt động mã hóa và bảo mật dữ liệu, chẳng hạn như các công nghệ như ZK và FHE, và AI suy luận Web 3 có tiềm năng rất lớn. hand , có yêu cầu tương đối thấp về hiệu suất tính toán GPU và có thể chịu được một mức độ tổn thất nhất định. Mặt khác, lý luận AI gần với khía cạnh ứng dụng hơn và các ưu đãi từ góc độ người dùng là đáng kể hơn.

Filecoin, một công ty khác khai thác token, cũng đã đạt được thỏa thuận sử dụng GPU với io.net. Filecoin sẽ sử dụng 1.000 GPU của mình cùng với io.net Có thể coi đây là sự hợp tác giữa tiền bối và hậu bối, chúc hai bạn may mắn.

Một lần nữa, Gensyn vẫn chưa trực tuyến. Chúng tôi cũng đến đám mây để đánh giá nó. Bởi vì nó vẫn đang trong giai đoạn đầu xây dựng mạng nên số lượng Số lượng GPU chưa được công bố nhưng mục đích sử dụng chính của nó Kịch bản là đào tạo AI. Cá nhân tôi cảm thấy số lượng GPU hiệu suất cao không hề nhỏ, ít nhất nó phải vượt qua cấp độ của Render Network. So với AI suy luận, AI các nhà cung cấp dịch vụ đào tạo và đám mây đang có mối quan hệ cạnh tranh trực tiếp và việc thiết kế cơ chế cụ thể cũng sẽ phức tạp hơn.

Đặc biệt, Gensyn cần đảm bảo tính hiệu quả của việc đào tạo mô hình. Đồng thời, để nâng cao hiệu quả đào tạo, Gensyn sử dụng các mô hình điện toán off-chain trên một nền tảng quy mô lớn nên xác minh mô hình Hệ thống chống gian lận yêu cầu sự đóng vai của nhiều bên:

• Người gửi: người khởi tạo nhiệm vụ và cuối cùng là đào tạo Chi phí phải trả.

• Người giải quyết: đào tạo mô hình và cung cấp bằng chứng về tính hiệu quả.

• Người xác minh: Xác minh tính hợp lệ của mô hình.

• Người tố cáo: Kiểm tra công việc của người xác nhận.

Nhìn chung, phương thức hoạt động tương tự như khai thác PoW + cơ chế chứng minh lạc quan. Kiến trúc rất phức tạp và việc tính toán có thể được chuyển vào chuỗi. Nó có thể tiết kiệm chi phí, nhưng sự phức tạp của kiến ​​trúc sẽ mang lại thêm chi phí vận hành. Ở thời điểm hiện tại, nơi sức mạnh tính toán phi tập trung chủ yếu tập trung vào lý luận AI, tôi chúc Gensyn may mắn ở đây.

Người cuối cùng là Akash, người về cơ bản đã bắt đầu cùng với Render Network. Akash tập trung vào việc phân cấp CPU và Render Network trước tiên tập trung vào việc phân cấp GPU. Không ngờ sau khi AI bùng nổ, cả hai bên đều chuyển sang lĩnh vực điện toán GPU + AI, điểm khác biệt là Akash chú trọng đến khả năng suy luận hơn.

Chìa khóa cho sự trẻ hóa của Akash là quan tâm đến các vấn đề khai thác sau khi nâng cấp Ethereum. GPU nhàn rỗi không chỉ có thể được sử dụng như đồ cũ bởi nữ sinh viên đại học, nhưng bây giờ chúng ta có thể cùng nhau nghiên cứu về AI. Dù sao đi nữa, tất cả chúng ta đều đang đóng góp cho nền văn minh nhân loại.

Tuy nhiên, một ưu điểm của Akash là về cơ bản các token đã được lưu hành đầy đủ. Xét cho cùng, đây là một dự án rất cũ và nó cũng tích cực áp dụng hệ thống cam kết thường được sử dụng trong PoS, nhưng bằng cách nào?

Ngoài ra, còn có THETA dành cho điện toán đám mây biên, Phoenix cung cấp các giải pháp thích hợp cho sức mạnh điện toán AI và các công ty điện toán truyền thống như Bittensor và Ritual. Do giới hạn về không gian, tôi không thể liệt kê hết, chủ yếu là do không tìm thấy một số thông số như số lượng GPU.

Kết luận

Trong suốt lịch sử phát triển của máy tính, nhiều mô hình điện toán khác nhau có thể được xây dựng. Điều đáng tiếc duy nhất về phiên bản tập trung là chúng không có tác động đến các ứng dụng phổ thông. Dự án điện toán Web3 hiện tại chủ yếu mang tính chất tự quảng bá trong ngành. Người sáng lập Near đến hội nghị GTC vì quyền tác giả của Transformer chứ không phải quyền sáng lập của Gần.

Điều bi quan hơn nữa là quy mô hiện tại và những người tham gia thị trường điện toán đám mây quá mạnh. Liệu io.net có thể thay thế AWS? Nếu số lượng GPU đủ lớn, đó là sự thật. Rốt cuộc, có thể AWS từ lâu đã sử dụng Redis nguồn mở làm thành phần cơ bản.

Ở một khía cạnh nào đó, sức mạnh của nguồn mở và sự phân quyền là không ngang nhau. Các dự án phi tập trung tập trung quá mức vào các lĩnh vực tài chính như DeFi, trong khi AI có thể là chìa khóa con đường thâm nhập thị trường phổ thông.