主頁更新內容

Pi節點分散計算案例研究

Pi網絡正在探索Pi的全球網絡的能力支持分散AI訓練和計算任務的節點.

 Pi節點長期以來的設計目的不僅僅是保護賬本。

儘管Pi區塊鏈受益於世界各地許多分佈式節點的分散性質，但Pi的賬本本身是高能效的，並且不需要這樣一個大型分佈式節點網絡的全部計算資源。

創建一個未使用的計算容量池，可以新的實用程序，如分散式雲計算。

需要計算能力進行AI模型訓練的第三方可以利用Pi節點操作員的這些未使用資源，Pi節點操作員選擇加入，並以加密貨幣支付操作員費用。

Pi節點上的實用程序與Pi應用程序、平臺級實用程序和本地商務一起構成Pi實用程序的重要組成部分。

該節點實用程序旨在[強]解決人工智能時代的兩個新問題。集中式計算的侷限性：這些問題包括數據中心限制、能源集中以及災難性遺忘或全局狀態瓶頸等問題。

人工智能驅動的計算需求日益增長：隨着人工智能模型和智能體的發展以及人工智能經濟的擴展，對計算資源的需求也在增加。

社會將需要提供前所未有的計算能力來支持人工智能經濟，方法是儘可能多地創造新的和利用現有未使用的計算能力。分散的和未使用的計算能力依賴於分佈式網絡和技術來整合、協調和擴展以提高生產力。Pi在解決這兩個挑戰方面具有獨特的地位，因爲Pi本身已經是一個分佈式網絡，擁有[強]超過421，000個節點。(代表超過一百萬個CPU)，允許分佈式計算。

數千萬KYC身份驗證參與者誰可以選擇爲相關AI學習過程提供人在環支持，以換取加密貨幣的補償，這除了Pi節點的計算能力外，還可以爲AI系統中可擴展的、真實的人工輸入提供獨特的資源，進一步完成對AI客戶端的一站式服務。[強]這些元素共同爲人工智能基礎設施提供了新的方法，允許分佈式系統將生產[悠閒]捕獲[悠閒]到其網絡中，並使人們能夠直接爲人工智能的生產過程做出貢獻，並通過基於區塊鏈的支付獲得回報。

去年10月，Pi成功地完成了一個概念驗證項目openmind其中Pi Node操作員小組爲該公司運行圖像識別任務。

OpenMind案例研究openmind正在開發一種操作系統和開源協議，讓機器人能夠一起思考、學習和工作，就像機器人的Android操作系統一樣。像其他物理AI工作一樣，OpenMind需要強大的計算能力來訓練、評估和運行他們的模型。

爲了測試Pi的分佈式計算的可行性，OpenMind開發了一個容器，可以請求來自各個計算機的計算任務。該團隊與志願者PiNode操作員共享了這個容器，他們下載了這個容器並在自己的機器上運行。然後，openmind通過容器發送任務，請求計算機使用OpenMind的AI圖像識別模型處理不同的圖像，這是一個示例用例 其中，圖像識別訓練對於OpenMind的機器人與現實世界交互至關重要。

目標是在這些圖像中發現儘可能多的離散對象，使用志願者Pi節點操作符的計算能力來做到這一點。結果已成功運行概念驗證項目。任務被正確地推送到外部測試人員(志願者Pi節點操作員)，有效的結果被髮送回OpenMind，並且用例被證明，其中Pi節點可以選擇運行第三方定義和請求的與其區塊鏈義務無關的計算，並將有意義的結果返回給第三方客戶端。來自試點的關鍵統計數據：7名志願Pi節點操作員參加測試端到端分佈式流水線成功運行廣播的作業收到來自的確認一秒內7名工人從內的多個工作人員返回推斷結果4秒結果包含正確的對象檢測，包括預期的標籤，例如公共汽車和人，以及邊界框已成功將作業推送到外部測試機，並返回有效檢測，確認了這兩種情況分佈式廣播和結果返回路徑可靠性總體而言，實驗驗證了分佈式Pi節點能夠執行AI相關的工作負載並快速返回有用的結果。

後續步驟分佈式人工智能培訓在世界範圍內仍處於研究階段，世界各地的研究人員和感興趣的企業應該繼續探索從完全集中式人工智能培訓向更加分佈式的培訓方式轉變是否可能以及如何可能。

此類研究直接涉及前面概述的挑戰：解決集中式計算的結構性限制，利用分散和未使用的人工智能計算能力，以及爲個人有意義地參與人工智能驅動的生產創造機會。

通過評估未使用的節點計算能力如何支持外部AI工作負載，並將計算能力與真實的人工輸入打包在一起，該計劃可能提供AI公司和初創企業在尋求AI培訓需求解決方案時可以探索的[強]替代基礎設施選項。

總體而言，Pi對該節點實用程序的研究補充了Pi對區塊鏈和人工智能未來的願景，其中去中心化基礎設施有助於未來經濟的組成部分，並支持公平參與和分配。#PiNetwork