Mint Venturesのリサーチパートナー、アレックス・シュー

導入

前回のレポートでは、過去 2 つのサイクルと比較して、現在の暗号通貨の強気相場には新しいビジネス モデルと資産の物語が欠けていると述べました。人工知能 (AI) は、このサイクルの Web3 分野における新しい物語の 1 つです。この記事では、今年の注目の AI プロジェクトである IO.NET を詳しく調べ、次の 2 つの質問に対する考えを整理します。

  • 商業分野におけるAI+Web3の必要性

  • 分散コンピューティングネットワークの導入の必要性と課題

分散型 AI コンピューティング ネットワークの代表的なプロジェクトである IO.NET について、製品設計、競合状況、プロジェクトの背景など、重要な情報を整理します。また、プロジェクトの評価指標についても推測します。

AI と Web の融合の背後にあるビジネス ロジックに関する洞察は、Delphi Delphi のリサーチ アナリストである Michael Rinko 氏の「The Real Merge」からインスピレーションを得ています。この分析は、彼の研究からのアイデアを統合して参照しており、さらに読むには「The Real Merge」を強くお勧めします。

この記事は私の現在の考えを反映したものであり、今後変更される可能性があることにご注意ください。ここでの意見は主観的なものであり、事実、データ、論理的推論に誤りがある可能性があります。これは財務アドバイスではありませんが、フィードバックや議論は歓迎します。

AIとWebの融合の背後にあるビジネスロジック3

2023 年: AI にとって「素晴らしい年」

人類の発展の歴史を振り返ると、技術革新が日常生活から産業の風景、そして文明の進歩そのものに至るまで、大きな変革を引き起こしていることは明らかです。

人類の歴史において、1666 年と 1905 年という 2 つの重要な年があり、現在では科学史上の「奇跡の年」として祝われています。

1666 年は、アイザック ニュートンによる科学的な大発見が続いた年として知られています。ニュートンはたった 1 年で、光学という物理学の分野を開拓し、微積分という数学分野を創設し、現代自然科学の基本法則である万有引力の法則を導き出しました。これらの貢献はいずれも、次の世紀にわたる人類の科学の発展の基礎となり、科学の全体的な進歩を大幅に加速させました。

もう一つの画期的な年は 1905 年で、当時 26 歳のアインシュタインが「物理学年報」に 4 つの論文を次々に発表した年です。量子力学の基礎を作った光電効果、確率過程解析の重要な枠組みとなったブラウン運動、特殊相対性理論、E=MC^2 の式で表された質量エネルギー等価性などについて取り上げています。振り返ってみると、これらの論文はいずれも物理学におけるノーベル賞受賞作品の平均レベルを超えていると考えられています。アインシュタイン自身も光電効果に関する研究でノーベル賞を受賞しています。これらの貢献は総合的に人類を文明の旅路において数歩前進させました。

つい最近過ぎ去った 2023 年は、ChatGPT の出現のおかげで、またしても「奇跡の年」として祝われることになりそうです。

2023 年を人類のテクノロジー史上の「奇跡の年」とみなすのは、ChatGPT による自然言語処理と生成の進歩を認めるだけではありません。大規模言語モデルの進歩における明確なパターンを認識することでもあります。つまり、モデル パラメータとトレーニング データセットを拡張することで、モデルのパフォーマンスを飛躍的に向上できるという認識です。さらに、コンピューティング能力が追いつくと仮定すると、短期的には無限に思えます。

この機能は、言語理解や会話生成をはるかに超えて、さまざまな科学分野に広く応用できます。生物学分野における大規模言語モデルの応用を例に挙げてみましょう。

  • 2018年、ノーベル化学賞受賞者のフランシス・アーノルド氏は授賞式で「今日、私たちは実質的にDNAのあらゆる配列を読み、書き、編集することができますが、それを合成することはできません」と述べました。それから5年後の2023年、スタンフォード大学とAIに特化したスタートアップ企業Salesforce Researchの研究者チームが「Nature Biotechnology」に論文を発表しました。GPT-3から改良された大規模言語モデルを利用して、研究者チームは100万個のタンパク質のまったく新しいカタログを生成しました。その中で、彼らは構造が異なる2つのタンパク質を発見しました。どちらも抗菌機能を備えており、従来の抗生物質を超えた新しい細菌耐性戦略への道を開く可能性があります。これは、AIの支援によりタンパク質生成のハードルを克服する上での画期的な進歩を意味します。

  • これに先立ち、人工知能アルゴリズム AlphaFold は、18 か月以内に地球上のほぼすべての 21 億 4000 万種類のタンパク質の構造を予測しました。これは、歴史を通じて構造生物学者が達成した業績を数桁も上回る画期的な成果です。

AI モデルの統合により、業界は劇的に変化するでしょう。バイオテクノロジー、材料科学、創薬といったハードテクノロジーの分野から、法律や芸術といった文化の領域まで、変革の波がこれらの分野を再形成しようとしており、2023 年はその始まりとなります。

過去 1 世紀に人類の富を生み出す能力が飛躍的に向上したことは広く認められています。AI テクノロジーの急速な進歩により、このプロセスが加速すると予想されています。

世界全体のGDPの動向、データソース：世界銀行グループ

AIと暗号の融合

AI と暗号通貨の融合の本質的な必要性を理解するには、それぞれの特徴がどのように互いに補完し合うかを見ることが有益です。

AIと暗号の共生機能

AI は主に次の 3 つの特性によって区別されます。

  • 確率性: AI は確率的であり、そのコンテンツ生成メカニズムは複製が困難な謎めいたブラック ボックスであるため、その出力は本質的に確率的です。

  • リソース集約型: AI はリソース集約型の業界であり、大量のエネルギー、チップ、計算能力を必要とします。

  • 人間のような知能: AI は (まもなく) チューリング テストに合格できるようになり、人間と AI を区別することがますます困難になります。

※ 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者らがGPT-3.5とGPT-4.0のチューリングテストのスコアを発表しました。後者は41％のスコアを達成し、合格点の50％にわずか9パーセントポイント及ばず、同じテストで人間が63％を獲得しました。このチューリングテストの本質は、参加者がチャット相手を人間であると認識しているかどうかにあります。50％を超えるスコアは、大多数の人が機械ではなく人間と対話していると信じていることを示しており、少なくとも半数の人々がAIと人間を区別できなかったため、AIはチューリングテストに合格したとみなされます。

AI は人間の生産性を飛躍的に向上させる道を切り開きますが、同時に私たちの社会に深刻な課題をもたらします。具体的には次のような課題です。

  • AIの確率性を検証・制御し、それを欠点ではなく強みに変える方法

  • AIが要求する膨大なエネルギーと計算能力の要件をどう埋めるか

  • 人間とAIを区別する方法

暗号通貨とブロックチェーン技術は、次の 3 つの重要な特性を特徴とする AI がもたらす課題に対する理想的なソリューションを提供できる可能性があります。

  • 決定論: 操作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おり、明確なルールと境界があります。入力によって予測可能な出力が得られるため、高いレベルの決定論が保証されます。

  • 効率的なリソース割り当て: 暗号通貨経済は、広大でグローバルな自由市場を育み、迅速な価格設定、資金調達、リソースの移転を可能にしました。トークンの存在により、市場の需要と供給の調整がさらに加速され、インセンティブを通じて急速に臨界質量を達成します。

  • 信頼性のなさ: 公開台帳とオープンソース コードにより、誰でも簡単に操作を検証でき、「信頼性のなさ」なシステムを作成できます。さらに、ゼロ知識 (ZK) テクノロジーにより、これらの検証プロセス中にプライバシーが維持されることがさらに保証されます。

AI と暗号通貨経済の相補性を示すために、3 つの例を詳しく見てみましょう。

例 A: 暗号経済を活用した AI エージェントによる確率性の克服

AI エージェントは、人間の指示に従って人間に代わってタスクを実行するように設計されたインテリジェント プログラムです。この分野では、Fetch.AI が注目すべき例です。AI エージェントに「BTC に 1,000 ドルを投資する」などの金融操作を実行するタスクを与えるとします。AI エージェントは、次の 2 つの異なるシナリオに直面する可能性があります。

シナリオ 1: エージェントは、BTC ETF を購入するために従来の金融機関 (BlackRock など) とやり取りする必要があり、KYC 手順、ドキュメント検証、ログイン プロセス、ID 認証など、中央集権型組織との互換性に関する多くの問題に直面します。これらはすべて、現時点では非常に煩雑です。

シナリオ 2: ネイティブの暗号経済内で操作する場合、プロセスは簡素化されます。エージェントは、Uniswap または同様の取引アグリゲーターを介してトランザクションを直接実行し、アカウントを使用してサインインして注文を確認し、その結果、WBTC またはラップされた BTC の他のバリアントを取得します。この手順は効率的で合理化されています。基本的に、これは現在さまざまなトレーディング ボットによって提供されている機能であり、取引活動に重点を置いた基本的な AI エージェントとして機能します。AI のさらなる開発と統合により、これらのボットはより複雑な取引目的を達成します。たとえば、ブロックチェーン上の 100 のスマート マネー アドレスを監視し、それらの取引戦略と成功率を評価し、資金の 10% を割り当てて 1 週間にわたって取引をコピーし、収益が不利な場合は操作を停止し、これらの戦略の潜在的な理由を推測します。

AI がブロックチェーン システム内で繁栄するのは、基本的に、暗号経済のルールが明確に定義されており、システムがパーミッションレスを許容しているためです。明確なガイドラインに従って運用することで、AI 固有の確率性に関連するリスクが大幅に軽減されます。たとえば、チェスやビデオ ゲームで AI が人間より優れているのは、これらの環境が単純なルールを持つ閉じたサンドボックスであるという事実に起因しています。対照的に、自動運転の進歩はより緩やかです。オープン ワールドの課題はより複雑であり、そのようなシナリオでの AI の予測不可能な問題解決に対する私たちの許容度は著しく低くなります。

例B: トークンインセンティブによるリソース統合

BTC を支える強力なグローバル ハッシュ ネットワークは、現在 576.70 EH/s という総ハッシュ レートを誇り、どの国のスーパーコンピューターの累積計算能力も上回っています。この成長は、ネットワーク内のシンプルで公正なインセンティブによって推進されています。

BTCハッシュレートトレンド

さらに、Mobile のような DePIN プロジェクトは、トークン インセンティブを模索して、供給側と需要側の両方で市場を開拓し、ネットワーク効果を促進しています。この記事で今後取り上げる IO.NET は、AI コンピューティング パワーを集約するよう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 パワーの潜在能力を解き放つことを目指しています。

例 C: オープンソースと ZK 証明を活用して、プライバシーを保護しながら人間と AI を区別する

OpenAIのサム・アルトマン氏が共同設立したWeb3プロジェクトであるワールドコインは、新しいアプローチで本人確認を行っています。オーブと呼ばれるハードウェアデバイスを使用し、人間の虹彩生体認証を活用してゼロ知識（ZK）技術で一意の匿名ハッシュ値を生成し、人間とAIを区別します。2024年3月初旬、Web3アートプロジェクトDripは、実際の人間を認証して報酬を割り当てるためにワールドコインIDの実装を開始しました。

Worldcoin は最近、虹彩ハードウェア Orb をオープンソース化し、生体認証データのセキュリティとプライバシーを確​​保しました。

全体として、コードと暗号化の決定論、許可不要でトークンベースの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な性質により、暗号経済は、人間社会が AI によって直面する課題に対する重要な潜在的な解決策となっています。

最も差し迫った、そして商業的に厳しい課題は、主にチップと計算能力の大幅な需要によって推進される、AI 製品に必要な計算リソースの極度の渇望です。

これは、分散コンピューティング パワー プロジェクトが AI セクター全体のこの強気相場サイクルで利益を牽引した主な理由でもあります。

分散コンピューティングのビジネス上の必須事項

AI には、モデルのトレーニングと推論タスクの両方に必要な大量の計算リソースが必要です。

大規模言語モデルのトレーニングでは、データ パラメータの規模が大きくなると、これらのモデルが前例のない機能を発揮し始めることが十分に文書化されています。ChatGPT の世代ごとに見られる指数関数的な改善は、モデル トレーニングの計算需要の指数関数的な増加によって推進されています。

DeepMind とスタンフォード大学の研究によると、さまざまな大規模言語モデルで、計算、ペルシャ語の質問への回答、自然言語理解など、さまざまなタスクを処理する場合、トレーニングでモデル パラメータ (ひいては計算負荷) が大幅に拡大されない限り、モデルはランダムな推測に近似するだけです。計算量が 10^22 FLOP に達するまで、どのタスクのパフォーマンスもほぼランダムのままです。この重要なしきい値を超えると、どの言語モデルでもタスクのパフォーマンスが劇的に向上します。

*FLOP は 1 秒あたりの浮動小数点演算数を指し、コンピューティング パフォーマンスの指標です。

大規模言語モデルの創発的能力

大規模言語モデルの創発的能力

理論上も実践上でも実証されているコンピューティング能力における「多大な努力で奇跡を達成する」という原則は、OpenAI の創設者サム・アルトマン氏に、7 兆ドルを調達するという野心的な計画を提案するきっかけを与えました。この基金は、TSMC の現在の能力の 10 倍を超えるチップ工場 (推定 1.5 兆ドルの費用) を設立することを目的としており、残りの資金はチップ製造とモデルのトレーニングに割り当てられます。

AI モデルのトレーニングに必要な計算量に加えて、推論プロセスにも、トレーニングほどではないにせよ、かなりの計算能力が必要です。チップと計算リソースに対するこの継続的なニーズは、AI 分野のプレーヤーにとって標準的な現実となっています。

Amazon Web Services、Google Cloud Platform、Microsoft Azure などの集中型 AI コンピューティング プロバイダーとは対照的に、分散型 AI コンピューティングはいくつかの魅力的な価値提案を提供します。

  • アクセシビリティ: AWS、GCP、Azure などのサービスを通じてコン​​ピューティング チップにアクセスするには通常数週間かかり、最も人気のある GPU モデルは在庫切れになることがよくあります。さらに、消費者は通常、これらの大企業との長くて厳格な契約に縛られています。一方、分散コンピューティング プラットフォームは、アクセシビリティが向上した柔軟なハードウェア オプションを提供します。

  • コスト効率: アイドル チップを活用し、チップおよびコンピューティング パワー プロバイダー向けのネットワーク プロトコルからのトークン補助金を組み込むことで、分散コンピューティング ネットワークは低コストでコンピューティング パワーを提供できます。

  • 検閲耐性: 最先端のチップの供給は現在、大手テクノロジー企業によって独占されており、米国政府が AI コンピューティング サービスの監視を強化しているため、分散型で柔軟かつ制限のない方法でコンピューティング パワーを取得する能力がますます必要になっています。これは、Web3 ベースのコンピューティング プラットフォームのコア価値提案です。

化石燃料が産業時代の生命線であったとすれば、コンピューティングパワーは AI によってもたらされた新しいデジタル時代の生命線であり、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強力な派生商品として登場したのと同様に、分散コンピューティング市場は急速に拡大する AI コンピューティング市場の中で急成長を遂げる分野へと進化するのでしょうか。

これはまだ新興市場であり、多くのことがまだ不明です。しかし、分散コンピューティングの物語や市場導入を後押しする可能性のある要因がいくつかあります。

  • 永続的な GPU 供給の課題: GPU の供給制約が継続しているため、開発者は分散型コンピューティング プラットフォームを検討するようになる可能性があります。

  • 規制の拡大: 主要なクラウド プラットフォームから AI コンピューティング サービスにアクセスするには、徹底した KYC プロセスと精査が必要です。これにより、特に制限や制裁に直面している分野で、分散型コンピューティング プラットフォームの採用が拡大する可能性があります。

  • トークン価格インセンティブ: 強気相場におけるトークン価格の上昇は、プラットフォームが GPU プロバイダーに提供する補助金の価値を高め、より多くのベンダーを市場に引き付け、市場の規模を拡大し、消費者のコストを引き下げる可能性があります。

同時に、分散型コンピューティング プラットフォームが直面している課題も明らかです。

  • 技術的およびエンジニアリング上の課題

    • 作業証明の問題: ディープラーニング モデルの計算は、各レイヤーの出力が次のレイヤーの入力として使用される階層構造のため、計算の有効性を検証するには、以前の作業をすべて実行する必要があり、これは単純でも効率的でもありません。これに対処するには、分散コンピューティング プラットフォームで新しいアルゴリズムを開発するか、絶対的な決定論ではなく、結果の確率的保証を提供する近似検証手法を採用する必要があります。

    • 並列化の課題: 分散コンピューティング プラットフォームは、通常、それぞれが限られたコンピューティング能力しか提供していない多様なチップ サプライヤーに依存しています。単一のチップ サプライヤーで AI モデルのトレーニングまたは推論タスクを迅速に完了することはほぼ不可能です。したがって、タスクを分解して分散し、並列化によって全体の完了時間を短縮する必要があります。ただし、このアプローチでは、タスクの分解方法 (特に複雑なディープラーニング タスク)、データの依存関係、デバイス間の接続コストなど、いくつかの複雑な問題が生じます。

    • プライバシー保護の問題: クライアント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にはどうすればよいでしょうか?

  • 規制遵守の課題

    • 分散型コンピューティング プラットフォームは、需要と供給の市場において許可を必要としない性質のため、重要なセールス ポイントとして特定の顧客にアピールすることができます。ただし、AI 規制の枠組みが進化するにつれて、これらのプラットフォームはますます政府の監視の対象となる可能性があります。さらに、一部の GPU ベンダーは、リースしたコンピューティング リソースが制裁対象の企業や個人によって使用されているかどうかを懸念しています。

まとめると、分散型コンピューティング プラットフォームの主なユーザーは、主にプロの開発者または中小企業です。暗号通貨や NFT の投資家とは異なり、これらのクライアントはプラットフォームが提供するサービスの安定性と継続性を優先しており、価格設定は必ずしも最優先事項ではありません。分散型コンピューティング プラットフォームが、この目の肥えたユーザー層から広く受け入れられるまでには、まだ長い道のりが残っています。

次に、このサイクルにおける新しい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 の詳細を掘り下げて分析します。また、類似のプロジェクトと比較して、リリース後の潜在的な市場評価を推定します。

分散型 AI コンピューティング プラットフォーム: IO.NET

プロジェクト概要

IO.NET は、チップを中心とする 2 面市場を確立した分散型コンピューティング ネットワークです。供給側には、主に GPU ですが、CPU や Apple の統合 GPU (iGPU) など、世界中に分散されたコンピューティング パワーがあります。需要側には、AI モデルのトレーニングや推論タスクを完了しようとしている AI エンジニアがいます。

IO.NET の公式 Web サイトには、同社のビジョンが次のように記載されています。

私たちの使命

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。

従来のクラウド AI コンピューティング サービスと比較して、このプラットフォームにはいくつかの重要な利点があります。

  • 柔軟な構成: AI エンジニアは、必要なチップを自由に選択し、特定のコンピューティング タスクに合わせて「クラスター」に組み立てることができます。

  • 迅速な導入: AWS などの集中型プロバイダーに伴う長い承認時間と待機時間とは異なり、このプラットフォームでの導入はわずか数秒で完了し、すぐにタスクを開始できます。

  • コスト効率: サービスコストは、主流のプロバイダーが提供するものより最大 90% 低くなります。

さらに、IO.NET では今後、AI モデル ストアなどの追加サービスを開始する予定です。

製品の仕組みとビジネス指標

製品の仕組みと導入経験

Amazon Cloud、Google Cloud、Alibaba Cloud などの主要なプラットフォームと同様に、IO.NET は IO Cloud と呼ばれるコンピューティング サービスを提供しています。このサービスは、AI および機械学習アプリケーション用の Python ベースの機械学習コードの実行をサポートする、分散型および非中央集権型のチップ ネットワークを通じて動作します。

IO Cloud の基本的なビジネス モジュールはクラスターと呼ばれ、コンピューティング タスクを効率的に処理するように設計された GPU の自己調整グループです。AI エンジニアは、特定のニーズに合わせてクラスターを柔軟にカスタマイズできます。

IO.NET のユーザー インターフェイスは非常に使いやすいです。AI コンピューティング タスク用に独自のチップ クラスターを展開する場合は、プラットフォームの [クラスター] ページに移動するだけです。ここで、要件に応じて必要なチップ クラスターを簡単に構成できます。

IO.NET のクラスター ページ

まず、クラスター タイプを選択する必要があります。次の 3 つのオプションがあります。

  1. 一般: 具体的なリソース要件がまだ明確でないプロジェクトの初期段階に適した一般的な環境を提供します。

  2. トレーニング: 機械学習モデルのトレーニングと微調整専用に設計されたクラスター。このオプションは、これらの集中的なコンピューティング タスクに対応するために、追加の GPU リソース、より高いメモリ容量、および/またはより高速なネットワーク接続を提供します。

  3. 推論: 低レイテンシの推論と高負荷の作業向けに設計されたクラスター。機械学習の文脈では、推論とは、トレーニング済みのモデルを使用して新しいデータセットを予測または分析し、フィードバックを提供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の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を最適化することに重点を置いています。

次に、クラスターのサプライヤーを選択する必要があります。IO.NET は Render Network および Filecoin マイナー ネットワークと提携しており、ユーザーはコンピューティング クラスターの供給元として 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。これにより、IO.NET は事実上アグリゲーターとして位置付けられます (注: Filecoin サービスは一時的にオフラインです)。IO.NET では現在 200,000 を超える GPU がオンラインで利用可能であり、Render Network では 3,700 を超える GPU が利用可能であることは注目に値します。

これに続いて、クラスターのハードウェア選択フェーズに進みます。現在、IO.NET では、CPU や Apple の iGPU (M1、M2 など) を除いた GPU のみが利用可能なハードウェア オプションとしてリストされており、GPU は主に NVIDIA 製品で構成されています。

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、当日私がテストしたデータに基づくと、IO.NET ネットワーク内で利用可能なオンライン GPU の総数は 206,001 でした。最も可用性の高い GPU は GeForce RTX 4090 で 45,250 ユニット、次いで GeForce RTX 3090 Ti で 30,779 ユニットでした。

さらに、機械学習、ディープラーニング、科学計算などの AI コンピューティング タスクにさらに効率的な、高効率の A100-SXM4-80GB チップ (各価格 15,000 ドル以上) がオンラインで 7,965 個入手可能です。

AI向けに一から設計されたNVIDIA H100 80GB HBM3（市場価格4万ドル以上）は、A100に比べて3.3倍のトレーニング性能と4.5倍の推論性能を実現。現在、オンラインで86台が入手可能。

クラスターのハードウェア タイプを選択したら、ユーザーはクラスターの地理的な場所、接続速度、GPU の数、期間などの詳細をさらに指定する必要があります。

最後に、IO.NET は選択したオプションに基づいて詳細な請求額を計算します。例として、次のクラスター構成を検討してください。

  • クラスタータイプ: 一般

  • 16 個の A100-SXM4-80GB GPU

  • 接続層: 高速

  • 地理的位置: アメリカ合衆国

  • 期間: 1週間

この構成の合計請求額は 3,311.6 ドルで、カード 1 枚あたりの時間レンタル料金は 1.232 ドルです。

Amazon Web Services、Google Cloud、Microsoft Azure での A100-SXM4-80GB 1 台の 1 時間あたりのレンタル料金は、それぞれ 5.12 ドル、5.07 ドル、3.67 ドルです (データは Cloud GPU Comparison から取得、実際の料金は契約の詳細によって異なる場合があります)。

その結果、コストに関して言えば、IO.NET は主流のプロバイダーよりもはるかに低い価格でチップのコンピューティング パワーを提供します。さらに、供給と調達のオプションの柔軟性により、IO.NET は多くのユーザーにとって魅力的な選択肢となっています。

事業概要

供給側

2024 年 4 月 4 日現在、公式データによると、IO.NET の供給側における GPU 総供給数は 371,027 ユニット、CPU 供給数は 42,321 ユニットとなっています。さらに、パートナーである Render Network は、ネットワークの供給にさらに 9,997 個の GPU と 776 個の CPU を接続していました。

データソース: io.net

本稿執筆時点では、IO.NET に統合された GPU のうち 214,387 個がオンラインであり、オンライン率は 57.8% でした。Render Network からの GPU のオンライン率は 45.1% でした。

供給側のこのデータは何を示唆しているのでしょうか?

ベンチマークを提供するために、より経験豊富な分散型コンピューティング プロジェクトである Akash Network を導入してみましょう。

Akash Network は早くも 2020 年にメインネットを立ち上げ、当初は CPU とストレージ向けの分散型サービスに重点を置いていました。2023 年 6 月には GPU サービス向けのテストネットを展開し、その後同年 9 月に分散型 GPU コンピューティング パワー向けのメインネットを立ち上げました。

Akash ネットワーク GPU 容量

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、供給側は継続的に成長しているものの、ネットワークに接続されている GPU の総数は 365 個にとどまっています。

GPU 供給量を評価すると、IO.NET は Akash Network を大幅に上回り、劇的に大きな規模で運用されています。IO.NET は、分散型 GPU コンピューティング パワー セクターで最大の供給側としての地位を確立しています。

需要側

需要側から見ると、IO.NET はまだ市場開拓の初期段階にあり、ネットワーク上で実行される計算タスクの総量は比較的少ないです。GPU の大部分はオンラインですがアイドル状態であり、ワークロードの割合は 0% を示しています。タスクの処理にアクティブに従事しているのは、A100 PCIe 80GB K8S、RTX A6000 K8S、RTX A4000 K8S、H100 80GB HBM3 の 4 つのチップ タイプのみであり、その中で A100 PCIe 80GB K8S のみが 20% を超えるワークロードを経験しています。

この日に報告されたネットワークの公式ストレスレベルは 0% であり、GPU 供給のかなりの部分が現在オンラインだがアイドル状態にあることを示しています。

財務的には、IO.NET はこれまでに 586,029 ドルのサービス料を蓄積しており、そのうち 3,200 ドルは最新の日に発生しました。

出典: io.net

ネットワーク決済手数料に関する財務状況は、総取引量と 1 日の取引量の両方において Akash のものとほぼ一致しています。ただし、Akash の収益の大部分は CPU の提供によるものであり、在庫は 20,000 個を超えていることに留意することが重要です。

出典: Akash Network Stats

さらに、IO.NET は、ネットワークによって処理された AI 推論タスクの詳細なデータを公開しました。最新のレポートによると、プラットフォームは 230,000 件を超える推論タスクを正常に処理および検証しましたが、そのほとんどは IO.NET がスポンサーとなっているプロジェクトである BC8.AI によるものです。

出典: io.net

IO.NET の供給側は、エアドロップや「Ignition」と呼ばれるコミュニティ イベントへの期待に後押しされて、効率的に拡大しています。この取り組みは、急速に大量の AI コンピューティング パワーを引き付けています。ただし、需要側では、有機的な需要が不十分なため、拡大はまだ初期段階にあります。この需要低迷の理由 (消費者への働きかけが不十分なためか、サービス エクスペリエンスが不安定で大規模な導入が限られているためか) については、さらに評価する必要があります。

AI コンピューティング機能のギャップを迅速に埋めるという課題を踏まえ、多くの AI エンジニアやプロジェクトが代替手段を模索しており、分散型サービス プロバイダーへの関心が高まる可能性があります。さらに、IO.NET は需要を高めるための経済的インセンティブや活動をまだ実施しておらず、製品エクスペリエンスが向上し続けるにつれて、需要と供給の予想される均衡は将来に期待が持てます。

チームの背景と資金調達の概要

チームプロフィール

IO.NET のコア チームは当初、定量取引に重点を置いていました。2022 年 6 月まで、彼らは株式と暗号通貨の機関レベルの定量取引システムの作成に取り組んでいました。システム バックエンドのコンピューティング パワーに対する需要に駆り立てられ、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 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具体的な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

IO.NET を設立する前、Ahmad Shadid 氏は定量金融と金融工学の分野で働いており、Ethereum Foundation のボランティアも務めています。

CMO 兼 最高戦略責任者: ギャリソン・ヤン

ギャリソン・ヤンは、2024 年 3 月に正式に IO.NET に入社しました。それ以前は、Avalanche で戦略および成長担当副社長を務めており、カリフォルニア大学サンタバーバラ校の卒業生です。

COO: トリー・グリーン

Tory Green は IO.NET の最高執行責任者を務めています。以前は Hum Capital の COO、Fox Mobile Group の事業開発および戦略担当ディレクターを務めていました。スタンフォード大学を卒業しています。

IO.NET の LinkedIn プロフィールによると、チームの本社は米国ニューヨークにあり、サンフランシスコに支社があり、50 人以上のスタッフを雇用しています。

資金調達の概要

IO.NET が公表した資金調達ラウンドは 1 回のみです。今年 3 月に完了したシリーズ A ラウンドは評価額 10 億ドルで、3,000 万ドルの調達に成功しました。このラウンドは Hack VC が主導し、Multicoin Capital、Delphi Digital、Foresight Ventures、Animoca Brands、Continue Capital、Solana Ventures、Aptos、LongHash Ventures、OKX Ventures、Amber Group、SevenX Ventures、ArkStream Capital などの投資家が参加しました。

特に、Aptos Foundation からの投資は、BC8.AI プロジェクトが決済および会計プロセスに Solana を使用するのをやめ、同様に高性能なレイヤー 1 ブロックチェーンである Aptos に切り替えるという決定に影響を与えた可能性がある。

評価額の見積り

創設者兼CEOのアフマド・シャディッド氏の以前の発言によると、IO.NETは2024年4月末までにトークンをリリースする予定だという。

IO.NET には、評価の基準となるベンチマーク プロジェクトが 2 つあります。Render Network と Akash Network です。どちらも代表的な分散コンピューティング プロジェクトです。

IO.NET の時価総額を推定するには、主に 2 つの方法があります。

  1. FDV と収益を比較する株価売上高倍率 (P/S)。

  2. FDV対チップ比（M/C比）

まず、株価売上高倍率を使用して潜在的な評価額を調べます。

株価売上高比率を調べると、Akash は IO.NET の推定評価範囲の保守的な側を代表する一方、Render は FDV を 16 億 7,000 万ドルから 59 億 3,000 万ドルと想定するハイエンドのベンチマークを提供しています。

しかし、IO.NET プロジェクトのアップデートを考慮すると、そのより説得力のあるストーリーと、初期の時価総額の小ささ、そしてより幅広い供給基盤が相まって、その FDV は Render Network を上回る可能性が十分にあります。

別の評価比較の観点、つまり「FDV対チップ比率」に目を向けてみましょう。

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において、分散型AIコンピューティングネットワークの最も重要な要素はGPU供給の規模です。したがって、プロジェクトの完全希薄化価値とネットワーク内のチップ数の比率である「FDV対チップ比率」を使用して、IO.NETの可能な評価範囲を推測し、読者に参考情報を提供することができます。

市場対チップ比率を使用して IO.NET の評価額の範囲を計算すると、206 億ドルから 1,975 億ドルとなり、Render Network が上限ベンチマーク、Akash Network が下限ベンチマークとなります。

IO.NET プロジェクトの愛好家は、これを時価総額の非常に楽観的な見積もりと見なすかもしれません。

エアドロップへの期待とインセンティブ活動によって刺激された、IO.NET のオンラインチップの現在の膨大な数を考慮することが重要です。プロジェクトが正式に開始された後の実際のオンライン供給数はまだ観察が必要です。

全体的に、株価売上高倍率から導き出された評価は、より信頼性の高い洞察を提供できる可能性があります。

Solana 上に構築され、AI と DePIN の融合を特徴とする IO.NET は、トークンのローンチを目前にしています。ローンチ後の時価総額への影響を目の当たりにすると、期待が高まります。

参照

  • 本当のマージ

  • 暗号とAIの交差点を理解する