Trusted

Akash Network förklarar sin användning för AI-modellträning

2 mins
Uppdaterad av Bary Rahma

I korthet

  • Overclock Labs och ThumperAI samarbetade för att träna en AI-modell på Akash Networks decentraliserade GPU:er för att skapa innovationer inom molnberäkning och AI.
  • Samarbetet tog itu med utmaningar inom AI-utbildning som kostnader, hårdvara och programvara och satte ett riktmärke för decentraliserade plattformar.
  • Trots datautmaningar visade projektet att decentraliserad AI-modellutbildning var genomförbar, vilket markerar ett viktigt steg inom AI och blockchain.

Overclock Labs, kraften bakom Akash Network, samarbetade med ThumperAI, en generativ AI-startup, för att påbörja en grundläggande modellutbildning med hjälp av Akash Networks GPU:er.

Detta samarbete, som ägde rum mot slutet av 2023, syftade till att tänja på gränserna för decentraliserad molnberäkning genom att träna en grundmodell och belysa ett betydande steg i integrationen av AI och molnberäkning.

Använda Akash Network för att träna AI

Initiativet syftade till att ta itu med de utmaningar som är förknippade med utbildning av generativa AI-grundmodeller. Dessa inkluderar höga kostnader, stränga hårdvarukrav och komplexa programvarubehov. Därför satte det ett ambitiöst riktmärke för decentraliserade datorplattformar för att möta och överträffa kraven från AI-startups.

ThumperAI syftade till att stärka trovärdigheten för sin Lora Trainer-tjänst. Det underlättar AI-utvecklare att finjustera grundmodeller med LoRA-tekniker. Å andra sidan ville Akash Network visa genomförbarheten och effektiviteten hos AI-modellutbildning på en decentraliserad molnplattform.

Detta initiativ handlade inte bara om att bevisa ett koncept utan också om att locka en bredare utvecklargrupp, skapa efterfrågan på GPU-leverantörer och stärka Akash Networks position som ledande inom bidrag till öppen källkod och expansion av AI-användningsfall.

Läs mer om detta: Hur kommer artificiell intelligens (AI) att förändra kryptovalutor?

Resan innebar kritiska beslut och avvägningar, särskilt när det gällde att välja modellkategori och basmodell för utbildningen. Ändå använde den valda metoden en Creative Commons-licensierad dataset för träning. Det betonade efterlevnad av upphovsrätt och datadiversitet, med en pivot till en Pixart-Alpha-inspirerad arkitektur på grund av initiala träningsutmaningar.

Resultaten av detta projekt var lovande trots de utmaningar som uppstod med träningsdatasetets kvalitet och mångfald. Samarbetet visade framgångsrikt att det är möjligt att träna grundläggande modeller i ett decentraliserat nätverk som Akash. Därför markerade det en milstolpe i skärningspunkten mellan AI och blockkedjeteknik.

“Thumper-teamet kommer att undersöka möjligheten att migrera Lora Trainer till att köras på Akash Network när de vill skala upp den tjänsten, för att dra nytta av de lägre kostnaderna och mångfalden av GPU:er som finns tillgängliga i nätverket. En av de funktioner som behövs innan de kan göra detta är möjligheten att begära en maximal SHM-storlek via Akash SDL. Den funktionen är på väg att göras tillgänglig i nätverket genom en uppgradering”, skrev Anil Murty, VP för produkt och teknik på Overclock Labs.

Detta initiativ sätter scenen för framtida framsteg, med båda teamen angelägna om att utforska ytterligare möjligheter i Akash Network.

Disclaimer

All information på vår webbplats publiceras i god tro och endast för allmän information. Varje åtgärd som läsaren vidtar baserat på informationen på vår webbplats sker strikt på egen risk.

frame-2466.jpg
Bary Rahma är senior journalist på BeInCrypto, där hon täcker ett brett spektrum av ämnen, inklusive kryptobörshandlade fonder (ETF), artificiell intelligens (AI), tokenisering av verkliga tillgångar (RWA) och altcoin-marknaden. Dessförinnan var hon innehållsskribent för Binance och producerade djupgående forskningsrapporter om kryptovalutatrender, marknadsanalys, decentraliserad finans (DeFi), regleringar av digitala tillgångar, blockchain, ICO:er (Initial Coin Offerings) och tokenomics....
LÄS HELA BIOGRAFIN