Генеративное ИИ видео сейчас очень популярно, но все сталкиваются с одной общей проблемой — слишком высокие затраты на хранение, медленная скорость доступа к данным и вопросы защиты пользовательской приватности.

Недавно я наткнулся на интересный кейс. Платформа генеративного ИИ видео Everlyn обратила внимание на децентрализованное хранение, выбрав Walrus в качестве основного слоя данных, что напрямую решает эти отраслевые проблемы. Глубокое интегрирование ИИ и распределенного хранения — это действительно заслуживающий внимания тренд.

В чем заключается основное конкурентное преимущество Everlyn? Их модель Everlyn-1 способна за 16 секунд преобразовать статичное изображение в высококачественное видео, что значительно превосходит платформы вроде Midjourney. Технологическая основа этого успеха — поддержка Walrus.

Масштаб сотрудничества впечатляет. Everlyn уже перенесла более 5000 пользовательских видео в разрешении от 480p до 720p на платформу Walrus, а в будущем планирует перенести все тренировочные датасеты, контрольные точки моделей и KV-кэш, хранящиеся ранее в AWS и Azure, — общий объем более 50 ГБ. Для платформы генерации видео ИИ это крупный шаг.

Почему они так поступают? Из-за стоимости. Затраты на хранение тренировочных данных напрямую влияют на ценообразование сервиса. Технология Red-Stuff двумерного кодирования с исправлением ошибок Walrus позволяет снизить затраты на хранение до рекордно низкого уровня, что позволяет Everlyn сохранять высокую скорость генерации и одновременно снижать порог входа для создателей контента.

Еще один важный момент — пакетное хранение Quilt. Процесс генерации видео создает множество мелких фрагментированных файлов, и эта схема идеально справляется с их обработкой, обеспечивая эффективное пакетное хранение и быстрый доступ, что важно для оптимизации модели в реальном времени. Кажется, это полноценное решение.