تمت كتابته بعد مؤتمر GTC، هل يستطيع Web3 حل مشكلة قوة الحوسبة الضيقة للذكاء الاصطناعي؟

المؤلف: زو يي

الموضة دورية، وكذلك الويب 3.

بالقرب من “re” أصبحت سلسلة عامة للذكاء الاصطناعي. وباعتباره أحد مؤسسي Transformer، تمكن من حضور مؤتمر Nvidia GTC والتحدث إلى Lao Huang ذو الملابس الجلدية حول مستقبل الذكاء الاصطناعي التوليدي. لقد نجح Solana في التحول كتجمع مكان لـ io.net وBittensor وRender Network، وبالنسبة لسلسلة مفاهيم الذكاء الاصطناعي، هناك أيضًا لاعبون ناشئون يشاركون في حوسبة GPU مثل Akash وGAIMIN وGensyn.

إذا رفعنا أنظارنا بينما سعر العملة آخذ في الارتفاع، يمكننا أن نجد عدة حقائق مثيرة للاهتمام:

1. **لقد وصلت المعركة من أجل قوة الحوسبة GPU إلى النظام الأساسي اللامركزي. كلما زادت قوة الحوسبة، كلما كان تأثير الحوسبة أقوى. ترتبط وحدة المعالجة المركزية والتخزين ووحدة معالجة الرسومات ببعضها البعض؛ **
2. ينتقل نموذج الحوسبة من السحابة إلى اللامركزية. وخلفه التغيير في الطلب من التدريب على الذكاء الاصطناعي إلى التفكير. ولم تعد النماذج الموجودة على السلسلة مجرد كلام فارغ؛
3. ** لم يتغير تكوين البرامج والأجهزة الأساسي ومنطق التشغيل لبنية الإنترنت بشكل أساسي، وتلعب طبقة طاقة الحوسبة اللامركزية دورًا أكبر في تحفيز التواصل. **

دعونا أولاً نفرق من الناحية المفاهيمية. لقد ولدت قوة الحوسبة السحابية في عالم Web3 في عصر التعدين السحابي. وهي تشير إلى تعبئة وبيع القوة الحاسوبية لآلات التعدين، مما يلغي الإنفاق الضخم للمستخدمين لشراء آلات التعدين. ومع ذلك، فإن الحوسبة غالبًا ما يقوم مصنعو الطاقة “بالبيع الزائد”، مثل خلط وبيع الطاقة الحاسوبية لـ 100 آلة تعدين إلى 105 أشخاص من أجل الحصول على أرباح فائضة، مما يجعل المصطلح في النهاية معادلاً للكذب.

تشير قوة الحوسبة السحابية في هذه المقالة على وجه التحديد إلى موارد الحوسبة لبائعي السحابة المعتمدين على وحدة معالجة الرسومات، والسؤال هنا هو ما إذا كانت منصة طاقة الحوسبة اللامركزية هي الدمية الأمامية لبائعي السحابة أو تحديث الإصدار التالي.

إن التكامل بين بائعي السحابة التقليدية وتقنية blockchain أعمق مما تصورنا، على سبيل المثال، ستتمحور عقد السلسلة العامة والتطوير والتخزين اليومي بشكل أساسي حول AWS وAlibaba Cloud وHuawei Cloud، مما يلغي الاستثمار الباهظ الثمن لشراء الأجهزة المادية، ومع ذلك، فإن المشاكل ولا يمكن تجاهل الأسباب، ففي الحالات القصوى، سيؤدي فصل كابل الشبكة إلى تعطل السلسلة العامة، وهو ما ينتهك بشكل خطير روح اللامركزية.

من ناحية أخرى، تقوم منصات طاقة الحوسبة اللامركزية إما ببناء “غرف كمبيوتر” مباشرة للحفاظ على استقرار الشبكة، أو بناء شبكات حوافز مباشرة، مثل استراتيجية Airdrop الخاصة بـ IO.NET لتعزيز عدد وحدات معالجة الرسومات، وتخزين Filecoin لإرسال رموز FIL. إن نقطة البداية ليست تلبية احتياجات الاستخدام، بل تمكين الرموز المميزة. وأحد الأدلة هو أن كبار المصنعين أو الأفراد أو المؤسسات الأكاديمية نادرا ما يستخدمونها فعليا للتدريب على تعلم الآلة، أو الاستدلال، أو عرض الرسومات، مما يؤدي إلى إهدار خطير للموارد.

**الأمر مجرد أنه في مواجهة ارتفاع أسعار العملات ومشاعر FOMO، اختفت جميع الاتهامات بأن قوة الحوسبة اللامركزية هي عملية احتيال لقوة الحوسبة السحابية. **

مكتوب بعد مؤتمر GTC، هل يستطيع Web3 حل مشكلة قوة الحوسبة الضيقة للذكاء الاصطناعي؟

هل هناك نوعان من قوة الحوسبة لهما نفس الاسم والحظ؟

الاستدلال والتخبط، قياس قوة الحوسبة GPU

**تتطور متطلبات الطاقة الحاسوبية لنماذج الذكاء الاصطناعي من التدريب إلى الاستدلال. **

لنأخذ Sora من OpenAI كمثال. على الرغم من أنه تم تصنيعه أيضًا استنادًا إلى تقنية Transformer، إلا أن حجم المعلمة الخاصة به يُقارن بتريليونات GPT-4. وتتكهن الدوائر الأكاديمية بأنه أقل من مئات المليارات. حتى أن يانغ ليكون قال إنه كذلك 3 مليارات فقط، أي أن تكلفة التدريب منخفضة، ومن السهل جدًا فهمها أيضًا، كما يتم أيضًا تخفيف موارد الحوسبة المطلوبة لعدد صغير من المعلمات بشكل متناسب.

ولكن في المقابل، قد يحتاج سورا إلى قدرات “استدلال” أقوى. ويمكن فهم الاستدلال على أنه القدرة على إنشاء مقاطع فيديو محددة وفقًا للتعليمات. ولطالما اعتبرت مقاطع الفيديو محتوى إبداعيًا، لذا فهي تتطلب قدرات فهم أقوى للذكاء الاصطناعي، والتدريب بسيط نسبيًا. ويمكن فهمه على أنه تلخيص القواعد بناءً على المحتوى الموجود، وتكديس قوة الحوسبة بدون أدمغة، والعمل الجاد لخلق المعجزات.

في الماضي، كانت قوة حوسبة الذكاء الاصطناعي تستخدم بشكل أساسي للتدريب، مع كمية صغيرة تستخدم لقدرات الاستدلال، وكانت تغطيها بشكل أساسي منتجات NVIDIA المختلفة، ومع ذلك، بعد ظهور Groq LPU (وحدة معالجة اللغة)، بدأت الأمور تتغير، وقدرات التفكير الأفضل، والنماذج الكبيرة المتراكبة لتقليص حجمها وتحسين الدقة، وامتلاك العقل للتحدث بالمنطق، أصبحت شيئًا سائدًا ببطء.

بالإضافة إلى ذلك، أود إضافة تصنيف GPU. غالبًا ما يُرى أن أولئك الذين يلعبون الألعاب هم الذين يحفظون الذكاء الاصطناعي. والأمر المنطقي هو أن الطلب القوي على وحدات معالجة الرسومات عالية الأداء في سوق الألعاب يغطي البحث والتطوير التكاليف، على سبيل المثال، يمكن استخدام 4090 بطاقة رسومية، والذين يلعبون الألعاب وكيمياء الذكاء الاصطناعي، ولكن تجدر الإشارة إلى أنه سيتم فصل بطاقة اللعبة وبطاقة الحوسبة تدريجيًا، وهذه العملية مشابهة لتطوير آلات تعدين البيتكوين من أجهزة الكمبيوتر الشخصية إلى آلات التعدين المخصصة، والرقائق المستخدمة تتبع أيضًا الترتيب من وحدة المعالجة المركزية (CPU)، ووحدة معالجة الرسومات (GPU)، وFPGA، وASIC.

مكتوب بعد مؤتمر GTC، هل يستطيع Web3 حل مشكلة قوة الحوسبة الضيقة للذكاء الاصطناعي؟ بطاقة LLM الخاصة قيد التطوير…

مع نضوج وتقدم تكنولوجيا الذكاء الاصطناعي، وخاصة مسار LLM، سيكون هناك المزيد والمزيد من المحاولات المماثلة في TPU وDPU وLPU. وبطبيعة الحال، المنتج الرئيسي الحالي هو GPU من NVIDIA. جميع المناقشات أدناه تعتمد أيضًا على GPU وLPU يعد انتظار المزيد بمثابة تكملة لوحدة معالجة الرسومات، وسيستغرق استبدالها بالكامل بعض الوقت.

** لا تتنافس منافسة قوة الحوسبة اللامركزية على قنوات الاستحواذ على وحدة معالجة الرسومات، ولكنها تحاول إنشاء نموذج ربح جديد. **

"في هذه المرحلة من الكتابة، أصبحت NVIDIA تقريبًا هي بطل الرواية. في الأساس، تشغل NVIDIA 80٪ من سوق بطاقات الرسومات. النزاع بين بطاقة N وبطاقة A موجود فقط من الناحية النظرية. في الواقع، الجميع يتحدث عن النزاهة.

لقد خلق الاحتكار المطلق منافسة شرسة على وحدات معالجة الرسومات، بدءًا من RTX 4090 على مستوى المستهلك وحتى A100/H100 على مستوى المؤسسة، ويعد بائعو السحابة المختلفون القوة الرئيسية في التخزين. ومع ذلك، فإن الشركات ذات الصلة بالذكاء الاصطناعي مثل Google وMeta وTesla وOpenAI جميعها لديها إجراءات أو خطط لإنتاج شرائح ذاتية الصنع، وقد تحولت الشركات المحلية إلى الشركات المصنعة المحلية مثل Huawei، ولا يزال مسار GPU مزدحمًا للغاية.

بالنسبة لبائعي الخدمات السحابية التقليدية، فإن ما يبيعونه هو في الواقع قوة الحوسبة ومساحة التخزين، لذا فإن استخدام رقائقهم الخاصة ليس أمرًا ملحًا مثل شركات الذكاء الاصطناعي. ومع ذلك، بالنسبة لمشاريع الطاقة الحاسوبية اللامركزية، فإنهم حاليًا في النصف الأول، أي، مقارنة بالسحابة التقليدية، يتنافس المصنعون على أعمال الطاقة الحاسوبية، مع التركيز على قوة حاسوبية رخيصة وسهلة الحصول عليها، ومع ذلك، مثل تعدين البيتكوين في المستقبل، هناك فرصة ضئيلة لظهور رقائق Web3 AI.

تعليق إضافي، منذ تحول Ethereum إلى PoS، أصبح هناك عدد أقل وأقل من الأجهزة المخصصة في دائرة العملة. الأسواق مثل هواتف Saga المحمولة وتسريع أجهزة ZK وDePIN صغيرة جدًا. آمل أن يتم استكشاف قوة الحوسبة اللامركزية من أجل بطاقات طاقة حوسبة مخصصة تعمل بالذكاء الاصطناعي.قم بإنشاء مسار فريد لـ Web3.

**قوة الحوسبة اللامركزية هي الخطوة التالية أو المكملة للسحابة. **

عادة ما تتم مقارنة قوة الحوسبة لوحدة معالجة الرسومات في الصناعة مع FLOPS (عمليات النقطة العائمة في الثانية)، وهو المؤشر الأكثر استخدامًا لسرعة الحوسبة. وبغض النظر عن مواصفات وحدة معالجة الرسومات أو مقاييس التحسين مثل توازي التطبيق، فإنه في النهاية على أساس يتخبط على عالية ومنخفضة.

لقد استغرق الأمر حوالي نصف قرن من الحوسبة المحلية إلى الانتقال إلى السحابة، وكان مفهوم التوزيع موجودًا منذ ولادة أجهزة الكمبيوتر. وبقيادة LLM، لم يعد الجمع بين اللامركزية وقوة الحوسبة غامضًا كما كان من قبل. قم بتلخيص أكبر عدد ممكن من مشاريع الطاقة الحاسوبية اللامركزية الحالية، مع بعدين فقط:

1. عدد الأجهزة مثل وحدات معالجة الرسومات، أي سرعة الحوسبة، وفقًا لقانون مور، كلما كانت وحدة معالجة الرسومات أحدث، زادت قوة الحوسبة، وكلما زاد عدد وحدات معالجة الرسومات بنفس المواصفات، زادت قوة الحوسبة؛
2. طريقة تنظيم طبقة الحوافز، وهي سمة صناعية لـ Web3. الرموز المزدوجة، ووظائف الإدارة المضافة، وحوافز الإسقاط الجوي، وما إلى ذلك تجعل من السهل فهم القيمة طويلة المدى لكل مشروع، بدلاً من إيلاء الكثير من الاهتمام للقيمة قصيرة المدى. أسعار العملات على المدى الطويل، على المدى الطويل، النظر فقط في ما إذا كان بإمكانك امتلاك أو عدد وحدات معالجة الرسومات التي سيتم جدولتها.

من هذا المنظور، لا تزال قوة الحوسبة اللامركزية عبارة عن طريق DePIN يعتمد على “شبكة الأجهزة + الحوافز الموجودة”، أو أن بنية الإنترنت لا تزال هي الطبقة السفلية، وطبقة طاقة الحوسبة اللامركزية هي تحقيق الدخل بعد “المحاكاة الافتراضية للأجهزة”، مع التركيز على الوصول دون إذن. فالتواصل الحقيقي لا يزال يتطلب تعاون الأجهزة.

يجب أن تكون قوة الحوسبة لا مركزية، ويجب أن تكون وحدة معالجة الرسومات مركزية.

وبمساعدة إطار عمل blockchain trilemma، لا يحتاج أمن قوة الحوسبة اللامركزية إلى النظر بشكل خاص، فالقضايا الرئيسية هي اللامركزية وقابلية التوسع، والأخير هو الغرض من شبكات GPU، والتي تعد حاليًا في طليعة الذكاء الاصطناعي. .

بدءًا من المفارقة، إذا كان لمشروع طاقة الحوسبة اللامركزية أن يكتمل، فيجب أن يكون عدد وحدات معالجة الرسومات على الشبكة كبيرًا قدر الإمكان. لا يوجد سبب آخر. إن معلمات النماذج الكبيرة مثل GPT تنفجر، وهناك لا توجد وحدة معالجة رسومات (GPU) بمقياس معين. لا يمكن أن يكون لها تأثيرات تدريب أو استدلال.

بالطبع، بالمقارنة مع السيطرة المطلقة على البائعين السحابيين، في المرحلة الحالية، يمكن لمشاريع الطاقة الحاسوبية اللامركزية على الأقل إنشاء آليات مثل عدم الوصول والهجرة الحرة لموارد GPU. ومع ذلك، نظرا لتحسن كفاءة رأس المال، هل سيكون هناك هل ستكون مجموعة تعدين مماثلة في المستقبل؟قد لا يكون المنتج هو نفسه.

من حيث قابلية التوسع، لا يمكن استخدام GPU للذكاء الاصطناعي فحسب، بل تعد الحوسبة السحابية والعرض أيضًا مسارات ممكنة. على سبيل المثال، تركز Render Network على تقديم العمل، بينما يركز Bittensor وآخرون على توفير التدريب النموذجي. ومن منظور أكثر وضوحًا، قابلية التوسع تعادل سيناريوهات الاستخدام وأغراضه.

لذلك يمكن إضافة معلمتين إضافيتين إلى وحدة معالجة الرسومات وشبكة الحوافز وهما اللامركزية وقابلية التوسع لتشكيل مؤشر مقارنة من أربع زوايا، يرجى ملاحظة أن هذه الطريقة تختلف عن المقارنة التقنية وهي مجرد صورة.

شبكة حوافز كمية مشروع GPU، قابلية التوسع اللامركزية، رمز Gensyn غير المعلن + آلية التحقق لتقييم تدريب الذكاء الاصطناعي والاستدلال بعد الإطلاق، Render Network 12000 وحدة معالجة رسومية + 503 رمزًا مميزًا لوحدة المعالجة المركزية + أساس حافز إضافي + اقتراح + عرض مفتوح المصدر + تدريب على الذكاء الاصطناعي Akash 20000 وحدة معالجة مركزية + 262 رمزًا مميزًا لوحدة معالجة الرسومات + رموز نظام التعهد متداولة بالكامل، استدلال الذكاء الاصطناعي io.net 180,000 GPU + 28,000 CPUGPU مقابل عملات معدنية غير مُصدرة تم إسقاطها جوًا، استدلال الذكاء الاصطناعي + تدريب.

في المشاريع المذكورة أعلاه، تعد شبكة Render Network مميزة جدًا في الواقع، فهي في الأساس شبكة عرض موزعة، وعلاقتها بالذكاء الاصطناعي ليست مباشرة، في تدريب الذكاء الاصطناعي والاستدلال، تكون جميع الروابط متشابكة، سواء كانت SGD (نسب التدرج العشوائي) ، تتطلب الخوارزميات مثل Stochastic Gradient Descent) أو الانتشار العكسي الاتساق، ولكن ليس من الضروري أن يكون العرض والمهام الأخرى كذلك. غالبًا ما يتم تقسيم مقاطع الفيديو والصور لتسهيل توزيع المهام.

لقد تم دمج قدراتها التدريبية في مجال الذكاء الاصطناعي بشكل أساسي مع io.net وهي موجودة كمكون إضافي لـ io.net. على أي حال، تعمل وحدة معالجة الرسومات، بغض النظر عن مدى صعوبة الأمر، والأمر الأكثر تطلعًا هو انشقاقها إلى Solana في لحظة الاستهانة.، ثبت لاحقًا أن Solana كان أكثر ملاءمة لمتطلبات الأداء العالي للعرض والشبكات الأخرى.

والثاني هو مسار تطوير نطاق io.net للاستبدال العنيف لوحدة معالجة الرسومات. حاليًا، يسرد الموقع الرسمي 180.000 وحدة معالجة رسومية كاملة. وهو في المستوى الأول من مشروع قوة الحوسبة اللامركزية. هناك اختلاف في الحجم مع المعارضين الآخرين، و فيما يتعلق بقابلية التوسع، تركز io.net على استدلال الذكاء الاصطناعي، ويعد التدريب على الذكاء الاصطناعي طريقة عملية للعمل.

بالمعنى الدقيق للكلمة، تدريب الذكاء الاصطناعي ليس مناسبًا للنشر الموزع. حتى بالنسبة لـ LLMs خفيفة الوزن، فإن العدد المطلق للمعلمات لن يكون أقل بكثير. تعد طريقة الحوسبة المركزية أكثر فعالية من حيث التكلفة من حيث التكلفة الاقتصادية. الويب 3 ونقطة التكامل الذكاء الاصطناعي في التدريب هو المزيد من خصوصية البيانات وعمليات التشفير، مثل تقنيات ZK وFHE، ويتمتع استدلال الذكاء الاصطناعي Web 3 بإمكانيات كبيرة، فمن ناحية، لديه متطلبات منخفضة نسبيًا على أداء حوسبة وحدة معالجة الرسومات ويمكنه تحمل درجة معينة من الخسارة. ومن ناحية أخرى، فإن تفكير الذكاء الاصطناعي أقرب إلى جانب التطبيق، والحوافز من وجهة نظر المستخدم أكثر أهمية.

توصلت شركة أخرى تقوم بتعدين وتبادل الرموز، وهي Filecoin، أيضًا إلى اتفاقية استخدام GPU مع io.net. ستستخدم Filecoin 1000 وحدة معالجة رسومات بالتوازي مع io.net. ويمكن اعتبار ذلك بمثابة جهد مشترك بين الشركات السابقة. أتمنى لك كلا التوفيق…

التالي هو Gensyn، الذي لم يتم إطلاقه بعد. نأتي أيضًا إلى السحابة للتقييم. نظرًا لأنها لا تزال في المراحل الأولى من بناء الشبكة، لم يتم الإعلان عن عدد وحدات معالجة الرسومات. ومع ذلك، فإن سيناريو الاستخدام الرئيسي هو تدريب الذكاء الاصطناعي ". شخصيًا، أشعر أن عدد وحدات معالجة الرسومات عالية الأداء ليس صغيرًا. ، على الأقل يتجاوز مستوى شبكة العرض. بالمقارنة مع استدلال الذكاء الاصطناعي، فإن تدريب الذكاء الاصطناعي له علاقة تنافسية مباشرة مع بائعي السحابة، وسيكون تصميم الآلية المحددة أكثر تعقيدا.

على وجه التحديد، يحتاج Gensyn إلى ضمان فعالية التدريب النموذجي. وفي الوقت نفسه، من أجل تحسين كفاءة التدريب، يستخدم نماذج الحوسبة خارج السلسلة على نطاق واسع. لذلك، تتطلب أنظمة التحقق من النموذج ومكافحة الغش دورًا متعدد الأطراف ألعاب:

• مقدمو الطلبات: مبادرو المهام، الذين يدفعون في النهاية تكاليف التدريب.
• الحلول: تدريب النموذج وتقديم دليل على فعاليته. *المحققون: التحقق من صحة النموذج.
• المبلغين عن المخالفات: التحقق من وظائف المدقق.

بشكل عام، طريقة التشغيل مشابهة لتعدين إثبات العمل + آلية إثبات متفائلة. الهندسة المعمارية معقدة للغاية. ربما يمكن أن يؤدي نقل الحسابات إلى خارج السلسلة إلى توفير التكاليف، ولكن تعقيد البنية سيجلب تكاليف تشغيل إضافية. في الوقت الحاضر، اللامركزية الرئيسية قوة الحوسبة مع التركيز على منعطف تفكير الذكاء الاصطناعي، أتمنى أيضًا حظًا سعيدًا لجينسين.

أخيرًا، هناك Akash القديم، الذي بدأ بشكل أساسي مع Render Network، حيث ركز Akash على لامركزية وحدة المعالجة المركزية، وكانت Render Network أول من ركز على لامركزية GPU، وبشكل غير متوقع، بعد اندلاع الذكاء الاصطناعي، دخل كلا الطرفين إلى عالم التكنولوجيا. مجال حوسبة GPU + AI. الفرق أن عكاش يهتم أكثر بالاستدلال.

إن مفتاح تجديد شباب Akash هو الاهتمام بمشاكل التعدين بعد ترقية Ethereum. لا يمكن استخدام وحدة معالجة الرسوميات الخاملة فقط من قبل طالبات الجامعات للاستخدام الشخصي، ولكن يمكنهم الآن أيضًا العمل على الذكاء الاصطناعي معًا. على أي حال، كلهم يساهمون في الحضارة الإنسانية.

"ومع ذلك، الشيء الجيد في Akash هو أن الرموز المميزة يتم توزيعها بالكامل بشكل أساسي. بعد كل شيء، إنه مشروع قديم جدًا، كما أنه يتبنى بنشاط نظام الستاكينغ الشائع الاستخدام في إثبات الحصة (PoS). ومع ذلك، يبدو الفريق أكثر بوذية، و إنهم ليسوا شبابًا مثل io.net.feel.

بالإضافة إلى ذلك، هناك THETA للحوسبة السحابية الطرفية، وPhoenix لتوفير حلول متخصصة لقوة حوسبة الذكاء الاصطناعي، وشركات الحوسبة القديمة والجديدة مثل Bittensor وRitual. نظرًا لضيق المساحة، لا يمكننا إدراجها جميعًا. ويرجع ذلك أساسًا إلى أن بعضها من الصعب جدًا العثور عليه، وهو أقل من عدد وحدات معالجة الرسومات والمعلمات الأخرى.

خاتمة

"على مدار تاريخ تطوير الكمبيوتر، يمكن بناء إصدارات لا مركزية من نماذج الحوسبة المختلفة. الأسف الوحيد هو أنها ليس لها أي تأثير على التطبيقات السائدة. مشروع حوسبة Web3 الحالي هو في الأساس ترويج ذاتي داخل الصناعة. ذهب مؤسس Near إلى مؤتمر GTC أيضًا بسبب تأليف Transformer، وليس حالة مؤسس Near.

"الأمر الأكثر تشاؤمًا هو أن الحجم الحالي لسوق الحوسبة السحابية واللاعبين أقوياء جدًا. هل يمكن لـ io.net أن تحل محل AWS؟ إذا كان هناك ما يكفي من وحدات معالجة الرسومات، فهذا ممكن حقًا. بعد كل شيء، استخدمت AWS Redis مفتوح المصدر منذ فترة طويلة باعتباره المصدر الأساسي عنصر.

بمعنى ما، فإن قوة المصدر المفتوح واللامركزية ليستا متساويتين، حيث تتركز المشاريع اللامركزية بشكل مفرط في المجالات المالية مثل التمويل اللامركزي، وقد يكون الذكاء الاصطناعي طريقًا رئيسيًا لدخول السوق السائدة.

مراجع:

_2024-03-06_Ai.pdf