Оскільки OpenAI послідовно запускає моделі AIGC, такі як ChatGPT і Sora, він веде новий виток революції в галузі ШІ. У традиційній системі обчислювальної потужності звичайні провайдери послуг хмарних обчислень зазвичай концентрують свою обчислювальну потужність у кількох центрах обробки даних, що складаються із сотень тисяч серверів у відносно закритому порядку, щоб безперервно надавати обчислювальні послуги глобальній мережі. Alphago, який колись переміг майстра Go Лі Седола, витратив сотні тисяч доларів на одну навчальну модель. Для таких компаній, як OpenAI, які потребують постійного навчання моделі AIGC, витрати на обчислення є астрономічними цифрами, які ми, звичайні люди, не можемо собі уявити.


У сфері обчислювальної потужності GPU Aethir @AethirCloud є одним із найбільш репрезентативних проектів DePIN у сфері обчислювальної потужності GPU. Він спрямований на вирішення традиційних проблем централізованих хмарних обчислень шляхом створення системи DePIN з обчислювальною потужністю GPU. Включаючи такі проблеми, як високі витрати, обмеження поставок GPU та затримки, а також забезпечує децентралізовану платформу хмарних послуг GPU для надання довгострокових масштабованих рішень для швидко зростаючих ринків, таких як штучний інтелект та ігри, наприклад рендеринг.


Мережа @AethirCloud наразі є однією з найбільших розподілених екосистем обчислювальної потужності. Корпоративні користувачі, партнери Aethir та окремі користувачі отримають розподілений доступ, що може ефективно задовольнити потреби найскладніших клієнтів підприємства з найякіснішими ресурсами GPU в усьому світі.


Сама @AethirCloud — це мережа DePIN, яка об’єднує розподілені обчислювальні ресурси GPU та працює на Arbitrum. У мережі Aethir це дозволяє користувачам з обчислювальними ресурсами підключати обчислювальну потужність GPU до мережі, і ці обчислювальні потужності також будуть перерозподілені розподіленим способом. Користувачі, яким потрібна обчислювальна потужність, можуть платити за вимогою через оптові, роздрібні продажі тощо, тоді як користувачі, які вносять ресурси GPU, можуть отримувати дохід від мережі Aethir.


Що стосується постачальників, сфера діяльності Aethir є відносно широкою, незалежно від того, чи є вони телекомунікаційними компаніями, користувачами цифрових підприємств, які потребують інтенсивного використання апаратного забезпечення, інвесторами в інфраструктуру чи окремими користувачами з неактивними обчислювальними ресурсами графічного процесора, усі вони можуть отримати доступ до мережі за допомогою мережі.

Насправді, незалежно від того, чи є це підприємством чи окремим користувачем, використання графічного процесора є більш-менш низьким. У той же час оновлення ETH дуже шкодить розвитку PoW-майнерів Апаратне обладнання PoW знаходиться в стані бездіяльності (на даний момент, за масштабними підрахунками, вартість незадіяних обчислювальних ресурсів PoW становить приблизно 19 мільярдів доларів США). З боку пропозиції та попиту, з одного боку, існує глобальний дефіцит обчислювальної потужності, і тим, хто потребує обчислювальних ресурсів, важко дозволити собі дорогі обчислювальні витрати витрачені обчислювальні ресурси. Таким чином, інтеграція незадіяних ресурсів GPU створить величезний пул обчислювальних ресурсів, який, як очікується, зменшить проблему нестачі, з якою стикається обчислювальна сфера.


Насправді, з точки зору обчислень штучного інтелекту, існують також різні сценарії поділу. Ці різні сценарії самі по собі мають різні вимоги до обчислювальної потужності та можуть включати три категорії:


Однією з них є велика модель навчання ШІ, яка є однією з найважливіших форм машинного навчання, яку ми часто називаємо. Навчання великої моделі зазвичай вимагає надзвичайно високої обчислювальної потужності, і лише NVIDIA є унікальною в цій галузі.


Одним з них є висновок штучного інтелекту, який є процесом використання навченої моделі штучного інтелекту для прогнозування або прийняття рішень. Цей процес має відносно низькі вимоги до обчислювальних ресурсів.


Існують також невеликі граничні моделі. Цей тип обчислень штучного інтелекту зазвичай не вимагає високої обчислювальної потужності.


Судячи з поточного шаблону відстеження GPU DePIN, обмеженого ресурсами та масштабом GPU, більшість проектів відстеження можуть задовольнити лише другу та третю обчислювальну потребу, згадану вище.


Aethir має чітку мету, яка полягає в тому, щоб стати першим проектом DePIN, який запускає модель як послугу, розгортаючи моделі машинного навчання на підприємствах для використання користувачами. Дозволяє користувачам AI вибирати та швидко розгортати моделі з відкритим кодом за одну зупинку. Aethir MaaS допоможе клієнтам досягти ефективного та інтелектуального аналізу даних і прийняття рішень, а також знизить поріг для розгортання моделі.


Щоб сприяти розвитку екосистеми в цьому напрямку, будується розподілений обчислювальний кластер з графічним процесором NVIDIA H100 як ядром.


Відносно кажучи, сам @ionet також може забезпечити обчислювальну потужність графічного процесора, але його якість і масштаб набагато нижчі, ніж у Aethir. Його цільовими користувачами є стартапи та розробники штучного інтелекту, більшості з яких потрібно лише робити висновок або створювати вертикальні моделі. .Обчислення, а не навчання моделі ШІ.


@akashnet_ також є потенційним конкурентом у цьому напрямку, але Akash добре справляється з мережевими кластерами ЦП. Мережі кластерів ЦП більше підходять для складних логічних обчислень, а графічні процесори мають більше переваг у таких сферах, як навчання ШІ та міркування. Хоча Akash зараз також розгортає обчислювальні кластери GPU і також представив H100 (лише близько 140 фотографій), між ним і Aethir все ще є розрив у цьому напрямку.


На додаток до вищезазначених проектів на тому ж шляху, RNDR @rendernetwork, Gensyn @gensynai тощо також значно відстають від Aethir з точки зору обчислювальної потужності GPU, що ускладнює пряму конкуренцію з Aethir у навчанні моделі AI. трек. Таким чином, масштаб є перевагою системи Aethir MaaS, і завдяки власній структурній мережі її можна глибоко інтегрувати з більшою кількістю сценаріїв.


Окрім підтримки рендерингу та затримки в іграх, чудові обчислювальні можливості мережі Aethir GPU DePIN також допоможуть онлайн-іграм створити кращу безпеку. Зосереджуючись на сфері онлайн-ігор, DDoS є найпоширенішим і частим методом атаки, щоб запобігти DDoS-атаці. Мережа Aethir GPU DePIN допомагає онлайн-іграм протистояти атакам доступу в реальному часі, таким як DDoS, і забезпечує постійну доступність ігрових сервісів.

Завдяки своїй мережевій архітектурі Aethir має певні переваги перед більшістю розподілених екосистем GPU з точки зору затримки, надійності, стабільності та безпеки. Роль контейнера, яка може гнучко керуватися обчислювальною потужністю, має необмежені можливості розширення та підлягає нагляду в режимі реального часу, дає Aethir необмежені можливості розширення та здатність адаптуватися до більшості сценаріїв з обчислювальними потребами, а не націлюватися на певний домен .сцена.


Наприклад, крім адаптації до серії сценаріїв, таких як штучний інтелект, хмарний рендеринг та ігри, Aethir може гнучко адаптуватися до сценаріїв із надзвичайно високими вимогами до затримки, включаючи автономне водіння, і деяких сценаріїв із надзвичайно високими вимогами до обчислень . Таким чином, сама мережа Aethir може вкоренитися в обчислювальному треку DePIN GPU і постійно розширюватися в багатьох сценаріях з обчислювальними потребами.

Фактично, у міру зростання екологічного масштабу його децентралізована екологія продовжуватиме формувати нові маховики зростання. Подібним чином, згідно зі звітом Precedence Research, із збільшенням застосування передових технологій, таких як штучний інтелект і машинне навчання в хмарних обчисленнях, очікується, що до 2028 року ринок хмарних обчислень перевищить позначку в 1 трильйон доларів США. Це розробка Aethir. екосистеми потенційні можливості.