تقاطع الذكاء الاصطناعي و DePIN: صعود الشبكات اللامركزية لـ GPU

منذ بداية عام 2023، أصبحت الذكاء الاصطناعي وDePIN من الاتجاهات الساخنة في Web3، حيث بلغت قيمتهما السوقية 30 مليار دولار و23 مليار دولار على التوالي. يركز هذا المقال على تقاطع كلاهما، ويستكشف تطور البروتوكولات ذات الصلة.

! تقاطع الذكاء الاصطناعي و DePIN

في تقنية الذكاء الاصطناعي، توفر شبكة DePIN إمكانية الاستخدام للذكاء الاصطناعي من خلال الموارد الحسابية. أدت هيمنة الشركات الكبرى على وحدات معالجة الرسوميات (GPU) إلى نقص كافٍ في القدرة الحاسوبية للمطورين، مما اضطرهم لاختيار مقدمي خدمات سحابية مركزية. تقدم DePIN بديلاً أكثر مرونة وفعالية من حيث التكلفة، من خلال تحفيز الموارد المساهمة عبر الرموز. تقوم DePIN في مجال الذكاء الاصطناعي بجمع موارد GPU من مالكيها الأفراد إلى مراكز البيانات، مما يشكل عرضًا موحدًا للمستخدمين. وهذا لا يوفر فقط وصولًا عند الطلب للمطورين، بل يخلق أيضًا دخلًا إضافيًا لمالكي وحدات معالجة الرسوميات.

! تقاطع الذكاء الاصطناعي و DePIN

توجد عدة شبكات AI DePIN في السوق، وسنستعرض أدناه أدوار البروتوكولات، والأهداف، والنقاط البارزة الرئيسية.

نظرة عامة على شبكة DePIN الذكاء الاصطناعي

Render هو رائد شبكة P2P التي توفر قوة حسابية GPU، وتركز في البداية على تقديم خدمات الرندر لإنشاء المحتوى، ثم توسعت لتشمل مهام حسابية تعتمد على الذكاء الاصطناعي.

آكاش يُعتبر بديلاً "للسحاب الفائق" يدعم التخزين والحوسبة باستخدام وحدات معالجة الرسومات ووحدات المعالجة المركزية، ويمكنه تشغيل أي تطبيق سحابي أصلي.

يوفر io.net وصولاً إلى تجمعات سحابية موزعة من وحدات معالجة الرسومات (GPU) مصممة خصيصًا لحالات استخدام الذكاء الاصطناعي وتعلم الآلة، حيث تجمع موارد وحدات معالجة الرسومات من مراكز البيانات وعمال تعدين العملات المشفرة وغيرها.

تقدم Gensyn قوة حساب GPU تركز على تعلم الآلة والتعلم العميق، وتزيد من الكفاءة من خلال آلية تحقق مبتكرة.

تقدم Aethir وحدات معالجة الرسومات على مستوى المؤسسات، مع التركيز على الذكاء الاصطناعي، والتعلم الآلي، والألعاب السحابية وغيرها من المجالات التي تتطلب معالجة كثيفة.

تعمل شبكة فالا كطبقة تنفيذ لحلول الذكاء الاصطناعي Web3, من خلال بيئات التنفيذ الموثوقة (TEE) لمعالجة قضايا الخصوصية.

! تقاطع الذكاء الاصطناعي و DePIN

مقارنة المشاريع

تختلف المشاريع في الجوانب المتعلقة بالأجهزة، وتركيز الأعمال، وأنواع مهام الذكاء الاصطناعي، وتسعير العمل، واللامركزية، وخصوصية البيانات، والتكاليف، وآليات الأمان. تشمل الاختلافات الرئيسية:

• قدرات الحوسبة المجمعة والمتوازية: دمجت معظم المشاريع الحوسبة المجمعة لتحقيق الحوسبة المتوازية، مما يعزز كفاءة تدريب نماذج الذكاء الاصطناعي.

• حماية خصوصية البيانات: تستخدم المشاريع طرقًا مختلفة لحماية خصوصية البيانات، مثل التشفير، TEE، إلخ.

• إثبات الانتهاء من الحساب والفحص الجيد: تقدم بعض المشاريع آلية لإثبات الانتهاء من الحساب والفحص الجيد لضمان جودة الحساب.

! تقاطع الذكاء الاصطناعي و DePIN

! تقاطع الذكاء الاصطناعي و DePIN

بيانات إحصائيات الأجهزة

توجد اختلافات بين المشاريع من حيث عدد وحدات معالجة الرسوميات، وعدد وحدات معالجة الرسوميات عالية الأداء، والأسعار. تمتلك io.net و Aethir عددًا أكبر من وحدات معالجة الرسوميات عالية الأداء، مما يجعلها أكثر ملاءمة لحسابات النماذج الكبيرة. يمكن للشبكات اللامركزية لوحدات معالجة الرسوميات عمومًا تقديم الخدمات بتكلفة منخفضة.

استنتاج

مجال DePIN في الذكاء الاصطناعي لا يزال جديدًا، ويواجه تحديات، لكنه يظهر أيضًا زخم نمو قوي. تعمل هذه الشبكات على حل التناقض بين الطلب والعرض في حسابات الذكاء الاصطناعي، وتوفر بدائل اقتصادية فعالة للمطورين. مع الازدهار المتزايد لسوق الذكاء الاصطناعي، من المتوقع أن تلعب الشبكات اللامركزية للـ GPU دورًا مهمًا في تشكيل بنية الحسابات المستقبلية.

! تقاطع الذكاء الاصطناعي و DePIN