Alex Xu - Darphane Girişimleri
Orijinal yayınlanma zamanı: 2024-04-08 10:23
Orijinal bağlantı: https://research.mintventures.fund/2024/04/08/zh-a-new-solana- Based-ai-depin-project-a-brief-analiz-of-upcoming-tokenlaunch-io-net /
giriiş
Son yazımda önceki iki döngüyle karşılaştırıldığında bu kripto boğa piyasası döngüsünün yeterince etkili yeni iş ve yeni varlık anlatılarından yoksun olduğundan bahsetmiştim. Yapay zeka, Web3 alanının bu turundaki birkaç yeni anlatıdan biri. Bu makalenin yazarı, bu yılın popüler yapay zeka projesi IO.NET'e dayanarak aşağıdaki iki konu hakkındaki düşüncelerimi sıralamaya çalışacak:
AI+Web3'ün ticari gerekliliği
Dağıtılmış bilgi işlem hizmetlerinin gerekliliği ve zorlukları
İkinci olarak yazar, ürün mantığı, rekabetçi ürünler ve proje arka planı da dahil olmak üzere yapay zeka dağıtılmış bilgi işlem gücünün temsili bir projesi olan IO.NET projesinin temel bilgilerini sıralayacak ve projenin değerlemesini çıkaracaktır.
Bu makalenin yapay zeka ve Web3 kombinasyonu hakkındaki düşüncelerinin bir kısmı, Delphi Digital araştırmacısı Michael Rinko tarafından yazılan "Gerçek Birleşme"den ilham aldı. Bu makaledeki görüşlerin bir kısmı makaleden özetlenmiş ve alıntılanmıştır. Okuyucuların orijinal makaleyi okuması tavsiye edilir.
Bu makale, yayınlandığı tarih itibariyle yazarın aşamalı düşüncesidir ve görüşler oldukça subjektiftir. Ayrıca gerçeklerde, verilerde ve mantıkta hatalar olabilir. Lütfen bunu bir yatırım referansı olarak kullanmayın. Akranların yorumları ve tartışmaları memnuniyetle karşılanmaktadır.
Aşağıdaki ana metindir.
1. İş mantığı: Yapay zeka ve Web3'ün birleşimi
1.1 2023: Yapay zekanın yarattığı yeni "mucize yıl"
İnsanlığın gelişim tarihine baktığımızda, teknoloji bir atılım gerçekleştirdiğinde, bireysel günlük yaşamdan çeşitli endüstriyel yapılara ve tüm insan uygarlığına kadar dünyayı sarsan değişiklikler takip edecek.
İnsanlık tarihinde iki önemli yıl vardır; 1666 ve 1905. Bunlar artık bilim ve teknoloji tarihinin iki "mucize yılı" olarak anılmaktadır.
1666 yılı, Newton'un bilimsel başarılarının yoğun bir şekilde ortaya çıkması nedeniyle Mucizeler Yılı olarak kabul edilir. Bu yıl, optiğin fiziksel dalını açtı, matematiğin matematik dalını kurdu ve modern doğa biliminin temel yasası olan yerçekimi formülünü türetti. Bunların her biri, önümüzdeki yüz yılda insan biliminin gelişimine temel bir katkı sağlayacak ve genel bilimin gelişimini büyük ölçüde hızlandıracaktır.
İkinci mucize yılı ise 1905'ti. O zamanlar henüz 26 yaşında olan Einstein, "Annals of Physics" dergisinde fotoelektrik etki (kuantum mekaniğinin temellerini atan) ve Brown hareketi (bir bilim dalı haline gelen) konularını kapsayan ardı ardına dört makale yayınladı. Rastgele süreçleri analiz etme yöntemi), Önemli referanslar), özel görelilik ve kütle-enerji denklemi (yani ünlü E=MC^2 formülü). Daha sonraki nesillerin değerlendirmesinde bu dört makalenin her biri Nobel Fizik Ödülü'nün ortalama seviyesini aşmış (Einstein'ın kendisi de fotoelektrik etki üzerine yaptığı makaleyle Nobel Ödülü'nü kazanmıştır) ve insan uygarlığının tarihsel süreci bir kez daha büyük ölçüde değişmiştir. Birkaç adım ilerledi.
Yeni geçen 2023 yılı büyük olasılıkla ChatGPT nedeniyle başka bir "mucize yıl" olarak anılacak.
Biz 2023'ü insan bilimi ve teknolojisi tarihinde bir "mucize yılı" olarak görüyoruz; bunun nedeni yalnızca GPT'nin doğal dil anlama ve oluşturma konusundaki devasa ilerlemesi değil, aynı zamanda insanların büyük dil modeli yeteneklerinin gelişimini dilin evriminden anlamış olmalarıdır. GPT Kuralı - yani model parametrelerinin ve eğitim verilerinin genişletilmesiyle modelin yetenekleri katlanarak artırılabilir - ve bu süreçte kısa vadede (bilgi işlem gücü yeterli olduğu sürece) herhangi bir darboğaz yaşanmaz.
Bu yetenek, dili anlamaktan ve diyalog oluşturmaktan uzaktır. Ayrıca çeşitli bilimsel ve teknolojik alanlarda da yaygın olarak kullanılabilir. Büyük dil modellerinin biyolojik alanda uygulanmasını örnek olarak alalım:
2018 yılında Nobel Kimya Ödülü sahibi Francis Arnold, ödül töreninde şunları söyledi: "Bugün pratik uygulamalarda herhangi bir DNA dizisini okuyabiliyor, yazabiliyor ve düzenleyebiliyoruz, ancak henüz bunu oluşturamıyoruz." Stanford Üniversitesi ve Silikon Vadisi'nden AI startup'ı Salesforce Research, "Doğa-Biyoteknoloji" konusunda bir makale yayınladı. 0'dan bir milyona gitmek için GPT3'e göre ince ayar yapılmış geniş bir dil modeli kullandılar ve tamamen farklı özelliklere sahip iki protein oluşturuldu. Ancak her ikisinin de bakteri yok edici özelliği bulunan yapılar bulundu ve bunların antibiyotiklerin yanı sıra bakterilerle mücadelede de çözüm olması bekleniyor. Başka bir deyişle: Yapay zekanın yardımıyla protein "yaratımı" darboğazı aşıldı.
Daha önce yapay zeka AlphaFold algoritması, yeryüzündeki 214 milyon proteinin neredeyse tamamının yapısını 18 ay içinde tahmin etmişti. Bu sonuç, geçmişte tüm insan yapısal biyologlarının çalışmasının yüzlerce katıydı.
Yapay zekaya dayalı çeşitli modellerle biyoteknoloji, malzeme bilimi ve ilaç araştırma ve geliştirme gibi zorlu teknolojilerden hukuk ve sanat gibi beşeri bilim alanlarına kadar her şey dünyayı sarsacak değişimlere öncülük edecek ve 2023 tüm bunların ilk yılı.
Hepimiz insanlığın zenginlik yaratma yeteneğinin geçtiğimiz yüzyılda katlanarak arttığını ve yapay zeka teknolojisinin hızla olgunlaşmasının bu süreci kaçınılmaz olarak daha da hızlandıracağını biliyoruz.
Küresel GSYİH trend grafiği, veri kaynağı: Dünya Bankası
1.2 Yapay Zeka ve Kripto'nun birleşimi
Yapay zeka ve Kripto'yu birleştirmenin gerekliliğini esas olarak anlamak için ikisinin tamamlayıcı özelliklerinden başlayabiliriz.
Yapay Zeka ve Kripto'nun tamamlayıcı özellikleri
Yapay zekanın üç özelliği vardır:
Rastgelelik: Yapay zeka rastgeledir. İçerik üretim mekanizmasının arkasında çoğaltılması ve tespit edilmesi zor bir kara kutu vardır, dolayısıyla sonuçlar da rastgeledir.
Kaynak yoğun: Yapay zeka, çok fazla enerji, çip ve bilgi işlem gücü gerektiren, kaynak yoğun bir endüstridir.
İnsan benzeri zeka: Yapay zeka (yakında) Turing testini geçebilecek ve bundan sonra insanlar makinelerden ayırt edilemez olacak*
※30 Ekim 2023'te San Diego'daki California Üniversitesi'ndeki araştırma ekibi, GPT-3.5 ve GPT-4.0'daki Turing testi sonuçlarını (test raporu) yayınladı. GPT4.0 puanı %41'dir ve bu, %50'lik geçiş çizgisinin yalnızca %9'undadır. Aynı projenin insan test puanı %63'tür. Bu Turing testinin anlamı insanların yüzde kaçının sohbet ettiği kişinin gerçek kişi olduğunu düşünmesidir. %50'yi geçerse kalabalıktaki kişilerin en az yarısı, sohbet ortağının bir makine değil, bir insan olduğunu düşünüyor demektir ki bu da Turing testini geçmiş sayılıyor.
Yapay zeka insanlık için yeni ve ileriye dönük üretkenlik yaratırken, onun üç özelliği de insan toplumuna büyük zorluklar getiriyor:
Rastgeleliğin bir kusur yerine avantaj haline gelmesi için yapay zekanın rastgeleliği nasıl doğrulanır ve kontrol edilir?
Yapay zekanın gerektirdiği devasa enerji ve bilgi işlem gücü açığı nasıl karşılanır?
İnsanlar ve makineler arasındaki fark nasıl anlaşılır?
Kripto ve blockchain ekonomisinin özellikleri, yapay zekanın getirdiği zorlukları çözmek için doğru ilaç olabilir. Kripto ekonomisi aşağıdaki üç özelliğe sahiptir:
Determinizm: İş, blockchain, kod ve akıllı sözleşmelere dayalı olarak yürütülür. Kurallar ve sınırlar açıktır.
Verimli kaynak tahsisi: Kripto ekonomisi devasa bir küresel serbest piyasa inşa etti. Kaynakların fiyatlandırılması, toplanması ve dolaşımı çok hızlıdır. Tokenların varlığı nedeniyle teşvikler, piyasa arz ve talebinin eşleştirilmesinin hızlandırılması için kullanılabilir. ve kritik noktalara ulaşmayı hızlandırır.
Güven gerektirmez: Defter açıktır, kod açık kaynaktır ve herkes bunu kolayca doğrulayabilir, böylece "güvenilmez" bir sistem sağlanır; ZK teknolojisi ise doğrulamayla aynı zamanda gizliliğin açığa çıkmasını önler
Daha sonra yapay zeka ile kripto ekonomisinin tamamlayıcılığını göstermek için üç örnek kullanılacaktır.
Örnek A: Rastgeleliği Çözme, Kripto Ekonomiye Dayalı Yapay Zeka Aracısı
AI Agent, insan iradesine dayalı olarak insanlar için iş yapmaktan sorumlu bir yapay zeka programıdır (temsili projeler Fetch.AI'yi içerir). Yapay zeka aracımızın "BTC'de 1.000 ABD doları satın alın" gibi bir finansal işlemi işlemesini istediğimizi varsayalım. Yapay zeka ajanları iki durumla karşı karşıya kalabilir:
Senaryo 1: Geleneksel finans kurumlarıyla (BlackRock gibi) bağlantı kurması ve BTC ETF satın alması gerekiyor. Yapay zeka temsilcileri ile merkezi kurumlar arasında KYC, bilgi inceleme, oturum açma, kimlik doğrulama vb. gibi çok sayıda uyum sorunuyla karşı karşıya. Şu anda hala çok sıkıntılı.
Senaryo 2: Yerel şifreleme ekonomisine dayalı olarak çalışır ve durum çok daha basit hale gelecektir. İşlemi Uniswap veya toplu bir ticaret platformu aracılığıyla tamamlamak ve WBTC (veya başka bir) almak için doğrudan hesabınızı kullanacak. kapsülleme) BTC biçiminde), tüm süreç hızlı ve kolaydır. Aslında, çeşitli Ticaret YİD'lerinin yaptığı da budur. Onlar aslında yardımcı bir yapay zeka temsilcisinin rolünü oynadılar, ancak çalışmaları ticarete odaklandı. Gelecekte, yapay zekanın entegrasyonu ve evrimi ile çeşitli türdeki ticari YİD'ler kaçınılmaz olarak daha karmaşık ticari niyetleri gerçekleştirebilecektir. Örneğin: zincirdeki 100 akıllı para adresini takip edin, ticaret stratejilerini ve başarı oranlarını analiz edin, adresimdeki fonların %10'unu bir hafta içinde benzer işlemler gerçekleştirmek için kullanın ve etkisi iyi olmadığında durun ve olasılığı özetleyin başarısızlık nedeni.
Yapay zeka, esasen kriptoekonomik kuralların netliği ve sisteme izinsiz erişim nedeniyle blockchain sisteminde daha iyi çalışacak. Görevlerin sınırlı kurallar altında gerçekleştirilmesiyle yapay zekanın rastgeleliğinin getirdiği potansiyel riskler de daha az olacaktır. Örneğin yapay zekanın satranç, kart yarışmaları ve video oyunlarındaki performansı insanları geride bıraktı çünkü satranç ve kart oyunları, açık kurallara sahip kapalı sanal alanlardır. Yapay zekanın otonom sürüşteki ilerlemesi nispeten yavaş olacak çünkü açık dış ortamın zorlukları daha büyük ve yapay zeka işleme sorunlarının rastgeleliğini tolere etmek bizim için daha zor.
Örnek B: Token teşvikleri aracılığıyla kaynakları şekillendirme ve kaynak toplama
BTC'nin arkasındaki küresel bilgi işlem gücü ağının mevcut toplam bilgi işlem gücü (Hash oranı: 576,70 EH/s), herhangi bir ülkenin süper bilgisayarlarının kapsamlı bilgi işlem gücünü aşıyor. Geliştirme motivasyonu basit ve adil ağ teşviklerinden kaynaklanmaktadır.
BTC ağı bilgi işlem gücü trendi, kaynak: https://www.coinwarz.com/
Ayrıca Mobile dahil DePIN projeleri de ağ etkileri elde etmek amacıyla arz ve talebin her iki tarafında iki taraflı bir piyasa şekillendirmek için token teşviklerini kullanmaya çalışıyor. Bu makalenin bundan sonra odaklanacağı IO.NET, yapay zeka hesaplama gücünü toplamak için tasarlanmış bir platformdur. Token modeli aracılığıyla daha fazla yapay zeka hesaplama gücü potansiyelinin uyarılacağı umulmaktadır.
Örnek C: Açık kaynak kodu, ZK'yi tanıtıyor, mahremiyeti korurken insanları ve makineleri ayırt ediyor
OpenAI kurucusu Sam Altman'ın katıldığı bir Web3 projesi olan Worldcoin, kimliği doğrulamak ve insanlar ile makineler arasında ayrım yapmak için insan iris biyometrisine ve ZK teknolojisine dayalı özel ve anonim hash değerleri üretmek için Orb donanım cihazını kullanıyor. Bu yılın Mart ayı başlarında Web3 sanat projesi Drip, gerçek kullanıcıları doğrulamak ve ödüller vermek için Worldcoin kimliklerini kullanmaya başladı.
Buna ek olarak Worldcoin, kullanıcı biyometrisinin güvenliği ve gizliliğine yönelik garantiler sağlamak için yakın zamanda iris donanımı Orb'un program kodunu da açık kaynaklı hale getirdi.
Genel olarak konuşursak, kod ve kriptografinin kesinliği, izinsiz ve token mekanizmasının getirdiği kaynak dolaşımı ve bağış toplama avantajları ve açık kaynak kodu ve kamu defterlerine dayalı güvenilmez özellikler nedeniyle, kripto ekonomisi yapay zeka için büyük bir zorluk haline geldi. İnsan toplumu. Önemli bir potansiyel çözüm.
Bunların arasında, en güçlü ticari talebe sahip en acil zorluk, çiplere ve bilgi işlem gücüne olan büyük talebi çevreleyen, bilgi işlem kaynaklarında yapay zeka ürünlerine yönelik aşırı açlıktır.
Bu aynı zamanda dağıtılmış bilgi işlem gücü projelerinin büyümesinin bu boğa piyasası döngüsünde genel yapay zeka yolunu aşmasının ana nedenidir.
Merkezi Olmayan Bilgi İşlemin İş Gerekliliği
Yapay zeka, ister model eğitimi ister çıkarım yapmak olsun, çok büyük bilgi işlem kaynakları gerektirir.
Büyük dil modellerinin eğitim uygulamalarında bir gerçek doğrulanmıştır: Veri parametrelerinin ölçeği yeterince büyük olduğu sürece, daha önce mevcut olmayan bazı yeteneklere sahip büyük dil modelleri ortaya çıkacaktır. Her bir GPT neslinin yeteneklerindeki önceki nesle kıyasla katlanarak artan artış, model eğitimi için gereken hesaplama miktarındaki katlanarak artan artıştan kaynaklanmaktadır.
DeepMind ve Stanford Üniversitesi tarafından yapılan araştırmalar, farklı büyük dil modelleri farklı görevlerle karşılaştığında (işlemler, Farsça soru cevaplama, doğal dili anlama vb.), yalnızca model eğitimi sırasında model parametrelerinin boyutunu artırmaları gerektiğini göstermektedir (buna bağlı olarak, eğitim hesaplama miktarı da arttı), eğitim miktarı 10^22 FLOP'a (FLOP'lar, hesaplama performansını ölçmek için kullanılan saniyedeki kayan nokta işlemlerini ifade eder) ulaşıncaya kadar herhangi bir görevin performansı, rastgele yanıt vermeyle hemen hemen aynıdır. ; Parametre ölçeği o ölçeğin kritik değerini aştığında, hangi dil modeli olursa olsun görev performansı keskin bir şekilde artar.
Büyük Dil Modellerinin Ortaya Çıkan Yetenekleri
Büyük Dil Modellerinin Ortaya Çıkan Yetenekleri
OpenAI kurucusu Sam Altman'ı, TSMC'nin mevcut boyutundan 10 kat daha büyük gelişmiş bir çip fabrikası inşa etmek için 7 trilyon ABD doları toplamayı teklif etmeye yönlendiren şey, aynı zamanda bilgi işlem gücündeki "büyük mucizeler" yasasının ve uygulamasının doğrulanmasıdır (bu kısım). 1,5 trilyona mal olması ve kalan fonun çip üretimi ve model eğitimi için kullanılması bekleniyor.
Yapay zeka modellerini eğitmek için gereken bilgi işlem gücüne ek olarak, modelin çıkarım süreci de çok fazla bilgi işlem gücü gerektiriyor (her ne kadar hesaplamaların miktarı eğitimdekinden daha az olsa da), bu nedenle çiplere ve bilgi işlem gücüne olan açlık daha da arttı. kişinin normal durumu, AI yoluna katılmada önemli bir faktördür.
Amazon Web Services, Google Cloud Platform, Microsoft Azure vb. gibi merkezi yapay zeka bilgi işlem gücü sağlayıcılarıyla karşılaştırıldığında, dağıtılmış yapay zeka bilişiminin ana değer önerileri şunları içerir:
Erişilebilirlik: AWS, GCP veya Azure gibi bulut hizmetlerini kullanarak bilgi işlem çiplerine erişim genellikle haftalar sürer ve popüler GPU modelleri genellikle stokta kalmaz. Ayrıca, bilgi işlem gücü elde etmek için tüketicilerin genellikle bu büyük şirketlerle uzun vadeli, esnek olmayan sözleşmeler imzalaması gerekiyor. Dağıtılmış bilgi işlem platformu, esnek donanım seçimi ve daha fazla erişilebilirlik sağlayabilir.
Düşük fiyatlandırma: Boşta kalan çiplerin kullanımı ve ağ protokolü tarafının çip ve bilgi işlem gücü tedarikçilerine sağladığı belirteç sübvansiyonları nedeniyle, dağıtılmış bilgi işlem güç ağı daha ucuz bilgi işlem gücü sağlayabilir.
Sansüre karşı direnç: Şu anda, en son teknolojiye sahip bilgi işlem güç çipleri ve malzemeleri büyük teknoloji şirketlerinin tekelindedir. Ayrıca, ABD tarafından temsil edilen hükümet, yapay zeka bilgi işlem gücü hizmetlerinin esnek bir şekilde dağıtılabileceğine ilişkin incelemelerini artırıyor. ve serbestçe elde edilmesi Yavaş yavaş açık bir talep haline gelen bu, aynı zamanda web3 tabanlı bilgi işlem gücü hizmet platformunun temel değer önerisidir.
Eğer fosil enerji endüstriyel çağın kanı ise, o zaman bilgi işlem gücü yapay zekanın açtığı yeni dijital çağın kanı olabilir ve bilgi işlem gücünün tedariği yapay zeka çağının altyapısı haline gelecektir. Stablecoin'lerin Web3 çağında yasal para biriminin gelişen bir yan dalı haline gelmesi gibi, dağıtılmış bilgi işlem gücü pazarı da hızla büyüyen AI bilgi işlem gücü pazarının bir yan dalı haline gelecek mi?
Bu hala oldukça erken bir pazar olduğundan, her şeyin görülmesi gerekiyor. Bununla birlikte, aşağıdaki faktörler dağıtılmış bilişimin anlatısını veya pazarda benimsenmesini teşvik edebilir:
GPU arz ve talebi sıkı olmaya devam ediyor. GPU'ların sürekli olarak kısıtlı tedariki, bazı geliştiricileri dağıtılmış bilgi işlem platformlarını denemeye itebilir.
Düzenleyici genişleme. Büyük bir bulut bilişim güç platformundan yapay zeka bilgi işlem gücü hizmetleri almak istiyorsanız KYC ve inceleme katmanlarından geçmelisiniz. Bu, özellikle kısıtlamalara ve yaptırımlara tabi alanlarda dağıtılmış bilgi işlem platformlarının benimsenmesini teşvik edebilir.
Token fiyat teşviki. Boğa piyasası döngüsü sırasında token fiyatlarındaki artış, platformun GPU arz tarafındaki sübvansiyon değerini artıracak, böylece daha fazla tedarikçinin pazara girmesini sağlayacak, pazarın boyutunu artıracak ve tüketicilerin gerçek satın alma fiyatını düşürecek.
Ancak aynı zamanda dağıtılmış bilgi işlem platformlarının zorlukları da oldukça açıktır:
Teknik ve mühendislik zorlukları
İş doğrulama sorunu: Derin öğrenme modelinin hesaplamasının hiyerarşik yapısından dolayı, her katmanın çıktısı bir sonraki katmanın girdisi olarak kullanılır. Bu nedenle, hesaplamanın geçerliliğinin doğrulanması önceki tüm çalışmaların yürütülmesini gerektirir. kolay ve etkili bir şekilde doğrulanamaz. Bu sorunu çözmek için, dağıtılmış bilgi işlem platformlarının yeni algoritmalar geliştirmesi veya mutlak kesinlik yerine sonuçların doğruluğuna ilişkin olasılıksal garantiler sağlayabilecek yaklaşık doğrulama teknikleri kullanması gerekir.
Paralelleştirme sorunu: Dağıtılmış bilgi işlem gücü platformu, uzun kuyruklu bir çip kaynağı toplar; bu, tek bir cihaz tarafından sağlanan bilgi işlem gücünün nispeten sınırlı olduğu anlamına gelir. Tek bir çip tedarikçisi, yapay zeka modelinin eğitim veya muhakeme görevlerini neredeyse tamamlayabilir. Bu nedenle, toplam tamamlanma süresini kısaltmak amacıyla görevleri dağıtmak ve dağıtmak için paralelleştirme kullanılmalıdır. Paralelleştirme kaçınılmaz olarak görevlerin nasıl ayrıştırılacağı (özellikle karmaşık derin öğrenme görevleri), veri bağımlılıkları ve cihazlar arasındaki ek iletişim maliyetleri gibi bir dizi sorunla karşı karşıya kalacaktır.
Gizlilik koruma sorunu: Alıcının verilerinin ve modellerinin görevin alıcısına açıklanmaması nasıl sağlanır?
Mevzuata uygunluk zorlukları
Dağıtılmış bilgi işlem platformu, tedarik ve tedarikten oluşan iki taraflı pazarın izin gerektirmeyen yapısı nedeniyle bazı müşterileri çekmek için bir satış noktası olarak kullanılabilir. Öte yandan yapay zeka düzenleme standartları geliştirildikçe hükümetin düzeltmesinin hedefi haline gelebilir. Ayrıca bazı GPU tedarikçileri, kiraladıkları bilgi işlem kaynaklarının yaptırım uygulanan işletmelere veya bireylere sağlanıp sağlanmadığı konusunda da endişe duyuyor.
Genel olarak, dağıtılmış bilgi işlem platformlarının çoğu tüketicisi, profesyonel geliştiriciler veya küçük ve orta ölçekli kurumlardır. Kripto para birimleri ve NFT'ler satın alan kripto yatırımcılarının aksine, bu kullanıcılar, protokolün sağlayabileceği hizmetler konusunda sınırlı bir anlayışa sahiptir. İstikrar için daha yüksek gereksinimler vardır. ve sürdürülebilirlik ve fiyat, karar vermelerinin ana motivasyonu olmayabilir. Şu anda, dağıtılmış bilgi işlem platformlarının bu tür kullanıcılar tarafından tanınmak için hala kat etmesi gereken uzun bir yol var.
Daha sonra, bu döngüdeki yeni bir dağıtılmış bilgi işlem gücü projesi olan IO.NET'in proje bilgilerini ayıklayıp analiz ettik ve mevcut yapay zeka projelerine ve piyasadaki aynı yolda bulunan dağıtılmış bilgi işlem projelerine dayanarak, olası potansiyelini hesapladık. değerleme seviyesi.
2. Dağıtılmış yapay zeka hesaplama gücü platformu: IO.NET
2.1 Proje konumlandırma
IO.NET, çipler etrafında iki taraflı bir pazar oluşturan merkezi olmayan bir bilgi işlem ağıdır. Arz tarafı, dünya çapında dağıtılan çiplerin (temel olarak GPU'lar, aynı zamanda CPU'lar ve Apple'ın iGPU'ları vb.) bilgi işlem gücüdür ve talep tarafıdır. Yapay zeka model eğitimi veya çıkarım görevleri için Yapay zeka mühendislerini tamamlamayı umuyor.
IO.NET'in resmi web sitesinde şöyle yazıyor:
Görevimiz
Bir milyon GPU'yu merkezi olmayan bir fiziksel altyapı ağı olan DePIN'de bir araya getiriyoruz.
Misyonu milyonlarca GPU'yu DePIN ağına entegre etmektir.
Mevcut bulut yapay zeka bilgi işlem güç hizmeti sağlayıcılarıyla karşılaştırıldığında, vurgulanan ana satış noktaları şunlardır:
Esnek kombinasyon: Yapay zeka mühendisleri, kendi bilgi işlem görevlerini tamamlamak için bir "küme" oluşturmak üzere ihtiyaç duydukları çipleri özgürce seçip birleştirebilir.
Hızlı dağıtım: Haftalarca onaylanmaya ve beklemeye gerek yoktur (şu anda AWS gibi merkezi sağlayıcılardaki durum budur), dağıtım tamamlanabilir ve görevler onlarca saniye içinde başlatılabilir
Düşük fiyatlı hizmetler: Hizmetlerin maliyeti ana üreticilere göre %90 daha düşüktür
Ayrıca IO.NET gelecekte yapay zeka model mağazası ve diğer hizmetleri de başlatmayı planlıyor.
2.2 Ürün mekanizması ve iş verileri
Ürün mekanizması ve dağıtım deneyimi
Amazon Cloud, Google Cloud ve Alibaba Cloud gibi IO.NET tarafından sağlanan bilgi işlem hizmetine IO Cloud adı verilir. IO Cloud, Python tabanlı makine öğrenimi kodunu yürütebilen, yapay zeka ve makine öğrenimi programlarını çalıştırabilen dağıtılmış, merkezi olmayan bir çip ağıdır.
IO Cloud'un temel iş modülüne Kümeler denir. Kümeler, bilgi işlem görevlerini tamamlamak için kendi kendini koordine edebilen bir grup GPU'dur.
IO.NET'in ürün arayüzü son derece kullanıcı dostudur. Yapay zeka hesaplama görevlerini tamamlamak için kendi çip kümenizi dağıtmak istiyorsanız, Kümeler ürün sayfasına girdikten sonra istediğiniz çip kümesini yapılandırmaya başlayabilirsiniz.
Sayfa bilgileri: https://cloud.io.net/cloud/clusters/create-cluster, aşağıda aynı
Öncelikle kendi görev senaryonuzu seçmeniz gerekiyor. Şu anda seçebileceğiniz üç tür var:
Genel: Belirli kaynak gereksinimlerinin belirsiz olduğu erken proje aşamaları için uygun, daha genel bir ortam sağlar.
Train: Makine öğrenimi modellerinin eğitimi ve ince ayarı için tasarlanmış bir küme. Bu seçenek, bu yoğun bilgi işlem görevlerini yerine getirmek için daha fazla GPU kaynağı, daha yüksek bellek kapasitesi ve/veya daha hızlı ağ bağlantıları sağlayabilir.
Çıkarım: Düşük gecikmeli çıkarım ve ağır yüklü iş yükleri için tasarlanmış bir küme. Makine öğrenimi bağlamında çıkarım, tahminlerde bulunmak veya yeni verileri analiz etmek ve geri bildirim sağlamak için eğitimli bir modelin kullanılması anlamına gelir. Bu nedenle, bu seçenek, gerçek zamanlı veya gerçek zamanlıya yakın veri işleme ihtiyaçlarını desteklemek için gecikmeyi ve verimi optimize etmeye odaklanacaktır.
Daha sonra çip kümesinin tedarikçisini seçmeniz gerekiyor. Şu anda IO.NET, Render Network ve Filecoin'in madencilik ağı ile işbirliğine ulaştı, böylece kullanıcılar kendi bilgi işlem kümelerinin tedarikçisi olarak IO.NET'i veya diğer iki ağdan çipleri seçebilirler. Bu, IO.NET'in toplayıcı rolünü oynamasına eşdeğerdir (ancak bu makalenin yazıldığı an itibariyle Filecon hizmeti geçici olarak çevrimdışıdır). Sayfaya göre IO.NET için mevcut GPU sayısının şu anda 200.000+ olduğunu, Render Network için mevcut GPU sayısının ise 3.700+ olduğunu belirtmekte fayda var.
Daha sonra, küme yongası donanım seçim sürecine giriyoruz. Şu anda, CPU'lar veya Apple'ın iGPU'ları (M1, M2 vb.) hariç, IO.NET tarafından seçim için listelenen tek donanım türleri GPU'lardır ve GPU'lar çoğunlukla NVIDIA ürünleridir.
Yazarın o günkü test verilerine göre, resmi olarak listelenen ve mevcut GPU donanım seçenekleri arasında IO.NET ağındaki mevcut GPU sayısı 206.001'dir. Bunlar arasında en fazla veriye sahip olan model GeForce RTX 4090 (45.250 fotoğraf) olurken onu GeForce RTX 3090 Ti (30.779 fotoğraf) izliyor.
Ayrıca makine öğrenimi, derin öğrenme ve bilimsel hesaplama gibi yapay zeka hesaplama görevlerini işlemede daha verimli olan A100-SXM4-80GB çip (piyasa fiyatı 15.000$+) çevrimiçi olarak 7.965 fotoğrafa sahip.
Donanım tasarımının başlangıcından itibaren yapay zeka için özel olarak tasarlanan NVIDIA'nın H100 80GB HBM3 grafik kartı (piyasa fiyatı 40.000$+), A100'ün 3,3 katı eğitim performansına, A100'ün 4,5 katı çıkarım performansına sahip. ve çevrimiçi görsellerin gerçek sayısı 86'dır.
Kullanıcının, kümenin donanım türünü seçtikten sonra küme bölgesini, iletişim hızını, kiralanan GPU'ların sayısını ve süresini ve diğer parametreleri de seçmesi gerekir.
Son olarak IO.NET size kapsamlı seçimlere dayalı bir fatura sunacaktır. Örnek olarak yazarın küme yapılandırmasını ele alalım:
Genel görev senaryosu
16 A100-SXM4-80GB çip
Maksimum bağlantı hızı (Ultra Yüksek Hız)
Konum Amerika Birleşik Devletleri
Kiralama süresi 1 haftadır
Toplam fatura bedeli 3311,6$, tek kartın saatlik kiralama bedeli ise 1.232$'dır.
A100-SXM4-80GB'ın Amazon Cloud, Google Cloud ve Microsoft Azure'da tek kart saatlik kiralama fiyatları sırasıyla 5,12$, 5,07$ ve 3,67$'dır (veri kaynağı: https://cloud-gpus.com/, gerçek fiyat) Sözleşme detaylarına ve şartlar değişikliğine bağlı olacaktır).
Bu nedenle, tek başına fiyat açısından bakıldığında, IO.NET'in çip hesaplama gücü gerçekten de ana akım üreticilerinkinden çok daha ucuzdur ve tedarik kombinasyonu ve satın alma da çok esnektir ve operasyonun başlatılması da kolaydır.
İş şartları
Arz tarafı durumu
Bu yıl 4 Nisan itibarıyla resmi verilere göre IO.NET'in arz tarafındaki toplam GPU arzı 371.027, CPU arzı ise 42.321 oldu. Ayrıca Render Network ortağı olup, 9997 GPU ve 776 CPU ağ kaynağına bağlıdır.
Veri kaynağı: https://cloud.io.net/explorer/home, aşağıda aynı
Yazar bu makaleyi yazdığında IO.NET'e bağlı toplam GPU sayısının 214.387'si çevrimiçiydi ve çevrimiçi oran %57,8'e ulaştı. GPU'nun Render Network'ten çevrimiçi olma oranı %45,1'dir.
Yukarıdaki arz yönlü veriler ne anlama geliyor?
Karşılaştırma için, daha uzun süredir çevrimiçi olan bir başka yerleşik dağıtılmış bilgi işlem projesi olan Akash Network'ü tanıtıyoruz.
Akash Network, başlangıçta CPU ve depolama için dağıtılmış hizmetlere odaklanarak ana ağını 2020 gibi erken bir tarihte başlattı. Haziran 2023'te GPU hizmetlerinin test ağını başlattı ve aynı yılın Eylül ayında GPU dağıtılmış bilgi işlem gücünün ana ağını başlattı.
Veri kaynağı: https://stats.akash.network/provider-graph/graphics-gpu
Akash resmi verilerine göre GPU ağının lansmanından bu yana, arz tarafı büyümeye devam etse de şu ana kadar toplam GPU bağlantısı sayısı yalnızca 365 oldu.
GPU arzına bakıldığında, IO.NET, Akash Network'ten birkaç kat daha yüksektir ve halihazırda dağıtılmış GPU bilgi işlem güç devresindeki en büyük tedarik ağıdır.
Talep tarafı durumu
Ancak talep açısından bakıldığında, IO.NET hala pazar oluşturmanın ilk aşamalarındadır. Şu anda, bilgi işlem görevlerini gerçekleştirmek için IO.NET'i kullanan gerçek kullanıcıların toplam sayısı çok fazla değildir. Çoğu çevrimiçi GPU'nun görev yükü %0'dır ve yalnızca dört yonga (A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S ve H100 80GB HBM3) işlem görevleridir. A100 PCIe 80GB K8S hariç diğer üç çipin yük kapasitesi %20'den az.
O gün açıklanan resmi ağ basıncı değeri %0'dı, bu da çip tedarikinin çoğunun çevrimiçi bekleme durumunda olduğu anlamına geliyor.
Ağ maliyet ölçeği açısından IO.NET 586.029$ hizmet ücretine maruz kaldı ve geçtiğimiz günkü maliyet 3.200$ oldu.
Veri kaynağı: https://cloud.io.net/explorer/clusters
Yukarıdaki ağ uzlaşma ücretlerinin ölçeği hem toplam tutar hem de günlük işlem hacmi açısından Akash ile aynı büyüklüktedir. Ancak Akash'ın ağ gelirinin çoğu CPU kısmından gelir ve Akash'ın CPU arzı daha fazladır. 20.000.
Veri kaynağı: https://stats.akash.network/
Ayrıca IO.NET, ağ tarafından işlenen yapay zeka muhakeme görevlerinin iş verilerini de açıkladı. Şu ana kadar 230.000'den fazla akıl yürütme görevini işledi ve doğruladı. Ancak bu iş hacminin çoğu, IO.NET sponsorluğundaki Proje tarafından oluşturuldu. BC8.AI.
Veri kaynağı: https://cloud.io.net/explorer/inferences
Mevcut iş verilerine bakıldığında, IO.NET'in tedarik tarafı sorunsuz bir şekilde genişliyor. Airdrop beklentileri ve "Ignition" kod adlı topluluk faaliyetleriyle harekete geçen IO.NET, hızla büyük miktarda AI çip hesaplama gücü topladı. Talep tarafındaki genişleme henüz başlangıç aşamasında ve organik talep şu anda yetersiz. Talep tarafındaki mevcut eksikliklere gelince; ister tüketici tarafının genişlemesinin henüz başlamamış olması, ister mevcut hizmet deneyiminin henüz istikrarlı olmaması ve dolayısıyla geniş çapta benimsenmemesi nedeniyle olsun, bunun hala değerlendirilmesi gerekiyor.
Ancak yapay zeka hesaplama gücündeki boşluğun kısa vadede doldurulmasının zor olduğu göz önüne alındığında, alternatif arayan çok sayıda yapay zeka mühendisi ve projesi var ve merkezi olmayan hizmet sağlayıcılarla ilgilenebilirler. ancak talep yönlü ekonomik kalkınmanın gerçekleştirilmesi, faaliyetlerin teşvik edilmesi, ürün deneyiminin kademeli olarak iyileştirilmesi ve ardından arz ve talebin kademeli olarak eşleştirilmesiyle birlikte, hala sabırsızlıkla beklenmeye değer.
2.3 Takımın geçmişi ve finansman durumu
Takım durumu
IO.NET'in çekirdek ekibi, niceliksel ticaret alanında kurulmuştu. Haziran 2022'den önce, hisse senetleri ve kripto varlıkları için kurumsal düzeyde niceliksel ticaret sistemleri geliştirmeye odaklanıyorlardı. Sistemin arka ucundaki bilgi işlem gücüne olan talep nedeniyle ekip, merkezi olmayan bilgi işlem olasılığını araştırmaya başladı ve son olarak GPU bilgi işlem hizmetlerinin maliyetini düşürme konusuna odaklandı.
Kurucu ve CEO: Ahmad Shadid
Ahmad Shadid, IO.NET'ten önce niceliksel ve finansal mühendislikle ilgili çalışmalarla uğraşmaktadır ve aynı zamanda Ethereum Vakfı'nda gönüllüdür.
CMO ve Baş Strateji Sorumlusu: Garnizon Yang
Garrison Yang, bu yılın Mart ayında resmi olarak IO.NET'e katıldı. Daha önce Avalanche'ta strateji ve büyümeden sorumlu başkan yardımcısıydı ve Santa Barbara'daki California Üniversitesi'nden mezun oldu.
COO: Tory Green
Tory Green, io.net'in COO'sudur. Daha önce Hum Capital'in COO'su, Fox Mobile Group'ta Kurumsal Gelişim ve Strateji Direktörü olarak görev yaptı ve Stanford'dan mezun oldu.
IO.NET'in Linkedin bilgilerinden yola çıkarak ekibin merkezi ABD'nin New York şehrinde olup, San Francisco'da bir şubesi bulunmaktadır. Mevcut ekip büyüklüğü 50'nin üzerindedir.
Finansman durumu
IO.NET şu ana kadar yalnızca bir tur finansman açıkladı; bu, Hack VC ve diğer katılımcı yatırımcılar tarafından yönetilen, 1 milyar ABD Doları değerlemeyle bu yıl Mart ayında tamamlanan ve toplam 30 milyon ABD Doları tutarındaki A Serisi finansmanı açıkladı. Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures ve ArkStream Capital bunlardan bazılarıdır.
Belki de Aptos Vakfı'ndan alınan yatırım nedeniyle, başlangıçta Solana'da ödeme ve muhasebe için kullanılan BC8.AI projesinin aynı yüksek performanslı L1 Aptos'a dönüştürüldüğünü belirtmekte fayda var.
2.4 Değerleme hesaplaması
Önceki kurucu ve CEO Ahmad Shadid'e göre IO.NET, tokenı Nisan ayı sonunda piyasaya sürecek.
IO.NET'in değerleme için referans olarak kullanılabilecek iki hedef projesi vardır: Her ikisi de temsili dağıtılmış bilgi işlem projeleri olan Render Ağı ve Akash Ağı.
IO.NET'in piyasa değeri aralığını iki şekilde çıkarabiliriz: 1. Pazar-satış oranı, yani: piyasa değeri/gelir oranı; 2. Piyasa değeri/ağ çip sayısı oranı.
Öncelikle fiyat/satış oranına göre yapılan değerleme kesintisine bakalım:
Fiyat-satış oranı açısından bakıldığında Akash, IO.NET'in değerleme aralığının alt limiti olarak kullanılabilirken Render, 1,67 milyar ABD Doları ile 1,67 milyar ABD Doları arasındaki FDV aralığıyla değerleme için üst düzey bir fiyatlandırma referansı olarak kullanılabilir. 5,93 milyar ABD doları.
Bununla birlikte, IO.NET projesinin güncellendiği, anlatının daha sıcak olduğu, daha küçük erken dolaşım piyasa değeri ve mevcut daha büyük arz tarafı ölçeği göz önüne alındığında, FDV'nin Render'ı geçme olasılığı hiç de az değil.
Değerlemeleri karşılaştırmak için başka bir açıdan, yani “fiyat-çekirdek oranı”na bakalım.
Yapay zeka bilgi işlem gücüne olan talebin arzı aştığı bir pazar bağlamında, dağıtılmış yapay zeka bilgi işlem güç ağının en önemli unsuru GPU arz tarafının ölçeğidir. Bu nedenle "pazardan çekirdeğe" ile yatay bir karşılaştırma yapabiliriz. oranı"nı kullanın ve okuyucuların piyasa değeri referansı olarak kullanabileceği IO.NET'in olası değerleme aralığını çıkarmak için "projenin toplam piyasa değerini ve ağdaki çip sayısını" Miktar Oranı"nı kullanın.
IO.NET'in piyasa değeri aralığı, pazar-çekirdek oranına göre hesaplanırsa, IO.NET, üst sınır olarak Render Network'ün pazar-çekirdek oranını, alt sınır olarak da Akash Network'ü kullanır. 20,6 milyar ABD dolarından 197,5 milyar ABD dolarına kadardır.
Okuyucuların IO.NET projesi hakkında ne kadar iyimser olursa olsun, bunun son derece iyimser bir piyasa değeri hesaplaması olduğunu düşüneceklerine inanıyorum.
Ve IO.NET'in mevcut çok sayıdaki çevrimiçi çip sayısının, airdrop beklentileri ve teşvik faaliyetleriyle teşvik edildiğini hesaba katmamız gerekiyor. Arz tarafındaki gerçek çevrimiçi çip sayısının, proje resmi olarak başlatıldıktan sonra da gözlemlenmesi gerekiyor. .
Bu nedenle genel olarak fiyat/satış oranı perspektifinden değerleme hesaplamaları daha bilgilendirici olabilir.
AI+DePIN+Solana ekolojisinin üçlü aurasına sahip bir proje olarak IO.NET, lansmanından sonra piyasa değeri performansının ne olacağını bekleyip görecek.
3. Referans bilgileri
Delphi Digital: Gerçek Birleşme
Galaxy: Kripto ve Yapay Zekanın Kesişmesini Anlamak
Orijinal bağlantı: https://research.mintventures.fund/2024/04/08/zh-a-new-solana- Based-ai-depin-project-a-brief-analiz-of-upcoming-tokenlaunch-io-net /
io.net Binance Square topluluğu tarafından yeniden basılmıştır, orijinal telif hakkı ve içerik sorumluluğu orijinal yazara aittir. io.net ve Binance Square tarafından yeniden basılması, yeniden basılan içeriğin bazı veya tüm görünümlerini onayladığı veya desteklediği anlamına gelmez.
