บทนำ

ในบทความก่อนหน้าของฉัน ฉันได้กล่าวถึงว่าเมื่อเปรียบเทียบกับวงจรที่ผ่านมา 2 วงจร วงจรตลาดกระแสของสกุลเงินดิจิทัลนี้ขาดเรื่องราวธุรกิจใหม่และสารภาพทรัพย์ที่มีอิทธิพล AI เป็นหนึ่งในเรื่องราวใหม่ที่เล็กน้อยในรอบนี้ของฟิลด์ Web3 ในบทความนี้ ฉันจะรวมโปรเจค AI ที่มีความฮอตในปีนี้ คือ IO.NET เพื่อหาคำถามสองประการต่อไปนี้

1. ความจำเป็นของ AI+Web3 ในธุรกิจ

2. ความจำเป็นและความท้าทายของบริการคอมพิวเตอร์แบบกระจาย

นอกจากนี้ ฉันจะจัดระเบียบข้อมูลสำคัญของโครงการแทนที่ในการคำนวณแบบกระจาย AI: โครงการ IO.NET ซึ่งรวมถึงตรรกะผลิตภัณฑ์ สถานการณ์การแข่งขัน และประวัติโครงการ ฉันยังจะศึกษาข้อมูลการประเมินมูลค่าของโครงการด้วย

ส่วนของบทความนี้เกี่ยวกับการผสม AI และ Web3 ได้รับแรงบันดาลจาก “The Real Merge” ที่เขียนโดยนักวิจัย Delphi Digital ชื่อ Michael Rinko บางมุมมองในบทความนี้รวบรวมและอ้างอิงจากกระดาษดั้งเดิมนั้น และฉันขอแนะนำผู้อ่านให้อ้างอิงไปที่ต้นฉบับ

บทความนี้แสดงความคิดเห็นชั่วคราวของฉันตามวันที่เผยแพร่ สถานการณ์อาจเปลี่ยนแปลงในอนาคตและมุมมองมีลักษณะเชิงส่วนบุคคลที่แข็งแรง อาจมีข้อผิดพลาดที่เกี่ยวกับข้อมูลหรือเหตุผล โปรดอย่าใช้เป็นคำแนะนำทางการลงทุน และฉันยินดีต้อนรับความคิดเห็นและการอภิปรายจากเพื่อนร่วมงานของฉัน

ข้อความหลักคือ

1.ตรรกะธุรกิจ: การตัดสินใจของ AI และ Web3

1.1 2023: ปี “ปีปาฏิ miracle” ใหม่ ที่สร้างขึ้นโดย AI

มองย้อนกลับไปที่ประวัติศาสตร์มนุษย์ เมื่อเทคโนโลยีทำการพัฒนาได้ ทุกอย่างตั้งแต่ชีวิตประจำวันของบุคคล ไปจนถึงทิวทัศน์อุตสาหกรรมต่างๆ และแม้กระทั่งถึงอัตลักษณ์ทั้งหมดของมนุษยชาติ จะเกิดการเปลี่ยนแปลงที่เป็นการปฏิวัติ

มีปีสำคัญสองปีในประวัติศาสตร์ของมนุษยชาติ คือปี 1666 และ 1905 ที่เรียกว่าเป็น "ปีปาฏิหาริย์" สองปีในประวัติศาสตร์ของเทคโนโลยีตอนนี้

ปี ค.ศ. 1666 ถือเป็นปีแห่งปาฏิหาริย์เพราะความสําเร็จทางวิทยาศาสตร์ของนิวตันเกิดขึ้นอย่างเด่นชัดในช่วงเวลานี้ ในปีนั้นเขาเป็นผู้บุกเบิกสาขาฟิสิกส์ที่เรียกว่าเลนส์ก่อตั้งสาขาคณิตศาสตร์ของแคลคูลัสและได้รับกฎแรงโน้มถ่วงซึ่งเป็นกฎพื้นฐานของวิทยาศาสตร์ธรรมชาติสมัยใหม่ ความสําเร็จแต่ละอย่างเหล่านี้เป็นผลงานพื้นฐานในการพัฒนาทางวิทยาศาสตร์ของมนุษยชาติในศตวรรษหน้าซึ่งช่วยเร่งความก้าวหน้าโดยรวมของวิทยาศาสตร์อย่างมีนัยสําคัญ

ปีปาฏิหาริย์ครั้งที่สองคือปี 1905 เมื่อไอน์สไตน์อายุเพียง 26 ปีตีพิมพ์เอกสารสี่ฉบับติดต่อกันใน "พงศาวดารฟิสิกส์" ซึ่งครอบคลุมเอฟเฟกต์โฟโตอิเล็กทริก (วางรากฐานสําหรับกลศาสตร์ควอนตัม) การเคลื่อนที่ของบราวเนียน (กลายเป็นข้อมูลอ้างอิงที่สําคัญสําหรับการวิเคราะห์กระบวนการสุ่ม) ทฤษฎีสัมพัทธภาพพิเศษ และสมการมวลพลังงาน (สูตรที่มีชื่อเสียง E=MC^2) ในการประเมินในภายหลังเอกสารแต่ละฉบับเหล่านี้ถือว่าเกินระดับเฉลี่ยของรางวัลโนเบลสาขาฟิสิกส์ (ไอน์สไตน์เองก็ได้รับรางวัลโนเบลจากบทความของเขาเกี่ยวกับเอฟเฟกต์โฟโตอิเล็กทริก) และอีกครั้งความก้าวหน้าทางประวัติศาสตร์ของอารยธรรมมนุษย์ได้ก้าวกระโดดครั้งใหญ่หลายครั้ง

ปี 2023 ที่ผ่านมาเป็นปีที่น่าจะถูกเรียกว่า "ปีปาฏิหาริย์" เนื่องจาก ChatGPT

เราถือว่าปี 2023 เป็นอีกหนึ่ง "ปีมหัศจรรย์" ในประวัติศาสตร์ของเทคโนโลยีมนุษย์ไม่เพียงเพราะความก้าวหน้าที่สําคัญ GPT ได้ทําในความเข้าใจและการสร้างภาษาธรรมชาติ แต่ยังเป็นเพราะมนุษยชาติได้ถอดรหัสรูปแบบการเติบโตของแบบจําลองภาษาขนาดใหญ่จากวิวัฒนาการของ GPT นั่นคือโดยการขยายพารามิเตอร์แบบจําลองและข้อมูลการฝึกอบรม ความสามารถของโมเดลสามารถปรับปรุงได้อย่างทวีคูณและกระบวนการนี้ยังไม่เห็นคอขวดระยะสั้น (ตราบใดที่มีพลังการคํานวณเพียงพอ)

ความสามารถนี้ขยายไปไกลกว่าการทําความเข้าใจภาษาและสร้างบทสนทนาและใช้กันอย่างแพร่หลายในสาขาเทคโนโลยีต่างๆ ตัวอย่างเช่นในสาขาชีววิทยาในปี 2018 ฟรานเซสอาร์โนลด์ผู้ได้รับรางวัลโนเบลสาขาเคมีกล่าวในระหว่างพิธีมอบรางวัลว่า "วันนี้ในการใช้งานจริงเราสามารถอ่านเขียนและแก้ไขลําดับดีเอ็นเอใด ๆ แต่เรายังไม่สามารถเขียนได้" เพียงห้าปีหลังจากการกล่าวสุนทรพจน์ของเธอในปี 2023 นักวิจัยจากมหาวิทยาลัยสแตนฟอร์ดและ Salesforce Research ใน Silicon Valley ได้ตีพิมพ์บทความใน "Nature Biotechnology" พวกเขาสร้างโปรตีนใหม่ 1 ล้านตัวตั้งแต่เริ่มต้นโดยใช้แบบจําลองภาษาขนาดใหญ่ที่ปรับแต่งจาก GPT3 และระบุโปรตีนสองตัวที่มีโครงสร้างที่แตกต่างกันทั้งที่มีความสามารถในการต้านเชื้อแบคทีเรียซึ่งอาจกลายเป็นโซลูชันใหม่ในการต่อสู้กับแบคทีเรียนอกเหนือจากยาปฏิชีวนะ นี่หมายความว่าคอขวดใน "การสร้าง" โปรตีนถูกทําลายด้วยความช่วยเหลือของ AI

นอกจากนี้อัลกอริทึม AI AlphaFold ทำนายโครงสร้างของโปรตีนกว่า 214 ล้านโปรตีนบนโลกในระยะเวลา 18 เดือน ซึ่งเป็นความสามารถที่เกินกว่าผลลัพธ์รวมของนักชีววิทยาโครงสร้างทั้งหมดในประวัติศาสตร์มากกว่าร้อยเท่า

ด้วยโมเดลที่ใช้ AI ในวิทยาศาสตร์ชีวภาพ เศรษฐศาสตร์วัสดุ การพัฒนายา และวิทยาศาสตร์ที่ยากลำบาก และในมนุษยธรรมเช่นกฎหมายและศิลปะ การเปลี่ยนแปลงที่วางมาใหม่นั้นเป็นสิ่งที่หลีกเลี่ยงไม่ได้ และปี 2023 เป็นจริงๆ ปีแรกสำหรับการก้าวหน้าทั้งหมดเหล่านี้

เราทุกคนรู้ว่าในศตวรรษที่ผ่านมา การสร้างความร่ำรวยของมนุษย์เติบโตอย่างก้าวกระโดด และการเจริญรุ่งของเทคโนโลยี AI อย่างรวดเร็ว จะเสริมสร้างกระบวนการนี้ไปอีกด้วย

แผนภูมิแนวโน้ม GDP ระดับโลก แหล่งข้อมูล: ธนาคารโลก

1.2 การผสมรวมของ AI และ Crypto

เพื่อเข้าใจถึงความจำเป็นของการผสาน AI และ Crypto ในทางพื้นฐาน จะเริ่มต้นจากลักษณะที่สมบูรณ์ของพวกเขา

ลักษณะที่สมบูรณ์ของ AI และ Crypto

AIมีสามคุณลักษณะ:

1. ความสุ่ม: ปัญญาประดิษฐ์แสดงความสุ่ม; กลไกที่อยู่เบื้องหลังการสร้างเนื้อหาของมันคือกล่องดำซึ่งยากที่จะทำซ้ำและตรวจสอบได้ ดังนั้นผลลัพธ์ก็เป็นสุ่มเช่นกัน

2. ทรัพยากรที่ใช้มาก: ปัจจุบัน AI เป็นอุตสาหกรรมทรัพยากรที่ต้องใช้พลังงานจำนวนมาก ชิป และพลังคำนวณ

3. ความฉลาดเหมือนมนุษย์: AI จะสามารถผ่านการทดสอบ Turing ได้ในไม่ช้า จากนั้นจะทำให้ยากต่อการ differentiating ระหว่างมนุษย์และเครื่อง

ในวันที่ 30 ตุลาคม 2023 ทีมวิจัยจากมหาวิทยาลัยแคลิฟอร์เนีย ซานดีเอโก ปล่อยผลการทดสอบ Turing สำหรับ GPT-3.5 และ GPT-4.0 GPT-4.0 ได้คะแนน 41% เพียง 9% ห่างจากเกณฑ์ผ่าน 50% เท่านั้น ซึ่งมีผู้เข้าร่วมทดสอบคน โดยมนุษย์ ได้คะแนน 63% ความหมายของการทดสอบ Turing นี้คือเปอร์เซ็นต์ของคนที่เชื่อว่าเพื่อนคุยของพวกเขาเป็นมนุษย์ หากมีมากกว่า 50% เชื่อว่าเช่นนั้น แสดงว่าอย่างน้อยครึ่งของคนพิจารณาว่าองค์กรที่พูดคุยเป็นมนุษย์ ไม่ใช่เครื่องจึงถือว่าผ่านการทดสอบ Turing

ในขณะที่ AI สร้างผลิตภัณฑ์ที่เจริญเติบโตใหม่สำหรับมนุษยชาติ คุณลักษณะสามอย่างของมันยังเป็นอุปสรรคที่สำคัญต่อสังคมมนุษย์ เช่น:

• วิธีการยืนยันและควบคุมความสุ่มสีของ AI เพื่อที่จะกลับไปจากข้อบกพร่องเป็นข้อได้เปรียบ

• วิธีการประหยัดพลังงานและการคำนวณที่สำคัญของ AI

• วิธีการแยกแยะระหว่างมนุษย์และเครื่องจักร

เศรษฐศาสตร์ของสกุลเงินดิจิทัลและบล็อกเชนอาจเป็นทางออกจากความท้าทายที่เกิดขึ้นจาก AI ประเทศเศรษฐกิจทางคริปโทมีลักษณะทั้ง 3 ดังต่อไปนี้:

1. การกำหนด: การดำเนินงานธุรกิจขึ้นอยู่กับบล็อกเชน, โค้ด, และสมาร์ทคอนแทรค โดยมีกฎเกณฑ์และขอบเขตชัดเจน; ข้อมูลนำทางผลลัพธ์ ทำให้มีการกำหนดอย่างแน่นอนสูง

2. การจัดสรรทรัพยากรอย่างมีประสิทธิภาพ: ในเศรษฐกิจสกุลเงินดิจิทัลได้สร้างตลาดเสรีระดับโลกขนาดใหญ่ที่เร็วมากในเรื่องราคา การระดมทุน และการหมุนเวียนของทรัพยากร เนื่องจากมีโทเค็นอยู่ สิ่งสร้างสรรค์สามารถเร่งการตรงกันของการมีจำหน่ายและความต้องการในตลาดได้ โดยสามารถเดินทางไปยังจุดวิกฤตได้เร็วขึ้น

3. ไม่มีความเชื่อมั่น: ด้วยสมุดบัญชีสาธารณะและโค้ดเปิด, ทุกคนสามารถยืนยันการทำงานได้อย่างง่ายดาย ซึ่งเป็นเหตุให้เกิดระบบที่ "ไม่ต้องเชื่อ" อีกทั้งเทคโนโลยี ZK (Zero-Knowledge) ช่วยป้องกันการเปิดเผยข้อมูลส่วนตัวในระหว่างการยืนยัน

เรามาสร้างภาพความสอดคล้องกันระหว่าง AI และเศรษฐกิจสกุลเงินดิจิทัลด้วยตัวอย่างสามอัน

ตัวอย่าง A: การแก้ปัญหาความสุ่ม, ตัวแทน AI ที่มีพื้นฐานจากเศรษฐกิจสกุลเงินดิจิทัล

เอไอ เอเจนต์ เช่น โดยเฉพาะเจ้าของ Fetch.AI ถูกออกแบบให้ทำตามความปรารถนาของมนุษย์และปฏิบัติงานแทนมนุษย์ หากเราต้องการให้เอเอไอเจนต์ของเราจัดการธุรกรรมทางการเงิน เช่น “การซื้อ $1000 ของ BTC” มันอาจเผชิญกับสองสถานการณ์

• สถานการณ์หนึ่ง: ต้องติดต่อกับสถาบันการเงินดั้งเดิม (เช่น BlackRock) เพื่อซื้อ BTC ETFs ซึ่งเผชิญกับปัญหาความเข้ากันได้มากมายกับตัวแทน AI และสถาบันกลาง เช่น KYC, การทบทวนเอกสาร, เข้าสู่ระบบ และการยืนยันตัวตน ซึ่งในปัจจุบันเป็นเรื่องยุ่งยากมาก

• สถานการณ์ที่สอง: มันทํางานตามเศรษฐกิจ crypto ดั้งเดิมซึ่งง่ายกว่ามาก มันสามารถทําธุรกรรมได้โดยตรงผ่าน Uniswap หรือแพลตฟอร์มการซื้อขายรวมที่คล้ายกันโดยใช้ลายเซ็นของบัญชีของคุณทําธุรกรรมให้เสร็จอย่างรวดเร็วและง่ายดายเพื่อรับ WBTC (หรือรูปแบบ BTC ห่ออื่น ๆ ) โดยพื้นฐานแล้วนี่คือสิ่งที่บอทซื้อขายต่างๆกําลังทําอยู่แม้ว่าจะมุ่งเน้นไปที่การซื้อขายในตอนนี้เท่านั้น เมื่อ AI ผสานรวมและพัฒนาบอทซื้อขายในอนาคตจะสามารถดําเนินการตามความตั้งใจในการซื้อขายที่ซับซ้อนมากขึ้นอย่างไม่ต้องสงสัยเช่นการติดตามกลยุทธ์การซื้อขายและอัตราความสําเร็จของที่อยู่เงินอัจฉริยะ 100 รายการบนบล็อกเชนการทําธุรกรรมที่คล้ายกันกับ 10% ของเงินทุนของฉันในช่วงหนึ่งสัปดาห์และหยุดและสรุปสาเหตุของความล้มเหลวหากผลลัพธ์ไม่เป็นที่น่าพอใจ

AI ดำเนินการได้ดีกว่าภายในระบบบล็อกเชนโดยส่วนใหญ่เนื่องจากความชัดเจนของกฎเศษเศรษฐศาสตร์แบบคริปโตและการเข้าถึงระบบที่ไม่ถูกจำกัด ภายใต้กฎที่ถูกกำหนดไว้เหล่าความเสี่ยงที่เกิดขึ้นจากความสุ่มของ AI จะถูกลดลง ตัวอย่างเช่น AI ได้เหนือกว่ามนุษย์ในเกมการ์ดและเกมวิดีโอเนื่องจากกฎเศษที่ชัดเจนและปิดทอป อย่างไรก็ตาม ความก้าวหน้าในการขับขี่อัตโนมัสยังค่อนข้างช้าเนื่องจากความท้าทายของสภาพแวดล้อมภายนอกที่เปิดเผย และเราน้อยทนต่อความสุ่มของการแก้ปัญหาของ AI ในการตั้งค่าดังกล่าว

ตัวอย่าง B: การรูปร่างทรัพยากรผ่านกำลังจูงใจด้วยโทเค็น**

เครือข่ายโลกของ BTC ที่มีอัตราการขุดเหมืองรวมทั้ง 576.70 EH/s เกินกว่าพลังการคำนวณรวมของคอมพิวเตอร์สุดล้ำของประเทศใด ๆ การพัฒนาของมันถูกขับเคลื่อนโดยแรงกระตุ้นของเครือข่ายที่เรียบง่ายและยุติธรรม

แนวโน้มความสามารถในการคำนวณของเครือข่าย BTC ที่มาจาก: https://www.coinwarz.com/

นอกจากนี้โครงการที่รวมถึง DePIN ของ Mobile กำลังพยายามจะสร้างตลาดสองด้านสำหรับการจัดหาและความต้องการผ่านกำลังบันทึกโทเค็น เพื่อให้เกิดผลกระทบในเครือข่าย เน้นของการอภิปรายต่อไปในบทความนี้ IO.NET คือแพลตฟอร์มที่ออกแบบเพื่อรวบรวมพลังการคำนวณ AI หวังว่าจะปลดปล่อยศักยภาพ AI มากขึ้นผ่านโมเดลโทเค็น

ตัวอย่าง C: โค้ดโอเพ่นซอร์ส การนำเสนอของ Zero-Knowledge Proofs (ZK) เพื่อแยกคนจากเครื่อง พร้อมป้องกันความเป็นส่วนตัว

เป็นโครงการ Web3 ที่เกี่ยวข้องกับผู้ก่อตั้ง OpenAI อย่าง Sam Altman โลกคอยน์ใช้อุปกรณ์ฮาร์ดแวร์ที่เรียกว่า Orb ซึ่งสร้างค่าแฮชที่เป็นเอกลักษณ์และไม่ระบุชื่อใดชื่อมาจากไอริสของมนุษย์ผ่านเทคโนโลยี ZK เพื่อยืนยันตัวตนและแยกแยะมนุษย์จากเครื่อง เริ่มต้นใช้ ID ของโลกคอยน์เพื่อยืนยันตัวตนของมนุษย์จริงและแจกสิทธิพิเศษให้ผู้ใช้จริงๆ ในโครงการศิลปะ Web3 Drip เมื่อต้นปีนี้

นอกจากนี้ Worldcoin ได้เปิดเผยโค้ดโปรแกรมของฮาร์ดแวร์ระบบสแกนไอริส Orb ของตนเมื่อเร็วๆ นี้ เพื่อรักษาความปลอดภัยและความเป็นส่วนตัวของข้อมูลชีพจรของผู้ใช้

โดยรวมแล้ว, เศรษฐกิจสกุลเงินดิจิทัลได้เป็นทางเลือกที่มีศักยภาพสำคัญต่อปัญหาที่เกิดขึ้นจาก AI ต่อสังคมมนุษย์ เนื่องจากความแน่นอนของรหัสและการเข้ารหัส, ข้อดีของการวงจรทรัพยากรและการระดมทุนที่นำเสนอโดยกลไกโทเค็น, และลักษณะที่ไม่มีความไว้วางใจขึ้นอยู่บนรหัสซอร์สโอเพนและสมุดบันทึกสาธิต

ที่สำคัญที่สุดและท้าทายทางพาณิชย์อย่างเร่งด่วนคือความกระหายที่สุดของทรัมย์ทริเคิลในการเข้าถึงทรัมย์ทริเคิลโดยผลิตภัณฑ์ AI ซึ่งเกี่ยวข้องกับความต้องการทรัมย์ทริเคิลและพลังการคำนวณที่มากมาย

นี่เป็นเหตุผลหลักที่โครงการคำนวณแบบกระจายได้นำทางการเล่น AI โดยรวมในวงจรตลาดของโบราณนี้

ความจำเป็นทางพาณิชย์ของการคำนวณแบบกระจาย

AI ต้องการทรัพยากรคำนวณมากมาย ทั้งสำหรับการฝึกโมเดลและสำหรับการอินเฟอเรนซ์

ในการฝึกโมเดลภาษาขนาดใหญ่ ได้ยืนยันว่า หากมีข้อมูลพารามิเตอร์ใหญ่เพียงพอ จะเกิดความสามารถใหม่ขึ้นที่ไม่เคยมีมาก่อน ทุ่มเทใน GPT ทุ่มเทเป็นอย่างมากในความสามารถเมื่อเทียบกับรุ่นก่อนหน้า รองรับด้วยการเจริญเติบโตแบบกำลังของปริมาณการคำนวณที่เพิ่มขึ้นแบบกำลัง

การวิจัยโดย DeepMind และ Stanford University แสดงให้เห็นว่าแบบจําลองภาษาขนาดใหญ่ที่แตกต่างกันเมื่อเผชิญกับงานต่าง ๆ (การคํานวณ QA เปอร์เซียความเข้าใจภาษาธรรมชาติ ฯลฯ ) ดําเนินการคล้ายกับคําตอบแบบสุ่มจนกว่าการฝึกอบรมจะน้อยกว่า 10 ^ 22 FLOPs (FLOPs หมายถึงการดําเนินการจุดลอยตัวต่อวินาทีซึ่งเป็นการวัดประสิทธิภาพการคํานวณ) อย่างไรก็ตามเมื่อขนาดของพารามิเตอร์เกินเกณฑ์ที่สําคัญนั้นประสิทธิภาพของงานใด ๆ จะดีขึ้นอย่างมากโดยไม่คํานึงถึงรูปแบบภาษา

来源：Emergent Abilities of Large Language Models

ความสามารถที่เกิดขึ้นของโมเดลภาษาขนาดใหญ่

เป็นหลักการของ "การบรรลุปาฏิหาริย์ด้วยพลังการคำนวณที่ยิ่งใหญ่" และการพิสูจน์ในการปฏิบัติที่นำสามอัลต์แมนผู้ก่อตั้ง OpenAI ไปสู่ขั้นตอนขอให้เงิน 7 ล้านล้านดอลลาร์สหรัฐเพื่อสร้างโรงงานชิปขั้นสูงที่มีขนาดใหญ่กว่าโรงงานปัจจุบันของ TSMC 10 เท่า คาดว่าจะใช้เงิน 1.5 ล้านล้านดอลลาร์สหรัฐสำหรับส่วนนี้ โดยเงินที่เหลือจะใช้สำหรับการผลิตชิปและการฝึกโมเดล

นอกจากการฝึกอบรมโมเดล AI กระบวนการอาการของตัวโมเดลเองก็ต้องใช้อำนาจคำนวณอย่างเช่นเดียวกับที่จำเป็นสำหรับการฝึก ดังนั้นความปรารถนาสำหรับชิปและอำนาจคำนวณได้กลายเป็นเรื่องปกติในหมู่แข่งขัน AI

เมื่อเปรียบเทียบกับผู้ให้บริการคำนวณ AI แบบกลางที่เช่น Amazon Web Services, Google Cloud Platform และ Azure ของ Microsoft, คุณค่าหลักของการคำนวณ AI แบบกระจายไปที่รวมถึง:

• การเข้าถึง: การเข้าถึงชิปคอมพิวเตอร์ผ่านบริการคลาวด์ เช่น AWS, GCP, หรือ Azure 通常ใช้เวลาสัปดาห์และโมเดล GPU ยอดนิยมมักขาดสต็อกอยู่บ่อย นอกจากนี้ เพื่อให้ได้พลังการคำนวณ ผู้บริโภค 通常ต้องทำสัญญายาวนานและไม่ยืดหยุ่นกับบริษัทใหญ่เหล่าเหล่านี้ ในทวีปเศรษฐกิจใหม่เช่นการคำนวณแบบกระจาย สามารถให้ตัวเลือกฮาร์ดแวร์ที่ยืดหยุ่นกว่า
• การกำหนดราคาต่ำลง: โดยใช้ชิปว่างเปล่าร่วมกับการสนับสนุนโทเค็นจากโปรโตคอลของเครือข่ายให้กับผู้ให้บริการชิปและความสามารถในการคำนวณ ระบบเครือข่ายการคำนวณกระจายอาจมีค่าความสามารถในการคำนวณที่เหมาะสมมากขึ้น
• การต้านการเซ็นเซอร์: ในปัจจุบันชิปคอมพิวเตอร์และวัสดุที่ทันสมัยถูกยุคสมบูรณ์โดยบริษัทเทคโนโลยีขนาดใหญ่ นอกจากนี้รัฐบาลซึ่งเป็นนำโดยสหรัฐอเมริกากำลังเพิ่มการสอบสวนเกี่ยวกับบริการคำนวณ AI ความสามารถในการเข้าถึงพลังการคำนวณในรูปแบบที่กระจัดกระจาย ยืดหยุ่น และฟรีกำลังเป็นความต้องการที่ชัดเจน ซึ่งเป็นข้อเสนอมูลค่าหลักของแพลตฟอร์มบริการคำนวณที่ใช้เทคโนโลยี web3

หากเชื้อเพลิงหินปูนเป็นเลือดในยุคอุตสาหกรรม ความสามารถในการคำนวณจะเป็นเลือดในยุคดิจิทัลใหม่ที่ถูกนำเข้าโดย AI โดยการจัดหาพลังการคำนวณกำลังเป็นโครงสร้างพื้นฐานของยุค AI อย่างเช่น stablecoins ได้เป็นผลแยกออกไปอย่างแข็งแรงจากสกุลเงินฟีเอทในยุค Web3 หรือว่าตลาดการคำนวณแบบกระจายจะกลายเป็นผลแยกออกที่เติบโตเร็วของตลาดคำนวณ AI ได้หรือไม่?

เนื่องจากตลาดนี้ยังเป็นตลาดที่เริ่มต้นอยู่ ทุกอย่างยังอยู่ในขบวนการสังเกต. อย่างไรก็ตาม, ปัจจัยต่อไปนี้อาจส่งเสริมเรื่องร้องเรียนหรือการนำมาตลาดของการคำนวณแบบกระจาย:

• ความตึงเครียดระหว่างการจัดหาและความต้องการ GPU ที่ต่อเนื่อง ความตึงเครียดที่ยังคงมีในการจัดหา GPU อาจส่งเสริมให้นักพัฒนาบางคนหันมาใช้แพลตฟอร์มการคำนวณแบบกระจาย
• การขยายขอบเขตของกฎหมาย การเข้าถึงบริการคำนวณ AI จากแพลตฟอร์มคอมพิวเตอร์คลาวด์ขนาดใหญ่ ต้องการ KYC และการตรวจสอบอย่างละเอียด สิ่งนี้อาจส่งเสริมการนำใช้แพลตฟอร์มคอมพิวติ้งแบบกระจาย โดยเฉพาะในภูมิภาคที่เผชิญกับข้อจำกัดและการลงโทษ
• โทเค็นราคาสะสมสะดุด วงจรตลาดตลาดโค้งขึ้นและราคาโทเค็นสูงขึ้น ทำให้มูลค่าทุนส่วนของ GPU เพิ่มขึ้น ดึงดูดผู้ผลิตมากขึ้นในตลาด ขยายขนาดตลาด และลดราคาที่ซื้อจริงสำหรับผู้บริโภค

อย่างไรก็ตาม ความท้าทายที่เผชิญหน้าโดยแพลตฟอร์มการคำนวณแบบกระจายก็ชัดเจนอยู่ดี

• ความท้าทายทางเทคนิคและวิศวกรรม
• ปัญหา Proof of Work: การคำนวณสำหรับโมเดลการเรียนรู้ลึก เนื่องจากโครงสร้างชั้นแบ่งชั้นของมันโดยที่ผลลัพธ์ของแต่ละชั้นเป็นข้อมูลเข้างต่อไป จำเป็นต้องดำเนินการทำงานทั้งหมดก่อนหน้านี้เพื่อทำการตรวจสอบความถูกต้องของการคำนวณ สิ่งนี้ไม่สามารถตรวจสอบได้อย่างง่ายและมีประสิทธิภาพ ในการแก้ไขปัญหานี้ แพลตฟอร์มการคำนวณแบ่งจำเนองจำเป็นต้องพัฒนาอัลกอริทึมใหม่หรือใช้เทคนิคการตรวจสอบโดยประมาณ ซึ่งสามารถให้การรับรองโอกาสของความถูกต้องของผลลัพธ์ แทนความแน่นอน
• ความท้าทายในการประมวลข้อมูลแบบขนาน: แพลตฟอร์มการคำนวณแบบกระจายรวมที่อุดมไปด้วยชิปที่มีจำหน่ายน้อยมากหมายความว่าอุปกรณ์แต่ละตัวสามารถให้พลังการคำนวณได้จำกัดเท่านั้น ผู้จำหน่ายชิปเดียวสามารถทำงานฝึกหรืองานยืนยันของโมเดล AI ได้โดยอิสระในระยะเวลาสั้น ดังนั้นงานต้องถูกแยกต่างหากและกระจายผ่านการขนานเพื่อลดเวลาที่ใช้ในการเสร็จสิ้นโดยรวม การขนานยังต้องเผชิญกับปัญหาเช่นวิธีการแยกงาน (โดยเฉพาะงาน deep learning ที่ซับซ้อน) ความขึ้นอยู่กับข้อมูล และค่าใช้จ่ายในการสื่อสารเพิ่มเติมระหว่างอุปกรณ์
• ปัญหาการป้องกันความเป็นส่วนตัว: วิธีการในการให้ความมั่นใจว่าข้อมูลและโมเดลของฝ่ายจัดซื้อจะไม่ถูกเปิดเผยต่อผู้รับงานได้อย่างไร

ความท้าทายในการปฏิบัติตามกฎหมายข้อกำหนด

• เนื่องจากลักษณะที่ไม่ได้รับใบอนุญาตของตลาดคู่ขนานการจัดหาแพลตฟอร์มการคำนวณแบบกระจาย พวกเขาสามารถดึงดูดลูกค้าบางกลุ่มเป็นจุดขาย อย่างไรก็ตาม พวกเขาอาจกลายเป็นเป้าหมายของการกำหนดข้อบังคับของรัฐบาลเมื่อมาตรฐานการกำกับ AI ถูกปรับปรุง อีกทั้ง บางผู้ผลิต GPU อาจกังวลเกี่ยวกับว่าทรัพยากรการคำนวณที่เช่าไว้ของพวกเขาถูกให้บริการแก่ธุรกิจหรือบุคคลที่ได้รับการลงโทษหรือไม่

โดยรวมแล้วผู้บริโภคของแพลตฟอร์มคอมพิวเตอร์แบบกระจายส่วนใหญ่เป็นนักพัฒนามืออาชีพหรือสถาบันขนาดเล็กถึงขนาดกลางซึ่งแตกต่างจากนักลงทุนสกุลเงินดิจิทัลและ NFT ที่แตกต่างกันในความคาดหวังของพวกเขาสําหรับความเสถียรและความต่อเนื่องของบริการที่นําเสนอโดยโปรโตคอล ราคาอาจไม่ใช่แรงจูงใจหลักในการตัดสินใจ สําหรับตอนนี้ดูเหมือนว่าแพลตฟอร์มคอมพิวเตอร์แบบกระจายยังคงมีหนทางอีกยาวไกลที่จะได้รับการอนุมัติจากผู้ใช้ดังกล่าว

ต่อไปเราจะจัดองค์ประกอบและวิเคราะห์ข้อมูลโครงการสำหรับโครงการคอมพิวเตอร์กระจายใหม่ในรอบนี้ IO.NET และประเมินค่าในตลาดที่เป็นไปได้หลังจากการจัดลงชื่อ โดยใช้ผู้แข่งขันในตลาดปัจจุบันในภาคสาขา AI และคอมพิวเตอร์กระจาย

2. แพลตฟอร์มคำนวณ AI แบบกระจาย: IO.NETแพลตฟอร์มคำนวณ AI แบบกระจาย: IO.NET

2.1 ตำแหน่งโครงการ

IO.NET เป็นเครือข่ายการคำนวณแบบกระจายที่สร้างตลาดสองฝั่งที่มุ่งเน้นที่ชิป ฝั่งหลักประกอบด้วยชิป (โดยส่วนใหญ่เป็น GPU แต่ยังรวมไปถึง CPU และ iGPU ของ Apple) ที่กระจายทั่วโลก ในขณะที่ฝั่งความต้องการประกอบด้วยวิศวกรปัญญาประดิษฐ์ที่ต้องการทำงานฝึกอบรมโมเดล AI หรืองานอินเฟอเรนซ์

ตามที่ระบุบนเว็บไซต์อย่างเป็นทางการของ IO.NET:

พันธมิตรของเรา

รวบรวมหนึ่งล้านหน่วยประมวลผลกราฟิก (GPU) ใน DePIN - เครือข่ายโครงสร้างพื้นที่ที่ไม่ centralize

พันธมิตรคือการรวม GPUs ล้านเครื่องเข้าสู่เครือข่าย DePIN ของตน

เปรียบเทียบกับผู้ให้บริการบริการคำนวณ AI บนคลาวด์ที่มีอยู่ IO.NET ย้ำถึงจุดขายสำคัญต่อไปนี้:

• การผสมผสานที่ยืดหยุ่น: วิศวกร AI สามารถเลือกและรวมชิปที่ต้องการเพื่อสร้าง "คลัสเตอร์" ได้อย่างอิสระเพื่อทํางานคอมพิวเตอร์ให้เสร็จสมบูรณ์
• การส่งอย่างรวดเร็ว: การส่งสามารถเสร็จสิ้นในไม่กี่วินาที โดยไม่ต้องใช้เวลาหลักสัปดาห์ในการอนุมัติและรอที่มักจำเป็นจากผู้ให้บริการที่มีศูนย์กลาง เช่น AWS
• บริการที่คุ้มค่า: ค่าบริการต่ำกว่า 90% โดยเทียบกับผู้ให้บริการชั้นนำ

นอกจากนี้ IO.NET มีแผนที่จะเปิดให้บริการ เช่น ร้านขายโมเดล AI ในอนาคต

2.2 กลไกผลิตภัณฑ์และข้อมูลธุรกิจ

ประสิทธิภาพของผลิตภัณฑ์และประสบการณ์การใช้งาน

เช่นเดียวกับ Amazon Cloud, Google Cloud และ Alibaba Cloud, บริการคอมพิวเตอร์ที่ IO.NET ให้บริการชื่อ IO Cloud IO Cloud เป็นเครือข่ายที่กระจายและแยกออกแบบของชิปที่สามารถดำเนินการโค้ดการเรียนรู้ของเครื่องซึ่งใช้ Python และเรียกใช้โปรแกรม AI และเครื่องฝึกฝน

โมดูลธุรกิจพื้นฐานของ IO Cloud ชื่อว่า “Clusters” Clusters คือกลุ่มของ GPU ที่สามารถประสบความสำเร็จในการทำงานคำนวณโดยอัตโนมัติ วิศวกรปัญญาประดิษฐ์สามารถปรับแต่ง Clusters ที่ต้องการตามความต้องการของตนเอง

อินเทอร์เฟซผลิตภัณฑ์ของ IO.NET เป็นเพจสำหรับผู้ใช้ที่ใช้งานง่ายมาก หากคุณต้องการติดตั้งคลัสเตอร์ชิปของคุณเองเพื่อทำงานเกี่ยวกับการคำนวณ AI คุณสามารถเริ่มกำหนดค่าคลัสเตอร์ชิปที่คุณต้องการทันทีเมื่อคุณเข้าสู่หน้าผลิตภัณฑ์คลัสเตอร์บนเว็บไซต์ของพวกเขา

ข้อมูลหน้า:https://cloud.io.net/cloud/clusters/create-cluster, แบบเดียวกันด้านล่าง

ต้องเลือกสถานการณ์โครงการของคุณก่อน ณ ปัจจุบันมี 3 ประเภทที่ใช้ได้

1. ทั่วไป (ประเภททั่วไป): ให้สภาพแวดล้อมที่มีความทั่วไปมากขึ้น เหมาะสำหรับขั้นตอนเริ่มต้นของโครงการเมื่อความต้องการทรัพยากรที่เฉพาะเจายังไม่แน่นอน

2. Train (Training type): ออกแบบมาเพื่อการฝึกฝนและปรับแต่งโมเดลเรียนรู้ของเครื่อง ตัวเลือกนี้มีทรัพยากร GPU เพิ่มเติม ความจุหน่วยความจำสูง และ/หรือการเชื่อมต่อเครือข่ายที่เร็วขึ้นเพื่อจัดการกับงานคำนวณที่หนักหน่วงเหล่านี้

3. Inference (ประเภทการอ่านความคิด): ออกแบบสำหรับการอ่านความคิดที่ล่าช้าและงานที่มีโหลดสูง ในบริบทของ machine learning การอ่านความคิดหมายถึงการใช้โมเดลที่ฝึกสอนเพื่อทำนายหรือวิเคราะห์ข้อมูลใหม่และให้ข้อเสนอแนะ ดังนั้น ตัวเลือกนี้เน้นการปรับปรุงค่าความล่าช้าและประสิทธิภาพเพื่อสนับสนุนความต้องการในการประมวลผลข้อมูลแบบ real-time หรือเกือบ real-time

ต่อไปคุณต้องเลือกซัพพลายเออร์สำหรับชิปคลัสเตอร์ ในปัจจุบัน IO.NET มีพันธมิตรกับ Render Network และเครือข่ายขุดเหมือง Filecoin ที่อนุญาตให้ผู้ใช้เลือกชิปจาก IO.NET หรือเครือข่ายอื่นๆ เป็นซัพพลายเออร์ของคลัสเตอร์ที่ใช้คำนวณ นอกจากนี้ IO.NET ทำหน้าที่เป็นผู้รวม (อย่างไรก็ตามในขณะที่กำลังเขียนอยู่ บริการของ Filecoin ปิดชั่วคราว) นอกจากนี้ตามที่แสดงบนหน้าจอ จำนวน GPU ออนไลน์ที่มีอยู่สำหรับ IO.NET มีมากกว่า 200,000 ขณะที่สำหรับ Render Network มีมากกว่า 3,700

ในที่สุดคุณเข้าสู่ขึ้นชิปเลือกฮาร์ดแวร์สำหรับคลัสเตอร์ ในปัจจุบัน IO.NET รายการเฉพาะ GPU สำหรับการเลือก ยกเว้น CPU หรือ iGPU ของ Apple (M1, M2 เป็นต้น) และ GPU สำคัญมีผลิตภัณฑ์ NVIDIA

ในรายการอย่างเป็นทางการของตัวเลือกฮาร์ดแวร์ GPU ที่มีอยู่ โดยขึ้นอยู่กับข้อมูลที่ผ่านการทดสอบโดยผู้เขียนในวันนั้น จำนวน GPU ทั้งหมดที่มีออนไลน์ในเครือข่าย IO.NET คือ 206,001 หน่วย ในนั้น GeForce RTX 4090 มีจำนวนที่มากที่สุดกับ 45,250 หน่วย ตามด้วย GeForce RTX 3090 Ti ที่มี 30,779 หน่วย

นอกจากนี้ชิป A100-SXM4-80GB ซึ่งมีประสิทธิภาพมากขึ้นสำหรับงานคำนวณ AI เช่นการเรียนรู้ของเครื่อง การเรียนรู้ลึก และการคำนวณทางวิทยาศาสตร์ (ราคาตลาดเกิน 15,000 ดอลลาร์) มีหน่วยออนไลน์ 7,965 หน่วย

การ์ดกราฟิก NVIDIA H100 80GB HBM3 ออกแบบมาเพื่อ AI โดยเฉพาะ (ราคาตลาดเกิน 40,000 ดอลลาร์) มีประสิทธิภาพในการฝึกอบรม 3.3 เท่าของ A100 และประสิทธิภาพในการอินเฟอเรนซ์ 4.5 เท่าของ A100 ด้วยรวม 86 หน่วยออนไลน์

หลังจากเลือกประเภทฮาร์ดแวร์สำหรับคลัสเตอร์ผู้ใช้ยังต้องเลือกภูมิภาค ความเร็วในการสื่อสาร จำนวน GPU ที่เช่า และระยะเวลาเช่า รวมถึงพารามิเตอร์อื่น ๆ

ในที่สุด, IO.NET จะให้บิลที่ขึ้นอยู่บนการเลือกประเภทที่ครอบคลุม ตัวอย่างเช่นในการกำหนดค่าคอนฟิกคลัสเตอร์ของผู้เขียน:

• สถานการณ์งานทั่วไป
• 16 ชิป A100-SXM4-80GB
• การเชื่อมต่อความเร็วสูงสุด
• ตั้งอยู่ในสหรัฐ
• ระยะเวลาเช่า 1 สัปดาห์

ยอดรวมเป็น $3311.6 บาท ราคาต่อชั่วโมงต่อบัตรคือ $1.232

เปรียบเทียบราคาเช่ารายชั่วโมงของ A100-SXM4-80GB บน Amazon Cloud, Google Cloud, และ Microsoft Azure คือ $5.12, $5.07, และ $3.67 ตามลำดับ (ฐานข้อมูล: https://cloud-gpus.com/, ราคาที่แสดงเป็นราคาประมาณเท่านั้น อาจแตกต่างกันไปตามรายละเอียดของสัญญา)

ดังนั้น จากด้านราคาเท่านั้น พลังการคำนวณของ IO.NET ถูกกว่าของผู้ผลิตชั้นนำอย่างมาก และตัวเลือกการจัดหาและจัดซื้อเป็นอย่างยิ่งยืดหยุ่น ทำให้ง่ายต่อการเริ่มต้น

เงื่อนไขธุรกิจ

สถานการณ์ด้านการจัดหา

ตามข้อมูลทางการ เมื่อวันที่ 4 เมษายน ปีนี้ IO.NET มีจำนวนทั้งหมด 371,027 หน่วยของ GPU และ 42,321 หน่วยของ CPU ที่ใช้ในด้านการจัดหา นอกจากนี้ Render Network ในฐานะเพื่อนคู่ค้าของ IO.NET ยังเชื่อมต่อ 9,997 หน่วยของ GPU และ 776 หน่วยของ CPU เข้ากับเครือข่ายการจัดหา

แหล่งข้อมูล: https://cloud.io.net/explorer/home, เหมือนกันด้านล่าง

ตอนเขียนบทความนี้ 214,387 ของ GPU ที่เชื่อมต่อโดย IO.NET ออนไลน์ โดยมีอัตราการออนไลน์ทั้งหมดที่ 57.8% อัตราการออนไลน์สำหรับ GPU จาก Render Network คือ 45.1%

ข้อมูลด้านการจัดหาดังกล่าวนั้นแปลว่าอะไร

เพื่อให้การเปรียบเทียบ ให้เราแนะนำโครงการคอมพิวเตอร์กระจายรุ่นอื่น ๆ ที่เก่ากว่า คือ Akash Network เพื่อเปรียบเทียบ Akash Network เปิดตัว mainnet ของตัวเองในต้นปี 2020 โดยเน้นเฉพาะบริการคอมพิวเตอร์กระจายสำหรับหน่วยประมวลผลและพื้นที่จัดเก็บข้อมูล ในเดือนมิถุนายน 2023 เปิดตัว testnet สำหรับบริการ GPU และเปิดให้ใช้ mainnet สำหรับพลังการคำนวณ GPU กระจายในเดือนกันยายนของปีเดียวกัน

แหล่งข้อมูล: https://stats.akash.network/provider-graph/graphics-gpu

ตามข้อมูลทางการจาก Akash ว่า ถึงแม้ฝั่งอุปทานมีการเติบโตต่อเนื่อง จำนวน GPU รวมที่เชื่อมต่อกับเครือข่ายของมัน ตอนนี้มีเพียง 365 เครื่อง

ในเชิงปริมาณการจัดหา GPU IO.NET สูงกว่า Akash Network หลายอันดับ ทำให้เป็นเครือข่ายการจัดหาทรัพยากรความสามารถในการคำนวณ GPU แบบกระจายที่ใหญ่ที่สุด

สถานการณ์ด้านความต้องการ

อย่างไรก็ตาม ถ้าดูจากด้านด้านความต้องการ IO.NET ยังอยู่ในช่วงเริ่มต้นของการเปิดตลาด และปริมาณงานคำนวณจริงที่ใช้ IO.NET ไม่มาก ส่วนใหญ่ของ GPU ออนไลน์มีงานที่รอดำเนินการเป็น 0% มีเพียงสี่ประเภทของชิปเท่านั้น - A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S และ H100 80GB HBM3 - ที่จัดการงาน ยกเว้น A100 PCIe 80GB K8S งานของชิปสามชิปนี้น้อยกว่า 20%

ค่าความเค้นของเครือข่ายทางการเปิดเผยในวันนั้นคือ 0% ซึ่งหมายความว่าส่วนใหญ่ของการจัดหาชิปอยู่ในสถานะพร้อมใช้งานออนไลน์ ในเวลาเดียวกัน IO.NET ได้สร้างรายได้รวม 586,029 ดอลลาร์จากค่าบริการโดยค่าใช้จ่ายในวันล่าสุดมีมูลค่า 3,200 ดอลลาร์

แหล่งข้อมูล: https://cloud.io.net/explorer/clusters

มีโทเค็นปริมาณค่าธรรมเนียมการตั้งบัญชีของเครือข่ายเหล่านี้ ทั้งในรวมและในปริมาณการทำธุรกรรมรายวัน เท่ากับ Akash ถึงแม้ว่ารายได้ของเครือข่ายของ Akash ส่วนใหญ่มาจากกลุ่ม CPU โดยมี CPU กว่า 20,000 หน่วย

แหล่งข้อมูล: https://stats.akash.network/

นอกจากนี้ IO.NET ยังได้เปิดเผยข้อมูลเกี่ยวกับงานการอนุมาน AI ที่ประมวลผลโดยเครือข่าย จนถึงปัจจุบันได้ประมวลผลและตรวจสอบงานการอนุมานมากกว่า 230,000 รายการแม้ว่าปริมาณนี้ส่วนใหญ่ถูกสร้างขึ้นโดยโครงการที่ได้รับการสนับสนุนจาก IO.NET เช่น BC8 เอไอ.

แหล่งข้อมูล: https://cloud.io.net/explorer/inferences

โดยพิจารณาจากข้อมูลธุรกิจปัจจุบัน การขยายข้างอุปทานของ IO.NET กำลังก้าวหน้าอย่างราบรื่น ด้วยความคาดหวังในการแจกจ่ายแอร์ดรอป และเหตุการณ์ชุมชนที่เรียกว่า “Ignition” ซึ่งได้รับการสนับสนุนอย่างมากจากพลังการคำนวณชิป AI อย่างสำคัญ อย่างไรก็ตาม การขยายด้านความต้องการยังอยู่ในช่วงเริ่มต้น โดยความต้องการเชื้อเชิญปัจจุบันยังไม่เพียงพอ ยังคงต้องประเมินว่าความขาดแคลนของความต้องการปัจจุบันเกิดจากการที่การติดต่อกับผู้บริโภคยังไม่เริ่มต้น หรือเพราะประสบการณ์การบริการปัจจุบันยังไม่เพียงพอแข็งแรงพอ จึงขาดการนำมาใช้ในระดับทั่วไป

โดยพิจารณาถึงความยากลำบากในระยะสั้นในการเท้าทายช่องโหว่ในพลังการคำนวณ AI มีผลงานจำนวนมากของวิศวกร AI และโครงการที่กำลังมองหาวิธีการทดแทนที่อาจกระตุ้นความสนใจในผู้ให้บริการแบบกระจาย อย่างเสริมเติม IO.NET ยังไม่เริ่มก่อตั้งแรงจูงใจทางเศรษฐกิจและกิจกรรมสำหรับฝ่ายอุปการะ พร้อมกับการปรับปรุงลงทีละน้อยของประสบการณ์ผลิตภัณฑ์ การจับคู่ระหว่างการจำหน่ายและการอุปทานในที่สุดยังคาดหวังได้ด้วยความเชื่อมั่น

2.3 ประวัติทีมและการจัดหาเงินทุน

สถานการณ์ทีม

ทีมหลักของ IO.NET เริ่มเน้นการซื้อขายเชิงปริมาณ โดยพัฒนาระบบการซื้อขายเชิงปริมาณระดับสถาบันสำหรับหลักทรัพย์และสินทรัพย์ดิจิทัลจนถึงเดือนมิถุนายน 2022 โดยถูกขับเคลื่อนด้วยความต้องการของระบบด้านหลังสำหรับพลังคำนวณ ทีมเริ่มสำรวจโอกาสของการคำนวณแบบกระจายของบริการเช่าพลังคำนวณ GPU โดยในที่สุดเน้นลดต้นทุนของบริการคำนวณ GPU

ผู้ก่อตั้ง & ประธาน​: อห์มัด ชาดิด ผู้ที่มีประสบการณ์ทางด้านการเงินแบบปริมาณ และวิศวกรรม และยังทำงานอาสากับมูลนิธิ Ethereum ด้วย

CMO & Chief Strategy Officer: Garrison Yang, ผู้ที่เข้าร่วม IO.NET เมื่อเดือนมีนาคมของปีนี้ เคยเป็นรองประธานบริหารด้านกลยุทธ์และการเจริญเติบโตที่ Avalanche และสำเร็จการศึกษาจากมหาวิทยาลัย California, Santa Barbara

COO: Tory Green, ที่เคยเป็น COO ที่ Hum Capital และ Director of Corporate Development and Strategy ที่ Fox Mobile Group จบการศึกษาจาก Stanford

ตามข้อมูลจาก LinkedIn บริษัท IO.NET มีที่ตั้งหลักอยู่ที่นิวยอร์ก สหรัฐอเมริกา มีสาขาที่ซานฟรานซิสโก และมีจำนวนสมาชิกทีมเกิน 50 คน

สถานการณ์การจัดหาเงินทุน

ตอนนี้ IO.NET เพียงแค่เปิดเผยรอบเดียวของทุนทุน Series A ที่เสร็จสิ้นในเดือนมีนาคมปีนี้มูลค่า 1 พันล้านเหรียญสหรัฐ ได้รับ 30 ล้านเหรียญสหรัฐ โดยมี Hack VC เป็นผู้นำ และผู้เข้าร่วมอื่น ๆ รวมถึง Multicoin Capital Delphi Digital Foresight Ventures Animoca Brands Continue Capital Solana Ventures Aptos LongHash Ventures OKX Ventures Amber Group SevenX Ventures และ ArkStream Capital

ควรกล่าวถึงว่า บางทีอาจเป็นเพราะการลงทุนจากมูลนิธิ Aptos ทำให้โครงการ BC8.AI ซึ่งเดิมตั้งบัญชีบน Solana ได้สลับมาใช้ Aptos บล็อกเชนระดับสูง L1

2.4 การประเมินมูลค่า

ตามที่ผู้ก่อตั้งและประธานบริษัท IO.NET อาหมัด ชาดิด กล่าวว่า บริษัทจะเปิดตัวโทเค็นของตัวเองในปลายเดือนเมษายน

IO.NET มีโครงการสองโครงการที่เปรียบเทียบกันสำหรับการอ้างอิงค่าใช้จ่าย: Render Network และ Akash Network ทั้งสองเป็นตัวแทนของโครงการการคำนวณแบบกระจาย

มีวิธีการสำหรับการประมาณราคาตลาดของ IO.NET 2 วิธี: 1. อัตราส่วนราคาต่อยอดขาย (P/S ratio) หรืออัตราส่วนมูลค่าตลาด/รายได้; 2. อัตราส่วนมูลค่าตลาดต่อชิปเครือข่าย

ก่อนอื่นเรามาดูการโยกยอดการประมาณมูลค่าที่ขยายออกมาจากอัตราส่วน P/S กัน

จากมุมมองของอัตรา P/S อาคาช สามารถเป็นขีดจำกัดต่ำสุดของช่วงการประเมินมูลค่าของ IO.NET ในขณะที่เรนเดอร์เป็นข้อมูลอ้างอิงสำหรับการตั้งราคาการประเมินมูลค่าสูง ช่วง FDV (มูลค่ารวมที่แบกไปเต็ม) ของพวกเขาคือ 1.67 พันล้านดอลลาร์ถึง 5.93 พันล้านดอลลาร์

อย่างไรก็ตาม หากพิจารณาการอัพเดตโครงการ IO.NET ซึ่งมีนิเรนทีฟที่ร้อน วงจรตลาดเริ่มต้นที่เล็กลง และมีมูลค่าตลาดรวมที่ใหญ่ขึ้นในปัจจุบัน โอกาสที่ FDV ของมันเกินกว่าของ Render ไม่ใช่เรื่องเล็กน้อย

ต่อไปเรามาดูมุมมองการประเมินอีกอย่างคืออัตราส่วน "ตลาดต่อคอร์"

ในตลาดที่ความต้องการพลังการประมวลผล AI สูงกว่าอุปทานองค์ประกอบที่สําคัญที่สุดของเครือข่ายพลังงานการประมวลผล AI แบบกระจายคือขนาดของอุปทาน GPU ดังนั้นเราจึงสามารถใช้ "อัตราส่วนตลาดต่อคอร์" ซึ่งเป็นอัตราส่วนของมูลค่าตลาดโครงการทั้งหมดต่อจํานวนชิปในเครือข่ายเพื่อคาดการณ์ช่วงการประเมินมูลค่าที่เป็นไปได้ของ IO.NET สําหรับผู้อ่านเป็นข้อมูลอ้างอิงมูลค่าตลาด

)

หากคำนวณขึ้นอยู่กับอัตราส่วนตลาดต่อคอร์ โดยมี Render Network เป็นขอบเขตสูงสุด และ Akash Network เป็นขอบเขตสูงสุด เกราะราคากับ IO.NET คือระหว่าง 20.6 พันล้านเหรียญสหรัฐและ 197.5 พันล้านเหรียญสหรัฐ

ผู้อ่านที่เชื่อมั่นในโครงการ IO.NET จะพิจารณาว่านี่เป็นการประเมินมูลค่าตลาดที่เต็มไปด้วยความเชื่อมั่นมาก

นอกจากนี้เรายังต้องพิจารณาว่าปัจจุบันจำนวนชิปออนไลน์ของ IO.NET อาจถูกกระตุ้นโดยคาดหวังจากระดมทุนและกิจกรรมส่งเสริม และจำนวนออนไลน์จริงที่ด้านการจัดหายังต้องการการสังเกตหลังจากที่โครงการเปิดตัวอย่างเป็นทางการ

ดังนั้นโดยรวมการประเมินมูลค่าจากมุมมองอัตราส่วน P/S อาจจะมีความเกี่ยวข้องมากขึ้น

IO.NET, เป็นโครงการที่ผสม AI, DePIN, และนิเวศ Solana รอคอยผลการตลาดหลังเปิดตัวอย่างอย่างยิ่ง

3. ข้อมูลอ้างอิง

• Dephi Digital：การผสานจริง
• Galaxy：เข้าใจจุดที่ตัดกันของสกุลเงินดิจิทัลและ AI

ข้อความปฏิเสธความรับผิดชอบ：

1. บทความนี้ถูกพิมพ์ใหม่จาก [ mintventures]. สิทธิ์ในการคุ้มครองลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนเดิมIO.NET. หากมีข้อขัดแย้งใดๆ ในการสำเนานี้ กรุณาติดต่อ เกตเรียนทีม และพวกเขาจะจัดการกับมันโดยpromptly
2. คำปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เกิดเป็นการแนะนำในการลงทุนใด ๆ
3. การแปลบทความเป็นภาษาอื่นๆ โดยทีม Gate Learn ถูกดำเนินการ นอกจากที่กล่าวถึง การคัดลอก การกระจาย หรือการลอกเลียนบทความที่ถูกแปลนั้นถูกห้าม