مواليد الحافة: كيف تعمل شبكة الطاقة الحاسوبية اللامركزية على تمكين التشفير والذكاء الاصطناعي؟

المؤلف الأصلي: جين دو، تشين لي

المصدر الأصلي: يوبي كابيتال

1 تقاطع الذكاء الاصطناعي والعملات المشفرة

في 23 مايو، أصدرت شركة إنفيديا العملاقة للرقائق تقريرها المالي للربع الأول للسنة المالية 2025. ويُظهر التقرير المالي أن إيرادات إنفيديا في الربع الأول بلغت 1.10 تريليون دولار أميركي. ومن بينها، زادت إيرادات مركز البيانات بمقدار 4271 تريليون دولار أميركي عن العام الماضي إلى 22.6 مليار دولار أميركي. وراء الأداء المالي لشركة إنفيديا، والذي يمكنه إنقاذ سوق الأسهم الأمريكية بمفرده، يكمن الطلب على قوة الحوسبة الذي انفجر بين شركات التكنولوجيا العالمية من أجل المنافسة في مسار الذكاء الاصطناعي. وكلما كانت شركات التكنولوجيا الكبرى طموحة في تخطيطها لمسار الذكاء الاصطناعي، زاد طلبها على قوة الحوسبة بشكل كبير. ووفقًا لتوقعات TrendForces، في عام 2024، سيصل الطلب إلى 1.5 مليار دولار. من المتوقع أن تشكل طلبات خوادم الذكاء الاصطناعي المتطورة من كبار مزودي الخدمات السحابية الأربعة في الولايات المتحدة: Microsoft وGoogle وAWS وMeta، 20.2% و16.6% و16% و10.8% من الطلب العالمي على التوالي، بإجمالي أكثر من 60%.

مصدر الصورة: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

لقد كان نقص الرقائق هو الكلمة الطنانة السنوية لعدة سنوات. من ناحية، يتطلب تدريب واستنتاج نماذج اللغة الكبيرة (LLMs) قدرًا كبيرًا من دعم قوة الحوسبة؛ ومع تكرار النموذج، تزداد تكلفة قوة الحوسبة والطلب عليها بشكل كبير. من ناحية أخرى، ستشتري الشركات الكبيرة مثل Meta عددًا هائلاً من الرقائق، وتميل موارد قوة الحوسبة العالمية نحو عمالقة التكنولوجيا هذه، مما يجعل من الصعب بشكل متزايد على الشركات الصغيرة الحصول على موارد قوة الحوسبة المطلوبة. إن الصعوبات التي تواجهها الشركات الصغيرة لا تأتي فقط من عدم كفاية العرض من الرقائق بسبب الارتفاع الكبير في الطلب، ولكن أيضًا من التناقضات الهيكلية في العرض. في الوقت الحاضر، لا يزال هناك عدد كبير من وحدات معالجة الرسوميات الخاملة على جانب العرض. على سبيل المثال، تحتوي بعض مراكز البيانات على قدر كبير من طاقة الحوسبة الخاملة (معدل الاستخدام هو 12%-18% فقط)، كما أن كمية كبيرة من موارد طاقة الحوسبة خاملة أيضًا في تعدين العملات المشفرة بسبب انخفاض الأرباح. ورغم أن هذه القوى الحاسوبية ليست كلها مناسبة لتطبيقات مهنية مثل تدريب الذكاء الاصطناعي، فإن الأجهزة المخصصة للمستهلكين لا تزال قادرة على لعب دور كبير في مجالات أخرى مثل استدلال الذكاء الاصطناعي، وتقديم الألعاب السحابية، والهواتف السحابية. والفرصة لدمج هذا الجزء من موارد قوة الحوسبة والاستفادة منها هائلة.

بعد ثلاث سنوات من الصمت في سوق العملات المشفرة، بعد أن تحول انتباهنا من الذكاء الاصطناعي إلى العملات المشفرة، وصلت سوق صاعدة أخرى أخيرًا. فقد وصلت أسعار البيتكوين إلى مستويات مرتفعة جديدة، وظهرت العديد من العملات المشفرة واحدة تلو الأخرى. على الرغم من أن الذكاء الاصطناعي والعملات المشفرة كانا من الكلمات الطنانة الأكثر شيوعًا خلال هذه السنوات، فإن الذكاء الاصطناعي والبلوك تشين، باعتبارهما تقنيتين مهمتين، يشبهان خطين متوازيين، ولم يجدا بعد نقطة تقاطع بينهما. في بداية هذا العام، نشر فيتاليك مقالاً بعنوان "وعود وتحديات تطبيقات التشفير والذكاء الاصطناعي"، ناقش فيه السيناريوهات المستقبلية لدمج الذكاء الاصطناعي والعملات المشفرة. ذكر فيتاليك الكثير من الرؤى في المقال، بما في ذلك استخدام تقنيات التشفير مثل blockchain وMPC لإضفاء اللامركزية على تدريب واستنتاج الذكاء الاصطناعي، مما قد يفتح الصندوق الأسود للتعلم الآلي ويجعل نموذج الذكاء الاصطناعي أقل ثقة، إلخ. لا يزال هناك طريق طويل لنقطعه لتحقيق هذه الرؤى. لكن إحدى حالات الاستخدام التي ذكرها فيتاليك - استخدام الحوافز الاقتصادية للعملات المشفرة لتمكين الذكاء الاصطناعي - هي أيضًا اتجاه مهم يمكن تحقيقه في وقت قصير. تعد شبكة قوة الحوسبة اللامركزية واحدة من أكثر السيناريوهات ملاءمة للذكاء الاصطناعي والعملات المشفرة في هذه المرحلة.

2 شبكة الحوسبة اللامركزية

في الوقت الحاضر، هناك العديد من المشاريع التي يتم تطويرها في مجال شبكات الطاقة الحاسوبية اللامركزية. والمنطق الأساسي لهذه المشاريع متشابه، ويمكن تلخيصه على النحو التالي: استخدام الرموز لتحفيز حاملي قوة الحوسبة للمشاركة في الشبكة لتقديم خدمات قوة الحوسبة، ويمكن تجميع موارد قوة الحوسبة المتناثرة هذه في شبكة قوة حوسبة لامركزية بمقياس معين. وهذا لا يمكن أن يحسن معدل استخدام قوة الحوسبة الخاملة فحسب، بل يلبي أيضًا احتياجات قوة الحوسبة للعملاء بتكلفة أقل، مما يحقق وضعًا مربحًا للجانبين لكل من المشترين والبائعين.

من أجل تمكين القراء من اكتساب فهم شامل لهذا المسار في فترة زمنية قصيرة، ستقوم هذه المقالة بتحليل مشاريع محددة والمسار بالكامل من منظورين: الصغير والكبير، بهدف تزويد القراء بمنظور تحليلي لفهم المزايا التنافسية الأساسية لكل مشروع والتطوير الشامل لمسار قوة الحوسبة اللامركزية. سيقدم المؤلف ويحلل خمسة مشاريع: أثير، io.net، شبكة رندر، شبكة عكاش، جينسين ، وتلخيص وتقييم حالة المشروع وتتبع التطوير.

من منظور الإطار التحليلي، إذا ركزنا على شبكة حوسبة لامركزية محددة، فيمكننا تقسيمها إلى أربعة مكونات أساسية:

• شبكة الأجهزة :يعمل على دمج موارد الحوسبة المتفرقة وتحقيق تقاسم وموازنة تحميل موارد الحوسبة من خلال العقد الموزعة حول العالم. إنها الطبقة الأساسية لشبكة الحوسبة اللامركزية.

• سوق ذو وجهين :مطابقة مقدمي القدرة الحاسوبية مع الطالبين من خلال التسعير المعقول وآليات الاكتشاف، وتوفير منصة تداول آمنة، وضمان أن تكون المعاملات بين أطراف العرض والطلب شفافة وعادلة وموثوقة.

• آلية الإجماع : تستخدم لضمان تشغيل العقد في الشبكة بشكل صحيح وإكمال عملها. تُستخدم آلية الإجماع بشكل أساسي لمراقبة مستويين: 1) مراقبة ما إذا كانت العقدة متصلة بالإنترنت وفي حالة نشطة يمكنها قبول المهام في أي وقت؛ 2) إثبات عمل العقدة: تكمل العقدة المهمة بشكل فعال وصحيح بعد تلقي المهمة، ولا يتم استخدام قوة الحوسبة لأغراض أخرى وتشغل العمليات والخيوط.

• حوافز رمزية :يتم استخدام نموذج الرمز لتحفيز المزيد من المشاركين على تقديم/استخدام الخدمات، واستخدام الرموز لالتقاط تأثير الشبكة وتحقيق تقاسم المنافع المجتمعية.

إذا نظرنا إلى مسار قوة الحوسبة اللامركزية بأكمله من منظور عين الطائر، فإن تقرير البحث الذي أعدته شركة Blockworks Research يوفر إطارًا تحليليًا جيدًا. يمكننا تقسيم مواقع المشروع في هذا المسار إلى ثلاث طبقات مختلفة.

• طبقة معدنية عارية :الطبقة الأساسية لمجموعة الحوسبة اللامركزية. مهمتها الرئيسية هي جمع موارد الحوسبة الخام وإتاحتها لاستدعاءات واجهة برمجة التطبيقات.

• طبقة التنسيق :الطبقة الوسطى من مجموعة الحوسبة اللامركزية. وتتمثل مهامها الرئيسية في التنسيق والتجريد. وهي مسؤولة عن جدولة وتوسيع وتشغيل وموازنة الحمل والتسامح مع الأخطاء فيما يتعلق بقوة الحوسبة. وتتمثل وظيفتها الرئيسية في تجريد تعقيد إدارة الأجهزة الأساسية وتوفير واجهة مستخدم أكثر تقدمًا للمستخدمين النهائيين لخدمة مجموعات عملاء محددة.

• طبقة التجميع :يشكل الطبقة العليا من مجموعة الحوسبة اللامركزية. مهمته الرئيسية هي التكامل. وهو مسؤول عن توفير واجهة موحدة حتى يتمكن المستخدمون من تنفيذ مهام حوسبة متعددة في مكان واحد، مثل تدريب الذكاء الاصطناعي، والعرض، وzkML، وما إلى ذلك. وهو يعادل طبقة التنسيق والتوزيع لخدمات الحوسبة اللامركزية المتعددة.

مصدر الصورة: يوبي كابيتال

وبناءً على إطاري التحليل المذكورين أعلاه، سنقوم بإجراء مقارنة أفقية للمشاريع الخمسة المختارة وتقييمها من أربعة مستويات: الأعمال الأساسية، وموقع السوق، ومرافق الأجهزة، والأداء المالي .

2.1 الأعمال الأساسية

من المنطق الأساسي، فإن شبكة الحوسبة اللامركزية متجانسة للغاية، أي أنها تستخدم الرموز لتحفيز حاملي قوة الحوسبة الخاملة على تقديم خدمات قوة الحوسبة. وبناءً على هذا المنطق الأساسي، يمكننا فهم الاختلافات في الأعمال الأساسية للمشروع من ثلاثة جوانب:

• مصادر قوة الحوسبة الخاملة:

• هناك مصدران رئيسيان لقوة الحوسبة الخاملة في السوق: 1) قوة الحوسبة الخاملة في أيدي مراكز البيانات وشركات التعدين وغيرها من الشركات؛ 2) قوة الحوسبة الخاملة في أيدي المستثمرين الأفراد. عادة ما تكون قوة الحوسبة في مراكز البيانات عبارة عن أجهزة احترافية، بينما يشتري المستثمرون الأفراد عادةً شرائح مخصصة للمستهلكين.

• يتم جمع قوة الحوسبة الخاصة بـ Aethir و Akash Network و Gensyn بشكل أساسي من المؤسسات. تتمثل فوائد جمع طاقة الحوسبة من المؤسسات في: 1) عادةً ما تمتلك المؤسسات ومراكز البيانات أجهزة ذات جودة أعلى وفرق صيانة احترافية، كما أن أداء وموثوقية موارد طاقة الحوسبة أعلى؛ 2) غالبًا ما تكون موارد طاقة الحوسبة للمؤسسات ومراكز البيانات أكثر تجانسًا، كما أن الإدارة والمراقبة المركزية تجعل جدولة الموارد والصيانة أكثر كفاءة. ومع ذلك، في المقابل، تتطلب هذه الطريقة متطلبات أعلى لطرف المشروع، ويحتاج طرف المشروع إلى أن يكون لديه اتصالات تجارية مع المؤسسة التي تتحكم في طاقة الحوسبة. في الوقت نفسه، ستتأثر قابلية التوسع واللامركزية إلى حد ما.

• تشجع Render Network وio.net بشكل أساسي المستثمرين الأفراد على توفير طاقة الحوسبة الخاملة الخاصة بهم. تتمثل فوائد جمع قوة الحوسبة من المستثمرين الأفراد في: 1) التكلفة الصريحة لقوة الحوسبة الخاملة للمستثمرين الأفراد منخفضة، مما يمكن أن يوفر موارد طاقة حوسبة أكثر اقتصادا؛ 2) الشبكة أكثر قابلية للتطوير واللامركزية، مما يعزز مرونة النظام وقوته. العيب هو أن موارد التجزئة موزعة على نطاق واسع وليست موحدة، مما يجعل الإدارة والجدولة معقدة ويزيد من صعوبة التشغيل والصيانة. كما أنه من الصعب تكوين تأثير شبكة أولي بالاعتماد على قوة الحوسبة بالتجزئة (أصعب في البدء). أخيرًا، قد تكون أجهزة التجزئة أكثر مخاطر أمنية، مما سيجلب خطر تسرب البيانات وإساءة استخدام قوة الحوسبة.

• مستهلكو الطاقة الحاسوبية

• من وجهة نظر مستهلكي قوة الحوسبة، فإن العملاء المستهدفين لشركة Aethir وio.net وGensyn هم الشركات بشكل أساسي. بالنسبة لعملاء B-side، تتطلب الذكاء الاصطناعي والعرض في الوقت الفعلي للألعاب احتياجات حوسبة عالية الأداء. يتطلب هذا النوع من عبء العمل متطلبات عالية للغاية لموارد طاقة الحوسبة، وعادةً ما يتطلب وحدات معالجة رسومية عالية الجودة أو أجهزة احترافية. بالإضافة إلى ذلك، لدى عملاء B-side متطلبات عالية لاستقرار وموثوقية موارد طاقة الحوسبة، لذلك يجب توفير اتفاقيات مستوى الخدمة عالية الجودة لضمان التشغيل العادي للمشروع وتوفير الدعم الفني في الوقت المناسب. في الوقت نفسه، تكون تكلفة هجرة عملاء B-side مرتفعة للغاية. إذا لم يكن لدى الشبكة اللامركزية مجموعة أدوات تطوير برمجيات ناضجة تسمح لطرف المشروع بالنشر بسرعة (على سبيل المثال، تتطلب شبكة Akash من المستخدمين التطوير بناءً على المنافذ البعيدة بأنفسهم)، فسيكون من الصعب على العملاء الهجرة. إذا لم يكن الأمر يتعلق بميزة السعر الكبيرة للغاية، فإن رغبة العملاء في الهجرة ستكون منخفضة للغاية.

• توفر Render Network وAkash Network بشكل أساسي خدمات قوة الحوسبة للمستثمرين الأفراد. لتقديم الخدمات لمستخدمي C-end، تحتاج المشاريع إلى تصميم واجهات وأدوات بسيطة وسهلة الاستخدام لتزويد المستهلكين بتجربة استهلاكية جيدة. كما أن المستهلكين حساسون للغاية للأسعار، لذا تحتاج المشاريع إلى توفير أسعار تنافسية.

• نوع الجهاز

• تشمل موارد أجهزة الحوسبة الشائعة وحدة المعالجة المركزية ووحدة FPGA ووحدة معالجة الرسومات ووحدة الدوائر المتكاملة المخصصة (ASIC) ووحدة النظام على رقاقة (SoC). وتختلف هذه الأجهزة اختلافًا كبيرًا في أهداف التصميم وخصائص الأداء ومجالات التطبيق. باختصار، وحدة المعالجة المركزية أفضل في مهام الحوسبة العامة، وتتمثل مزايا FPGA في المعالجة المتوازية العالية وقابلية البرمجة، وتعمل وحدة معالجة الرسومات بشكل جيد في الحوسبة المتوازية، وتكون الدوائر المتكاملة المخصصة (ASIC) أكثر كفاءة في مهام محددة، وتدمج وحدة النظام على رقاقة (SoC) وظائف متعددة في واحدة، وهي مناسبة للتطبيقات عالية التكامل. يعتمد اختيار الأجهزة على احتياجات التطبيق المحدد ومتطلبات الأداء واعتبارات التكلفة. إن مشاريع قوة الحوسبة اللامركزية التي ناقشناها تهدف في الغالب إلى جمع قوة الحوسبة لوحدة معالجة الرسوميات، والتي يتم تحديدها حسب نوع عمل المشروع وخصائص وحدة معالجة الرسوميات. لأن وحدة معالجة الرسوميات تتمتع بمزايا فريدة في تدريب الذكاء الاصطناعي والحوسبة المتوازية وعرض الوسائط المتعددة وغيرها من الجوانب.

• على الرغم من أن معظم هذه المشاريع تنطوي على تكامل وحدة معالجة الرسوميات، فإن التطبيقات المختلفة لها متطلبات مختلفة لمواصفات الأجهزة، وبالتالي فإن هذه الأجهزة تحتوي على أنوية ومعلمات تحسين غير متجانسة. تتضمن هذه المعلمات التوازي/التبعيات التسلسلية والذاكرة والزمن الكامن وما إلى ذلك. على سبيل المثال، أحمال عمل العرض مناسبة بالفعل لوحدات معالجة الرسوميات المخصصة للمستهلكين بدلاً من وحدات معالجة الرسوميات الأكثر قوة في مراكز البيانات، لأن العرض له متطلبات عالية لتتبع الأشعة، والشرائح المخصصة للمستهلكين مثل 4090 s بها أنوية RT محسّنة ومُحسَّنة خصيصًا لمهام تتبع الأشعة. يتطلب تدريب الذكاء الاصطناعي والاستدلال وحدات معالجة رسوميات على المستوى الاحترافي. لذلك، يمكن لشبكة Render جمع وحدات معالجة الرسوميات المخصصة للمستهلكين مثل RTX 3090 s و4090 s من المستثمرين الأفراد، بينما تحتاج IO.NET إلى وحدات معالجة رسوميات أكثر احترافية مثل H 100 s وA 100 s لتلبية احتياجات الشركات الناشئة في مجال الذكاء الاصطناعي.

2.2 تحديد موقف السوق

من حيث وضع المشروع، فإن طبقة المعدن العارية وطبقة التنسيق وطبقة التجميع لديها قضايا أساسية مختلفة يجب حلها وتركيز التحسين وقدرات التقاط القيمة.

• تركز طبقة المعدن العاري على جمع الموارد المادية والاستفادة منها، بينما تركز طبقة التنسيق على جدولة وتحسين قوة الحوسبة، وتحسين تصميم الأجهزة المادية وفقًا لاحتياجات مجموعات العملاء. تعد طبقة التجميع ذات غرض عام، وتركز على دمج وتجريد الموارد المختلفة. من منظور سلسلة القيمة، يجب أن يبدأ كل مشروع من طبقة المعدن العاري ويسعى إلى الصعود إلى الأعلى.

• من منظور التقاط القيمة، تزداد القدرة على التقاط القيمة طبقة بعد طبقة، بدءًا من طبقة المعدن العارية، وطبقة التنسيق، إلى طبقة التجميع. يمكن لطبقة التجميع التقاط أكبر قيمة لأن منصة التجميع يمكنها الحصول على أكبر تأثير للشبكة والوصول بشكل مباشر إلى أكبر عدد من المستخدمين، وهو ما يعادل مدخل حركة المرور للشبكة اللامركزية، وبالتالي احتلال أعلى موضع لالتقاط القيمة في مجموعة إدارة موارد الحوسبة بأكملها.

• وعليه، فإن بناء منصة التجميع هو الأصعب. إذ يحتاج المشروع إلى حل العديد من المشاكل بشكل شامل، بما في ذلك التعقيد الفني، وإدارة الموارد غير المتجانسة، وموثوقية النظام وقابليته للتوسع، وتحقيق تأثير الشبكة، وحماية الأمن والخصوصية، وإدارة التشغيل والصيانة المعقدة. وهذه التحديات لا تساعد على بدء المشروع بشكل بارد وتعتمد على تطوير المسار وتوقيته. ليس من الواقعي بناء طبقة التجميع قبل أن تنضج طبقة التنسيق وتحتل حصة معينة في السوق.

• حالياً، تنتمي Aethir وRender Network وAkash Network وGensyn جميعها إلى طبقة Orchestration، وهي مصممة لتوفير الخدمات لأهداف ومجموعات عملاء محددة. إن العمل الرئيسي الحالي لشركة Aethirs هو تقديم عرض تقديمي في الوقت الفعلي لألعاب السحابة، وتوفير بيئات وأدوات تطوير ونشر معينة لعملاء B-side؛ والعمل الرئيسي لشركة Render Networks هو تقديم عرض تقديمي للفيديو، وتتمثل مهمة Akash Networks في توفير منصة تداول مماثلة لـ Taobao، وتشارك Gensyn بشكل عميق في مجال تدريب الذكاء الاصطناعي. يتم وضع io.net كطبقة تجميع، ولكن الوظائف التي تنفذها io حاليًا لا تزال بعيدة بعض الشيء عن الوظائف الكاملة لطبقة التجميع. على الرغم من تجميع أجهزة Render Network وFilecoin، إلا أن تجريد وتكامل موارد الأجهزة لم يكتمل بعد.

2.3 مرافق الأجهزة

• في الوقت الحالي، لم تنشر جميع المشاريع بيانات الشبكة التفصيلية. نسبيًا، تعد واجهة مستخدم مستكشف io.net هي الأفضل، حيث يمكنك رؤية العدد والنوع والسعر والتوزيع واستخدام الشبكة ودخل العقدة والمعلمات الأخرى لوحدة معالجة الرسومات/وحدة المعالجة المركزية. ومع ذلك، في نهاية شهر أبريل، تعرضت الواجهة الأمامية لـ io.net للهجوم. نظرًا لأن io لم يقم بإجراء المصادقة على واجهة PUT/POST، فقد عبث المتسللون ببيانات الواجهة الأمامية. وقد دق هذا أيضًا ناقوس الخطر بشأن خصوصية المشاريع الأخرى وموثوقية بيانات الشبكة.

• من حيث عدد ونموذج وحدات معالجة الرسوميات، كان من المفترض أن تجمع io.net، كطبقة تجميع، معظم الأجهزة. تليها Aethir عن كثب، وحالة الأجهزة للمشاريع الأخرى ليست شفافة للغاية. من نموذج وحدة معالجة الرسوميات، يمكننا أن نرى أن io لديها وحدات معالجة رسوميات احترافية مثل A 100 ووحدات معالجة رسوميات استهلاكية مثل 4090، مع مجموعة متنوعة واسعة، وهو ما يتماشى مع وضع تجميع io.net. يمكن لـ io اختيار وحدة معالجة الرسوميات الأكثر ملاءمة وفقًا لمتطلبات المهمة المحددة. ومع ذلك، قد تتطلب وحدات معالجة الرسوميات من نماذج وعلامات تجارية مختلفة برامج تشغيل وتكوينات مختلفة، كما يحتاج البرنامج أيضًا إلى التحسين المعقد، مما يزيد من تعقيد الإدارة والصيانة. في الوقت الحاضر، يعتمد تخصيص المهام المختلفة في io بشكل أساسي على اختيار المستخدم.

• أطلقت Aethir آلة التعدين الخاصة بها. في مايو، تم إطلاق Aethir Edge رسميًا، والذي تم تطويره بدعم من Qualcomm. سيكسر وضع نشر مجموعة وحدة معالجة الرسوميات المركزية الفردية بعيدًا عن المستخدمين وينشر قوة الحوسبة على الحافة. سيجمع Aethir Edge قوة الحوسبة العنقودية لـ H100 لخدمة سيناريوهات الذكاء الاصطناعي. يمكنه نشر نماذج مدربة وتزويد المستخدمين بخدمات الحوسبة الاستدلالية بأفضل تكلفة. هذا الحل أقرب إلى المستخدمين، ويوفر خدمات أسرع، وأكثر فعالية من حيث التكلفة.

• من منظور العرض والطلب، مع الأخذ في الاعتبار شبكة Akash Network كمثال، تظهر إحصائياتها أن العدد الإجمالي لوحدات المعالجة المركزية يبلغ حوالي 16 ألف وحدة وعدد وحدات معالجة الرسومات 378 وحدة. ووفقًا لطلب إيجار الشبكة، فإن معدلات استخدام وحدات المعالجة المركزية ووحدات معالجة الرسومات هي 11.1% و19.3% على التوالي. من بينها، تتمتع وحدة معالجة الرسوميات الاحترافية H 100 فقط بمعدل إيجار مرتفع نسبيًا، بينما تكون النماذج الأخرى خاملة في الغالب. والوضع الذي تواجهه الشبكات الأخرى هو نفسه تقريبًا مثل Akash. الطلب الإجمالي على الشبكة ليس مرتفعًا. باستثناء الرقائق الشائعة مثل A 100 و H 100، فإن قوة الحوسبة الأخرى خاملة في الغالب.

• ومن منظور ميزة السعر، باستثناء عمالقة سوق الحوسبة السحابية، فإن ميزة التكلفة ليست بارزة مقارنة بمقدمي الخدمات التقليديين الآخرين.

2.4 الأداء المالي

• بغض النظر عن كيفية تصميم نموذج الرمز المميز، فإن اقتصاد الرمز المميز الصحي يحتاج إلى تلبية الشروط الأساسية التالية: 1) يجب أن ينعكس طلب المستخدم على الشبكة في سعر العملة، مما يعني أن الرمز المميز يمكنه التقاط القيمة؛ 2) يجب أن يتلقى جميع المشاركين، سواء المطورين أو العقد أو المستخدمين، حوافز طويلة الأجل وعادلة؛ 3) ضمان الحوكمة اللامركزية لتجنب الحيازات المفرطة من قبل المطلعين؛ 4) آليات التضخم والانكماش المعقولة ودورات إصدار الرمز المميز لتجنب التقلبات الكبيرة في أسعار العملات التي تؤثر على قوة ومتانة الشبكة.

• إذا قسمنا بشكل عام نموذج الرمز إلى BME (توازن الحرق والسك) وSFA (المراهنة من أجل الوصول)، فإن مصادر الضغط الانكماشي على رموز هذين النموذجين مختلفة: يحرق نموذج BME الرموز بعد أن يشتري المستخدمون الخدمات، وبالتالي يتم تحديد الضغط الانكماشي للنظام من خلال الطلب. يتطلب SFA من مقدمي الخدمات/العقد أن يراهنوا على الرموز للحصول على التأهيل لتقديم الخدمات، وبالتالي فإن الضغط الانكماشي يأتي من العرض. تتمثل ميزة BME في أنها أكثر ملاءمة للسلع غير الموحدة. ومع ذلك، إذا كان الطلب على الشبكة غير كافٍ، فقد تواجه ضغط التضخم المستمر. تختلف نماذج الرموز للمشاريع المختلفة في التفاصيل، ولكن بشكل عام، يفضل Aethir SFA، بينما يفضل io.net وRender Network وAkash Network BME، ولا يزال Gensyn غير معروف.

• من منظور الإيرادات، سينعكس الطلب على الشبكة بشكل مباشر في إجمالي إيرادات الشبكة (لا تتم مناقشة إيرادات عمال المناجم هنا، لأن عمال المناجم يتلقون إعانات من المشروع بالإضافة إلى المكافآت لإكمال المهام). من البيانات العامة، تتمتع io.net بأعلى قيمة. على الرغم من أن إيرادات Aethir لم يتم الإعلان عنها بعد، إلا أنه وفقًا للمعلومات العامة، فقد أعلنوا أنهم وقعوا طلبات مع العديد من عملاء B-side.

• من حيث أسعار العملات، قامت Render Network وAkash Network فقط بإجراء ICOs. كما أصدرت Aethir وio.net مؤخرًا عملات معدنية، ويجب ملاحظة أداء أسعارها، لذلك لن نناقشها بالتفصيل هنا. لا تزال خطة Gensyns غير واضحة. من المشروعين اللذين أصدرا عملات معدنية والمشاريع التي أصدرت عملات معدنية في نفس المسار ولكنها غير مدرجة في نطاق هذه المقالة، بشكل عام، تتمتع شبكة الطاقة الحاسوبية اللامركزية بأداء سعري مثير للإعجاب للغاية، وهو ما يعكس إلى حد ما إمكانات السوق الضخمة والتوقعات العالية للمجتمع.

2.5 الملخص

• لقد تطور مسار شبكة الحوسبة اللامركزية بشكل سريع بشكل عام، ويمكن للعديد من المشاريع بالفعل الاعتماد على المنتجات لخدمة العملاء وتوليد دخل معين. لقد ابتعد المسار عن السرد الخالص ودخل مرحلة التطوير حيث يمكنه تقديم خدمات أولية.

• يعد ضعف الطلب مشكلة شائعة تواجهها شبكات الحوسبة اللامركزية، ولم يتم التحقق من الطلب طويل الأجل للعملاء واستكشافه بشكل جيد. ومع ذلك، لم يؤثر جانب الطلب على سعر العملات المعدنية كثيرًا، وقد حققت العديد من المشاريع التي أصدرت بالفعل عملات معدنية أداءً جيدًا.

• الذكاء الاصطناعي هو السرد الرئيسي لشبكة الحوسبة اللامركزية، لكنه ليس العمل الوحيد. بالإضافة إلى استخدامه لتدريب الذكاء الاصطناعي والاستدلال، يمكن أيضًا استخدام قوة الحوسبة في عرض الألعاب السحابية في الوقت الفعلي وخدمات الهاتف المحمول السحابية والمزيد.

• إن التباين في أجهزة شبكة طاقة الحوسبة مرتفع نسبيًا، وهناك حاجة إلى تحسين جودة وحجم شبكة طاقة الحوسبة بشكل أكبر.

• بالنسبة لمستخدمي C، فإن ميزة التكلفة ليست واضحة جدًا. بالنسبة لمستخدمي B، بالإضافة إلى توفير التكلفة، يحتاجون أيضًا إلى مراعاة الاستقرار والموثوقية والدعم الفني والامتثال والدعم القانوني للخدمة، وما إلى ذلك، ولا تحقق مشاريع Web3 أداءً جيدًا بشكل عام في هذه الجوانب.

3 أفكار ختامية

لقد خلق النمو الهائل للذكاء الاصطناعي طلبًا هائلاً على قوة الحوسبة. منذ عام 2012، كانت قوة الحوسبة المستخدمة في مهام تدريب الذكاء الاصطناعي تنمو بشكل كبير، حيث تتضاعف حاليًا كل 3.5 شهرًا (مقارنة بقانون مور الذي يتضاعف كل 18 شهرًا). منذ عام 2012، نما الطلب على قوة الحوسبة أكثر من 300000 مرة، متجاوزًا بكثير قانون مور الذي يبلغ نموه 12 ضعفًا. وفقًا للتوقعات، من المتوقع أن ينمو سوق وحدة معالجة الرسومات بمعدل نمو سنوي مركب يبلغ 32% إلى أكثر من $200 مليار على مدى السنوات الخمس المقبلة. تقديرات AMD أعلى من ذلك، وتتوقع الشركة أن يصل سوق شرائح وحدة معالجة الرسومات إلى $400 مليار بحلول عام 2027.

مصدر الصورة: https://www.stateof.ai/

لأن النمو الهائل للذكاء الاصطناعي وأحمال العمل الأخرى التي تتطلب الكثير من الحوسبة (مثل تقديم الواقع المعزز/الافتراضي) كشف عن عدم الكفاءة البنيوية في الحوسبة السحابية التقليدية وأسواق الحوسبة الرائدة. من الناحية النظرية، يمكن لشبكات الحوسبة اللامركزية توفير حلول أكثر مرونة وأقل تكلفة وكفاءة من خلال الاستفادة من موارد الحوسبة الخاملة الموزعة، وبالتالي تلبية الطلب الهائل في الأسواق على موارد الحوسبة. لذلك، فإن الجمع بين التشفير والذكاء الاصطناعي يتمتع بإمكانات سوقية ضخمة، لكنه يواجه أيضًا منافسة شرسة من الشركات التقليدية وحواجز دخول عالية وبيئة سوقية معقدة. بشكل عام، عند النظر إلى جميع مسارات التشفير، تعد شبكات الحوسبة اللامركزية واحدة من أكثر القطاعات الواعدة في مجال التشفير والتي يمكنها تلبية الاحتياجات الحقيقية.

مصدر الصورة : https://vitalik.eth.limo/general/2024/01/30/cryptoai.html

إن المستقبل مشرق، ولكن الطريق شاق ومتعرج. ولتحقيق الرؤية المذكورة أعلاه، ما زلنا بحاجة إلى حل العديد من المشاكل والتحديات. وباختصار: في هذه المرحلة، إذا قدمنا فقط خدمات سحابية تقليدية، فإن هامش ربح المشروع صغير جدًا. من جانب الطلب، تقوم الشركات الكبيرة عمومًا ببناء قوة الحوسبة الخاصة بها، ويختار مطورو C-end الصرفة في الغالب خدمات السحابة. ما إذا كانت الشركات الصغيرة والمتوسطة الحجم التي تستخدم حقًا موارد شبكة قوة الحوسبة اللامركزية ستحظى بطلب مستقر لا يزال بحاجة إلى مزيد من الاستكشاف والتحقق. من ناحية أخرى، فإن الذكاء الاصطناعي هو سوق واسع مع حد أقصى مرتفع للغاية ومساحة خيال. بالنسبة لسوق أوسع، سيحتاج مزودو خدمات قوة الحوسبة اللامركزية أيضًا إلى التحول إلى خدمات النماذج/الذكاء الاصطناعي في المستقبل، واستكشاف المزيد من سيناريوهات استخدام التشفير + الذكاء الاصطناعي، وتوسيع القيمة التي يمكن للمشروع أن يخلقها. ولكن في الوقت الحاضر، لا تزال هناك العديد من المشاكل والتحديات التي يجب تطويرها بشكل أكبر في مجال الذكاء الاصطناعي:

• ميزة السعر ليست بارزة :من مقارنة البيانات السابقة، يمكن ملاحظة أن ميزة التكلفة لشبكة الحوسبة اللامركزية لم تنعكس. والسبب المحتمل هو أنه بالنسبة للشرائح الاحترافية مثل H100 وA100، والتي تحظى بطلب كبير، فإن آلية السوق تحدد أن سعر هذا الجزء من الأجهزة لن يكون رخيصًا. بالإضافة إلى ذلك، على الرغم من أن الشبكة اللامركزية يمكنها جمع موارد الحوسبة الخاملة، فإن الافتقار إلى اقتصاديات الحجم التي جلبتها اللامركزية، وتكاليف الشبكة والنطاق الترددي العالية، والإدارة والتشغيل والصيانة المعقدة للغاية من شأنها أن تزيد من تكلفة الحوسبة.

• خصوصية تدريب الذكاء الاصطناعي :توجد عقبات تقنية ضخمة في المرحلة الحالية من تدريب الذكاء الاصطناعي بطريقة لامركزية. ويمكن أن تنعكس هذه العقبة بشكل حدسي في سير عمل وحدة معالجة الرسوميات. في تدريب نماذج اللغة الكبيرة، تتلقى وحدة معالجة الرسوميات أولاً دفعات البيانات المعالجة مسبقًا وتجري حسابات الانتشار الأمامي والانتشار الخلفي لتوليد التدرجات. بعد ذلك، تجمع كل وحدة معالجة رسوميات التدرجات وتحديث معلمات النموذج لضمان مزامنة جميع وحدات معالجة الرسوميات. سيتم تكرار هذه العملية حتى اكتمال جميع دفعات التدريب أو الوصول إلى العدد المحدد مسبقًا من الجولات. تتضمن هذه العملية كمية كبيرة من نقل البيانات والمزامنة. لم تتم الإجابة بشكل جيد بعد على نوع استراتيجيات التوازي والمزامنة التي يجب استخدامها، وكيفية تحسين عرض النطاق الترددي للشبكة وزمن الوصول، وتقليل تكاليف الاتصالات، وما إلى ذلك. في هذه المرحلة، ليس من الواقعي جدًا استخدام شبكة طاقة حوسبة لامركزية لتدريب الذكاء الاصطناعي.

• أمن البيانات والخصوصية :أثناء تدريب نماذج اللغة الكبيرة، قد تؤثر جميع جوانب معالجة البيانات ونقلها، مثل توزيع البيانات وتدريب النموذج وتجميع المعلمات والتدرج، على أمان البيانات وخصوصيتها. بالإضافة إلى ذلك، فإن خصوصية البيانات أكثر أهمية من خصوصية النموذج. إذا لم يتم حل مشكلة خصوصية البيانات، فلن يكون من الممكن توسيع نطاق الطلب حقًا.

من منظور أكثر واقعية، تحتاج شبكة الحوسبة اللامركزية إلى مراعاة كل من اكتشاف الطلب الحالي ومساحة السوق المستقبلية. ابحث عن وضع المنتج الصحيح ومجموعات العملاء المستهدفة، مثل استهداف المشاريع غير القائمة على الذكاء الاصطناعي أو Web3 أولاً، بدءًا بالاحتياجات الهامشية نسبيًا، وبناء قاعدة مستخدمين مبكرة. في الوقت نفسه، استمر في استكشاف السيناريوهات المختلفة التي تجمع بين الذكاء الاصطناعي والعملات المشفرة، واستكشاف طليعة التكنولوجيا، وتحقيق التحول وترقية الخدمات.

مراجع

https://www.stateof.ai/

https://vitalik.eth.limo/general/2024/01/30/cryptoai.html

https://foresightnews.pro/article/detail/34368

https://app.blockworksresearch.com/unlocked/compute-de-pi-ns-paths-to-adoption-in-an-ai-dominated-market?callback=%2Fresearch%2Fcompute-de-pi-ns-paths-to-adoption-in-an-ai-dominated-market

https://research.web3 caff.com/zh/archives/17351?ref=1554

تم الحصول على هذه المقالة من الإنترنت: المولود على الحافة: كيف تعمل شبكة الطاقة الحاسوبية اللامركزية على تمكين التشفير والذكاء الاصطناعي؟

ذات صلة: شرح مفصل لأحدث مشروع من مجموعة Binance Launchpool وهو io.net: ربط موارد وحدة معالجة الرسوميات العالمية لإعادة تشكيل المستقبل

المصدر الأصلي: Chain Teahouse 1. مقدمة المشروع io.net هو نظام وحدة معالجة رسوميات موزع يعتمد على Solana وRender وRay وFilecoin، وهو مصمم للاستفادة من موارد وحدة معالجة الرسوميات الموزعة لحل تحديات الحوسبة في مجالات الذكاء الاصطناعي والتعلم الآلي. يحل io.net مشكلة عدم كفاية موارد الحوسبة من خلال تجميع موارد الحوسبة غير المستغلة مثل مراكز معالجة البيانات المستقلة، وعمال مناجم العملات المشفرة، ووحدات معالجة الرسوميات الزائدة من مشاريع التشفير مثل Filecoin وRender، مما يتيح للمهندسين الحصول على كميات كبيرة من قوة الحوسبة في نظام يمكن الوصول إليه بسهولة وقابل للتخصيص ومنخفض التكلفة. بالإضافة إلى ذلك، يقدم io.net شبكة بنية تحتية مادية موزعة (depin)، تجمع بين الموارد من مجموعة متنوعة من المزودين لتمكين المهندسين من الوصول إلى كميات هائلة من قوة الحوسبة بطريقة قابلة للتخصيص وفعالة من حيث التكلفة وسهلة التنفيذ. تحتوي io cloud الآن على أكثر من 95000 وحدة معالجة رسوميات وأكثر من ذلك ...