Terlahir di pinggiran: Bagaimana jaringan daya komputasi terdesentralisasi memberdayakan Kripto dan AI?

Penulis asli: Jane Doe, Chen Li

Sumber asli: Ibukota Youbi

1 Persimpangan AI dan Kripto

Pada tanggal 23 Mei, raksasa chip Nvidia merilis laporan keuangan kuartal pertama untuk tahun fiskal 2025. Laporan keuangan tersebut menunjukkan bahwa pendapatan Nvidia pada kuartal pertama adalah US$1,10 triliun. Di antaranya, pendapatan pusat data meningkat sebesar US$4.27 triliun dibandingkan tahun lalu menjadi US$1,10 triliun. Di balik kinerja keuangan Nvidia, yang dapat menyelamatkan pasar saham AS dengan sendirinya, adalah permintaan daya komputasi yang telah meledak di antara perusahaan teknologi global untuk bersaing di jalur AI. Semakin banyak perusahaan teknologi papan atas yang ambisius dalam tata letak jalur AI mereka, semakin besar pula permintaan mereka terhadap daya komputasi yang meningkat secara eksponensial. Menurut perkiraan TrendForce, pada tahun 2024, permintaan untuk server AI kelas atas dari empat penyedia layanan cloud utama di Amerika Serikat: Microsoft, Google, AWS, dan Meta diperkirakan masing-masing akan memenuhi 20,2%, 16,6%, 16%, dan 10,8% dari permintaan global, sehingga totalnya lebih dari 60%.

Sumber gambar: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

Kekurangan chip telah menjadi kata kunci tahunan selama beberapa tahun. Di satu sisi, pelatihan dan inferensi model bahasa besar (LLM) memerlukan banyak dukungan daya komputasi; dan dengan iterasi model, biaya dan permintaan daya komputasi meningkat secara eksponensial. Di sisi lain, perusahaan besar seperti Meta akan membeli sejumlah besar chip, dan sumber daya daya komputasi global condong ke raksasa teknologi ini, sehingga semakin sulit bagi usaha kecil untuk mendapatkan sumber daya daya komputasi yang dibutuhkan. Kesulitan yang dihadapi usaha kecil tidak hanya berasal dari kurangnya pasokan chip yang disebabkan oleh melonjaknya permintaan, tetapi juga dari kontradiksi struktural pasokan. Saat ini, masih terdapat sejumlah besar GPU yang menganggur di sisi pasokan. Misalnya, beberapa pusat data memiliki sejumlah besar daya komputasi yang menganggur (tingkat pemanfaatannya hanya 12%-18%), dan sejumlah besar sumber daya daya komputasi juga menganggur dalam penambangan kripto karena berkurangnya keuntungan. Meskipun daya komputasi ini tidak semuanya cocok untuk skenario aplikasi profesional seperti pelatihan AI, perangkat keras kelas konsumen masih dapat memainkan peran besar dalam bidang lain seperti inferensi AI, cloud game rendering, dan cloud phone. Peluang untuk mengintegrasikan dan memanfaatkan bagian sumber daya daya komputasi ini sangat besar.

Mengalihkan perhatian kita dari AI ke kripto, setelah tiga tahun pasar kripto tidak berkembang, pasar bullish lainnya akhirnya tiba. Harga Bitcoin telah mencapai titik tertinggi baru, dan berbagai memecoin telah muncul satu demi satu. Meskipun AI dan Kripto telah populer sebagai kata kunci selama bertahun-tahun, kecerdasan buatan dan blockchain, sebagai dua teknologi penting, seperti dua garis paralel, dan belum menemukan titik potong. Pada awal tahun ini, Vitalik menerbitkan sebuah artikel berjudul The promise and challenges of crypto + AI applications, yang membahas skenario masa depan dari kombinasi AI dan kripto. Vitalik menyebutkan banyak visi dalam artikel tersebut, termasuk penggunaan teknologi enkripsi seperti blockchain dan MPC untuk mendesentralisasikan pelatihan dan inferensi AI, yang dapat membuka kotak hitam pembelajaran mesin dan membuat model AI lebih trustless, dll. Masih ada jalan panjang yang harus ditempuh untuk mewujudkan visi-visi ini. Namun, salah satu kasus penggunaan yang disebutkan oleh Vitalik – penggunaan insentif ekonomi kripto untuk memberdayakan AI, juga merupakan arah penting yang dapat diwujudkan dalam waktu singkat. Jaringan daya komputasi terdesentralisasi adalah salah satu skenario yang paling cocok untuk AI + kripto pada tahap ini.

2 Jaringan komputasi terdesentralisasi

Saat ini, sudah banyak proyek yang berkembang di bidang jaringan daya komputasi terdesentralisasi. Logika yang mendasari proyek-proyek ini serupa, yang dapat diringkas sebagai berikut: menggunakan token untuk memberi insentif kepada pemegang daya komputasi agar berpartisipasi dalam jaringan untuk menyediakan layanan daya komputasi, dan sumber daya daya komputasi yang tersebar ini dapat diagregasi menjadi jaringan daya komputasi terdesentralisasi dengan skala tertentu. Hal ini tidak hanya dapat meningkatkan tingkat pemanfaatan daya komputasi yang tidak digunakan, tetapi juga memenuhi kebutuhan daya komputasi pelanggan dengan biaya yang lebih rendah, sehingga mencapai situasi yang saling menguntungkan bagi pembeli dan penjual.

Agar para pembaca dapat memperoleh pemahaman menyeluruh tentang jalur ini dalam waktu singkat, artikel ini akan menguraikan proyek-proyek tertentu dan keseluruhan jalur dari dua perspektif: mikro dan makro, yang bertujuan untuk memberikan perspektif analitis kepada para pembaca guna memahami keunggulan kompetitif inti dari setiap proyek dan keseluruhan pengembangan jalur daya komputasi terdesentralisasi. Penulis akan memperkenalkan dan menganalisis lima proyek: Aethir, io.net, Jaringan Render, Jaringan Akash, Gensyn , dan meringkas serta mengevaluasi status proyek dan melacak perkembangannya.

Dari perspektif kerangka analitis, jika kita fokus pada jaringan komputasi terdesentralisasi tertentu, kita dapat membaginya menjadi empat komponen inti:

• Jaringan perangkat keras : Mengintegrasikan sumber daya komputasi yang tersebar dan mewujudkan pembagian dan penyeimbangan beban sumber daya komputasi melalui node yang didistribusikan di seluruh dunia. Ini adalah lapisan dasar dari jaringan komputasi terdesentralisasi.

• Pasar dua sisi : Mencocokkan penyedia daya komputasi dengan peminta melalui mekanisme penemuan dan penetapan harga yang wajar, menyediakan platform perdagangan yang aman, dan memastikan bahwa transaksi antara pihak penyedia dan peminta bersifat transparan, adil, dan kredibel.

• Mekanisme konsensus : digunakan untuk memastikan bahwa node dalam jaringan berjalan dengan benar dan menyelesaikan pekerjaannya. Mekanisme konsensus terutama digunakan untuk memantau dua level: 1) memantau apakah node sedang online dan dalam status aktif yang dapat menerima tugas kapan saja; 2) bukti kerja node: node secara efektif dan benar menyelesaikan tugas setelah menerima tugas, dan daya komputasi tidak digunakan untuk tujuan lain dan menempati proses dan utas.

• Insentif token Model token digunakan untuk memberi insentif kepada lebih banyak peserta untuk menyediakan/menggunakan layanan, dan menggunakan token untuk menangkap efek jaringan ini dan mencapai pembagian manfaat komunitas.

Jika kita melihat keseluruhan jalur daya komputasi terdesentralisasi, laporan penelitian Blockworks Research menyediakan kerangka kerja analisis yang baik. Kita dapat membagi posisi proyek jalur ini ke dalam tiga lapisan berbeda.

• Lapisan logam polos : Lapisan dasar tumpukan komputasi terdesentralisasi. Tugas utamanya adalah mengumpulkan sumber daya komputasi mentah dan membuatnya tersedia untuk panggilan API.

• Lapisan orkestrasi : Lapisan tengah tumpukan komputasi terdesentralisasi. Tugas utamanya adalah koordinasi dan abstraksi. Lapisan ini bertanggung jawab atas penjadwalan, perluasan, operasi, penyeimbangan beban, dan toleransi kesalahan daya komputasi. Fungsi utamanya adalah untuk mengabstraksi kompleksitas manajemen perangkat keras yang mendasarinya dan menyediakan antarmuka pengguna yang lebih canggih bagi pengguna akhir untuk melayani kelompok pelanggan tertentu.

• Lapisan agregasi : Merupakan lapisan teratas dari tumpukan komputasi terdesentralisasi. Tugas utamanya adalah integrasi. Bertanggung jawab untuk menyediakan antarmuka terpadu sehingga pengguna dapat mengimplementasikan beberapa tugas komputasi di satu tempat, seperti pelatihan AI, rendering, zkML, dll. Ini setara dengan lapisan orkestrasi dan distribusi dari beberapa layanan komputasi terdesentralisasi.

Sumber gambar: Youbi Capital

Berdasarkan kedua kerangka analisis di atas, kami akan membuat perbandingan horizontal dari lima proyek yang dipilih dan mengevaluasinya dari empat tingkat: bisnis inti, posisi pasar, fasilitas perangkat keras dan kinerja keuangan .

2.1 Bisnis Inti

Dari logika yang mendasarinya, jaringan komputasi terdesentralisasi sangat homogen, yaitu menggunakan token untuk memberi insentif kepada pemegang daya komputasi yang menganggur untuk menyediakan layanan daya komputasi. Berdasarkan logika yang mendasari ini, kita dapat memahami perbedaan dalam bisnis inti proyek dari tiga aspek:

• Sumber daya komputasi yang menganggur:

• Ada dua sumber utama daya komputasi yang tidak terpakai di pasar: 1) daya komputasi yang tidak terpakai di tangan pusat data, penambang, dan perusahaan lain; 2) daya komputasi yang tidak terpakai di tangan investor ritel. Daya komputasi pusat data biasanya berupa perangkat keras kelas profesional, sementara investor ritel biasanya membeli chip kelas konsumen.

• Kekuatan komputasi Aethir, Akash Network dan Gensyn sebagian besar dikumpulkan dari perusahaan. Manfaat pengumpulan daya komputasi dari perusahaan adalah: 1) Perusahaan dan pusat data biasanya memiliki perangkat keras berkualitas tinggi dan tim pemeliharaan profesional, serta kinerja dan keandalan sumber daya daya komputasi lebih tinggi; 2) Sumber daya daya komputasi perusahaan dan pusat data sering kali lebih homogen, dan manajemen serta pemantauan terpusat membuat penjadwalan dan pemeliharaan sumber daya lebih efisien. Namun, metode ini memiliki persyaratan yang lebih tinggi untuk pihak proyek, dan pihak proyek perlu memiliki koneksi komersial dengan perusahaan yang mengendalikan daya komputasi. Pada saat yang sama, skalabilitas dan desentralisasi akan terpengaruh sampai batas tertentu.

• Render Network dan io.net terutama mendorong investor ritel untuk menyediakan daya komputasi yang menganggur. Manfaat mengumpulkan daya komputasi dari investor ritel adalah: 1) Biaya eksplisit daya komputasi idle investor ritel rendah, yang dapat menyediakan sumber daya daya komputasi yang lebih ekonomis; 2) Jaringan lebih terukur dan terdesentralisasi, yang meningkatkan elastisitas dan ketahanan sistem. Kerugiannya adalah sumber daya ritel terdistribusi secara luas dan tidak seragam, yang membuat manajemen dan penjadwalan menjadi rumit dan meningkatkan kesulitan pengoperasian dan pemeliharaan. Juga lebih sulit untuk membentuk efek jaringan awal dengan mengandalkan daya komputasi ritel (lebih sulit untuk memulai). Terakhir, perangkat ritel mungkin memiliki lebih banyak risiko keamanan, yang akan menimbulkan risiko kebocoran data dan penyalahgunaan daya komputasi.

• Konsumen daya komputasi

• Dari perspektif konsumen daya komputasi, target pelanggan Aethir, io.net, dan Gensyn sebagian besar adalah perusahaan. Bagi pelanggan B-side, AI dan rendering game secara real-time memerlukan kebutuhan komputasi berperforma tinggi. Jenis beban kerja ini memiliki persyaratan yang sangat tinggi untuk sumber daya daya komputasi, biasanya memerlukan GPU kelas atas atau perangkat keras kelas profesional. Selain itu, pelanggan B-side memiliki persyaratan tinggi untuk stabilitas dan keandalan sumber daya daya komputasi, sehingga perjanjian tingkat layanan berkualitas tinggi harus disediakan untuk memastikan operasi normal proyek dan memberikan dukungan teknis yang tepat waktu. Pada saat yang sama, biaya migrasi pelanggan B-side sangat tinggi. Jika jaringan terdesentralisasi tidak memiliki SDK matang yang memungkinkan pihak proyek untuk melakukan penyebaran dengan cepat (misalnya, Akash Network mengharuskan pengguna untuk mengembangkan berdasarkan port jarak jauh sendiri), akan sulit bagi pelanggan untuk bermigrasi. Jika bukan karena keuntungan harga yang sangat signifikan, keinginan pelanggan untuk bermigrasi akan sangat rendah.

• Render Network dan Akash Network terutama menyediakan layanan daya komputasi untuk investor ritel. Untuk menyediakan layanan bagi pengguna C-end, proyek perlu merancang antarmuka dan alat yang sederhana dan mudah digunakan untuk memberikan pengalaman konsumen yang baik. Konsumen juga sangat sensitif terhadap harga, sehingga proyek perlu memberikan harga yang kompetitif.

• Jenis Perangkat Keras

• Sumber daya perangkat keras komputasi umum meliputi CPU, FPGA, GPU, ASIC, dan SoC. Perangkat keras ini memiliki perbedaan signifikan dalam tujuan desain, karakteristik kinerja, dan area aplikasi. Singkatnya, CPU lebih baik dalam tugas komputasi umum, keunggulan FPGA adalah pemrosesan paralel dan kemampuan pemrograman yang tinggi, GPU berkinerja baik dalam komputasi paralel, ASIC paling efisien dalam tugas-tugas tertentu, dan SoC mengintegrasikan beberapa fungsi menjadi satu, cocok untuk aplikasi yang sangat terintegrasi. Perangkat keras mana yang akan dipilih bergantung pada kebutuhan aplikasi tertentu, persyaratan kinerja, dan pertimbangan biaya. Proyek daya komputasi terdesentralisasi yang kita bahas sebagian besar adalah untuk mengumpulkan daya komputasi GPU, yang ditentukan oleh jenis bisnis proyek dan karakteristik GPU. Karena GPU memiliki keunggulan unik dalam pelatihan AI, komputasi paralel, rendering multimedia, dan aspek lainnya.

• Meskipun sebagian besar proyek ini melibatkan integrasi GPU, aplikasi yang berbeda memiliki persyaratan yang berbeda untuk spesifikasi perangkat keras, sehingga perangkat keras ini memiliki inti dan parameter pengoptimalan yang heterogen. Parameter ini mencakup dependensi paralelisme/serial, memori, latensi, dan sebagainya. Misalnya, beban kerja rendering sebenarnya lebih cocok untuk GPU kelas konsumen daripada GPU pusat data yang lebih bertenaga, karena rendering memiliki persyaratan tinggi untuk ray tracing, dan chip kelas konsumen seperti 4090 memiliki inti RT yang disempurnakan dan dioptimalkan secara khusus untuk tugas ray tracing. Pelatihan dan inferensi AI memerlukan GPU tingkat profesional. Oleh karena itu, Render Network dapat mengumpulkan GPU kelas konsumen seperti RTX 3090 dan 4090 dari investor ritel, sementara IO.NET membutuhkan lebih banyak GPU tingkat profesional seperti H 100 dan A 100 untuk memenuhi kebutuhan perusahaan rintisan AI.

2.2 Posisi Pasar

Dalam hal posisi proyek, lapisan logam kosong, lapisan orkestrasi, dan lapisan agregasi memiliki berbagai masalah inti yang harus dipecahkan, fokus pengoptimalan, dan kemampuan penangkapan nilai.

• Lapisan bare metal berfokus pada pengumpulan dan pemanfaatan sumber daya fisik, sedangkan lapisan orkestrasi berfokus pada penjadwalan dan pengoptimalan daya komputasi, mengoptimalkan desain perangkat keras fisik sesuai dengan kebutuhan kelompok pelanggan. Lapisan agregasi bersifat umum, berfokus pada integrasi dan abstraksi berbagai sumber daya. Dari perspektif rantai nilai, setiap proyek harus dimulai dari lapisan bare metal dan berusaha untuk naik ke atas.

• Dari perspektif penangkapan nilai, kemampuan untuk menangkap nilai meningkat lapis demi lapis dari lapisan logam kosong, lapisan orkestrasi hingga lapisan agregasi. Lapisan agregasi dapat menangkap nilai paling besar karena platform agregasi dapat memperoleh efek jaringan terbesar dan langsung menjangkau sebagian besar pengguna, yang setara dengan pintu masuk lalu lintas jaringan yang terdesentralisasi, sehingga menempati posisi penangkapan nilai tertinggi di seluruh tumpukan manajemen sumber daya komputasi.

• Dengan demikian, membangun platform agregasi merupakan hal yang paling sulit. Proyek ini perlu menyelesaikan banyak masalah secara komprehensif, termasuk kompleksitas teknis, manajemen sumber daya yang heterogen, keandalan dan skalabilitas sistem, realisasi efek jaringan, perlindungan keamanan dan privasi, serta manajemen operasi dan pemeliharaan yang kompleks. Tantangan-tantangan ini tidak mendukung dimulainya proyek secara dini dan bergantung pada pengembangan dan waktu pengerjaan. Tidak realistis untuk membangun lapisan agregasi sebelum lapisan orkestrasi matang dan menempati pangsa pasar tertentu.

• Saat ini, Aethir, Render Network, Akash Network, dan Gensyn semuanya termasuk dalam lapisan Orkestrasi, dan dirancang untuk menyediakan layanan bagi target dan kelompok pelanggan tertentu. Bisnis utama Aethir saat ini adalah rendering real-time untuk cloud games, dan menyediakan lingkungan dan alat pengembangan dan penyebaran tertentu untuk pelanggan B-side; bisnis utama Render Networks adalah rendering video, misi Akash Networks adalah menyediakan platform perdagangan yang mirip dengan Taobao, dan Gensyn terlibat secara mendalam dalam bidang pelatihan AI. io.net diposisikan sebagai lapisan Agregasi, tetapi fungsi yang saat ini diimplementasikan oleh io masih jauh dari fungsi lengkap lapisan agregasi. Meskipun perangkat keras Render Network dan Filecoin telah dikumpulkan, abstraksi dan integrasi sumber daya perangkat keras belum selesai.

2.3 Fasilitas perangkat keras

• Saat ini, tidak semua proyek telah merilis data jaringan terperinci. Secara relatif, UI io.net explorer adalah yang terbaik, di mana Anda dapat melihat jumlah, jenis, harga, distribusi, penggunaan jaringan, pendapatan node, dan parameter GPU/CPU lainnya. Namun, pada akhir April, front end io.net diserang. Karena io tidak melakukan Auth pada antarmuka PUT/POST, peretas merusak data front end. Ini juga membunyikan alarm untuk privasi proyek lain dan keandalan data jaringan.

• Dalam hal jumlah dan model GPU, io.net, sebagai lapisan agregasi, seharusnya mengumpulkan perangkat keras terbanyak. Aethir mengikuti dari belakang, dan situasi perangkat keras proyek lain tidak begitu transparan. Dari model GPU, kita dapat melihat bahwa io memiliki GPU kelas profesional seperti A 100 dan GPU kelas konsumen seperti 4090, dengan variasi yang luas, yang sejalan dengan posisi agregasi io.net. io dapat memilih GPU yang paling sesuai menurut persyaratan tugas tertentu. Namun, GPU dengan model dan merek yang berbeda mungkin memerlukan driver dan konfigurasi yang berbeda, dan perangkat lunak juga perlu dioptimalkan secara kompleks, yang meningkatkan kompleksitas manajemen dan pemeliharaan. Saat ini, alokasi berbagai tugas di io terutama didasarkan pada pemilihan pengguna.

• Aethir merilis mesin penambangannya sendiri. Pada bulan Mei, Aethir Edge, yang dikembangkan dengan dukungan dari Qualcomm, resmi diluncurkan. Mesin ini akan mendobrak mode penyebaran kluster GPU terpusat tunggal yang jauh dari pengguna dan menyebarkan daya komputasi ke edge. Aethir Edge akan menggabungkan daya komputasi kluster H100 untuk melayani skenario AI. Mesin ini dapat menyebarkan model terlatih dan menyediakan layanan komputasi inferensi kepada pengguna dengan biaya terbaik. Solusi ini lebih dekat dengan pengguna, menyediakan layanan yang lebih cepat, dan lebih hemat biaya.

• Dari perspektif penawaran dan permintaan, mengambil contoh Akash Network, statistiknya menunjukkan bahwa jumlah total CPU sekitar 16 ribu dan jumlah GPU 378. Menurut permintaan sewa jaringan, tingkat pemanfaatan CPU dan GPU masing-masing adalah 11,1% dan 19,3%. Di antara semuanya, hanya GPU kelas profesional H 100 yang memiliki tingkat sewa yang relatif tinggi, dan model lainnya sebagian besar tidak digunakan. Situasi yang dihadapi oleh jaringan lain kurang lebih sama dengan Akash. Permintaan keseluruhan untuk jaringan tersebut tidak tinggi. Kecuali untuk chip populer seperti A 100 dan H 100, daya komputasi lainnya sebagian besar tidak digunakan.

• Dari sudut pandang keunggulan harga, kecuali bagi para raksasa pasar komputasi awan, keunggulan biaya tidak menonjol dibandingkan dengan penyedia layanan tradisional lainnya.

2.4 Kinerja Keuangan

• Terlepas dari bagaimana model token dirancang, tokenomics yang sehat perlu memenuhi kondisi dasar berikut: 1) Permintaan pengguna terhadap jaringan perlu tercermin dalam harga koin, yang berarti token dapat menangkap nilai; 2) Semua peserta, baik pengembang, node, atau pengguna, perlu menerima insentif jangka panjang dan adil; 3) Memastikan tata kelola yang terdesentralisasi untuk menghindari kepemilikan yang berlebihan oleh orang dalam; 4) Mekanisme inflasi dan deflasi yang wajar dan siklus rilis token untuk menghindari fluktuasi besar pada harga koin yang memengaruhi ketahanan dan keberlanjutan jaringan.

• Jika kita secara umum membagi model token menjadi BME (burn and mint balance) dan SFA (stake for access), sumber tekanan deflasi pada token dari kedua model ini berbeda: model BME membakar token setelah pengguna membeli layanan, sehingga tekanan deflasi sistem ditentukan oleh permintaan. SFA mengharuskan penyedia layanan/node untuk mempertaruhkan token untuk memperoleh kualifikasi untuk menyediakan layanan, sehingga tekanan deflasi dibawa oleh pasokan. Keuntungan BME adalah lebih cocok untuk barang-barang yang tidak terstandarisasi. Namun, jika permintaan jaringan tidak mencukupi, ia mungkin menghadapi tekanan inflasi yang berkelanjutan. Model token dari berbagai proyek berbeda dalam detailnya, tetapi secara umum, Aethir lebih menyukai SFA, sementara io.net, Render Network, dan Akash Network lebih menyukai BME, dan Gensyn masih belum diketahui.

• Dari perspektif pendapatan, permintaan jaringan akan tercermin langsung pada pendapatan jaringan secara keseluruhan (pendapatan penambang tidak dibahas di sini, karena penambang menerima subsidi dari proyek selain imbalan untuk menyelesaikan tugas). Dari data publik, io.net memiliki nilai tertinggi. Meskipun pendapatan Aethir belum diumumkan, menurut informasi publik, mereka telah mengumumkan bahwa mereka telah menandatangani pesanan dengan banyak pelanggan B-side.

• Dalam hal harga koin, hanya Render Network dan Akash Network yang telah melakukan ICO. Aethir dan io.net juga baru-baru ini menerbitkan koin, dan kinerja harganya perlu diperhatikan, jadi kami tidak akan membahasnya secara rinci di sini. Rencana Gensyn masih belum jelas. Dari dua proyek yang telah menerbitkan koin dan proyek yang telah menerbitkan koin di jalur yang sama tetapi tidak termasuk dalam cakupan artikel ini, Secara umum, jaringan daya komputasi terdesentralisasi memiliki kinerja harga yang sangat mengesankan, yang sampai batas tertentu mencerminkan potensi pasar yang besar dan harapan yang tinggi dari masyarakat.

2.5 Ringkasan

• Jalur jaringan komputasi terdesentralisasi telah berkembang pesat secara keseluruhan, dan banyak proyek sudah dapat mengandalkan produk untuk melayani pelanggan dan menghasilkan pendapatan tertentu. Jalur ini telah bergeser dari narasi murni dan memasuki tahap pengembangan di mana ia dapat menyediakan layanan awal.

• Permintaan yang lemah merupakan masalah umum yang dihadapi oleh jaringan komputasi terdesentralisasi, dan permintaan pelanggan jangka panjang belum diverifikasi dan dieksplorasi dengan baik. Namun, sisi permintaan tidak terlalu memengaruhi harga koin, dan beberapa proyek yang telah menerbitkan koin telah berjalan dengan baik.

• AI merupakan narasi utama jaringan komputasi terdesentralisasi, tetapi bukan satu-satunya bisnis. Selain digunakan untuk pelatihan dan inferensi AI, daya komputasi juga dapat digunakan untuk rendering game berbasis cloud secara real-time, layanan telepon seluler berbasis cloud, dan banyak lagi.

• Heterogenitas perangkat keras jaringan daya komputasi relatif tinggi, dan kualitas serta skala jaringan daya komputasi perlu lebih ditingkatkan.

• Bagi pengguna C-end, keuntungan biaya tidak terlalu kentara. Bagi pengguna B-end, selain penghematan biaya, mereka juga perlu mempertimbangkan stabilitas, keandalan, dukungan teknis, kepatuhan, dan dukungan hukum layanan, dll., dan proyek Web3 umumnya tidak berjalan baik dalam aspek-aspek ini.

3 Pikiran Penutup

Pertumbuhan AI yang eksplosif telah menciptakan permintaan yang besar untuk daya komputasi. Sejak 2012, daya komputasi yang digunakan dalam tugas pelatihan AI telah tumbuh secara eksponensial, saat ini berlipat ganda setiap 3,5 bulan (dibandingkan dengan Hukum Moore yang berlipat ganda setiap 18 bulan). Sejak 2012, permintaan untuk daya komputasi telah tumbuh lebih dari 300.000 kali, jauh melampaui pertumbuhan Hukum Moore sebesar 12 kali lipat. Menurut perkiraan, pasar GPU diharapkan tumbuh pada tingkat pertumbuhan tahunan gabungan sebesar 32% menjadi lebih dari $200 miliar selama lima tahun ke depan. Perkiraan AMD bahkan lebih tinggi, dan perusahaan mengharapkan pasar chip GPU mencapai $400 miliar pada tahun 2027.

Sumber gambar: https://www.stateof.ai/

Karena pertumbuhan eksplosif kecerdasan buatan dan beban kerja intensif komputasi lainnya (seperti rendering AR/VR) telah mengungkap inefisiensi struktural dalam komputasi awan tradisional dan pasar komputasi terkemuka. Secara teori, jaringan komputasi terdesentralisasi dapat memberikan solusi yang lebih fleksibel, murah, dan efisien dengan memanfaatkan sumber daya komputasi terdistribusi yang tidak terpakai, sehingga memenuhi permintaan pasar yang besar akan sumber daya komputasi. Oleh karena itu, kombinasi kripto dan AI memiliki potensi pasar yang besar, tetapi juga menghadapi persaingan ketat dari perusahaan tradisional, hambatan masuk yang tinggi, dan lingkungan pasar yang kompleks. Secara umum, melihat semua jalur kripto, jaringan komputasi terdesentralisasi adalah salah satu vertikal paling menjanjikan di bidang kripto yang dapat memenuhi kebutuhan nyata.

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

Masa depan cerah, tetapi jalannya berliku-liku. Untuk mencapai visi di atas, kita masih perlu menyelesaikan banyak masalah dan tantangan. Singkatnya: pada tahap ini, jika kita hanya menyediakan layanan cloud tradisional, margin keuntungan proyek sangat kecil. Dari sisi permintaan, perusahaan besar umumnya membangun daya komputasi mereka sendiri, dan pengembang C-end murni sebagian besar memilih layanan cloud. Apakah perusahaan kecil dan menengah yang benar-benar menggunakan sumber daya jaringan daya komputasi terdesentralisasi akan memiliki permintaan yang stabil masih perlu eksplorasi dan verifikasi lebih lanjut. Di sisi lain, AI adalah pasar yang luas dengan batas atas dan ruang imajinasi yang sangat tinggi. Untuk pasar yang lebih luas, penyedia layanan daya komputasi terdesentralisasi juga perlu bertransformasi ke layanan model/AI di masa mendatang, mengeksplorasi lebih banyak skenario penggunaan kripto + AI, dan memperluas nilai yang dapat diciptakan oleh proyek. Namun saat ini, masih banyak masalah dan tantangan untuk lebih berkembang di bidang AI:

• Keunggulan harganya tidak menonjol : Dari perbandingan data sebelumnya, dapat dilihat bahwa keunggulan biaya dari jaringan komputasi terdesentralisasi belum tercermin. Alasan yang mungkin adalah bahwa untuk chip profesional seperti H100 dan A100, yang banyak diminati, mekanisme pasar menentukan bahwa harga bagian perangkat keras ini tidak akan murah. Selain itu, meskipun jaringan terdesentralisasi dapat mengumpulkan sumber daya komputasi yang menganggur, kurangnya skala ekonomi yang dibawa oleh desentralisasi, biaya jaringan dan bandwidth yang tinggi, dan manajemen serta operasi dan pemeliharaan yang sangat kompleks akan semakin meningkatkan biaya komputasi.

• Kekhususan pelatihan AI : Ada hambatan teknis yang sangat besar dalam tahap pelatihan AI saat ini secara terdesentralisasi. Hambatan ini dapat secara intuitif tercermin dalam alur kerja GPU. Dalam pelatihan model bahasa yang besar, GPU pertama-tama menerima kumpulan data yang telah diproses sebelumnya dan melakukan perhitungan propagasi maju dan propagasi mundur untuk menghasilkan gradien. Selanjutnya, setiap GPU menggabungkan gradien dan memperbarui parameter model untuk memastikan bahwa semua GPU disinkronkan. Proses ini akan diulang hingga semua kumpulan pelatihan selesai atau jumlah putaran yang telah ditentukan tercapai. Proses ini melibatkan sejumlah besar transmisi dan sinkronisasi data. Strategi paralel dan sinkronisasi seperti apa yang akan digunakan, cara mengoptimalkan lebar pita dan latensi jaringan, dan mengurangi biaya komunikasi, dll., belum terjawab dengan baik. Pada tahap ini, tidak terlalu realistis untuk menggunakan jaringan daya komputasi yang terdesentralisasi untuk melatih AI.

• Keamanan dan privasi data : Selama pelatihan model bahasa yang besar, semua aspek pemrosesan dan transmisi data, seperti distribusi data, pelatihan model, agregasi parameter dan gradien, dapat memengaruhi keamanan dan privasi data. Selain itu, privasi data lebih penting daripada privasi model. Jika masalah privasi data tidak dapat dipecahkan, maka tidak mungkin untuk benar-benar meningkatkan skala pada sisi permintaan.

Dari perspektif yang paling realistis, jaringan komputasi terdesentralisasi perlu memperhitungkan penemuan permintaan saat ini dan ruang pasar masa depan. Temukan posisi produk dan kelompok pelanggan sasaran yang tepat, seperti menargetkan proyek non-AI atau asli Web3 terlebih dahulu, memulai dengan kebutuhan yang relatif marjinal, dan membangun basis pengguna awal. Pada saat yang sama, teruslah mengeksplorasi berbagai skenario yang menggabungkan AI dan kripto, jelajahi garis depan teknologi, dan capai transformasi serta peningkatan layanan.

Referensi

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

Artikel ini bersumber dari internet: Terlahir di tepian: Bagaimana jaringan daya komputasi terdesentralisasi memberdayakan Kripto dan AI?

Terkait: Penjelasan terperinci tentang proyek terbaru Binance Launchpool io.net: menghubungkan sumber daya GPU global untuk membentuk kembali masa depan

Sumber asli: Chain Teahouse 1. Pengenalan Proyek io.net adalah sistem GPU terdistribusi yang berbasis pada Solana, Render, Ray, dan Filecoin, yang dirancang untuk memanfaatkan sumber daya GPU terdistribusi guna memecahkan tantangan komputasi di bidang AI dan pembelajaran mesin. io.net memecahkan masalah sumber daya komputasi yang tidak mencukupi dengan menggabungkan sumber daya komputasi yang kurang dimanfaatkan seperti pusat pemrosesan data independen, penambang mata uang kripto, dan GPU berlebih dari proyek kripto seperti Filecoin dan Render, yang memungkinkan para insinyur memperoleh sejumlah besar daya komputasi dalam sistem yang mudah diakses, dapat disesuaikan, dan berbiaya rendah. Selain itu, io.net memperkenalkan jaringan infrastruktur fisik terdistribusi (depin), yang menggabungkan sumber daya dari berbagai penyedia untuk memungkinkan para insinyur mengakses sejumlah besar daya komputasi dengan cara yang dapat disesuaikan, hemat biaya, dan mudah diimplementasikan. io cloud kini memiliki lebih dari 95.000 GPU dan lebih banyak lagi…