Repost the original title: A New Solana-based AI + DePIN Project: A Brief Analysis of Upcoming-Tokenlaunch IO.NET

บทนำ

ในรายงานล่าสุดของเราเราได้กล่าวถึงว่าเมื่อเปรียบเทียบกับวงจรที่ผ่านมาสองรอบ วงจรของโครงสร้างพอร์ตคลิปที่ปัจจุบันนั้นขาดโมเดลธุรกิจใหม่และเรื่องราวของทรัพย์สิน ปัญญาประดิษฐ์ (AI) เป็นหนึ่งในเรื่องราวใหม่ในพื้นที่ Web3 ในวงจรนี้ บทความนี้สำรวจโครงการ AI ที่ได้รับความนิยมในปีนี้ คือ IO.NET และจัดระเบียบความคิดเกี่ยวกับคำถามทั้งสองต่อไปนี้:

• ความจำเป็นของ AI+Web3 ในทิวทัศน์ธุรกิจ
• ความจำเป็นและความท้าทายในการใช้ระบบคอมพิวเตอร์ที่มีลักษณะกระจาย

ต่อมา ฉันจะจัดระเบียบข้อมูลสำคัญเกี่ยวกับโครงการแทนในเครือข่ายการคำนวณ AI แบบไม่มีกลาง: IO.NET ซึ่งรวมถึงการออกแบบผลิตภัณฑ์ ภูมิทัศน์การแข่งขัน และประวัติโครงการ ฉันยังจะขยายความเกี่ยวกับตัวชี้วัดการประเมินมูลค่าของโครงการ

ความคิดเห็นเกี่ยวกับ หลักการธุรกิจข้างหลังการรวมกันของ AI และ Web3part draw inspiration from “The Real Merge” โดย Michael Rinko, นักวิเคราะห์วิจัยที่ Delphi Delphi การวิเคราะห์นี้รวมรวมและอ้างอิงไอเดียจากงานของเขา ผู้อ่านแนะนำให้อ่านบทความต้นฉบับ

โปรดทราบว่าบทความนี้สะท้อนความคิดของฉันในขณะนี้และอาจเปลี่ยนแปลงได้ ความคิดเห็นที่นี่เป็นซับเจกที่อาจมีข้อผิดพลาดในเรื่องข้อมูล ข้อมูล และการควานความเห็น นี่ไม่ใช่คำแนะนำทางการเงิน แต่คำติชมและการสนทนายินดีต้อนรับ

ข้อความหลักคือ

1. ตรรกะธุรกิจข้างหลังความรวมตัวของ AI และ Web3

1.1 2023: ปีที่ยอดเยี่ยมสำหรับ AI

พิจารณาถึงประวัติศาสตร์การพัฒนาของมนุษยชาติ จะเห็นว่าการพัฒนาทางเทคโนโลยีเป็นปัจจัยสำคัญที่กระตุ้นการเปลี่ยนแปลงอย่างลึกซึ้ง - ตั้งแต่ชีวิตประจำวัน ไปจนถึงภูมิทัศน์อุตสาหกรรมและการเดินขบวนของอัศวินอนาคตเอง

ในประวัติศาสตร์มนุษย์มีปีสำคัญสองปี คือ 1666 และ 1905 ซึ่งตอนนี้ถือว่าเป็น "Annus Mirabilis" ในประวัติศาสตร์ของวิทยาศาสตร์

ปี 1666 ได้รับชื่อเรียกเนื่องจากการเกิดการพบความสำเร็จทางวิทยาศาสตร์ของอิแซค นิวตัน ในปีเดียวเท่านั้น เขาเป็นผู้เปรียบเทียบกิจกรรมแขนงวิทยาศาสตร์ที่รู้จักกันดีเป็นวิทยาศาสตร์ทางออปติกส์ ก่อตั้งวิชาการคณิตศาสตร์และผลสูตรของกฎแรงโน้มถ่วง ซึ่งเป็นกฎพื้นฐานของวิทยาศาสตร์ธรรมชาติสมัยใหม่ ใด ๆ ของบุคลากรเหล่านี้ก็เป็นพื้นที่มีอิทธิพลต่อการพัฒนาทางวิทยาศาสตร์ของมนุษยชาติในรอบ 1 ศตวรรษถัดไป ทำให้ความคืบหน้าทั่วไปของวิทยาศาสตร์มีอัตราเร่งมากขึ้น

ปีอื่น ๆ ที่สำคัญคือปี 1905 เมื่ออัลเบิร์ต อายน์สไตน์ที่อายุเพียง 26 ปีเผยแพร่กระดาษวิจัย 4 เรื่องเร็วแสนเร็วใน "Annalen der Physik" ซึ่งเกี่ยวกับผลกระทบของแสง ตั้งรากฐานสำหรับกลภาวะควอนตัม; การเคลื่อนไหวของบราวน์ ให้กรอบมุมตรงสำหรับการวิเคราะห์กระบวนการสุ่ม; ทฤษฎีสัมพัทธภาพพิเศษ; และความเทียมทานกับพลังงานที่รวมอยู่ในสมการ E=MC^2 โดยมองหายืนยัน แต่ละกระดาษเหล่านี้ถือว่าเกินระดับเฉลี่ยของงานที่ได้รับรางวัลโนเบลในสาขาฟิสิกส์ - ความแตกต่างที่อัลเบิร์ต อายน์สไตน์เองได้รับเพื่องานของเขาเกี่ยวกับผลกระทบของแสง การมีส่วนร่วมเหล่านี้ทำให้มนุษยชาติเดินไปข้างหน้าหลายก้าวในการเดินทางของอารยธรรม

ปี 2023 ซึ่งอยู่หลังเราเมื่อเร็ว ๆ นี้พร้อมที่จะเฉลิมฉลองเป็น "ปีมหัศจรรย์" อีกปีหนึ่งซึ่งส่วนใหญ่เป็นผลมาจากการเกิดขึ้นของ ChatGPT

การมอง 2023 ว่าเป็น "ปีปาฏิหาริย์" ในประวัติศาสตร์เทคโนโลยีมนุษย์ไม่ได้เพียงแค่การยอมรับถึงการเดินหน้าที่ทำได้ในการประมวลผลภาษาธรรมชาติและการสร้างโดย ChatGPT เท่านั้น มันยังเกี่ยวข้องกับการรับรู้แบบชัดเจนในการก้าวหน้าของโมเดลภาษาขนาดใหญ่ - การรู้สึกว่าโดยการขยายพารามิเตอร์ของโมเดลและชุดข้อมูลการฝึกฝนเราสามารถบรรลุการประสิทธิภาพของโมเดลอย่างเรขาคณิต นอกจากนี้ มันดูเหมือนจะไม่มีขีดจำกัดในระยะสั้น ในกรณีที่พลังการคำนวณคงความก้าวหน้า

ความสามารถนี้ก้าวไกลไปกว่าการเข้าใจภาษาและการสร้างบทสนทนา; สามารถนำไปใช้ได้อย่างกว้างขวางในหลายสาขาวิทยาศาสตร์ต่างๆ โดยการนำระบบโมเดลภาษาขนาดใหญ่ไปใช้ในภาคชีววิทยาเป็นตัวอย่าง:

• ในปี 2018 ฟรานเซส อาร์โนลด์ ผู้ได้รับรางวัลโนเบลสาขาเคมี กล่าวระหว่างพิธีมอบรางวัลว่า "วันนี้เราสามารถอ่าน เขียน และแก้ไขลําดับดีเอ็นเอได้ทั้งหมด แต่เราไม่สามารถแต่งได้" กรอไปข้างหน้าห้าปีถึงปี 2023 ทีมนักวิจัยจากมหาวิทยาลัยสแตนฟอร์ดและ Salesforce Research ซึ่งเป็นสตาร์ทอัพที่เน้น AI ได้ตีพิมพ์ใน "Nature Biotechnology" การใช้โมเดลภาษาขนาดใหญ่ที่กลั่นจาก GPT-3 พวกเขาสร้างแคตตาล็อกโปรตีน 1 ล้านตัวใหม่ทั้งหมด ในจํานวนนี้พวกเขาค้นพบโปรตีนสองตัวที่มีโครงสร้างที่แตกต่างกันซึ่งทั้งคู่มีหน้าที่ต้านเชื้อแบคทีเรียซึ่งอาจปูทางไปสู่กลยุทธ์การดื้อยาแบคทีเรียแบบใหม่นอกเหนือจากยาปฏิชีวนะแบบดั้งเดิม นี่หมายถึงการก้าวกระโดดครั้งใหญ่ในการเอาชนะอุปสรรคของการสร้างโปรตีนด้วยความช่วยเหลือของ AI
• ก่อนหน้านี้อัลกอริทึมปัญญาประดิษฐ์ AlphaFold ทำนายโครงสร้างของโปรตีนทั้งหมดประมาณ 2.14 พันล้านชนิดบนโลกในระยะเวลา 18 เดือน — ระยะทางที่เป็นที่สำคัญที่เพิ่มความสำเร็จของนักชีววิทยาโครงสร้างตลอดประวัติศาสตร์โดยหลายเท่า

การรวมร่าง AI models มีความสัญจริงที่จะเปลี่ยนแปลงอุตสาหกรรมอย่างมาก ตั้งแต่ด้านเทคโนโลยีของไบโอเทค วิทยาวัสดุ และค้นพบยา ไปจนถึงด้านวัฒนธรรมของกฎหมายและศิลปะ คลื่นการเปลี่ยนแปลงนี้กำลังจะทำให้เกิดการปรับเปลี่ยนในสาขาเหล่านี้ โดยปี 2023 เป็นจุดเริ่มต้นของทุกอย่าง

มีการยอมรับอย่างกว้างขวางว่าศตวรรษที่ผ่านมาเป็นพยางค์ของการเพิ่มขึ้นอย่างก้อนความสามารถของมนุษย์ในการสร้างความร่ำรวย การเดินหน้าอย่างรวดเร็วของเทคโนโลยี AI ที่คาดว่าจะเร่งความเร็วของกระบวนการนี้

แนวโน้ม GDP โลกทั้งหมด, แหล่งข้อมูล: กลุ่มธนาคารโลก

1.2 การผสาน AI และ Crypto

เพื่อเข้าใจความต้องการที่สำคัญสำหรับการผสาน AI และคริปโต มันเป็นความสำคัญที่จะมองดูว่าลักษณะที่แตกต่างกันของพวกเขาช่วยเสริมกัน

ความสัมพันธ์ระหว่าง AI และคุณลักษณะของสกุลเงินดิจิตอล

AI แตกต่างจากสิ่งที่สำคัญด้วยสามคุณภาพหลัก

• Stochasticity: AI เป็นสําเร็จรูป, โดยกลไกการผลิตเนื้อหาของมันเป็นกล่องดําลึงที่ยากต่อการทําซ้ํา, ทําให้เอาท์พุตของมันมีลักษณะเป็นสําเร็จรูปตามธรรมชาติ
• การใช้ทรัพยากร: AI เป็นอุตสาหกรรมที่ใช้ทรัพยากรมาก ต้องการปริมาณพลังงาน ชิป และพลังการคำนวณที่สำคัญ
• ความฉลาดเหมือนมนุษย์: AI สามารถผ่านการทดสอบจำลองทูริง (Turing test) ซึ่งทำให้ยากขึ้นที่จะแยกแยะระหว่างมนุษย์กับ AI ได้

_※ _ในวันที่ 30 ตุลาคม 2023 นักวิจัยจากมหาวิทยาลัยแคลิฟอร์เนีย ซานดีเอโก เปิดเผยคะแนนการทดสอบ Turing สำหรับ GPT-3.5 และ GPT-4.0 โดย GPT-4.0 ได้คะแนน 41% พลาดเกณฑ์ผ่านไปอย่างบางอย่างเพียง 9 เปอร์เซ็นต์จุด โดยมนุษย์ได้คะแนน 63% ในการทดสอบเดียวกัน ความสำคัญของการทดสอบ Turing นี้อยู่ที่ในจำนวนผู้เข้าร่วมที่มองว่าคู่สนทนาของพวกเขาคือมนุษย์ คะแนนเกิน 50% หมายถึงส่วนใหญ่เชื่อว่าพวกเขากำลังสื่อสารกับมนุษย์ไม่ใช่กับเครื่องจึงถือว่า AI ผ่านการทดสอบ Turing อย่างสำเร็จอย่างน้อยครึ่งของคนไม่สามารถแยกแยะได้ว่าเป็นมนุษย์

เมื่อ AI เป็นทางลัดสู่ความก้าวหน้าที่สำคัญในการเพิ่มผลิตภัณฑ์ของมนุษย์ ทว่ามันก็พร้อมนำเสนอความท้าทายที่หลักหนึ่งให้กับสังคมของเรา

• วิธีการตรวจสอบและควบคุมความสุ่มของ AI เพื่อทำให้เป็นข้อได้เปรียบ ไม่ใช่ข้อบกพร่อง
• วิธีการสะพายเครื่องกำเนิดพลังงานและความสามารถในการคำนวณที่ AI ต้องการ
• วิธีแยกความแตกต่างระหว่างมนุษย์และ AI

สกุลเงินดิจิทัลและเทคโนโลยีบล็อกเชนอาจมีคำตอบที่เหมาะสมต่อความท้าทายที่เกิดขึ้นจาก AI ซึ่งมีลักษณะพิเศษสามอย่าง:

• การกำหนด: การดำเนินการขึ้นอยู่กับบล็อกเชน โค้ด และสมาร์ทคอนแทร็ค ด้วยกฎเกณฑ์และขอบเขตที่ชัดเจน อินพุตจะทำให้เกิดเอาต์พุตที่สามารถทำนายได้ ทำให้มีระดับความกำหนดที่สูง
• การจัดสรรทรัพยากรอย่างมีประสิทธิภาพ: เศรษฐกิจดิจิทัลได้สร้างสภาพการตลาดที่ใหญ่มาก และเสรีทั่วโลก ทำให้มีการกำหนดราคา ระดมทุน และโอนทรัพยากรอย่างรวดเร็ว การมีโทเค็นเข้ามายังไปเร่งความสอดคล้องระหว่างข้อเสนอและความต้องการในตลาด ทำให้บรรลุขนาดประสิทธิภาพอย่างรวดเร็วผ่านการสร้างสะสมของกำลังบันดาล
• ความไม่มีความเชื่อ: ด้วยสมุดบัญชีสาธารณะและโค้ดเปิดเผยใครก็สามารถยืนยันการดำเนินการได้อย่างง่ายดาย สร้างระบบที่ไม่มีการเชื่อมั่น นอกจากนี้ เทคโนโลยี Zero-Knowledge (ZK) ยังทำให้มั่นใจว่าความเป็นส่วนตัวถูกรักษาในระหว่างกระบวนการยืนยันเหล่านี้

เพื่อแสดงถึงความสมบูรณ์ระหว่าง AI และเศรษฐกิจคริปโต เรามาศึกษาตัวอย่างสามอย่าง

ตัวอย่าง A: การเอาชนะการสุ่มด้วยเอเจ้นต์ AI ที่ขับเคลื่อนด้วยเศรษฐกิจคริปโต

ตัวแทน AI คือโปรแกรมที่อัจฉริยะที่ออกแบบมาเพื่อดำเนินงานในนามของมนุษย์ตามคำสั่งของพวกเขา โดยที่ Fetch.AI เป็นตัวอย่างที่น่าสังเกตในโดเมนนี้ จงจินตัวแทน AI ของเราดำเนินการดำเนินการทางการเงิน เช่น "ลงทุน 1000 ดอลลาร์ใน BTC" ตัวแทน AI สามารถเผชิญกับสองสถานการณ์ที่แตกต่างกันได้

สถานการณ์ 1: ตัวแทนจำเป็นต้องปฏิสัมพันธ์กับองค์กรทางการเงินดั้งเดิม (เช่น BlackRock) เพื่อซื้อ BTC ETFs โดยพบกับปัญหาความเข้ากันได้กับองค์กรที่มีศูนย์กลาง รวมถึงกระบวนการ KYC, การยืนยันเอกสาร, กระบวนการเข้าสู่ระบบ, และการรับรองความถูกต้องของตัวตน ซึ่งทั้งหมดนี้ถือว่าเป็นภาระอย่างมากในปัจจุบัน

สถานการณ์ที่ 2: เมื่อดําเนินงานภายในเศรษฐกิจ crypto ดั้งเดิมกระบวนการจะง่ายขึ้น ตัวแทนสามารถทําธุรกรรมได้โดยตรงผ่าน Uniswap หรือผู้รวบรวมการซื้อขายที่คล้ายกันโดยใช้บัญชีของคุณเพื่อลงชื่อเข้าใช้และยืนยันคําสั่งซื้อและด้วยเหตุนี้จึงได้รับ WBTC หรือรูปแบบอื่น ๆ ของ BTC ห่อ ขั้นตอนนี้มีประสิทธิภาพและคล่องตัว โดยพื้นฐานแล้วนี่คือฟังก์ชั่นที่ให้บริการในปัจจุบันโดยบอทซื้อขายต่างๆซึ่งทําหน้าที่เป็นตัวแทน AI พื้นฐานโดยเน้นที่กิจกรรมการซื้อขาย ด้วยการพัฒนาและการรวม AI ต่อไปบอทเหล่านี้จะบรรลุวัตถุประสงค์การซื้อขายที่ซับซ้อนมากขึ้น ตัวอย่างเช่นพวกเขาอาจตรวจสอบที่อยู่เงินอัจฉริยะ 100 รายการบนบล็อกเชนประเมินกลยุทธ์การซื้อขายและอัตราความสําเร็จจัดสรรเงิน 10% เพื่อคัดลอกการซื้อขายในช่วงหนึ่งสัปดาห์หยุดการดําเนินการหากผลตอบแทนไม่เอื้ออํานวยและสรุปเหตุผลที่เป็นไปได้สําหรับกลยุทธ์เหล่านี้

AI ฟื้นฟูได้ภายในระบบบล็อกเชนโดยพื้นฐานเพราะกฎของเศรษฐมนุษย์แบบคริปโตถูกกำหนดโดยชัดเจน และระบบทำให้เป็นไปได้ที่จะทำได้โดยไม่ต้องได้รับอนุญาต การดำเนินการภายใต้แนวทางชัดเจนลดความเสี่ยงที่เกี่ยวข้องกับความสุ่มสายของ AI อย่างมีนัยสำคัญ ตัวอย่างเช่นความองอึดของ AI ต่อมนุษย์ในการเล่นหมากรุกและวิดีโอเกมมาจากความจริงว่าสภาพแวดล้อมเหล่านี้เป็นกล่องทรายปิดที่มีกฎเหล่านั้นๆอย่างชัดเจน อย่างตรงข้ามกับนี้ ความก้าวหน้าในการขับรถอัตโนมัติมีความคือความอย่างเร่งรีบมากขึ้น ความท้าทายภายในโลกที่เปิดอย่างซับซ้อนมากขึ้น และความอดทนของเราต่อปัญหาที่ไม่สามารถคาดเดาได้ของ AI ในสถานการณ์เช่นนี้ต่ำลงอย่างมีนัยสำคัญ

ตัวอย่าง B: การรวมทรัพยากรผ่านการแรงจูงใจด้วยโทเค็น

เครือข่ายแฮชโลกัลที่ทรงพลังที่สุดที่สนับสนุน BTC ซึ่งมีอัตราแฮชรวมปัจจุบันอยู่ที่ 576.70 EH/s เหนือกว่าพลังการคำนวณรวมของเครื่องคอมพิวเตอร์ของประเทศใด ๆ ที่มีเครื่องคอมพิวเตอร์แบบซุปเปอร์ การเติบโตนี้ถูกเคลื่อนไหวด้วยสิ่งสำคัญและยุติใจที่เป็นธรรมภายในเครือข่าย

แนวโน้มอำนาจการขุดบิทคอยน์, แหล่งที่มา: https://www.coinwarz.com/

นอกจากนี้โครงการ DePIN อย่าง Mobile กำลังสำรวจการแรงจูงใจโทเคนเพื่อกระตุ้นตลาดทั้งด้านการจัดหาและด้านความต้องการเพื่อส่งเสริมผลกระทบของเครือข่าย การโฟกัสที่กำลังจะมาถึงของบทความนี้ IO.NET เป็นแพลตฟอร์มที่ออกแบบมาเพื่อรวบรวมพลังการคำนวณ AI โดยหวังว่าจะปลดล็อคศักยภาพล่วงลับของพลังการคำนวณ AI ผ่านโมเดลโทเคน

ตัวอย่าง C: การใช้ Open Source และ ZK Proof เพื่อแยกตัวมนุษย์จาก AI ในขณะที่รักษาความเป็นส่วนตัว

Worldcoin, โครงการ Web3 ที่ร่วมกันกับ Sam Altman จาก OpenAI, ใช้วิธีการใหม่ในการตรวจสอบตัวตน โดยใช้อุปกรณ์ฮาร์ดแวร์ที่เรียกว่า Orb เพื่อใช้เทคโนโลยี Zero-Knowledge (ZK) เพื่อสร้างค่าแฮชที่เป็นเอกลักษณ์และไม่ระบุชื่อผ่านไอริสของมนุษย์โดยแยกคนจริงจาก AI ในต้นเดือนมีนาคม พ.ศ. 2567 โครงการศิลปะ Web3 ที่ชื่อ Drip เริ่มใช้ Worldcoin ID เพื่อรับรองคนจริงและแบ่งส่วนของรางวัล

Worldcoin ได้เปิดเผยซอฟต์แวร์ iris hardware ของตนเมื่อเร็วๆ นี้ ชื่อ Orb เพื่อให้มั่นใจในความปลอดภัยและความเป็นส่วนตัวของข้อมูลชีวภาพ

โดยรวมเนื่องจากความกดขี้ยิ่งของรหัสและการเข้ารหัส การหมุนเวียนทรัพยากรและการระดมทุนที่นำเสนอโดยกลไกที่ไม่มีการอนุญาตและขึ้นอยู่กับโทเค็น รวมถึงลักษณะที่ไม่มีการเชื่อถือตามรหัสต้นฉบับและบัญชีสาธารณะ ระบบเศรษฐมนุษย์เข้าสู่ปัญหาที่มนุษยชาติเผชิญกับ AI มีศักยภาพที่สำคัญ

ความทันทีที่สุดและท้าทายทางธุรกิจที่ต้องการมากที่สุดคือความกระหน่ำที่มากมายสำหรับทรัพยากรคอมพิวเตอร์ที่ต้องการโดยผลักดันโดยส่วนใหญ่จากความต้องการที่สำคัญสำหรับชิปและพลังการคำนวณ

นี่เป็นเหตุผลหลักที่โครงการการคำนวณแบบกระจายนำการได้รับกำไรในระหว่างวงจรตลาดตลาดตัวเลขในกลุ่มภาคเรียนของภาคประสิทธิภาพ AI โดยรวม

ความจำเป็นทางธุรกิจสำหรับการคำนวณแบบกระจาย

AI ต้องการทรัพยากรความสามารถทางคอมพิวเตอร์อย่างมาก ที่จำเป็นสำหรับการฝึกโมเดลและงานการอ่านความหมาย

มีการบันทึกข้อมูลไว้อย่างดีในการฝึกอบรมโมเดลภาษาขนาดใหญ่ว่าเมื่อมีขอบเขตของพารามิเตอร์ข้อมูลมากพอ โมเดลเหล่านี้จะเริ่มแสดงความสามารถที่ไม่เหมือนใคร การปรับปรุงแบบเรขาคณิตที่เห็นจากรุ่น ChatGPT ที่ผ่านมาถึงรุ่นถัดไป ได้ถูกขับเคลื่อนโดยการเติบโตแบบเรขาคณิตในความต้องการของการฝึกโมเดล

การวิจัยจาก DeepMind และมหาวิทยาลัยสแตนฟอร์ด แสดงให้เห็นว่าในระหว่างการใช้โมเดลภาษาขนาดใหญ่ต่างๆ การจัดการกับงานที่แตกต่างกัน - ไม่ว่าจะเป็นการคำนวณ การตอบคำถามเปอร์เซีย หรือการเข้าใจภาษาธรรมชาติ - โมเดลเพียงแค่ประมาณการสุ่มเมื่อไม่มีการฝึกอบรมที่มีพารามิเตอร์ของโมเดลที่มีขนาดใหญ่มากพอและโดยต่อแทน ซึ่งเป็นการบรรทัดเส้นคอมพิวเตอร์ ประสิทธิภาพของงานใดๆ ยังคงอยู่ใกล้เคียงกับการทายสุ่มจนกระทั่งที่ความความตั้งใจในการคำนวณเติบโตไปยัง 10^22 FLOPs นอกเส้นที่เป็นค่าคริทิคอลนี้ ประสิทธิภาพของงานจะดีขึ้นอย่างมากในโมเดลภาษาใดก็ได้

Source: ความสามารถในการเจริญของระบบภาษาขนาดใหญ่

Source：ความสามารถที่เกิดขึ้นของโมเดลภาษาขนาดใหญ่

หลักการของ "ทำอะไรที่ยิ่งใหญ่ได้ด้วยความพยายาม" ในพลังคำนวณทั้งในทฤษฎีและได้รับการยืนยันในปฏิบัติ ได้ปลุกเร้าให้ผู้ก่อตั้ง OpenAI ซาม อัลต์แมน วางแผนอุปกรณ์ที่มีเป้าหมายมหาศาลที่จะระดมทุนเป็นเงิน 7 ล้านล้านเหรียญสหรัฐ กองทุนนี้มีจุดประสงค์เพื่อสร้างโรงงานชิปที่จะเกินกว่าความสามารถปัจจุบันของ TSMC สิบเท่า (โดยประมาณว่าต้องใช้เงิน 1.5 ล้านล้านเหรียญสหรัฐ) โดยจัดสรรเงินที่เหลือสำหรับการผลิตชิปและการฝึกอบรมโมเดล

นอกจากความต้องการทางคำนวณของการฝึกโมเดล AI กระบวนการอุทยานก็ต้องการพลังการคำนวณมากมาย แม้จะน้อยกว่าการฝึก ความต้องการต่อเนื่องนี้สำหรับชิปและทรัพยากรการคำนวณได้กลายเป็นความเป็นจริงมาตรฐานสำหรับผู้เล่นในวงการ AI

ในทางตรงกันข้ามกับผู้ให้บริการการคำนวณ AI แบบกลางที่เช่น Amazon Web Services, Google Cloud Platform, และ Azure ของ Microsoft, การคำนวณ AI แบบกระจายนั้นมีข้อเสนอมูลค่าที่น่าสนใจหลายประการ:

• การเข้าถึง: การเข้าถึงชิปคอมพิวเตอร์ผ่านบริการเช่น AWS, GCP หรือ Azure มักจะใช้เวลาสัปดาห์ และโมเดล GPU ยอดนิยมบางรุ่นบ่อยครอบคลุมไม่ได้ นอกจากนี้ผู้บริโภคมักจะถูกผูกพันด้วยสัญญาที่ยาวนานและเข้มงวดกับบริษัทใหญ่เหล่านี้ ในทางตรงกันข้าม แพลตฟอร์มคอมพิวทิงที่กระจายพาดีไซน์ให้ตัวเลือกฮาร์ดแวร์ที่ยืดหยุ่นพร้อมความสะดวกในการเข้าถึง
• ความมีประสิทธิภาพทางค่าใช้จ่าย: โดยการใช้ชิปที่ว่างเปล่าและรวมเข้ากับการสนับสนุนโทเค็นจากโปรโตคอลเครือข่ายสำหรับผู้ให้บริการชิปและพลังงานคำนวณ ระบบเครือข่ายการคำนวณแบบกระจายสามารถให้พลังคำนวณในราคาที่ถูกลง
• Censorship Resistance: การจำกัดการเซ็นเซอร์ การผลิตชิปที่ทันสมัย ณ ปัจจุบันถูกควบคุมโดยบริษัทเทคโนโลยีชั้นนำ และกับการตรวจสอบบริการคำนวณ AI จากรัฐบาลสหรัฐที่เพิ่มขึ้น ความสามารถในการเข้าถึงพลังการคำนวณอย่างเสรี และไม่มีข้อจำกัด ที่มีลักษณะที่กระจายและยืดหยุ่นกำลังเป็นเรื่องจำเป็นที่ชัดเจนมากขึ้น นี่คือคุณลักษณะค่าแก่การใช้งานของแพลตฟอร์มการคำนวณที่ใช้เทคโนโลยี web3

ถ้าเชื้อเพลิงหินปูนเป็นเลือดแดงของยุคอุตสาหกรรม กลุ่มพลังคำนวณอาจจะเป็นเลือดแดงของยุคดิจิทัลใหม่ที่ถูกเริ่มต้นขึ้นโดย AI ซึ่งทำให้การจัดหาพลังคำนวณเป็นพื้นฐานสำหรับยุค AI อย่างเห็นได้ชัด ในทำเหมืองเหรียญดิจิทัลมีแนวโน้มที่จะกลายเป็นส่วนผสมที่กำลังขยายอย่างรวดเร็วภายในตลาดคำนวณ AI ที่กำลังขยายอย่างรวดเร็ว

นี่ยังเป็นตลาดที่กำลังเจริญเติบโต และยังมีอีกมากที่ยังคงต้องเห็น อย่างไรก็ตาม มีปัจจัยหลายอย่างที่อาจสามารถเป็นเครื่องขับเคลื่อนเรื่องราวหรือการนำมาใช้ของการคำนวณแบบกระจาย

• ปัญหาการจัดหา GPU ที่ต่อเนื่อง: ปัญหาการจัดหา GPU ที่ยังคงอยู่สำหรับนักพัฒนาอาจส่งเสริมให้พวกเขาสำรวจแพลตฟอร์มการคำนวณแบบกระจาย
• การขยายขอบเขตของกฎหมาย: การเข้าถึงบริการคำนวณ AI จากแพลตฟอร์มคลาวด์ชั้นนำเรียกใช้กระบวนการ KYC ละเมิดอย่างละเอียด สามารถนำไปสู่การนำมาใช้ของแพลตฟอร์มคำนวณที่กระจาย โดยเฉพาะในพื้นที่ที่เผชิญกับข้อจำกัดหรือการลงโทษ
• ผลตอบแทนราคาโทเค็น: การเพิ่มขึ้นของราคาโทเค็นในช่วงตลาดขึ้นอาจเพิ่มมูลค่าของเงินช่วยเหลือที่เสนอให้ผู้ให้บริการ GPU โดยแพลตฟอร์ม ซึ่งจะดึงดูดผู้ขายมากขึ้นสู่ตลาด ทำให้มีขนาดใหญ่ขึ้น และลดต้นทุนสำหรับผู้บริโภค

ในขณะเดียวกัน ภาระที่ต้องเผชิญของแพลตฟอร์มการคำนวณแบบกระจายก็มีอยู่อย่างชัดเจน

ความท้าทายทางเทคนิคและวิศวกรรม

• ปัญหาการทำงานพิสูจน์: การคำนวณในโมเดลการเรียนรู้ลึกเนื่องจากโครงสร้างลำดับชั้นที่ผลลัพธ์ของแต่ละชั้นถูกนำมาใช้เป็นข้อมูลนำเข้าสำหรับขั้นต่อไป การยืนยันความถูกต้องของการคำนวณต้องการการดำเนินการงานก่อนหน้าทั้งหมดซึ่งไม่ง่ายและไม่มีประสิทธิภาพ ในการจัดการกับปัญหานี้แพลตฟอร์มการคำนวณที่ไม่มีความเป็นศูนย์ต้องการที่จะพัฒนาอัลกอริทึมใหม่หรือใช้เทคนิคการยืนยันโดยประมาณที่ให้ความมั่นใจเชิงความน่าจะเป็นของผลลัพธ์ แทนการกำหนดอย่างแน่นอน
• ความท้าทายในการขนาน: แพลตฟอร์มการคำนวณแบบกระจายดึงเราดาวน์จากชุดข้อมูลของผู้จัดจำหน่ายชิปที่หลากหลาย โดยทั่วไปแล้วแต่ละแบรนด์นั้นให้พลังการคำนวณอย่าง จำกัด การที่จะสามารถทำการฝึกหรืองานอ้างอิงของโมเดล AI โดยผู้จัดจำหน่ายชิปเดียวอย่างรวดเร็วแทบเป็นไปไม่ได้ ดังนั้น งานจึงต้องถูกแยกและกระจายโดยใช้การขนานเพื่อลดเวลาการเสร็จสิ้นโดยรวม แต่วิธีนี้เข้ามาพร้อมกับความซับซ้อนหลายอย่าง รวมถึงการแบ่งงานออกไป (โดยเฉพาะงานเรียนรู้ลึกที่ซับซ้อน) ความขึ้นอยู่ของข้อมูล และค่าติดต่อเพิ่มเติมระหว่างอุปกรณ์
• ปัญหาการป้องกันความเป็นส่วนตัว: วิธีการใดที่สามารถให้แน่ใจว่าข้อมูลและแบบจำลองของลูกค้าจะไม่ถูกเปิดเผยต่อผู้รับงานได้

ความท้าทายในการปฏิบัติตามกฎหมาย

• แพลตฟอร์มการคำนวณแบบกระจาย ด้วยลักษณะที่ไม่มีการอนุญาตในตลาดการสูบสูญเสีย อาจเป็นจุดขายสำคัญต่อลูกค้าบางกลุ่ม อย่างไรก็ตาม ภายหลังจากที่กรอบกฎหมาย AI ก้าวไปข้างหน้า แพลตฟอร์มเหล่านี้อาจกลายเป็นเป้าหมายของการตรวจสอบของรัฐบาลได้มากขึ้น นอกจากนี้ บางผู้ขาย GPU ก็กังวลเกี่ยวกับว่าทรัพยากรคำนวณที่เช่าไปของพวกเขาถูกใช้โดยธุรกิจหรือบุคคลที่ได้รับการลงโทษหรือไม่

สรุปโดยรวมผู้ใช้หลักของแพลตฟอร์มการคำนวณแบบไม่มีศูนย์กลาง ส่วนใหญ่เป็นนักพัฒนามืออาชีพหรือ กิจการขนาดเล็กถึงกลาง ต่างจากนักลงทุนเหรียญดิจิทัลและ NFT ลูกค้าเหล่านี้จะให้ความสำคัญกับความมั่นคงและความต่อเนื่องของบริการที่ให้บริการโดยแพลตฟอร์ม และราคาไม่จำเป็นต้องเป็นหัวใจสำคัญของพวกเขา แพลตฟอร์มการคำนวณแบบไม่มีศูนย์กลางต้องเดินทางไกลกว่านี้ก่อนที่จะสามารถชนะการยอมรับอย่างกว้างขวางจากกลุ่มผู้ใช้ที่มีความรู้สำคัญนี้

ถัดไปเราจะศึกษารายละเอียดและวิเคราะห์ IO.NET โครงการพลังงานคอมพิวเตอร์แบบกระจายใหม่ในรอบนี้ เรายังจะเปรียบเทียบกับโครงการที่คล้ายกันเพื่อประมาณค่าของตลาดที่เป็นไปได้หลังจากเปิดตลาด

2. เครือข่ายคอมพิวเตอร์ AI แบบกระจาย: IO.NET

2.1 ภาพรวมของโครงการ

IO.NET เป็นเครือข่ายคอมพิวเตอร์ที่มีลักษณะการทำงานแบบกระจายที่สร้างตลาดสองด้านรอบโปรเซสเซอร์ เลขที่ด้านการจัดหามีพลังการคำนวณที่กระจายทั่วโลกโดยส่วนใหญ่เป็น GPU แต่ยังมี CPU และ GPU รวมถึง iGPU ของ Apple ด้านความต้องการประกอบด้วยวิศวกรปัญญาประดิษฐ์ที่มีความต้องการที่จะดำเนินการฝึกอบรมโมเดล AI หรืองานอินเฟอเรนซ์

เว็บไซต์อย่างเป็นทางการของ IO.NET ระบุวิสัยทัศน์ของพวกเขา:

พันธกิจของเรา

การรวมกันหนึ่งล้านหน่วยประมวลผลกราฟิก (GPU) ใน DePIN - ระบบพื้นฐานทางกายภาพที่กระจาย

พันล้านรายการ GPUs ให้เข้าร่วม DePIN network ของมัน

เมื่อเปรียบเทียบกับบริการคำนวณ AI บนคลาวด์แบบดั้งเดิม แพลตฟอร์มนี้เน้นที่จุดเด่นหลายประการ

• การกำหนดค่าอย่างยืดหยุ่น: วิศวกร AI สามารถเลือกและประกอบชิปที่จำเป็นเข้าไปใน "คลัสเตอร์" ที่ปรับแต่งให้เหมาะสมกับงานคำนวณที่เฉพาะเจาะจงของพวกเขา
• การปรับปรุงอย่างรวดเร็ว: ไม่เหมือนกับการรอการอนุมัติแบบยาวนานและรอเวลาที่เกี่ยวข้องกับผู้ให้บริการแบบกลางที่เช่น AWS, การปรับปรุงบนแพลตฟอร์มนี้สามารถเสร็จสิ้นได้ในไม่กี่วินาทีเท่านั้น ทำให้เริ่มการทำงานทันที
• ความมีประสิทธิภาพทางค่าใช้จ่าย: ค่าบริการมีลดลงถึง 90% จากการตั้งราคาของผู้ให้บริการรายใหญ่

นอกจากนี้ IO.NET วางแผนที่จะเปิดบริการเพิ่มเติมในอนาคต เช่น ร้านจำหน่ายโมเดล AI

2.2 กลไกผลิตภัณฑ์และตัวชี้วัดธุรกิจ

กลไกผลิตภัณฑ์และประสบการณ์การใช้งาน

คล้ายกับแพลตฟอร์มชั้นนำเช่น Amazon Cloud, Google Cloud และ Alibaba Cloud, IO.NET มีบริการคอมพิวเตอร์ที่เรียกว่า IO Cloud บริการนี้ทำงานผ่านเครือข่ายชิปที่กระจายและทำธุรกิจอย่างกระจายที่รองรับการดำเนินการของรหัสเครื่อง Python-based machine learning สำหรับ AI และแอพลิเคชั่นเชิงเรียนรู้ของเครื่อง

โมดูลธุรกิจพื้นฐานของ IO Cloud ชื่อ Clusters - กลุ่มของ GPUs ที่ประสานงานเองที่ออกแบบมาเพื่อจัดการงานคำนวณอย่างมีประสิทธิภาพ วิศวกร AI สามารถปรับแต่ง Clusters เพื่อตอบสนองความต้องการที่เฉพาะเจาะจงของตน

อินเทอร์เฟซของ IO.NET เป็นของผู้ใช้ที่ใช้งานได้ง่ายมาก หากคุณกำลังมองหาที่จะใช้งานกลุ่มชิปของคุณเองสำหรับงานคำนวณ AI คุณสามารถไปที่หน้า Clusters บนแพลตฟอร์มโดยง่าย ที่นั่นคุณสามารถกำหนดค่ากลุ่มชิปตามที่คุณต้องการได้อย่างง่ายดาย

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

ก่อนอื่นคุณต้องเลือกประเภทคลัสเตอร์ของคุณ มีตัวเลือก 3 ประเภทที่สามารถเลือกได้:

• General: ให้สภาพแวดล้อมทั่วไป เหมาะสำหรับช่วงต้นของโครงการที่ความต้องการทรัพยากรเฉพาะยังไม่ชัดเจน
• Train: กลุ่มที่ออกแบบมาเฉพาะสำหรับการฝึกฝนและปรับแต่งโมเดลการเรียนรู้ของเครื่อง ตัวเลือกนี้จะให้ทรัพยากร GPU เพิ่มเติม ความจุหน่วยความจำสูง และ/หรือการเชื่อมต่อเครือข่ายที่เร็วขึ้นเพื่อรองรับงานคำนวณที่ใช้พลังงานมาก
• Inference: A cluster designed for low-latency inference and high-load work. In the context of machine learning, inference refers to using trained models to predict or analyze new datasets and provide feedback. Therefore, this option focuses on optimizing latency and throughput to support real-time or near-real-time data processing needs.

ถัดไปคุณจำเป็นต้องเลือกผู้ผลิตสำหรับคลัสเตอร์ของคุณ IO.NET มีพันธมิตรกับ Render Network และเครือข่ายขุดเหมือง Filecoin ซึ่งช่วยให้ผู้ใช้สามารถเลือกชิปจาก IO.NET หรือเครือข่ายอื่น ๆ อีกสองระบบเป็นแหล่งจำหน่ายสำหรับคลัสเตอร์คอมพิวเตอร์ของพวกเขา นี่จะทำให้ IO.NET สามารถทำหน้าที่เป็นผู้รวบรวม (หมายเหตุ: บริการ Filecoin ปิดใช้ชั่วคราว) ควรทราบว่า ณ ปัจจุบัน IO.NET มี GPU กว่า 200,000 ตัวที่มีออนไลน์ให้บริการ ในขณะที่ Render Network มี GPU กว่า 3,700 ตัวที่มีออนไลน์ให้บริการ

ตามนี้คุณจะดำเนินไปยังขั้นตอนการเลือกฮาร์ดแวร์ของคลัสเตอร์ของคุณ ในปัจจุบัน IO.NET ระบุเฉพาะ GPU เท่านั้นให้เป็นตัวเลือกฮาร์ดแวร์ที่ใช้ได้ ไม่รวมถึง CPU หรือ iGPU ของ Apple (M1, M2 ฯลฯ) โดย GPU โดยส่วนใหญ่ประกอบด้วยผลิตภัณฑ์จาก NVIDIA

ในหมวดหมู่ฮาร์ดแวร์ GPU ที่รายชื่ออย่างเป็นทางการและมีจำหน่ายอยู่ ตามข้อมูลที่ผมทดสอบในวันนั้น จำนวนรวมของ GPU ออนไลน์ทั้งหมดที่มีในเครือข่าย IO.NET คือ 206,001 หน่วย GPU ที่มีจำนวนมากที่สุดคือ GeForce RTX 4090 มีจำนวน 45,250 หน่วย ตามด้วย GeForce RTX 3090 Ti มีจำนวน 30,779 หน่วย

นอกจากนี้ยังมีชิป A100-SXM4-80GB ที่มีประสิทธิภาพสูง 7,965 หน่วย (ที่ละราคาเกิน $15,000) ที่มีจำหน่ายออนไลน์ ซึ่งมีประสิทธิภาพมากขึ้นสำหรับงานคำนวณ AI เช่น การเรียนรู้ของเครื่อง การเรียนรู้ลึก และการคำนวณทางวิทยาศาสตร์

NVIDIA H100 80GB HBM3 ซึ่งออกแบบมาจากพื้นฐานสำหรับ AI (มีราคาตลาดมากกว่า 40,000 ดอลลาร์) มอบประสิทธิภาพการฝึกอบรมที่สูงขึ้น 3.3 เท่าและประสิทธิภาพของการอินเฟอเรนซ์ที่สูงขึ้น 4.5 เท่าของ A100 ปัจจุบันมีหน่วยที่ใช้งานออนไลน์ 86 หน่วย

เมื่อประเภทฮาร์ดแวร์สำหรับคลัสเตอร์ได้รับการเลือกแล้ว ผู้ใช้จะต้องระบุรายละเอียดเพิ่มเติม เช่น ที่ตั้งทางภูมิศาสตร์ของคลัสเตอร์ ความเร็วในการเชื่อมต่อ จำนวน GPU และระยะเวลา

ในที่สุด IO.NET จะคำนวณบิลอย่างละเอียดตามตัวเลือกที่คุณเลือก ตัวอย่างเช่น พิจารณาการกำหนดค่าความสัมพันธ์ของคลัสเตอร์ต่อไปนี้

• ประเภทคลัสเตอร์: ทั่วไป
• 16 A100-SXM4-80GB GPUs
• ระดับการเชื่อมต่อ: ความเร็วสูง
• ตำแหน่งภูมิศาสตร์: สหรัฐอเมริกา
• ระยะเวลา: 1 สัปดาห์

ค่าใช้จ่ายทั้งหมดสำหรับการกำหนดค่านี้คือ $3311.6, โดยราคาเช่ารายชั่วโมงต่อการ์ดคือ $1.232

ค่าเช่ารายชั่วโมงสำหรับ A100-SXM4-80GB เครื่องเดียวบน Amazon Web Services, Google Cloud, และ Microsoft Azure คือ $5.12, $5.07, และ $3.67 ตามลำดับ (ข้อมูลที่มา: https://cloud-gpus.com/，actualราคาอาจแตกต่างขึ้นอยู่กับรายละเอียดของสัญญา)

ด้วยเหตุนี้เมื่อเรามาที่ค่าใช้จ่าย IO.NET นำเสนอพลังงานคอมพิวเตอร์ชิพในราคาที่ต่ำกว่าของผู้ให้บริการระดับพื้น. นอกจากนี้ความยืดหยุ่นในการจัดหาและเลือกซื้อทำให้ IO.NET เป็นทางเลือกที่น่าสนใจสำหรับผู้ใช้หลายคน

ภาพรวมธุรกิจ

ด้านการจัดหา

ตั้งแต่วันที่ 4 เมษายน 2024 ตัวเลขทางการแสดงให้เห็นว่า IO.NET มีจำนวน GPU รวมทั้งสิ้น 371,027 หน่วยและ CPU 42,321 หน่วยที่มีในด้านการจัดหา นอกจากนี้ Render Network ในฐานะเป็นพันธมิตร มี GPU เพิ่มเติมอีก 9,997 หน่วยและ CPU 776 หน่วยที่เชื่อมต่อกับเครือข่ายการจัดหาของตัวเอง

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

ในขณะที่เขียนอยู่ 214,387 จาก GPU ที่รวมกับ IO.NET ออนไลน์ ซึ่งทำให้ออนไลน์ได้ร้อยละ 57.8% อัตราการออนไลน์สำหรับ GPU ที่มาจาก Render Network คือ 45.1%

ข้อมูลด้านการจัดหานี้นั้นแปลว่าอะไร

เพื่อให้ข้อมูลการวัดมาตรฐาน ให้เรานำเข้า Akash Network โครงการคอมพิวเตอร์แบบกระจายที่มีประสบการณ์มากกว่า

Akash Network ได้เปิดตัว mainnet ของตนในช่วงต้นปี 2020 โดยเน้นบริการกระจายอำนาจสำหรับหน่วยประมวลผลและพื้นที่จัดเก็บข้อมูล พวกเขาได้เปิดตัว testnet สำหรับบริการ GPU เมื่อเดือนมิถุนายน 2023 และต่อมาได้เปิดตัว mainnet สำหรับกำลังการประมวลผล GPU แบบกระจายอำนาจในเดือนกันยายนของปีเดียวกัน

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

ตามข้อมูลทางการจาก Akash แม้ว่าฝั่งการผลิตจะเพิ่มขึ้นอย่างต่อเนื่องตั้งแต่เปิดตัวเครือข่าย GPU ของตน จำนวน GPU ที่เชื่อมต่อกับเครือข่ายยังคงเพียง 365 เพียงเท่านั้น

เมื่อประเมินปริมาณการจัดหา GPU IO.NET เหลือเชื่อมากกว่า Akash Network ที่ดำเนินการในมาตราการที่ใหญ่กว่าอย่างมาก IO.NET ได้เป็นตัวแทนฝ่ายจัดหาที่ใหญ่ที่สุดในกลุ่มธุรกิจการคำนวณพลวัต GPU ที่กระจายอำนวยความสามารถ

ด้านความต้องการ

จากด้านความต้องการ IO.NET ยังอยู่ในช่วงเริ่มต้นของการจัดการตลาด มีปริมาณงานคำนวณรวมที่ทำการดำเนินงานบนเครือข่ายของมันเป็นจำนวนเล็ก ส่วนใหญ่ของ GPU ออนไลน์ แต่ยังว่างเปล่า แสดงเปอร์เซ็นต์ของภาระงานเป็น 0% เพียงสี่ประเภทของชิป—A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S และ H100 80GB HBM3—กำลังมีการดำเนินงานในงานประมวลผล และในหมู่นี้แค่ A100 PCIe 80GB K8S เท่านั้นที่กำลังประสบกับภาระงานเกิน 20%

ระดับความเครียดทางการเชื่อมต่อทางอย่างเป็นทางการของเครือข่ายสำหรับวันนั้นอยู่ที่ 0% ซึ่งหมายถึงว่าส่วนใหญ่ของการจัดหา GPU อยู่ในสถานะออนไลน์ แต่ไม่ได้ใช้งาน

ทางด้านการเงิน IO.NET ได้รับค่าบริการรวม $586,029 จนถึงปัจจุบัน โดยมี $3,200 จากยอดรวมนั้นเกิดขึ้นในวันล่าสุด

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

ข้อมูลการเงินเกี่ยวกับค่าธรรมเนียมในการตั้งบัญชีเครือข่ายทั้งในเชิงรวมและปริมาณธุรกรรมรายวัน สอดคล้องอย่างใกล้ชิดกับ Akash อย่างไรก็ตาม สิ่งสำคัญคือต้องทราบว่ารายได้ส่วนใหญ่ของ Akash มาจากการเสนอ CPU โดยมีสินค้าค้างคลังเกินกว่า 20,000 หน่วย

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

นอกจากนี้ IO.NET ได้เปิดเผยข้อมูลอย่างละเอียดสำหรับงานการใช้ AI ที่ดำเนินการโดยเครือข่าย ตามรายงานล่าสุด แพลตฟอร์มได้ดำเนินการและยืนยันงานการใช้ AI กว่า 230,000 งาน แม้ว่าปริมาณส่วนใหญ่นี้มาจาก BC8.AI โครงการที่ได้รับการสนับสนุนจาก IO.NET

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

ด้านการจัดหาของ IO.NET กำลังขยายอย่างมีประสิทธิภาพ ด้วยความคาดหวังด้านการแจกจ่ายและเหตุการณ์ชุมชนที่รู้จักกันด้วยชื่อ "Ignition" ผลกระทบจากโครงการนี้ได้ดึงดูดพลังการคำนวณ AI จำนวนมากอย่างรวดเร็ว ในด้านการจำหน่าย การขยายตัวอยู่ในระยะเริงริง ด้วยความต้องการอินทรีย์ที่ไม่เพียงพอ เหตุผลที่อยู่เบื้องหลังความต้องการช้าของนี้ — ไม่ว่าจะเป็นเนื่องจากความพยายามในการสื่อสารกับผู้บริโภคที่ไม่เริ่มต้นหรือประสบปัญหาจากประสบการณ์การบริการที่ไม่เสถียรทำให้มีการนำมาใช้ในขั้นตอนขนาดใหญ่จำกัด — ต้องการการประเมินเพิ่มเติม

เนื่องจากความท้าทายในการปิดช่องว่างในความสามารถในการคำนวณ AI อย่างรวดเร็ว นักวิศวกรรม AI และโครงการมากมายกำลังสำรวจทางเลือกที่เป็นไปได้ ซึ่งอาจเพิ่มความสนใจในผู้ให้บริการแบบกระจาย นอกจากนี้ IO.NET ยังไม่ได้นำเสนอสิ่งส่งเสริมเศรษฐกิจหรือกิจกรรมเพื่อเพิ่มความต้องการ และเมื่อประสบการณ์ผลิตภัณฑ์ยังคงดีขึ้น คาดหวังว่าความสมดุลระหว่างซับพลัสและความต้องการที่คาดหวังสำหรับอนาคต

2.3 ประวัติทีมและภาพรวมการระดมทุน

โปรไฟล์ทีม

ทีมหลักของ IO.NET เริ่มเน้นการซื้อขายเชิงปริมาณเป็นหลักก่อน จนถึงมิถุนายน 2022 พวกเขามุ่งเน้นการสร้างระบบการซื้อขายเชิงปริมาณระดับสถาบันสำหรับหุ้นและเหรียญดิจิตอล ด้วยความต้องการของระบบ backend สำหรับพลังการคำนวณ ทีมเริ่มสำรวจศักยภาพของการคำนวณแบบกระจายและเน้นที่ปัญหาเฉพาะเรื่องการลดต้นทุนของบริการคำนวณ GPU

ผู้ก่อตั้ง & ประธาน​ กรรมการ​ บริษัท: อาห์มัด ชาดิด

ก่อนที่จะก่อตั้ง IO.NET, อาหมัด ชาดิดทำงานในด้านการเงินปริมาณและวิศวกรรมการเงิน และเขายังเป็นอาสาสมัครที่มูลนิธิอีเธอเรียม

CMO & Chief Strategy Officer: Garrison Yang

Garrison Yang เข้าร่วม IO.NET อย่างเป็นทางการเมื่อเดือนมีนาคม พ.ศ. 2567 ก่อนหน้านั้นเขาเป็นรองประธานบริหารด้านกลยุทธ์และการเติบโตที่ Avalanche และเป็นนักศึกษาเก่าของมหาวิทยาลัยแห่งรัฐแคลิฟอร์เนีย ซานตาบาร์บารา

COO: Tory Green

Tory Green เป็นประธานบริหารฝ่ายปฏิบัติการของ IO.NET เขาเคยเป็น COO ของ Hum Capital และเป็นผู้อำนวยการฝ่ายพัฒนาธุรกิจและกลยุทธ์ที่ Fox Mobile Group เขาจบการศึกษาจาก Stanford University

โปรไฟล์ LinkedIn ของ IO.NET ระบุว่าทีมงานมีที่ตั้งหลักที่นิวยอร์ก สหรัฐอเมริกา พร้อมสาขาสำนักงานที่ซานฟรานซิสโก และมีพนักงานกว่า 50 คน

ภาพรวมการจัดหาเงินทุน

IO.NET ได้ประกาศรอบการทุนเพียงรอบเดียวอย่างเป็นทางการเท่านั้น— รอบซีรีย์ A ซึ่งเสร็จสิ้นในเดือนมีนาคมของปีนี้ โดยมีการประเมินมูลค่าที่ 1 พันล้านเหรัญญิบ ผ่านซึ่งพวกเขาได้ระดมทุนได้อย่างประสบความสำเร็จได้ 30 ล้านเหรัญญิบ รอบนี้ได้ถูกนำโดย Hack VC และมีการเข้าร่วมจากนักลงทุนอื่น 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

ความสังเกตได้ว่าการลงทุนจากมูลนิธิ Aptos อาจมีผลต่อการตัดสินใจของโครงการ BC8.AI ในการเปลี่ยนจากการใช้ Solana สำหรับกระบวนการตรวจสอบและบัญชีไปยังบล็อกเชนชั้น 1 ที่มีประสิทธิภาพเช่นเดียวกับ Aptos

2.4 การประเมินมูลค่า

ตามคำแถลงก่อนหน้าของผู้ก่อตั้งและ CEO อาหมัด ชาดิด IO.NET กำลังจะเปิดตัวโทเค็นของตนภายในสิ้นเดือนเมษายน 2024

IO.NET มีโครงการเบนช์มาร์กสองโครงที่เป็นตัวอ้างอิงสำหรับการประเมินค่า: Render Network และ Akash Network ทั้งสองเป็นโครงการคอมพิวเตอร์กระจายแทนที่

มีวิธีหลัก 2 วิธีในการคำนวณราคาตลาดของ IO.NET: 1. อัตราส่วนราคาต่อขาย (P/S) ซึ่งเปรียบเทียบ FDV กับรายได้; 2. อัตราส่วน FDV ต่อชิป (M/C Ratio)

เราจะเริ่มต้นด้วยการสำรวจการประเมินค่าที่เป็นไปได้โดยใช้อัตราส่วนราคาต่อยอดขาย:

เมื่อตรวจสอบอัตราส่วนราคาต่อการขาย Akash แสดงถึงจุดสิ้นสุดแบบอนุรักษ์นิยมของสเปกตรัมการประเมินมูลค่าโดยประมาณของ IO.NET ในขณะที่ Render ให้เกณฑ์มาตรฐานระดับไฮเอนด์โดยวางตัว FDV ตั้งแต่ 1.67 พันล้านดอลลาร์ถึง 5.93 พันล้านดอลลาร์

อย่างไรก็ตาม โดยพิจารณาจากการอัปเดตโครงการ IO.NET รายงานเสนห์ที่น่าสนใจมากขึ้น ร่วมกับมูลค่าตลาดเริ่มต้นที่เล็กกว่าและการมีฐานที่กว้างขวางกว่า ชี้ชะตาไปที่ FDV ของมันอาจเกินกว่าของ Render Network

เมื่อเรียกใช้มุมมองเปรียบเทียบการประเมินอีกองค์ประมาณหนึ่ง นั่นคืออัตราส่วน “FDV-to-Chip”

ในบริบทของตลาดที่ความต้องการพลังการประมวลผล AI สูงกว่าอุปทานองค์ประกอบที่สําคัญที่สุดของเครือข่ายการประมวลผล AI แบบกระจายอํานาจคือขนาดของการจัดหา GPU ดังนั้นเราจึงสามารถใช้ "FDV-to-Chip Ratio" ซึ่งเป็นอัตราส่วนของมูลค่าเจือจางเต็มที่ของโครงการต่อจํานวนชิปภายในเครือข่ายเพื่ออนุมานช่วงการประเมินมูลค่าที่เป็นไปได้ของ IO.NET ทําให้ผู้อ่านมีข้อมูลอ้างอิง

การใช้อัตราส่วนตลาดต่อชิปเพื่อคำนวณช่วงการประเมินมูลค่าของ IO.NET นำเรามาอยู่ระหว่าง 20.6 พันล้าน และ 197.5 พันล้าน เหรียญดอลลาร์ โดย Render Network ตั้งเป็นเกณฑ์สูงสุดและ Akash Network เป็นเกณฑ์ต่ำสุด

ผู้สนใจโครงการ IO.NET อาจเห็นว่านี่เป็นการประเมินที่เต็มไปด้วยความหวังสูงของกลุ่มตลาด

การพิจารณาจำนวนชิปออนไลน์ในปัจจุบันสำหรับ IO.NET ซึ่งถูกกระตุ้นด้วยความคาดหวังจากการแจกจ่ายและกิจกรรมส่งเสริม จำนวนการเชื่อมต่อออนไลน์จริงหลังจากโครงการเริ่มเปิดตัวยังต้องการการสังเกตการณ์

โดยรวมมากมีค่าในการประเมินที่ได้จากอัตราส่วนราคาต่อยอดขายที่อาจให้ข้อมูลที่เชื่อถือได้มากขึ้น

IO.NET, ที่สร้างขึ้นบน Solana และได้รับการรวมต่อกับ AI และ DePIN กำลังจะเข้าสู่การเปิดตัวโทเค็น ความตั้งใจมีมากเมื่อเรายืนรอดูผลกระทบต่อกว่าของตลาดหลังการเปิดตัว

Reference：

Dephi Digital：The Real Merge

Galaxy：เข้าใจการต่อรองของ Crypto และ AI

คำแถลง:

1. บทความนี้ถูกคัดลอกมาจาก [Gatepanews], และลิขสิทธิ์เป็นของผู้เขียนต้นฉบับ [GateAlex Xu], if you have any objection to the reprint, please contact Gate Learn Teamทีมจะดำเนินการให้เร็วที่สุดตามขั้นตอนที่เกี่ยวข้อง

2. ข้อความประกอบด้วยมุมมองและความคิดเห็นที่ปรากฏในบทความนี้เพียงแสดงเพียงวิวัฒนาการส่วนบุคคลของผู้เขียนเท่านั้น และไม่เกิดขึ้นเป็นการให้คำแนะนำทางการลงทุนใดๆ

3. รุ่นภาษาอื่น ๆ ของบทความถูกแปลโดยทีม Gate Learn และไม่ได้กล่าวถึงGate.io, บทความที่ถูกแปลอาจไม่ถูกทำสำเนา กระจายหรือลอกเลียน