Repostar o título original: Um Novo Projeto AI + DePIN Baseado em Solana: Uma Breve Análise do Próximo Lançamento de Token IO.NET

Introdução

Emnosso último relatório, mencionamos que, em comparação com os dois ciclos anteriores, a atual alta das criptomoedas está carente de novos modelos de negócios e narrativas de ativos. A Inteligência Artificial (IA) é uma das novas narrativas no espaço Web3 neste ciclo. Este artigo mergulha no projeto de IA do ano, IO.NET, e organiza pensamentos sobre as seguintes duas perguntas:

• A necessidade de AI+Web3 no cenário comercial
• A necessidade e os desafios de implantar uma rede de computação descentralizada

Em segundo lugar, organizarei informações-chave sobre o projeto representativo na rede de computação de IA descentralizada: IO.NET, incluindo design do produto, cenário competitivo e antecedentes do projeto. Também especularei sobre as métricas de valoração do projeto.

As perspectivas sobre A Lógica de Negócios Por Trás da Convergência de IA e Web3part draw inspiration from “A Fusão Real” por Michael Rinko, um analista de pesquisa na Delphi Delphi. Esta análise assimila e referencia ideias de seu trabalho, é altamente recomendado que o leitor leia o artigo original.

Por favor, note que este artigo reflete meu pensamento atual e pode evoluir. As opiniões aqui são subjetivas e pode haver erros em fatos, dados e raciocínio lógico. Isso não é um conselho financeiro, mas feedback e discussões são bem-vindos.

A seguir está o texto principal.

1. A Lógica de Negócios Por Trás da Convergência de IA e Web3

1.1 2023: O “Annus Mirabilis” para IA

Refletindo sobre os anais do desenvolvimento humano, fica claro que as descobertas tecnológicas catalisam transformações profundas - da vida diária às paisagens industriais e à marcha da própria civilização.

Na história da humanidade, existem dois anos significativos, nomeadamente 1666 e 1905, que agora são celebrados como o "Ano Mirabilis" na história da ciência.

O ano de 1666 ganhou seu título devido à cascata de descobertas científicas de Isaac Newton. Em um único ano, ele foi pioneiro no ramo da física conhecido como óptica, fundou a disciplina matemática do cálculo e derivou a lei da gravitação, que é uma lei fundamental da ciência natural moderna. Qualquer uma dessas contribuições foi fundamental para o desenvolvimento científico da humanidade ao longo do próximo século, acelerando significativamente o progresso geral da ciência.

O outro ano emblemático é 1905, quando um jovem de apenas 26 anos, Einstein, publicou quatro artigos em rápida sucessão em 'Annalen der Physik', abordando o efeito fotoelétrico, preparando o terreno para a mecânica quântica; o movimento browniano, fornecendo um arcabouço fundamental para a análise de processos estocásticos; a teoria da relatividade especial; e a equivalência massa-energia, encapsulada na equação E=MC^2. Olhando para trás, cada um desses artigos é considerado superar o nível médio do trabalho vencedor do Prêmio Nobel em física - uma distinção que o próprio Einstein recebeu por seu trabalho sobre o efeito fotoelétrico. Essas contribuições impulsionaram coletivamente a humanidade vários passos à frente na jornada da civilização.

O ano de 2023, recentemente ultrapassado, está prestes a ser celebrado como mais um "Ano Milagroso," graças em grande parte ao surgimento do ChatGPT.

Ver 2023 como um “Ano Milagroso” na história da tecnologia humana não é apenas reconhecer os avanços feitos no processamento e geração de linguagem natural pelo ChatGPT. Também é reconhecer um padrão claro no avanço de grandes modelos de linguagem - a percepção de que, ao expandir os parâmetros do modelo e os conjuntos de dados de treinamento, podemos alcançar melhorias exponenciais no desempenho do modelo. Além disso, parece ilimitado a curto prazo, assumindo que a potência de computação acompanhe o ritmo.

Essa capacidade vai muito além da compreensão de linguagem e geração de conversa; ela pode ser amplamente aplicada em vários campos científicos. Tomando a aplicação de grandes modelos de linguagem no setor biológico como exemplo:

• Em 2018, a Nobel Laureate em Química, Frances Arnold, disse durante sua cerimônia de premiação: “Hoje em dia, para todos os fins práticos, podemos ler, escrever e editar qualquer sequência de DNA, mas não podemos compô-la.” Avancemos cinco anos até 2023, uma equipe de pesquisadores da Universidade Stanford e da Salesforce Research, uma startup focada em IA, publicou na “Nature Biotechnology”. Utilizando um grande modelo de linguagem refinado a partir do GPT-3, eles geraram um novo catálogo inteiramente de 1 milhão de proteínas. Entre elas, descobriram duas proteínas com estruturas distintas, ambas dotadas de função antibacteriana, potencialmente abrindo caminho para novas estratégias de resistência bacteriana além dos antibióticos tradicionais. Isso significa um salto monumental na superação dos obstáculos da criação de proteínas com a assistência da IA.
• Antes disso, o algoritmo de inteligência artificial AlphaFold previu as estruturas de quase todos os 2,14 bilhões de tipos de proteínas na Terra em 18 meses - um marco que amplifica as conquistas dos biólogos estruturais ao longo da história por várias magnitudes.

A integração de modelos de IA promete transformar drasticamente as indústrias. Dos reinos de alta tecnologia da biotecnologia, ciência dos materiais e descoberta de drogas às esferas culturais do direito e das artes, uma onda transformadora está pronta para remodelar esses campos, com 2023 marcando o início de tudo.

É amplamente reconhecido que o último século testemunhou um aumento exponencial na capacidade da humanidade de gerar riqueza. O rápido avanço das tecnologias de IA é esperado para acelerar esse processo.

Tendência Global do PIB Total, Fonte de Dados: Grupo Banco Mundial

1.2 Fusão de IA e Criptomoeda

Para compreender a necessidade inerente da fusão entre IA e criptomoeda, é esclarecedor observar como suas características distintas se complementam.

A Simbiose da IA e Recursos de Cripto

AI é distinguida por três qualidades principais:

• Estocasticidade: a IA é estocástica, com seu mecanismo de produção de conteúdo sendo uma caixa preta enigmática e difícil de replicar, tornando seus resultados inerentemente estocásticos.
• Intensivo em Recursos: A IA é uma indústria intensiva em recursos, exigindo quantidades significativas de energia, chips e poder computacional.
• Inteligência semelhante à humana: A IA é (em breve) capaz de passar no teste de Turing, tornando cada vez mais difícil distinguir entre humanos e IA.

_※_ Em 30 de outubro de 2023, pesquisadores da Universidade da Califórnia, em San Diego, divulgaram as pontuações do teste de Turing para GPT-3.5 e GPT-4.0. Este último obteve uma pontuação de 41%, ficando muito perto da marca de aprovação de 50% por apenas 9 pontos percentuais, com os humanos conseguindo 63% no mesmo teste. A essência deste teste de Turing está em quantos participantes percebem seu parceiro de conversa como humano. Uma pontuação acima de 50% indica que a maioria acredita que estão interagindo com um humano, não com uma máquina, considerando assim que a IA passou com sucesso no teste de Turing, já que pelo menos metade das pessoas não pôde distingui-la de um humano.

À medida que a IA abre caminho para avanços inovadores na produtividade humana, ela introduz simultaneamente desafios profundos em nossa sociedade, especificamente:

• Como verificar e controlar a estocasticidade da IA, transformando-a em uma vantagem em vez de uma falha
• Como atender às vastas exigências de energia e poder de processamento que a IA demanda
• Como distinguir entre humanos e IA

Criptomoeda e tecnologia blockchain poderiam oferecer a solução ideal para os desafios apresentados pela IA, caracterizada por três atributos-chave:

• Determinismo: As operações são baseadas em blockchain, código e contratos inteligentes, com regras claras e limites. As entradas levam a saídas previsíveis, garantindo um alto nível de determinismo.
• Alocação Eficiente de Recursos: A economia cripto tem fomentado um mercado vasto, global e livre, possibilitando precificação ágil, captação de recursos e transferência de recursos. A presença de tokens acelera ainda mais o alinhamento da oferta e demanda de mercado, alcançando rapidamente massa crítica através da incentivação.
• Confiança zero: Com registros públicos e código aberto, qualquer pessoa pode verificar facilmente as operações, criando um sistema 'sem confiança'. Além disso, a tecnologia de Conhecimento Zero (ZK) garante ainda mais que a privacidade seja mantida durante esses processos de verificação.

Para demonstrar a complementaridade entre a IA e a economia cripto, vamos mergulhar em três exemplos.

Exemplo A: Superando a Estocasticidade com Agentes de IA Alimentados pela Economia Cripto

Agentes de IA são programas inteligentes projetados para realizar tarefas em nome dos humanos de acordo com suas diretrizes, com Fetch.AI sendo um exemplo notável nesse domínio. Imagine que designamos nossa agente de IA para executar uma operação financeira, como "investir $1000 em BTC." O agente de IA poderia enfrentar dois cenários distintos:

Cenário 1: O agente é obrigado a interagir com entidades financeiras tradicionais (por exemplo, BlackRock) para comprar ETFs de BTC, enfrentando muitos problemas de compatibilidade com organizações centralizadas, incluindo procedimentos KYC, verificação de documentos, processos de login e autenticação de identidade, todos os quais são notavelmente onerosos no momento.

Cenário 2: Ao operar dentro da economia nativa de criptomoedas, o processo se torna simplificado. O agente poderia realizar diretamente a transação através do Uniswap ou de um agregador de negociação similar, utilizando sua conta para fazer login e confirmar o pedido, e consequentemente adquirindo WBTC ou outras variantes de BTC envolto. Este procedimento é eficiente e simplificado. Essencialmente, esta é a função atualmente desempenhada por vários Trading Bots, atuando como agentes de IA básicos com foco em atividades de negociação. Com o desenvolvimento e integração adicionais da IA, esses bots cumprirão objetivos de negociação mais intrincados. Por exemplo, eles podem monitorar 100 endereços de dinheiro inteligente na blockchain, avaliar suas estratégias de negociação e taxas de sucesso, alocar 10% de seus fundos para copiar suas negociações ao longo de uma semana, interromper as operações se os retornos forem desfavoráveis e deduzir as possíveis razões para essas estratégias.

A IA prospera dentro dos sistemas blockchain, fundamentalmente porque as regras da economia criptográfica são explicitamente definidas, e o sistema permite a falta de permissão. Operar sob diretrizes claras reduz significativamente os riscos ligados à estocasticidade inerente da IA. Por exemplo, a dominação da IA sobre os humanos no xadrez e nos jogos de vídeo decorre do fato de que esses ambientes são caixas de areia fechadas com regras simples. Por outro lado, os avanços na condução autônoma têm sido mais graduais. Os desafios de mundo aberto são mais complexos, e nossa tolerância para a resolução imprevisível de problemas pela IA nesses cenários é consideravelmente menor.

Exemplo B: Consolidação de Recursos via Incentivos de Token

A formidável rede de hash global que sustenta o BTC, com uma taxa total de hash atual de 576,70 EH/s, supera o poder computacional acumulado de qualquer supercomputador de país. Esse crescimento é impulsionado por incentivos simples e justos dentro da rede.

Tendência da Taxa de Hash BTC, fonte: https://www.coinwarz.com/

Além disso, projetos como Mobile, da DePIN, estão explorando incentivos de token para cultivar um mercado tanto no lado da oferta quanto da demanda, a fim de fomentar efeitos de rede. O foco futuro deste artigo, IO.NET, é uma plataforma projetada para agregar poder de computação de IA, esperando desbloquear o potencial latente do poder de computação de IA por meio de um modelo de token.

Exemplo C: Alavancando o Open Source e a Prova ZK para Diferenciar Humanos de IA Protegendo a Privacidade

Worldcoin, um projeto Web3 co-fundado por Sam Altman da OpenAI, utiliza uma abordagem inovadora para verificação de identidade. Utilizando um dispositivo de hardware conhecido como Orb, ele alavanca a biometria humana da íris para produzir valores de hash exclusivos e anônimos via tecnologia Zero-Knowledge (ZK), diferenciando humanos de IA. No início de março de 2024, o projeto de arte Web3 Drip começou a implementar a Worldcoin ID para autenticar humanos reais e alocar recompensas.

Worldcoin recentemente tornou o seu hardware de íris, Orb, de código aberto, garantindo a segurança e privacidade dos dados biométricos.

No geral, devido ao determinismo do código e da criptografia, a circulação de recursos e as vantagens de captação de recursos trazidas por mecanismos baseados em tokens e sem permissão, juntamente com a natureza sem confiança baseada em código aberto e registros públicos, a economia cripto tornou-se uma solução potencial significativa para os desafios que a sociedade humana enfrenta com a IA.

O desafio mais imediato e comercialmente exigente é a sede extrema por recursos computacionais requeridos por produtos de IA, principalmente impulsionados por uma necessidade substancial de chips e poder de computação.

Esta é também a razão principal pela qual os projetos de poder computacional distribuído lideraram os ganhos durante este ciclo de mercado de touro no setor geral de IA.

A Imperativa Comercial para Computação Descentralizada

IA requer recursos computacionais substanciais, necessários tanto para o treinamento de modelos quanto para tarefas de inferência.

Foi bem documentado no treinamento de grandes modelos de linguagem que uma vez que a escala dos parâmetros de dados é substancial, esses modelos começam a exibir capacidades sem precedentes. As melhorias exponenciais vistas de uma geração ChatGPT para a próxima são impulsionadas por um crescimento exponencial na demanda computacional para o treinamento do modelo.

Pesquisa da DeepMind e da Universidade de Stanford indica que, em diversos grandes modelos de linguagem, ao lidar com diferentes tarefas - seja computação, resposta a perguntas em persa ou compreensão de linguagem natural - os modelos apenas aproximam-se de palpites aleatórios, a menos que o treinamento envolva parâmetros do modelo significativamente ampliados (e, por extensão, cargas computacionais). O desempenho de qualquer tarefa permanece quase aleatório até que os esforços computacionais atinjam 10^22 FLOPs. Além deste limite crítico, o desempenho da tarefa melhora dramaticamente em qualquer modelo de linguagem.

Origem: Habilidades Emergentes de Modelos de Linguagem Grandes

Origem: Habilidades emergentes de modelos de linguagem grandes

O princípio de 'realizar milagres com grande esforço' em potência de computação, tanto na teoria quanto na prática, inspirou o fundador da OpenAI, Sam Altman, a propor um plano ambicioso de levantar $7 trilhões. Este fundo tem a intenção de estabelecer uma fábrica de chips que excederia as capacidades atuais da TSMC em dez vezes (estimada em custo de $1.5 trilhão), com os fundos restantes alocados para produção de chips e treinamento de modelos.

Além das exigências computacionais para treinar modelos de IA, os processos de inferência também requerem considerável poder de computação, embora menos do que o treinamento. Essa necessidade contínua de chips e recursos computacionais tornou-se uma realidade padrão para os players no campo de IA.

Em contraste com os provedores de computação de IA centralizada como Amazon Web Services, Google Cloud Platform e Azure da Microsoft, a computação de IA descentralizada oferece várias proposições de valor convincentes:

• Acessibilidade: Obter acesso a chips de computação através de serviços como AWS, GCP ou Azure geralmente requer semanas, e os modelos de GPU mais populares estão frequentemente fora de estoque. Além disso, os consumidores geralmente estão vinculados por contratos longos e rígidos com essas grandes corporações. As plataformas de computação distribuída, por outro lado, oferecem opções de hardware flexíveis com acessibilidade aprimorada.
• Eficiência de custos: Ao alavancar chips ociosos e incorporar subsídios de tokens de protocolos de rede para provedores de chips e poder de computação, as redes de computação descentralizadas podem oferecer poder de computação a custos reduzidos.
• Resistência à censura: O fornecimento de chips de ponta é atualmente dominado por grandes empresas de tecnologia, e com o governo dos Estados Unidos intensificando a fiscalização dos serviços de computação de IA, a capacidade de obter poder de computação de forma descentralizada, flexível e irrestrita está se tornando cada vez mais uma necessidade clara. Esta é uma proposição de valor central das plataformas de computação baseadas em web3.

Se os combustíveis fósseis foram o sangue vital da Era Industrial, então o poder de computação pode muito bem ser o sangue vital da nova era digital inaugurada pela IA, tornando o fornecimento de energia de computação uma infraestrutura para a era da IA. Da mesma forma que as stablecoins surgiram como um derivado vigoroso da moeda fiduciária na época da Web3, poderá o mercado de computação distribuída evoluir para um segmento em crescimento dentro do mercado de computação de IA em expansão rápida?

Este ainda é um mercado emergente e muito ainda está por ser visto. No entanto, vários fatores poderiam potencialmente impulsionar a narrativa ou a adoção de mercado da computação descentralizada:

• Desafios persistentes no fornecimento de GPU: As restrições contínuas no fornecimento de GPUs podem encorajar os desenvolvedores a explorar plataformas de computação descentralizadas.
• Expansão Regulatória: Acesso aos serviços de computação de IA das principais plataformas de nuvem envolve processos de KYC minuciosos e escrutínio. Isso poderia levar a uma maior adoção de plataformas de computação descentralizadas, particularmente em áreas enfrentando restrições ou sanções.
• Incentivos de Preço do Token: Aumentos nos preços dos tokens durante mercados de alta poderiam aprimorar o valor dos subsídios oferecidos aos provedores de GPU pelas plataformas, atraindo mais fornecedores para o mercado, aumentando sua escala e reduzindo os custos para os consumidores.

Ao mesmo tempo, os desafios enfrentados pelas plataformas de computação descentralizada também são bastante evidentes:

Desafios Técnicos e de Engenharia

• Problemas de Prova de Trabalho: As computações em modelos de aprendizado profundo, devido à estrutura hierárquica em que a saída de cada camada é usada como entrada para a próxima, verificar a validade das computações requer a execução de todo o trabalho anterior, o que não é simples nem eficiente. Para lidar com isso, as plataformas de computação descentralizadas precisam desenvolver novos algoritmos ou empregar técnicas de verificação aproximadas que oferecem garantia probabilística de resultados, em vez de determinismo absoluto.
• Desafios de Paralelização: As plataformas de computação descentralizada contam com uma ampla gama de fornecedores de chips, cada um oferecendo geralmente uma capacidade de computação limitada. Completar as tarefas de treinamento ou inferência de um modelo de IA por um único fornecedor de chips rapidamente é quase impossível. Portanto, as tarefas devem ser decompostas e distribuídas usando a paralelização para reduzir o tempo total de conclusão. No entanto, essa abordagem introduz várias complicações, incluindo como as tarefas são decompostas (particularmente tarefas de aprendizado profundo complexas), dependências de dados e os custos adicionais de conectividade entre dispositivos.
• Questões de Proteção da Privacidade: Como garantir que os dados e modelos do cliente não sejam divulgados ao destinatário das tarefas?

Desafios de conformidade regulatória

• Plataformas de computação descentralizadas, devido à sua natureza sem permissão nos mercados de oferta e demanda, podem atrair certos clientes como um ponto de venda chave. No entanto, à medida que os frameworks regulatórios de IA evoluem, essas plataformas podem se tornar cada vez mais alvos de escrutínio governamental. Além disso, alguns fornecedores de GPU estão preocupados se seus recursos de computação alugados estão sendo usados por negócios ou indivíduos sancionados.

Em resumo, os principais usuários de plataformas de computação descentralizada são principalmente desenvolvedores profissionais ou pequenas e médias empresas. Ao contrário de investidores em criptomoedas e NFT, esses clientes priorizam a estabilidade e continuidade dos serviços fornecidos pelas plataformas, e o preço não é necessariamente a sua principal preocupação. As plataformas de computação descentralizada têm um longo caminho a percorrer antes de conseguirem ganhar aceitação generalizada dessa base de usuários criteriosa.

A seguir, vamos aprofundar os detalhes e realizar uma análise do IO.NET, um novo projeto de energia computacional descentralizada neste ciclo. Também iremos compará-lo com projetos semelhantes para estimar sua valuation de mercado potencial após o seu lançamento.

2. Plataforma de Computação de IA Descentralizada: IO.NET

2.1 Visão Geral do Projeto

IO.NET é uma rede de computação descentralizada que estabeleceu um mercado de dois lados em torno de chips. Do lado da oferta, existem poderes de computação distribuídos globalmente, principalmente GPUs, mas também CPUs e GPUs integradas da Apple (iGPUs). Do lado da demanda, há engenheiros de IA buscando completar tarefas de treinamento ou inferência de modelos de IA.

O site oficial da IO.NET declara sua visão:

Nossa Missão

Montar um milhão de GPUs em um DePIN - rede de infraestrutura física descentralizada.

Sua missão é integrar milhões de GPUs em sua rede DePIN.

Comparado aos serviços tradicionais de computação em nuvem de IA, esta plataforma destaca várias vantagens-chave:

• Configuração Flexível: Os engenheiros de IA têm a liberdade de selecionar e montar os chips necessários em um “cluster” personalizado para suas tarefas de computação específicas.
• Implantação Rápida: Ao contrário dos longos tempos de aprovação e espera associados aos provedores centralizados como AWS, a implantação nesta plataforma pode ser concluída em apenas segundos, permitindo o início imediato da tarefa.
• Eficiência de custos: Os custos do serviço são até 90% mais baixos do que os oferecidos pelos provedores tradicionais.

Além disso, a IO.NET planeja lançar serviços adicionais no futuro, como uma loja de modelos de IA.

2.2 Mecanismo do Produto e Métricas de Negócios

Mecanismos de Produto e Experiência de Implantação

Similar aos principais plataformas como Amazon Cloud, Google Cloud e Alibaba Cloud, IO.NET oferece um serviço de computação conhecido como IO Cloud. Este serviço opera por meio de uma rede distribuída e descentralizada de chips que suporta a execução de código de aprendizado de máquina baseado em Python para aplicações de IA e aprendizado de máquina.

O módulo básico de negócios da IO Cloud é chamado de Clusters - grupos auto-coordenados de GPUs projetados para lidar eficientemente com tarefas de computação. Engenheiros de IA têm a flexibilidade de personalizar os clusters para atender às suas necessidades específicas.

A interface do usuário do IO.NET é altamente amigável. Se você está procurando implantar seu próprio cluster de chips para tarefas de computação de IA, basta navegar até a página de Clusters na plataforma, onde você pode configurar facilmente seu cluster de chips desejado de acordo com seus requisitos.

Informações da página: https://cloud.io.net/cloud/clusters/create-cluster, o mesmo abaixo

Primeiro, você precisa selecionar o tipo de cluster, com três opções disponíveis:

• Geral: Fornece um ambiente geral, adequado para as fases iniciais de um projeto onde os requisitos de recursos específicos ainda não estão claros.
• Treinar: Um cluster projetado especificamente para o treinamento e ajuste fino de modelos de aprendizado de máquina. Esta opção fornece recursos adicionais de GPU, maior capacidade de memória e/ou conexões de rede mais rápidas para acomodar essas tarefas de computação intensivas.
• Inferência: Um cluster projetado para inferência de baixa latência e trabalho de alta carga. No contexto de aprendizado de máquina, inferência refere-se ao uso de modelos treinados para prever ou analisar novos conjuntos de dados e fornecer feedback. Portanto, esta opção concentra-se na otimização da latência e da taxa de transferência para apoiar as necessidades de processamento de dados em tempo real ou quase em tempo real.

Em seguida, você precisa escolher um fornecedor para o seu cluster. IO.NET tem parcerias com a Render Network e a rede de mineradores do Filecoin, permitindo que os usuários selecionem chips da IO.NET ou de outras duas redes como a fonte de suprimento para seus clusters de computação. Isso posiciona efetivamente a IO.NET como um agregador (observação: os serviços do Filecoin estão temporariamente indisponíveis). Vale ressaltar que a IO.NET atualmente possui mais de 200.000 GPUs disponíveis online, enquanto a Render Network tem mais de 3.700 GPUs disponíveis.

Após isso, você passará para a fase de seleção de hardware do seu cluster. Atualmente, a IO.NET lista apenas GPUs como opção de hardware disponível, excluindo CPUs ou iGPUs da Apple (M1, M2, etc.), sendo as GPUs principalmente produtos da NVIDIA.

Entre as opções de hardware de GPU oficialmente listadas e disponíveis, com base nos dados testados por mim no dia, o número total de GPUs online disponíveis dentro da rede IO.NET era de 206.001. A GPU com maior disponibilidade era a GeForce RTX 4090, com 45.250 unidades, seguida pela GeForce RTX 3090 Ti, com 30.779 unidades.

Além disso, há 7.965 unidades do chip altamente eficiente A100-SXM4-80GB (cada uma com preço acima de $15.000) disponíveis online, que é mais eficiente para tarefas de computação de IA, como aprendizado de máquina, aprendizado profundo e computação científica.

O NVIDIA H100 80GB HBM3, que é projetado do zero para AI (com um preço de mercado superior a $40,000), oferece um desempenho de treinamento que é 3,3 vezes maior e um desempenho de inferência que é 4,5 vezes maior do que o A100. Atualmente, existem 86 unidades disponíveis online.

Uma vez escolhido o tipo de hardware para o cluster, os usuários precisarão especificar mais detalhes, como a localização geográfica do cluster, velocidade de conectividade, o número de GPUs e a duração.

Por fim, o IO.NET calculará uma fatura detalhada com base nas opções selecionadas. Como ilustração, considere a seguinte configuração de cluster:

• Tipo de Cluster: Geral
• 16 A100-SXM4-80GB GPUs
• Conectividade de nível: Alta Velocidade
• Localização geográfica: Estados Unidos
• Duração: 1 semana

O valor total para esta configuração é $3311.6, com o preço de aluguel por hora por cartão sendo $1.232.

O preço de aluguel por hora para um único A100-SXM4-80GB na Amazon Web Services, Google Cloud e Microsoft Azure é de $5.12, $5.07 e $3.67, respectivamente (dados obtidos：https://cloud-gpus.com/, actualos preços podem variar dependendo dos detalhes do contrato).

Consequentemente, quando se trata de custo, IO.NET oferece poder computacional de chip a preços muito mais baixos do que os dos provedores tradicionais. Além disso, a flexibilidade nas opções de fornecimento e aquisição torna a IO.NET uma escolha atraente para muitos usuários.

Visão Geral do Negócio

Fornecimento lateral

Em 4 de abril de 2024, as cifras oficiais revelam que a IO.NET tinha um total de 371.027 unidades de GPU e um fornecimento de CPU de 42.321 unidades do lado do fornecimento. Além disso, a Render Network, como parceira, tinha 9.997 GPUs adicionais e 776 CPUs conectadas ao fornecimento da rede.

Fonte de dados: https://cloud.io.net/explorer/home, o mesmo abaixo

No momento da escrita, 214.387 das GPUs integradas com IO.NET estavam online, resultando em uma taxa de online de 57,8%. A taxa de online para as GPUs provenientes da Render Network era de 45,1%.

O que isso indica sobre o lado da oferta de dados?

Para fornecer uma referência, vamos trazer a Akash Network, um projeto de computação descentralizada mais experiente.

Akash Network lançou sua mainnet tão cedo quanto 2020, inicialmente focando em serviços descentralizados para CPUs e armazenamento. Lançou uma testnet para serviços de GPU em junho de 2023 e posteriormente lançou a mainnet para poder de computação de GPU descentralizado em setembro do mesmo ano.

Fonte de dados: https://stats.akash.network/provider-graph/graphics-gpu

De acordo com dados oficiais da Akash, embora o lado da oferta venha crescendo continuamente desde o lançamento de sua rede de GPU, o número total de GPUs conectadas à rede permanece apenas 365.

Ao avaliar o volume de oferta de GPU, IO.NET supera em muito a Akash Network, operando em uma escala dramaticamente maior. O IO.NET se estabeleceu como o maior fornecedor no setor descentralizado de energia de computação de GPU.

Lado da Demanda

Do lado da demanda, a IO.NET ainda está nas fases iniciais de cultivo de mercado, com um volume total relativamente pequeno de tarefas de computação sendo executadas em sua rede. A maioria das GPUs está online, mas ociosa, mostrando uma porcentagem de carga de trabalho de 0%. Apenas quatro tipos de chips - o A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S e H100 80GB HBM3 - estão ativamente envolvidos no processamento de tarefas e, entre estes, apenas o A100 PCIe 80GB K8S está experimentando uma carga de trabalho acima de 20%.

O nível de estresse oficial da rede relatado para o dia ficou em 0%, indicando que uma parte significativa do fornecimento de GPU está atualmente em um estado online, mas ocioso.

Financeiramente, a IO.NET acumulou $586,029 em taxas de serviço até o momento, sendo $3,200 desse total gerado no dia mais recente.

Fonte de dados: https://cloud.io.net/explorer/clusters

Os dados financeiros relativos às taxas de liquidação da rede, tanto em termos de volumes totais quanto diários de transações, estão alinhados de perto com os da Akash. No entanto, é importante notar que a maior parte da receita da Akash é derivada de suas ofertas de CPU, com um inventário superior a 20.000 CPUs.

Fonte de dados: https://stats.akash.network/

Além disso, a IO.NET divulgou dados detalhados para tarefas de inferência de IA processadas pela rede. Segundo o último relatório, a plataforma processou e validou com sucesso mais de 230.000 tarefas de inferência, embora a maior parte desse volume provenha do BC8.AI, um projeto patrocinado pela IO.NET.

Fonte de dados: https://cloud.io.net/explorer/inferences

O lado da oferta da IO.NET está se expandindo de forma eficiente, impulsionado pelas expectativas em torno de um airdrop e um evento comunitário conhecido como "Ignition". Esta iniciativa atraiu rapidamente uma quantidade significativa de poder computacional de IA. Por outro lado, a expansão do lado da demanda ainda está em estágios iniciais, com demanda orgânica insuficiente. As razões por trás dessa demanda lenta - seja devido a esforços de alcance ao consumidor não iniciados ou experiências de serviço instáveis levando a uma adoção em larga escala limitada - requerem uma avaliação adicional.

Dadas as dificuldades em fechar rapidamente a lacuna nas capacidades de computação de IA, muitos engenheiros e projetos de IA estão explorando alternativas, potencialmente aumentando o interesse em provedores de serviços descentralizados. Além disso, o IO.NET ainda não implementou incentivos econômicos ou atividades para impulsionar a demanda e, à medida que a experiência do produto continua a melhorar, o equilíbrio antecipado entre oferta e demanda promete para o futuro.

2.3 Antecedentes da Equipe e Visão Geral da Arrecadação de Fundos

Perfil da equipe

A equipe principal da IO.NET inicialmente focou em negociações quantitativas. Até junho de 2022, estavam envolvidos na criação de sistemas de negociação quantitativa de nível institucional para ações e criptomoedas. Impulsionados pela demanda de potência de computação do backend do sistema, a equipe começou a explorar o potencial da computação descentralizada e, por fim, focou na questão específica de reduzir o custo de serviços de computação GPU.

Fundador & CEO: Ahmad Shadid

Antes de fundar a IO.NET, Ahmad Shadid trabalhou em finanças quantitativas e engenharia financeira, e também é voluntário na Fundação Ethereum.

CMO & Chief Strategy Officer: Garrison Yang

Garrison Yang ingressou oficialmente na IO.NET em março de 2024. Antes disso, ele foi VP de Estratégia e Crescimento na Avalanche e é ex-aluno da Universidade da Califórnia, Santa Bárbara.

COO: Tory Green

Tory Green atua como Diretor de Operações da IO.NET. Anteriormente, foi COO da Hum Capital e Diretor de Desenvolvimento de Negócios e Estratégia no Fox Mobile Group. Ele se formou na Universidade de Stanford.

O perfil da IO.NET no LinkedIn indica que a equipe está sediada em Nova York, EUA, com uma filial em São Francisco, e emprega mais de 50 funcionários.

Visão Geral de Financiamento

A IO.NET só anunciou publicamente uma rodada de financiamento—um Série A concluída em março deste ano com uma avaliação de $1 bilhão, através da qual eles levantaram com sucesso $30 milhões. Esta rodada foi liderada pela Hack VC, com a participação de outros investidores, incluindo Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures e ArkStream Capital.

Notavelmente, o investimento da Fundação Aptos pode ter influenciado a decisão do projeto BC8.AI de mudar do uso do Solana para seus processos de liquidação e contabilidade para o blockchain de Camada 1 de alto desempenho, o Aptos.

2.4 Estimativa de Valoração

De acordo com declarações anteriores do fundador e CEO Ahmad Shadid, a IO.NET está programada para lançar seu token até o final de abril de 2024.

IO.NET tem dois projetos de referência que servem como referências para avaliação: Rede Render e Rede Akash, ambos os quais são projetos de computação descentralizada representativos.

Existem dois métodos principais para derivar uma estimativa da capitalização de mercado da IO.NET: 1. A relação preço/vendas (P/S), que compara o FDV com a receita; 2. Relação FDV-Chip (M/C Ratio)

Vamos começar examinando a valuation potencial usando a relação preço/vendas:

Examinando a relação preço/vendas, Akash representa a extremidade conservadora do espectro de valuation estimado da IO.NET, enquanto Render fornece um benchmark de alto nível, posicionando um FDV variando de $1.67 bilhão a $5.93 bilhões.

No entanto, dadas as atualizações do projeto IO.NET, sua narrativa mais convincente, juntamente com seu menor limite de mercado inicial e uma base de oferta mais ampla, sugerem que seu FDV poderia muito bem superar o da Rede Render.

Voltando para outra perspectiva de comparação de valuation, a saber, a “Razão FDV-para-Chip”.

No contexto de um mercado onde a demanda por poder de computação de IA excede a oferta, o elemento mais crucial das redes descentralizadas de computação de IA é a escala do fornecimento de GPU. Portanto, podemos usar a “Razão FDV-para-Chip”, que é a razão do valor totalmente diluído do projeto para o número de chips dentro da rede, para inferir a faixa de valuation possível do IO.NET, fornecendo aos leitores uma referência.

Ao utilizar a relação entre mercado e chip para calcular a faixa de valoração da IO.NET, estamos situados entre $20,6 bilhões e $197,5 bilhões, com a Render Network estabelecendo o benchmark superior e a Akash Network o inferior.

Os entusiastas do projeto IO.NET podem ver isso como uma estimativa altamente otimista da capitalização de mercado.

É importante considerar o atual grande número de chips online para IO.NET, estimulado pelas expectativas de airdrop e atividades de incentivo. A contagem online real do fornecimento após o lançamento oficial do projeto ainda requer observação.

No geral, as valorações derivadas da relação preço/vendas podem oferecer insights mais confiáveis.

IO.NET, construído sobre Solana e agraciado com a convergência de AI e DePIN, está prestes a lançar seu token. A antecipação é palpável enquanto aguardamos para testemunhar o impacto em sua capitalização de mercado pós-lançamento.

Referência:

Dephi Digital: A Verdadeira Fusão

Galaxy: Compreendendo a Interseção entre Cripto e IA

Declaração:

1. Este artigo é reproduzido a partir de [Gatepanews], e os direitos autorais pertencem ao autor original [GateAlex Xu], se você tiver alguma objeção à reprodução, entre em contato Equipe Gate Learn , a equipe lidará com isso o mais rápido possível de acordo com os procedimentos relevantes.

2. Aviso Legal: As visões e opiniões expressas neste artigo representam apenas as visões pessoais do autor e não constituem qualquer conselho de investimento.

3. Outras versões do artigo são traduzidas pela equipe Gate Learn e não são mencionadas em Gate.io, o artigo traduzido não pode ser reproduzido, distribuído ou plagiado.