Alex Xu - Usaha Mint
Waktu publikasi asli: 08-04-2024 10:23
Tautan asli: https://research.mintventures.fund/2024/04/08/zh-a-new-solana-based-ai-depin-project-a-brief-lysis-of-upcoming-tokenlaunch-io-net /
perkenalan
Dalam artikel terakhir saya, saya menyebutkan bahwa dibandingkan dengan dua siklus sebelumnya, siklus pasar bullish kripto ini kurang berpengaruh pada bisnis baru dan narasi aset baru. AI adalah salah satu dari sedikit narasi baru di bidang Web3 kali ini. Penulis artikel ini akan mencoba memilah pemikiran saya tentang dua masalah berikut berdasarkan proyek AI panas tahun ini IO.NET:
Kebutuhan komersial AI+Web3
Kebutuhan dan tantangan layanan komputasi terdistribusi
Kedua, penulis akan memilah informasi penting dari proyek IO.NET, proyek perwakilan kekuatan komputasi terdistribusi AI, termasuk logika produk, produk kompetitif, dan latar belakang proyek, serta menyimpulkan penilaian proyek tersebut.
Sebagian pemikiran artikel ini tentang kombinasi AI dan Web3 terinspirasi oleh "The Real Merge" yang ditulis oleh peneliti Delphi Digital Michael rinko. Beberapa pandangan dalam artikel ini dicerna dan dikutip dari artikel tersebut. Pembaca disarankan untuk membaca artikel aslinya.
Artikel ini merupakan pemikiran penulis yang dipentaskan pada saat diterbitkan, mungkin saja berubah di masa mendatang, dan pandangannya sangat subjektif. Mungkin juga terdapat kesalahan dalam fakta, data, dan alasan . Komentar dan diskusi dari rekan-rekan dipersilakan.
Berikut ini adalah teks utamanya.
1. Logika bisnis: kombinasi AI dan Web3
1.1 2023: “Tahun keajaiban” baru yang diciptakan oleh AI
Melihat kembali sejarah perkembangan manusia, begitu teknologi mencapai terobosan, perubahan besar akan terjadi mulai dari kehidupan individu sehari-hari, berbagai struktur industri, dan seluruh peradaban manusia.
Ada dua tahun penting dalam sejarah umat manusia, yaitu 1666 dan 1905. Kini keduanya dikenal sebagai dua “tahun keajaiban” dalam sejarah ilmu pengetahuan dan teknologi.
Tahun 1666 dianggap sebagai Tahun Keajaiban karena prestasi ilmiah Newton muncul secara terkonsentrasi pada tahun itu. Pada tahun ini, ia membuka cabang fisika optik, mendirikan cabang matematika kalkulus, dan menurunkan rumus gravitasi, hukum dasar ilmu pengetahuan alam modern. Masing-masing hal ini akan menjadi kontribusi mendasar bagi perkembangan ilmu pengetahuan manusia dalam seratus tahun mendatang, sehingga mempercepat perkembangan ilmu pengetahuan secara keseluruhan.
Tahun keajaiban kedua adalah tahun 1905. Saat itu, Einstein yang baru berusia 26 tahun menerbitkan empat makalah berturut-turut di "Annals of Physics", yang membahas tentang efek fotolistrik (peletakan dasar mekanika kuantum) dan gerak Brown (menjadi a metode untuk menganalisis proses acak). Referensi penting), relativitas khusus dan persamaan massa-energi (yaitu rumus terkenal E=MC^2). Dalam evaluasi generasi selanjutnya, masing-masing dari keempat makalah ini melampaui tingkat rata-rata Hadiah Nobel Fisika (Einstein sendiri juga memenangkan Hadiah Nobel untuk makalahnya tentang efek fotolistrik), dan proses sejarah peradaban manusia sekali lagi sangat luar biasa. maju. Beberapa langkah.
Tahun 2023 yang baru saja berlalu kemungkinan besar akan disebut sebagai "tahun keajaiban" lainnya karena ChatGPT.
Kami menganggap tahun 2023 sebagai "tahun keajaiban" dalam sejarah ilmu pengetahuan dan teknologi manusia, bukan hanya karena kemajuan besar GPT dalam pemahaman dan pembangkitan bahasa alami, namun juga karena manusia telah menyadari pertumbuhan kemampuan model bahasa yang besar dari evolusi bahasa. Aturan GPT - yaitu, dengan memperluas parameter model dan data pelatihan, kemampuan model dapat ditingkatkan secara eksponensial - dan tidak ada hambatan dalam proses ini dalam jangka pendek (selama daya komputasi mencukupi).
Kemampuan ini jauh dari memahami bahasa dan menghasilkan dialog. Ia juga dapat digunakan secara luas di berbagai bidang ilmu pengetahuan dan teknologi. Ambil contoh penerapan model bahasa besar di bidang biologi:
Pada tahun 2018, pemenang Hadiah Nobel Kimia Francis Arnold mengatakan pada upacara penghargaan: "Hari ini kita dapat membaca, menulis, dan mengedit urutan DNA apa pun dalam aplikasi praktis, tetapi kita belum dapat menyusunnya Lima tahun setelah pidatonya, pada tahun 2023, para peneliti dari Stanford University dan startup AI Silicon Valley, Salesforce Research, menerbitkan makalah dalam "Nature-Biotechnology". Mereka menggunakan model bahasa besar yang disempurnakan berdasarkan GPT3 untuk menghasilkan 0 hingga Satu juta protein baru, dan dua protein dengan sangat berbeda. namun keduanya ditemukan memiliki kemampuan bakterisida sehingga diharapkan dapat menjadi solusi untuk memerangi bakteri selain antibiotik. Dengan kata lain: dengan bantuan AI, hambatan “penciptaan” protein telah diatasi.
Sebelumnya, algoritma kecerdasan buatan AlphaFold memprediksi struktur hampir seluruh 214 juta protein di bumi dalam waktu 18 bulan. Hasil ini ratusan kali lipat hasil kerja semua ahli biologi struktur manusia di masa lalu.
Dengan berbagai model berbasis AI, mulai dari teknologi keras seperti bioteknologi, ilmu material, penelitian dan pengembangan obat-obatan hingga bidang humaniora seperti hukum dan seni akan membawa perubahan yang mengejutkan, dan tahun 2023 adalah tahun pertama dari semua ini.
Kita semua tahu bahwa kemampuan umat manusia untuk menciptakan kekayaan telah tumbuh secara eksponensial dalam satu abad terakhir, dan pesatnya kematangan teknologi AI pasti akan semakin mempercepat proses ini.
Grafik tren PDB global, sumber data: Bank Dunia
1.2 Kombinasi AI dan Kripto
Untuk memahami pentingnya menggabungkan AI dan Kripto, kita dapat mulai dari karakteristik yang saling melengkapi dari keduanya.
Fitur pelengkap AI dan Crypto
AI memiliki tiga atribut:
Keacakan: AI bersifat acak. Di balik mekanisme produksi kontennya terdapat kotak hitam yang sulit direproduksi dan dideteksi, sehingga hasilnya juga acak.
Padat sumber daya: AI adalah industri padat sumber daya yang membutuhkan banyak energi, chip, dan daya komputasi.
Kecerdasan mirip manusia: AI akan (segera) dapat lulus uji Turing, dan setelah itu, manusia tidak dapat dibedakan dari mesin*
※Pada tanggal 30 Oktober 2023, tim peneliti di Universitas California, San Diego merilis hasil pengujian Turing (laporan pengujian) pada GPT-3.5 dan GPT-4.0. Skor GPT4.0 adalah 41%, hanya berjarak 9% dari batas kelulusan 50%. Skor tes manusia pada proyek yang sama adalah 63%. Maksud dari tes Turing ini adalah berapa persen orang yang mengira bahwa orang yang diajak ngobrol adalah orang sungguhan. Jika melebihi 50%, berarti setidaknya separuh penonton menganggap lawan bicaranya adalah manusia, bukan mesin, yang dianggap lulus uji Turing.
Meskipun AI menciptakan lompatan produktivitas baru bagi umat manusia, ketiga atributnya juga membawa tantangan besar bagi masyarakat manusia, yaitu:
Bagaimana memverifikasi dan mengendalikan keacakan AI sehingga keacakan menjadi keuntungan dan bukan kerugian
Bagaimana memenuhi kesenjangan energi dan daya komputasi yang sangat besar yang dibutuhkan oleh AI
Bagaimana membedakan manusia dan mesin
Karakteristik Crypto dan ekonomi blockchain mungkin bisa menjadi obat yang tepat untuk mengatasi tantangan yang dibawa oleh AI. Ekonomi kripto memiliki tiga karakteristik berikut:
Determinisme: Bisnis yang dijalankan berdasarkan blockchain, kode, dan kontrak pintar. Aturan dan batasannya jelas.
Alokasi sumber daya yang efisien: Ekonomi kripto telah membangun pasar bebas global yang besar. Penetapan harga, pengumpulan, dan sirkulasi sumber daya sangat cepat. Dan karena adanya token, insentif dapat digunakan untuk mempercepat pencocokan pasokan dan permintaan pasar dan mempercepat mencapai titik kritis.
Bebas kepercayaan: Buku besar terbuka, kodenya adalah sumber terbuka, dan semua orang dapat dengan mudah memverifikasinya, menghadirkan sistem "tidak dapat dipercaya", sementara teknologi ZK menghindari paparan privasi bersamaan dengan verifikasi.
Selanjutnya, tiga contoh akan digunakan untuk menggambarkan saling melengkapi AI dan ekonomi kripto.
Contoh A: Memecahkan Keacakan, Agen AI Berdasarkan Ekonomi Kripto
Agen AI adalah program kecerdasan buatan yang bertanggung jawab melakukan pekerjaan untuk manusia berdasarkan kehendak manusia (proyek perwakilannya mencakup Fetch.AI). Misalkan kita ingin agen AI kita memproses transaksi keuangan, seperti "Beli $1.000 dalam BTC". Agen AI mungkin menghadapi dua situasi:
Skenario 1: Ia ingin terhubung dengan lembaga keuangan tradisional (seperti BlackRock) dan membeli BTC ETF. Ia menghadapi banyak masalah adaptasi antara agen AI dan lembaga terpusat, seperti KYC, tinjauan informasi, login, verifikasi identitas, dll. Saat ini masih sangat merepotkan.
Dalam kasus kedua, ini berjalan berdasarkan ekonomi enkripsi asli, dan situasinya akan menjadi lebih sederhana. Ini akan langsung menggunakan akun Anda untuk menandatangani dan melakukan pemesanan untuk menyelesaikan transaksi melalui Uniswap atau platform perdagangan agregat, dan menerima WBTC (atau) enkapsulasi lainnya) format BTC), seluruh prosesnya cepat dan mudah. Faktanya, inilah yang dilakukan oleh berbagai BOT Perdagangan. Mereka sebenarnya berperan sebagai agen AI junior, namun pekerjaan mereka terfokus pada perdagangan. Di masa depan, dengan integrasi dan evolusi AI, berbagai jenis BOT perdagangan pasti akan mampu melaksanakan tujuan perdagangan yang lebih kompleks. Misalnya: lacak 100 alamat uang pintar di rantai tersebut, analisis strategi perdagangan dan tingkat keberhasilannya, gunakan 10% dana di alamat saya untuk melakukan transaksi serupa dalam seminggu, dan hentikan ketika hasilnya tidak bagus, dan rangkum kemungkinannya. alasan kegagalan.
AI akan berjalan lebih baik dalam sistem blockchain, terutama karena kejelasan aturan ekonomi kripto dan akses tanpa izin ke sistem. Dengan melakukan tugas berdasarkan aturan yang terbatas, potensi risiko yang ditimbulkan oleh keacakan AI juga akan lebih kecil. Misalnya, performa AI dalam kompetisi catur dan kartu serta video game telah melampaui kinerja manusia karena permainan catur dan kartu merupakan kotak pasir tertutup dengan aturan yang jelas. Kemajuan AI dalam mengemudi otonom akan relatif lambat, karena tantangan lingkungan eksternal terbuka lebih besar, dan lebih sulit bagi kita untuk menoleransi masalah pemrosesan AI yang acak.
Contoh B: Membentuk sumber daya dan mengumpulkan sumber daya melalui insentif token
Total daya komputasi saat ini dari jaringan daya komputasi global di belakang BTC (Hashrate: 576,70 EH/s) melebihi daya komputasi komprehensif superkomputer di negara mana pun. Motivasi pengembangannya berasal dari insentif jaringan yang sederhana dan adil.
Tren kekuatan komputasi jaringan BTC, sumber: https://www.coinwarz.com/
Selain itu, proyek DePIN termasuk Mobile juga mencoba menggunakan insentif token untuk membentuk pasar dua sisi di kedua sisi penawaran dan permintaan untuk mencapai efek jaringan. IO.NET, yang selanjutnya akan dibahas dalam artikel ini, adalah platform yang dirancang untuk mengumpulkan kekuatan komputasi AI. Diharapkan melalui model token, lebih banyak potensi kekuatan komputasi AI akan terstimulasi.
Contoh C: Kode sumber terbuka, memperkenalkan ZK, membedakan manusia dan mesin sekaligus melindungi privasi
Sebagai proyek Web3 yang diikuti oleh pendiri OpenAI Sam Altman, Worldcoin menggunakan perangkat keras Orb untuk menghasilkan nilai hash eksklusif dan anonim berdasarkan biometrik iris mata manusia dan teknologi ZK untuk memverifikasi identitas dan membedakan antara manusia dan mesin. Pada awal Maret tahun ini, proyek seni Web3 Drip mulai menggunakan ID Worldcoin untuk memverifikasi pengguna sebenarnya dan memberikan hadiah.
Selain itu, Worldcoin juga baru-baru ini membuka kode program perangkat keras irisnya, Orb, untuk memberikan jaminan keamanan dan privasi biometrik pengguna.
Secara umum, karena kepastian kode dan kriptografi, keuntungan sirkulasi sumber daya dan penggalangan dana yang dihasilkan oleh mekanisme tanpa izin dan token, serta atribut tanpa kepercayaan berdasarkan kode sumber terbuka dan buku besar, ekonomi kripto telah menjadi tantangan AI yang besar bagi masyarakat manusia. Sebuah solusi potensial yang penting.
Dan di antara tantangan-tantangan tersebut, tantangan yang paling mendesak dengan permintaan komersial yang paling tinggi adalah kebutuhan yang sangat besar akan produk-produk AI dalam sumber daya komputasi, yang melingkupi tingginya permintaan akan chip dan daya komputasi.
Hal ini juga merupakan alasan utama mengapa pertumbuhan proyek daya komputasi terdistribusi melebihi keseluruhan jalur AI dalam siklus pasar bullish ini.
Kebutuhan Bisnis akan Komputasi Terdesentralisasi
AI membutuhkan sumber daya komputasi yang besar, baik untuk model pelatihan maupun melakukan inferensi.
Dalam praktik pelatihan model bahasa besar, satu fakta telah dikonfirmasi: selama skala parameter data cukup besar, model bahasa besar akan muncul dengan beberapa kemampuan yang sebelumnya tidak tersedia. Lonjakan eksponensial dalam kemampuan setiap generasi GPT dibandingkan generasi sebelumnya disebabkan oleh peningkatan eksponensial dalam jumlah penghitungan yang diperlukan untuk pelatihan model.
Penelitian oleh DeepMind dan Stanford University menunjukkan bahwa ketika model bahasa besar yang berbeda menghadapi tugas yang berbeda (operasi, menjawab pertanyaan Persia, pemahaman bahasa alami, dll.), mereka hanya perlu meningkatkan ukuran parameter model selama pelatihan model (sejalan dengan itu, pelatihan The jumlah perhitungan juga meningkat), hingga jumlah pelatihan tidak mencapai 10^22 FLOP (FLOP mengacu pada operasi floating point per detik, digunakan untuk mengukur kinerja komputasi), kinerja tugas apa pun hampir sama dengan memberikan jawaban secara acak. ; Dan setelah skala parameter melebihi nilai kritis skala tersebut, kinerja tugas meningkat tajam, apa pun model bahasanya.
来源:Kemampuan yang Muncul dari Model Bahasa Besar
来源:Kemampuan yang Muncul dari Model Bahasa Besar
Ini juga merupakan verifikasi hukum dan praktik "keajaiban besar" dalam daya komputasi yang membuat pendiri OpenAI Sam Altman mengusulkan penggalangan dana sebesar US$7 triliun untuk membangun pabrik chip canggih yang 10 kali lebih besar dari ukuran TSMC saat ini (bagian ini Diperkirakan akan menelan biaya 1,5 triliun) dan menggunakan sisa dana untuk produksi chip dan pelatihan model.
Selain daya komputasi yang dibutuhkan untuk pelatihan model AI, proses inferensi dari model itu sendiri juga membutuhkan daya komputasi yang besar (walaupun jumlah kalkulasinya lebih kecil dibandingkan dengan pelatihan), sehingga membutuhkan chip dan daya komputasi. telah menjadi faktor utama dalam berpartisipasi dalam jalur AI keadaan normal seseorang.
Dibandingkan dengan penyedia daya komputasi AI terpusat seperti Amazon Web Services, Google Cloud Platform, Microsoft Azure, dll., proposisi nilai utama komputasi AI terdistribusi meliputi:
Aksesibilitas: Mendapatkan akses ke chip komputasi menggunakan layanan cloud seperti AWS, GCP, atau Azure sering kali memerlukan waktu berminggu-minggu, dan model GPU populer sering kali kehabisan stok. Selain itu, untuk memperoleh daya komputasi, konsumen sering kali perlu menandatangani kontrak jangka panjang yang tidak fleksibel dengan perusahaan besar tersebut. Platform komputasi terdistribusi dapat memberikan pemilihan perangkat keras yang fleksibel dan aksesibilitas yang lebih besar.
Harga rendah: Karena penggunaan chip yang menganggur, ditambah dengan subsidi token pihak protokol jaringan untuk chip dan pemasok daya komputasi, jaringan daya komputasi terdistribusi mungkin dapat menyediakan daya komputasi yang lebih murah.
Perlawanan terhadap sensor: Saat ini, chip dan pasokan daya komputasi mutakhir dimonopoli oleh perusahaan-perusahaan teknologi besar, dan pemerintah yang diwakili oleh Amerika Serikat meningkatkan pengawasan terhadap layanan daya komputasi AI dapat didistribusikan, secara fleksibel, dan bebas diperoleh. Secara bertahap menjadi permintaan eksplisit, ini juga merupakan proposisi nilai inti dari platform layanan daya komputasi berbasis web3.
Jika energi fosil adalah darah era industri, maka daya komputasi mungkin menjadi darah era digital baru yang dibuka oleh AI, dan pasokan daya komputasi akan menjadi infrastruktur era AI. Sama seperti stablecoin yang telah menjadi cabang sampingan mata uang legal yang berkembang pesat di era Web3, akankah pasar daya komputasi terdistribusi menjadi cabang sampingan dari pasar daya komputasi AI yang berkembang pesat?
Karena ini masih merupakan pasar yang cukup awal, semuanya masih harus dilihat. Namun, faktor-faktor berikut dapat merangsang narasi atau adopsi pasar terhadap daya komputasi terdistribusi:
Pasokan dan permintaan GPU terus terbatas. Pasokan GPU yang terus terbatas mungkin mendorong beberapa pengembang untuk mencoba platform komputasi terdistribusi.
Perluasan peraturan. Jika Anda ingin mendapatkan layanan daya komputasi AI dari platform daya komputasi awan besar, Anda harus melalui KYC dan ulasan berlapis. Hal ini justru dapat mendorong penerapan platform komputasi terdistribusi, terutama di area yang terkena pembatasan dan sanksi.
Stimulus harga token. Kenaikan harga token selama siklus pasar bullish akan meningkatkan nilai subsidi platform ke sisi pasokan GPU, sehingga menarik lebih banyak pemasok untuk memasuki pasar, meningkatkan ukuran pasar, dan mengurangi harga pembelian aktual konsumen.
Namun pada saat yang sama, tantangan platform komputasi terdistribusi juga cukup jelas:
Tantangan teknis dan rekayasa
Masalah verifikasi pekerjaan: Karena struktur penghitungan model pembelajaran mendalam yang hierarkis, keluaran dari setiap lapisan digunakan sebagai masukan dari lapisan berikutnya, oleh karena itu, memverifikasi validitas penghitungan memerlukan pelaksanaan semua pekerjaan sebelumnya, yang mana tidak dapat diverifikasi dengan mudah dan efektif. Untuk mengatasi masalah ini, platform komputasi terdistribusi perlu mengembangkan algoritma baru atau menggunakan teknik verifikasi perkiraan yang dapat memberikan jaminan probabilistik atas kebenaran hasil daripada kepastian mutlak.
Masalah paralelisasi: Platform daya komputasi terdistribusi mengumpulkan pasokan chip jangka panjang, yang berarti bahwa daya komputasi yang disediakan oleh satu perangkat relatif terbatas. Pemasok chip tunggal hampir dapat menyelesaikan tugas pelatihan atau penalaran model AI mandiri dalam waktu singkat. Oleh karena itu, paralelisasi harus digunakan untuk membongkar dan mendistribusikan tugas untuk mempersingkat total waktu penyelesaian. Paralelisasi pasti akan menghadapi serangkaian masalah seperti cara menguraikan tugas (terutama tugas pembelajaran mendalam yang kompleks), ketergantungan data, dan biaya komunikasi tambahan antar perangkat.
Masalah perlindungan privasi: Bagaimana memastikan bahwa data dan model pembeli tidak terekspos ke penerima tugas?
Tantangan kepatuhan terhadap peraturan
Platform komputasi terdistribusi dapat digunakan sebagai nilai jual untuk menarik beberapa pelanggan karena sifat pasar dua sisi pasokan dan pengadaan yang tidak memiliki izin. Di sisi lain, seiring dengan perbaikan standar peraturan AI, hal ini mungkin menjadi target perbaikan pemerintah. Selain itu, beberapa pemasok GPU juga khawatir tentang apakah sumber daya komputasi yang mereka sewa diberikan kepada bisnis atau individu yang terkena sanksi.
Secara umum, sebagian besar konsumen platform komputasi terdistribusi adalah pengembang profesional atau institusi kecil dan menengah. Berbeda dengan investor kripto yang membeli mata uang kripto dan NFT, pengguna ini memiliki pemahaman terbatas tentang layanan yang dapat disediakan oleh protokol dan keberlanjutan, dan harga mungkin bukan motivasi utama dalam pengambilan keputusan mereka. Saat ini, jalan platform komputasi terdistribusi masih panjang untuk mendapatkan pengakuan dari pengguna tersebut.
Selanjutnya, kami memilah dan menganalisis informasi proyek IO.NET, proyek daya komputasi terdistribusi baru dalam siklus ini, dan berdasarkan proyek AI saat ini dan proyek komputasi terdistribusi di jalur yang sama di pasar, kami menghitung kemungkinan potensinya setelahnya. daftar.
2. Platform daya komputasi AI terdistribusi: IO.NET
2.1 Penentuan posisi proyek
IO.NET adalah jaringan komputasi terdesentralisasi yang membangun pasar dua sisi seputar chip. Sisi pasokan adalah kekuatan komputasi chip yang didistribusikan di seluruh dunia (terutama GPU, tetapi juga CPU dan iGPU Apple, dll.), dan sisi permintaan. berharap dapat menyelesaikan insinyur kecerdasan buatan untuk pelatihan model AI atau tugas inferensi.
Di situs resmi IO.NET, tertulis:
Misi kita
Menyatukan satu juta GPU dalam DePIN – jaringan infrastruktur fisik terdesentralisasi.
Misinya adalah mengintegrasikan jutaan GPU ke dalam jaringan DePIN-nya.
Dibandingkan dengan penyedia layanan daya komputasi cloud AI yang sudah ada, nilai jual utamanya yang ditekankan adalah:
Kombinasi yang fleksibel: Insinyur AI dapat dengan bebas memilih dan menggabungkan chip yang mereka perlukan untuk membentuk "cluster" untuk menyelesaikan tugas komputasi mereka sendiri.
Penerapan cepat: Tidak perlu persetujuan dan penantian selama berminggu-minggu (saat ini situasi dengan vendor terpusat seperti AWS), penerapan dapat diselesaikan dan tugas dapat dimulai dalam waktu sepuluh detik
Layanan dengan harga rendah: Biaya layanan 90% lebih rendah dibandingkan dengan produsen utama
Selain itu, IO.NET juga berencana meluncurkan toko model AI dan layanan lainnya di masa depan.
2.2 Mekanisme produk dan data bisnis
Mekanisme produk dan pengalaman penerapan
Seperti Amazon Cloud, Google Cloud, dan Alibaba Cloud, layanan komputasi yang disediakan oleh IO.NET disebut IO Cloud. IO Cloud adalah jaringan chip terdistribusi dan terdesentralisasi yang mampu mengeksekusi kode pembelajaran mesin berbasis Python dan menjalankan program AI dan pembelajaran mesin.
Modul bisnis dasar IO Cloud disebut Clusters. Cluster adalah sekelompok GPU yang dapat berkoordinasi sendiri untuk menyelesaikan tugas komputasi.
Antarmuka produk IO.NET sangat ramah pengguna. Jika Anda ingin menerapkan cluster chip Anda sendiri untuk menyelesaikan tugas komputasi AI, setelah memasuki halaman produk Clusters, Anda dapat mulai mengonfigurasi apa yang Anda inginkan sesuai kebutuhan.
Informasi halaman: https://cloud.io.net/cloud/clusters/create-cluster, sama di bawah
Pertama, Anda harus memilih skenario misi Anda sendiri. Saat ini ada tiga jenis yang dapat dipilih:
Umum: Menyediakan lingkungan yang lebih umum, cocok untuk tahap awal proyek di mana kebutuhan sumber daya tertentu tidak pasti.
Melatih: Sebuah cluster yang dirancang untuk pelatihan dan penyempurnaan model pembelajaran mesin. Opsi ini dapat memberikan lebih banyak sumber daya GPU, kapasitas memori lebih tinggi, dan/atau koneksi jaringan lebih cepat untuk menangani tugas komputasi intensif ini.
Inferensi: Sebuah klaster yang dirancang untuk inferensi latensi rendah dan beban kerja beban berat. Dalam konteks pembelajaran mesin, inferensi mengacu pada penggunaan model terlatih untuk membuat prediksi atau menganalisis data baru dan memberikan masukan. Oleh karena itu, opsi ini akan fokus pada optimalisasi latensi dan throughput untuk mendukung kebutuhan pemrosesan data secara real-time atau mendekati real-time.
Kemudian, Anda perlu memilih pemasok cluster chip. Saat ini IO.NET telah menjalin kerja sama dengan Render Network dan jaringan penambang Filecoin, sehingga pengguna dapat memilih IO.NET atau chip dari dua jaringan lainnya sebagai pemasok cluster komputasi mereka sendiri. .Ini setara dengan IO.NET yang memainkan peran agregator (tetapi pada saat artikel ini ditulis, layanan Filecon sedang offline untuk sementara). Perlu disebutkan bahwa menurut halaman tersebut, jumlah GPU yang tersedia untuk IO.NET saat ini berjumlah 200.000+, sedangkan jumlah GPU yang tersedia untuk Render Network adalah 3.700+.
Selanjutnya, kita memasuki proses pemilihan perangkat keras chip cluster. Saat ini, satu-satunya jenis perangkat keras yang terdaftar oleh IO.NET untuk dipilih adalah GPU, tidak termasuk CPU atau iGPU Apple (M1, M2, dll.), dan GPU sebagian besar adalah produk NVIDIA.
Di antara opsi perangkat keras GPU yang terdaftar secara resmi dan tersedia, menurut data yang diuji oleh penulis pada hari itu, jumlah GPU yang tersedia di jaringan IO.NET adalah 206.001. Diantaranya, GeForce RTX 4090 (45.250 foto) memiliki data tersedia terbanyak, disusul GeForce RTX 3090 Ti (30.779 foto).
Selain itu, chip A100-SXM4-80GB (harga pasar 15.000$+), yang lebih efisien dalam memproses tugas komputasi AI seperti pembelajaran mesin, pembelajaran mendalam, dan komputasi ilmiah, memiliki 7.965 foto online.
Kartu grafis NVIDIA H100 80GB HBM3 (harga pasar 40.000$+), yang dirancang khusus untuk AI sejak awal desain perangkat keras, memiliki performa pelatihan 3,3 kali lipat dari A100, dan performa inferensi 4,5 kali lipat dari A100 . Jumlah sebenarnya gambar online adalah 86.
Setelah memilih jenis perangkat keras cluster, pengguna juga perlu memilih wilayah cluster, kecepatan komunikasi, jumlah dan waktu GPU yang disewa, dan parameter lainnya.
Terakhir, IO.NET akan memberi Anda tagihan berdasarkan pilihan komprehensif. Ambil konfigurasi cluster penulis sebagai contoh:
Skenario tugas umum
16 chip A100-SXM4-80GB
Kecepatan koneksi maksimum (Kecepatan Ultra Tinggi)
Lokasi Amerika Serikat
Masa sewa adalah 1 minggu
Total harga tagihan adalah $3311,6, dan harga sewa satu kartu per jam adalah $1,232
Harga sewa satu kartu per jam A100-SXM4-80GB di Amazon Cloud, Google Cloud, dan Microsoft Azure masing-masing adalah $5,12, $5,07, dan $3,67 (sumber data: https://cloud-gpus.com/, harga sebenarnya akan didasarkan pada rincian Kontrak dan perubahan ketentuan).
Oleh karena itu, dari segi harga saja, daya komputasi chip IO.NET memang jauh lebih murah dibandingkan pabrikan utama, dan kombinasi pasokan serta pengadaannya juga sangat fleksibel, dan pengoperasiannya juga mudah untuk dimulai.
Kondisi bisnis
Situasi sisi pasokan
Pada tanggal 4 April tahun ini, menurut data resmi, total pasokan GPU IO.NET di sisi pasokan adalah 371.027, dan pasokan CPU adalah 42.321. Selain itu, Render Network adalah mitranya, dan 9997 GPU serta 776 CPU terhubung ke pasokan jaringan.
Sumber data: https://cloud.io.net/explorer/home, sama di bawah
Saat penulis menulis artikel ini, 214.387 dari total jumlah GPU yang terhubung ke IO.NET sedang online, dan tingkat online mencapai 57,8%. Tingkat online GPU dari Render Network adalah 45,1%.
Apa maksud dari data sisi penawaran di atas?
Sebagai perbandingan, kami memperkenalkan Akash Network, proyek komputasi terdistribusi mapan lainnya yang telah online sejak lama.
Akash Network meluncurkan mainnetnya pada awal tahun 2020, awalnya berfokus pada layanan terdistribusi untuk CPU dan penyimpanan. Pada bulan Juni 2023, ia meluncurkan jaringan uji layanan GPU, dan meluncurkan jaringan utama daya komputasi yang didistribusikan GPU pada bulan September tahun yang sama.
Sumber data: https://stats.akash.network/provider-graph/graphics-gpu
Menurut data resmi Akash, meski sisi pasokan terus bertambah sejak peluncuran jaringan GPU-nya, namun jumlah koneksi GPU sejauh ini hanya 365.
Dilihat dari pasokan GPU, IO.NET beberapa kali lipat lebih tinggi dari Akash Network, dan sudah menjadi jaringan pasokan terbesar dalam rangkaian daya komputasi GPU terdistribusi.
Situasi sisi permintaan
Namun, dari sisi permintaan, IO.NET masih dalam tahap awal pengembangan pasar. Saat ini, jumlah pengguna sebenarnya yang menggunakan IO.NET untuk melakukan tugas komputasi tidaklah besar. Beban tugas sebagian besar GPU online adalah 0%, dan hanya empat chip - A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S, dan H100 80GB HBM3 - yang memproses tugas. Dan kecuali A100 PCIe 80GB K8S, kapasitas beban tiga chip lainnya kurang dari 20%.
Nilai tekanan jaringan resmi yang diungkapkan hari itu adalah 0%, yang berarti sebagian besar pasokan chip dalam keadaan siaga online.
Dalam hal skala biaya jaringan, IO.NET telah mengeluarkan biaya layanan sebesar $586,029, dan biaya dalam satu hari terakhir adalah $3,200.
Sumber data: https://cloud.io.net/explorer/clusters
Skala biaya penyelesaian jaringan di atas, baik dari segi jumlah total maupun volume transaksi harian, sama besarnya dengan Akash. Namun, sebagian besar pendapatan jaringan Akash berasal dari bagian CPU, dan pasokan CPU Akash lebih dari itu 20.000.
Sumber data: https://stats.akash.network/
Selain itu, IO.NET juga mengungkapkan data bisnis tugas penalaran AI yang diproses oleh jaringan. Sejauh ini, IO.NET telah memproses dan memverifikasi lebih dari 230.000 tugas penalaran. Namun, sebagian besar volume bisnis ini dihasilkan oleh Proyek yang disponsori IO.NET BC8.AI.
Sumber data: https://cloud.io.net/explorer/inferences
Dilihat dari data bisnis saat ini, sisi pasokan IO.NET berkembang dengan lancar. Dirangsang oleh ekspektasi airdrop dan aktivitas komunitas dengan nama sandi "Ignition", IO.NET dengan cepat mengumpulkan sejumlah besar kekuatan komputasi chip AI. Ekspansinya pada sisi permintaan masih dalam tahap awal, dan permintaan organik saat ini masih belum mencukupi. Adapun kekurangan yang ada saat ini di sisi permintaan, baik karena belum dimulainya perluasan sisi konsumen, maupun karena pengalaman layanan saat ini belum stabil sehingga belum diadopsi secara besar-besaran, hal ini masih perlu dievaluasi.
Namun, mengingat kesenjangan dalam kekuatan komputasi AI sulit untuk diisi dalam jangka pendek, ada sejumlah besar insinyur dan proyek AI yang mencari alternatif, dan mungkin tertarik pada penyedia layanan terdesentralisasi belum melakukan pembangunan ekonomi sisi permintaan. Dengan adanya stimulasi aktivitas, peningkatan pengalaman produk secara bertahap, dan penyesuaian penawaran dan permintaan secara bertahap, hal ini masih layak untuk dinantikan.
2.3 Latar belakang tim dan situasi pendanaan
Situasi tim
Tim inti IO.NET didirikan di bidang perdagangan kuantitatif. Sebelum Juni 2022, mereka berfokus pada pengembangan sistem perdagangan kuantitatif tingkat institusi untuk saham dan aset kripto. Karena permintaan daya komputasi di bagian belakang sistem, tim mulai menjajaki kemungkinan komputasi terdesentralisasi, dan akhirnya fokus pada masalah spesifik yaitu pengurangan biaya layanan komputasi GPU.
Pendiri & CEO: Ahmad Shadid
Ahmad Shadid telah terlibat dalam pekerjaan terkait rekayasa kuantitatif dan keuangan sebelum IO.NET, dan juga merupakan sukarelawan di Ethereum Foundation.
CMO & Kepala Strategi: Garrison Yang
Garrison Yang secara resmi bergabung dengan IO.NET pada bulan Maret tahun ini. Sebelumnya ia menjabat sebagai VP strategi dan pertumbuhan di Avalanche dan lulus dari University of California, Santa Barbara.
COO:Tory Green
Tory Green adalah COO io.net. Sebelumnya dia adalah COO Hum Capital, Direktur Pengembangan Perusahaan dan Strategi di Fox Mobile Group, dan lulus dari Stanford.
Dilihat dari informasi Linkedin IO.NET, tim ini bermarkas di New York, AS, dengan cabang di San Francisco. Jumlah tim saat ini lebih dari 50 orang.
Situasi pembiayaan
IO.NET baru mengungkapkan satu putaran pembiayaan sejauh ini, yaitu pembiayaan Seri A yang diselesaikan pada Maret tahun ini dengan valuasi US$1 miliar, mengumpulkan total US$30 juta, dipimpin oleh Hack VC, dan investor peserta lainnya. termasuk Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures dan ArkStream Capital, antara lain.
Perlu disebutkan bahwa, mungkin karena investasi yang diterima dari Aptos Foundation, proyek BC8.AI, yang awalnya digunakan untuk penyelesaian dan akuntansi di Solana, telah diubah menjadi L1 Aptos berperforma tinggi yang sama.
2.4 Perhitungan penilaian
Menurut pendiri dan CEO sebelumnya Ahmad Shadid, IO.NET akan meluncurkan token tersebut pada akhir April.
IO.NET memiliki dua proyek target yang dapat dijadikan acuan penilaian: Render Network dan Akash Network, keduanya merupakan proyek komputasi terdistribusi yang representatif.
Kita dapat menyimpulkan kisaran nilai pasar IO.NET dengan dua cara: 1. Rasio pasar terhadap penjualan, yaitu: rasio nilai pasar/pendapatan; 2. Rasio nilai pasar/jumlah chip jaringan.
Mari kita lihat dulu pengurangan penilaian berdasarkan rasio harga terhadap penjualan:
Dari perspektif rasio harga terhadap penjualan, Akash dapat digunakan sebagai batas bawah kisaran penilaian IO.NET, sedangkan Render dapat digunakan sebagai referensi harga kelas atas, dengan kisaran FDV sebesar US$1,67 miliar hingga US$5,93 miliar.
Namun, mengingat proyek IO.NET diperbarui, narasinya lebih panas, ditambah dengan nilai pasar sirkulasi awal yang lebih kecil, dan skala sisi penawaran yang lebih besar saat ini, kemungkinan FDV-nya melampaui Render tidaklah kecil.
Mari kita lihat sudut lain untuk membandingkan penilaian, yaitu “rasio harga terhadap inti”.
Dalam konteks pasar di mana permintaan daya komputasi AI melebihi pasokan, elemen terpenting dari jaringan daya komputasi AI terdistribusi adalah skala sisi pasokan GPU. Oleh karena itu, kita dapat membuat perbandingan horizontal dengan "pasar-ke-inti rasio" dan gunakan "nilai pasar total proyek dan jumlah chip dalam jaringan "Rasio Kuantitas" untuk menyimpulkan kemungkinan kisaran penilaian IO.NET untuk digunakan pembaca sebagai referensi nilai pasar.
Jika rentang nilai pasar IO.NET dihitung berdasarkan rasio pasar terhadap inti, IO.NET menggunakan rasio pasar terhadap inti Jaringan Render sebagai batas atas dan Jaringan Akash sebagai batas bawah rentang FDV-nya adalah US$20,6 miliar hingga US$197,5 miliar.
Saya yakin betapapun optimisnya pembaca terhadap proyek IO.NET, mereka akan berpikir bahwa ini adalah penghitungan nilai pasar yang sangat optimis.
Dan kita perlu memperhitungkan bahwa jumlah besar chip online IO.NET saat ini dirangsang oleh ekspektasi airdrop dan aktivitas insentif. Jumlah sebenarnya chip online di sisi pasokan masih perlu dicermati setelah proyek resmi diluncurkan .
Oleh karena itu, secara umum perhitungan penilaian dari perspektif rasio harga terhadap penjualan mungkin lebih informatif.
Sebagai proyek dengan tiga aura ekologi AI+DePIN+Solana, IO.NET akan menunggu dan melihat seperti apa kinerja nilai pasarnya setelah peluncurannya.
3. Informasi referensi
Delphi Digital:Penggabungan yang Sebenarnya
Galaxy:Memahami Persimpangan Kripto dan AI
Tautan asli: https://research.mintventures.fund/2024/04/08/zh-a-new-solana-based-ai-depin-project-a-brief-lysis-of-upcoming-tokenlaunch-io-net /
Dicetak ulang oleh komunitas io.net Binance Square, hak cipta asli dan tanggung jawab konten adalah milik penulis asli. Pencetakan ulang oleh io.net dan Binance Square tidak berarti bahwa ia mengesahkan atau mendukung beberapa atau seluruh pandangan dari konten yang dicetak ulang.