Giám đốc Render Network cho rằng DePIN có thể giảm bớt các nút thắt trong AI

Nguồn: CryptoNewsNet Tiêu đề gốc: Giám đốc Render Network nói rằng DePIN có thể giảm bớt các nút thắt AI Liên kết gốc: Khi trí tuệ nhân tạo (AI) ngày càng mạnh mẽ hơn, hạ tầng cần thiết để vận hành nó sẽ đạt đến giới hạn và những giới hạn này có thể mở ra cánh cửa cho các mạng hạ tầng vật lý phi tập trung (DePINs), theo Trevor Harries-Jones, giám đốc tại Quỹ Render Network.

Harries-Jones cho biết các mạng GPU phi tập trung không nhằm thay thế các trung tâm dữ liệu truyền thống, mà nhằm bổ sung chúng bằng cách giải quyết một số thách thức mở rộng cấp bách nhất của AI.

DePIN không phải là về việc thay thế hạ tầng tập trung

Nói một cách đơn giản, DePIN cho phép mọi người trên khắp thế giới chia sẻ hạ tầng mạng thực tế đổi lấy phần thưởng để không phụ thuộc hoặc kiểm soát bởi một công ty trung tâm.

Một dự án như vậy là Render Network. Thực chất, đây là một nền tảng rendering GPU phi tập trung được thiết kế để dân chủ hóa quá trình sáng tạo kỹ thuật số và giải phóng các nhà sáng tạo khỏi sự kiểm soát của các thực thể trung tâm.

Các ví dụ gần đây từ thế giới AI tập trung bao gồm các ứng dụng tạo video mà việc sử dụng phải bị giới hạn do hạn chế GPU.

Harries-Jones phản đối ý tưởng hoàn toàn thay thế:

“Tôi không nghĩ đó là câu hỏi về việc thay thế. Tôi thực sự nghĩ đó là câu hỏi về việc sử dụng cả hai.”

Các cụm GPU tập trung vẫn giữ vai trò quan trọng trong việc huấn luyện các mô hình AI lớn, vốn hưởng lợi từ các bộ nhớ khổng lồ và phần cứng tích hợp chặt chẽ. Nhưng việc huấn luyện chỉ là một phần nhỏ trong tổng khối lượng công việc tính toán của AI.

Harries-Jones giải thích rằng suy luận — chạy các mô hình AI — chiếm gần 80% công việc GPU.

Sự phân biệt này là nơi các mạng phi tập trung như Render phát huy tác dụng. Trong khi các phiên bản đầu của các mô hình AI tiêu tốn nhiều tài nguyên, Harries-Jones nói rằng chúng nhanh chóng trở nên hiệu quả hơn khi các kỹ sư tối ưu hóa và nén chúng.

Theo thời gian, các mô hình từng yêu cầu hạ tầng khổng lồ có thể chạy trên các thiết bị đơn giản hơn nhiều như điện thoại thông minh.

“Vì vậy, chúng ta thường thấy điều này ở tất cả các mô hình mới ra. Chúng bắt đầu rất nặng và chưa hoàn thiện, và trong một khoảng thời gian rất ngắn, chúng được tinh chỉnh để có thể chạy trên các thiết bị phi tập trung, đơn giản.”

Về mặt chi phí, sự chuyển đổi này khiến các mạng GPU phi tập trung ngày càng hấp dẫn hơn. Thay vì dựa hoàn toàn vào các trung tâm dữ liệu đắt tiền, các khối lượng công việc suy luận có thể phân phối trên các GPU rảnh rỗi trên toàn thế giới.

“Sẽ rẻ hơn để chạy chúng trên các nút người tiêu dùng rảnh rỗi phi tập trung hơn là trên các nút trung tâm.”

Harries-Jones lạc quan về lĩnh vực DePIN

Harries-Jones xem DePIN như một cách giảm bớt các nút thắt ngày càng tăng của AI trong cả hạ tầng tính toán và năng lượng.

Khi các hệ thống điện trung tâm gặp áp lực, tính toán phi tập trung cung cấp một giải pháp song song bằng cách khai thác các nguồn tài nguyên chưa sử dụng trên toàn cầu.

“Vì vậy, tôi rất lạc quan về toàn bộ lĩnh vực này.”

Harries-Jones nhấn mạnh rằng nhu cầu GPU toàn cầu vượt xa nguồn cung. “Hiện nay trên thế giới không đủ GPU,” ông nói.

Vì vậy, chìa khóa là tận dụng tất cả các GPU rảnh rỗi, chứ không phải tranh giành các GPU cao cấp thiếu hụt.

Theo Harries-Jones, tương lai của hạ tầng AI không phải là các mạng trung tâm hay DePIN. Thay vào đó, đó là sự linh hoạt trong việc sử dụng cả hai để đáp ứng nhu cầu AI bùng nổ.