قوة الحوسبة مطلوبة

منذ إصدار فيلم 'أفاتار' عام 2009، أطلقت أول معركة لأفلام ثلاثية الأبعاد مع صور حقيقية لا مثيل لها. كمساهم كبير وراء ذلك، ساهمت شركة Weta Digital في عملية عرض الآثار البصرية للفيلم بأكمله. في مزرعة الخوادم التي تبلغ مساحتها 10،000 قدم مربع في نيوزيلندا، قامت مجموعة الحواسب لديها بمعالجة ما يصل إلى 1.4 مليون مهمة يوميًا ومعالجة 8 غيغابايت من البيانات في الثانية. حتى على الرغم من ذلك، استمرت في التشغيل لأكثر من شهر قبل أن تكتمل جميع عمليات العرض.

بفضل نشر الآلات على نطاق واسع والاستثمار الكبير في التكاليف، حقق فيلم "الواقع الافتراضي" إنجازات متميزة في تاريخ السينما.

في 3 يناير من نفس العام، قام ساتوشي ناكاموتو بتعدين كتلة النشأة لبيتكوين على خادم صغير في هلسنكي، فنلندا، وتلقى مكافأة كتلة قدرها 50 بيتكوين. منذ اليوم الأول للعملات المشفرة، لعبت قوة الحوسبة دورًا مهمًا جدًا في الصناعة.

السلسلة الأطول ليست فقط دليلاً على تسلسل الأحداث المشاهدة، ولكن دليلاً على أنها نشأت من أكبر بركة لقوة الحوسبة.

—— ورقة بيتكوين البيضاء

في سياق آلية توافق إثبات العمل ، توفر مساهمة قوة الحوسبة ضمانا لأمن السلسلة. في الوقت نفسه ، يمكن أن يثبت معدل التجزئة المتزايد باستمرار أيضا استمرار استثمار عمال المناجم في قوة الحوسبة وتوقعات الدخل الإيجابية. كما أن الطلب الحقيقي للصناعة على قوة الحوسبة قد عزز بشكل كبير تطوير مصنعي الرقائق. مرت رقائق آلات التعدين بمراحل تطوير مثل وحدة المعالجة المركزية ووحدة معالجة الرسومات و FPGA و ASIC. حاليا ، عادة ما تكون آلات تعدين البيتكوين عبارة عن رقائق تعتمد على تقنية ASIC (الدائرة الخاصة بالتطبيق) التي يمكنها تنفيذ خوارزميات محددة بكفاءة ، مثل SHA-256. كما أدت الفوائد الاقتصادية الضخمة التي جلبتها Bitcoin إلى زيادة الطلب على قوة الحوسبة في التعدين ذي الصلة. ومع ذلك ، تسببت المعدات المتخصصة بشكل مفرط والتأثيرات العنقودية في تأثير السيفون بين المشاركين فيها ، سواء كانوا من عمال المناجم أو مصنعي آلات التعدين. وتظهر جميعها اتجاها للتنمية المركزة كثيفة رأس المال.

مع ظهور العقود الذكية ل Ethereum ، شكلت قابليتها للبرمجة وقابلية التركيب وغيرها من الميزات مجموعة واسعة من التطبيقات ، خاصة في مجال DeFi ، مما جعل سعر ETH يرتفع على طول الطريق ، بينما لا يزال في إجماع PoW كما أن صعوبة التعدين في Ethereum في هذه المرحلة آخذة في الارتفاع. كما تتزايد متطلبات الطاقة الحاسوبية لعمال المناجم لآلات تعدين Ethereum يوما بعد يوم. ومع ذلك ، على عكس Bitcoin ، التي تستخدم رقائق ASIC ، تحتاج Ethereum إلى استخدام وحدة معالجة الرسومات (GPU) لحسابات التعدين ، مثل سلسلة Nvidia RTX. بهذه الطريقة ، يكون أكثر ملاءمة لأجهزة الحوسبة العامة للمشاركة. أدى هذا حتى إلى المنافسة في السوق على وحدات معالجة الرسومات ، مما تسبب في نفاد بطاقات الرسومات المتطورة في السوق.

عندما حان الوقت إلى 30 نوفمبر 2022، قام ChatGPT الذي طورته OpenAI أيضًا بإظهار أهمية تاريخية في مجال الذكاء الاصطناعي. تعجب المستخدمون من التجربة الجديدة التي جلبتها ChatGPT، والتي يمكنها إكمال مهام مختلفة مقترحة من قبل المستخدمين استنادًا إلى السياق تمامًا مثل شخص حقيقي. يتطلب. في الإصدار الجديد الذي تم إطلاقه في سبتمبر من هذا العام، جلب الذكاء الاصطناعي الإنشائي الذي يضيف ميزات متعددة الوسائط مثل الصوت والصور تجربة المستخدم إلى مرحلة أحدث.

ولكن، بالتوازي، يتضمن GPT4 أكثر من تريليون معلمة تشارك في تدريب النموذج وضبطه لاحقًا. هذه هما الجزئين ذوي أكبر طلب على قوة الحوسبة في مجال الذكاء الاصطناعي. في مرحلة التدريب الأولي، يتم دراسة كمية كبيرة من النصوص لاستيعاب أنماط اللغة والنحو والسياق المرتبط. يمكنها بعد ذلك فهم أنماط اللغة لإنتاج نصوص مترابطة ومتناسقة بناءً على المدخلات. بعد التدريب الأولي، يتم ضبط GPT4 بشكل جيد ليتكيف بشكل أفضل مع أنواع محددة من المحتوى أو الأنماط وتحسين الأداء والتخصيص في سيناريوهات الطلب المحددة.

نظرا لأن بنية المحولات التي اعتمدتها GPT تقدم آلية الانتباه الذاتي ، فإن هذه الآلية تسمح للنموذج بالاهتمام في وقت واحد بالعلاقة بين الأجزاء المختلفة من التسلسل عند معالجة تسلسل الإدخال. لذلك ، زاد الطلب على قوة الحوسبة بشكل حاد. خاصة عند معالجة التسلسلات الطويلة ، يلزم وجود كمية كبيرة من الحوسبة المتوازية وتخزين عدد كبير من درجات الانتباه ، الأمر الذي يتطلب أيضا قدرا كبيرا من الذاكرة وقدرات نقل البيانات عالية السرعة. إن LLM السائد الحالي بنفس البنية لديه طلب كبير على وحدات معالجة الرسومات عالية الأداء ، مما يدل أيضا على أن تكلفة الاستثمار في مجال الذكاء الاصطناعي النماذج الكبيرة ضخمة. وفقا لتقديرات SemiAnalysis ذات الصلة ، فإن تكلفة تدريب نموذج GPT4 تصل إلى 63 مليون دولار. من أجل تحقيق تجربة تفاعلية جيدة ، تحتاج GPT4 أيضا إلى استثمار الكثير من قوة الحوسبة في العمليات اليومية للحفاظ على عملياتها اليومية.

تصنيف الأجهزة الحاسوبية

هنا نحتاج إلى فهم أنواع أجهزة القوة الحسابية الرئيسية الحالية. ما هي السيناريوهات المطلوبة لقوة الحوسبة التي يمكن التعامل معها بواسطة وحدة المعالجة المركزية (CPU)، وحدة المعالجة الرسومية (GPU)، FPGA، و ASIC على التوالي.

• من مخطط الهندسة المعمارية لوحدتي المعالجة المركزية ووحدة معالجة الرسومات، تحتوي وحدة معالجة الرسومات على مزيد من النوى، مما يتيح لوحدة معالجة الرسومات معالجة مهام حوسبة متعددة في نفس الوقت. الحوسبة الموازية لديها قدرات معالجة أقوى ومناسبة لمعالجة عدد كبير من المهام الحوسبية، لذا في مجالات التعلم الآلي والتعلم العميق تم استخدامها على نطاق واسع. تحتوي وحدة المعالجة المركزية على عدد أقل من النوى ومناسبة لمعالجة عملية حساب معقدة واحدة أو مهمة تسلسلية بشكل أكثر تكثيفًا، ولكنها ليست بفعالية وحدة معالجة الرسومات عند معالجة مهام الحوسبة الموازية. في مهام الإظهار ومهام حوسبة الشبكة العصبية، عادة ما يحتاج إلى معالجة عدد كبير من الحسابات المتكررة والحسابات الموازية، لذا تكون وحدة معالجة الرسومات أكثر كفاءة ومناسبة من الوحدة المعالجة المركزية في هذا الجانب.

• FPGA (Field Programmable Gate Array) مصفوفة بوابة منطق البرمجة الميدانية هي دائرة شبه مخصصة في مجال الدائرة المتكاملة الخاصة بالتطبيق (ASIC). مصفوفة مكونة من عدد كبير من وحدات المعالجة الصغيرة، يمكن فهم FPGA على أنها رقاقة مدمجة لدائرة منطق رقمي قابلة للبرمجة. التطبيق الحالي يركز أساسا على تسريع الأجهزة، والمهام الأخرى لا تزال تُكمل على وحدة المعالجة المركزية، مما يسمح لـ FPGA ووحدة المعالجة المركزية بالعمل معا.

• تشير ASIC (دائرة متكاملة محددة لتطبيق معين) إلى دائرة متكاملة مصممة لتلبية متطلبات المستخدم الخاصة واحتياجات الأنظمة الإلكترونية الخاصة. بالمقارنة مع الدوائر المتكاملة عامة الاستخدام، تتمتع ASIC بمزايا حجم أصغر، استهلاك طاقة أقل، موثوقية محسنة، أداء محسن، سرية معززة، وتكلفة منخفضة أثناء الإنتاج الضخم. لذا، في سيناريو تعدين البتكوين الأساسي الذي يحتاج فقط إلى أداء مهام حوسبة محددة، يعتبر ASIC الأنسب. قامت Google أيضًا بإطلاق وحدة TPU (وحدة معالجة الأنساق) مصممة خصيصًا لتعلم الآلة كنوع من ASIC، ولكنها حاليًا تقدم بشكل رئيسي خدمات تأجير قوة الحوسبة من خلال Google Cloud.

• ASIC بالمقارنة مع FPGA ، فإن ASIC عبارة عن دائرة متكاملة خاصة بالتطبيق ويتم إصلاح الدائرة المتكاملة بمجرد اكتمال التصميم. يدمج FPGA عددا كبيرا من بوابات الدوائر الرقمية الأساسية والذكريات في المصفوفة. يمكن للمطورين تحديد الدائرة عن طريق برمجة تكوين FPGA ، وهذه البرمجة قابلة للاستبدال. ومع ذلك ، نظرا لسرعة التحديث الحالية في مجال الذكاء الاصطناعي ، لا يمكن تعديل الرقائق المخصصة أو شبه المخصصة وإعادة تكوينها في الوقت المناسب لأداء مهام مختلفة أو التكيف مع الخوارزميات الجديدة. لذلك ، فإن القدرة العامة على التكيف والمرونة لوحدة معالجة الرسومات تجعلها تتألق في مجال الذكاء الاصطناعي. قام مصنعو GPU الرئيسيون أيضا بإجراء تحسينات ذات صلة لتكييف وحدات معالجة الرسومات في مجال الذكاء الاصطناعي. بأخذ Nvidia كمثال ، فقد أطلقت سلسلة Tesla ووحدات معالجة الرسومات ذات الهندسة المعمارية Ampere المصممة خصيصا للتعلم العميق. تحتوي هذه الأجهزة على وحدات أجهزة (Tensor Cores) محسنة للتعلم الآلي وحسابات التعلم العميق ، والتي تمكن وحدة معالجة الرسومات من الأداء بشكل أكثر كفاءة وكفاءة. انخفاض استهلاك الطاقة لأداء الانتشار الأمامي والخلفي للشبكات العصبية. بالإضافة إلى ذلك ، يتم توفير مجموعة واسعة من الأدوات والمكتبات لدعم تطوير الذكاء الاصطناعي ، مثل CUDA (Compute Unified Device Architecture) لمساعدة المطورين على استخدام وحدات معالجة الرسومات للحوسبة المتوازية للأغراض العامة.

قوة الحوسبة المركزية

الطاقة الحاسوبية اللامركزية تشير إلى طريقة توفير قوة المعالجة من خلال موارد الحوسبة الموزعة. يتم عادةً دمج هذا النهج اللامركزي مع تكنولوجيا البلوكشين أو تكنولوجيا دفتر الأستاذ الموزعة المماثلة لتجميع موارد الحوسبة الخاملة وتوزيعها على المستخدمين الذين في حاجة إليها لتحقيق مشاركة الموارد والمعاملات والإدارة.

الخلفية

طلب قوة الحوسبة القوية. رخاء اقتصاد الخالق قد جلب معالجة الوسائط الرقمية إلى عصر الخلق الشامل. ارتفع الطلب على تقديم التأثيرات البصرية، وظهرت استوديوهات تقديم التأثيرات الخارجية المتخصصة، ومنصات تقديم التأثيرات على السحابة وأشكال أخرى. ومع ذلك، هذا النهج يتطلب أيضاً الاستثمار الكبير بنفسك في عمليات توريد قوة الحوسبة في المراحل المبكرة.

• قوة الحوسبة الأجهزة تأتي من مصدر واحد. تطور مجال الذكاء الاصطناعي زاد من الطلب على الأجهزة الحاسوبية. قامت شركات تصنيع وحدات المعالجة الرسومية الرائدة في العالم، بقيادة Nvidia، بتحقيق أرباح كبيرة في هذه المنافسة على قوة الحوسبة للذكاء الاصطناعي. حتى أصبحت قدرته على التوريد عاملًا رئيسيًا يمكن أن يقيد تطور صناعة معينة. تجاوزت قيمة سوق Nvidia أيضًا تريليون دولار أمريكي لأول مرة هذا العام.

• ما زال توفير قوة الحوسبة يعتمد في الغالب على منصات السحابة المركزية. الفائدة الحقيقية من الطلب المتزايد على الحوسبة ذات الأداء العالي هي من البائعين المركزيين للسحابة الممثلين بشكل أساسي من قبل شركة AWS. لقد قاموا بإطلاق خدمات حوسبة سحابية GPU. على سبيل المثال، استئجار مثل هذا الخادم HPC المتخصص في ML على AWS p4d.24xlarge يكلف 32.8 دولار أمريكي في الساعة، ويُقدر هامش الربح الخام له بنسبة 61%. هذا أدى أيضًا إلى تسبب العمالقة الأخرى في مجال السحابة في الإسراع للمشاركة وتخزين الأجهزة للحصول على أكبر قدر ممكن من الميزة في مراحل مبكرة من تطور الصناعة.

• العوامل السياسية والتدخل البشري وغيرها تؤدي إلى تطور غير متساوٍ في الصناعة. التفاوت ليس من الصعب رؤية أن ملكية وتركيز وحدات معالجة الرسومات تميل أكثر نحو المؤسسات والدول ذات الأموال والتكنولوجيا الوفيرة، وتعتمد على مجموعات الحوسبة عالية الأداء. وقد تسبب ذلك في تشديد القيود على تصدير رقائق الذكاء الاصطناعي من قبل الولايات المتحدة، مما يضعف قدرات البلدان الأخرى في مجال الذكاء الاصطناعي العام.

• تركيز موارد قوة الحوسبة متركز جدًا. مبادرة التطوير في مجال الذكاء الاصطناعي بيد عدد قليل من الشركات العملاقة. حاليًا، تتمتع العمالقة الذين يمثلهم OpenAI بدعم من Microsoft، وراءهم الموارد الحوسبية الغنية التي توفرها Microsoft Azure. هذا يجعل من كل إصدار لمنتجات جديدة من OpenAI إعادة تشكيل ودمج لصناعة الذكاء الاصطناعي الحالية، مما يجعل من الصعب على الفرق الأخرى مواكبة مجال النماذج الكبيرة.

إذا كانت تواجه تكاليف عتاد مرتفعة وقيود جغرافية وتطور صناعي غير متسق، هل هناك حلول أخرى؟

ظهرت منصة القوة الحاسوبية اللامركزية كما يتطلب الأمر الأوقات. الغرض من المنصة هو إنشاء سوق مفتوحة وشفافة ومنظمة ذاتيا لاستخدام الموارد الحاسوبية العالمية بكفاءة أكبر.

تحليل تكيفي

1. الجانب المزود لقوة الحوسبة اللامركزية

ارتفاع أسعار الأجهزة العالية الحالية والتحكم الاصطناعي في الجانب المعروض قدما التربة لبناء شبكات القوة الحوسبة اللامركزية.

• من وجهة نظر تكوين القوة الحوسبة اللامركزية، تتراوح مقدمو القوة الحوسبة المختلفون بين أجهزة الحاسوب الشخصية ومعدات الإنترنت الصغيرة إلى مراكز البيانات ومراكز البيانات الداخلية، ويمكن أن توفر القوة الحوسبة المتراكمة حلول حوسبة أكثر مرونة وقابلية للتوسع، مما يساعد المطورين والمنظمات الذكاء الاصطناعي على استخدام الموارد المحدودة بشكل أكثر فعالية. يمكن تحقيق مشاركة القوة الحوسبة اللامركزية من خلال القوة الحوسبة الخاملة للأفراد أو المنظمات. ومع ذلك، تخضع توافر واستقرار هذه القوة الحوسبة لقيود استخدام المستخدمين أو الحد الأقصى للمشاركة.

• قد تكون المصدر المحتمل لقوة الحوسبة عالية الجودة هو القوة الحاسبة التي يتم توفيرها مباشرة من خلال تحويل المناجم ذات الصلة بعد تحويل Ethereum إلى PoS. الموارد البشرية. خذ Coreweave، أكبر مزود لقوة الحوسبة المتكاملة GPU في الولايات المتحدة، كمثال. كانت في السابق أكبر مزرعة تعدين Ethereum في أمريكا الشمالية ويقوم على البنية التحتية الكاملة التي تم بناؤها. بالإضافة إلى ذلك، تحتوي آلات تعدين Ethereum المتقاعدة أيضًا على عدد كبير من وحدات GPU الخاملة. ويُقال إن هناك حوالي 27 مليون وحدة GPU كانت تعمل عبر الإنترنت في ذروة عصر تعدين Ethereum. يمكن أيضًا إعادة إحياء هذه وحدات GPU لتصبح جزءًا مهمًا آخر من شبكة القوة الحاسبة اللامركزية.

1. الجانب الطلبي لقوة الحوسبة اللامركزية

• من وجهة نظر التنفيذ التقني، يتم استخدام موارد الحوسبة اللامركزية في عمليات رسم الرسومات وتحويل الفيديو. مثل هذه الحسابات معقدة. بالنسبة للمهام على المستوى المنخفض، يمكن للنظام الاقتصادي الذي يجمع بين تكنولوجيا البلوكشين و web3 جلب حوافز دخل ملموسة لمشاركي الشبكة وتراكم نماذج أعمال فعّالة ومجموعات عملاء في حين يضمن نقل البيانات بطريقة آمنة. يتضمن مجال الذكاء الاصطناعي كميات كبيرة من الحوسبة المتوازية، والاتصال والتزامن بين العقد، وله متطلبات عالية جدًا فيما يتعلق ببيئة الشبكة وجوانب أخرى. ولذلك، تتركز التطبيقات الحالية أيضًا على ضبط دقيق، والاستدلال، و AIGC وطبقات تطبيق أكثر.

• من منطلق منطق الأعمال، يفتقر السوق الذي يشتري ويبيع ببساطة قوة الحوسبة إلى الخيال، ويمكن للصناعة أن تتعامل فقط مع سلسلة التوريد والتسعير. استراتيجيات، ولكن هذه تحدث لتكون مزايا الخدمات السحابية المركزية. لذا، سقف السوق منخفض ولا يوجد مجال للمزيد من الخيال، لذلك يمكننا أيضًا رؤية أن الشبكات التي كانت بالأصل تقوم بعمليات بسيطة لتقديم الرسومات تسعى إلى تحويل الذكاء الاصطناعي. على سبيل المثال، قام شبكة Render و Q1 2023 أيضًا بإطلاق مجموعة أدوات استقرار AI متكاملة محلية، والتي يمكن للمستخدمين من خلالها تقديم عمليات انتشار مستقرة، ولم يعد الأعمال مقتصرة على عمليات الرسومات وإنما توسعت إلى مجال الذكاء الاصطناعي.

• من منظور مجموعات العملاء الرئيسية ، من الواضح أن العملاء الكبار من الجانب B سيفضلون الخدمات السحابية المتكاملة المركزية. هم عادة مع ميزانيات كافية ، وعادة ما يشاركون في تطوير نماذج أساسية كبيرة ويتطلبون شكلا أكثر كفاءة من تجميع قوة الحوسبة ؛ لذلك ، تخدم قوة الحوسبة اللامركزية المزيد من فرق التطوير الصغيرة والمتوسطة الحجم أو الأفراد ، وتشارك في الغالب في ضبط النماذج. أو تطوير طبقة التطبيق ، والتي ليس لها متطلبات عالية على شكل قوة الحوسبة المقدمة. هم أكثر حساسية للسعر. يمكن أن تقلل قوة الحوسبة اللامركزية بشكل أساسي من استثمار التكلفة الأولية ، وبالتالي فإن التكلفة الإجمالية للاستخدام أقل أيضا. استنادا إلى التكلفة المحسوبة مسبقا بواسطة Gensyn ، يتم تحويل قوة الحوسبة إلى القيمة المكافئة التي يوفرها V100. قوة الحوسبة ، سعر Gensyn هو 0.4 دولار أمريكي فقط في الساعة ، وهو أقل بنسبة 80٪ من قوة الحوسبة المكافئة ل AWS البالغة 2 دولار أمريكي في الساعة. على الرغم من أن هذا الجزء من العمل لا يمثل غالبية الإنفاق في الصناعة الحالية ، مع استمرار سيناريوهات استخدام التطبيقات الذكاء الاصطناعي في التوسع ، لا يمكن الاستهانة بحجم السوق المستقبلي.

• من وجهة نظر الخدمات المقدمة، يمكن العثور على أن المشروع الحالي يشبه أكثر مفهوم منصة سحابية متمركزة، تقدم مجموعة كاملة من الإدارة من التطوير، النشر، الاتصال عبر الإنترنت، التوزيع، والمعاملة. ميزة هذا هو جذب المطورين، الذين يمكنهم استخدام مكونات الأدوات ذات الصلة لتبسيط التطوير والنشر وتحسين الكفاءة؛ في الوقت نفسه، يمكنها جذب المستخدمين لاستخدام هذه المنتجات التطبيقية الكاملة على المنصة، وبالتالي تشكيل خندق بيئي استنادًا إلى شبكتها الخاصة لقوة الحوسبة. ولكن هذا يطرح أيضًا متطلبات أعلى لعمليات المشروع. كيفية جذب المطورين الممتازين والمستخدمين وتحقيق الاحتفاظ يعد أمرًا خاصة مهمًا.

تطبيقات في مجالات مختلفة

1. معالجة الوسائط الرقمية

شبكة العرض عالمية تعتمد على تقنية البلوكشين، هدفها مساعدة الأشخاص الذين يمتلكون إبداعًا رقميًا. تُتيح للمبدعين توسيع عمليات العرض باستخدام وحدات معالجة الرسومات العالمية عند الطلب، مما يوفر قدرة عرض أسرع وأرخص. بعد تأكيد المبدع على نتائج العرض، ترسل شبكة البلوكشين الكود إلى الوحدة. تكافؤ العملات. بالمقارنة مع طرق تنفيذ تأثيرات الرسوم المرئية التقليدية، تتطلب إنشاء بنية تحتية للعرض محلية أو إضافة تكاليف وحدات معالجة الرسومات المقابلة إلى الخدمات السحابية المشتراة استثمارًا مُسبقًا عاليًا.

منذ تأسيسها في عام 2017، قام مستخدمو شبكة Render Network بعرض أكثر من 16 مليون إطار وما يقرب من 500،000 مشهد على الشبكة. يمكن أيضًا للبيانات الصادرة من شبكة Render Network للربع الثاني من عام 2023 أن تظهر أن عدد وظائف الإطارات لعملية العرض وعدد العقد النشطة تزيد. بالإضافة إلى ذلك، قامت شبكة Render Network والربع الأول من عام 2023 أيضًا بإطلاق مجموعة أدوات الذكاء الاصطناعي المتكاملة بشكل طبيعي. يمكن للمستخدمين استخدام هذه الوظيفة لإدخال عمليات الانتشار الثابتة، ولم يعد العمل مقتصرًا على عمليات العرض بل امتد إلى مجال الذكاء الاصطناعي.

توفر Livepeer خدمات تشفير الفيديو في الوقت الحقيقي للمبدعين من خلال مشاركة المشاركين في الشبكة لقوتهم الخاصة في الحوسبة بوحدات معالجة الرسومات (GPU) وعرض النطاق الترددي. يمكن للمذيعين إتمام تشفير مقاطع الفيديو المختلفة عن طريق إرسال الفيديوهات إلى Livepeer وتوزيعها على مستخدمي النهاية المختلفين، مما يتيح توزيع محتوى الفيديو. في الوقت نفسه، يمكنك بسهولة الدفع بالعملة القانونية للحصول على خدمات مثل تشفير الفيديو ونقله وتخزينه.

في شبكة Livepeer، يُسمح لأي شخص بالمساهمة بموارد جهاز الكمبيوتر الشخصي (وحدة المعالجة المركزية، وحدة معالجة الرسومات، وعرض النطاق الترددي) لترميز وتوزيع مقاطع الفيديو لكسب الرسوم. تمثل العملة الأصلية (LPT) حقوق ومصالح مشاركي الشبكة في الشبكة. يُحدد عدد الرموز المتعهد بها وزن العقد في الشبكة، مما يؤثر بالتالي على فرصها في الحصول على مهام الترميز. في الوقت نفسه، تلعب LPT أيضًا دورًا في توجيه العقد لإكمال المهام المخصصة بطريقة آمنة وموثوقة وسريعة.

2. معرض AIarea

في النظام البيئي الحالي في مجال الذكاء الاصطناعي، يمكن تقسيم اللاعبين الرئيسيين تقسيماً تقريبياً إلى:

بدءا من جانب الطلب ، هناك اختلافات واضحة في الطلب على قوة الحوسبة في مراحل مختلفة من الصناعة. إذا أخذنا تطوير النموذج الأساسي كمثال ، فإن عملية ما قبل التدريب تتطلب حوسبة متوازية عالية جدا ، وتخزين ، واتصالات ، وما إلى ذلك لضمان فعالية نتائج التدريب. يتطلب ذلك مجموعة طاقة حوسبة كبيرة لإكمال المهام ذات الصلة. في الوقت الحاضر ، يعتمد الإمداد الرئيسي لقوة الحوسبة بشكل أساسي على غرف الكمبيوتر ذاتية البناء ومنصات الخدمة السحابية المركزية. في المراحل اللاحقة من الضبط الدقيق للنموذج والتفكير في الوقت الفعلي وتطوير التطبيقات ، فإن متطلبات الحوسبة المتوازية والاتصال بين العقد ليست عالية جدا. هذا هو بالضبط المكان الذي يمكن أن تظهر فيه قوة الحوسبة اللامركزية إمكاناتها الكاملة.

نظرًا للمشاريع التي اكتسبت شعبية كبيرة من قبل، قام شبكة أكاش ببعض المحاولات في اتجاه قوة الحوسبة المركزية:

تجمع شبكة أكاش بين مكونات تقنية مختلفة للسماح للمستخدمين بنشر التطبيقات وإدارتها بكفاءة ومرونة في بيئة سحابية لامركزية. يمكن للمستخدمين استخدام تقنية حاوية Docker لحزم التطبيقات، ثم نشرها وتوسيع نطاقها من خلال Kubernetes من خلال CloudMOS على الموارد السحابية التي يوفرها Akash. يستخدم عكاش نهج "المزاد العكسي" ، مما يجعل السعر أقل من الخدمات السحابية التقليدية.

أعلنت شبكة Akash Network أيضًا في شهر أغسطس من هذا العام أنها ستطلق الترقية السادسة لشبكتها الرئيسية، مدمجة دعمًا لوحدات معالجة الرسومات في خدمات سحابتها، وتوفير قوة الحوسبة للمزيد من فرق الذكاء الاصطناعي في المستقبل.

جينسين.إيه، مشروع جذب الكثير من الاهتمام في الصناعة هذا العام، قادته a16z وأكمل تمويل سلسلة A بقيمة 43 مليون دولار أمريكي. من الوثائق التي تم إصدارها حتى الآن، يبدو أن المشروع هو شبكة رئيسية تعتمد على بروتوكول L1 PoS لشبكة بولكادوت، مركزة على التعلم العميق. يهدف إلى دفع حدود التعلم الآلي عن طريق إنشاء شبكة عالمية لعمليات الحوسبة الفائقة. تربط هذه الشبكة الأجهزة التي تتراوح من مراكز البيانات ذات القدرة الحوسبية الزائدة إلى أجهزة الكمبيوتر الشخصية التي يمكن أن تسهم بشكل محتمل بمعالجات الرسومات الشخصية، و ASICs المخصصة، و SoCs.

من أجل حل بعض المشاكل الموجودة حاليا في قوة الحوسبة اللامركزية، يستفيد Gensyn من بجعل البعض من النتائج البحثية النظرية الجديدة في الأكاديمية:

1. اعتماد الدليل على التعلم الاحتمالي، وهو استخدام البيانات الوصفية لعملية الأمثلة المستندة إلى التحسين لبناء دلائل على تنفيذ المهام ذات الصلة لتسريع عملية التحقق؛

2. بروتوكول تحديد المواقع القائم على الرسوم البيانية، GPP يعمل كجسر، يربط التنفيذ غير المتصل لشبكة الأعصاب العميقة (DNN) وإطار العقد الذكي على سلسلة الكتل، مما يحل التناقضات التي تحدث بسهولة عبر أجهزة الأجهزة الأجهزة، ويضمن توافق التحقق.

3. طريقة حافزة مماثلة لـ Truebit، من خلال مزيج من الرهان والعقوبة، تنشئ نظام حوافز يسمح للمشاركين الاقتصاديين بأداء المهام المخصصة بصدق. يستخدم الآلية التشفير وطرق نظرية الألعاب. يعد هذا النظام الذي يتم به التحقق أمرًا أساسيًا للحفاظ على سلامة وموثوقية حسابات تدريب النماذج الكبيرة.

ومع ذلك ، تجدر الإشارة إلى أن المحتوى أعلاه يتعلق أكثر بحل مستوى التحقق من إكمال المهمة ، بدلا من قوة الحوسبة اللامركزية لتحقيق وظائف التدريب النموذجية باعتبارها أهم ما يميز وثيقة المشروع ، خاصة حول الحوسبة المتوازية والموزعة تحسين الاتصال والمزامنة وغيرها من القضايا بين الأجهزة. حاليا ، يتأثر زمن انتقال الشبكة (الكمون) وعرض النطاق الترددي (عرض النطاق الترددي) ، سيؤدي الاتصال المتكرر بين العقد إلى زيادة وقت التكرار وتكاليف الاتصال. لن يؤدي هذا إلى التحسين الفعلي فحسب ، بل سيقلل من كفاءة التدريب. يمكن أن يتضمن نهج Gensyn للتعامل مع اتصالات العقدة والحساب المتوازي في تدريب النموذج بروتوكولات تنسيق معقدة لإدارة الطبيعة الموزعة للحساب. ومع ذلك ، بدون معلومات تقنية أكثر تفصيلا أو فهم أعمق لأساليبهم المحددة ، فإن الآلية الدقيقة التي تحقق بها Gensyn تدريبا نموذجيا واسع النطاق من خلال شبكتها لن يتم الكشف عنها حقا حتى يأتي المشروع عبر الإنترنت.

لقد أولينا اهتماما أيضا لبروتوكول Edge Matrix Computing (EMC) الذي يستخدم تقنية blockchain لتطبيق قوة الحوسبة على الذكاء الاصطناعي والعرض والبحث العلمي. ، الذكاء الاصطناعي الوصول إلى التجارة الإلكترونية وأنواع أخرى من السيناريوهات، يتم توزيع المهام على عقد طاقة حوسبة مختلفة من خلال الحوسبة المرنة. لا تعمل هذه الطريقة على تحسين كفاءة قوة الحوسبة فحسب ، بل تضمن أيضا أمان نقل البيانات. في الوقت نفسه ، يوفر سوق طاقة حوسبة حيث يمكن للمستخدمين الوصول إلى موارد الحوسبة وتبادلها. من الملائم للمطورين نشر المستخدمين والوصول إليهم بشكل أسرع. إلى جانب الشكل الاقتصادي ل Web3 ، يمكن لمزودي طاقة الحوسبة أيضا الحصول على فوائد حقيقية وإعانات طرف البروتوكول بناء على الاستخدام الفعلي للمستخدمين ، ويمكن لمطوري الذكاء الاصطناعي أيضا الحصول على تكاليف منطق وعرض أقل. فيما يلي نظرة عامة على مكوناتها ووظائفها الرئيسية:

من المتوقع أيضًا أن تتم إطلاق منتجات RWA القائمة على وحدة معالجة الرسومات. المفتاح لهذا هو إحياء الأجهزة التي كانت ثابتة أصلاً في غرفة الكمبيوتر وتقسيمها وتدويرها على شكل RWA للحصول على سيولة إضافية. يمكن استخدام وحدة معالجة الرسومات عالية الجودة كأصل أساسي لـ RWA. السبب في ذلك هو أن قوة الحوسبة يمكن اعتبارها عملة صعبة في مجال الذكاء الاصطناعي. هناك تناقض واضح حاليًا بين العرض والطلب، ولا يمكن حل هذا التناقض على المدى القصير، لذا فإن سعر وحدة معالجة الرسومات ثابت نسبيًا.

بالإضافة إلى ذلك، تنفيذ مجموعات قوة الحوسبة من خلال نشر غرف الحاسب IDC هو أيضًا جزء أساسي من بروتوكول EMC. هذا لا يُسمح فقط لوحدات معالجة الرسومات بالعمل في بيئة موحدة، ولكنه أيضًا يتعامل بكفاءة أكبر مع المهام ذات الحجم الكبير المتعلقة بقوة الحوسبة، مثل تدريب النماذج مسبقًا. وهذا يلبي احتياجات المستخدمين المحترفين. في الوقت نفسه، يمكن لغرفة الحاسب IDC أن تستضيف وتشغل أيضًا عددًا كبيرًا من وحدات معالجة الرسومات لضمان المواصفات الفنية لنفس نوع أجهزة الأجهزة عالية الجودة، مما يجعل من السهل تعبئتها في السوق كمنتجات RWA وفتح أفكار جديدة لـ DeFi.

في السنوات الأخيرة، طورت المجتمع الأكاديمي أيضًا نظريات تقنية جديدة وممارسات تطبيقية في مجال الحوسبة الحافة. كإضافة وتحسين للحوسبة السحابية، تعد الحوسبة الحافة جزءًا من الذكاء الاصطناعي الذي يتسارع من السحابة إلى الحافة وإلى أجهزة IoT الصغيرة بشكل متزايد. وغالبًا ما تكون هذه الأجهزة صغيرة الحجم، لذا يتم التفضيل لتعلم الآلة الخفيفة لمواجهة قضايا مثل استهلاك الطاقة والتأخير والدقة.

تم بناء Network3 عن طريق بناء طبقة AI مخصصة Layer2 لتوفير خوارزميات تحسين نماذج AI وضغطها، والتعلم التعاوني، والحوسبة الحافة والحوسبة الخصوصية لمطوري AI في جميع أنحاء العالم. توفير خدمات لمساعدتهم على تدريب أو التحقق من النماذج بسرعة وبشكل ملائم وفعال. من خلال الاستفادة من عدد كبير من أجهزة الأجهزة الذكية IoT، يمكنها التركيز على النماذج الصغيرة لتوفير الطاقة الحاسوبية المقابلة، ومن خلال بناء بيئة التنفيذ الموثوقة TEE، يمكن للمستخدمين إكمال التدريب ذي الصلة فقط عن طريق رفع تدرجات النموذج لضمان خصوصية بيانات المستخدم وأمانها.

في الختام

• مع تطور الذكاء الاصطناعي وغيرها من المجالات، ستخضع العديد من الصناعات لتغييرات هائلة في المنطق الأساسي لها، وسترتفع قوة الحوسبة إلى موقع أكثر أهمية، وسيتسبب أيضًا العديد من الجوانب المتعلقة به في استكشاف شامل في الصناعة. لشبكات القوة الحوسبة غير المركزية مزاياها الخاصة يمكن أن تقلل من مخاطر التمركز ويمكن أيضًا أن تكون خدمة مكملة لقوة الحوسبة المركزية.

• والفرق في الميدان الذكاء الاصطناعي هي أيضا على مفترق طرق. إن اختيار ما إذا كانوا سيستخدمون نماذج مدربة كبيرة لبناء منتجاتهم الخاصة أو المشاركة في تدريب نماذج كبيرة في مناطقهم هو في الغالب جدلي. لذلك ، يمكن لقوة الحوسبة اللامركزية تلبية احتياجات العمل المختلفة. هذا الاتجاه التنموي مرحب به ، ومع تحديث التكنولوجيا وتكرار الخوارزميات ، سيكون هناك حتما اختراقات في المجالات الرئيسية.

• لا تخاف، فقط اكتشف الأمر ببطء.

المرجع

https://www.semianalysis.com/p/gpt-4-architecture-infrastructure

https://medium.com/render-token/render-network-q2-highlights-part-2-network-statistics-ac5aa6bfa4e5

https://know.rendernetwork.com/

https://medium.com/livepeer-blog/نظرة-عامة-على-شبكة-livepeer-و-lpt-44985f9321ff

https://www.youtube.com/watch?v=FDA9wqZmsY8

https://mirror.xyz/1kx.eth/q0s9RCH43JCDq8Z2w2Zo6S5SYcFt9ZQaRITzR4G7a_k

https://mirror.xyz/gensyn.eth/_K2v2uuFZdNnsHxVL3Bjrs4GORu3COCMJZJi7_MxByo

https://docs.gensyn.ai/litepaper/#solution

https://a16zcrypto.com/posts/announcement/investing-in-gensyn/

https://www.pinecone.io/learn/chunking-strategies/

https://akash.network/blog/the-fast-evolving-ai-landscape/

https://aws.amazon.com/cn/blogs/compute/amazon-ec2-p4d-instances-deep-dive/

https://manual.edgematrix.pro/emc-network/what-is-emc-and-poc

https://arstechnica.com/gaming/2022/09/the-end-of-ethereum-mining-could-be-a-bonanza-for-gpu-shoppers/

تنصيح:

1. يتم إعادة طبع هذه المقالة من [ PANews]. جميع حقوق الطبع والنشر تنتمي إلى الكاتب الأصلي [حرم Future3]. إذا كانت هناك اعتراضات على هذا النشر مرجوا التواصل معبوابة تعلمالفريق، وسيقومون بالتعامل معه بسرعة.
2. إخلاء المسؤولية عن المسؤولية: الآراء والآراء المعبر عنها في هذه المقالة هي فقط تلك التي تنتمي إلى المؤلف ولا تشكل أي نصيحة استثمارية.
3. تتم ترجمة المقال إلى لغات أخرى بواسطة فريق Gate Learn. ما لم يذكر غير ذلك، فإن نسخ أو توزيع أو سرقة المقالات المترجمة ممنوعة.