OpenAI は、ChatGPT や Sora などの AIGC モデルを次々と発表し、AI 業界の新たな革命をリードしています。従来のコンピューティング パワー システムでは、主流のクラウド コンピューティング サービス プロバイダーは通常、コンピューティング サービスをグローバル ネットワークに継続的に提供するために、比較的閉鎖的な方法で数十万台のサーバーで構成される複数のデータ センターにコンピューティング パワーを集中させます。かつて囲碁の達人イ・セドルを破ったAlphagoは、AIGCモデルを継続的にトレーニングする必要があるOpenAIのような企業にとって、1つのトレーニングモデルに数十万ドルを費やしており、必要なコンピューティングコストは私たち一般人には想像できないほどの天文学的な数字です。
GPU コンピューティング能力の分野では、Aethir @AethirCloud は GPU コンピューティング能力の分野で最も代表的な DePIN プロジェクトの 1 つであり、GPU コンピューティング能力を活用した DePIN システムを構築することで、集中型クラウド コンピューティングの従来の課題を解決することに取り組んでいます。高コスト、GPU 供給の制約や遅延などの問題を解決し、AI やゲームなどのレンダリングなどの急速に成長する市場に長期的なスケーラブルなソリューションを提供する分散型 GPU クラウド サービス プラットフォームを提供します。
@AethirCloud ネットワークは、現在最大の分散型 GPU コンピューティング パワー エコシステムの 1 つであり、企業ユーザー、Aethir パートナー、個人ユーザーが分散型でアクセスし、最も困難な AI 顧客のニーズを効率的に満たすことができます。世界中で最高品質の GPU リソースを備えた企業。
@AethirCloud 自体は、GPU 分散コンピューティング リソースを集約し、Arbitrum 上で実行される DePIN ネットワークです。 Aethir ネットワークでは、コンピューティング リソースを持つユーザーが GPU コンピューティング能力をネットワークに接続できるようになり、これらのコンピューティング能力も分散方式で再割り当てされます。コンピューティング能力が必要なユーザーは、卸売、小売などを通じてオンデマンドで支払うことができ、GPU リソースを提供するユーザーは Aethir ネットワークから収入を得ることができます。
サプライヤー側では、Aethir の範囲は比較的広く、通信会社、ハードウェアを多用するデジタル企業ユーザー、新しいインフラ投資家、またはアイドル状態の GPU コンピューティング リソースを持つ個人ユーザーであっても、ネットワークにアクセスしてネットワークに貢献できます。
実際、企業であろうと個人ユーザーであろうと、GPU 機器の使用率は多かれ少なかれ低いですが、同時に、ETH のアップグレードは、合併が完了した後、多数の PoW マイナーの開発に非常に悪影響を及ぼします。 PoW ハードウェア機器はアイドル状態です (現在大規模に計算されており、アイドル状態の PoW コンピューティング リソースの価値は約 190 億米ドルです)。需要と供給の側面から見ると、一方では世界的にコンピューティング能力が不足しており、コンピューティング リソースを必要とする企業が高価なコンピューティング コストを支払うことが困難になっています。その一方で、アイドル状態の GPU により多額のコストが発生します。コンピューティングリソースの無駄遣い。したがって、遊休の GPU リソースを統合すると、巨大なコンピューティング リソース プールが作成され、コンピューティング分野が直面する不足問題が軽減されることが期待されます。
実際、AI コンピューティングの観点から見ると、さまざまな細分化シナリオもあり、これらのさまざまなシナリオ自体にもコンピューティング能力に対するさまざまな要件があり、通常は次の 3 つのカテゴリが含まれます。
1 つは、AI トレーニング大規模モデルです。これは、私たちがよく言う機械トレーニングの最も重要な形式の 1 つです。大規模なモデルのトレーニングには通常、非常に高いコンピューティング能力が必要ですが、この分野では NVIDIA だけがユニークです。
1 つは AI 推論です。これは、トレーニングされた AI モデルを使用して予測や決定を行うプロセスです。このプロセスでは、コンピューティング リソースの要件が比較的低くなります。
この種の AI 計算には通常、高い計算能力を必要としない小規模なエッジ モデルもいくつかあります。
現在の GPU DePIN トラック パターンから判断すると、GPU リソースと規模によって制限されているため、ほとんどのトラック プロジェクトは、上記の 2 番目と 3 番目のコンピューティング ニーズしか満たせません。
Aethir には明確な目標があります。それは、ユーザーが使用できる機械学習モデルを企業に展開し、Model-as-a-Service を立ち上げる最初の DePIN プロジェクトになることです。 AI ユーザーがワンストップでオープンソース モデルを選択し、迅速にデプロイできるようにします。 Aethir MaaS は、顧客が効率的かつインテリジェントなデータ分析と意思決定を実現し、モデル導入の敷居を下げるのに役立ちます。
この方向でのエコシステムの発展を促進するために、NVIDIA H100 GPUをコアとした分散コンピューティング クラスターを構築しています。
比較的言えば、@ionet 自体も GPU コンピューティング能力を提供する能力を持っていますが、その品質と規模は Aethir よりもはるかに劣っており、そのほとんどは推論またはエッジ垂直モデルを実行するだけで済む AI スタートアップ企業や開発者です。 . AI モデルのトレーニングではなく、計算。
@akashnet_ もこの方向での潜在的な競合相手ですが、Akash は CPU ネットワーク クラスターを得意とし、CPU クラスター ネットワークは複雑な論理計算により適しており、AI のトレーニングや推論などの分野では GPU の方が有利です。 Akash も現在 GPU コンピューティング クラスターを展開しており、H100 (写真は約 140 枚のみ) も導入していますが、この方向では Aethir との間にはまだギャップがあります。
同じ軌道に乗っている上記のプロジェクトに加えて、RNDR @rendernetwork、Gensyn @gensynai なども GPU 計算能力の点で Aethir に大きく劣っており、AI モデルのトレーニングで Aethir と直接競合することは困難です。追跡。したがって、スケールが Aethir MaaS システムの利点であり、独自の構造ネットワークによって駆動されるため、より多くのシナリオと深く統合できます。
レンダリングとゲーム遅延のサポートに加えて、Aethir GPU DePIN ネットワークの優れたコンピューティング機能は、オンライン ゲームのセキュリティ向上にも役立つと期待されています。オンライン ゲームの分野に焦点を当てると、DDoS は最も一般的で頻繁に発生する攻撃方法です。すべてのオンライン ゲームは、DDoS を防ぐために高いコストを払ってきました。 Aethir GPU DePIN ネットワークは、オンライン ゲームが DDoS などのリアルタイム アクセス攻撃に対抗し、ゲーム サービスの継続的な可用性を保証するのに役立ちます。
Aethir は、そのネットワーク アーキテクチャ設計のおかげで、レイテンシー、信頼性、安定性、セキュリティの点で、ほとんどの分散型 GPU エコシステムに比べて一定の利点を持っています。コンピューティング能力によって柔軟に駆動でき、無制限の拡張機能があり、リアルタイム監視の対象となるコンテナーの役割により、Aethir は無制限の拡張機能を持ち、特定のドメインをターゲットにするのではなく、コンピューティング ニーズのあるほとんどのシナリオに適応できます。 。 シーン。
たとえば、Aethir は、AI、クラウド レンダリング、ゲームなどの一連のシナリオに適応するだけでなく、自動運転などの遅延要件が非常に高いシナリオや、コンピューティング要件が非常に高い一部のシナリオにも柔軟に適応できます。 。したがって、Aethir ネットワーク自体が DePIN GPU コンピューティング トラックに根付き、コンピューティング ニーズのある多くのシナリオに深く拡張し続けることができます。
実際、生態系の規模が拡大するにつれて、その分散型生態系は新たな成長のフライホイールを形成し続けるでしょう。同様に、Precedence Research のレポートによると、クラウド コンピューティングにおける人工知能や機械学習などの先端技術の応用が増加しており、クラウド コンピューティング市場は 2028 年までに 1 兆米ドルを超えると予想されています。これは Aethir の開発です。潜在的なチャンス。
