アレックス・シュー - ミントベンチャーズ
元の公開時間: 2024-04-08 10:23
元のリンク: https://research.mintventures.fund/2024/04/08/zh-a-new-solana-based-ai-depin-project-a-brief-analysis-of-upcoming-tokenlaunch-io-net /
導入
前回の記事で、前の 2 つのサイクルと比較して、この仮想通貨強気市場サイクルには十分な影響力のある新規ビジネスや新規資産の物語が欠けていると述べました。 AI は、Web3 分野の今回のラウンドにおける数少ない新しい物語の 1 つです。この記事の著者は、今年注目の AI プロジェクト IO.NET に基づいて、次の 2 つの問題について私の考えを整理してみます。
AI+Web3の商業的必要性
分散コンピューティングサービスの必要性と課題
次に、AI 分散コンピューティングパワーの代表的なプロジェクトである IO.NET プロジェクトの製品ロジック、競合製品、プロジェクトの背景などの重要な情報を整理し、プロジェクトの評価を導き出します。
AI と Web3 の組み合わせに関するこの記事の考えの一部は、Delphi Digital の研究者 Michael rinko が書いた「The Real Merge」からインスピレーションを受けています。この記事の見解の一部は記事からダイジェストして引用されています。読者は元の記事を読むことをお勧めします。
この記事は発行時点での著者の段階的な考えであり、将来変更される可能性があり、事実、データ、推論に誤りがある可能性もあります。投資の参考として使用しないでください。同僚からのコメントや議論は歓迎です。
以下が本文です。
1. ビジネスロジック:AIとWeb3の組み合わせ
1.1 2023年:AIが生み出す新たな「奇跡の年」
人類の発展の歴史を振り返ると、ひとたびテクノロジーが飛躍的な進歩を遂げると、個人の日常生活からさまざまな産業構造、そして人類文明全体に地球を揺るがすような変化が起こります。
人類の歴史には 1666 年と 1905 年という 2 つの重要な年があります。これらは現在、科学技術の歴史における 2 つの「奇跡の年」として知られています。
1666 年はニュートンの科学的成果が集中して現れたため、奇跡の年とみなされます。この年、彼は光学の物理分野を開拓し、微積分の数学分野を確立し、現代自然科学の基本法則である重力の公式を導き出しました。これらのそれぞれは、今後100年間の人類科学の発展への基礎的な貢献となり、科学全体の発展を大きく加速させるでしょう。
2 番目の奇跡の年は 1905 年でした。当時、わずか 26 歳だったアインシュタインは、光電効果 (量子力学の基礎を築く) とブラウン運動 (量子力学の基礎を築く) をカバーする 4 つの論文を連続して「物理学年報」に発表しました。ランダムプロセスを分析する方法)、特殊相対性理論、および質量エネルギー方程式 (つまり、有名な公式 E=MC^2)。後世の評価では、これら4論文はいずれもノーベル物理学賞の平均水準を上回り(アインシュタイン自身も光電効果の論文でノーベル賞を受賞)、人類文明の歴史的過程は再び大きく前進した。いくつかのステップが進みました。
過ぎたばかりの 2023 年は、ChatGPT のおかげで再び「奇跡の年」と呼ばれることになるでしょう。
私たちは、2023 年を人類の科学技術の歴史における「奇跡の年」であると考えています。これは、GPT による自然言語の理解と生成における大きな進歩だけでなく、人類が自然言語の進化による大規模な言語モデルの能力の成長を理解したためでもあります。 GPT ルール - つまり、モデルのパラメーターとトレーニング データを拡張することで、モデルの機能を飛躍的に向上させることができ、短期的には (コンピューティング能力が十分である限り) このプロセスにボトルネックはありません。
この能力は、言語を理解したり対話を生成したりするだけではなく、さまざまな科学技術分野でも広く使用できます。例として、生物学分野での大規模な言語モデルを取り上げます。
2018年にノーベル化学賞を受賞したフランシス・アーノルド氏は授賞式で「今日、私たちは実用的な用途であらゆるDNA配列を読み書きし、編集することができるが、彼の講演から5年後の2023年にはまだそれを合成することはできない」と述べた。スタンフォード大学とシリコンバレーの AI スタートアップ Salesforce Research が「Nature-Biotechnology」に論文を発表しました。彼らは、GPT3 に基づいて微調整された大規模な言語モデルを使用して、0 から 100 万個の新しいタンパク質を作成し、まったく異なる構造を持つ 2 つのタンパク質を作成しました。 、両方とも殺菌能力を持っていることが発見され、抗生物質に加えて細菌と戦う解決策となることが期待されています。言い換えれば、AI の助けにより、タンパク質の「作成」のボトルネックが突破されました。
以前、人工知能 AlphaFold アルゴリズムは、地球上の 2 億 1,400 万個のタンパク質のほぼすべての構造を 18 か月以内に予測しました。この結果は、過去のすべての人間の構造生物学者の研究の数百倍でした。
AIを活用したさまざまなモデルにより、バイオテクノロジー、材料科学、創薬研究開発などのハードテクノロジーから、法律、芸術などの人文科学分野まで、あらゆる分野が激変を迎え、2023年はその元年となります。
人類の富を生み出す能力が過去 1 世紀に飛躍的に成長したことは誰もが知っており、AI テクノロジーの急速な成熟により、必然的にこのプロセスがさらに加速されることになります。
世界の GDP 傾向グラフ、データソース: 世界銀行
1.2 AIと暗号の組み合わせ
AI と暗号を組み合わせる必要性を本質的に理解するには、この 2 つの相補的な特性から始めることができます。
AIと暗号の補完的な機能
AI には 3 つの属性があります。
ランダム性: AI はコンテンツ生成メカニズムの背後に、再現や検出が難しいブラック ボックスがあるため、結果もランダムになります。
リソース集約型: AI はリソース集約型の産業であり、多くのエネルギー、チップ、およびコンピューティング能力を必要とします。
人間のような知能: AI は (近いうちに) チューリング テストに合格できるようになり、その後は人間と機械の区別がつかなくなる*
※2023年10月30日、カリフォルニア大学サンディエゴ校の研究チームはGPT-3.5とGPT-4.0に関するチューリングテスト結果(テストレポート)を発表しました。 GPT4.0 スコアは 41% で、合格ラインの 50% まであとわずか 9% です。同じプロジェクトの人間によるテストのスコアは 63% です。このチューリング テストの意味は、チャットしている相手が実在の人物であると考える人が何パーセントであるかということです。 50%を超えると、群衆の少なくとも半数が会話の相手を機械ではなく人間であると考えていることになり、チューリングテストに合格したとみなされます。
AI は人類に新たな飛躍的な生産性をもたらす一方で、その 3 つの特性は人間社会に大きな課題ももたらします。
AI のランダム性を欠陥ではなく利点にするために、AI のランダム性を検証および制御する方法
AI に必要なエネルギーと計算能力の大きなギャップにどう対処するか
人間と機械の違いを見分ける方法
仮想通貨とブロックチェーン経済の特徴はAIがもたらす課題を解決する特効薬となる可能性がある 仮想通貨経済には以下の3つの特徴があります。
決定性: ビジネスはブロックチェーン、コード、スマート コントラクトに基づいて実行され、入力された内容は明確です。
効率的なリソース割り当て: 暗号経済は巨大な世界的な自由市場を構築しており、リソースの価格設定、収集、流通は非常に高速であり、トークンの存在により、市場の需要と供給の一致を促進するためにインセンティブを利用できます。そして臨界点への到達を加速します。
トラストフリー: 台帳はオープンで、コードはオープンソースであり、誰でも簡単に検証できるため、「トラストレス」システムが実現します。一方、ZK テクノロジーは検証と同時にプライバシーの露出を回避します。
次に、AI と暗号経済の相補性を説明するために 3 つの例を使用します。
例 A: ランダム性の解決、暗号経済学に基づく AI エージェント
AI Agent は、人間の意志に基づいて人間に代わって作業を行う人工知能プログラムです (代表的なプロジェクトには Fetch.AI などがあります)。 AI エージェントに「BTC で 1,000 ドルを購入する」などの金融取引を処理してもらいたいとします。 AI エージェントは 2 つの状況に直面する可能性があります。
シナリオ 1: 従来の金融機関 (BlackRock など) と接続し、BTC ETF を購入する必要があります。KYC、情報レビュー、ログイン、身元確認など、AI エージェントと中央機関との間の多くの適応問題に直面しています。現時点ではまだ非常に面倒です。
シナリオ 2: ネイティブ暗号化エコノミーに基づいて動作し、状況ははるかに単純になります。Uniswap または集約取引プラットフォームを通じて取引を完了するために、アカウントに直接署名して注文し、WBTC (またはその他) を受け取ります。カプセル化)フォーマット BTC)、プロセス全体が迅速かつ簡単です。実際、これはさまざまな取引ボットが行っていることですが、実際にはジュニア AI エージェントの役割を果たしていますが、彼らの仕事は取引に焦点を当てています。将来的には、AIの統合と進化により、さまざまな種類の取引BOTがより複雑な取引意図を実行できるようになるのは必然です。例: チェーン上の 100 個のスマート マネー アドレスを追跡し、その取引戦略と成功率を分析し、私のアドレスの資金の 10% を使用して 1 週間以内に同様の取引を実行し、効果が良くない場合は停止し、可能性を要約します。失敗の理由。
AI はブロックチェーン システムでより適切に実行されます。これは主に、暗号経済ルールの明確さとシステムへの許可のないアクセスのためです。限られたルールの下でタスクを実行することで、AI のランダム性によってもたらされる潜在的なリスクも小さくなります。たとえば、チェスやカードゲームは明確なルールを持つ閉じられたサンドボックスであるため、チェスやカードの競技会やビデオゲームにおける AI のパフォーマンスは人間を上回りました。オープンな外部環境の課題がより大きく、AI 処理の問題のランダム性を許容することが難しいため、自動運転における AI の進歩は比較的ゆっくりとなるでしょう。
例 B: トークン インセンティブを通じたリソースの形成とリソースの収集
BTC の背後にある世界的なコンピューティング能力ネットワーク、その現在の総コンピューティング能力 (ハッシュレート: 576.70 EH/s) は、どの国のスーパーコンピューターの総合的なコンピューティング能力も超えています。その開発動機は、シンプルで公平なネットワーク インセンティブから来ています。
BTC ネットワーク コンピューティング能力の傾向、出典: https://www.coinwarz.com/
さらに、モバイルを含むDePINプロジェクトは、トークンインセンティブを利用して需要と供給の両面で両面市場を形成し、ネットワーク効果を達成しようとしている。この記事で次に取り上げる IO.NET は、AI コンピューティング能力を収集するために設計されたプラットフォームであり、トークン モデルを通じて、AI コンピューティング能力の可能性がさらに刺激されることが期待されています。
例 C: オープンソース コード、ZK の導入、プライバシーを保護しながら人間と機械を区別する
OpenAIの創設者サム・アルトマンが参加したWeb3プロジェクトとして、WorldcoinはハードウェアデバイスOrbを使用して、人間の虹彩生体認証とZKテクノロジーに基づいて排他的で匿名のハッシュ値を生成し、身元を確認し、人間と機械を区別します。今年 3 月初旬、Web3 アート プロジェクト Drip は、実際のユーザーを確認し、報酬を発行するために Worldcoin ID の使用を開始しました。
さらに、Worldcoin は最近、ユーザーの生体認証のセキュリティとプライバシーを保証するために、虹彩ハードウェア Orb のプログラム コードをオープンソース化しました。
一般的に言えば、コードと暗号の確実性、パーミッションレスおよびトークンメカニズムによってもたらされるリソース循環と資金調達の利点、オープンソースコードと公開台帳に基づくトラストレス属性により、暗号経済は AI にとって大きな課題となっています。人間社会にとって重要な解決策となる可能性があります。
その中でも、商業需要が最も強い最も緊急の課題は、チップとコンピューティング能力に対する膨大な需要を取り巻く、コンピューティング リソースにおける AI 製品に対する極度の飢餓です。
これは、この強気市場サイクルにおいて分散コンピューティング能力プロジェクトの成長が AI 全体の軌跡を上回っている主な理由でもあります。
分散型コンピューティングのビジネス上の必要性
AI はモデルのトレーニングと推論の実行の両方に大量のコンピューティング リソースを必要とします。
大規模な言語モデルのトレーニング実践では、データ パラメーターの規模が十分に大きい限り、以前は利用できなかったいくつかの機能を備えた大規模な言語モデルが出現するという 1 つの事実が確認されています。前世代と比較して GPT の各世代の機能が指数関数的に上昇しているのは、モデルのトレーニングに必要な計算量が指数関数的に増加しているためです。
DeepMind とスタンフォード大学による研究によると、異なる大規模言語モデルが異なるタスク (操作、ペルシア語の質問応答、自然言語理解など) に直面する場合、モデルのトレーニング中にモデル パラメーターのサイズを増やすだけで十分であることがわかりました (これに対応して、計算量も増加します)、トレーニング量が 10^22 FLOP (FLOP とは、コンピューティングのパフォーマンスを測定するために使用される 1 秒あたりの浮動小数点演算を指します) に達しない限り、どのタスクのパフォーマンスもランダムに答えを与える場合とほぼ同じです。 ; そして、パラメーターのスケールがそのスケールの臨界値を超えると、どの言語モデルであっても、タスクのパフォーマンスが急激に向上します。
出典:大規模言語モデルの創発的能力
出典:大規模言語モデルの創発能力
また、OpenAI 創設者サム アルトマン氏が、現在の TSMC の規模の 10 倍の先進的なチップ工場を建設するために 7 兆米ドルを調達することを提案したのも、コンピューティング能力における「大きな奇跡」の法則と実践の検証でした (この部分)費用は 1 兆 5,000 億ドルと見込まれており、残りの資金はチップの製造とモデルのトレーニングに使用されます。
AI モデルのトレーニングに必要なコンピューティング パワーに加えて、モデル自体の推論プロセスにも多くのコンピューティング パワーが必要となるため (トレーニングに比べて計算量は少ないですが)、チップとコンピューティング パワーへの渇望が高まっています。 AIトラックに参加する際の主な要素は、人の通常の状態です。
Amazon Web Services、Google Cloud Platform、Microsoft Azure などの集中型 AI コンピューティングパワープロバイダーと比較して、分散型 AI コンピューティングの主な価値提案は次のとおりです。
アクセシビリティ: AWS、GCP、Azure などのクラウド サービスを使用してコンピューティング チップにアクセスするには数週間かかることが多く、人気の GPU モデルは在庫切れであることがよくあります。さらに、コンピューティング能力を得るために、消費者は多くの場合、これらの大企業と長期にわたる柔軟性のない契約を結ぶ必要があります。分散コンピューティング プラットフォームは、柔軟なハードウェアの選択と優れたアクセシビリティを提供します。
低価格設定: アイドル状態のチップの使用と、チップとコンピューティング電源の供給者に対してネットワーク プロトコル当事者によって提供されるトークン補助金により、分散型コンピューティング パワー ネットワークはより安価なコンピューティング パワーを提供できる可能性があります。
検閲への抵抗: 現在、最先端のコンピューティング パワー チップと供給は大手テクノロジー企業によって独占されており、さらに、米国を代表とする政府は、AI コンピューティング パワーを柔軟に分散できるサービスの見直しを強化しています。徐々に明確な要求になりつつあり、これは web3 に基づくコンピューティング パワー サービス プラットフォームの中核となる価値提案でもあります。
化石エネルギーが産業時代の血液であるならば、コンピューティングパワーはAIによって開かれる新たなデジタル時代の血液となる可能性があり、コンピューティングパワーの供給はAI時代のインフラとなるでしょう。 Web3 時代にステーブルコインが法定通貨の傍系として繁栄したのと同じように、分散型コンピューティング市場も急速に成長する AI コンピューティング市場の傍系となるのでしょうか?
これはまだかなり初期の市場であるため、すべてはまだわかりません。ただし、次の要因が分散コンピューティング能力の物語や市場導入を刺激する可能性があります。
GPU の需要と供給は引き続き逼迫しています。 GPU の供給が引き続き逼迫しているため、一部の開発者は分散コンピューティング プラットフォームを試すようになる可能性があります。
規制の拡大。大規模なクラウド コンピューティング パワー プラットフォームから AI コンピューティング パワー サービスを取得したい場合は、KYC と何層ものレビューを通過する必要があります。これにより、特に制限や制裁の対象となる分野では、分散コンピューティング プラットフォームの採用が促進される可能性があります。
トークン価格の刺激。強気市場サイクル中のトークン価格の上昇により、GPU 供給側に対するプラットフォームの補助金の価値が増加し、それによってより多くのサプライヤーが市場に参入するよう誘致され、市場の規模が拡大し、消費者の実際の購入価格が低下します。
しかし同時に、分散コンピューティング プラットフォームの課題も非常に明らかです。
技術的およびエンジニアリング上の課題
作業検証の問題: 深層学習モデルの計算の階層構造により、各層の出力が後続の層の入力として使用されるため、計算の妥当性を検証するには、以前のすべての作業を実行する必要があります。簡単かつ効果的に検証することはできません。この問題を解決するには、分散コンピューティング プラットフォームは、新しいアルゴリズムを開発するか、結果の正確性を絶対的な確実性ではなく確率的に保証できる近似検証手法を使用する必要があります。
並列化の問題: 分散コンピューティング パワー プラットフォームはチップのロングテール供給を集めます。これは、単一のデバイスによって提供されるコンピューティング パワーが比較的限られているということを意味し、単一のチップ サプライヤーが AI モデルのトレーニングまたは推論タスクをほぼ完了できることを意味します。したがって、全体の完了時間を短縮するには、並列化を使用してタスクを分解および分散する必要があります。並列化では、タスク (特に複雑な深層学習タスク) の分解方法、データの依存関係、デバイス間の追加の通信コストなど、一連の問題に必然的に直面します。
プライバシー保護の問題: 購入者のデータとモデルがタスクの受信者に公開されないようにする方法は?
規制遵守の課題
分散コンピューティング プラットフォームは、供給と調達の両面市場という許可のない性質により、一部の顧客を引き付けるセールス ポイントとして使用できます。一方で、AIの規制基準が向上すれば、政府による是正の対象となる可能性もある。さらに、一部の GPU サプライヤーは、レンタルしているコンピューティング リソースが、制裁対象の企業または個人に提供されるかどうかについても懸念しています。
一般に、分散コンピューティング プラットフォームのほとんどの消費者はプロの開発者または中小規模の機関です。暗号通貨や NFT を購入する暗号投資家とは異なり、これらのユーザーはプロトコルが提供できるサービスについての理解が限られており、安定性に対するより高い要件があります。持続可能性や価格が意思決定の主な動機ではない可能性があります。現時点では、分散コンピューティング プラットフォームがそのようなユーザーから認知されるまでにはまだ長い道のりがあります。
次に、今期の新たな分散コンピューティングパワープロジェクトであるIO.NETのプロジェクト情報を整理・分析し、現在市場で同軌道にあるAIプロジェクトと分散コンピューティングプロジェクトに基づいて、今後の可能性を試算した。評価レベル。
2. 分散型 AI コンピューティング パワー プラットフォーム: IO.NET
2.1 プロジェクトの位置づけ
IO.NET は、チップを中心に両面市場を構築する分散型コンピューティング ネットワークです。供給側は、世界中に分散されているチップ (主に GPU ですが、CPU や Apple の iGPU など) の計算能力であり、需要側です。 AI モデルのトレーニングまたは推論タスクのための人工知能エンジニアを完了したいと考えています。
IO.NET の公式 Web サイトには次のように書かれています。
我々の使命
分散型物理インフラストラクチャ ネットワークである DePIN に 100 万個の GPU を統合します。
その使命は、数百万の GPU を DePIN ネットワークに統合することです。
既存のクラウド AI コンピューティング パワー サービス プロバイダーと比較して、同社が強調している主なセールス ポイントは次のとおりです。
柔軟な組み合わせ: AI エンジニアは、独自のコンピューティング タスクを完了するために必要なチップを自由に選択して組み合わせて「クラスター」を形成できます。
迅速な導入: 数週間の承認と待機の必要がなく (現時点では AWS などの集中ベンダーの状況)、数十秒以内に導入を完了してタスクを開始できます。
低価格サービス: サービスのコストは主流メーカーよりも 90% 低くなります
また、IO.NETでは今後AIモデルストアなどのサービスも開始する予定です。
2.2 製品の仕組みとビジネスデータ
製品の仕組みと導入体験
Amazon Cloud、Google Cloud、Alibaba Cloud と同様、IO.NET が提供するコンピューティング サービスは IO Cloud と呼ばれます。 IO Cloud は、Python ベースの機械学習コードを実行し、AI および機械学習プログラムを実行できる分散型分散チップ ネットワークです。
IO クラウドの基本的なビジネス モジュールはクラスターと呼ばれ、人工知能エンジニアが独自のニーズに応じて必要なクラスターをカスタマイズしてコンピューティング タスクを実行できる GPU のグループです。
IO.NET の製品インターフェイスは非常に使いやすく、AI コンピューティング タスクを完了するために独自のチップ クラスターを展開したい場合は、クラスター製品ページにアクセスした後、必要に応じてチップ クラスターの構成を開始できます。
ページ情報:https://cloud.io.net/cloud/clusters/create-cluster、以下同様
まず、独自のミッション シナリオを選択する必要があります。現在、次の 3 つのタイプから選択できます。
一般: 特定のリソース要件が不確実なプロジェクトの初期段階に適した、より一般的な環境を提供します。
Train: 機械学習モデルのトレーニングと微調整のために設計されたクラスター。このオプションでは、これらの集中的なコンピューティング タスクを処理するために、より多くの GPU リソース、より大きなメモリ容量、および/またはより高速なネットワーク接続を提供できます。
推論: 低レイテンシの推論と高負荷のワークロード向けに設計されたクラスター。機械学習のコンテキストでは、推論とは、トレーニングされたモデルを使用して予測を行ったり、新しいデータを分析してフィードバックを提供したりすることを指します。したがって、このオプションは、リアルタイムまたはほぼリアルタイムのデータ処理ニーズをサポートするために、レイテンシとスループットの最適化に重点を置きます。
次に、チップ クラスターのサプライヤーを選択する必要があります。現在、IO.NET は Render Network および Filecoin のマイナー ネットワークと連携しているため、ユーザーは独自のコンピューティング クラスターのサプライヤーとして IO.NET または他の 2 つのネットワークからチップを選択できます。これは、IO.NET がアグリゲーターの役割を果たすのと同等です (ただし、この記事の執筆時点では、Filecon サービスは一時的にオフラインになっています)。このページによると、IO.NET で使用可能な GPU の数は現在 200,000 以上であるのに対し、レンダー ネットワークで使用可能な GPU の数は 3,700 以上であることに言及する価値があります。
次に、クラスター チップ ハードウェアの選択プロセスに入ります。現在、IO.NET によって選択対象としてリストされているハードウェア タイプは、CPU または Apple の iGPU (M1、M2 など) を除く GPU のみであり、GPU は主に NVIDIA 製品です。
公式にリストされ利用可能な GPU ハードウェア オプションのうち、当日の筆者のテスト データによると、IO.NET ネットワーク上で利用可能な GPU の数は 206,001 です。その中で、GeForce RTX 4090 (写真 45,250 枚) が最も多くのデータを利用でき、GeForce RTX 3090 Ti (写真 30,779 枚) がそれに続きます。
さらに、機械学習、深層学習、科学計算などの AI コンピューティング タスクの処理効率が向上した A100-SXM4-80GB チップ (市場価格 15,000 ドル以上) には、7,965 枚の写真がオンラインにあります。
Nvidia の H100 80GB HBM3 グラフィックス カード (市場価格 40,000 ドル以上) は、ハードウェア設計の初期段階から AI 専用に設計されており、A100 の 3.3 倍のトレーニング性能と、A100 の 4.5 倍の推論性能を備えています。実際のオンライン画像数は 86 です。
クラスターのハードウェア タイプを選択した後、ユーザーはクラスター領域、通信速度、レンタル GPU の数と時間、その他のパラメーターも選択する必要があります。
最後に、IO.NET は包括的な選択に基づいて請求書を提供します。例として、作成者のクラスター構成を挙げます。
一般的なタスクのシナリオ
A100-SXM4-80GB チップ 16 個
最大接続速度(超高速)
所在地 米国
レンタル期間は1週間です
合計請求額は 3311.6 ドル、シングル カードの 1 時間あたりのレンタル価格は 1.232 ドルです。
Amazon Cloud、Google Cloud、Microsoft Azure での A100-SXM4-80GB のシングルカード時間レンタル価格は、それぞれ 5.12 ドル、5.07 ドル、3.67 ドルです (データ ソース: https://cloud-gpus.com/、実際の価格)契約の詳細および条件の変更に基づいて決定されます)。
したがって、価格だけを見れば、IO.NET のチップの処理能力は主流メーカーよりもはるかに安価であり、供給の組み合わせや調達も非常に柔軟であり、運用を開始するのも簡単です。
経営状況
供給側の状況
今年 4 月 4 日の時点で、公式データによると、IO.NET の供給側の GPU の合計供給量は 371,027 個、CPU の供給量は 42,321 個でした。さらに、Render Network がそのパートナーであり、9997 個の GPU と 776 個の CPU がネットワーク電源に接続されています。
データソース:https://cloud.io.net/explorer/home、以下同様
著者がこの記事を書いた時点では、IO.NET に接続されている GPU の総数のうち 214,387 個がオンラインであり、オンライン率は 57.8% に達しました。 Render Network からの GPU のオンライン率は 45.1% です。
上記の供給側データは何を意味するのでしょうか?
比較のために、長期間にわたってオンラインになっている、もう 1 つの確立された分散コンピューティング プロジェクト、Akash Network を紹介します。
Akash Network は、2020 年にはメインネットを立ち上げ、当初は CPU とストレージの分散サービスに焦点を当てていました。 2023 年 6 月に GPU サービスのテスト ネットワークを開始し、同年 9 月に GPU 分散コンピューティング パワーのメイン ネットワークを開始しました。
データソース: https://stats.akash.network/provider-graph/graphics-gpu
Akash の公式データによると、GPU ネットワークの立ち上げ以来、供給側は成長を続けていますが、現時点での GPU 接続の総数はわずか 365 です。
GPU の供給量から判断すると、IO.NET は Akash Network よりも数段高く、分散型 GPU コンピューティング電源回路ではすでに最大の供給ネットワークとなっています。
需要側の状況
ただし、需要の面から見ると、IO.NET はまだ市場開拓の初期段階にあり、コンピューティング タスクを実行するために IO.NET を使用する実際のユーザーの総数はそれほど多くありません。ほとんどのオンライン GPU のタスク負荷は 0% で、タスクを処理しているのは A100 PCIe 80GB K8S、RTX A6000 K8S、RTX A4000 K8S、および H100 80GB HBM3 の 4 つのチップだけです。また、A100 PCIe 80GB K8S を除いて、他の 3 つのチップの負荷容量は 20% 未満です。
この日発表された公式のネットワーク圧力値は 0% で、これはチップ供給の大部分がオンライン スタンバイ状態にあることを意味します。
ネットワークコスト規模に関しては、IO.NET は 586,029 ドルのサービス料金を発生しており、過去 1 日のコストは 3,200 ドルでした。
データソース: https://cloud.io.net/explorer/clusters
上記のネットワーク決済手数料の規模は、総額、1日当たりの取引量ともにAkashと同程度であるが、Akashのネットワーク収益のほとんどはCPU部分によるものであり、AkashのCPU供給量はそれを上回る。 20,000。
データソース: https://stats.akash.network/
さらに、IO.NET はネットワークで処理される AI 推論タスクのビジネス データも公開しています。これまでに 230,000 件を超える推論タスクが処理および検証されていますが、このビジネス量のほとんどは IO.NET が主催するプロジェクトによって生成されています。 BC8.AI。
データソース: https://cloud.io.net/explorer/inferences
現在のビジネス データから判断すると、IO.NET の供給側は、エアドロップへの期待と「Ignition」というコード名で呼ばれるコミュニティ活動によって刺激され、急速に大量の AI チップのコンピューティング パワーを集めています。需要面での拡大はまだ初期段階にあり、有機的な需要は現時点では不十分です。需要側の現在の欠点については、消費者側の拡大がまだ始まっていないためなのか、それとも現在のサービス体験がまだ安定しておらず、したがって大規模な導入に欠けているためなのか、これはまだ評価する必要があります。
しかし、AI のコンピューティング能力のギャップを短期的に埋めるのは難しいことを考えると、多くの AI エンジニアやプロジェクトが代替手段を探しており、分散型サービス プロバイダーに興味を持っている可能性があります。また、IO.NET はまだそのようなことをしていません。活動の活性化、製品体験の段階的な向上、そしてその後の需要と供給の段階的な一致により、需要側の経済発展が行われることは依然として期待に値します。
2.3 チームの背景と資金調達状況
チーム状況
IO.NET のコアチームは、2022 年 6 月までは株式と暗号資産の機関レベルの定量取引システムの開発に注力していました。システムのバックエンドでのコンピューティング能力の需要のため、チームは分散コンピューティングの可能性を模索し始め、最終的には GPU コンピューティング サービスのコストを削減するという特定の問題に焦点を当てました。
創設者兼CEO: アフマド・シャディッド
Ahmad Shadid は、IO.NET 以前は定量的および金融エンジニアリング関連の仕事に従事しており、イーサリアム財団のボランティアでもあります。
CMO 兼最高戦略責任者: Garrison Yang
Garrison Yang は、今年 3 月に IO.NET に正式に加わり、以前は Avalanche で戦略および成長担当副社長を務め、カリフォルニア大学サンタバーバラ校を卒業しました。
COO:トリー・グリーン
Tory Green は io.net の COO です。以前は Hum Capital の COO、Fox Mobile Group の企業開発および戦略のディレクターを務めており、スタンフォード大学を卒業しています。
IO.NET の Linkedin 情報から判断すると、チームの本社は米国ニューヨークにあり、支店はサンフランシスコにあります。現在のチームの規模は 50 人以上です。
資金調達状況
IO.NETはこれまでに1ラウンドの資金調達のみを開示している。つまり、Hack VCおよび他の参加投資家が主導し、評価額10億米ドルで今年3月に完了し、総額3,000万米ドルを調達したシリーズA資金調達である。 Multicoin Capital、Delphi Digital、Foresight Ventures、Animoca Brands、Continue Capital、Solana Ventures、Aptos、LongHash Ventures、OKX Ventures、Amber Group、SevenX Ventures、ArkStream Capital などが含まれます。
特筆すべきは、Aptos Foundation からの投資のためか、もともと Solana 上の決済と会計に使用されていた BC8.AI プロジェクトが、同じ高性能の L1 Aptos に変換されたことです。
2.4 評価額の計算
前創設者兼 CEO のアフマド シャディッド氏によると、IO.NET は 4 月末にトークンを発売する予定です。
IO.NET の評価の参考となる対象プロジェクトは、代表的な分散コンピューティング プロジェクトである Render Network と Akash Network の 2 つです。
IO.NET の市場価値の範囲は、次の 2 つの方法で推定できます。1. 市場対売上高比率、つまり、市場価値/収益比率 2. 市場価値/ネットワーク チップ数の比率。
まず、売上高比率に基づく評価控除を見てみましょう。
価格対売上高比率の観点から、Akash は IO.NET の評価範囲の下限として使用でき、Render は、FDV 範囲が 16 億 7,000 万米ドルから59億3,000万米ドル。
しかし、IO.NETプロジェクトが更新され、ナラティブがよりホットになっていること、初期の流通市場価値が小さいこと、そして現在の供給側の規模が大きいことを考慮すると、そのFDVがRenderを超える可能性は小さくありません。
バリュエーションを比較する別の角度、つまり「価格対コア比率」を見てみましょう。
AI コンピューティング パワーの需要が供給を上回る市場状況では、分散型 AI コンピューティング パワー ネットワークの最も重要な要素は GPU の供給側の規模であるため、「市場からコアまで」と水平比較することができます。 「プロジェクトの市場価値の合計とネットワーク内のチップの数「数量比率」を使用して、読者が市場価値の参考として使用できる IO.NET の可能な評価範囲を推定します。
IO.NET の市場価値範囲が市場対コア比率に基づいて計算される場合、IO.NET は Render Network の市場対コア比率を上限として使用し、Akash Network をその FDV 範囲の下限として使用します。は206億ドルから1,975億ドルです。
IO.NET プロジェクトについて読者がどれほど楽観的であっても、これは非常に楽観的な市場価値の計算であると思われると思います。
また、現在の IO.NET の膨大な数のオンライン チップは、エアドロップの期待とインセンティブ活動によって刺激されているということを考慮する必要があります。プロジェクトが正式に開始された後も、供給側のオンライン チップの実際の数はまだ観察する必要があります。 。
したがって、一般に、売上高に対する価格比率の観点からの評価計算の方が有益である可能性があります。
AI+DePIN+Solana エコロジーの三重のオーラを持つプロジェクトである IO.NET は、ローンチ後の市場価値パフォーマンスがどのようになるかを様子見します。
3. 参考情報
Delphi Digital:真の統合
Galaxy:暗号とAIの交差点を理解する
元のリンク: https://research.mintventures.fund/2024/04/08/zh-a-new-solana-based-ai-depin-project-a-brief-analysis-of-upcoming-tokenlaunch-io-net /
io.net Binance Square コミュニティによって転載されており、元の著作権とコンテンツの責任はオリジナルの作成者に帰属します。io.net および Binance Square による転載は、転載されたコンテンツの見解の一部またはすべてを保証またはサポートすることを意味するものではありません。