Рожденные на периферии: как децентрализованная вычислительная сеть расширяет возможности криптовалют и искусственного интеллекта?

58 0 0

Автор оригинала: Джейн Доу, Чэнь Ли

1 Пересечение ИИ и криптовалют

23 мая чиповый гигант Nvidia опубликовал свой финансовый отчет за первый квартал 2025 финансового года. Финансовый отчет показывает, что выручка Nvidia в первом квартале составила US$26 млрд. Среди них выручка центров обработки данных увеличилась на 427% по сравнению с прошлым годом до ошеломляющей суммы US$22.6 млрд. За финансовыми показателями Nvidia, которые могут спасти фондовый рынок США, стоит спрос на вычислительную мощность, который резко возрос среди глобальных технологических компаний, чтобы конкурировать на треке ИИ. Чем больше ведущие технологические компании амбициозны в своей планировке трека ИИ, тем больше их спрос на вычислительную мощность увеличивается экспоненциально. Согласно прогнозу TrendForces, в 2024 году спрос Ожидается, что на высокопроизводительные серверы ИИ от четырех основных поставщиков облачных услуг в США: Microsoft, Google, AWS и Meta — придется 20,2%, 16,6%, 16% и 10,8% мирового спроса соответственно, что в общей сложности составит более 60%.

Источник изображения: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

Нехватка чипов была модным словом на протяжении нескольких лет. С одной стороны, обучение и вывод больших языковых моделей (LLM) требуют большой вычислительной мощности; и с итерацией модели стоимость вычислительной мощности и спрос увеличиваются экспоненциально. С другой стороны, крупные компании, такие как Meta, будут закупать огромное количество чипов, и глобальные вычислительные ресурсы будут перераспределены в сторону этих технологических гигантов, что все больше затрудняет получение малыми предприятиями требуемых вычислительных ресурсов. Трудности, с которыми сталкивается малый бизнес, обусловлены не только недостаточным предложением микросхем, вызванным резким ростом спроса, но и структурными противоречиями предложения. В настоящее время на стороне предложения все еще имеется большое количество простаивающих GPU. Например, некоторые центры обработки данных имеют большой объем простаивающей вычислительной мощности (коэффициент использования составляет всего 12%-18%), а также большой объем ресурсов вычислительной мощности простаивает в криптомайнинге из-за снижения прибыли. Хотя эти вычислительные мощности не все подходят для профессиональных сценариев применения, таких как обучение ИИ, потребительское оборудование все еще может играть огромную роль в других областях, таких как вывод ИИ, облачный рендеринг игр и облачные телефоны. Возможность интегрировать и использовать эту часть ресурсов вычислительной мощности огромна.

Переключая наше внимание с ИИ на криптовалюту, после трех лет молчания на рынке криптовалют, наконец, наступил еще один бычий рынок. Цены на биткоины достигли новых максимумов, и различные мемокоины появились одна за другой. Хотя ИИ и криптовалюта стали популярными модными словами на протяжении последних лет, искусственный интеллект и блокчейн, как две важные технологии, подобны двум параллельным линиям и пока не нашли точки пересечения. В начале этого года Виталик опубликовал статью под названием «Перспективы и проблемы приложений криптографии + ИИ», в которой обсуждались будущие сценарии сочетания ИИ и криптографии. Виталик упомянул множество видений в статье, включая использование технологий шифрования, таких как блокчейн и MPC, для децентрализации обучения и вывода ИИ, что может открыть черный ящик машинного обучения и сделать модель ИИ более надежной и т. д. Еще предстоит пройти долгий путь, чтобы реализовать эти видения. Но один из вариантов использования, упомянутых Виталиком, — использование экономических стимулов криптовалют для расширения возможностей ИИ, также является важным направлением, которое может быть реализовано в короткие сроки. Сеть децентрализованных вычислительных мощностей является одним из наиболее подходящих сценариев для ИИ + крипто на данном этапе.

2 Децентрализованная вычислительная сеть

В настоящее время уже существует множество проектов, разрабатываемых в области децентрализованной вычислительной сети. Основная логика этих проектов схожа, и ее можно обобщить следующим образом: использование токенов для стимулирования владельцев вычислительной мощности к участию в сети для предоставления услуг вычислительной мощности, и эти разрозненные ресурсы вычислительной мощности могут быть объединены в децентрализованную сеть вычислительной мощности определенного масштаба. Это может не только повысить коэффициент использования простаивающей вычислительной мощности, но и удовлетворить потребности клиентов в вычислительной мощности по более низкой цене, достигая беспроигрышной ситуации как для покупателей, так и для продавцов.

Чтобы дать возможность читателям получить общее представление об этом треке за короткий промежуток времени, в этой статье будут деконструированы конкретные проекты и весь трек с двух точек зрения: микро и макро, с целью предоставить читателям аналитическую перспективу для понимания основных конкурентных преимуществ каждого проекта и общего развития трека децентрализованных вычислительных мощностей. Автор представит и проанализирует пять проектов: Aethir, io.net, Render Network, Akash Network, Gensyn , а также обобщить и оценить статус проекта и отследить его развитие.

С точки зрения аналитической структуры, если мы сосредоточимся на конкретной децентрализованной вычислительной сети, мы можем разбить ее на четыре основных компонента:

Аппаратная сеть : Он объединяет разбросанные вычислительные ресурсы и реализует совместное использование и балансировку нагрузки вычислительных ресурсов через узлы, распределенные по всему миру. Это базовый уровень децентрализованной вычислительной сети.
Двусторонний рынок : Соотносить поставщиков вычислительной мощности с покупателями посредством разумного ценообразования и механизмов обнаружения, предоставлять безопасную торговую платформу и гарантировать, что транзакции между сторонами предложения и спроса являются прозрачными, справедливыми и заслуживающими доверия.
Механизм консенсуса : используется для обеспечения корректной работы узлов в сети и завершения их работы. Механизм консенсуса в основном используется для мониторинга двух уровней: 1) мониторинг того, находится ли узел в сети и в активном состоянии, которое может принимать задачи в любое время; 2) доказательство работы узла: узел эффективно и правильно завершает задачу после ее получения, а вычислительная мощность не используется для других целей и не занимает процессы и потоки.
Поощрения в виде токенов : Модель токенов используется для стимулирования большего числа участников предоставлять/использовать услуги, а также для использования токенов для получения этого сетевого эффекта и достижения совместного использования выгод сообщества.

Если мы посмотрим с высоты птичьего полета на весь трек децентрализованных вычислительных мощностей, то исследовательский отчет Blockworks Research дает хорошую аналитическую основу. Мы можем разделить проектные позиции этого трека на три разных слоя.

Слой голого металла : Базовый уровень децентрализованного вычислительного стека. Его главная задача — собирать необработанные вычислительные ресурсы и делать их доступными для вызовов API.
Уровень оркестровки : Средний уровень децентрализованного вычислительного стека. Его основными задачами являются координация и абстракция. Он отвечает за планирование, расширение, эксплуатацию, балансировку нагрузки и отказоустойчивость вычислительной мощности. Его основная функция — абстрагировать сложность базового управления оборудованием и предоставить более продвинутый пользовательский интерфейс для конечных пользователей для обслуживания определенных групп клиентов.
Агрегационный слой : Он представляет собой верхний уровень децентрализованного вычислительного стека. Его основная задача — интеграция. Он отвечает за предоставление унифицированного интерфейса, чтобы пользователи могли реализовывать несколько вычислительных задач в одном месте, например, обучение ИИ, рендеринг, zkML и т. д. Он эквивалентен уровню оркестровки и распределения нескольких децентрализованных вычислительных служб.

Источник изображения: Youbi Capital

На основе двух вышеприведенных аналитических схем мы проведем горизонтальное сравнение пяти выбранных проектов и оценим их на четырех уровнях: основной бизнес, позиционирование на рынке, оборудование и финансовые показатели .

2.1 Основной бизнес

Из базовой логики, децентрализованная вычислительная сеть является высоко гомогенизированной, то есть, использует токены для стимулирования простаивающих держателей вычислительной мощности для предоставления услуг вычислительной мощности. Основываясь на этой базовой логике, мы можем понять различия в основном бизнесе проекта с трех сторон:

Источники простаивающей вычислительной мощности:

На рынке есть два основных источника простаивающей вычислительной мощности: 1) простаивающая вычислительная мощность в руках дата-центров, майнеров и других компаний; 2) простаивающая вычислительная мощность в руках розничных инвесторов. Вычислительная мощность дата-центров обычно представляет собой профессиональное оборудование, в то время как розничные инвесторы обычно покупают чипы потребительского класса.
Вычислительная мощность Aethir, Akash Network и Gensyn в основном собирается у предприятий. Преимущества сбора вычислительной мощности от предприятий следующие: 1) Предприятия и центры обработки данных обычно имеют более качественное оборудование и профессиональные команды по обслуживанию, а производительность и надежность ресурсов вычислительной мощности выше; 2) Ресурсы вычислительной мощности предприятий и центров обработки данных часто более однородны, а централизованное управление и мониторинг делают планирование и обслуживание ресурсов более эффективными. Однако, соответственно, этот метод предъявляет более высокие требования к стороне проекта, и стороне проекта необходимо иметь коммерческие связи с предприятием, которое контролирует вычислительную мощность. В то же время масштабируемость и децентрализация будут затронуты в определенной степени.

Render Network и io.net в основном поощряют розничных инвесторов предоставлять свои простаивающие вычислительные мощности. Преимущества сбора вычислительной мощности у розничных инвесторов: 1) Явная стоимость простаивающей вычислительной мощности розничных инвесторов низкая, что может обеспечить более экономичные ресурсы вычислительной мощности; 2) Сеть более масштабируема и децентрализована, что повышает эластичность и надежность системы. Недостатком является то, что розничные ресурсы широко распределены и неравномерны, что усложняет управление и планирование и увеличивает сложность эксплуатации и обслуживания. Также сложнее сформировать начальный сетевой эффект, полагаясь на розничную вычислительную мощность (труднее запустить). Наконец, розничные устройства могут иметь больше рисков безопасности, что приведет к риску утечки данных и злоупотреблению вычислительной мощностью.
Потребители вычислительной мощности

С точки зрения потребителей вычислительной мощности целевыми клиентами Aethir, io.net и Gensyn являются в основном предприятия. Для клиентов B-side ИИ и рендеринг игр в реальном времени требуют высокопроизводительных вычислений. Этот тип рабочей нагрузки предъявляет чрезвычайно высокие требования к вычислительным ресурсам, обычно требуя высокопроизводительные графические процессоры или профессиональное оборудование. Кроме того, клиенты B-side предъявляют высокие требования к стабильности и надежности вычислительных ресурсов, поэтому должны быть предоставлены высококачественные соглашения об уровне обслуживания для обеспечения нормальной работы проекта и предоставления своевременной технической поддержки. В то же время стоимость миграции клиентов B-side очень высока. Если децентрализованная сеть не имеет зрелого SDK, который позволяет стороне проекта быстро развертывать (например, Akash Network требует, чтобы пользователи разрабатывали на основе удаленных портов самостоятельно), клиентам будет сложно осуществить миграцию. Если бы не чрезвычайно значительное ценовое преимущество, готовность клиентов к миграции была бы очень низкой.
Render Network и Akash Network в основном предоставляют услуги вычислительной мощности для розничных инвесторов. Чтобы предоставлять услуги для конечных пользователей C, проекты должны разрабатывать простые и удобные в использовании интерфейсы и инструменты, чтобы обеспечить потребителям хороший потребительский опыт. Потребители также очень чувствительны к ценам, поэтому проекты должны предоставлять конкурентоспособные цены.

Тип оборудования

Общие вычислительные аппаратные ресурсы включают CPU, FPGA, GPU, ASIC и SoC. Эти аппаратные средства имеют существенные различия в целях проектирования, характеристиках производительности и областях применения. Подводя итог, можно сказать, что CPU лучше справляется с общими вычислительными задачами, преимуществами FPGA являются высокая параллельная обработка и программируемость, GPU хорошо работает в параллельных вычислениях, ASIC наиболее эффективен в определенных задачах, а SoC объединяет несколько функций в одну, подходящую для высокоинтегрированных приложений. Выбор аппаратного обеспечения зависит от потребностей конкретного приложения, требований к производительности и соображений стоимости. Проекты децентрализованных вычислительных мощностей, которые мы обсуждали, в основном предназначены для сбора вычислительной мощности GPU, которая определяется типом бизнеса проекта и характеристиками GPU. Поскольку GPU имеет уникальные преимущества в обучении ИИ, параллельных вычислениях, рендеринге мультимедиа и других аспектах.
Хотя большинство этих проектов предполагают интеграцию графических процессоров, разные приложения предъявляют разные требования к характеристикам оборудования, поэтому это оборудование имеет неоднородные ядра и параметры оптимизации. Эти параметры включают в себя зависимости параллельности/последовательной передачи, память, задержку и т. д. Например, рабочие нагрузки рендеринга на самом деле больше подходят для графических процессоров потребительского уровня, чем для более мощных графических процессоров центров обработки данных, поскольку рендеринг предъявляет высокие требования к трассировке лучей, а чипы потребительского уровня, такие как 4090, имеют улучшенные ядра RT и специально оптимизированы для задач трассировки лучей. Обучение и вывод ИИ требуют графических процессоров профессионального уровня. Поэтому Render Network может собирать графические процессоры потребительского уровня, такие как RTX 3090 и 4090, у розничных инвесторов, в то время как IO.NET нужны более профессиональные графические процессоры, такие как H 100 и A 100, чтобы удовлетворить потребности стартапов в области ИИ.

2.2 Позиционирование на рынке

С точки зрения позиционирования проекта, уровень физического сервера, уровень оркестровки и уровень агрегации имеют разные основные проблемы, требующие решения, фокусы оптимизации и возможности получения ценности.

Уровень bare metal фокусируется на сборе и использовании физических ресурсов, в то время как уровень оркестровки фокусируется на планировании и оптимизации вычислительной мощности, оптимизируя проектирование физического оборудования в соответствии с потребностями групп клиентов. Уровень агрегации является универсальным, фокусируется на интеграции и абстракции различных ресурсов. С точки зрения цепочки создания стоимости каждый проект должен начинаться с уровня bare metal и стремиться подняться вверх.
С точки зрения извлечения стоимости, способность извлекать стоимость увеличивается слой за слоем, от уровня «голого железа», уровня оркестровки до уровня агрегации. Уровень агрегации может извлечь наибольшую выгоду, поскольку платформа агрегации может получить наибольший сетевой эффект и напрямую охватить наибольшее количество пользователей, что эквивалентно входу трафика децентрализованной сети, тем самым занимая наивысшую позицию по извлечению выгоды во всем стеке управления вычислительными ресурсами.
Соответственно, создание платформы агрегации является самым сложным. Проект должен комплексно решить множество проблем, включая техническую сложность, управление неоднородными ресурсами, надежность и масштабируемость системы, реализацию сетевого эффекта, безопасность и защиту конфиденциальности, а также сложное управление эксплуатацией и обслуживанием. Эти проблемы не способствуют холодному старту проекта и зависят от разработки и сроков трассы. Нереально построить уровень агрегации до того, как уровень оркестровки окрепнет и займет определенную долю рынка.
В настоящее время, Aethir, Render Network, Akash Network и Gensyn относятся к уровню оркестровки и предназначены для предоставления услуг определенным целям и группам клиентов. Текущий основной бизнес Aethirs — рендеринг в реальном времени для облачных игр, а также предоставление определенных сред разработки и развертывания и инструментов для клиентов B-side; основной бизнес Render Networks — рендеринг видео, миссия Akash Networks — предоставить торговую платформу, похожую на Taobao, а Gensyn глубоко вовлечен в сферу обучения ИИ. io.net позиционируется как уровень агрегации, но функции, которые в настоящее время реализуются io, все еще далеки от полных функций уровня агрегации. Хотя аппаратное обеспечение Render Network и Filecoin было собрано, абстракция и интеграция аппаратных ресурсов еще не завершены.

2.3 Аппаратные средства

В настоящее время не все проекты опубликовали подробные сетевые данные. Условно говоря, пользовательский интерфейс io.net explorer является лучшим, где вы можете увидеть количество, тип, цену, распределение, использование сети, доход узла и другие параметры GPU/CPU. Однако в конце апреля фронтенд io.net был атакован. Поскольку io не выполнял аутентификацию на интерфейсе PUT/POST, хакеры подделали данные фронтенда. Это также вызвало тревогу за конфиденциальность других проектов и надежность сетевых данных.
С точки зрения количества и модели графических процессоров, io.net, как уровень агрегации, должен был собрать больше всего оборудования. Aethir следует за ним, а ситуация с оборудованием других проектов не столь прозрачна. Из модели графических процессоров мы видим, что в io есть как профессиональные графические процессоры, такие как A 100, так и потребительские графические процессоры, такие как 4090, с широким ассортиментом, что соответствует позиционированию агрегации io.net. io может выбрать наиболее подходящий графический процессор в соответствии с требованиями конкретной задачи. Однако графические процессоры разных моделей и марок могут требовать разных драйверов и конфигураций, а программное обеспечение также должно быть сложно оптимизировано, что увеличивает сложность управления и обслуживания. В настоящее время распределение различных задач в io в основном основано на выборе пользователя.
Aethir выпустила собственную майнинговую машину. В мае был официально запущен Aethir Edge, разработанный при поддержке Qualcomm. Он сломает режим развертывания единого централизованного кластера GPU вдали от пользователей и развернет вычислительную мощность на периферии. Aethir Edge объединит вычислительную мощность кластера H100 для обслуживания сценариев ИИ. Он может разворачивать обученные модели и предоставлять пользователям услуги по вычислению выводов по лучшей цене. Это решение ближе к пользователям, обеспечивает более быстрые услуги и является более экономически эффективным.
С точки зрения спроса и предложения, если взять в качестве примера сеть Akash, то ее статистика показывает, что общее количество ЦП составляет около 16 тыс., а количество ГП — 378. Согласно спросу на аренду сети, коэффициенты использования ЦП и ГП составляют 11,1% и 19,3% соответственно. Среди них только профессиональный GPU H 100 имеет относительно высокую арендную ставку, а остальные модели в основном простаивают. Ситуация, с которой сталкиваются другие сети, примерно такая же, как и Akash. Общий спрос на сеть невысок. За исключением популярных чипов, таких как A 100 и H 100, другие вычислительные мощности в основном простаивают.
С точки зрения ценового преимущества, за исключением гигантов рынка облачных вычислений, преимущество в стоимости не является существенным по сравнению с другими традиционными поставщиками услуг.

2.4 Финансовые показатели

Независимо от того, как разработана модель токена, здоровая токеномика должна соответствовать следующим основным условиям: 1) Потребность пользователей в сети должна отражаться в цене монеты, что означает, что токен может приносить ценность; 2) Все участники, будь то разработчики, узлы или пользователи, должны получать долгосрочные и справедливые стимулы; 3) Обеспечить децентрализованное управление, чтобы избежать чрезмерного накопления средств инсайдерами; 4) Разумные механизмы инфляции и дефляции, а также циклы выпуска токенов, чтобы избежать больших колебаний цен монет, которые влияют на надежность и устойчивость сети.
Если мы в целом разделим модель токенов на BME (равновесие сжигания и чеканки) и SFA (стейкинг для доступа), то источники дефляционного давления на токены этих двух моделей различны: модель BME сжигает токены после того, как пользователи приобретают услуги, поэтому дефляционное давление системы определяется спросом. SFA требует, чтобы поставщики услуг/узлы ставили токены на стейкинг для получения квалификации на предоставление услуг, поэтому дефляционное давление создается предложением. Преимущество BME в том, что она больше подходит для нестандартизированных товаров. Однако, если спрос на сеть недостаточен, она может столкнуться с давлением продолжающейся инфляции. Модели токенов различных проектов различаются в деталях, но в целом, Aethir предпочитает SFA, в то время как io.net, Render Network и Akash Network предпочитают BME, а Gensyn пока неизвестен.
С точки зрения доходов спрос на сеть будет напрямую отражаться на общем доходе сети (доход майнеров здесь не обсуждается, поскольку майнеры получают субсидии от проекта в дополнение к вознаграждениям за выполнение задач). Согласно публичным данным, io.net имеет самую высокую стоимость. Хотя доход Aethir еще не был объявлен, согласно публичной информации, они объявили, что подписали заказы со многими клиентами B-side.
Что касается цен на монеты, то только Render Network и Akash Network проводили ICO. Aethir и io.net также недавно выпустили монеты, и их ценовые показатели необходимо отслеживать, поэтому мы не будем обсуждать их здесь подробно. План Gensyns пока неясен. Из двух проектов, которые выпустили монеты, и проектов, которые выпустили монеты в том же направлении, но не включены в объем этой статьи, В целом, децентрализованная вычислительная сеть имеет весьма впечатляющие показатели цены, что в определенной степени отражает огромный потенциал рынка и высокие ожидания сообщества.

2.5 Резюме

Трек децентрализованной вычислительной сети в целом быстро развился, и многие проекты уже могут полагаться на продукты для обслуживания клиентов и получения определенного дохода. Трек отошел от чистого повествования и вошел в стадию разработки, где он может предоставлять предварительные услуги.
Слабый спрос является распространенной проблемой, с которой сталкиваются децентрализованные вычислительные сети, а долгосрочный спрос клиентов не был хорошо проверен и изучен. Однако спрос не слишком повлиял на цену монет, и несколько проектов, которые уже выпустили монеты, показали хорошие результаты.
ИИ — это основная тема децентрализованной вычислительной сети, но это не единственный бизнес. Помимо использования для обучения и вывода ИИ, вычислительная мощность может также использоваться для рендеринга в реальном времени облачных игр, облачных сервисов мобильной связи и многого другого.
Аппаратная неоднородность сети вычислительных мощностей относительно высока, а качество и масштаб сети вычислительных мощностей требуют дальнейшего улучшения.
Для пользователей C-end преимущество в стоимости не очень очевидно. Для пользователей B-end, помимо экономии средств, необходимо также учитывать стабильность, надежность, техническую поддержку, соответствие требованиям и юридическую поддержку сервиса и т. д., а проекты Web3 в этих аспектах обычно не преуспевают.

3 Заключительные мысли

Взрывной рост ИИ создал огромный спрос на вычислительную мощность. С 2012 года вычислительная мощность, используемая в задачах обучения ИИ, растет экспоненциально, в настоящее время удваиваясь каждые 3,5 месяца (по сравнению с законом Мура, удваивающимся каждые 18 месяцев). С 2012 года спрос на вычислительную мощность вырос более чем в 300 000 раз, что намного превышает 12-кратный рост по закону Мура. Согласно прогнозам, ожидается, что рынок графических процессоров будет расти с годовым темпом роста 32% до более чем $200 миллиардов в течение следующих пяти лет. Оценка AMD еще выше, и компания ожидает, что рынок чипов GPU достигнет $400 миллиардов к 2027 году.

Источник изображения: https://www.stateof.ai/

Потому что взрывной рост искусственного интеллекта и других вычислительно интенсивных рабочих нагрузок (таких как рендеринг AR/VR) выявил структурную неэффективность традиционных облачных вычислений и ведущих вычислительных рынков. Теоретически децентрализованные вычислительные сети могут предоставлять более гибкие, недорогие и эффективные решения за счет использования распределенных простаивающих вычислительных ресурсов, тем самым удовлетворяя огромный спрос рынка на вычислительные ресурсы. Таким образом, сочетание криптовалюты и ИИ имеет огромный рыночный потенциал, но оно также сталкивается с жесткой конкуренцией со стороны традиционных компаний, высокими барьерами входа и сложной рыночной средой. В целом, если рассматривать все направления криптовалюты, децентрализованные вычислительные сети являются одной из самых перспективных вертикалей в сфере криптовалют, способной удовлетворить реальные потребности.

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

Будущее светлое, но дорога извилистая. Чтобы достичь вышеуказанного видения, нам еще предстоит решить множество проблем и задач. Вкратце: На данном этапе, если мы предоставляем только традиционные облачные сервисы, рентабельность проектов очень мала. Со стороны спроса крупные предприятия обычно создают собственные вычислительные мощности, а разработчики чистого C-end в основном выбирают облачные сервисы. Вопрос о том, будут ли малые и средние предприятия, которые действительно используют сетевые ресурсы децентрализованных вычислительных мощностей, иметь стабильный спрос, все еще требует дальнейшего изучения и проверки. С другой стороны, ИИ — это огромный рынок с очень высоким верхним пределом и пространством для воображения. Для более широкого рынка поставщикам услуг децентрализованных вычислительных мощностей также необходимо будет в будущем перейти на услуги моделирования/ИИ, изучить больше сценариев использования криптографии + ИИ и расширить ценность, которую может создать проект. Но в настоящее время все еще существует много проблем и задач для дальнейшего развития в области ИИ:

Ценовое преимущество не является выдающимся. : Из предыдущего сравнения данных видно, что преимущество децентрализованной вычислительной сети в стоимости не было отражено. Возможная причина в том, что для профессиональных чипов, таких как H100 и A100, которые пользуются большим спросом, рыночный механизм определяет, что цена этой части оборудования не будет низкой. Кроме того, хотя децентрализованная сеть может собирать простаивающие вычислительные ресурсы, отсутствие экономии масштаба, вызванное децентрализацией, высокие затраты на сеть и полосу пропускания, а также чрезвычайно сложное управление и эксплуатация и обслуживание еще больше увеличат стоимость вычислений.
Особенность обучения ИИ : На текущем этапе обучения ИИ децентрализованным способом существуют огромные технические узкие места. Это узкое место можно интуитивно отразить в рабочем процессе GPU. При обучении больших языковых моделей GPU сначала получает предварительно обработанные пакеты данных и выполняет вычисления прямого распространения и обратного распространения для генерации градиентов. Затем каждый GPU объединяет градиенты и обновляет параметры модели, чтобы гарантировать синхронизацию всех GPU. Этот процесс будет повторяться до тех пор, пока не будут завершены все пакеты обучения или не будет достигнуто предопределенное количество раундов. Этот процесс включает в себя передачу большого объема данных и синхронизацию. Какие стратегии параллельной обработки и синхронизации использовать, как оптимизировать пропускную способность сети и задержку, а также сократить расходы на связь и т. д., пока еще не получили четкого ответа. На данном этапе не очень реалистично использовать децентрализованную вычислительную сеть для обучения ИИ.
Безопасность данных и конфиденциальность : Во время обучения больших языковых моделей все аспекты обработки и передачи данных, такие как распределение данных, обучение модели, агрегация параметров и градиентов, могут повлиять на безопасность и конфиденциальность данных. Кроме того, конфиденциальность данных важнее конфиденциальности модели. Если проблема конфиденциальности данных не может быть решена, невозможно будет по-настоящему масштабировать спрос.

С наиболее реалистичной точки зрения, децентрализованная вычислительная сеть должна учитывать как текущее открытие спроса, так и будущее рыночное пространство. Найдите правильное позиционирование продукта и целевые группы клиентов, например, сначала нацельтесь на проекты, не связанные с ИИ или Web3, начав с относительно маргинальных потребностей и создав раннюю базу пользователей. В то же время продолжайте изучать различные сценарии, сочетающие ИИ и криптовалюту, исследуйте передовые технологии и достигайте трансформации и модернизации услуг.

Рекомендации

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

Эта статья взята из интернета: Рожденные на периферии: как децентрализованная вычислительная сеть расширяет возможности криптовалют и искусственного интеллекта?

По теме: Подробное объяснение последнего проекта Binance Launchpool io.net: объединение глобальных ресурсов GPU для изменения будущего

Первоисточник: Chain Teahouse 1. Введение в проект io.net — это распределенная система GPU на основе Solana, Render, Ray и Filecoin, разработанная для использования распределенных ресурсов GPU для решения вычислительных задач в области искусственного интеллекта и машинного обучения. io.net решает проблему нехватки вычислительных ресурсов путем объединения недоиспользуемых вычислительных ресурсов, таких как независимые центры обработки данных, майнеры криптовалют и избыточные GPU из криптопроектов, таких как Filecoin и Render, что позволяет инженерам получать большие объемы вычислительной мощности в легкодоступной, настраиваемой и недорогой системе. Кроме того, io.net представляет распределенную физическую инфраструктурную сеть (depin), объединяющую ресурсы от различных поставщиков, чтобы инженеры могли получать доступ к огромным объемам вычислительной мощности настраиваемым, экономически эффективным и простым в реализации способом. io cloud теперь имеет более 95 000 GPU и многое другое…