# 0G Demo: A Technical Walkthrough ฉบับแปลภาษาไทย]

**Published by:** [CST](https://paragraph.com/@cst-2/)
**Published on:** 2024-12-01
**URL:** https://paragraph.com/@cst-2/0g-demo-a-technical-walkthrough

## Content

บทความต้นฉบับ: https://0g.ai/blog/0g-demo-a-technical-walkthrough0G Demo: คำอธิบายทางเทคนิคในคำอธิบายทางเทคนิคนี้ เราจะดำดิ่งสู่การสาธิต (demos) สามรายการ จาก DevCon ที่แสดงให้เห็นความสามารถอันทรงพลังของระบบปฏิบัติการ AI แบบกระจายศูนย์ (Decentralized AI Operating System) ของ 0G 0G's dAIOS นำ AI แบบกระจายศูนย์มาสู่ชีวิตจริง ระบบ AI แบบดั้งเดิมมักขาดความโปร่งใส ความปลอดภัย และการควบคุมของผู้ใช้งาน ซึ่งเป็นสิ่งจำเป็นสำหรับระบบนิเวศ AI ที่เปิดกว้างและเชื่อถือได้ โดยการให้โครงสร้างพื้นฐานเพื่อนำ AI เข้าสู่ on-chain 0G จึงแก้ปัญหาเหล่านี้และเพิ่มพลังให้กับนักพัฒนาในการสร้าง ขยาย และทำเงินจากโซลูชัน AI โดยไม่ต้องพึ่งพาผู้ให้บริการแบบรวมศูนย์ สถาปัตยกรรมของเรามี 3 องค์ประกอบ: Service Marketplace, Compute Network, และ Storage Network ในบทความนี้ เราจะกล่าวถึง:ภาพรวมสั้นๆ ของ Service Network ของเราและวิธีที่ใครก็ตามก็สามารถใช้มันสร้างแอปพลิเคชัน AI แบบกระจายศูนย์ได้การสาธิตสามรายการที่แสดงให้เห็นว่าใช้งานได้ง่ายเพียงใดDemo 1: การอัปโหลดและดาวน์โหลด AI Models บน 0G StorageDemo 2: การลงทะเบียนเป็น GPU Provider กับ 0G ServingDemo 3: การเลือก Model และ Provider สำหรับการอนุมานที่สามารถตรวจสอบได้วิธีการเริ่มต้นใช้งานService Marketplace ของ 0GService Marketplace ของ 0G เชื่อมต่อนักพัฒนาและผู้ให้บริการ AI ในตลาดแบบเพียร์-ทู-เพียร์แบบกระจายศูนย์ ที่นี่ "Service Providers" จะแสดงรายการบริการของตน ตั้งแต่การอนุมานโมเดล การปรับแต่ง (fine-tuning) จนถึงการประมวลผลข้อมูล (data processing) ในขณะที่นักพัฒนาหรือ "Users" สามารถค้นหาและเลือกตัวเลือกที่ดีที่สุดสำหรับแอปพลิเคชัน AI ของตน ผู้ให้บริการมีความยืดหยุ่นในการกำหนดค่าบริการของแต่ละรายการของตน โดยการตั้งราคาแบบมีพลวัตตามปัจจัยต่างๆ เช่น ความซับซ้อนของโมเดล ทรัพยากรที่ต้องการ และข้อกำหนดในการตรวจสอบ ผู้ใช้ได้รับประโยชน์จากชุด AI Models และ datasets ที่หลากหลาย รวมถึงสามารถเลือกวิธีการตรวจสอบความน่าเชื่อถือ เช่น OPML, TeeML หรือ ZKML (พร้อมตัวเลือกอื่นๆ เช่น FHEML เร็วๆ นี้) ช่วยให้พวกเขาสามารถเลือกตัวเลือกที่ดีที่สุดสำหรับความต้องการด้านความน่าเชื่อถือและประสิทธิภาพ นอกเหนือจาก Service Marketplace แล้ว องค์ประกอบสำคัญสองอย่างของ 0G ประกอบด้วย:0G Storage: โซลูชันจัดเก็บข้อมูลแบบกระจายศูนย์ที่มีประสิทธิภาพสูง เหมาะสำหรับชุดข้อมูลขนาดใหญ่และ AI Models โดยมีคุณสมบัติการแบ่งข้อมูลและการเข้ารหัสที่ทำให้เกิดความเร็ว ความสามารถในการขยายขนาด และความน่าเชื่อถือของข้อมูล0G DA: เลเยอร์การใช้งานข้อมูลที่สามารถขยายได้อย่างไม่จำกัด ซึ่งรับประกันการเข้าถึงและตรวจสอบข้อมูล on-chain เพื่อสนับสนุนความโปร่งใสและความน่าเชื่อถือของแอปพลิเคชัน AI ในสภาพแวดล้อมแบบกระจายศูนย์Service Marketplace ของ 0G ร่วมกับ 0G Storage (เครือข่ายการจัดเก็บข้อมูลของเรา) และ 0G DA (เครือข่ายประมวลผลของเรา) สร้างระบบ dAIOS ที่นำ AI แบบกระจายศูนย์มาสู่ชีวิตจริงDemo 1: การดึง AI Model จาก 0G Storage เพื่อ Finetuningการสาธิต #1 เน้นที่ 0G Storage เครือข่ายจัดเก็บข้อมูลแบบกระจายศูนย์ที่ออกแบบมาเพื่อตอบสนองความต้องการประสิทธิภาพสูงของ AI แตกต่างจากโซลูชันการจัดเก็บข้อมูล on-chain แบบดั้งเดิม 0G Storage ได้รับการปรับให้มีความเร็วและความสามารถในการขยายขนาดที่เป็นเลิศ สามารถจัดการกับชุดข้อมูลขนาดใหญ่ AI Models ที่ซับซ้อน และสินทรัพย์ที่สร้างโดย AI ได้อย่างราบรื่น การสาธิตสั้นๆ นี้แสดงให้เห็นว่าด้วยโค้ดเพียงไม่กี่บรรทัด ใครก็ตามสามารถอัปโหลดหรือดาวน์โหลด Llama-70B model ได้อย่างรวดเร็วและง่ายดาย ซึ่งแสดงให้เห็นความสามารถของ 0G Storage ในการจัดการไฟล์ขนาดใหญ่ได้อย่างราบรื่น ซึ่งสำคัญสำหรับงานโหลด AI ประสิทธิภาพสูง สร้างมาเพื่อรองรับการส่งผ่านข้อมูลที่ยอดเยี่ยม โครงสร้างพื้นฐานของเราสามารถบรรลุความเร็วในการดาวน์โหลดได้ถึง 5GB/s ทำให้เหมาะสำหรับแอปพลิเคชัน AI ที่ต้องการประสิทธิภาพสูงStorage SDK และโค้ด CLI เริ่มใช้งานได้ง่าย ด้วยโค้ดเพียงไม่กี่บรรทัด หนึ่งในตัวเร่งหลักคือการใช้ data sharding เพื่อเพิ่มความเร็ว โดยการแบ่งไฟล์ออกเป็น 4 ส่วน ซึ่งจะกล่าวถึงในบทความของเราเกี่ยวกับ 0G Storage ซึ่งสามารถอ่านเพิ่มเติมได้ที่ https://0g.ai/blog/0g-storage การสาธิตนี้ยังมีการอธิบายโค้ดของ 0G Storage SDKs อย่างละเอียด ซึ่งรวมถึงการตรวจสอบฟังก์ชันของ Go SDK อย่างใกล้ชิด พร้อมรองรับ TypeScript และ Python SDKs ในอนาคต ช่วยให้นักพัฒนาสามารถโต้ตอบกับเครือข่ายการจัดเก็บข้อมูลได้อย่างมีประสิทธิภาพ มีตัวเลือก CLI สำหรับการทดสอบ และคลังข้อมูลแบบโอเพ่นซอร์สช่วยให้นักพัฒนาสามารถปรับแต่งและมีส่วนร่วมโดยการสร้างอินเทอร์เฟซไคลเอ็นต์ของตนเองDemo 2: การลงทะเบียนเป็น GPU Provider กับ 0G Serviceใน Demo #2 เราจะอธิบายขั้นตอนสำหรับผู้ให้บริการ TeeML ในการตั้งค่าบริการอนุมาน AI บน Service Marketplace แบบกระจายศูนย์ของ 0G โดยเน้นความง่ายในการปรับใช้และขั้นตอนการตรวจสอบที่ต้องใช้ในการลงทะเบียนบริการ นี่คือสิ่งที่ Demo #2 ครอบคลุม: 1.การตรวจสอบ GPU: เริ่มจากการตรวจสอบว่า GPU ของ Service Provider เป็น NVIDIA H200 จริงๆ เพื่อรับประกันความเข้ากันได้และมาตรฐานประสิทธิภาพสำหรับบริการอนุมานคำสั่ง nvidia-smi ยืนยันการมีอยู่ของ GPU NVIDIA H200 2.การเรียกใช้ Llama Model Image: ต่อมาเปิดใช้งาน Llama inference image โดยเปิดพอร์ตเพื่อรับการเรียกจากภายนอก การตั้งค่านี้ช่วยให้ Provider สามารถให้บริการคำขออนุมานโดยตรงผ่านแพลตฟอร์ม 0Gคำสั่ง "docker run ... llama-inference-image" เรียกใช้ Llama inference image บน GPU NVIDIA 3.การตั้งค่า Broker Service: GPU Provider สามารถระบุ Docker images ที่เกี่ยวข้องสำหรับบริการ provider-broker และเปิดใช้งาน โดยเปิดพอร์ตที่จำเป็นสำหรับการโต้ตอบ Broker นี้ทำหน้าที่เป็นคนกลางระหว่าง marketplace และ AI modelคำสั่ง "docker compose -f provider-broker/docker-compose.yml up -d" เริ่มเรียกใช้ Docker containers ที่ระบุ พร้อมการยืนยันการเรียกใช้งาน 4.การลงทะเบียนบริการ: Provider ส่งคำขอ POST ด้วยพารามิเตอร์หลัก ได้แก่ การกำหนดราคา URL ชื่อ provider model และวิธีการตรวจสอบ ข้อมูลนี้จะลงทะเบียนบริการบน 0G Service Marketplace ทำให้เห็นได้โดยผู้ใช้ที่มีศักยภาพ 5.การตรวจสอบและการแสดงรายการใน Marketplace: สุดท้าย provider เรียก marketplace เพื่อยืนยันว่ามีการแสดงบริการของตนให้เลือกใช้งาน หลังจากตรวจสอบการลงทะเบียน บริการอนุมานจะพร้อมใช้งานและสามารถเข้าถึงได้โดยนักพัฒนาบน marketplace ฝั่งนักพัฒนา ปัจจุบันผู้ใช้มีตัวเลือกการตรวจสอบความน่าเชื่อถือ 3 แบบ: OPML, TeeML และ ZKML ในอนาคต วิธีการตรวจสอบอื่นเช่น secure multi-party ML (spML) และ fully homomorphic encryption ML (FHEML) จะได้รับการสนับสนุนเพิ่มเติม เพื่อขยายตัวเลือกสำหรับนักพัฒนาที่ต้องการบริการ AI ที่ได้รับการตรวจสอบและปลอดภัยDemo 3: การเลือก Model และ Provider สำหรับการอนุมานที่สามารถตรวจสอบได้ด้วย 0G Serviceใน Demo #3 เราจะอธิบายกระบวนการอนุมานที่สามารถตรวจสอบได้บน Service Marketplace ของ 0G ในตัวอย่างนี้ นักพัฒนาเริ่มต้นโดยการเลือกจาก AI Models หลากหลาย รวมถึงตัวเลือกโอเพ่นซอร์สยอดนิยมและ Models กรรมสิทธิ์ที่มีเฉพาะใน Decentralized AI Operating System (dAIOS) ของ 0GDemo 3 แสดง Service Providers ที่มีอยู่ พร้อมข้อมูลเช่น Uptime % Service Marketplace ของ 0G แสดงรายละเอียดต่างๆ เช่น อุปกรณ์ GPU ที่ใช้ ตำแหน่งทางภูมิศาสตร์ อัตราการทำงาน และประเภทการตรวจสอบความน่าเชื่อถือ (เช่น ZKML, TeeML และ OpML) สำหรับการสาธิตนี้ เราเลือก Model ที่ได้รับการตรวจสอบด้วย TeeML เพื่อรับประกันการประมวลผลที่น่าเชื่อถือผ่าน TEE (Trusted Execution Environment) ผู้ให้บริการที่ได้รับการตรวจสอบจะมีเครื่องหมายถูกสีเขียว ซึ่งบ่งบอกว่า 0G ได้ยืนยันความถูกต้องของการตั้งค่าของพวกเขาแล้ว เมื่อเลือก Model และ Provider แล้ว นักพัฒนาจะถูกพาไปยังสนามทดสอบแบบโต้ตอบที่ซึ่งพวกเขาสามารถทดสอบ Model เช่น การขอให้มันสร้าง Haiku การอธิบายนี้เน้นให้เห็นถึงความง่ายและความปลอดภัยที่ Service Marketplace ของ 0G มอบให้กับนักพัฒนาที่ต้องการสร้างแอปพลิเคชัน AI ที่เชื่อถือได้และโปร่งใสเริ่มต้นใช้งาน 0Gการสาธิตข้างต้นแสดงให้เห็นว่าใครก็ตามสามารถเริ่มต้นได้อย่างง่ายดาย: Integrations ที่ง่าย: นักพัฒนาสามารถเข้าถึง decentralized storage และ Service Marketplace ของ 0G ได้อย่างง่ายดาย เพื่ออัปโหลด เรียกคืน และจัดการ datasets และ AI Models ขนาดใหญ่ Deployment ที่รวดเร็ว: กระบวนการตั้งค่าที่ง่ายหมายความว่าผู้ให้บริการสามารถลงทะเบียนบริการอนุมาน AI บน marketplace ได้ภายในไม่กี่นาที ทำให้สามารถนำเสนอการให้บริการให้กับนักพัฒนาได้ ตัวเลือกการตรวจสอบที่ยืดหยุ่น: นักพัฒนามีสิทธิ์เข้าถึงตัวเลือกการตรวจสอบหลายแบบ เช่น OPML, TeeML และ ZKML เพื่อรับประกันการโต้ตอบที่ปลอดภัยและโปร่งใสกับบริการ AI บนแพลตฟอร์ม เพื่อเริ่มต้น เข้าร่วม Discord ของเราและติดต่อเรา!

## Publication Information

- [CST](https://paragraph.com/@cst-2/): Publication homepage
- [All Posts](https://paragraph.com/@cst-2/): More posts from this publication
- [RSS Feed](https://api.paragraph.com/blogs/rss/@cst-2): Subscribe to updates