Pi Network สำรวจการฝึก AI แบบกระจายศูนย์, ทดลองการรู้จำภาพบน 42.1 หมื่นโหนด

Pi Network สรุปรายละเอียดกรณีศึกษาในวันเสาร์ ยืนยันว่าโหนดกว่า 421,000 โหนดภายใต้เครือข่ายได้ดำเนินการสำเร็จในโครงการพิสูจน์แนวคิด (PoC) ที่เกี่ยวข้องกับการฝึก AI การทดสอบนี้นำโดย OpenMind โดยผู้ดำเนินการโหนดอาสา 7 คนสามารถส่งผลการวิเคราะห์ภาพภายใน 4 วินาที ซึ่งเป็นการยืนยันความเป็นไปได้ของการสนับสนุนงาน AI ด้วยพลังการคำนวณที่ไม่ได้ใช้งาน

พิสูจน์แนวคิด OpenMind: กระบวนการทดสอบและผลลัพธ์หลัก

(ที่มา: เว็บไซต์ Pi Network)

หัวใจของการพิสูจน์แนวคิดนี้คือ: เครือข่ายโหนดแบบกระจายของ Pi สามารถรองรับงานคำนวณภายนอกที่เกี่ยวข้องกับ AI ได้อย่างเชื่อถือได้หรือไม่? OpenMind กำลังสร้างระบบปฏิบัติการและโปรโตคอลการสื่อสารแบบเปิดสำหรับหุ่นยนต์ ซึ่งต้องการพลังการคำนวณที่แข็งแกร่งเพื่อสนับสนุนการฝึก การประเมินผล และการดำเนินงานของโมเดล

การทดสอบใช้สถาปัตยกรรมคอนเทนเนอร์: OpenMind สร้างคอนเทนเนอร์ที่สามารถแจกจ่ายงานคำนวณไปยังคอมพิวเตอร์โหนดแต่ละเครื่อง ผู้ดำเนินการโหนด Pi อาสาดาวน์โหลดคอนเทนเนอร์และรันบนเครื่องในพื้นที่ ระบบจะส่งงานวิเคราะห์ภาพไปให้แต่ละโหนดใช้โมเดลของ OpenMind ในการประมวลผลภาพ โดยเป้าหมายคือการระบุวัตถุที่แตกต่างกันในภาพให้ได้มากที่สุด

ข้อมูลการทดสอบแสดงให้เห็นว่า ผู้ดำเนินการโหนดอาสา 7 คนสามารถส่งการยืนยันงานภายใน 1 วินาที และหลายโหนดสามารถทำการวิเคราะห์และส่งผลลัพธ์ภายใน 4 วินาที ซึ่งผลลัพธ์ประกอบด้วยแท็กวัตถุที่คาดหวัง (เช่น “รถเมล์” และ “คน”) รวมถึงข้อมูลกรอบขอบเขต การทำงานเป็นไปอย่างปกติ

ความหมายทางเทคนิคและคุณค่าของโหนดใน AI แบบกระจาย

Pi ระบุว่าการพิสูจน์แนวคิดนี้มีเป้าหมายเพื่อรับมือกับความท้าทายเชิงโครงสร้างสองประการในด้าน AI: ข้อจำกัดของความจุศูนย์ข้อมูลและการใช้พลังงานที่ศูนย์กลาง รวมถึงความต้องการพลังการคำนวณที่เพิ่มขึ้นอย่างต่อเนื่องจากการขยายตัวของโมเดล AI ตัวอย่างลักษณะสำคัญของเทคโนโลยีที่เปิดเผยในครั้งนี้คือ:

• การตอบสนองแบบต่ำดีเลย์: การยืนยันงานเสร็จภายใน 1 วินาที ผลลัพธ์การวิเคราะห์ภายใน 4 วินาที แสดงให้เห็นว่าเครือข่ายแบบกระจายสามารถรองรับการประมวลผลแบบเรียลไทม์ได้ในระดับที่ยอมรับได้
• ฐานพลังการคำนวณที่สามารถขยายได้: โหนดกว่า 421,000 โหนดเทียบเท่ากับ CPU กว่าหนึ่งล้านเครื่อง เมื่อเชิงพาณิชย์แล้วสามารถให้บริการพลังการคำนวณทางเลือกในระดับที่สำคัญสำหรับบริษัท AI
• ศักยภาพรายได้ของผู้ดำเนินการโหนด: หากโมเดลนี้พัฒนาเต็มที่ จะสร้างโอกาสให้ผู้ดำเนินการโหนดมีส่วนร่วมในงานคำนวณ AIและได้รับรางวัล

Pi เน้นย้ำว่าการฝึก AI แบบกระจายยังอยู่ในระยะวิจัย และต้องการการพัฒนาต่อเนื่องในหลายมิติ ตั้งแต่การทดลองครั้งเดียวไปจนถึงการปรับใช้ในเชิงพาณิชย์ที่มีความน่าเชื่อถือ ต้องเอาชนะอุปสรรคด้านเทคนิค การออกแบบแรงจูงใจ และกลไกความปลอดภัย

แผนงาน AI ของ Pi Network: การพัฒนาร่วมกับการอัปเกรดโปรโตคอล

การเปิดตัวกรณีศึกษาในครั้งนี้ตรงกับครบรอบหนึ่งปีของการเปิดเครือข่าย Pi Network ซึ่งก่อนหน้านี้ Pi ได้กำหนด AI เป็นหนึ่งในกลยุทธ์หลักของเครือข่ายหลังอัปเดต ร่วมกับโทเคนในระบบนิเวศและบริการระบุตัวตน ในระดับโปรโตคอล Pi เพิ่งเสร็จสิ้นการอัปเกรดเป็นเวอร์ชัน v19.9 และตั้งเป้าหมายที่จะอัปเกรดเป็น v20.2 ก่อนวัน Pi Day (14 มีนาคม 2026 ซึ่งเป็นวันครบรอบก่อตั้ง) โดยแนวทางเทคนิคและกลยุทธ์ AI จะดำเนินไปควบคู่กัน

การพิสูจน์แนวคิดของ OpenMindเป็นกรณีทดสอบเชิงพาณิชย์แรกของ Pi ในด้านการค้า AI แบบกระจาย ซึ่งเป็นการยืนยันแนวคิดเบื้องต้นสำหรับเครื่องมือโหนดของเครือข่าย แต่ยังต้องการการพิสูจน์เพิ่มเติมเพื่อการใช้งานในระดับเชิงพาณิชย์เต็มรูปแบบ

คำถามที่พบบ่อย

โหนดกว่า 421,000 โหนดของ Pi Network ใช้สำหรับการฝึก AI อย่างไร?

ผู้ดำเนินการโหนดสามารถเลือกดาวน์โหลดคอนเทนเนอร์ที่สร้างโดยบุคคลที่สาม (เช่น OpenMind) เพื่อรับงานคำนวณ AI ภายนอก โดยใช้ทรัพยากร CPU ที่ไม่ได้ใช้งานในเครื่องของตนเอง หลังจากคำนวณเสร็จแล้วก็ส่งผลลัพธ์กลับ ในการพิสูจน์แนวคิดนี้ งานเป็นการวิเคราะห์ภาพ ระบบสามารถส่งผลลัพธ์ภายใน 4 วินาที

ผลลัพธ์หลักของการพิสูจน์แนวคิดนี้คืออะไร?

ผู้ดำเนินการโหนดอาสา 7 คนสามารถส่งการยืนยันงานภายใน 1 วินาที และหลายโหนดสามารถทำการวิเคราะห์ภาพและส่งผลภายใน 4 วินาที ซึ่งประกอบด้วยแท็กวัตถุและข้อมูลกรอบขอบเขต Pi Network ระบุว่ากระบวนการทำงานเป็นไปอย่างปกติ แต่เน้นว่าการฝึก AI แบบกระจายยังอยู่ในระยะวิจัย

ความแตกต่างระหว่างโมเดล AI แบบกระจายของ Pi กับการให้บริการพลังงานแบบดั้งเดิมคืออะไร?

AI แบบดั้งเดิมมักเน้นการใช้ศูนย์ข้อมูลขนาดใหญ่ที่มีความจุสูงและใช้พลังงานมาก ในขณะที่ Pi ใช้โครงข่ายโหนดที่ว่างเปล่าทั่วโลกเพื่อให้พลังการคำนวณทางเลือก ซึ่งมีข้อได้เปรียบด้านความเป็นศูนย์กลางน้อยลงและอาจใช้พลังงานต่ำกว่า แต่ยังอยู่ในระยะเริ่มต้นของความน่าเชื่อถือและความสามารถในการขยายในเชิงพาณิชย์