Алекс Сю - Mint Ventures
Оригінальний час публікації: 2024-04-08 10:23
Оригінальне посилання: https://research.mintventures.fund/2024/04/08/zh-a-new-solana-based-ai-depin-project-a-brief-analysis-of-upcoming-tokenlaunch-io-net /
вступ
У моїй останній статті я згадав, що порівняно з попередніми двома циклами, цьому циклу криптографічного бичачого ринку не вистачає достатньо впливових нових наративів бізнесу та нових активів. Штучний інтелект є одним із небагатьох нових наративів у цьому раунді Web3. Автор цієї статті спробує розібратися з наступними двома проблемами на основі цьогорічного гарячого проекту ШІ IO.NET:
Комерційна необхідність AI+Web3
Необхідність і проблеми розподілених обчислювальних послуг
По-друге, автор відсортує ключову інформацію про проект IO.NET, репрезентативний проект розподіленої обчислювальної потужності штучного інтелекту, включаючи логіку продукту, конкурентоспроможні продукти та історію проекту, і виведе оцінку проекту.
Частину думок цієї статті щодо поєднання ШІ та Web3 надихнув «The Real Merge», написаний дослідником Delphi Digital Майклом Рінко. Деякі погляди в цій статті взяті з цитат. Читачам рекомендується прочитати оригінальну статтю.
Ця стаття є постановочним мисленням автора на момент публікації. Вона може змінитися в майбутньому, і тут також можуть бути помилки у фактах, даних і міркуваннях Коментарі та обговорення вітаються.
Нижче подано основний текст.
1. Бізнес-логіка: поєднання ШІ та Web3
1.1 2023: новий «диво-рік», створений ШІ
Озираючись на історію розвитку людства, можна сказати, що коли технологія досягне прориву, відбудуться карколомні зміни, починаючи з повсякденного життя окремих людей, різноманітних промислових структур і всієї людської цивілізації.
В історії людства є два важливі роки, а саме 1666 і 1905. Зараз вони відомі як два «чудесні роки» в історії науки і техніки.
1666 рік вважається роком чудес, тому що наукові досягнення Ньютона виникли в цьому році. У цьому році він відкрив фізичну галузь оптики, заснував математичну галузь числення та вивів формулу гравітації, основний закон сучасного природознавства. Кожен із них стане основоположним внеском у розвиток науки про людину в наступні сто років, що значно прискорить розвиток науки в цілому.
Другим дивовижним роком був 1905 рік. На той час Ейнштейн, якому було лише 26 років, опублікував чотири послідовні статті в «Анналах фізики», присвячені фотоелектричному ефекту (заклав основу квантової механіки) і броунівському руху (ставши метод аналізу випадкових процесів). В оцінці пізніших поколінь кожна з цих чотирьох робіт перевищила середній рівень Нобелівської премії з фізики (сам Ейнштейн також отримав Нобелівську премію за свою роботу про фотоелектричний ефект), і історичний процес людської цивілізації знову був значно кілька кроків.
2023 рік, який щойно минув, швидше за все, буде названо ще одним «роком дива» через ChatGPT.
Ми вважаємо 2023 рік «чудесним роком» в історії людської науки й техніки не лише через величезний прогрес GPT у розумінні та створенні природної мови, а й тому, що люди з’ясували зростання можливостей великих мовних моделей завдяки еволюції Правило GPT – тобто шляхом розширення параметрів моделі та навчальних даних можливості моделі можна покращувати в геометричній прогресії – і в цьому процесі в короткостроковій перспективі немає вузьких місць (поки достатньо обчислювальної потужності).
Ця здатність далека від розуміння мови та генерування діалогу. Вона також може бути широко використана в різних наукових і технологічних сферах як приклад:
У 2018 році лауреат Нобелівської премії з хімії Френсіс Арнольд сказав на церемонії нагородження: «Сьогодні ми можемо читати, писати та редагувати будь-яку послідовність ДНК у практичних застосуваннях, але ми ще не можемо її скласти». зі Стенфордського університету та стартапу Salesforce із штучного інтелекту в Кремнієвій долині опублікували статтю в «Nature-Biotechnology». Вони використали велику мовну модель, налаштовану на основі GPT3, щоб перейти від 0 до одного мільйона нових білків, і було створено два білки з абсолютно різними. Очікується, що вони стануть рішенням для боротьби з бактеріями на додаток до антибіотиків. Іншими словами: за допомогою ШІ було зламано вузьке місце «створення» білка.
Раніше алгоритм штучного інтелекту AlphaFold передбачив структуру майже всіх 214 мільйонів білків на землі протягом 18 місяців. Цей результат у сотні разів перевищував роботу всіх структурних біологів у минулому.
Завдяки різноманітним моделям, заснованим на штучному інтелекті, все, починаючи від жорстких технологій, таких як біотехнології, матеріалознавство, дослідження та розробки ліків, і закінчуючи гуманітарними галузями, такими як право та мистецтво, призведе до карколомних змін, і 2023 рік стане першим роком усього цього.
Ми всі знаємо, що здатність людства створювати багатство зросла в геометричній прогресії за минуле століття, і швидкий розвиток технології штучного інтелекту неминуче прискорить цей процес.
Графік тенденцій глобального ВВП, джерело даних: Світовий банк
1.2 Поєднання AI та Crypto
Щоб по суті зрозуміти необхідність поєднання AI та Crypto, ми можемо почати з взаємодоповнюючих характеристик обох.
Взаємодоповнюючі функції AI та Crypto
ШІ має три властивості:
Випадковість: за механізмом виробництва контенту стоїть чорний ящик, який важко відтворити та виявити, тому результати також випадкові.
Ресурсомістка: штучний інтелект є ресурсомісткою галуззю, яка вимагає багато енергії, мікросхем і обчислювальної потужності.
Людський інтелект: штучний інтелект (незабаром) зможе пройти тест Тюрінга, і після цього люди та машини будуть нерозрізнені*
※30 жовтня 2023 року дослідницька група Каліфорнійського університету в Сан-Дієго опублікувала результати тесту Тьюрінга (звіт про тестування) на GPT-3.5 і GPT-4.0. Оцінка GPT4.0 становить 41%, що лише на 9% від межі в 50%. Оцінка за результатами тестування на людині цього ж проекту становить 63%. Значення цього тесту Тюрінга полягає в тому, скільки відсотків людей вважають людину, з якою вони спілкуються, реальною людиною. Якщо він перевищує 50%, це означає, що принаймні половина людей у натовпі вважають, що співрозмовник є людиною, а не машиною, що вважається успішним проходженням тесту Тюрінга.
Незважаючи на те, що штучний інтелект створює нову продуктивність для людства, три його властивості також створюють величезні виклики для людського суспільства, а саме:
Як перевірити та контролювати випадковість ШІ, щоб випадковість стала перевагою, а не недоліком
Як задовольнити величезний дефіцит енергії та обчислювальної потужності, необхідних ШІ
Як відрізнити людей від машин
Характеристики криптографії та блокчейн-економіки можуть бути правильними ліками для вирішення проблем, пов’язаних зі штучним інтелектом. Економіка шифрування має такі три характеристики:
Детермінізм: бізнес працює на основі блокчейну, правила та межі чіткі.
Ефективний розподіл ресурсів: криптоекономіка створила величезний вільний ринок, ціноутворення та обіг ресурсів є дуже швидкими, а завдяки наявності токенів можна використовувати стимули для прискорення відповідності ринкового попиту і прискорити досягнення критичної точки.
Без довіри: книга відкрита, код має відкритий вихідний код, і кожен може легко перевірити його, забезпечуючи «ненадійну» систему, тоді як технологія ZK дозволяє уникнути розкриття конфіденційності одночасно з перевіркою.
Далі три приклади будуть використані для ілюстрації взаємодоповнюваності ШІ та криптоекономіки.
Приклад A: Розв’язання випадковості, агент ШІ на основі криптоекономіки
AI Agent — це програма штучного інтелекту, яка відповідає за виконання роботи для людей на основі людської волі (представницькі проекти включають Fetch.AI). Припустімо, ми хочемо, щоб наш агент ШІ обробив фінансову транзакцію, наприклад «Купити 1000 доларів США в BTC». Агенти ШІ можуть зіткнутися з двома ситуаціями:
Сценарій 1: він хоче підключитися до традиційних фінансових установ (таких як BlackRock) і придбати BTC ETF. Він стикається з великою кількістю проблем адаптації між агентами ШІ та централізованими установами, такими як KYC, перегляд інформації, вхід, перевірка особи тощо. На даний момент це все ще дуже клопітно.
У другому випадку він працює на основі рідної економіки шифрування, і ситуація стане набагато простішою. Він безпосередньо використовуватиме ваш обліковий запис для підписання та розміщення замовлення для завершення транзакції через Uniswap або агреговану торгову платформу та отримання WBTC (або. інша інкапсуляція) формат BTC), весь процес швидкий і легкий. Насправді це те, чим займаються різні торгові BOT-и. Вони фактично відіграють роль молодшого агента штучного інтелекту, але їхня робота зосереджена на торгівлі. У майбутньому, з інтеграцією та еволюцією штучного інтелекту, різні типи торгових BOT неминуче зможуть виконувати більш складні торгові наміри. Наприклад: відстежуйте 100 адрес розумних грошей у ланцюжку, аналізуйте їхні торгові стратегії та показники успішності, використовуйте 10% коштів на моїй адресі для виконання подібних транзакцій протягом тижня та зупиняйтеся, коли результати погані, і узагальнюйте можливості причини невдачі.
ШІ працюватиме краще в системі блокчейн, головним чином через чіткість криптоекономічних правил і доступ до системи без дозволу. Виконуючи завдання за обмеженими правилами, потенційні ризики, спричинені випадковістю ШІ, також будуть меншими. Наприклад, продуктивність штучного інтелекту в шахових і карткових змаганнях і відеоіграх перевершила людей, оскільки шахи та карткові ігри є закритими пісочницями з чіткими правилами. Розвиток штучного інтелекту в автономному керуванні буде відносно повільним, оскільки виклики відкритого зовнішнього середовища є більшими, і нам важче терпіти випадковість проблем обробки ШІ.
Приклад B: Формування ресурсів і збір ресурсів за допомогою символічних стимулів
Поточна загальна обчислювальна потужність глобальної обчислювальної потужної мережі за BTC (хешрейт: 576,70 EH/s) перевищує повну обчислювальну потужність суперкомп’ютерів будь-якої країни. Його мотивація розвитку походить від простих і справедливих мережевих стимулів.
Тенденція обчислювальної потужності мережі BTC, джерело: https://www.coinwarz.com/
Крім того, проекти DePIN, включаючи Mobile, також намагаються використовувати символічні стимули для формування двостороннього ринку з обох сторін попиту та пропозиції для досягнення мережевих ефектів. IO.NET, на якому буде зосереджено увагу в цій статті, є платформою, призначеною для збору обчислювальної потужності ШІ. Сподіваємося, що завдяки моделі маркерів буде стимулюватися більший потенціал обчислювальної потужності ШІ.
Приклад C: відкритий вихідний код, запровадження ZK, розрізнення людей і машин із захистом конфіденційності
Будучи проектом Web3, в якому брав участь засновник OpenAI Сем Альтман, Worldcoin використовує апаратний пристрій Orb для генерації ексклюзивних і анонімних хеш-значень на основі біометрії райдужної оболонки ока людини та технології ZK для перевірки особистості та розрізнення людей і машин. На початку березня цього року арт-проект Web3 Drip почав використовувати ідентифікатори Worldcoin для верифікації реальних користувачів і видачі винагород.
Крім того, Worldcoin також нещодавно відкрив програмний код свого обладнання Orb для забезпечення безпеки та конфіденційності біометричних даних користувача.
Загалом, завдяки надійності коду та криптографії, перевагам циркуляції ресурсів і збору коштів, які забезпечуються механізмом без дозволів і маркерів, а також атрибутам без довіри, заснованим на відкритому вихідному коді та публічних книгах, криптоекономіка стала головним викликом ШІ для людське суспільство. Важливе потенційне рішення.
І серед них найнагальнішою проблемою з найсильнішим комерційним попитом є надзвичайний голод продуктів ШІ в обчислювальних ресурсах, що оточує величезний попит на чіпи та обчислювальну потужність.
Це також головна причина, чому зростання проектів розподіленої обчислювальної потужності перевищує загальний напрямок штучного інтелекту в цьому циклі зростання ринку.
Бізнес-необхідність децентралізованих обчислень
ШІ вимагає величезних обчислювальних ресурсів як для навчання моделей, так і для виконання висновків.
У практиці навчання великих мовних моделей підтверджено один факт: поки масштаб параметрів даних досить великий, будуть з'являтися великі мовні моделі з деякими можливостями, які раніше були недоступні. Експоненціальний стрибок у можливостях кожного покоління GPT порівняно з попереднім поколінням пояснюється експоненціальним збільшенням кількості обчислень, необхідних для навчання моделі.
Дослідження DeepMind і Стенфордського університету показують, що коли різні великі мовні моделі стикаються з різними завданнями (операції, відповіді на перські запитання, розуміння природної мови тощо), їм потрібно лише збільшити розмір параметрів моделі під час навчання моделі (відповідно, навчання The обсяг обчислень також збільшився), доки обсяг навчання не досягне 10^22 FLOP (FLOP означає операції з плаваючою комою за секунду, які використовуються для вимірювання продуктивності обчислень), продуктивність будь-якого завдання буде майже такою ж, як і випадкове надання відповідей. І як тільки масштаб параметра перевищує критичне значення цього масштабу, продуктивність завдання різко покращується, незалежно від моделі мови.
来源: Виникаючі можливості великих мовних моделей
来源: Виникаючі можливості великих мовних моделей
Також перевірка закону та практики «великих чудес» у сфері обчислювальної потужності спонукала засновника OpenAI Сема Альтмана запропонувати залучити 7 трильйонів доларів США для будівництва передової фабрики мікросхем, яка в 10 разів перевищує поточний розмір TSMC (ця частина Очікується, що це коштуватиме 1,5 трильйона), а решта коштів буде використано для виробництва чіпів і навчання моделей.
Окрім обчислювальної потужності, необхідної для навчання моделей штучного інтелекту, сам процес виведення моделі також потребує значної обчислювальної потужності (хоча кількість обчислень менша, ніж у навчанні), тому голод до мікросхем і обчислювальної потужності стала основним чинником участі в нормальному стані людини.
Порівняно з централізованими постачальниками обчислювальних потужностей штучного інтелекту, такими як Amazon Web Services, Google Cloud Platform, Microsoft Azure тощо, основні цінності розподілених обчислень ШІ включають:
Доступність: отримання доступу до обчислювальних мікросхем за допомогою хмарних служб, таких як AWS, GCP або Azure, часто займає тижні, а популярних моделей GPU часто немає в наявності. Крім того, для отримання обчислювальної потужності споживачам часто потрібно підписувати довгострокові негнучкі контракти з цими великими компаніями. Розподілена обчислювальна платформа може забезпечити гнучкий вибір апаратного забезпечення та більшу доступність.
Низька ціна: завдяки використанню незадіяних мікросхем у поєднанні з субсидіями сторони мережевого протоколу на мікросхеми та постачальників обчислювальної потужності розподілена обчислювальна мережа може забезпечити дешевшу обчислювальну потужність.
Стійкість до цензури: на даний момент новітні обчислювальні мікросхеми та приладдя монополізовані великими технологічними компаніями, а уряд в особі Сполучених Штатів посилює перевірку можливостей гнучкого та вільного розподілу обчислювальних потужностей штучного інтелекту Поступово ставши явним попитом, це також є основною цінністю платформи обслуговування обчислювальної потужності на основі web3.
Якщо викопна енергія є кров'ю індустріальної ери, то обчислювальна потужність може бути кров'ю нової цифрової ери, відкритої штучним інтелектом, а постачання обчислювальної потужності стане інфраструктурою епохи штучного інтелекту. Подібно до того, як стейблкойни стали процвітаючою побічною гілкою законної валюти в епоху Web3, чи стане ринок розподілених обчислювальних потужностей побічною гілкою швидкозростаючого ринку обчислювальних потужностей ШІ?
Оскільки це все ще досить ранній ринок, все ще належить побачити. Однак наступні фактори можуть стимулювати розповідь або впровадження на ринку розподіленої обчислювальної потужності:
Попит і пропозиція GPU залишаються обмеженими. Нестача графічних процесорів може спонукати деяких розробників спробувати розподілені обчислювальні платформи.
Регуляторне розширення. Якщо ви хочете отримати послуги обчислювальної потужності штучного інтелекту від великої енергетичної платформи хмарних обчислень, ви повинні пройти KYC і рівні перевірок. Натомість це може сприяти впровадженню розподілених обчислювальних платформ, особливо в областях, що підпадають під обмеження та санкції.
Стимулювання цін на токени. Підвищення цін на токени під час циклу «бичачого» ринку збільшить вартість субсидії платформи для пропозиції GPU, тим самим залучаючи більше постачальників до виходу на ринок, збільшуючи розмір ринку та знижуючи фактичну ціну покупки споживачів.
Але в той же час виклики розподілених обчислювальних платформ також цілком очевидні:
Технічні та інженерні завдання
Проблема перевірки роботи: через ієрархічну структуру розрахунку моделі глибокого навчання вихідні дані кожного шару використовуються як вхідні дані наступного рівня, тому перевірка правильності розрахунку вимагає виконання всієї попередньої роботи, яка неможливо легко й ефективно перевірити. Щоб вирішити цю проблему, розподіленим обчислювальним платформам необхідно розробити нові алгоритми або використовувати методи наближеної перевірки, які можуть забезпечити імовірнісні гарантії правильності результатів, а не абсолютну впевненість.
Проблема розпаралелювання: платформа розподіленої обчислювальної потужності збирає довгий запас чіпів, що означає, що обчислювальна потужність, що забезпечується одним пристроєм, є відносно обмеженою незалежно за короткий час. Таким чином, розпаралелювання необхідно використовувати для демонтажу та розподілу завдань, щоб скоротити загальний час виконання. Розпаралелювання неминуче зіткнеться з рядом проблем, таких як те, як декомпонувати завдання (особливо складні завдання глибокого навчання), залежності даних і додаткові витрати на зв’язок між пристроями.
Питання захисту конфіденційності: як переконатися, що дані та моделі покупця не будуть доступні для одержувача завдання?
Проблеми дотримання нормативних вимог
Розподілену обчислювальну платформу можна використовувати як пропозицію для залучення деяких клієнтів через її бездозвільний характер двостороннього ринку постачання та закупівель. З іншого боку, оскільки регуляторні стандарти штучного інтелекту вдосконалюються, він може стати об’єктом виправлення уряду. Крім того, деякі постачальники GPU також стурбовані тим, чи обчислювальні ресурси, які вони орендують, надаються підсанкційним компаніям або особам.
Загалом більшість споживачів розподілених обчислювальних платформ є професійними розробниками або невеликими та середніми установами. На відміну від криптоінвесторів, які купують криптовалюти та NFT, ці користувачі мають обмежене розуміння послуг, які може надавати протокол і стійкість, і ціна не може бути основною мотивацією для прийняття ними рішень. Наразі розподіленим обчислювальним платформам ще потрібно пройти довгий шлях, щоб отримати визнання таких користувачів.
Далі ми відсортували та проаналізували інформацію про проект IO.NET, нового проекту розподіленої обчислювальної потужності в цьому циклі, і на основі поточних проектів штучного інтелекту та проектів розподіленого обчислення в тому ж треку на ринку ми розрахували його можливий потенціал після рівень оцінки.
2. Платформа розподіленої обчислювальної потужності ШІ: IO.NET
2.1 Позиціонування проекту
IO.NET — це децентралізована обчислювальна мережа, яка створює двосторонній ринок чіпів — це обчислювальна потужність чіпів, які розповсюджуються по всьому світу (головним чином графічні процесори, а також процесори та iGPU від Apple тощо), а також сторона попиту. сподівається закінчити інженерів штучного інтелекту для навчання моделям штучного інтелекту або завдань логічного висновку.
На офіційному сайті IO.NET пишуть:
Наша місія
Об’єднання мільйона графічних процесорів у DePIN – децентралізовану мережу фізичної інфраструктури.
Її місія полягає в тому, щоб інтегрувати мільйони графічних процесорів у свою мережу DePIN.
Порівняно з існуючими постачальниками послуг хмарного обчислення штучного інтелекту, його основні переваги:
Гнучке поєднання: інженери зі штучного інтелекту можуть вільно вибирати та об’єднувати мікросхеми, необхідні для створення «кластеру» для виконання власних обчислювальних завдань.
Швидке розгортання: немає потреби в тижнях схвалення та очікування (наразі така ситуація з централізованими постачальниками, такими як AWS), розгортання можна завершити та розпочати завдання протягом десятків секунд
Недорогі послуги: вартість послуг на 90% нижча, ніж у основних виробників
Крім того, IO.NET також планує запустити магазин моделей AI та інші сервіси в майбутньому.
2.2 Механізм продукту та бізнес-дані
Механізм продукту та досвід розгортання
Подібно до Amazon Cloud, Google Cloud і Alibaba Cloud, обчислювальний сервіс, який надає IO.NET, називається IO Cloud. IO Cloud — це розподілена децентралізована мережа мікросхем, здатна виконувати код машинного навчання на основі Python і запускати програми штучного інтелекту та машинного навчання.
Базовий бізнес-модуль IO Cloud називається Кластери — це група графічних процесорів, які можуть самокоординуватися для виконання обчислювальних завдань.
Інтерфейс продукту IO.NET дуже зручний. Якщо ви хочете розгорнути власний кластер мікросхем для виконання обчислювальних завдань зі штучним інтелектом, увійшовши на сторінку продукту Clusters, ви можете почати налаштовувати кластер мікросхем.
Інформація про сторінку: https://cloud.io.net/cloud/clusters/create-cluster, те ж саме нижче
Спочатку вам потрібно вибрати власний сценарій місії. Наразі на вибір є три типи:
Загальне: надає більш загальне середовище, придатне для ранніх стадій проекту, де конкретні вимоги до ресурсів є невизначеними.
Навчання: кластер, призначений для навчання та тонкого налаштування моделей машинного навчання. Ця опція може забезпечити більше ресурсів графічного процесора, більший об’єм пам’яті та/або швидші мережеві з’єднання для виконання цих інтенсивних обчислювальних завдань.
Висновок: кластер, розроблений для висновків із низькою затримкою та великих навантажень. У контексті машинного навчання висновок стосується використання навченої моделі для прогнозування або аналізу нових даних і надання зворотного зв’язку. Таким чином, ця опція буде зосереджена на оптимізації затримки та пропускної здатності для підтримки потреб обробки даних у реальному або майже реальному часі.
Потім вам потрібно вибрати постачальника кластера чіпів. На даний момент IO.NET досягла співпраці з мережею майнерів Render Network і Filecoin, тому користувачі можуть вибрати IO.NET або чіпи з двох інших мереж як постачальника свого власного обчислювального кластера. Це еквівалентно IO.NET, який виконує роль агрегатора (але на момент написання цієї статті служба Filecon тимчасово не працює). Варто зазначити, що, згідно зі сторінкою, кількість доступних графічних процесорів для IO.NET наразі становить понад 200 000, тоді як кількість доступних графічних процесорів для Render Network становить понад 3700.
Далі ми переходимо до процесу вибору апаратного забезпечення кластера. Наразі IO.NET вибирає тільки графічні процесори, за винятком графічних процесорів Apple (M1, M2 тощо).
Серед офіційно перелічених і доступних варіантів апаратного забезпечення графічних процесорів, згідно з даними, протестованими автором у день, кількість доступних графічних процесорів у мережі IO.NET становить 206 001. Серед них найбільше доступних даних має GeForce RTX 4090 (45 250 фотографій), за нею йде GeForce RTX 3090 Ti (30 779 фотографій).
Крім того, чіп A100-SXM4-80GB (ринкова ціна 15 000 $+), який ефективніше обробляє обчислювальні завдання ШІ, такі як машинне навчання, глибоке навчання та наукові обчислення, має 7965 фотографій в Інтернеті.
Відеокарта NVIDIA H100 80 ГБ HBM3 (ринкова ціна 40 000 $+), яка була спеціально розроблена для штучного інтелекту з самого початку розробки апаратного забезпечення, має продуктивність навчання в 3,3 рази більшу, ніж у A100, і продуктивність логічного висновку в 4,5 рази більшу, ніж у A100. Фактична кількість зображень в Інтернеті становить 86.
Після вибору апаратного типу кластера користувач також повинен вибрати регіон кластера, швидкість зв'язку, кількість і час орендованих GPU та інші параметри.
Нарешті, IO.NET надасть вам рахунок на основі вичерпного вибору як приклад конфігурації кластера автора:
Загальний сценарій завдання
16 мікросхем A100-SXM4-80GB
Максимальна швидкість з'єднання (надвисока швидкість)
Розташування США
Термін оренди 1 тиждень
Загальна вартість рахунку становить 3311,6$, а вартість погодинної оренди однієї картки — 1232$
Ціни погодинної оренди однієї картки A100-SXM4-80GB на Amazon Cloud, Google Cloud і Microsoft Azure становлять 5,12$, 5,07$ і 3,67$ відповідно (джерело даних: https://cloud-gpus.com/, фактична ціна базуватиметься на зміні деталей Контракту та умов).
Таким чином, лише з точки зору ціни, обчислювальна потужність мікросхем IO.NET дійсно набагато дешевша, ніж у звичайних виробників, а комбінація поставок і закупівель також є дуже гнучкими, і операцію також легко розпочати.
Умови ведення бізнесу
Ситуація з боку постачання
Станом на 4 квітня цього року, згідно з офіційними даними, загальна пропозиція графічних процесорів IO.NET на стороні пропозиції становила 371 027, а пропозиція ЦП – 42 321. Крім того, його партнером є Render Network, і до мережі підключено 9997 GPU і 776 CPU.
Джерело даних: https://cloud.io.net/explorer/home, те саме нижче
Коли автор писав цю статтю, 214 387 із загальної кількості графічних процесорів, підключених до IO.NET, були онлайн, і рівень онлайн досягав 57,8%. Онлайн швидкість GPU від Render Network становить 45,1%.
Що означають наведені вище дані з боку пропозиції?
Для порівняння ми представляємо Akash Network, ще один відомий проект розподілених обчислень, який існує в Інтернеті протягом тривалого часу.
Akash Network запустила свою основну мережу ще в 2020 році, спочатку зосередившись на розподілених сервісах для ЦП і сховища. У червні 2023 року він запустив тестову мережу сервісів GPU, а у вересні того ж року запустив основну мережу розподілених обчислювальних потужностей GPU.
Джерело даних: https://stats.akash.network/provider-graph/graphics-gpu
Згідно з офіційними даними Akash, незважаючи на те, що пропозиція продовжує зростати з моменту запуску мережі GPU, загальна кількість підключень GPU наразі становить лише 365.
Судячи з пропозиції графічних процесорів, IO.NET на кілька порядків вище, ніж мережа Akash, і вже є найбільшою мережею поставок у схемі живлення розподілених графічних процесорів.
Ситуація з боку попиту
Однак з боку попиту IO.NET все ще перебуває на ранніх стадіях розвитку ринку. Зараз загальна кількість користувачів, які використовують IO.NET для виконання обчислювальних завдань, невелика. Завантаження більшості онлайн-графічних процесорів становить 0%, і лише чотири чіпи — A100 PCIe 80 ГБ K8S, RTX A6000 K8S, RTX A4000 K8S і H100 80 ГБ HBM3 — обробляють завдання. За винятком A100 PCIe 80GB K8S, навантажувальна здатність трьох інших чіпів становить менше 20%.
Офіційне значення навантаження на мережу, оголошене того дня, становило 0%, що означає, що більша частина поставок чіпів перебуває в режимі очікування онлайн.
З точки зору масштабу витрат на мережу, IO.NET поніс комісію за обслуговування в розмірі 586 029 доларів, а вартість минулого дня становила 3 200 доларів.
Джерело даних: https://cloud.io.net/explorer/clusters
Масштаб вищевказаних мережевих комісій за розрахунки, як за загальною сумою, так і за щоденним обсягом транзакцій, є таким же, як і Akash. Однак більша частина доходу мережі Akash надходить від процесора, а постачання процесора Akash перевищує. 20 000.
Джерело даних: https://stats.akash.network/
Крім того, IO.NET також оприлюднив бізнес-дані завдань штучного інтелекту, оброблених мережею, наразі він обробив і перевірив понад 230 000 завдань міркування, однак більшу частину цього бізнес-обсягу генерує проект, який спонсорує IO.NET BC8.AI.
Джерело даних: https://cloud.io.net/explorer/inferences
Судячи з поточних бізнес-даних, пропозиція IO.NET плавно розширюється. Стимульована очікуванням airdrop і діяльністю спільноти під кодовою назвою «Ignition», вона швидко зібрала велику кількість обчислювальних потужностей штучного інтелекту. Його розширення з боку попиту все ще знаходиться на початковій стадії, і органічний попит наразі недостатній. Що стосується поточних недоліків на стороні попиту, чи то через те, що розширення споживчої сторони ще не почалося, чи через те, що поточний досвід обслуговування ще не є стабільним і, отже, не має широкого впровадження, це ще потрібно оцінити.
Однак, враховуючи, що прогалину в обчислювальній потужності штучного інтелекту важко заповнити в короткостроковій перспективі, існує велика кількість інженерів штучного інтелекту та проектів, які шукають альтернативи, і, крім того, IO.NET не зацікавлені в децентралізованих постачальниках послуг все ж здійснюється економічний розвиток на стороні попиту. Зі стимулюванням діяльності, поступовим покращенням досвіду продукту та подальшим поступовим узгодженням пропозиції та попиту все ще варто очікувати.
2.3 Історія команди та ситуація з фінансуванням
Командна ситуація
Основна команда IO.NET була заснована в галузі кількісної торгівлі. До червня 2022 року вони зосереджувалися на розробці систем кількісної торгівлі акціями та криптоактивами на інституційному рівні. Через попит на обчислювальну потужність у серверній частині системи команда почала досліджувати можливість децентралізованих обчислень і, нарешті, зосередилася на конкретному питанні зниження вартості обчислювальних послуг GPU.
Засновник і генеральний директор: Ахмад Шадід
Ахмад Шадід займався кількісною та фінансовою інженерією до IO.NET, а також є волонтером у Ethereum Foundation.
Директор з маркетингу та стратегічний директор: Гаррісон Ян
Гаррісон Янг офіційно приєднався до IO.NET у березні цього року. Раніше він був віце-президентом зі стратегії та розвитку в Avalanche і закінчив Каліфорнійський університет у Санта-Барбарі.
COO: Торі Грін
Торі Грін є головним операційним директором io.net. Раніше він був головним операційним директором Hum Capital, директором з корпоративного розвитку та стратегії Fox Mobile Group і закінчив Стенфорд.
Судячи з інформації Linkedin IO.NET, штаб-квартира команди знаходиться в Нью-Йорку, США, а поточний розмір команди становить понад 50 осіб.
Ситуація з фінансуванням
Наразі IO.NET оприлюднив лише один раунд фінансування, тобто фінансування серії A, завершене в березні цього року з оцінкою в 1 мільярд доларів США, залучивши загалом 30 мільйонів доларів США, на чолі з Hack VC та іншими інвесторами-учасниками. зокрема Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures і ArkStream Capital.
Варто зазначити, що, можливо, завдяки інвестиціям, отриманим від Aptos Foundation, проект BC8.AI, який спочатку використовувався для розрахунків і обліку на Solana, був перетворений на той самий високопродуктивний L1 Aptos.
2.4 Розрахунок вартості
За словами попереднього засновника та генерального директора Ахмада Шадіда, IO.NET запустить токен наприкінці квітня.
IO.NET має два цільові проекти, які можна використовувати як еталон для оцінки: Render Network і Akash Network, обидва з яких є репрезентативними проектами розподілених обчислень.
Ми можемо визначити діапазон ринкової вартості IO.NET двома способами: 1. Співвідношення ринкова вартість/дохід; 2. Співвідношення ринкова вартість/кількість мережевих мікросхем.
Давайте спочатку розглянемо відрахування оцінки на основі співвідношення ціни та продажів:
З точки зору співвідношення ціни та продажів, Akash можна використовувати як нижню межу діапазону оцінки IO.NET, тоді як Render можна використовувати як еталонну ціну високого класу з діапазоном FDV від 1,67 до 5,93 доларів США. мільярд.
Однак, враховуючи те, що проект IO.NET оновлено, розповідь є гарячішою, у поєднанні з меншою ринковою вартістю на ранніх етапах обігу та нинішнім більшим масштабом пропозиції, можливість того, що його FDV перевершить Render, не мала.
Давайте подивимося під іншим кутом, щоб порівняти оцінки, а саме «співвідношення ціни до базової вартості».
У ринковому контексті, де попит на обчислювальну потужність AI перевищує пропозицію, найважливішим елементом розподіленої обчислювальної мережі AI є масштаб пропозиції GPU коефіцієнт» і використовуйте «загальну ринкову вартість проекту та кількість мікросхем у мережі «Коефіцієнт кількості», щоб визначити можливий діапазон оцінки IO.NET для використання читачами як орієнтир на ринкову вартість.
Якщо діапазон ринкової вартості IO.NET розраховується на основі співвідношення ринку до ядра, IO.NET використовує співвідношення ринку до ядра Render Network як верхню межу, а Akash Network як нижню межу становить від 20,6 до 197,5 мільярдів доларів США.
Я вважаю, що незалежно від того, наскільки оптимістично налаштовані читачі щодо проекту IO.NET, вони подумають, що це надзвичайно оптимістичний розрахунок ринкової вартості.
І ми повинні взяти до уваги, що поточна кількість онлайн-чіпів IO.NET стимулюється очікуваннями airdrop і стимулюючою діяльністю. Фактичну кількість онлайн-чіпів на стороні пропозиції все ще потрібно спостерігати після офіційного запуску проекту .
Тому, загалом, розрахунки оцінки з точки зору співвідношення ціни та продажів можуть бути більш інформативними.
Будучи проектом із потрійною аурою штучного інтелекту + DePIN + екології Solana, IO.NET чекатиме та побачить, якою буде його ринкова вартість після запуску.
3. Довідкова інформація
Delphi Digital: Справжнє злиття
Galaxy: Розуміння перетину криптографії та штучного інтелекту
Оригінальне посилання: https://research.mintventures.fund/2024/04/08/zh-a-new-solana-based-ai-depin-project-a-brief-analysis-of-upcoming-tokenlaunch-io-net /
Передруковано спільнотою io.net Binance Square, оригінальне авторське право та відповідальність за вміст належать оригінальному автору. Передрук io.net і Binance Square не означає, що він підтверджує або підтримує деякі чи всі погляди на передрукований вміст.
