مع ارتفاع تكاليف أجهزة الحوسبة بسرعة، تكتسب شبكات الحوسبة اللامركزية زخمًا كبديل قابل للتطبيق. تقدم DECLOUD نهجًا فريدًا: يقوم منشئو النماذج بتحميل مهام التدريب الخاصة بهم، ويقوم المدربون المستقلون بتنفيذ العمل الحسابي باستخدام موارد GPU الاحتياطية، ويشرف المدققون على العملية لضمان الجودة وتوزيع المكافآت بشكل عادل. يخلق هذا النموذج ذو الثلاث طبقات حوافز لاستخدام الموارد بكفاءة مع تلبية الطلب المتزايد على بنية تحتية لتدريب الذكاء الاصطناعي بأسعار معقولة.
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 13
أعجبني
13
4
إعادة النشر
مشاركة
تعليق
0/400
SatsStacking
· منذ 5 س
هذه التصاميم الثلاثة فعلاً مثيرة للاهتمام، لكن الأهم هو ما إذا كانت مجموعة المدققين موثوقة أم لا
شاهد النسخة الأصليةرد0
VibesOverCharts
· منذ 5 س
استخدام موارد GPU غير مستخدمة لتدريب النماذج، هذه الفكرة رائعة... فقط لا أعرف مدى موثوقية جهة المدققين، أخشى أن أتم خداعي
شاهد النسخة الأصليةرد0
SnapshotDayLaborer
· منذ 5 س
بصراحة، هذه الهيكلية الثلاثية تبدو سلسة، فقط أخشى أن تنتهي الأمور إلى فوضى عند التنفيذ
شاهد النسخة الأصليةرد0
GasFeeCrier
· منذ 5 س
تبا، أسعار بطاقات الرسوميات بهذه الجنونية، فإن شبكة الحوسبة الموزعة حقًا هي الحل
مع ارتفاع تكاليف أجهزة الحوسبة بسرعة، تكتسب شبكات الحوسبة اللامركزية زخمًا كبديل قابل للتطبيق. تقدم DECLOUD نهجًا فريدًا: يقوم منشئو النماذج بتحميل مهام التدريب الخاصة بهم، ويقوم المدربون المستقلون بتنفيذ العمل الحسابي باستخدام موارد GPU الاحتياطية، ويشرف المدققون على العملية لضمان الجودة وتوزيع المكافآت بشكل عادل. يخلق هذا النموذج ذو الثلاث طبقات حوافز لاستخدام الموارد بكفاءة مع تلبية الطلب المتزايد على بنية تحتية لتدريب الذكاء الاصطناعي بأسعار معقولة.