การตีความที่ครอบคลุมของระบบนิเวศการติดตามการคำนวณ DePIN

ผู้เขียนต้นฉบับ: พอล ติโมฟีฟ

ต้นฉบับแปล: TechFlow

ประเด็นที่สำคัญ

• ทรัพยากรคอมพิวเตอร์ได้รับความนิยมเพิ่มมากขึ้นจากการเติบโตของการเรียนรู้ของเครื่องจักรและการเรียนรู้เชิงลึกสำหรับการพัฒนา AI เชิงสร้างสรรค์ ซึ่งทั้งสองอย่างนี้ต้องการเวิร์กโหลดการประมวลผลจำนวนมาก อย่างไรก็ตาม ในขณะที่บริษัทขนาดใหญ่และรัฐบาลต่างสะสมทรัพยากรเหล่านี้ สตาร์ทอัพและนักพัฒนาอิสระกำลังเผชิญกับปัญหาการขาดแคลน GPU ในตลาด ทำให้ทรัพยากรเหล่านี้มีราคาแพงเกินไปและ/หรือไม่สามารถเข้าถึงได้

• การคำนวณ DePIN ช่วยให้สามารถสร้างระบบกระจายอำนาจได้ ตลาด สำหรับทรัพยากรคอมพิวเตอร์ เช่น GPU โดยให้ทุกคนในโลกสามารถเสนออุปทานที่ไม่ได้ใช้งานของตนเพื่อแลกกับรางวัลทางการเงิน ซึ่งมีวัตถุประสงค์เพื่อช่วยให้ผู้บริโภค GPU ที่ไม่ได้รับบริการเพียงพอสามารถเข้าถึงช่องทางการจัดหาใหม่เพื่อรับทรัพยากรการพัฒนาที่พวกเขาต้องการสำหรับเวิร์กโหลดของพวกเขาด้วยต้นทุนและค่าใช้จ่ายที่ลดลง

• DePIN เชิงคำนวณยังคงเผชิญกับความท้าทายทางเศรษฐกิจและทางเทคนิคมากมายในการแข่งขันกับผู้ให้บริการแบบรวมศูนย์แบบดั้งเดิม โดยบางส่วนจะแก้ไขได้เองเมื่อเวลาผ่านไป ในขณะที่บางส่วนจะต้องมีโซลูชันและการปรับแต่งใหม่

การประมวลผลเป็นน้ำมันรูปแบบใหม่

นับตั้งแต่การปฏิวัติอุตสาหกรรม เทคโนโลยีได้ผลักดันมนุษยชาติให้ก้าวไปข้างหน้าอย่างรวดเร็วอย่างไม่เคยมีมาก่อน โดยส่งผลกระทบหรือเปลี่ยนแปลงแทบทุกแง่มุมของชีวิตประจำวันไปอย่างสิ้นเชิง ในที่สุด คอมพิวเตอร์ก็ถือกำเนิดขึ้นจากความพยายามร่วมกันของนักวิจัย นักวิชาการ และวิศวกรคอมพิวเตอร์ คอมพิวเตอร์ได้รับการออกแบบมาเพื่อแก้ปัญหาทางคณิตศาสตร์ขนาดใหญ่สำหรับปฏิบัติการทางทหารขั้นสูง แต่ต่อมาก็พัฒนาจนกลายมาเป็นกระดูกสันหลังของชีวิตสมัยใหม่ ในขณะที่ผลกระทบของคอมพิวเตอร์ที่มีต่อมนุษยชาติยังคงเพิ่มขึ้นอย่างไม่เคยมีมาก่อน ความต้องการเครื่องจักรเหล่านี้และทรัพยากรที่ขับเคลื่อนเครื่องจักรเหล่านี้ก็เพิ่มขึ้นเช่นกัน จนเกินอุปทานที่มีอยู่ ส่งผลให้กลไกของตลาดเปลี่ยนแปลงไป ซึ่งส่งผลให้นักพัฒนาและธุรกิจส่วนใหญ่ไม่สามารถเข้าถึงทรัพยากรสำคัญได้ ทำให้การพัฒนาการเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์ (AI) ซึ่งเป็นหนึ่งในเทคโนโลยีที่เปลี่ยนแปลงชีวิตมากที่สุดในปัจจุบัน ตกอยู่ในมือของผู้เล่นเพียงไม่กี่รายที่มีเงินทุนหนา ในเวลาเดียวกัน อุปทานทรัพยากรคอมพิวเตอร์ที่ไม่ได้ใช้งานจำนวนมากยังนำมาซึ่งโอกาสอันดีในการช่วยบรรเทาความไม่สมดุลระหว่างอุปทานและอุปสงค์ในการประมวลผล ส่งผลให้มีความจำเป็นต้องมีกลไกการประสานงานระหว่างทั้งสองฝ่ายมากขึ้น ดังนั้น เราเชื่อว่าระบบกระจายอำนาจที่ขับเคลื่อนด้วยเทคโนโลยีบล็อคเชนและสินทรัพย์ดิจิทัลมีความจำเป็นสำหรับการพัฒนาผลิตภัณฑ์และบริการ AI เชิงสร้างสรรค์ที่กว้างขึ้น เป็นประชาธิปไตยมากขึ้น และมีความรับผิดชอบมากขึ้น

ทรัพยากรการคำนวณ

การประมวลผลสามารถกำหนดได้ว่าเป็นกิจกรรม แอปพลิเคชัน หรือเวิร์กโหลดใดๆ ที่คอมพิวเตอร์สร้างเอาต์พุตที่กำหนดไว้อย่างชัดเจนโดยอิงจากอินพุตที่กำหนด ในท้ายที่สุดแล้ว จะหมายถึง พลังการคำนวณและการประมวลผลของคอมพิวเตอร์ ซึ่งเป็นยูทิลิตี้หลักของเครื่องจักรเหล่านี้ ขับเคลื่อนหลายส่วนของโลกยุคใหม่และสร้าง รายได้มหาศาลถึง $1.1 ล้านล้าน ในช่วงปีที่ผ่านมาเพียงปีเดียว

ทรัพยากรการคำนวณหมายถึงฮาร์ดแวร์และส่วนประกอบซอฟต์แวร์ต่างๆ ที่ทำให้การคำนวณและการประมวลผลเป็นไปได้ เนื่องจากจำนวนแอปพลิเคชันและฟังก์ชันที่เปิดใช้งานเพิ่มขึ้นอย่างต่อเนื่อง ส่วนประกอบเหล่านี้จึงมีความสำคัญและปรากฏอยู่ในชีวิตประจำวันของผู้คนมากขึ้นเรื่อยๆ ส่งผลให้เกิดการแข่งขันกันระหว่างมหาอำนาจระดับชาติและธุรกิจต่างๆ เพื่อสะสมทรัพยากรเหล่านี้ให้ได้มากที่สุดเท่าที่จะเป็นไปได้เพื่อความอยู่รอด ซึ่งสะท้อนให้เห็นได้จากผลงานทางการตลาดของบริษัทที่จัดหาทรัพยากรเหล่านี้ (เช่น Nvidia ซึ่งมีมูลค่าทางการตลาดเพิ่มขึ้นมากกว่า 30,00% ในช่วง 5 ปีที่ผ่านมา)

จีพียู

GPU เป็นหนึ่งในทรัพยากรที่สำคัญที่สุดในการประมวลผลประสิทธิภาพสูงสมัยใหม่ หน้าที่หลักของ GPU คือการทำหน้าที่เป็นวงจรพิเศษที่เร่งความเร็วเวิร์กโหลดกราฟิกคอมพิวเตอร์ผ่านการประมวลผลแบบขนาน เดิมที GPU ทำหน้าที่ให้บริการอุตสาหกรรมเกมและพีซี แต่ปัจจุบันได้มีการพัฒนาเพื่อรองรับเทคโนโลยีใหม่ๆ มากมายที่กำลังกำหนดอนาคตของโลกของเรา (เช่น คอนโซลและพีซี อุปกรณ์พกพา คลาวด์คอมพิวติ้ง IoT) อย่างไรก็ตาม ความต้องการทรัพยากรเหล่านี้ได้รับการส่งเสริมโดยเฉพาะอย่างยิ่งจากการเพิ่มขึ้นของการเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์ โดยการคำนวณแบบขนานทำให้ GPU เร่งการทำงานของ ML และ AI ส่งผลให้พลังการประมวลผลและความสามารถของเทคโนโลยีที่เกิดขึ้นเพิ่มขึ้น

การเพิ่มขึ้นของ AI

แก่นแท้ของ AI คือ ทำให้คอมพิวเตอร์และเครื่องจักรสามารถจำลองสติปัญญาและความสามารถในการแก้ปัญหาของมนุษย์ได้ โมเดล AI ในรูปแบบของเครือข่ายประสาทเทียมประกอบด้วยข้อมูลหลายชิ้นที่แตกต่างกัน โมเดลนี้ต้องใช้พลังการประมวลผลเพื่อระบุและเรียนรู้ความสัมพันธ์ระหว่างข้อมูลเหล่านี้ จากนั้นจึงอ้างอิงความสัมพันธ์เหล่านี้เมื่อสร้างเอาต์พุตตามอินพุตที่กำหนด

แม้ว่าความเชื่อที่เป็นที่นิยมจะแพร่หลาย แต่การพัฒนาและการผลิต AI ไม่ใช่เรื่องใหม่ ในปี 1967 แฟรงก์ โรเซนแบลตต์ได้สร้าง Mark 1 Perceptron ซึ่งเป็นคอมพิวเตอร์ที่ใช้เครือข่ายประสาทเทียมเครื่องแรกที่ "เรียนรู้" ผ่านการลองผิดลองถูก นอกจากนี้ งานวิจัยทางวิชาการจำนวนมากที่วางรากฐานสำหรับการพัฒนา AI ตามที่เรารู้จักกันในปัจจุบัน ได้รับการตีพิมพ์ในช่วงปลายทศวรรษปี 1990 และต้นทศวรรษปี 2000 และอุตสาหกรรมก็ยังคงเติบโตอย่างต่อเนื่องนับตั้งแต่นั้นเป็นต้นมา

นอกเหนือจากความพยายามด้าน RD แล้ว โมเดล AI แบบ "แคบ" ยังถูกนำไปใช้งานในแอปพลิเคชันอันทรงพลังต่างๆ ที่ใช้ในปัจจุบัน ตัวอย่าง ได้แก่ อัลกอริธึมโซเชียลมีเดีย เช่น Siri ของ Apple และ Alexa ของ Amazon คำแนะนำผลิตภัณฑ์ที่กำหนดเอง และอื่นๆ สิ่งที่น่าสังเกตคือ การเพิ่มขึ้นของการเรียนรู้เชิงลึกได้เปลี่ยนแปลงการพัฒนาปัญญาประดิษฐ์เชิงสร้างสรรค์ (AGI) อัลกอริธึมการเรียนรู้เชิงลึกใช้เครือข่ายประสาทเทียมที่ใหญ่กว่าหรือ "ลึกกว่า" มากกว่าแอปพลิเคชันการเรียนรู้ของเครื่องจักร ซึ่งเป็นทางเลือกที่ปรับขนาดได้และมีความยืดหยุ่นมากกว่า โมเดล AI เชิงสร้างสรรค์ "เข้ารหัสการแสดงข้อมูลการฝึกอบรมแบบง่าย และอ้างอิงถึงข้อมูลดังกล่าวเพื่อส่งเอาต์พุตใหม่ที่คล้ายกันแต่ไม่เหมือนกัน"

การเรียนรู้เชิงลึกช่วยให้นักพัฒนาสามารถปรับขนาดโมเดล AI เชิงสร้างสรรค์ให้กับรูปภาพ คำพูด และประเภทข้อมูลที่ซับซ้อนอื่นๆ ได้ และในขณะที่แอปสำคัญอย่าง ChatGPT ซึ่งมีผู้ใช้เติบโตรวดเร็วที่สุดในยุคปัจจุบันนั้น เป็นเพียงจุดเริ่มต้นของสิ่งที่เป็นไปได้ด้วย AI เชิงสร้างสรรค์และการเรียนรู้เชิงลึก

เมื่อคำนึงถึงสิ่งนี้ จึงไม่น่าแปลกใจที่การพัฒนา AI เชิงสร้างสรรค์ต้องเกี่ยวข้องกับเวิร์กโหลดที่ต้องใช้การคำนวณจำนวนมากซึ่งต้องใช้พลังการประมวลผลและพลังการประมวลผลจำนวนมาก

ตาม ความต้องการแอปพลิเคชันการเรียนรู้เชิงลึกทั้งสามประการ การพัฒนาแอปพลิเคชัน AI ถูกจำกัดด้วยภาระงานหลักหลายประการ

• การฝึกอบรม – โมเดลจะต้องประมวลผลและวิเคราะห์ชุดข้อมูลขนาดใหญ่เพื่อเรียนรู้วิธีตอบสนองต่ออินพุตที่กำหนดให้

• การปรับแต่ง – โมเดลนี้จะดำเนินการผ่านกระบวนการวนซ้ำหลายชุดโดยที่ไฮเปอร์พารามิเตอร์ต่างๆ จะได้รับการปรับแต่งและเพิ่มประสิทธิภาพเพื่อปรับปรุงประสิทธิภาพและคุณภาพ

• การจำลอง – ก่อนที่จะใช้งาน โมเดลบางรุ่น เช่น อัลกอริทึมการเรียนรู้การเสริมแรง จะต้องผ่านการจำลองชุดหนึ่งเพื่อทำการทดสอบ

วิกฤตการคำนวณ: อุปสงค์สูงเกินกว่าอุปทาน

ในช่วงไม่กี่ทศวรรษที่ผ่านมา ความก้าวหน้าทางเทคโนโลยีมากมายส่งผลให้ความต้องการพลังการประมวลผลและการคำนวณเพิ่มสูงขึ้นอย่างไม่เคยปรากฏมาก่อน ส่งผลให้ในปัจจุบัน ความต้องการทรัพยากรการประมวลผล เช่น GPU สูงเกินกว่าอุปทานที่มีอยู่มาก ส่งผลให้เกิดปัญหาคอขวดในการพัฒนา AI ซึ่งจะยิ่งเพิ่มขึ้นเรื่อยๆ หากไม่มีโซลูชันที่มีประสิทธิภาพ

ข้อจำกัดที่กว้างขึ้นในการจัดหาได้รับการสนับสนุนเพิ่มเติมโดยบริษัทจำนวนมากที่ซื้อ GPU เกินความต้องการจริงทั้งในฐานะข้อได้เปรียบในการแข่งขันและเพื่อเป็นหนทางในการอยู่รอดในเศรษฐกิจโลกยุคใหม่ ผู้ให้บริการคอมพิวเตอร์มักใช้โครงสร้างสัญญาที่ต้องมีภาระผูกพันด้านทุนระยะยาว ทำให้ลูกค้าสามารถจัดหาได้เกินความต้องการ

การวิจัยของเอพอค แสดงให้เห็นว่าจำนวนรวมของโมเดล AI ที่ใช้การประมวลผลเข้มข้นที่เผยแพร่กำลังเพิ่มขึ้นอย่างรวดเร็ว ซึ่งบ่งชี้ว่าความต้องการทรัพยากรที่ขับเคลื่อนเทคโนโลยีเหล่านี้จะยังคงเพิ่มขึ้นอย่างรวดเร็วต่อไป

เนื่องจากความซับซ้อนของโมเดล AI เพิ่มมากขึ้น ความต้องการพลังการประมวลผลและการคำนวณของนักพัฒนาแอปพลิเคชันก็จะเพิ่มขึ้นตามไปด้วย ในทางกลับกัน ประสิทธิภาพของ GPU และความพร้อมใช้งานในเวลาต่อมาจะมีบทบาทสำคัญเพิ่มมากขึ้น ซึ่งสิ่งนี้เริ่มเกิดขึ้นแล้ว เนื่องจากความต้องการ GPU ระดับไฮเอนด์ เช่น GPU ที่ผลิตโดย Nvidia ยกย่อง GPU ว่าเป็น "โลหะหายาก" หรือ "ทองคำ" ของอุตสาหกรรม AI

การนำ AI ไปใช้ในเชิงพาณิชย์อย่างรวดเร็วมีศักยภาพที่จะควบคุมโดยบริษัทเทคโนโลยียักษ์ใหญ่เพียงไม่กี่แห่ง คล้ายกับอุตสาหกรรมโซเชียลมีเดียในปัจจุบัน ซึ่งทำให้เกิดข้อกังวลเกี่ยวกับรากฐานทางจริยธรรมของโมเดลเหล่านี้ ตัวอย่างที่น่าสังเกตคือความขัดแย้งล่าสุดเกี่ยวกับ Google Gemini แม้ว่าการตอบสนองต่อคำกระตุ้นต่างๆ ที่แปลกประหลาดของ Google จะไม่ได้ก่อให้เกิดอันตรายที่แท้จริงในขณะนั้น แต่เหตุการณ์ดังกล่าวแสดงให้เห็นถึงความเสี่ยงโดยธรรมชาติของบริษัทไม่กี่แห่งที่ครอบงำและควบคุมการพัฒนา AI

สตาร์ทอัพด้านเทคโนโลยีในปัจจุบันเผชิญกับความท้าทายที่เพิ่มมากขึ้นในการจัดหาทรัพยากรคอมพิวเตอร์เพื่อขับเคลื่อนโมเดล AI แอปพลิเคชันเหล่านี้ดำเนินการขั้นตอนการคำนวณที่เข้มข้นมากมายก่อนที่จะนำโมเดลไปใช้งาน สำหรับธุรกิจขนาดเล็ก การรวบรวม GPU จำนวนมากถือเป็นความพยายามที่ไม่ยั่งยืนนัก และในขณะที่บริการคลาวด์คอมพิวติ้งแบบดั้งเดิม เช่น AWS หรือ Google Cloud มอบประสบการณ์สำหรับนักพัฒนาที่ราบรื่นและสะดวกสบาย แต่ความจุที่จำกัดของบริการเหล่านี้ส่งผลให้มีค่าใช้จ่ายสูงในที่สุด ซึ่งทำให้ผู้พัฒนาจำนวนมากไม่สามารถจ่ายได้ ในที่สุด ไม่ใช่ทุกคนจะสามารถคิด $7 ล้านล้านได้ เพื่อครอบคลุมต้นทุนด้านฮาร์ดแวร์ของพวกเขา

แล้วสาเหตุคืออะไรล่ะ?

เอ็นวิเดีย ครั้งหนึ่งมีการประมาณ มีบริษัทมากกว่า 40,000 แห่งทั่วโลกที่ใช้ GPU สำหรับ AI และการประมวลผลเร่งความเร็ว โดยมีชุมชนนักพัฒนามากกว่า 4 ล้านคน เมื่อมองไปข้างหน้า คาดว่าตลาด AI ทั่วโลก ที่จะเติบโตจาก $515 พันล้านในปี 2023 เป็น $2.74 ล้านล้านในปี 2032 โดยมีอัตราการเติบโตเฉลี่ยต่อปีอยู่ที่ 20.4% ในเวลาเดียวกัน ตลาดจีพียู คาดว่าจะสูงถึง $400 พันล้านในปี 2032 โดยมีอัตราการเติบโตเฉลี่ยต่อปีอยู่ที่ 25%

อย่างไรก็ตาม ความไม่สมดุลที่เพิ่มขึ้นระหว่างอุปทานและอุปสงค์ของทรัพยากรคอมพิวเตอร์อันเป็นผลจากการปฏิวัติ AI อาจสร้างอนาคตที่แสนเพ้อฝันซึ่งบริษัทยักษ์ใหญ่เพียงไม่กี่แห่งที่มีเงินทุนหนาจะเข้ามาครอบงำการพัฒนาเทคโนโลยีที่เปลี่ยนแปลงโลก ดังนั้น เราเชื่อว่าทุกเส้นทางนำไปสู่โซลูชันทางเลือกแบบกระจายอำนาจเพื่อช่วยเชื่อมช่องว่างระหว่างความต้องการของนักพัฒนา AI และทรัพยากรที่มีอยู่

บทบาทของ DePIN

DePINs คืออะไร?

DePIN เป็นคำศัพท์ที่คิดขึ้นโดยทีมวิจัย Messari ซึ่งย่อมาจาก Decentralized Physical Infrastructure Network โดยเฉพาะอย่างยิ่ง Decentralized หมายถึงไม่มีหน่วยงานใดหน่วยงานหนึ่งทำหน้าที่เรียกเก็บค่าเช่าและจำกัดการเข้าถึง ในขณะที่โครงสร้างพื้นฐานทางกายภาพหมายถึงทรัพยากรทางกายภาพ "ในชีวิตจริง" ที่ถูกใช้ประโยชน์ เครือข่ายหมายถึงกลุ่มผู้เข้าร่วมที่ทำงานร่วมกันเพื่อบรรลุเป้าหมายที่กำหนดไว้ล่วงหน้าหรือชุดเป้าหมาย ปัจจุบัน มูลค่าตลาดรวมของ DePIN คือประมาณ $28.3 พันล้าน .

หัวใจหลักของ DePINs คือเครือข่ายโหนดทั่วโลกที่เชื่อมต่อทรัพยากรโครงสร้างพื้นฐานทางกายภาพกับบล็อคเชนเพื่อสร้างตลาดแบบกระจายอำนาจที่เชื่อมโยงผู้ซื้อและซัพพลายเออร์ของทรัพยากร ซึ่งทุกคนสามารถเป็นซัพพลายเออร์และรับเงินสำหรับบริการและการสนับสนุนมูลค่าให้กับเครือข่ายได้ ในกรณีนี้ ตัวกลางกลางที่จำกัดการเข้าถึงเครือข่ายผ่านวิธีการทางกฎหมายและข้อบังคับต่างๆ และค่าบริการจะถูกแทนที่ด้วยโปรโตคอลแบบกระจายอำนาจที่ประกอบด้วยสัญญาอัจฉริยะและรหัส ซึ่งควบคุมโดยผู้ถือโทเค็นที่เกี่ยวข้อง

คุณค่าของ DePINs คือการที่ DePINs มอบทางเลือกแบบกระจายอำนาจ เข้าถึงได้ ต้นทุนต่ำ และปรับขนาดได้ให้กับเครือข่ายทรัพยากรและผู้ให้บริการแบบดั้งเดิม DePINs ช่วยให้ตลาดแบบกระจายอำนาจสามารถตอบสนองเป้าหมายเฉพาะได้ ต้นทุนของสินค้าและบริการถูกกำหนดโดยพลวัตของตลาด และทุกคนสามารถเข้าร่วมได้ตลอดเวลา ส่งผลให้ต้นทุนต่อหน่วยลดลงตามธรรมชาติเนื่องจากจำนวนซัพพลายเออร์ที่เพิ่มขึ้นและอัตรากำไรที่ลดลง

การใช้บล็อคเชนช่วยให้ DePIN สามารถสร้างระบบสร้างแรงจูงใจทางเศรษฐกิจแบบเข้ารหัสซึ่งช่วยให้มั่นใจได้ว่าผู้เข้าร่วมเครือข่ายจะได้รับค่าตอบแทนที่เหมาะสมสำหรับบริการของตน ทำให้ผู้ให้บริการมูลค่าหลักกลายเป็นผู้ถือผลประโยชน์ อย่างไรก็ตาม สิ่งสำคัญคือต้องทราบว่าผลกระทบของเครือข่ายซึ่งได้รับจากการเปลี่ยนเครือข่ายส่วนบุคคลขนาดเล็กให้กลายเป็นระบบที่ใหญ่ขึ้นและมีประสิทธิภาพมากขึ้นเป็นกุญแจสำคัญในการตระหนักถึงประโยชน์มากมายของ DePIN นอกจากนี้ แม้ว่ารางวัลโทเค็นจะพิสูจน์แล้วว่าเป็นเครื่องมือที่มีประสิทธิภาพสำหรับกลไกการบูตสแตรปเครือข่าย แต่การสร้างแรงจูงใจที่ยั่งยืนเพื่อช่วยในการรักษาผู้ใช้และการนำไปใช้ในระยะยาวยังคงเป็นความท้าทายที่สำคัญในพื้นที่ DePIN ที่กว้างขึ้น

DePINs ทำงานอย่างไร?

เพื่อให้เข้าใจคุณค่าของ DePIN ในการเปิดใช้งานตลาดคอมพิวเตอร์แบบกระจายอำนาจได้ดียิ่งขึ้น จำเป็นต้องเข้าใจองค์ประกอบโครงสร้างต่างๆ ที่เกี่ยวข้องและวิธีที่องค์ประกอบเหล่านี้ทำงานร่วมกันเพื่อสร้างเครือข่ายทรัพยากรแบบกระจายอำนาจ มาพิจารณาโครงสร้างและผู้เข้าร่วมของ DePIN กัน

โปรโตคอล

โปรโตคอลแบบกระจายอำนาจ ซึ่งเป็นชุดของสัญญาอัจฉริยะที่สร้างขึ้นบนเครือข่ายบล็อคเชนชั้นพื้นฐาน จะถูกใช้เพื่ออำนวยความสะดวกในการโต้ตอบแบบไม่ต้องไว้วางใจระหว่างผู้เข้าร่วมเครือข่าย โดยในอุดมคติ โปรโตคอลควรได้รับการควบคุมโดยผู้มีส่วนได้ส่วนเสียที่หลากหลายซึ่งมุ่งมั่นอย่างแข็งขันในการมีส่วนสนับสนุนต่อความสำเร็จในระยะยาวของเครือข่าย จากนั้นผู้มีส่วนได้ส่วนเสียเหล่านี้จะใช้ส่วนแบ่งของโทเค็นโปรโตคอลเพื่อลงคะแนนเสียงเกี่ยวกับการเปลี่ยนแปลงและการพัฒนาที่เสนอให้กับ DePIN เนื่องจากการประสานงานเครือข่ายแบบกระจายอำนาจให้ประสบความสำเร็จนั้นเป็นความท้าทายที่ยิ่งใหญ่ในตัวเอง ทีมงานหลักจึงมักจะยังคงมีอำนาจในการนำการเปลี่ยนแปลงเหล่านี้ไปใช้ในขั้นต้น จากนั้นจึงโอนอำนาจให้กับองค์กรอิสระแบบกระจายอำนาจ (DAO)

ผู้เข้าร่วมเครือข่าย

ผู้ใช้ปลายทางของเครือข่ายทรัพยากรคือผู้มีส่วนร่วมที่มีคุณค่ามากที่สุดและสามารถแบ่งประเภทตามฟังก์ชันของพวกเขาได้

• ผู้จัดหา :บุคคลหรือหน่วยงานที่จัดหาทรัพยากรให้กับเครือข่ายเพื่อแลกกับรางวัลทางการเงินที่จ่ายเป็นโทเค็นดั้งเดิมของ DePIN ซัพพลายเออร์จะ "เชื่อมต่อ" กับเครือข่ายผ่านโปรโตคอลดั้งเดิมของบล็อคเชน ซึ่งอาจบังคับใช้กระบวนการไวท์ลิสต์บนเชนหรือกระบวนการที่ไม่ต้องขออนุญาต ด้วยการรับโทเค็น ซัพพลายเออร์จะได้รับส่วนแบ่งในเครือข่าย ซึ่งคล้ายกับผู้ถือผลประโยชน์ในบริบทของการเป็นเจ้าของหุ้น ทำให้พวกเขาสามารถลงคะแนนเสียงเกี่ยวกับข้อเสนอและการพัฒนาต่างๆ ของเครือข่าย เช่น ข้อเสนอที่พวกเขาเชื่อว่าจะช่วยกระตุ้นอุปสงค์และมูลค่าเครือข่าย จึงทำให้ราคาโทเค็นสูงขึ้นเมื่อเวลาผ่านไป แน่นอนว่าซัพพลายเออร์ที่ได้รับโทเค็นอาจใช้ DePIN เป็นรูปแบบหนึ่งของรายได้แบบพาสซีฟและขายหลังจากได้รับโทเค็น

• ผู้บริโภค :บุคคลหรือหน่วยงานเหล่านี้กำลังแสวงหาทรัพยากรที่จัดทำโดย DePIN เช่น สตาร์ทอัพด้าน AI ที่ต้องการ GPU ซึ่งเป็นตัวแทนของความต้องการด้านเศรษฐกิจ ผู้บริโภคจะสนใจใช้ DePIN หากการใช้ DePIN มีข้อได้เปรียบที่แท้จริงเหนือการใช้ทางเลือกแบบดั้งเดิม (เช่น ต้นทุนที่ต่ำกว่าและข้อกำหนดด้านค่าใช้จ่ายเบื้องต้น) จึงแสดงถึงความต้องการทางธรรมชาติสำหรับเครือข่าย โดยทั่วไป DePIN จะกำหนดให้ผู้บริโภคจ่ายเงินสำหรับทรัพยากรในโทเค็นดั้งเดิมเพื่อสร้างมูลค่าและรักษาเสถียรภาพของกระแสเงินสด

ทรัพยากร

DePINs สามารถรองรับตลาดที่หลากหลายและนำเอารูปแบบธุรกิจที่แตกต่างกันมาใช้เพื่อจัดสรรทรัพยากร Blockworks เป็นกรอบงานที่ดี : ฮาร์ดแวร์ที่กำหนดเอง DePINs ซึ่งจัดหาฮาร์ดแวร์เฉพาะที่เป็นกรรมสิทธิ์สำหรับผู้จำหน่ายเพื่อจัดจำหน่าย; ฮาร์ดแวร์ทั่วไป DePIN ซึ่งช่วยให้สามารถแจกจ่ายทรัพยากรที่ไม่ได้ใช้งานที่มีอยู่ได้ รวมถึงแต่ไม่จำกัดเพียงการประมวลผล การจัดเก็บ และแบนด์วิดท์

แบบจำลองทางเศรษฐกิจ

ในการดำเนินการ DePIN อย่างเหมาะสม มูลค่าจะมาจากรายได้ที่ผู้บริโภคจ่ายให้กับทรัพยากรของซัพพลายเออร์ ความต้องการเครือข่ายที่ต่อเนื่องหมายถึงความต้องการโทเค็นดั้งเดิมที่ต่อเนื่อง ซึ่งสอดคล้องกับแรงจูงใจทางเศรษฐกิจของซัพพลายเออร์และผู้ถือโทเค็น การสร้างอุปสงค์อินทรีย์ที่ยั่งยืนในช่วงเริ่มต้นถือเป็นความท้าทายสำหรับสตาร์ทอัพส่วนใหญ่ ซึ่งเป็นสาเหตุที่ DePIN เสนอแรงจูงใจโทเค็นที่เพิ่มอัตราเงินเฟ้อเพื่อจูงใจซัพพลายเออร์ในช่วงเริ่มต้นและเริ่มต้นการจัดหาเครือข่ายเป็นวิธีการสร้างอุปสงค์และด้วยเหตุนี้จึงเริ่มต้นการจัดหาที่เป็นธรรมชาติมากขึ้น ซึ่งคล้ายกับวิธีที่บริษัทเงินทุนเสี่ยงอุดหนุนค่าโดยสารในช่วงเริ่มต้นของ Uber เพื่อเริ่มต้นฐานลูกค้าเริ่มต้นเพื่อดึงดูดคนขับเพิ่มเติมและปรับปรุงเอฟเฟกต์ของเครือข่าย

DePINs จำเป็นต้องจัดการแรงจูงใจในการใช้โทเค็นอย่างมีกลยุทธ์มากที่สุด เนื่องจากแรงจูงใจเหล่านี้มีบทบาทสำคัญในการประสบความสำเร็จโดยรวมของเครือข่าย เมื่อความต้องการและรายได้จากเครือข่ายเพิ่มขึ้น การออกโทเค็นควรลดลง ในทางกลับกัน เมื่อความต้องการและรายได้ลดลง การออกโทเค็นควรถูกนำมาใช้ใหม่อีกครั้งเพื่อจูงใจให้มีอุปทานเพิ่มขึ้น

เพื่อแสดงภาพเพิ่มเติมว่าเครือข่าย DePIN ที่ประสบความสำเร็จควรมีลักษณะอย่างไร โปรดพิจารณา “ มู่เล่ DePIN วงจรป้อนกลับเชิงบวกที่ชี้นำ DePINs นี่คือสรุป:

• DePIN แจกจ่ายรางวัลโทเค็นเงินเฟ้อเพื่อสร้างแรงจูงใจให้ผู้ให้บริการจัดเตรียมทรัพยากรให้กับเครือข่ายและจัดตั้งระดับอุปทานพื้นฐานที่พร้อมสำหรับการบริโภค

• เมื่อจำนวนซัพพลายเออร์เริ่มเพิ่มขึ้น การแข่งขันก็จะเริ่มก่อตัวขึ้นในเครือข่าย ทำให้คุณภาพโดยรวมของสินค้าและบริการที่เครือข่ายให้บริการดีขึ้น จนกระทั่งเครือข่ายให้บริการที่เหนือกว่าโซลูชันในตลาดที่มีอยู่ จึงได้เปรียบทางการแข่งขัน ซึ่งหมายความว่าระบบแบบกระจายอำนาจจะเหนือกว่าผู้ให้บริการแบบรวมศูนย์แบบเดิม ซึ่งไม่ใช่เรื่องง่ายเลย

• ความต้องการ DePIN ในรูปแบบออร์แกนิกเริ่มเพิ่มขึ้น ส่งผลให้มีกระแสเงินสดที่ถูกต้องตามกฎหมายแก่ซัพพลายเออร์ ซึ่งถือเป็นโอกาสอันน่าสนใจสำหรับนักลงทุนและซัพพลายเออร์ที่จะผลักดันความต้องการเครือข่ายและราคาโทเค็นต่อไป

• การเติบโตของราคาโทเค็นจะเพิ่มรายได้ให้กับซัพพลายเออร์ ดึงดูดซัพพลายเออร์เข้ามามากขึ้น และเริ่มวงจรใหม่อีกครั้ง

กรอบงานนี้เสนอแนวทางกลยุทธ์การเติบโตที่น่าสนใจ แต่ที่สำคัญคือต้องสังเกตว่ากรอบงานนี้เป็นเพียงเชิงทฤษฎีเป็นส่วนใหญ่ และถือว่าทรัพยากรที่เครือข่ายจัดให้มีความน่าดึงดูดใจในการแข่งขันอย่างต่อเนื่อง

การคำนวณ DePINs

ตลาดคอมพิวเตอร์แบบกระจายอำนาจเป็นส่วนหนึ่งของการเคลื่อนไหวที่กว้างขึ้นที่เรียกว่า “เศรษฐกิจแบบแบ่งปัน” ซึ่งเป็นระบบเศรษฐกิจแบบเพียร์ทูเพียร์ที่ผู้บริโภคแบ่งปันสินค้าและบริการโดยตรงกับผู้บริโภคคนอื่นๆ ผ่านแพลตฟอร์มออนไลน์ โมเดลนี้ซึ่งริเริ่มโดยบริษัทต่างๆ เช่น eBay และปัจจุบันถูกครอบงำโดยบริษัทต่างๆ เช่น Airbnb และ Uber ในที่สุดก็พร้อมที่จะสร้างความเปลี่ยนแปลงในขณะที่เทคโนโลยีแห่งการเปลี่ยนแปลงรุ่นต่อไปกำลังแผ่ขยายไปทั่วตลาดทั่วโลก มีมูลค่า $150 พันล้านในปี 2023 และ คาดว่าจะเติบโตถึงเกือบ $800 พันล้านภายในปี 2031 เศรษฐกิจการแบ่งปันแสดงให้เห็นแนวโน้มที่กว้างขึ้นในพฤติกรรมผู้บริโภคซึ่งเราเชื่อว่า DePINs จะได้รับประโยชน์และมีบทบาทสำคัญในนั้น

พื้นฐาน

Compute DePINs เป็นเครือข่ายแบบเพียร์ทูเพียร์ที่ช่วยอำนวยความสะดวกในการจัดสรรทรัพยากรคอมพิวเตอร์โดยเชื่อมต่อซัพพลายเออร์และผู้ซื้อผ่านตลาดแบบกระจายอำนาจ สิ่งที่ทำให้เครือข่ายเหล่านี้แตกต่างไปจากเครือข่ายอื่นๆ คือการเน้นที่ทรัพยากรฮาร์ดแวร์ทั่วไป ซึ่งปัจจุบันอยู่ในมือของผู้คนจำนวนมากแล้ว ดังที่เราได้กล่าวไปแล้ว การถือกำเนิดของการเรียนรู้เชิงลึกและปัญญาประดิษฐ์เชิงสร้างสรรค์ทำให้ความต้องการพลังการประมวลผลเพิ่มสูงขึ้นเนื่องจากภาระงานที่ต้องใช้ทรัพยากรจำนวนมาก ทำให้เกิดคอขวดในการเข้าถึงทรัพยากรที่สำคัญสำหรับการพัฒนาปัญญาประดิษฐ์ กล่าวอย่างง่ายๆ ตลาดคอมพิวเตอร์แบบกระจายอำนาจมุ่งหวังที่จะบรรเทาปัญหาคอขวดเหล่านี้โดยการสร้างกระแสอุปทานใหม่ที่ครอบคลุมทั่วโลกและทุกคนสามารถมีส่วนร่วมได้

ใน Computing DePINs บุคคลหรือหน่วยงานใดๆ สามารถให้ยืมทรัพยากรที่ไม่ได้ใช้ได้ตลอดเวลาและรับค่าตอบแทนที่เหมาะสม ในเวลาเดียวกัน บุคคลหรือหน่วยงานใดๆ ก็สามารถได้รับทรัพยากรที่จำเป็นจากเครือข่ายทั่วโลกที่ไม่ต้องขออนุญาตด้วยต้นทุนที่ต่ำกว่าและมีความยืดหยุ่นมากกว่าผลิตภัณฑ์ในตลาดที่มีอยู่ ดังนั้น เราจึงสามารถอธิบายถึงผู้เข้าร่วมใน Computing DePINs ผ่านกรอบเศรษฐกิจที่เรียบง่าย:

• ผู้จัดหา :บุคคลหรือหน่วยงานที่เป็นเจ้าของทรัพยากรคอมพิวเตอร์และเต็มใจที่จะให้ยืมหรือขายทรัพยากรดังกล่าวเพื่อแลกกับเงินอุดหนุน

• ดีมานเดอร์ :บุคคลหรือองค์กรที่ต้องการทรัพยากรคอมพิวเตอร์และเต็มใจที่จะจ่ายราคาเพื่อให้ได้มาซึ่งทรัพยากรดังกล่าว

ประโยชน์หลักของการคำนวณ DePINs

Compute DePINs นำเสนอข้อดีหลายประการที่ทำให้เป็นทางเลือกที่น่าสนใจสำหรับผู้ให้บริการแบบรวมศูนย์และตลาดออนไลน์ ประการแรก การเปิดใช้งานการมีส่วนร่วมในตลาดข้ามพรมแดนโดยไม่ต้องขออนุญาตจะช่วยปลดล็อกแหล่งอุปทานใหม่ ซึ่งจะเพิ่มจำนวนทรัพยากรสำคัญที่จำเป็นสำหรับเวิร์กโหลดที่ต้องใช้การประมวลผลอย่างหนัก Compute DePIN มุ่งเน้นไปที่ทรัพยากรฮาร์ดแวร์ที่คนส่วนใหญ่มีอยู่แล้ว ใครก็ตามที่มีพีซีสำหรับเล่นเกมก็มี GPU ที่สามารถให้เช่าได้อยู่แล้ว ซึ่งจะช่วยขยายขอบเขตของนักพัฒนาและทีมงานที่จะเข้ามามีส่วนร่วมในการสร้างสินค้าและบริการรุ่นต่อไป ซึ่งจะส่งผลดีต่อผู้คนทั่วโลกมากขึ้น

หากมองไปไกลกว่านั้น โครงสร้างพื้นฐานของบล็อคเชนที่รองรับ DePINs จะมอบระบบการชำระเงินที่มีประสิทธิภาพและปรับขนาดได้เพื่ออำนวยความสะดวกในการชำระเงินจำนวนไมโครที่จำเป็นสำหรับธุรกรรมแบบเพียร์ทูเพียร์ สินทรัพย์ทางการเงินที่เป็นสกุลเงินดิจิทัล (โทเค็น) มอบหน่วยมูลค่าที่ใช้ร่วมกันซึ่งผู้เข้าร่วมด้านอุปสงค์ใช้เพื่อจ่ายให้กับซัพพลายเออร์ โดยปรับแรงจูงใจทางเศรษฐกิจให้สอดคล้องกับกลไกการจัดจำหน่ายที่สอดคล้องกับเศรษฐกิจที่มีการโลกาภิวัตน์เพิ่มมากขึ้นในปัจจุบัน เมื่ออ้างอิงถึงกลไก DePIN ที่เราสร้างขึ้นก่อนหน้านี้ การจัดการแรงจูงใจทางเศรษฐกิจอย่างมีกลยุทธ์นั้นมีประโยชน์อย่างมากในการเพิ่มผลกระทบของเครือข่าย DePIN (ทั้งด้านอุปทานและอุปสงค์) ซึ่งจะเพิ่มการแข่งขันระหว่างซัพพลายเออร์ พลวัตนี้ช่วยลดต้นทุนต่อหน่วยในขณะที่ปรับปรุงคุณภาพบริการ สร้างข้อได้เปรียบในการแข่งขันที่ยั่งยืนสำหรับ DePIN ซึ่งซัพพลายเออร์จะได้รับประโยชน์ในฐานะผู้ถือโทเค็นและผู้ให้มูลค่าสำคัญ

DePINs มีลักษณะคล้ายกับผู้ให้บริการระบบคลาวด์คอมพิวติ้งในประสบการณ์ผู้ใช้ที่ยืดหยุ่นซึ่งพวกเขาตั้งใจจะมอบให้ โดยสามารถเข้าถึงทรัพยากรและชำระเงินได้ตามต้องการ โดยอ้างอิงถึง การวิจัยแกรนด์วิว ส พยากรณ์ คาดว่าขนาดตลาดการประมวลผลบนคลาวด์ทั่วโลกจะเติบโตในอัตราการเติบโตต่อปีแบบทบต้นที่ 21.2% จนไปถึงมากกว่า $2.4 ล้านล้านในปี 2030 ซึ่งแสดงให้เห็นถึงความเป็นไปได้ของรูปแบบธุรกิจดังกล่าวในบริบทของการเติบโตในอนาคตของความต้องการทรัพยากรการประมวลผล แพลตฟอร์มการประมวลผลบนคลาวด์ที่ทันสมัยใช้เซิร์ฟเวอร์ส่วนกลางในการจัดการการสื่อสารทั้งหมดระหว่างอุปกรณ์ไคลเอนต์และเซิร์ฟเวอร์ ซึ่งทำให้เกิดจุดล้มเหลวเพียงจุดเดียวในการดำเนินงาน อย่างไรก็ตาม การสร้างบนบล็อคเชนช่วยให้ DePIN สามารถต้านทานการเซ็นเซอร์และความยืดหยุ่นได้มากกว่าผู้ให้บริการแบบดั้งเดิม การโจมตีองค์กรหรือเอนทิตีเดียว (เช่น ผู้ให้บริการคลาวด์ส่วนกลาง) จะทำให้เครือข่ายทรัพยากรพื้นฐานทั้งหมดเสียหาย และ DePIN ได้รับการออกแบบมาเพื่อต้านทานเหตุการณ์ดังกล่าวผ่านลักษณะการกระจายตัว ประการแรก บล็อคเชนเองเป็นเครือข่ายกระจายทั่วโลกของโหนดเฉพาะที่ออกแบบมาเพื่อต้านทานอำนาจเครือข่ายส่วนกลาง นอกจากนี้ การประมวลผล DePIN ยังอนุญาตให้เข้าร่วมเครือข่ายโดยไม่ต้องขออนุญาต ซึ่งหลีกเลี่ยงอุปสรรคทางกฎหมายและข้อบังคับ โดยพิจารณาจากลักษณะการแจกจ่ายโทเค็น DePIN สามารถใช้กระบวนการลงคะแนนเสียงที่ยุติธรรมในการลงคะแนนเสียงให้กับการเปลี่ยนแปลงและการพัฒนาที่เสนอต่อโปรโตคอลเพื่อขจัดความเป็นไปได้ที่หน่วยงานเดียวจะปิดเครือข่ายทั้งหมดลงอย่างกะทันหัน

สถานะปัจจุบันของ DePIN เชิงคำนวณ

เครือข่ายการเรนเดอร์

Render Network เป็น DePIN เชิงคำนวณที่เชื่อมต่อผู้ซื้อและผู้ขาย GPU ผ่านตลาดการประมวลผลแบบกระจายอำนาจ โดยทำธุรกรรมผ่านโทเค็นดั้งเดิม ตลาด GPU ของ Renders เกี่ยวข้องกับสองฝ่ายสำคัญ ได้แก่ ผู้สร้างที่ต้องการเข้าถึงพลังการประมวลผลและตัวดำเนินการโหนดที่ให้เช่า GPU ที่ไม่ได้ใช้งานแก่ผู้สร้างเพื่อแลกกับค่าตอบแทนเป็นโทเค็น Render ดั้งเดิม ตัวดำเนินการโหนดจะได้รับการจัดอันดับตามระบบชื่อเสียง และผู้สร้างสามารถเลือก GPU จากระบบกำหนดราคาหลายระดับได้ อัลกอริทึมฉันทามติ Proof-of-Render (POR) จะประสานงานการดำเนินการ และตัวดำเนินการโหนดจะมอบทรัพยากรคอมพิวเตอร์ (GPU) ของตนเพื่อดำเนินการงาน เช่น งานแสดงผลกราฟิก เมื่องานเสร็จสมบูรณ์ อัลกอริทึม POR จะอัปเดตสถานะของตัวดำเนินการโหนด รวมถึงการเปลี่ยนแปลงคะแนนชื่อเสียงตามคุณภาพของงาน โครงสร้างพื้นฐานบล็อคเชนของ Renders อำนวยความสะดวกในการชำระเงินสำหรับงาน โดยให้ช่องทางการชำระเงินที่โปร่งใสและมีประสิทธิภาพสำหรับซัพพลายเออร์และผู้ซื้อในการทำธุรกรรมผ่านโทเค็นเครือข่าย

Render Network ได้รับการคิดขึ้นในตอนแรกโดย จูลส์ อูร์บัค ในปี 2009 เครือข่ายได้เปิดใช้งานบน Ethereum ( ร.น ) ในเดือนกันยายน 2563 และย้ายไปยังโซลานา ( เรนเดอร์ ) ประมาณสามปีถัดมาเพื่อปรับปรุงประสิทธิภาพของเครือข่ายและลดต้นทุนการดำเนินงาน

ณ ขณะที่เขียนนี้ เครือข่าย Render ได้ประมวลผลงานมากถึง 33 ล้านงาน (ในแง่ของเฟรมที่เรนเดอร์) และเพิ่มขึ้นเป็น 5,600 โหนดทั้งหมดนับตั้งแต่เริ่มก่อตั้ง มีการทำลาย RENDER ประมาณ 60,000 รายการ กระบวนการที่เกิดขึ้นระหว่างการแจกจ่ายเครดิตงานให้กับผู้ดำเนินการโหนด

ไอโอเน็ต

Io Net กำลังเปิดตัวเครือข่าย GPU แบบกระจายอำนาจบน Solana โดยเป็นชั้นประสานงานระหว่างทรัพยากรคอมพิวเตอร์ที่ไม่ได้ใช้งานจำนวนมากกับบุคคลและหน่วยงานที่ต้องการพลังการประมวลผลที่ทรัพยากรเหล่านี้มอบให้ จุดขายเฉพาะของ Io Net คือแทนที่จะแข่งขันโดยตรงกับ DePIN อื่นๆ ในตลาด แต่จะทำการรวบรวม GPU จากแหล่งต่างๆ (รวมถึงศูนย์ข้อมูล นักขุด และ DePIN อื่นๆ เช่น Render Network และ Filecoin) ในขณะที่ใช้ประโยชน์จาก DePIN ที่เป็นกรรมสิทธิ์ ซึ่งก็คือ Internet-of-GPUs (IoG) เพื่อประสานงานการทำงานและปรับแรงจูงใจของผู้เข้าร่วมตลาดให้ตรงกัน ลูกค้าของ Io Net สามารถปรับแต่งคลัสเตอร์เวิร์กโหลดบน IO Cloud ได้โดยเลือกประเภทโปรเซสเซอร์ ตำแหน่ง ความเร็วในการสื่อสาร การปฏิบัติตามข้อกำหนด และเวลาให้บริการ ในทางกลับกัน ใครก็ตามที่มีโมเดล GPU ที่รองรับ (RAM 12 GB, SSD 256 GB) สามารถเข้าร่วมเป็น IO Worker โดยให้ทรัพยากรคอมพิวเตอร์ที่ไม่ได้ใช้งานของตนยืมไปยังเครือข่าย ขณะนี้การชำระเงินสำหรับบริการจะชำระเป็นเงินสดและ USDC แต่เร็วๆ นี้เครือข่ายจะรองรับการชำระเงินเป็นโทเค็น $IO แบบดั้งเดิมด้วย ราคาของทรัพยากรจะถูกกำหนดโดยอุปทานและอุปสงค์ ตลอดจนข้อกำหนด GPU และอัลกอริทึมการกำหนดค่าต่างๆ เป้าหมายสูงสุดของ Io Net คือการเป็นตลาด GPU ที่ได้รับการเลือกโดยเสนอต้นทุนที่ต่ำกว่าและคุณภาพการบริการที่สูงกว่าผู้ให้บริการคลาวด์สมัยใหม่

สถาปัตยกรรม IO หลายชั้นสามารถแมปได้ดังนี้:

• เลเยอร์ UI – ประกอบด้วยเว็บไซต์สาธารณะ พื้นที่ลูกค้า และพื้นที่พนักงาน

• ชั้นความปลอดภัย – เลเยอร์นี้ประกอบด้วยไฟร์วอลล์สำหรับการป้องกันเครือข่าย บริการการตรวจสอบสิทธิ์สำหรับการตรวจสอบผู้ใช้ และบริการบันทึกข้อมูลสำหรับการติดตามกิจกรรม

• ชั้น API – เลเยอร์นี้ทำหน้าที่เป็นเลเยอร์การสื่อสารและประกอบด้วย API สาธารณะ (สำหรับเว็บไซต์) API ส่วนตัว (สำหรับเวิร์กเกอร์) และ API ภายใน (สำหรับการจัดการคลัสเตอร์ การวิเคราะห์ และรายงานการตรวจสอบ)

• เลเยอร์แบ็คเอนด์ เลเยอร์แบ็กเอนด์จัดการเวิร์กเกอร์ การทำงานของคลัสเตอร์/GPU การโต้ตอบกับลูกค้า การเรียกเก็บเงินและการตรวจสอบการใช้งาน การวิเคราะห์ และการปรับขนาดอัตโนมัติ

• ระดับฐานข้อมูล − ชั้นนี้เป็นที่เก็บข้อมูลของระบบและใช้พื้นที่จัดเก็บหลัก (สำหรับข้อมูลที่มีโครงสร้าง) และแคช (สำหรับข้อมูลชั่วคราวที่เข้าถึงบ่อยครั้ง)

• นายหน้าข้อความและเลเยอร์งาน - เลเยอร์นี้อำนวยความสะดวกในการสื่อสารแบบอะซิงโครนัสและการจัดการงาน

• ชั้นโครงสร้างพื้นฐาน เลเยอร์นี้ประกอบด้วยพูล GPU เครื่องมือออร์เคสตรา และจัดการการปรับใช้ภารกิจ

สถิติปัจจุบัน/แผนงาน

• ณ ขณะที่เขียนนี้:

• รายได้รวมจากเครือข่าย – $1.08m

• ชั่วโมงการประมวลผลรวม – 837.6 พันชั่วโมง

• GPU ที่พร้อมสำหรับคลัสเตอร์ทั้งหมด – 20.4K

• CPU ที่พร้อมรองรับคลัสเตอร์ทั้งหมด – 5.6k

• ธุรกรรมบนเครือข่ายทั้งหมด – 1.67 ล้าน

• เวลาอนุมานรวมทั้งหมด – 335.7k

• จำนวนคลัสเตอร์ที่สร้างทั้งหมด – 15.1k

(ข้อมูลจาก ไอโอเน็ตเอ็กซ์พลอเรอร์ )

เอธีร์

Aethir คือ DePIN ของระบบคลาวด์คอมพิวติ้งที่ช่วยให้สามารถแบ่งปันทรัพยากรการประมวลผลประสิทธิภาพสูงในสาขาและแอปพลิเคชันที่ต้องใช้การประมวลผลเข้มข้นได้ Aethir ใช้การรวมทรัพยากรเข้าด้วยกันเพื่อให้จัดสรร GPU ทั่วโลกด้วยต้นทุนที่ลดลงอย่างมากและการเป็นเจ้าของแบบกระจายอำนาจผ่านการเป็นเจ้าของทรัพยากรแบบกระจาย Aethir ได้รับการออกแบบมาสำหรับเวิร์กโหลดประสิทธิภาพสูงและเหมาะสำหรับอุตสาหกรรมต่างๆ เช่น เกมและการฝึกอบรมและการอนุมานโมเดล AI ด้วยการรวมคลัสเตอร์ GPU เข้าเป็นเครือข่ายเดียว Aethir จึงได้รับการออกแบบมาให้เพิ่มขนาดคลัสเตอร์ จึงช่วยปรับปรุงประสิทธิภาพโดยรวมและความน่าเชื่อถือของบริการต่างๆ ที่ให้บริการบนเครือข่าย

เครือข่าย Aethir เป็นเศรษฐกิจแบบกระจายอำนาจที่ประกอบด้วยนักขุด นักพัฒนา ผู้ใช้ ผู้ถือโทเค็น และ Aethir DAO บทบาทสำคัญสามประการที่ทำให้เครือข่ายทำงานได้สำเร็จคือคอนเทนเนอร์ ผู้จัดทำดัชนี และผู้ตรวจสอบ คอนเทนเนอร์เป็นโหนดหลักของเครือข่ายซึ่งดำเนินการสำคัญที่รักษาความมีชีวิตชีวาของเครือข่าย รวมถึงการตรวจสอบธุรกรรมและการแสดงเนื้อหาดิจิทัลแบบเรียลไทม์ ผู้ตรวจสอบทำหน้าที่เป็นเจ้าหน้าที่รับรองคุณภาพ โดยตรวจสอบประสิทธิภาพและคุณภาพการบริการของคอนเทนเนอร์อย่างต่อเนื่องเพื่อให้แน่ใจว่าผู้ใช้ GPU ทำงานได้น่าเชื่อถือและมีประสิทธิภาพ ผู้จัดทำดัชนีทำหน้าที่เป็นผู้จับคู่ระหว่างผู้ใช้และคอนเทนเนอร์ที่ดีที่สุดที่มีอยู่ โครงสร้างนี้รองรับด้วยบล็อคเชน Arbitrum Layer 2 ซึ่งจัดเตรียมเลเยอร์การชำระเงินแบบกระจายอำนาจเพื่อชำระค่าสินค้าและบริการบนเครือข่าย Aethir ด้วยโทเค็น $ATH ดั้งเดิม

การแสดงผลพิสูจน์

โหนดในเครือข่าย Aethir มีฟังก์ชันหลักสองประการ – การพิสูจน์ความสามารถ ซึ่งกลุ่มโหนดเวิร์กเกอร์เหล่านี้จะถูกเลือกแบบสุ่มทุก ๆ 15 นาทีเพื่อตรวจสอบธุรกรรม และการแสดงหลักฐานการทำงาน ตรวจสอบประสิทธิภาพของเครือข่ายอย่างใกล้ชิดเพื่อให้แน่ใจว่าผู้ใช้ได้รับบริการอย่างเหมาะสมที่สุด โดยปรับทรัพยากรตามความต้องการและภูมิศาสตร์ รางวัลนักขุดจะแจกจ่ายให้กับผู้เข้าร่วมที่รันโหนดบนเครือข่าย Aethir โดยคำนวณจากมูลค่าของทรัพยากรคอมพิวเตอร์ที่พวกเขายืมมา และรางวัลจะจ่ายเป็นโทเค็น $ATH ดั้งเดิม

โนซาน่า

Nosana คือเครือข่าย GPU แบบกระจายอำนาจที่สร้างขึ้นบน Solana Nosana ช่วยให้ทุกคนสามารถสนับสนุนทรัพยากรคอมพิวเตอร์ที่ไม่ได้ใช้งานและรับรางวัลเป็นโทเค็น $NOS สำหรับการกระทำดังกล่าว DePIN ช่วยให้จัดสรร GPU ได้อย่างคุ้มต้นทุน ซึ่งสามารถใช้ในการรันเวิร์กโหลด AI ที่ซับซ้อนได้โดยไม่ต้องมีค่าใช้จ่ายเพิ่มเติมของโซลูชันคลาวด์แบบดั้งเดิม ใครๆ ก็สามารถรันโหนด Nosana ได้โดยให้ยืม GPU ที่ไม่ได้ใช้งาน และรับรางวัลเป็นโทเค็นตามสัดส่วนของพลัง GPU ที่พวกเขาให้กับเครือข่าย

เครือข่ายเชื่อมโยงสองฝ่ายที่จัดสรรทรัพยากรคอมพิวเตอร์ ได้แก่ ผู้ใช้ที่ต้องการเข้าถึงทรัพยากรคอมพิวเตอร์และผู้ดำเนินการโหนดที่จัดเตรียมทรัพยากรคอมพิวเตอร์ การตัดสินใจและการอัพเกรดโปรโตคอลที่สำคัญจะได้รับการโหวตจากผู้ถือโทเค็น NOS และจัดการโดย Nosana DAO

Nosana มีแผนงานที่ครอบคลุมสำหรับแผนงานในอนาคต โดย Galactica (v1.0 – H1/H2 2024) จะเปิดตัวเมนเน็ต ปล่อย CLI และ SDK และมุ่งเน้นไปที่การขยายเครือข่ายผ่านโหนดคอนเทนเนอร์สำหรับ GPU ของผู้บริโภค Triangulum (v1.X – H2 2024) จะรวมโปรโตคอลการเรียนรู้ของเครื่องจักรหลักและตัวเชื่อมต่อ เช่น PyTorch, HuggingFace และ TensorFlow Whirlpool (v1.X – H1 2025) จะขยายการรองรับ GPU ที่หลากหลายจาก AMD, Intel และ Apple Silicon Sombrero (v1.X – H2 2025) จะเพิ่มการรองรับสำหรับองค์กรขนาดกลางและขนาดใหญ่ การชำระเงินแบบ fiat การเรียกเก็บเงิน และฟีเจอร์ของทีม

อาคาส

Akash Network เป็นเครือข่ายแบบโอเพ่นซอร์สที่พิสูจน์การถือครองโดยสร้างบน Cosmos SDK ซึ่งอนุญาตให้ทุกคนเข้าร่วมและมีส่วนร่วมได้โดยไม่ต้องได้รับอนุญาต ทำให้เกิดตลาดการประมวลผลบนคลาวด์แบบกระจายอำนาจ โทเค็น $AKT ใช้เพื่อรักษาความปลอดภัยของเครือข่าย อำนวยความสะดวกในการจ่ายทรัพยากร และประสานงานพฤติกรรมทางเศรษฐกิจระหว่างผู้เข้าร่วมเครือข่าย Akash Network ประกอบด้วยส่วนประกอบสำคัญหลายประการ:

• ชั้นบล็อคเชน ใช้ Tendermint Core และ Cosmos SDK เพื่อให้เกิดฉันทามติ

• ชั้นแอปพลิเคชัน , จัดการการปรับใช้และการจัดสรรทรัพยากร

• ชั้นผู้ให้บริการ จัดการทรัพยากร การประมูล และการปรับใช้แอปพลิเคชันของผู้ใช้

• ชั้นผู้ใช้ ช่วยให้ผู้ใช้สามารถโต้ตอบกับ Akash Network จัดการทรัพยากร และตรวจสอบสถานะแอปพลิเคชันโดยใช้ CLI คอนโซล และแดชบอร์ด

ในช่วงแรก เครือข่ายจะเน้นที่บริการเช่าพื้นที่จัดเก็บและซีพียู และเนื่องจากความต้องการเวิร์กโหลดการฝึกอบรมและการอนุมานของ AI เพิ่มมากขึ้น เครือข่ายจึงได้ขยายบริการเพื่อรวมถึงการเช่าและการจัดสรร GPU โดยตอบสนองต่อความต้องการเหล่านี้ผ่านแพลตฟอร์ม AkashML AkashML ใช้ระบบการประมูลย้อนกลับซึ่งลูกค้า (เรียกว่าผู้เช่า) จะส่งราคา GPU ที่ต้องการ และผู้ให้บริการคอมพิวเตอร์ (เรียกว่าผู้ให้บริการ) จะแข่งขันกันจัดหา GPU ตามที่ร้องขอ

ขณะที่เขียนนี้ บล็อคเชน Akash ได้ทำธุรกรรมเสร็จสมบูรณ์แล้วมากกว่า 12.9 ล้านรายการ มีการใช้ไปมากกว่า $535,000 ในการเข้าถึงทรัพยากรคอมพิวเตอร์ และมีการเช่าการใช้งานเฉพาะตัวมากกว่า 189,000 รายการ

รางวัลชมเชย

พื้นที่ DePIN เชิงคำนวณยังคงอยู่ในระหว่างการพัฒนา และทีมงานจำนวนมากกำลังแข่งขันกันเพื่อนำเสนอโซลูชันที่สร้างสรรค์และมีประสิทธิภาพสู่ตลาด ตัวอย่างอื่นๆ ที่ควรค่าแก่การศึกษาเพิ่มเติม ได้แก่ ไฮเปอร์โบลิก ซึ่งกำลังสร้างแพลตฟอร์มการเข้าถึงแบบเปิดร่วมมือสำหรับการรวมทรัพยากรสำหรับการพัฒนา AI และ เอ็กซาบิท ซึ่งกำลังสร้างเครือข่ายพลังการประมวลผลแบบกระจายที่ได้รับการสนับสนุนจากนักขุดเชิงคำนวณ

ข้อควรพิจารณาที่สำคัญและแนวโน้มในอนาคต

ขณะนี้เราได้เข้าใจหลักการพื้นฐานในการคำนวณ DePIN แล้วและได้ทบทวนกรณีศึกษาเสริมต่างๆ ที่กำลังดำเนินการอยู่หลายกรณีแล้ว สิ่งสำคัญคือต้องพิจารณาผลกระทบของเครือข่ายแบบกระจายอำนาจเหล่านี้ รวมถึงข้อดีและข้อเสียด้วย

ท้าทาย

การสร้างเครือข่ายแบบกระจายตามขนาดมักต้องแลกมาด้วยประสิทธิภาพ ความปลอดภัย และความยืดหยุ่น ตัวอย่างเช่น การฝึกโมเดล AI บนเครือข่ายฮาร์ดแวร์ทั่วไปที่กระจายอยู่ทั่วโลกอาจมีประสิทธิภาพด้านต้นทุนและเวลาน้อยกว่าการฝึกบนผู้ให้บริการแบบรวมศูนย์มาก ดังที่เราได้กล่าวไว้ก่อนหน้านี้ โมเดล AI และเวิร์กโหลดของโมเดลเหล่านี้มีความซับซ้อนมากขึ้นเรื่อยๆ โดยต้องใช้ GPU ประสิทธิภาพสูงมากกว่า GPU ทั่วไป

นี่คือ เหตุใดบริษัทขนาดใหญ่จึงกักตุน GPU ประสิทธิภาพสูงในปริมาณมาก และเป็นความท้าทายโดยธรรมชาติที่ DePIN เชิงคำนวณต้องเผชิญ ซึ่งมีเป้าหมายเพื่อแก้ปัญหาการขาดแคลน GPU โดยสร้างตลาดที่ไม่ต้องขออนุญาตซึ่งใครๆ ก็สามารถให้ GPU ที่ไม่ได้ใช้งานยืมได้ (ดูทวีตนี้เพื่อดูข้อมูลเพิ่มเติมเกี่ยวกับความท้าทายที่โปรโตคอล AI แบบกระจายอำนาจต้องเผชิญ) ) โปรโตคอลสามารถแก้ไขปัญหานี้ได้สองวิธีหลัก วิธีหนึ่งคือการกำหนดข้อกำหนดพื้นฐานสำหรับผู้ให้บริการ GPU ที่ต้องการมีส่วนสนับสนุนเครือข่าย และอีกวิธีหนึ่งคือการรวบรวมทรัพยากรการคำนวณที่จัดเตรียมไว้สำหรับเครือข่ายเพื่อให้บรรลุผลโดยรวมที่ดีขึ้น อย่างไรก็ตาม โมเดลนี้ค่อนข้างท้าทายในการสร้างขึ้นเมื่อเทียบกับผู้ให้บริการแบบรวมศูนย์ ซึ่งสามารถจัดสรรเงินทุนได้มากขึ้นเพื่อจัดการกับผู้ให้บริการฮาร์ดแวร์โดยตรง (เช่น Nvidia) นี่คือสิ่งที่ DePINs ควรพิจารณาเมื่อพวกเขาเดินหน้าต่อไป หากโปรโตคอลแบบกระจายอำนาจมีเงินทุนมากพอ DAO ก็สามารถลงคะแนนเพื่อจัดสรรเงินทุนส่วนหนึ่งเพื่อซื้อ GPU ประสิทธิภาพสูง ซึ่งสามารถบริหารจัดการแบบกระจายอำนาจและปล่อยกู้ในราคาที่สูงกว่า GPU ทั่วไป

ความท้าทายอีกประการหนึ่งที่เฉพาะเจาะจงกับ DePIN เชิงคำนวณคือการจัดการการใช้ทรัพยากรอย่างเหมาะสม ในช่วงเริ่มต้น DePIN เชิงคำนวณส่วนใหญ่จะเผชิญกับปัญหาความต้องการที่ต่ำเกินไปตามโครงสร้าง เช่นเดียวกับสตาร์ทอัพจำนวนมากในปัจจุบัน โดยทั่วไป ความท้าทายสำหรับ DePIN คือการสร้างอุปทานที่เพียงพอตั้งแต่เนิ่นๆ เพื่อให้ได้ผลิตภัณฑ์ที่มีคุณภาพต่ำที่สุด หากไม่มีอุปทาน เครือข่ายจะไม่สามารถสร้างความต้องการที่ยั่งยืนได้ และจะไม่สามารถให้บริการลูกค้าได้ในช่วงที่มีความต้องการสูงสุด ในทางกลับกัน อุปทานส่วนเกินก็เป็นปัญหาเช่นกัน หากเกินเกณฑ์ที่กำหนด อุปทานที่มากขึ้นจะช่วยได้ก็ต่อเมื่อการใช้งานเครือข่ายใกล้ถึงหรือเต็มศักยภาพเท่านั้น มิฉะนั้น DePIN จะเสี่ยงต่อการจ่ายเงินมากเกินไปสำหรับอุปทาน ส่งผลให้ใช้ทรัพยากรได้ไม่เต็มที่ และซัพพลายเออร์จะได้รับรายได้น้อยลง เว้นแต่โปรโตคอลจะเพิ่มการออกโทเค็นเพื่อให้ซัพพลายเออร์มีส่วนร่วม

เครือข่ายโทรคมนาคมไร้ประโยชน์หากไม่มีการครอบคลุมพื้นที่ทางภูมิศาสตร์อย่างกว้างขวาง เครือข่ายแท็กซี่ไม่มีประโยชน์หากผู้โดยสารต้องรอรถเป็นเวลานาน DePIN ไม่มีประโยชน์หากต้องจ่ายเงินให้ผู้คนจัดหาทรัพยากรเป็นระยะเวลานาน ในขณะที่ผู้ให้บริการแบบรวมศูนย์สามารถคาดการณ์ความต้องการทรัพยากรและจัดการการจัดหาทรัพยากรได้อย่างมีประสิทธิภาพ การคำนวณ DePIN ขาดอำนาจส่วนกลางในการจัดการการใช้ทรัพยากร ดังนั้น จึงมีความสำคัญอย่างยิ่งที่ DePIN จะต้องกำหนดการใช้ทรัพยากรอย่างมีกลยุทธ์ที่สุด

ปัญหาที่ใหญ่กว่าคือตลาด GPU แบบกระจายอำนาจอาจไม่เผชิญกับปัญหาการขาดแคลน GPU อีกต่อไป มาร์ก ซักเคอร์เบิร์กกล่าวในการสัมภาษณ์เมื่อเร็วๆ นี้ว่าเขาเชื่อว่า พลังงานจะกลายเป็นคอขวดใหม่ แทนที่จะใช้ทรัพยากรคอมพิวเตอร์ เนื่องจากบริษัทต่างๆ จะแข่งขันกันสร้างศูนย์ข้อมูลขนาดใหญ่แทนที่จะกักตุนทรัพยากรคอมพิวเตอร์เหมือนที่ทำอยู่ในปัจจุบัน แน่นอนว่านี่หมายถึงการลดต้นทุน GPU ที่อาจเกิดขึ้นได้ แต่ยังทำให้เกิดคำถามว่าบริษัทสตาร์ทอัพด้าน AI จะแข่งขันกับบริษัทขนาดใหญ่ในด้านประสิทธิภาพและคุณภาพของสินค้าและบริการที่พวกเขาจัดหาได้อย่างไร หากการสร้างศูนย์ข้อมูลที่เป็นกรรมสิทธิ์จะยกระดับมาตรฐานโดยรวมสำหรับประสิทธิภาพของโมเดล AI

ตัวอย่างการคำนวณ DePINs

เพื่อย้ำอีกครั้งว่าช่องว่างระหว่างความซับซ้อนของโมเดล AI และการประมวลผลและความต้องการการคำนวณที่ตามมากับ GPU ประสิทธิภาพสูงที่มีอยู่และทรัพยากรการคำนวณอื่นๆ กำลังกว้างขึ้น

DePIN ของการประมวลผลพร้อมที่จะเป็นผู้สร้างความเปลี่ยนแปลงทางนวัตกรรมในตลาดการประมวลผลซึ่งปัจจุบันถูกครอบงำโดยผู้ผลิตฮาร์ดแวร์ชั้นนำและผู้ให้บริการระบบคลาวด์คอมพิวติ้ง โดยมีพื้นฐานจากความสามารถหลักหลายประการ:

1) มีต้นทุนสินค้าและบริการที่ต่ำลง

2) ให้การป้องกันเซ็นเซอร์และความยืดหยุ่นของเครือข่ายที่แข็งแกร่งยิ่งขึ้น

3) ได้รับประโยชน์จากแนวปฏิบัติทางกฎระเบียบที่อาจต้องการให้โมเดล AI เปิดกว้างที่สุดเท่าที่จะเป็นไปได้เพื่อการปรับแต่งและการฝึกอบรม และเข้าถึงได้ง่ายสำหรับทุกคน

เปอร์เซ็นต์ของครัวเรือนในสหรัฐอเมริกาที่มีคอมพิวเตอร์และการเข้าถึงอินเทอร์เน็ตเพิ่มขึ้นแบบทวีคูณ โดยเข้าใกล้ 100% เปอร์เซ็นต์นี้ยังเพิ่มขึ้นอย่างมีนัยสำคัญในหลายส่วนของโลก ซึ่งบ่งชี้ถึงการเพิ่มขึ้นของจำนวนผู้ให้บริการทรัพยากรคอมพิวเตอร์ที่มีศักยภาพ (เจ้าของ GPU) ซึ่งเต็มใจที่จะให้ยืมทรัพยากรที่ไม่ได้ใช้หากมีแรงจูงใจทางการเงินเพียงพอและกระบวนการธุรกรรมที่ราบรื่น แน่นอนว่านี่เป็นการประมาณการคร่าวๆ แต่แสดงให้เห็นว่ารากฐานสำหรับการสร้างเศรษฐกิจแบบแบ่งปันที่ยั่งยืนของทรัพยากรคอมพิวเตอร์อาจมีอยู่แล้ว

นอกจาก AI แล้ว ความต้องการการประมวลผลในอนาคตจะมาจากอุตสาหกรรมอื่นๆ อีกมากมาย เช่น การประมวลผลแบบควอนตัม คาดว่าขนาดของตลาดการประมวลผลแบบควอนตัมจะ เติบโตจาก $928.8 ล้านในปี 2023 เป็น $6528.8 ล้านในปี 2030 ที่อัตรา CAGR 32.1% การผลิตในอุตสาหกรรมนี้จะต้องใช้ทรัพยากรหลายประเภท แต่จะเป็นเรื่องที่น่าสนใจว่าจะมีการเปิดตัว DePIN สำหรับการคำนวณเชิงควอนตัมหรือไม่ และมีลักษณะเป็นอย่างไร

“ระบบนิเวศที่แข็งแกร่งของโมเดลเปิดที่ทำงานบนฮาร์ดแวร์ของผู้บริโภคถือเป็นปัจจัยป้องกันที่สำคัญต่ออนาคตที่มูลค่ารวมศูนย์สูงโดย AI และความคิดของมนุษย์ส่วนใหญ่จะถูกอ่านและควบคุมโดยเซิร์ฟเวอร์ส่วนกลางที่ควบคุมโดยผู้คนเพียงไม่กี่คน นอกจากนี้ โมเดลเหล่านี้ยังมีความเสี่ยงน้อยกว่าบริษัทยักษ์ใหญ่และกองทัพอีกด้วย” — วิทาลิค บูเตริน

องค์กรขนาดใหญ่อาจไม่ใช่กลุ่มเป้าหมายของ DePIN และจะไม่เป็นเช่นนั้นด้วย DePIN แบบคำนวณช่วยให้ผู้พัฒนารายบุคคล ผู้สร้างที่กระจัดกระจาย และสตาร์ทอัพที่มีเงินทุนและทรัพยากรน้อยกลับมาได้ DePIN ช่วยให้เปลี่ยนอุปทานที่ไม่ได้ใช้ให้กลายเป็นไอเดียและโซลูชั่นที่สร้างสรรค์ ซึ่งทำได้ด้วยพลังการประมวลผลที่มากขึ้น AI จะเปลี่ยนชีวิตของผู้คนนับพันล้านคนอย่างไม่ต้องสงสัย แทนที่จะกังวลว่า AI จะเข้ามาแทนที่งานของทุกคน เราควรส่งเสริมแนวคิดที่ว่า AI สามารถส่งเสริมผู้ประกอบการรายบุคคลและผู้ประกอบการอิสระ สตาร์ทอัพ และสาธารณชนทั่วไปได้

ลิงค์เดิม

บทความนี้มีที่มาจากอินเทอร์เน็ต: การตีความที่ครอบคลุมของระบบนิเวศการติดตามการคำนวณ DePIN

ที่เกี่ยวข้อง: การพัฒนาล่าสุดของ Ethereum Spot ETF และแนวโน้มตลาด: ผู้ออกเอกสารส่งเอกสารที่แก้ไขแล้ว โดยกำหนดราคาเป้าหมายสูงสุด

ต้นฉบับ | Odaily Planet Daily Author | Nanzhi ข่าวล่าสุดแบบคร่าวๆ เส้นทาง ETF สปอต BTC จะซ้ำรอยเดิมหรือไม่? เช้านี้ นักวิเคราะห์ ETF ของ Bloomberg James Seyffart เขียนบนแพลตฟอร์ม X: ผู้ให้บริการ ETF สปอต Ethereum ที่มีศักยภาพ 5 รายส่งเอกสารแก้ไข 19 b-4 ไปยัง SEC ของสหรัฐฯ ผ่าน Cboe BZX รวมถึง: Fidelity, VanEck, Invesco/Galaxy, Ark/21 Shares และ Franklin เว็บไซต์อย่างเป็นทางการของ DTCC ยังได้ระบุ VanEck spot Ethereum ETF VANECK ETHEREUM TR SHS (รหัส ETHV) อีกด้วย ในทางกลับกัน เมื่อ SEC คาดหวัง Ethereum spot ETF เพิ่มขึ้น อัตราเบี้ยประกันติดลบของ Grayscale Ethereum Trust (ETHE) ก็ลดลงเหลือ 11.82% ตามแหล่งข้อมูลที่เกี่ยวข้อง Grayscale ได้ส่งการอัปเดตแบบฟอร์ม Ethereum Mini Trust 19 b-4 ไปยัง US Securities และ...