Trong thời đại hiện nay được thúc đẩy bởi dữ liệu, công nghệ trí tuệ nhân tạo (AI) đang phát triển với tốc độ chưa từng thấy. Đặc biệt, việc đào tạo các mô hình AI lớn đang liên tục vượt qua các ranh giới công nghệ, đặt ra những thách thức không nhỏ. Trong bối cảnh này, các mạng điện toán phân tán phi tập trung đóng một vai trò quan trọng trong việc đào tạo các mô hình AI lớn, nhưng chúng cũng phải đối mặt với những thách thức và tắc nghẽn kỹ thuật đáng kể.
Một trong những nhu cầu chính trong các mạng phi tập trung là hỗ trợ đào tạo các mô hình AI lớn. Tuy nhiên, quá trình này liên quan đến các vấn đề phức tạp liên quan đến đồng bộ hóa dữ liệu và tối ưu hóa mạng, độ phân giải của vấn đề này rất quan trọng để đảm bảo hiệu suất và hiệu quả của mạng máy tính. Ngoài ra, quyền riêng tư và bảo mật dữ liệu là những yếu tố không thể thiếu. Giải quyết câu hỏi hóc búa để đạt được hiệu quả đào tạo mô hình đồng thời đảm bảo quyền riêng tư dữ liệu là một thách thức cấp bách.
Hiện tại, các công nghệ như Tính toán đa bên, quyền riêng tư khác biệt, học tập liên kết, mã hóa đồng hình và các công nghệ khác thể hiện lợi thế trong các tình huống cụ thể. Tuy nhiên, chúng có những hạn chế, đặc biệt là khi xử lý các vấn đề về quyền riêng tư dữ liệu trong mạng máy tính phân tán quy mô lớn. Ví dụ, công nghệ Bằng chứng không tri thức (ZKP) có tiềm năng đáng kể, nhưng ứng dụng của nó trong việc đào tạo các mô hình lớn trong các mạng máy tính phân tán rộng khắp đòi hỏi nhiều năm nghiên cứu và phát triển. Điều này không chỉ đòi hỏi nhiều sự quan tâm và nguồn lực hơn từ cộng đồng học thuật mà còn phải đối mặt với chi phí công nghệ đáng kể và những thách thức ứng dụng thực tế.
So với đào tạo mô hình, các mạng điện toán phân tán phi tập trung thể hiện tiềm năng thực tế lớn hơn trong suy luận mô hình. Không gian tăng trưởng dự kiến trong lĩnh vực này dự kiến sẽ rất đáng kể trong tương lai. Tuy nhiên, quá trình suy luận vẫn gặp phải những thách thức như độ trễ liên lạc, quyền riêng tư dữ liệu và bảo mật mô hình. Do độ phức tạp tính toán và khả năng tương tác dữ liệu thấp hơn, suy luận mô hình phù hợp hơn với môi trường phi tập trung, nhưng việc vượt qua những thách thức này vẫn là một chủ đề đáng để khám phá chuyên sâu.
Trong bối cảnh đó, chúng tôi sẽ khám phá thêm các dự án tiêu biểu trong các mạng điện toán phân tán phi tập trung - Akash Network, Gensyn và Together. Cuộc thăm dò này nhằm mục đích đạt được sự hiểu biết sâu sắc hơn về con đường có tiềm năng định hình lại tương lai của ngành sản xuất.
Akash Network: Thị trường đám mây P2P nguồn mở hoàn toàn khuyến khích sức mạnh tính toán nhàn rỗi toàn cầu bằng mã thông báo
Akash Network là một nền tảng nguồn mở xoay quanh việc thiết lập thị trường đám mây ngang hàng phi tập trung, kết nối người dùng đang tìm kiếm dịch vụ đám mây với các nhà cung cấp cơ sở hạ tầng sở hữu tài nguyên máy tính dư thừa.
Nền tảng của Akash được thiết kế đặc biệt để lưu trữ và quản lý việc triển khai đồng thời cung cấp dịch vụ quản lý đám mây để chạy khối lượng công việc Kubernetes. Về bản chất, Kubernetes là một hệ thống nguồn mở được sử dụng để tự động hóa việc triển khai, mở rộng quy mô và quản lý các ứng dụng được đóng gói.
Trên nền tảng Akash, người dùng, được gọi là "người thuê", chủ yếu là các nhà phát triển muốn triển khai vùng chứa Docker cho các nhà cung cấp đám mây đáp ứng các tiêu chuẩn cụ thể. Một tính năng thiết yếu của bộ chứa Docker là chúng bao gồm mã đóng gói và các phần phụ thuộc, đảm bảo rằng các ứng dụng chạy theo cùng một cách trong mọi môi trường điện toán. Điều này có nghĩa là dù phát triển trên máy tính xách tay, thử nghiệm trong hộp cát hay chạy trên đám mây thì không cần sửa đổi mã.
Một khía cạnh độc đáo của thị trường Akash là mô hình đấu giá ngược. Mô hình này cho phép người dùng đặt giá một cách độc lập và mô tả các yêu cầu tài nguyên của họ để triển khai vùng chứa. Khi tài nguyên điện toán của nhà cung cấp đám mây không được sử dụng đúng mức, họ có thể cho thuê những tài nguyên này thông qua thị trường Akash, tương tự như cách các chủ nhà Airbnb thuê phòng trống. Đáng chú ý là chi phí triển khai vùng chứa thông qua Akash chỉ bằng khoảng 1/10 so với ba nhà cung cấp dịch vụ đám mây lớn (Amazon Web Services, Google Cloud và Microsoft Azure).
Tất cả các giao dịch và hồ sơ trên Akash Network được thực hiện on-chain thông qua Token của nó - Token Akash (AKT). Mạng này xây dựng chuỗi khối của nó trên khung Cosmos SDK và sử dụng công cụ Tendermint Byzantine Fault Tolerance (BFT) (BFT) để hỗ trợ thuật toán Consensus Delegated Proof-of-Stake (dPOS) (DPoS). AKT không chỉ đóng vai trò là Trung bình trao đổi mà còn đóng nhiều vai trò khác nhau trong Akash Network, bao gồm đảm bảo an ninh mạng, cung cấp phần thưởng, tham gia quản trị mạng và xử lý các giao dịch.
Bằng cách này, Akash Network không chỉ cung cấp tùy chọn dịch vụ đám mây hiệu quả hơn về mặt kinh tế mà còn thể hiện các ứng dụng đổi mới của công nghệ blockchain trong lĩnh vực điện toán đám mây hiện đại.
Gensyn: Chia các nhiệm vụ học máy phức tạp thành nhiều nhiệm vụ phụ để nâng cao hiệu quả xử lý
Gensyn là một giao thức điện toán học sâu phi tập trung dựa trên blockchain được thiết kế đặc biệt để giải quyết nhu cầu của thị trường điện toán trí tuệ nhân tạo. Cốt lõi của giao thức này nằm ở việc chia các nhiệm vụ học máy phức tạp thành nhiều nhiệm vụ phụ và đạt được khả năng tính toán song song cao thông qua tài nguyên máy tính của người tham gia . Cách tiếp cận này không chỉ cải thiện hiệu quả tính toán mà còn tự động hóa việc phân bổ, xác minh và khen thưởng nhiệm vụ thông qua hợp đồng thông minh, loại bỏ nhu cầu quản lý tập trung.
Vào tháng 6 năm 2023, nhóm đã hoàn thành thành công vòng cấp vốn Series A trị giá 43 triệu USD do công ty Quỹ đầu tư mạo hiểm nổi tiếng a16z dẫn đầu, nâng tổng số tiền tài trợ lên 50 triệu USD.
Giao thức Gensyn hoạt động như một mạng tính toán thông minh với các tính năng chính sau:
1. Bằng chứng học tập xác suất: Sử dụng siêu dữ liệu từ quy trình tối ưu hóa độ dốc để xây dựng chứng chỉ hoàn thành nhiệm vụ, cho phép xác minh nhanh chóng việc hoàn thành công việc.
2.Giao thức định vị dựa trên đồ thị: Áp dụng giao thức định vị dựa trên đồ thị, đa chi tiết, kết hợp với thực thi được xác minh chéo, đảm bảo tính nhất quán của xác minh công việc.
3. Cơ chế khuyến khích kiểu Truebit: Xây dựng một trò chơi khuyến khích thông qua cơ chế Staking và Slashing để đảm bảo người tham gia hoàn thành nhiệm vụ một cách trung thực. Ngoài ra, hệ thống Gensyn bao gồm bốn vai trò chính:
1.Người gửi: Người dùng cuối của hệ thống cung cấp các nhiệm vụ tính toán và trả phí.
2.Solver: Thực hiện đào tạo mô hình và tạo bằng chứng để xác thực bởi người xác minh.
3.Người xác minh: Chịu trách nhiệm xác nhận tính chính xác của các bằng chứng do người giải quyết cung cấp.
4.Người tố giác: Hoạt động như một biện pháp bảo mật, đánh giá công việc của người xác minh và nêu lên mối lo ngại khi xác định được vấn đề.
Giao thức Gensyn thể hiện những lợi thế đáng kể về chi phí và hiệu suất. Chẳng hạn, so với quá trình chuyển đổi của Ethereum từ Bằng chứng công việc (PoW) Bằng chứng cổ phần (PoS), Gensyn cung cấp cho người tham gia cách kiếm tiền bằng cách tận dụng tài nguyên tính toán của họ, giảm chi phí tính toán và cải thiện việc sử dụng tài nguyên. Kết quả mô phỏng Python chỉ ra rằng mặc dù thời gian dành cho việc đào tạo mô hình của Gensyn tăng khoảng 46% nhưng hiệu suất của nó lại được cải thiện đáng kể so với các phương pháp khác.
Là một giao thức sức mạnh tính toán phi tập trung dựa trên blockchain, Gensyn nhằm mục đích phân bổ và khen thưởng các nhiệm vụ học máy thông qua các hợp đồng thông minh để tăng tốc đào tạo mô hình AI và giảm chi phí. Mặc dù phải đối mặt với những thách thức như giao tiếp và quyền riêng tư, Gensyn vẫn cung cấp một phương pháp hiệu quả để tận dụng sức mạnh tính toán nhàn rỗi, xem xét các yêu cầu và quy mô mô hình đa dạng cho các ứng dụng rộng hơn và linh hoạt hơn.
Cùng nhau: Tập trung vào phát triển và ứng dụng mô hình lớn, tài trợ hạt giống 20 triệu USD
Together là một công ty nguồn mở chuyên cung cấp các giải pháp sức mạnh tính toán AI phi tập trung, tập trung vào phát triển và ứng dụng các mô hình lớn. Tầm nhìn của công ty là làm cho AI có thể tiếp cận được với mọi người, ở mọi nơi. Vào tháng 5 năm nay, Together đã hoàn thành vòng tài trợ hạt giống trị giá 20 triệu đô la do Lux Vốn dẫn đầu. Được sáng lập bởi Chris, Percy và Ce, Together bắt nguồn từ nhận thức của họ về các cụm GPU cao cấp đáng kể và các khoản chi tiêu đắt đỏ cần thiết cho việc đào tạo mô hình lớn. Họ tin rằng những nguồn lực này và khả năng đào tạo mô hình không nên tập trung vào tay một số công ty lớn.
Chiến lược phát triển của Together nhấn mạnh đến việc ứng dụng các mô hình nguồn mở và sức mạnh tính toán phân tán. Họ tin rằng điều kiện tiên quyết để sử dụng mạng năng lượng tính toán phi tập trung là các mô hình phải là nguồn mở, giúp giảm chi phí và độ phức tạp. Một ví dụ gần đây là dự án RedPajama dựa trên LLaMA của họ, được khởi xướng với sự cộng tác của nhiều nhóm nghiên cứu, nhằm phát triển một loạt các mô hình ngôn ngữ lớn hoàn toàn nguồn mở.
Trong lĩnh vực suy luận mô hình, nhóm phát triển của Together đã thực hiện một loạt cập nhật cho mô hình RedPajama-INCITE-3B. Điều này bao gồm việc sử dụng LoRA để tinh chỉnh tiết kiệm chi phí, nâng cao hiệu suất của mô hình trên CPU. Đối với đào tạo mô hình, Together đang giải quyết các tắc nghẽn giao tiếp trong đào tạo phi tập trung, bao gồm tối ưu hóa việc lập lịch và nén giao tiếp.
Chuyên môn đa dạng của nhóm Together trải rộng trên nhiều lĩnh vực khác nhau, từ phát triển mô hình lớn đến điện toán đám mây và tối ưu hóa phần cứng, thể hiện cách tiếp cận toàn diện đối với các dự án điện toán AI. Chiến lược của họ phản ánh tầm nhìn dài hạn, bao gồm việc phát triển các mô hình lớn nguồn mở, thử nghiệm ứng dụng sức mạnh tính toán phân tán trong suy luận mô hình và triển khai sức mạnh tính toán phân tán trong đào tạo mô hình quy mô lớn.
Do dự án đang ở giai đoạn đầu, các chi tiết quan trọng như cơ chế khuyến khích mạng và các trường hợp sử dụng Token vẫn chưa được tiết lộ. Những yếu tố này rất quan trọng cho sự thành công của các dự án tiền điện tử. Do đó, ngành này duy trì sự quan tâm sâu sắc đến những phát triển trong tương lai và những tiết lộ tiếp theo của Together.
Tương lai của AI phi tập trung là rất rộng lớn, nhưng những thách thức bên trong cần phải dần dần được vượt qua
Việc kiểm tra sự hội tụ của mạng điện toán phi tập trung và công nghệ AI cho thấy một lĩnh vực đầy thách thức và tiềm năng. Mặc dù là các lĩnh vực riêng biệt, sự kết hợp giữa AI và Web3 thể hiện sức mạnh tổng hợp tự nhiên trong việc sử dụng công nghệ phân tán để hạn chế sự độc quyền của AI và thúc đẩy hình thành các cơ chế Consensus phi tập trung. Mạng điện toán phi tập trung không chỉ cung cấp khả năng tính toán phân tán và bảo vệ quyền riêng tư mà còn nâng cao độ tin cậy và độ tin cậy của các mô hình AI, hỗ trợ triển khai và thực thi nhanh chóng.
Tuy nhiên, sự phát triển trong lĩnh vực này không phải là không có trở ngại. Chi phí truyền thông cao trong các mạng điện toán tập trung đặt ra thách thức đáng kể cho các mạng phi tập trung, đòi hỏi các giải pháp để đảm bảo độ tin cậy và bảo mật của nút cũng như quản lý hiệu quả các tài nguyên điện toán phi tập trung.
Quay trở lại thực tế thương mại, việc tích hợp sâu giữa AI và Web3 tuy đầy hứa hẹn nhưng lại phải đối mặt với những thách thức như chi phí nghiên cứu và phát triển cao cũng như mô hình kinh doanh không rõ ràng. Các miền như AI và Web3 vẫn đang trong giai đoạn phát triển ban đầu và tiềm năng thực sự của chúng đang chờ được xác nhận theo thời gian.
