Алекс Сюй - Mint Ventures
Исходное время публикации: 08.04.2024 10:23
Исходная ссылка: https://research.mintventures.fund/2024/04/08/zh-a-new-solana-based-ai-depin-project-a-brief-anaанализ-of-upcoming-tokenlaunch-io-net /
введение
В своей последней статье я упомянул, что по сравнению с двумя предыдущими циклами этому бычьему циклу криптографического рынка не хватает достаточно влиятельных историй о новом бизнесе и новых активах. ИИ — одно из немногих новых повествований в этой области Web3. Автор этой статьи попытается разобраться в моих мыслях по следующим двум вопросам, основанным на популярном в этом году проекте ИИ IO.NET:
Коммерческая необходимость AI+Web3
Необходимость и проблемы услуг распределенных вычислений
Во-вторых, автор рассортирует ключевую информацию о проекте IO.NET, репрезентативном проекте распределенных вычислительных мощностей искусственного интеллекта, включая логику продукта, конкурентоспособные продукты и предысторию проекта, и выведет оценку проекта.
Частично мысли в этой статье о сочетании искусственного интеллекта и Web3 были вдохновлены «Настоящим слиянием», написанным исследователем Delphi Digital Майклом Ринко. Некоторые мнения в этой статье взяты из статьи и процитированы. Читателям рекомендуется прочитать оригинальную статью.
Эта статья представляет собой инсценированное мышление автора на момент публикации. В будущем она может измениться, и мнения могут быть весьма субъективными. Пожалуйста, не используйте ее в качестве инвестиционного справочника. Комментарии и обсуждения коллег приветствуются.
Ниже приводится основной текст.
1. Бизнес-логика: сочетание ИИ и Web3
1.1 2023: Новый «чудесный год», созданный ИИ
Оглядываясь назад на историю человеческого развития, можно сказать, что как только технология достигнет прорыва, в повседневной жизни отдельных людей, в различных промышленных структурах и во всей человеческой цивилизации последуют потрясающие изменения.
В истории человечества есть два важных года, а именно 1666 и 1905 годы. Сейчас они известны как два «чудесных года» в истории науки и техники.
1666 год считается Годом чудес, поскольку в этот год концентрировано проявились научные достижения Ньютона. В этом году он открыл физическую ветвь оптики, основал математическую ветвь исчисления и вывел формулу гравитации — основной закон современного естествознания. Каждый из них станет основополагающим вкладом в развитие науки о человеке в ближайшие сто лет, значительно ускоряя развитие науки в целом.
Вторым годом чуда стал 1905 год. Тогда Эйнштейн, которому было всего 26 лет, опубликовал в «Анналах физики» подряд четыре статьи, посвященные фотоэлектрическому эффекту (заложившему основу квантовой механики) и броуновскому движению (ставшему метод анализа случайных процессов). Важные ссылки), специальная теория относительности и уравнение массы-энергии (то есть знаменитая формула E=MC^2). По оценкам последующих поколений, каждая из этих четырех работ превысила средний уровень Нобелевской премии по физике (сам Эйнштейн также получил Нобелевскую премию за свою работу о фотоэлектрическом эффекте), и исторический процесс человеческой цивилизации был вновь значительно несколько шагов.
Только что прошедший 2023 год, скорее всего, назовут еще одним «чудесным годом» из-за ChatGPT.
Мы считаем 2023 год «годом чуда» в истории человеческой науки и технологий не только из-за огромного прогресса GPT в понимании и генерации естественного языка, но и потому, что люди поняли рост возможностей больших языковых моделей в результате эволюции GPT Правило — то есть за счет расширения параметров модели и обучающих данных возможности модели можно улучшить в геометрической прогрессии — и в этом процессе нет узких мест в краткосрочной перспективе (пока достаточно вычислительных мощностей).
Эта способность далека от понимания языка и создания диалога. Она также может широко использоваться в различных научных и технологических областях. Возьмем, к примеру, применение больших языковых моделей в биологической области:
В 2018 году лауреат Нобелевской премии по химии Фрэнсис Арнольд заявил на церемонии награждения: «Сегодня мы можем читать, записывать и редактировать любую последовательность ДНК в практических приложениях, но мы пока не можем ее составить». Спустя пять лет после его выступления, в 2023 году, исследователи. из Стэнфордского университета и стартапа Salesforce Research, занимающегося искусственным интеллектом в Кремниевой долине, опубликовали статью в журнале «Nature-Biotechnology». Они использовали большую языковую модель, точно настроенную на основе GPT3, чтобы перейти от 0 до одного миллиона новых белков, и были созданы два белка с совершенно разными свойствами. были обнаружены структуры, но обе обладающие бактерицидной способностью. Ожидается, что они станут решением для борьбы с бактериями в дополнение к антибиотикам. Другими словами: с помощью ИИ прорвано узкое место «создания» белка.
Ранее алгоритм искусственного интеллекта AlphaFold предсказал структуру почти всех 214 миллионов белков на Земле за 18 месяцев. Этот результат в сотни раз превосходил работу всех структурных биологов человека в прошлом.
Благодаря различным моделям, основанным на искусственном интеллекте, все, от жестких технологий, таких как биотехнология, материаловедение и исследования и разработки лекарств, до гуманитарных областей, таких как право и искусство, приведет к потрясающим изменениям, и 2023 год станет первым годом всего этого.
Мы все знаем, что способность человечества создавать богатство за последнее столетие выросла в геометрической прогрессии, и быстрое развитие технологий искусственного интеллекта неизбежно еще больше ускорит этот процесс.
Диаграмма тенденций мирового ВВП, источник данных: Всемирный банк.
1.2 Сочетание ИИ и криптографии
Чтобы по существу понять необходимость объединения AI и Crypto, мы можем начать с взаимодополняющих характеристик этих двух.
Дополнительные возможности AI и Crypto
У ИИ есть три атрибута:
Случайность: ИИ является случайным механизмом производства контента, который сложно воспроизвести и обнаружить, поэтому результаты также случайны.
Ресурсоемкость: ИИ — это ресурсоемкая отрасль, требующая много энергии, чипов и вычислительной мощности.
Человеческий интеллект: ИИ (скоро) сможет пройти тест Тьюринга, и после этого люди будут неотличимы от машин*
※30 октября 2023 года исследовательская группа Калифорнийского университета в Сан-Диего опубликовала результаты теста Тьюринга (отчет об испытаниях) GPT-3.5 и GPT-4.0. Оценка GPT4.0 составляет 41%, что всего на 9% ниже проходного балла в 50%. Оценка того же проекта на людях составляет 63%. Смысл этого теста Тьюринга заключается в том, сколько процентов людей думают, что человек, с которым они общаются, — реальный человек. Если оно превышает 50%, это означает, что по крайней мере половина людей в толпе считает, что собеседник — человек, а не машина, что считается проходящим тест Тьюринга.
Хотя ИИ обеспечивает новый скачок производительности для человечества, его три атрибута также создают огромные проблемы для человеческого общества, а именно:
Как проверить и контролировать случайность ИИ, чтобы случайность стала преимуществом, а не недостатком
Как удовлетворить огромный разрыв в энергетической и вычислительной мощности, необходимый для искусственного интеллекта
Как отличить человека от машины
Характеристики криптовалюты и экономики блокчейна могут стать подходящим лекарством для решения проблем, связанных с ИИ. Экономика шифрования имеет следующие три характеристики:
Детерминизм: бизнес работает на основе блокчейна, кода и смарт-контрактов. Правила и границы ясны. То, что является входной информацией, приведет к высокой степени уверенности.
Эффективное распределение ресурсов. Криптоэкономика создала огромный глобальный свободный рынок. Ценообразование, сбор и обращение ресурсов происходят очень быстро. А благодаря существованию токенов можно использовать стимулы для ускорения согласования рыночного спроса и предложения. и ускорить достижение критической точки.
Отсутствие доверия: реестр открыт, код имеет открытый исходный код, и каждый может легко его проверить, создавая «ненадежную» систему, а технология ZK позволяет избежать раскрытия конфиденциальности одновременно с проверкой.
Далее будут использованы три примера, иллюстрирующие взаимодополняемость ИИ и криптоэкономики.
Пример A: Решение случайности, ИИ-агент на основе криптоэкономики
AI Agent — программа искусственного интеллекта, отвечающая за выполнение работы за людей на основе человеческой воли (к типичным проектам относится Fetch.AI). Предположим, мы хотим, чтобы наш ИИ-агент обработал финансовую транзакцию, например «Купить 1000 долларов США в BTC». Агенты ИИ могут столкнуться с двумя ситуациями:
Сценарий 1: Он хочет связаться с традиционными финансовыми учреждениями (такими как BlackRock) и приобрести BTC ETF. Он сталкивается с большим количеством проблем адаптации между агентами ИИ и централизованными учреждениями, такими как KYC, проверка информации, вход в систему, проверка личности и т. д. На данный момент это все еще очень проблематично.
Во втором случае он работает на основе собственной экономики шифрования, и ситуация станет намного проще. Он будет напрямую использовать вашу учетную запись для подписания и размещения заказа для завершения транзакции через Uniswap или агрегированную торговую платформу и получения WBTC (или). другая инкапсуляция) формата BTC), весь процесс выполняется быстро и легко. Фактически, именно этим и занимаются различные торговые боты. Они фактически играли роль младшего ИИ-агента, но их работа сосредоточена на торговле. В будущем, с интеграцией и развитием ИИ, различные типы торговых ботов неизбежно смогут выполнять более сложные торговые задачи. Например: отследить 100 адресов умных денег в цепочке, проанализировать их торговые стратегии и показатели успеха, использовать 10% средств на моем адресе для выполнения аналогичных транзакций в течение недели и остановиться, если результаты будут плохими, и суммировать возможности. причины неудачи.
ИИ будет лучше работать в системе блокчейна, в основном из-за ясности криптоэкономических правил и несанкционированного доступа к системе. Выполняя задачи по ограниченным правилам, потенциальные риски, связанные со случайностью ИИ, также будут меньше. Например, производительность ИИ в шахматных и карточных соревнованиях и видеоиграх превзошла людей, потому что шахматы и карточные игры представляют собой закрытые песочницы с четкими правилами. Прогресс ИИ в области автономного вождения будет относительно медленным, потому что проблемы открытой внешней среды более серьезны, и нам труднее мириться со случайностью проблем обработки ИИ.
Пример Б: Формирование ресурсов и сбор ресурсов с помощью токен-стимул.
Текущая общая вычислительная мощность глобальной вычислительной сети, лежащей в основе BTC (хэшрейт: 576,70 ЭХ/с), превышает совокупную вычислительную мощность суперкомпьютеров любой страны. Мотивация его развития исходит из простых и справедливых сетевых стимулов.
Тенденция вычислительной мощности сети BTC, источник: https://www.coinwarz.com/
Кроме того, проекты DePIN, включая Mobile, также пытаются использовать стимулы в виде токенов для формирования двустороннего рынка по обе стороны спроса и предложения для достижения сетевых эффектов. IO.NET, о котором пойдет речь в следующей статье, представляет собой платформу, предназначенную для сбора вычислительной мощности ИИ. Есть надежда, что с помощью модели токенов будет стимулироваться больший потенциал вычислительной мощности ИИ.
Пример C: Открытый исходный код, введение ZK, различение людей и машин при сохранении конфиденциальности
В качестве проекта Web3, в котором участвует основатель OpenAI Сэм Альтман, Worldcoin использует аппаратное устройство Orb для генерации эксклюзивных и анонимных хэш-значений на основе биометрии радужной оболочки глаза человека и технологии ZK для проверки личности и различения людей и машин. В начале марта этого года арт-проект Web3 Drip начал использовать идентификаторы Worldcoin для проверки реальных пользователей и выдачи вознаграждений.
Кроме того, Worldcoin недавно открыла исходный код своего аппаратного обеспечения Orb, чтобы обеспечить гарантии безопасности и конфиденциальности пользовательских биометрических данных.
Вообще говоря, из-за надежности кода и криптографии, преимуществ обращения ресурсов и сбора средств, обеспечиваемых механизмом неразрешения и токенов, а также ненадежных атрибутов, основанных на открытом исходном коде и публичных реестрах, криптоэкономика стала серьезной проблемой для ИИ. человеческое общество. Важное потенциальное решение.
И среди них наиболее актуальной проблемой, связанной с самым сильным коммерческим спросом, является чрезвычайная потребность в продуктах искусственного интеллекта в вычислительных ресурсах, связанная с огромным спросом на чипы и вычислительную мощность.
Это также основная причина, почему рост проектов распределенных вычислительных мощностей превышает общий темп роста ИИ в этом бычьем рыночном цикле.
Бизнес-необходимость децентрализованных вычислений
ИИ требует огромных вычислительных ресурсов как для обучения моделей, так и для выполнения логических выводов.
В практике обучения больших языковых моделей подтвержден один факт: пока масштаб параметров данных достаточно велик, будут возникать большие языковые модели с некоторыми возможностями, которых раньше не было. Экспоненциальный скачок возможностей каждого поколения GPT по сравнению с предыдущим поколением обусловлен экспоненциальным увеличением объема вычислений, необходимых для обучения модели.
Исследования DeepMind и Стэнфордского университета показывают, что когда разные большие языковые модели сталкиваются с разными задачами (операции, ответ на персидский вопрос, понимание естественного языка и т. д.), им нужно только увеличивать размер параметров модели во время обучения модели (соответственно, обучения объем вычислений также увеличился), пока объем обучения не достигнет 10^22 FLOP (FLOPs относится к операциям с плавающей запятой в секунду, используемым для измерения производительности вычислений), производительность любой задачи почти такая же, как при случайном предоставлении ответов. ; И как только масштаб параметра превышает критическое значение этого масштаба, производительность задачи резко улучшается, независимо от того, какая языковая модель.
来源: Новые возможности больших языковых моделей
来源: Новые возможности больших языковых моделей
Именно проверка закона и практики «больших чудес» в области вычислительной мощности побудила основателя OpenAI Сэма Альтмана предложить привлечь 7 триллионов долларов США на строительство современного завода по производству микросхем, который в 10 раз превышает нынешний размер TSMC (эта часть Ожидается, что его стоимость составит 1,5 триллиона долларов), а оставшиеся средства будут использованы для производства чипов и обучения моделей.
Помимо вычислительной мощности, необходимой для обучения моделей ИИ, процесс вывода самой модели также требует большой вычислительной мощности (хотя объем вычислений меньше, чем объем обучения), поэтому потребность в чипах и вычислительных мощностях стал основным фактором участия ИИ в нормальном состоянии человека.
По сравнению с поставщиками централизованных вычислительных мощностей ИИ, такими как Amazon Web Services, Google Cloud Platform, Microsoft Azure и т. д., основные преимущества распределенных ИИ-вычислений включают в себя:
Доступность. Получение доступа к вычислительным чипам с помощью облачных сервисов, таких как AWS, GCP или Azure, часто занимает недели, а популярных моделей графических процессоров часто нет в наличии. Кроме того, чтобы получить вычислительную мощность, потребителям часто приходится подписывать долгосрочные негибкие контракты с этими крупными компаниями. Платформа распределенных вычислений может обеспечить гибкий выбор оборудования и большую доступность.
Низкая цена: благодаря использованию простаивающих чипов в сочетании с субсидированием токенов стороны сетевого протокола для чипов и поставщиков вычислительной мощности сеть распределенной вычислительной мощности может обеспечить более дешевую вычислительную мощность.
Сопротивление цензуре. В настоящее время передовые вычислительные мощности и расходные материалы монополизированы крупными технологическими компаниями, а правительство в лице США усиливает контроль над услугами по вычислительной мощности ИИ. Вычислительная мощность ИИ может распределяться гибко и свободно. Постепенно становясь очевидным требованием, это также является основным ценностным предложением платформы обслуживания вычислительных мощностей на основе web3.
Если ископаемая энергия — это кровь индустриальной эпохи, то вычислительная мощность может стать кровью новой цифровой эры, открытой ИИ, а обеспечение вычислительной мощности станет инфраструктурой эпохи ИИ. Точно так же, как стейблкоины стали процветающей побочной ветвью легальной валюты в эпоху Web3, станет ли рынок распределенных вычислительных мощностей побочной ветвью быстро растущего рынка вычислительных мощностей ИИ?
Поскольку это все еще довольно ранний рынок, все еще предстоит выяснить. Однако следующие факторы могут стимулировать распространение или принятие рынком распределенных вычислительных мощностей:
Спрос и предложение на графические процессоры по-прежнему ограничены. Продолжающийся дефицит графических процессоров может подтолкнуть некоторых разработчиков попробовать платформы распределенных вычислений.
Нормативное расширение. Если вы хотите получить услуги вычислительной мощности искусственного интеллекта от крупной платформы облачных вычислений, вам необходимо пройти KYC и несколько уровней проверок. Вместо этого это может способствовать внедрению платформ распределенных вычислений, особенно в областях, подверженных ограничениям и санкциям.
Стимулирование цен на токены. Увеличение цен на токены во время цикла бычьего рынка увеличит стоимость субсидии платформы для стороны поставок графических процессоров, тем самым привлекая больше поставщиков для выхода на рынок, увеличивая размер рынка и снижая фактическую закупочную цену потребителей.
Но в то же время проблемы платформ распределенных вычислений также вполне очевидны:
Технические и инженерные задачи
Проблема проверки работы: из-за иерархической структуры расчета модели глубокого обучения выходные данные каждого слоя используются в качестве входных данных последующего слоя. Поэтому проверка достоверности расчета требует выполнения всей предыдущей работы. не могут быть легко и эффективно проверены. Чтобы решить эту проблему, платформам распределенных вычислений необходимо разработать новые алгоритмы или использовать методы приближенной проверки, которые могут обеспечить вероятностные гарантии правильности результатов, а не абсолютную уверенность.
Проблема распараллеливания: платформа распределенной вычислительной мощности собирает набор микросхем с длинным хвостом, а это означает, что вычислительная мощность, обеспечиваемая одним устройством, относительно ограничена. Один поставщик чипов может практически выполнить задачи обучения или рассуждения модели ИИ. самостоятельно за короткое время. Поэтому для демонтажа и распределения задач необходимо использовать распараллеливание, чтобы сократить общее время выполнения. Распараллеливание неизбежно столкнется с рядом проблем, таких как декомпозиция задач (особенно сложных задач глубокого обучения), зависимости данных и дополнительные затраты на связь между устройствами.
Проблема защиты конфиденциальности: как гарантировать, что данные и модели покупателя не будут доступны получателю задания?
Проблемы соблюдения нормативных требований
Платформа распределенных вычислений может использоваться в качестве аргумента в пользу привлечения некоторых клиентов из-за ее неконтролируемого характера двустороннего рынка поставок и закупок. С другой стороны, по мере совершенствования нормативных стандартов ИИ, они могут стать объектом исправления со стороны правительства. Кроме того, некоторые поставщики графических процессоров также обеспокоены тем, предоставляются ли арендуемые ими вычислительные ресурсы предприятиям или частным лицам, находящимся под санкциями.
В целом, большинство потребителей платформ распределенных вычислений — это профессиональные разработчики или учреждения малого и среднего бизнеса. В отличие от криптоинвесторов, приобретающих криптовалюты и NFT, эти пользователи имеют ограниченное представление об услугах, которые может предоставить протокол. Существуют более высокие требования к стабильности. и устойчивость, а цена не может быть основным мотивом для принятия ими решений. В настоящее время платформам распределенных вычислений еще предстоит пройти долгий путь, чтобы завоевать признание таких пользователей.
Затем мы отсортировали и проанализировали информацию о проекте IO.NET, новом проекте распределенных вычислительных мощностей в этом цикле, и на основе текущих проектов ИИ и проектов распределенных вычислений в том же направлении на рынке мы рассчитали его возможный потенциал после уровень листинга.
2. Платформа распределенных вычислительных мощностей искусственного интеллекта: IO.NET.
2.1 Позиционирование проекта
IO.NET — это децентрализованная вычислительная сеть, которая создает двусторонний рынок вокруг чипов. Сторона предложения — это вычислительная мощность чипов, распределенных по всему миру (в основном графические процессоры, но также процессоры, iGPU Apple и т. д.), а сторона спроса. надеется получить должность инженера по искусственному интеллекту для обучения моделей ИИ или задач вывода.
На официальном сайте IO.NET написано:
Наша миссия
Объединение миллиона графических процессоров в DePIN — децентрализованную сеть физической инфраструктуры.
Его миссия — интегрировать миллионы графических процессоров в свою сеть DePIN.
По сравнению с существующими поставщиками услуг облачных вычислений на основе искусственного интеллекта, его основными преимуществами являются:
Гибкая комбинация: инженеры ИИ могут свободно выбирать и комбинировать необходимые им чипы, образуя «кластер» для выполнения своих собственных вычислительных задач.
Быстрое развертывание: нет необходимости в неделях одобрения и ожидания (в настоящее время ситуация с централизованными поставщиками, такими как AWS), развертывание может быть завершено и задачи могут быть запущены в течение десятков секунд.
Недорогие услуги: Стоимость услуг на 90% ниже, чем у основных производителей.
Кроме того, IO.NET также планирует в будущем запустить магазин моделей искусственного интеллекта и другие сервисы.
2.2 Механизм продукта и бизнес-данные
Механизм продукта и опыт развертывания
Как и Amazon Cloud, Google Cloud и Alibaba Cloud, вычислительная служба, предоставляемая IO.NET, называется IO Cloud. IO Cloud — это распределенная децентрализованная сеть микросхем, способная выполнять код машинного обучения на основе Python, а также запускать программы искусственного интеллекта и машинного обучения.
Базовый бизнес-модуль IO Cloud называется «Кластеры» — это группа графических процессоров, которые могут самостоятельно координироваться для выполнения вычислительных задач. Инженеры по искусственному интеллекту могут настроить нужный кластер в соответствии со своими потребностями.
Интерфейс продукта IO.NET очень удобен для пользователя. Если вы хотите развернуть собственный кластер чипов для выполнения вычислительных задач ИИ, после входа на страницу продукта «Кластеры» вы можете приступить к настройке кластера чипов по своему усмотрению.
Информация о странице: https://cloud.io.net/cloud/clusters/create-cluster, то же самое ниже.
Сначала вам нужно выбрать собственный сценарий миссии. На данный момент на выбор доступны три типа:
Общее: Обеспечивает более общую среду, подходящую для ранних стадий проекта, когда конкретные требования к ресурсам не определены.
Train: кластер, предназначенный для обучения и тонкой настройки моделей машинного обучения. Этот вариант может предоставить больше ресурсов графического процессора, больший объем памяти и/или более быстрые сетевые соединения для решения этих интенсивных вычислительных задач.
Вывод: кластер, предназначенный для вывода с малой задержкой и тяжелых рабочих нагрузок. В контексте машинного обучения вывод означает использование обученной модели для прогнозирования или анализа новых данных и предоставления обратной связи. Таким образом, этот вариант будет сосредоточен на оптимизации задержки и пропускной способности для поддержки потребностей обработки данных в режиме реального времени или почти в реальном времени.
Затем вам нужно выбрать поставщика кластера чипов. В настоящее время IO.NET достигла сотрудничества с Render Network и майнерской сетью Filecoin, поэтому пользователи могут выбирать IO.NET или чипы из двух других сетей в качестве поставщика своего собственного вычислительного кластера. Это эквивалентно тому, что IO.NET играет роль агрегатора (но на момент написания статьи сервис Filecon временно отключен). Стоит отметить, что, согласно странице, количество доступных графических процессоров для IO.NET в настоящее время составляет более 200 000, а количество доступных графических процессоров для Render Network — более 3700.
Далее мы вступаем в процесс выбора аппаратного обеспечения чипа кластера. В настоящее время единственными типами оборудования, перечисленными IO.NET для выбора, являются графические процессоры, за исключением процессоров или iGPU Apple (M1, M2 и т. д.), а графические процессоры в основном представляют собой продукты NVIDIA.
Среди официально перечисленных и доступных вариантов аппаратного обеспечения графических процессоров, согласно данным, проверенным автором в тот день, количество доступных графических процессоров в сети IO.NET составляет 206 001. Среди них больше всего доступных данных у GeForce RTX 4090 (45 250 фотографий), за ней следует GeForce RTX 3090 Ti (30 779 фотографий).
Кроме того, чип A100-SXM4-80GB (рыночная цена более 15 000 долларов США), который более эффективен при обработке вычислительных задач искусственного интеллекта, таких как машинное обучение, глубокое обучение и научные вычисления, имеет в Интернете 7965 фотографий.
Видеокарта NVIDIA H100 80 ГБ HBM3 (рыночная цена более 40 000 долларов США), которая с самого начала разработки оборудования была специально разработана для искусственного интеллекта, имеет производительность обучения в 3,3 раза выше, чем у A100, и производительность вывода в 4,5 раза выше, чем у A100. Фактическое количество изображений в Интернете — 86.
После выбора типа оборудования кластера пользователю также необходимо выбрать регион кластера, скорость связи, количество и время аренды графических процессоров и другие параметры.
Наконец, IO.NET предоставит вам счет на основе всестороннего выбора. В качестве примера возьмем конфигурацию кластера автора:
Общий сценарий задачи
16 чипов A100-SXM4-80GB
Максимальная скорость соединения (сверхвысокая скорость)
Местоположение США
Срок аренды 1 неделя.
Общая стоимость счета составляет 3311,6$, а стоимость почасовой аренды одной карты составляет 1,232$.
Стоимость почасовой аренды одной карты A100-SXM4-80GB в Amazon Cloud, Google Cloud и Microsoft Azure составляет 5,12$, 5,07$ и 3,67$ соответственно (источник данных: https://cloud-gpus.com/, фактическая цена будет зависеть от деталей Контракта и изменения условий).
Таким образом, с точки зрения только цены вычислительная мощность чипа IO.NET действительно намного дешевле, чем у основных производителей, а комбинация поставок и закупок также очень гибкая, и работу также легко начать.
Деловые условия
Ситуация со стороны предложения
По состоянию на 4 апреля этого года, по официальным данным, общий объем поставок графических процессоров IO.NET со стороны поставок составил 371 027, а поставок ЦП — 42 321. Кроме того, Render Network является его партнером, а к питанию сети подключены 9997 графических процессоров и 776 процессоров.
Источник данных: https://cloud.io.net/explorer/home, то же ниже
На момент написания этой статьи 214 387 из общего количества графических процессоров, подключенных к IO.NET, были онлайн, а уровень онлайн достиг 57,8%. Онлайн-рейт графического процессора от Render Network составляет 45,1%.
Что означают приведенные выше данные со стороны предложения?
Для сравнения мы представляем Akash Network, еще один признанный проект распределенных вычислений, который существует уже давно.
Akash Network запустила свою основную сеть еще в 2020 году, первоначально сосредоточившись на распределенных услугах для ЦП и хранилища. В июне 2023 года она запустила тестовую сеть сервисов графических процессоров, а в сентябре того же года запустила основную сеть распределенных вычислительных мощностей графических процессоров.
Источник данных: https://stats.akash.network/provider-graph/graphics-gpu.
Согласно официальным данным Akash, хотя объем поставок продолжает расти с момента запуска сети графических процессоров, общее количество подключений графических процессоров на данный момент составляет всего 365.
Судя по поставкам графических процессоров, IO.NET на несколько порядков превосходит сеть Akash Network и уже является крупнейшей сетью поставок в цепи распределенных вычислительных мощностей графических процессоров.
Ситуация со стороны спроса
Однако с точки зрения спроса IO.NET все еще находится на ранних стадиях освоения рынка. В настоящее время общее количество реальных пользователей, использующих IO.NET для выполнения вычислительных задач, невелико. Загрузка большинства онлайновых графических процессоров составляет 0%, а обработку задач выполняют только четыре чипа — A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S и H100 80GB HBM3. А за исключением A100 PCIe 80GB K8S, загрузка остальных трех чипов составляет менее 20%.
Официальное значение давления в сети, опубликованное в тот день, составило 0%, что означает, что большая часть поставок чипов находится в режиме ожидания.
С точки зрения масштаба сетевых затрат, IO.NET понесла плату за обслуживание в размере 586 029 долларов США, а стоимость за прошедший день составила 3 200 долларов США.
Источник данных: https://cloud.io.net/explorer/clusters.
Масштаб вышеупомянутых комиссий за расчеты в сети, как с точки зрения общей суммы, так и с точки зрения ежедневного объема транзакций, находится на том же порядке, что и у Akash. Однако большая часть доходов сети Akash поступает от части ЦП, а поставки ЦП у Акаша более чем. 20 000.
Источник данных: https://stats.akash.network/.
Кроме того, IO.NET также раскрыла бизнес-данные задач рассуждения ИИ, обрабатываемых сетью. На данный момент было обработано и проверено более 230 000 задач рассуждения. Однако большая часть этого объема бизнеса создается проектом, спонсируемым IO.NET. BC8.AI.
Источник данных: https://cloud.io.net/explorer/inferences.
Судя по текущим бизнес-данным, предложение IO.NET плавно расширяется. Благодаря ожиданиям раздачи и активности сообщества под кодовым названием «Ignition», компания быстро собрала большое количество вычислительных мощностей чипов искусственного интеллекта. Его расширение со стороны спроса все еще находится на ранних стадиях, а органический спрос в настоящее время недостаточен. Что касается текущих недостатков со стороны спроса, будь то из-за того, что расширение потребительской стороны еще не началось, или из-за того, что текущий опыт обслуживания еще не стабилен и, следовательно, не имеет широкомасштабного внедрения, это все еще необходимо оценить.
Однако, учитывая, что дефицит вычислительной мощности ИИ трудно восполнить в краткосрочной перспективе, существует большое количество инженеров и проектов ИИ, которые ищут альтернативы и могут быть заинтересованы в децентрализованных поставщиках услуг. Тем не менее, экономическое развитие со стороны спроса, учитывая стимулирование деятельности, постепенное улучшение качества продукции и последующее постепенное согласование спроса и предложения, все еще стоит с нетерпением ждать.
2.3 История команды и ситуация с финансированием
Ситуация в команде
Основная команда IO.NET была основана в области количественной торговли. До июня 2022 года они занимались разработкой систем количественной торговли акциями и криптоактивами на институциональном уровне. Из-за спроса на вычислительную мощность в серверной части системы команда начала изучать возможность децентрализованных вычислений и, наконец, сосредоточилась на конкретной проблеме снижения стоимости вычислительных услуг на графических процессорах.
Основатель и генеральный директор: Ахмад Шадид
Ахмад Шадид до IO.NET занимался количественной и финансовой инженерией, а также является волонтером в Ethereum Foundation.
Директор по маркетингу и директор по стратегии: Гаррисон Ян
Гаррисон Янг официально присоединился к IO.NET в марте этого года. Ранее он был вице-президентом по стратегии и развитию в Avalanche и окончил Калифорнийский университет в Санта-Барбаре.
Главный операционный директор: Тори Грин
Тори Грин — главный операционный директор io.net. Ранее он занимал должность операционного директора Hum Capital, директора по корпоративному развитию и стратегии Fox Mobile Group и окончил Стэнфорд.
Судя по информации Linkedin IO.NET, штаб-квартира команды находится в Нью-Йорке, США, с филиалом в Сан-Франциско. Текущая численность команды составляет более 50 человек.
Ситуация с финансированием
На данный момент IO.NET раскрыла только один раунд финансирования, то есть финансирование серии A, завершенное в марте этого года с оценкой в 1 миллиард долларов США, в результате чего было собрано в общей сложности 30 миллионов долларов США под руководством Hack VC и других участвующих инвесторов. включают Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures и ArkStream Capital и другие.
Стоит отметить, что, возможно, благодаря инвестициям, полученным от Aptos Foundation, проект BC8.AI, который изначально использовался для расчетов и бухгалтерского учета на Solana, был конвертирован в тот же высокопроизводительный L1 Aptos.
2.4 Расчет стоимости
По словам предыдущего основателя и генерального директора Ахмада Шадида, IO.NET запустит токен в конце апреля.
У IO.NET есть два целевых проекта, которые можно использовать в качестве эталона для оценки: Render Network и Akash Network, оба из которых являются репрезентативными проектами распределенных вычислений.
Мы можем определить диапазон рыночной стоимости IO.NET двумя способами: 1. Соотношение рынка к продажам, то есть соотношение рыночной стоимости и выручки. 2. Соотношение рыночной стоимости и количества сетевых чипов.
Давайте сначала посмотрим на оценочный вычет, основанный на соотношении цены к объему продаж:
С точки зрения соотношения цены и продаж, Akash можно использовать в качестве нижнего предела диапазона оценки IO.NET, а Render можно использовать в качестве эталона ценообразования высокого класса с диапазоном FDV от 1,67 до 5,93 долларов США. миллиард.
Однако, учитывая, что проект IO.NET обновлен, история становится более горячей, в сочетании с меньшей рыночной стоимостью раннего обращения и текущим более крупным масштабом предложения, вероятность того, что его FDV превзойдет Render, не мала.
Давайте посмотрим на другой аспект сравнения оценок, а именно на «соотношение цены и ядра».
В рыночном контексте, где спрос на вычислительную мощность ИИ превышает предложение, наиболее важным элементом распределенной вычислительной сети ИИ является масштаб предложения графических процессоров. Поэтому мы можем провести горизонтальное сравнение с «рынком к ядру». коэффициент» и использовать «общую рыночную стоимость проекта и количество чипов в сети «Коэффициент количества», чтобы определить возможный диапазон оценки IO.NET, который читатели смогут использовать в качестве ориентира рыночной стоимости.
Если диапазон рыночной стоимости IO.NET рассчитывается на основе соотношения рыночной стоимости к основной, IO.NET использует соотношение рыночной стоимости к основной сети Render Network в качестве верхнего предела и сети Akash в качестве нижнего предела FDV. составляет от 20,6 до 197,5 млрд долларов США.
Я считаю, что как бы оптимистично ни относились читатели к проекту IO.NET, они подумают, что это крайне оптимистичный расчет рыночной стоимости.
И мы должны принять во внимание, что нынешнее огромное количество онлайн-чипов IO.NET стимулируется ожиданиями раздачи и стимулирующей деятельностью. Фактическое количество онлайн-чипов на стороне предложения все еще необходимо отслеживать после официального запуска проекта. .
Поэтому в целом оценочные расчеты с точки зрения соотношения цены и продаж могут быть более информативными.
Как проект с тройной аурой экологии AI+DePIN+Solana, IO.NET подождет и посмотрит, какова будет его рыночная стоимость после запуска.
3. Справочная информация
Delphi Digital: настоящее слияние
Галактика: Понимание пересечения криптовалют и искусственного интеллекта
Исходная ссылка: https://research.mintventures.fund/2024/04/08/zh-a-new-solana-based-ai-depin-project-a-brief-anaанализ-of-upcoming-tokenlaunch-io-net /
Перепечатано сообществом io.net Binance Square, авторские права и ответственность за контент принадлежат первоначальному автору. Перепечатка io.net и Binance Square не означает, что она подтверждает или поддерживает некоторые или все просмотры перепечатанного контента.
