Uçta doğdu: Merkezi olmayan bilgi işlem gücü ağı Kripto ve Yapay Zeka'yı nasıl güçlendiriyor?

Orijinal yazar: Jane Doe, Chen Li

Orjinal kaynak: Youbi Sermayesi

1 Yapay Zeka ve Kripto'nun kesişimi

23 Mayıs'ta, çip devi Nvidia 2025 mali yılı için ilk çeyrek mali raporunu yayınladı. Mali rapor, Nvidia'nın ilk çeyrekteki gelirinin $26 milyar ABD doları olduğunu gösteriyor. Bunların arasında, veri merkezi geliri geçen yıla göre 427% artarak şaşırtıcı bir şekilde $22,6 milyar ABD dolarına çıktı. ABD borsasını kendi başına kurtarabilecek Nvidia'nın finansal performansının arkasında, yapay zeka alanında rekabet edebilmek için küresel teknoloji şirketleri arasında patlama yaşayan bilgi işlem gücü talebi bulunmaktadır. En iyi teknoloji şirketleri yapay zeka alanındaki düzenlemelerinde ne kadar hırslı olursa, bilgi işlem gücü talepleri de katlanarak artmıştır. TrendForces tahminine göre, 2024'te talep ABD'deki dört büyük bulut hizmeti sağlayıcısı olan Microsoft, Google, AWS ve Meta'nın üst düzey AI sunucularına yönelik küresel talebin sırasıyla 20,2%, 16,6%, 16% ve 10,8% olması ve toplamda 60%'den fazla olması bekleniyor.

Resim kaynağı: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

Çip kıtlığı birkaç yıldır her yıl konuşulan bir konu. Bir yandan, büyük dil modellerinin (LLM) eğitimi ve çıkarımı çok fazla işlem gücü desteği gerektiriyor; ve modelin yinelemesiyle, işlem gücü maliyeti ve talebi katlanarak artıyor. Öte yandan, Meta gibi büyük şirketler çok sayıda çip satın alacak ve küresel işlem gücü kaynakları bu teknoloji devlerine doğru eğiliyor, bu da küçük işletmelerin gereken işlem gücü kaynaklarını elde etmesini giderek zorlaştırıyor. Küçük işletmelerin karşılaştığı zorluklar yalnızca talep artışı nedeniyle oluşan çip arzının yetersizliğinden değil, aynı zamanda arzın yapısal çelişkilerinden de kaynaklanıyor. Şu anda, tedarik tarafında hala çok sayıda boşta duran GPU bulunmaktadır. Örneğin, bazı veri merkezlerinin büyük miktarda boşta duran işlem gücü vardır (kullanım oranı yalnızca 12%-18%'dir) ve kripto madenciliğinde de kârlardaki düşüş nedeniyle büyük miktarda işlem gücü kaynağı boştadır. Bu bilgi işlem güçlerinin hepsi AI eğitimi gibi profesyonel uygulama senaryoları için uygun olmasa da, tüketici sınıfı donanımlar AI çıkarımı, bulut oyun oluşturma ve bulut telefonlar gibi diğer alanlarda hala büyük bir rol oynayabilir. Bu bilgi işlem gücü kaynaklarını entegre etme ve kullanma fırsatı çok büyüktür.

Dikkatimizi yapay zekadan kriptoya çevirdiğimizde, kripto piyasasında üç yıllık sessizliğin ardından, sonunda başka bir boğa piyasası geldi. Bitcoin fiyatları yeni zirvelere ulaştı ve birbiri ardına çeşitli memecoin'ler ortaya çıktı. Yapay zeka ve kripto son yılların popüler moda sözcükleri olsa da yapay zeka ve blockchain gibi iki önemli teknoloji birbirine paralel iki çizgi gibi duruyor ve henüz bir kesişim noktasına ulaşamadı. Vitalik, bu yılın başında Kripto + AI uygulamalarının vaatleri ve zorlukları başlıklı bir makale yayınladı ve AI ve kripto kombinasyonunun gelecekteki senaryolarını tartıştı. Vitalik makalede, AI'nın eğitimini ve çıkarımını merkezden uzaklaştırmak için blockchain ve MPC gibi şifreleme teknolojilerinin kullanımı da dahil olmak üzere birçok vizyondan bahsetti, bu da makine öğreniminin kara kutusunu açabilir ve AI modelini daha güvenilmez hale getirebilir, vb. Bu vizyonları gerçekleştirmek için hala gidilecek uzun bir yol var. Ancak Vitalik'in bahsettiği kullanım durumlarından biri olan kripto ekonomik teşviklerini AI'yı güçlendirmek için kullanmak da kısa sürede gerçekleştirilebilecek önemli bir yönelimdir. Merkezi olmayan bilgi işlem gücü ağı, bu aşamada AI + kripto için en uygun senaryolardan biridir.

2 Dağıtık bilgi işlem ağı

Şu anda, merkezi olmayan bilgi işlem güç ağı alanında geliştirilen birçok proje var. Bu projelerin altında yatan mantık benzerdir ve şu şekilde özetlenebilir: işlem gücü sahiplerini ağa katılarak işlem gücü hizmetleri sağlamaya teşvik etmek için token'lar kullanmak ve bu dağınık işlem gücü kaynakları belirli bir ölçekte merkezi olmayan bir işlem gücü ağında bir araya getirilebilir. Bu, yalnızca boştaki işlem gücünün kullanım oranını iyileştirmekle kalmaz, aynı zamanda müşterilerin işlem gücü ihtiyaçlarını daha düşük bir maliyetle karşılayarak hem alıcılar hem de satıcılar için kazan-kazan durumu elde edebilir.

Okuyucuların bu yolu kısa sürede genel olarak anlamalarını sağlamak için bu makale, belirli projeleri ve tüm yolu iki bakış açısından (mikro ve makro) parçalara ayıracak ve okuyuculara her projenin temel rekabet avantajlarını ve merkezi olmayan bilgi işlem gücü yolunun genel gelişimini anlamaları için analitik bir bakış açısı sağlamayı amaçlayacaktır. Yazar beş projeyi tanıtacak ve analiz edecektir: Aethir, io.net, Render Ağı, Akash Ağı, Gensyn ve proje durumunu özetleyip değerlendirerek gelişimi takip edin.

Analitik çerçeve perspektifinden bakıldığında, belirli bir merkezi olmayan bilgi işlem ağına odaklanırsak, onu dört temel bileşene ayırabiliriz:

• Donanım ağı : Dağınık bilgi işlem kaynaklarını bütünleştirir ve dünya çapında dağıtılmış düğümler aracılığıyla bilgi işlem kaynaklarının paylaşımını ve yük dengelemesini gerçekleştirir. Merkezi olmayan bilgi işlem ağının temel katmanıdır.

• Çift taraflı pazar : Makul fiyatlandırma ve keşif mekanizmaları aracılığıyla bilgi işlem gücü sağlayıcılarını talep edenlerle eşleştirmek, güvenli bir ticaret platformu sağlamak ve arz ve talep tarafları arasındaki işlemlerin şeffaf, adil ve güvenilir olmasını sağlamak.

• Mutabakat mekanizması : Ağdaki düğümlerin doğru şekilde çalışmasını ve işlerini tamamlamasını sağlamak için kullanılır. Konsensüs mekanizması esas olarak iki seviyeyi izlemek için kullanılır: 1) Düğümün çevrimiçi olup olmadığını ve herhangi bir zamanda görevleri kabul edebilecek aktif bir durumda olup olmadığını izlemek; 2) Düğüm iş kanıtı: Düğüm görevi aldıktan sonra görevi etkili ve doğru bir şekilde tamamlar ve hesaplama gücü başka amaçlar için kullanılmaz ve süreçleri ve iş parçacıklarını işgal eder.

• Jeton teşvikleri : Jeton modeli, daha fazla katılımcının hizmet sunmasını/kullanmasını teşvik etmek ve jetonları bu ağ etkisini yakalamak ve topluluk yararına paylaşımı elde etmek için kullanmak amacıyla kullanılır.

Tüm merkezi olmayan bilgi işlem gücü yolunun kuşbakışı görünümünü ele alırsak, Blockworks Research'ün araştırma raporu iyi bir analiz çerçevesi sunar. Bu yolun proje pozisyonlarını üç farklı katmana ayırabiliriz.

• Çıplak metal tabakası : Dağıtık bilgi işlem yığınının temel katmanı. Ana görevi, ham bilgi işlem kaynaklarını toplamak ve bunları API çağrıları için kullanılabilir hale getirmektir.

• Orkestrasyon katmanı : Dağıtık bilgi işlem yığınının orta katmanı. Başlıca görevleri koordinasyon ve soyutlamadır. Bilgi işlem gücünün planlanması, genişletilmesi, işletilmesi, yük dengelenmesi ve hata toleransından sorumludur. Başlıca işlevi, altta yatan donanım yönetiminin karmaşıklığını soyutlamak ve son kullanıcıların belirli müşteri gruplarına hizmet vermesi için daha gelişmiş bir kullanıcı arayüzü sağlamaktır.

• Toplama katmanı : Merkezi olmayan bilgi işlem yığınının en üst katmanını oluşturur. Ana görevi entegrasyondur. Kullanıcıların yapay zeka eğitimi, işleme, zkML vb. gibi birden fazla bilgi işlem görevini tek bir yerde uygulayabilmeleri için birleşik bir arayüz sağlamaktan sorumludur. Birden fazla merkezi olmayan bilgi işlem hizmetinin orkestrasyon ve dağıtım katmanına eşdeğerdir.

Resim kaynağı: Youbi Capital

Yukarıdaki iki analiz çerçevesini temel alarak, seçilen beş projenin yatay karşılaştırmasını yapacağız ve bunları dört düzeyde değerlendireceğiz: temel iş, pazar konumlandırması, donanım tesisleri ve finansal performans .

2.1 Temel İş

Altta yatan mantıktan, merkezi olmayan bilgi işlem ağı oldukça homojendir, yani boştaki bilgi işlem gücü sahiplerini bilgi işlem gücü hizmetleri sağlamaya teşvik etmek için token'lar kullanılır. Bu altta yatan mantığa dayanarak, projenin temel işindeki farklılıkları üç açıdan anlayabiliriz:

• Boşta kalan bilgi işlem gücünün kaynakları:

• Piyasada iki ana boşta işlem gücü kaynağı vardır: 1) veri merkezlerinin, madencilerin ve diğer şirketlerin elindeki boşta işlem gücü; 2) perakende yatırımcıların elindeki boşta işlem gücü. Veri merkezlerinin işlem gücü genellikle profesyonel düzeyde donanımdır, perakende yatırımcılar ise genellikle tüketici düzeyinde çipler satın alır.

• Aethir, Akash Network ve Gensyn'in işlem gücü ağırlıklı olarak işletmelerden toplanıyor. İşletmelerden bilgi işlem gücü toplamanın faydaları şunlardır: 1) İşletmeler ve veri merkezleri genellikle daha kaliteli donanıma ve profesyonel bakım ekiplerine sahiptir ve bilgi işlem gücü kaynaklarının performansı ve güvenilirliği daha yüksektir; 2) İşletmelerin ve veri merkezlerinin bilgi işlem gücü kaynakları genellikle daha homojendir ve merkezi yönetim ve izleme kaynak planlamasını ve bakımını daha verimli hale getirir. Ancak, buna karşılık, bu yöntem proje tarafı için daha yüksek gereksinimlere sahiptir ve proje tarafının bilgi işlem gücünü kontrol eden işletmeyle ticari bağlantılara sahip olması gerekir. Aynı zamanda, ölçeklenebilirlik ve merkeziyetsizlik belirli bir ölçüde etkilenecektir.

• Render Network ve io.net çoğunlukla perakende yatırımcıları atıl bilgisayar güçlerini sağlamaya teşvik ediyor. Perakende yatırımcılardan bilgi işlem gücü toplamanın faydaları şunlardır: 1) Perakende yatırımcıların atıl bilgi işlem gücünün açık maliyeti düşüktür, bu da daha ekonomik bilgi işlem gücü kaynakları sağlayabilir; 2) Ağ daha ölçeklenebilir ve merkezi olmayan bir yapıya sahiptir, bu da sistemin esnekliğini ve sağlamlığını artırır. Dezavantajı, perakende kaynaklarının yaygın olarak dağıtılmış olması ve tekdüze olmamasıdır, bu da yönetimi ve planlamayı karmaşık hale getirir ve işletme ve bakım zorluğunu artırır. Ayrıca, perakende bilgi işlem gücüne güvenerek ilk ağ etkisini oluşturmak daha zordur (başlatmak daha zordur). Son olarak, perakende cihazlarda daha fazla güvenlik riski olabilir, bu da veri sızıntısı ve bilgi işlem gücü kötüye kullanımı riskini beraberinde getirir.

• Hesaplama gücü tüketicileri

• Bilgisayar gücü tüketicileri açısından bakıldığında Aethir, io.net ve Gensyn'in hedef müşterileri ağırlıklı olarak işletmelerdir. B-tarafı müşterileri için, yapay zeka ve oyunların gerçek zamanlı işlenmesi yüksek performanslı bilgi işlem ihtiyaçları gerektirir. Bu tür iş yükleri, genellikle üst düzey GPU'lar veya profesyonel düzeyde donanım gerektiren bilgi işlem gücü kaynakları için son derece yüksek gereksinimlere sahiptir. Ek olarak, B-tarafı müşterileri bilgi işlem gücü kaynaklarının kararlılığı ve güvenilirliği için yüksek gereksinimlere sahiptir, bu nedenle projenin normal işleyişini sağlamak ve zamanında teknik destek sağlamak için yüksek kaliteli hizmet düzeyi anlaşmaları sağlanmalıdır. Aynı zamanda, B-tarafı müşterilerinin geçiş maliyeti çok yüksektir. Merkezi olmayan ağ, proje tarafının hızlı bir şekilde dağıtım yapmasına olanak tanıyan olgun bir SDK'ya sahip değilse (örneğin, Akash Network kullanıcıların uzak bağlantı noktalarına göre kendilerinin geliştirme yapmasını gerektirir), müşterilerin geçiş yapması zor olacaktır. Son derece önemli fiyat avantajı olmasaydı, müşterilerin geçiş yapma isteği çok düşük olurdu.

• Render Network ve Akash Network ağırlıklı olarak perakende yatırımcılara yönelik bilgi işlem gücü hizmetleri sağlıyor. C-son kullanıcılarına hizmet sağlamak için, projelerin tüketicilere iyi bir tüketici deneyimi sunmak için basit ve kullanımı kolay arayüzler ve araçlar tasarlaması gerekir. Tüketiciler ayrıca fiyatlara karşı çok hassastır, bu nedenle projelerin rekabetçi fiyatlandırma sağlaması gerekir.

• Donanım Türü

• Yaygın bilgi işlem donanım kaynakları arasında CPU, FPGA, GPU, ASIC ve SoC bulunur. Bu donanımlar tasarım hedefleri, performans özellikleri ve uygulama alanları açısından önemli farklılıklara sahiptir. Özetle, CPU genel bilgi işlem görevlerinde daha iyidir, FPGA'ların avantajları yüksek paralel işleme ve programlanabilirliktir, GPU paralel bilgi işlemde iyi performans gösterir, ASIC belirli görevlerde en verimlidir ve SoC birden fazla işlevi bir araya getirerek yüksek düzeyde entegre uygulamalar için uygundur. Hangi donanımın seçileceği belirli uygulamanın ihtiyaçlarına, performans gereksinimlerine ve maliyet değerlendirmelerine bağlıdır. Tartıştığımız merkezi olmayan bilgi işlem gücü projeleri çoğunlukla GPU bilgi işlem gücünü toplamak içindir ve bu, proje iş türü ve GPU'nun özellikleri tarafından belirlenir. Çünkü GPU, yapay zeka eğitimi, paralel bilgi işlem, multimedya işleme ve diğer yönlerde benzersiz avantajlara sahiptir.

• Bu projelerin çoğu GPU entegrasyonunu içermesine rağmen, farklı uygulamaların donanım özellikleri açısından farklı gereksinimleri vardır, dolayısıyla bu donanımların heterojen optimizasyon çekirdekleri ve parametreleri vardır. Bu parametreler paralellik/seri bağımlılıkları, belleği, gecikmeyi vb. içerir. Örneğin, işleme iş yükleri aslında daha güçlü veri merkezi GPU'larından ziyade tüketici sınıfı GPU'lar için daha uygundur, çünkü işlemenin ışın izleme için yüksek gereksinimleri vardır ve 4090'lar gibi tüketici sınıfı yongalar gelişmiş RT çekirdeklerine sahiptir ve özellikle ışın izleme görevleri için optimize edilmiştir. Yapay zeka eğitimi ve çıkarımı profesyonel düzeyde GPU'lar gerektirir. Bu nedenle, Render Network perakende yatırımcılardan RTX 3090'lar ve 4090'lar gibi tüketici sınıfı GPU'ları toplayabilirken, IO.NET'in yapay zeka girişimlerinin ihtiyaçlarını karşılamak için H 100'ler ve A 100'ler gibi daha profesyonel düzeyde GPU'lara ihtiyacı vardır.

2.2 Pazar Konumlandırması

Proje konumlandırması açısından, çıplak metal katmanı, orkestrasyon katmanı ve toplama katmanının çözülmesi gereken farklı temel sorunları, optimizasyon odakları ve değer yakalama yetenekleri vardır.

• Çıplak metal katmanı fiziksel kaynakların toplanması ve kullanımına odaklanırken, orkestrasyon katmanı hesaplama gücünün planlanması ve optimizasyonuna odaklanır ve fiziksel donanımın tasarımını müşteri gruplarının ihtiyaçlarına göre optimize eder. Toplama katmanı genel amaçlıdır ve farklı kaynakların entegrasyonuna ve soyutlanmasına odaklanır. Değer zincirinin perspektifinden, her proje çıplak metal katmanından başlamalı ve yukarı tırmanmaya çalışmalıdır.

• Değer yakalama perspektifinden bakıldığında, değer yakalama yeteneği, çıplak metal katmanından, orkestrasyon katmanından toplama katmanına doğru katman katman artar. Toplama katmanı en fazla değeri yakalayabilir çünkü toplama platformu en büyük ağ etkisini elde edebilir ve doğrudan en fazla kullanıcıya ulaşabilir, bu da merkezi olmayan ağın trafik girişine eşdeğerdir ve dolayısıyla tüm bilgi işlem kaynak yönetimi yığınında en yüksek değer yakalama konumunu işgal eder.

• Buna karşılık, bir toplama platformu oluşturmak en zor olanıdır. Projenin teknik karmaşıklık, heterojen kaynak yönetimi, sistem güvenilirliği ve ölçeklenebilirliği, ağ etkisi gerçekleştirme, güvenlik ve gizlilik koruması ve karmaşık operasyon ve bakım yönetimi dahil olmak üzere birçok sorunu kapsamlı bir şekilde çözmesi gerekir. Bu zorluklar projenin soğuk başlangıcına elverişli değildir ve yolun geliştirilmesine ve zamanlamasına bağlıdır. Orkestrasyon katmanı olgunlaşıp belli bir pazar payına ulaşmadan bir toplama katmanı oluşturmak gerçekçi değildir.

• Şu anda, Aethir, Render Network, Akash Network ve Gensyn ise Orchestration katmanına ait olup, belirli hedeflere ve müşteri gruplarına hizmet sağlamak üzere tasarlanmıştır. Aethirs'in mevcut ana işi bulut oyunları için gerçek zamanlı işlemedir ve B-side müşterileri için belirli geliştirme ve dağıtım ortamları ve araçları sağlar; Render Networks'ün ana işi video işlemedir, Akash Networks'ün misyonu Taobao'ya benzer bir ticaret platformu sağlamaktır ve Gensyn yapay zeka eğitimi alanında derinlemesine yer almaktadır. io.net bir Toplama katmanı olarak konumlandırılmıştır, ancak io tarafından şu anda uygulanan işlevler, toplama katmanının tüm işlevlerinden hala biraz uzaktadır. Render Network ve Filecoin'in donanımları toplanmış olsa da, donanım kaynaklarının soyutlanması ve entegrasyonu henüz tamamlanmamıştır.

2.3 Donanım tesisleri

• Şu anda, tüm projeler ayrıntılı ağ verileri yayınlamadı. Nispeten konuşursak, io.net explorer'ın kullanıcı arayüzü en iyisidir, burada GPU/CPU'nun sayısını, türünü, fiyatını, dağıtımını, ağ kullanımını, düğüm gelirini ve diğer parametrelerini görebilirsiniz. Ancak, Nisan ayının sonunda, io.net'in ön ucu saldırıya uğradı. io, PUT/POST arayüzünde Kimlik Doğrulama gerçekleştirmediğinden, bilgisayar korsanları ön uç verileriyle oynadı. Bu ayrıca diğer projelerin gizliliği ve ağ verilerinin güvenilirliği için alarm çaldı.

• GPU sayısı ve modeli açısından, bir toplama katmanı olarak io.net en fazla donanımı toplamış olmalıydı. Aethir onu yakından takip ediyor ve diğer projelerin donanım durumu o kadar şeffaf değil. GPU modelinden, io'nun hem A 100 gibi profesyonel düzeyde GPU'lara hem de 4090 gibi tüketici düzeyinde GPU'lara sahip olduğunu görebiliriz; bu, io.net toplamasının konumlandırılmasıyla uyumludur. io, belirli görev gereksinimlerine göre en uygun GPU'yu seçebilir. Ancak, farklı model ve markalardaki GPU'lar farklı sürücüler ve yapılandırmalar gerektirebilir ve yazılımın da karmaşık bir şekilde optimize edilmesi gerekir; bu da yönetim ve bakımın karmaşıklığını artırır. Şu anda, io'daki çeşitli görevlerin tahsisi esas olarak kullanıcı seçimine dayanmaktadır.

• Aethir kendi madencilik makinesini piyasaya sürdü. Mayıs ayında Qualcomm desteğiyle geliştirilen Aethir Edge resmen piyasaya sürüldü. Tek merkezi GPU küme dağıtım modunu kullanıcılardan uzakta kıracak ve hesaplama gücünü kenara dağıtacak. Aethir Edge, H100'ün küme hesaplama gücünü AI senaryolarına hizmet etmek için birleştirecek. Eğitilmiş modeller dağıtabilir ve kullanıcılara en iyi maliyetle çıkarım hesaplama hizmetleri sağlayabilir. Bu çözüm kullanıcılara daha yakındır, daha hızlı hizmetler sunar ve daha uygun maliyetlidir.

• Arz ve talep açısından bakıldığında, Akash Network'ü örnek aldığımızda, istatistiklerine göre toplam CPU sayısı yaklaşık 16k, GPU sayısı ise 378'dir. Ağ kiralama talebine göre ise CPU ve GPU kullanım oranları sırasıyla 11.1% ve 19.3%'dir. Bunların arasında yalnızca profesyonel sınıf GPU H 100 nispeten yüksek bir kiralama oranına sahip ve diğer modeller çoğunlukla boşta. Diğer ağların karşılaştığı durum, Akash ile hemen hemen aynı. Ağ için genel talep yüksek değil. A 100 ve H 100 gibi popüler yongalar hariç, diğer bilgi işlem gücü çoğunlukla boşta.

• Fiyat avantajı açısından bakıldığında bulut bilişim pazarındaki devler hariç, diğer geleneksel servis sağlayıcılara kıyasla maliyet avantajı belirgin değildir.

2.4 Finansal Performans

• Token modeli nasıl tasarlanırsa tasarlansın, sağlıklı bir token ekonomisinin aşağıdaki temel koşulları karşılaması gerekir: 1) Ağ için kullanıcı talebinin coin fiyatına yansıması gerekir, bu da tokenin değer yakalayabildiği anlamına gelir; 2) Geliştiriciler, düğümler veya kullanıcılar olsun tüm katılımcılar uzun vadeli ve adil teşvikler almalıdır; 3) İçeridekilerin aşırı miktarda tutmasını önlemek için merkezi olmayan yönetişimin sağlanması; 4) Ağın sağlamlığını ve sürdürülebilirliğini etkileyen coin fiyatlarında büyük dalgalanmaların önlenmesi için makul enflasyon ve deflasyon mekanizmaları ve token yayın döngüleri.

• Token modelini genel olarak BME (yakma ve basma dengesi) ve SFA (erişim için hisse) olarak ayırırsak, bu iki modelin token'ları üzerindeki deflasyonist baskı kaynakları farklıdır: BME modeli, kullanıcılar hizmetleri satın aldıktan sonra token'ları yakar, bu nedenle sistemin deflasyonist baskısı talep tarafından belirlenir. SFA, hizmet sağlayıcıların/düğümlerin hizmet sağlama yeterliliğini elde etmek için token'ları hisselendirmesini gerektirir, bu nedenle deflasyonist baskı arz tarafından getirilir. BME'nin avantajı, standartlaştırılmamış mallar için daha uygun olmasıdır. Ancak, ağa olan talep yetersizse, devam eden enflasyon baskısıyla karşı karşıya kalabilir. Çeşitli projelerin token modelleri ayrıntılarda farklılık gösterir, ancak genel olarak, Aethir SFA'yı tercih ederken, io.net, Render Network ve Akash Network BME'yi tercih ediyor, Gensyn ise henüz bilinmiyor.

• Gelir perspektifinden, ağa olan talep doğrudan genel ağ gelirine yansıyacaktır (madencilerin geliri burada tartışılmamaktadır, çünkü madenciler görevleri tamamlamanın ödüllerine ek olarak projeden sübvansiyon almaktadır). Kamu verilerine göre, io.net en yüksek değere sahiptir. Aethir'in geliri henüz açıklanmamış olsa da, kamu bilgilerine göre, birçok B-side müşterisiyle sipariş imzaladıklarını duyurdular.

• Coin fiyatları açısından, yalnızca Render Network ve Akash Network ICO'lar gerçekleştirdi. Aethir ve io.net de yakın zamanda coin çıkardı ve fiyat performanslarının gözlemlenmesi gerekiyor, bu yüzden burada bunları ayrıntılı olarak tartışmayacağız. Gensyn'in planı hala belirsiz. Coin çıkaran iki projeden ve coin çıkaran ancak bu makalenin kapsamına girmeyen aynı yolda olan projelerden, Genel olarak, merkezi olmayan bilgi işlem gücü ağı çok etkileyici bir fiyat performansına sahiptir ve bu, bir ölçüde büyük pazar potansiyelini ve topluluğun yüksek beklentilerini yansıtır.

2.5 Özet

• Dağıtık bilgi işlem ağı yolu genel olarak hızla gelişti ve birçok proje müşterilere hizmet etmek ve belirli bir gelir elde etmek için ürünlere güvenebilir. Yol saf anlatıdan uzaklaştı ve ön hizmetler sağlayabileceği bir geliştirme aşamasına girdi.

• Zayıf talep, merkezi olmayan bilgi işlem ağlarının karşılaştığı yaygın bir sorundur ve uzun vadeli müşteri talebi iyi bir şekilde doğrulanmamış ve araştırılmamıştır. Ancak, talep tarafı coin fiyatını çok fazla etkilememiştir ve halihazırda coin çıkarmış olan birkaç proje iyi performans göstermiştir.

• Yapay zeka, merkezi olmayan bilgi işlem ağının ana anlatısıdır, ancak tek iş değildir. Yapay zeka eğitimi ve çıkarımı için kullanılmasının yanı sıra, bilgi işlem gücü bulut oyunlarının, bulut mobil telefon hizmetlerinin ve daha fazlasının gerçek zamanlı işlenmesi için de kullanılabilir.

• Hesaplama gücü ağının donanım çeşitliliği nispeten yüksektir ve hesaplama gücü ağının kalitesinin ve ölçeğinin daha da iyileştirilmesi gerekmektedir.

• C-son kullanıcıları için maliyet avantajı çok belirgin değildir. B-son kullanıcıları için maliyet tasarruflarına ek olarak, hizmetin istikrarını, güvenilirliğini, teknik desteğini, uyumluluğunu ve yasal desteğini vb. de göz önünde bulundurmaları gerekir ve Web3 projeleri genellikle bu yönlerden iyi performans göstermez.

3 Son düşünceler

Yapay zekanın patlayıcı büyümesi, hesaplama gücüne yönelik muazzam bir talep yarattı. 2012'den beri, yapay zeka eğitim görevlerinde kullanılan hesaplama gücü katlanarak büyüyor ve şu anda her 3,5 ayda bir ikiye katlanıyor (Moores Yasası'nın her 18 ayda bir ikiye katlanmasıyla karşılaştırıldığında). 2012'den beri, hesaplama gücüne yönelik talep 300.000 kattan fazla artarak Moore Yasası'nın 12 katlık büyümesini çok aştı. Tahminlere göre, GPU pazarının önümüzdeki beş yıl içinde 32% bileşik yıllık büyüme oranıyla $200 milyarın üzerine çıkması bekleniyor. AMD'nin tahmini daha da yüksek ve şirket GPU çip pazarının 2027'ye kadar $400 milyara ulaşmasını bekliyor.

Resim kaynağı: https://www.stateof.ai/

Çünkü yapay zekanın ve diğer hesaplama açısından yoğun iş yüklerinin (AR/VR işleme gibi) patlayıcı büyümesi, geleneksel bulut bilişim ve önde gelen bilişim pazarlarındaki yapısal yetersizlikleri ortaya çıkardı. Teoride, merkezi olmayan bilişim ağları, dağıtılmış boş bilişim kaynaklarını kullanarak daha esnek, düşük maliyetli ve verimli çözümler sağlayabilir ve böylece pazarın bilişim kaynaklarına yönelik muazzam talebini karşılayabilir. Bu nedenle, kripto ve yapay zekanın birleşimi büyük bir pazar potansiyeline sahiptir, ancak aynı zamanda geleneksel şirketlerden gelen sert rekabet, yüksek giriş engelleri ve karmaşık bir pazar ortamıyla karşı karşıyadır. Genel olarak tüm kripto alanlarına bakıldığında, merkezi olmayan bilgi işlem ağları, kripto alanında gerçek ihtiyaçları karşılayabilecek en umut verici dikeylerden biridir.

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

Gelecek parlak, ancak yol çetrefilli. Yukarıdaki vizyonu başarmak için hala birçok sorunu ve zorluğu çözmemiz gerekiyor. Özetle: Bu aşamada, yalnızca geleneksel bulut hizmetleri sağlarsak, projenin kar marjı çok küçüktür. Talep açısından, büyük işletmeler genellikle kendi bilgi işlem güçlerini oluşturur ve saf C-end geliştiriciler çoğunlukla bulut hizmetlerini seçer. Gerçekten merkezi olmayan bilgi işlem gücü ağ kaynaklarını kullanan küçük ve orta ölçekli işletmelerin istikrarlı bir talebe sahip olup olmayacağı hala daha fazla araştırma ve doğrulamaya ihtiyaç duymaktadır. Öte yandan, AI çok yüksek bir üst sınıra ve hayal gücüne sahip geniş bir pazardır. Daha geniş bir pazar için, merkezi olmayan bilgi işlem gücü hizmet sağlayıcılarının gelecekte model/AI hizmetlerine dönüşmesi, daha fazla kripto + AI kullanım senaryosunu keşfetmesi ve projenin yaratabileceği değeri genişletmesi gerekecektir. Ancak şu anda, AI alanında daha fazla gelişme sağlanması gereken hala birçok sorun ve zorluk bulunmaktadır:

• Fiyat avantajı olağanüstü değil : Önceki veri karşılaştırmasından, merkezi olmayan bilgi işlem ağının maliyet avantajının yansıtılmadığı görülebilir. Bunun olası nedeni, yüksek talep gören H100 ve A100 gibi profesyonel çipler için piyasa mekanizmasının donanımın bu kısmının fiyatının ucuz olmayacağını belirlemesidir. Ayrıca, merkezi olmayan ağ boştaki bilgi işlem kaynaklarını toplayabilse de, merkezi olmayanlığın getirdiği ölçek ekonomisinin olmaması, yüksek ağ ve bant genişliği maliyetleri ve son derece karmaşık yönetim ve işletme ve bakım, bilgi işlem maliyetini daha da artıracaktır.

• Yapay Zeka eğitiminin özelliği : AI eğitiminin merkezi olmayan bir şekilde mevcut aşamasında büyük teknik darboğazlar bulunmaktadır. Bu darboğaz, GPU iş akışında sezgisel olarak yansıtılabilir. Büyük dil modellerinin eğitiminde, GPU önce önceden işlenmiş veri gruplarını alır ve gradyanlar oluşturmak için ileri yayılım ve geri yayılım hesaplamaları gerçekleştirir. Daha sonra, her GPU gradyanları toplar ve tüm GPU'ların senkronize olduğundan emin olmak için model parametrelerini günceller. Bu süreç, tüm eğitim grupları tamamlanana veya önceden belirlenmiş tur sayısına ulaşılana kadar tekrarlanacaktır. Bu süreç, büyük miktarda veri iletimi ve senkronizasyonu içerir. Hangi tür paralel ve senkronizasyon stratejilerinin kullanılacağı, ağ bant genişliğinin ve gecikmenin nasıl optimize edileceği ve iletişim maliyetlerinin nasıl azaltılacağı vb. henüz iyi bir şekilde yanıtlanmamıştır. Bu aşamada, AI'yı eğitmek için merkezi olmayan bir bilgi işlem gücü ağı kullanmak çok gerçekçi değildir.

• Veri güvenliği ve gizliliği : Büyük dil modellerinin eğitimi sırasında, veri dağıtımı, model eğitimi, parametre ve gradyan toplama gibi veri işleme ve iletiminin tüm yönleri veri güvenliğini ve gizliliğini etkileyebilir. Ayrıca, veri gizliliği model gizliliğinden daha önemlidir. Veri gizliliği sorunu çözülemezse, talep tarafında gerçek anlamda ölçeklendirme mümkün olmayacaktır.

En gerçekçi bakış açısından, merkezi olmayan bir bilgi işlem ağının hem mevcut talep keşfini hem de gelecekteki pazar alanını hesaba katması gerekir. Doğru ürün konumlandırmasını ve hedef müşteri gruplarını bulun, örneğin öncelikle AI olmayan veya Web3 yerel projeleri hedefleyin, nispeten marjinal ihtiyaçlarla başlayın ve erken bir kullanıcı tabanı oluşturun. Aynı zamanda, AI ve kriptoyu birleştiren çeşitli senaryoları keşfetmeye devam edin, teknolojinin ön saflarını keşfedin ve hizmetlerin dönüşümünü ve yükseltmesini sağlayın.

Referanslar

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

Bu makale internetten alınmıştır: Uçta doğdu: Merkezi olmayan bilgi işlem gücü ağı Kripto ve Yapay Zeka'yı nasıl güçlendiriyor?

İlgili: Nisan Ayında Milyarlarca Shiba Inu (SHIB) Token'ı Kazayla Yakıldı

Özetle Nisan ayında 1,69 milyar Shiba Inu (SHIB) tokeni yakıldı. Yakmalar kazara oldu ve potansiyel fiyat etkileri oluşturdu. Piyasa karışık sinyaller veriyor ve olası yükseliş eğilimi var. Shiba Inu (SHIB) topluluğu, Nisan ayı boyunca 204 ayrı işlemde dağıtılan yaklaşık 1,69 milyar SHIB tokeninin yakıldığını gözlemledi. Mevcut Shiba Inu tokenlerindeki bu önemli azalma, stratejik piyasa manevralarının sonucu değil, Shiba Inu'nun fiyatını ciddi şekilde etkileyebilecek bir şekilde kazara yapılan transferlerin sonucuydu. Piyasa Yakılan 1,69 Milyar SHIB'e Tepki Gösterdi ShibBurn'e göre, token yakmalarındaki artışın başlıca nedeni kullanıcıların SHIB'yi yanlışlıkla Sözleşme Adresine göndermesiydi. "Bu, birçok kişinin bildirdiği gibi büyük bir haberden veya başka bir şeyden kaynaklanmıyor... sadece insanların hata yapması, tokenlerini CA'ya göndermesi ve yatırımlarını kaybetmesi. Dikkatli olun ve...