Вступ

У моєму попередньому статті я зазначив, що в порівнянні з попередніма двома циклами, в цьому циклі бикового ринку криптовалют відсутні впливові нові бізнес- та активні наративи. Штучний інтелект є одним із кількох нових наративів у цьому раунді у сфері Web3. У цій статті я поєднаю цьогорічний гарячий проект з штучним інтелектом, IO.NET, щоб обдумати наступні два питання:

1. Необхідність AI+Web3 в бізнесі

2. Необхідність та виклики розподілення обчислювальних послуг

Крім того, я збираюсь організувати ключову інформацію про представницький проект у галузі розподіленого обчислення штучного інтелекту: проект IO.NET, включаючи логіку продукту, конкурентну ситуацію та фон проекту. Я також поглиблюся у процес оцінки проекту.

Частина цієї статті про поєднання штучного інтелекту та Web3 була натхненна «The Real Merge», написаною дослідником Delphi Digital Майклом Рінко. Деякі погляди в цій статті узято і цитуються з цієї роботи, і я рекомендую читачам звертатися до оригіналу.

Ця стаття відображає мої проміжні думки станом на момент публікації. Ситуація може змінитися у майбутньому, а точки зору мають високо суб'єктивний характер. Вони також можуть містити фактичні, даних або логічні помилки. Будь ласка, не використовуйте це як інвестиційні поради, і я вітаю критику та обговорення зі сторони моїх колег.

Наступне - основний текст.

1. Бізнес-логіка: Перетин штучного інтелекту та Web3

1.1 2023: Новий "Чудовий Рік", Створений Штучним Інтелектом

Оглядаючи історію людства, коли настане прорив у технологіях, все, починаючи від індивідуального повсякденного життя, до різноманітних промислових пейзажів, а навіть цивілізація в цілому, переживає революційні зміни.

Є два значущі роки в історії людства, а саме 1666 і 1905 роки, які зараз вважаються двома великими "чудовими роками" в історії технологій.

Рік 1666 розглядається як дивовижний рік, оскільки наукові досягнення Ньютона були помітно виникли саме тоді. У цьому році він вів піонерську галузь фізики, відому як оптика, заснував математичну галузь калькулюсу та отримав закон тяжіння, фундаментальний закон сучасної природничої науки. Кожне з цих досягнень було фундаментальним внеском у науковий розвиток людства на наступне століття, значно прискорюючи загальний прогрес науки.

Другий чудовий рік був 1905 року, коли Ейнштейн, який лише мав 26 років, опублікував чотири статті поспіль в журналі "Аннали фізики", що охоплюють фотоефект (закладаючи основу для квантової механіки), броунівський рух (становлячи важливий джерело для аналізу стохастичних процесів), теорію спеціальної теорії відносності та рівняння маса-енергія (відома формула E=MC^2). У наступних оцінках кожна з цих статей вважалася перевершенням середнього рівня Нобелівської премії з фізики (сам Ейнштейн також отримав Нобелівську премію за свою статтю про фотоефект), і знову історичний прогрес людської цивілізації зробив кілька гігантських стрибків вперед.

Нещодавно пройдений рік 2023 ймовірно буде називатися ще одним "чудовим роком" через ChatGPT.

Ми вважаємо 2023 рік ще одним «дивом» в історії технологій людства не лише через значні досягнення, які GPT здійснив у розумінні та генерації природньої мови, але й тому, що людство розшифрувало закономірність росту великих мовних моделей з еволюції GPT — тобто, розширюючи параметри моделі та навчальні дані, можливості моделі можуть бути експоненційно покращені — і цей процес поки не бачить короткострокової перешкоди (поки є достатньо обчислювальної потужності).

Ця можливість виходить далеко за межі розуміння мови та генерації діалогу та широко використовується в різних технологічних галузях. Наприклад, в біологічному полі у 2018 році лауреат Нобелівської премії з хімії Френсіс Арнольд сказала під час церемонії нагородження: "Сьогодні, в практичних застосуваннях, ми можемо читати, писати та редагувати будь-яку послідовність ДНК, але ми все ще не можемо її скласти." Лише через п'ять років після її виступу, у 2023 році дослідники з Університету Стенфорда та Дослідницького центру Salesforce в Силіконовій долині опублікували статтю в журналі "Nature Biotechnology." Вони створили 1 мільйон нових білків з нуля за допомогою великої мовної моделі, налаштованої з GPT3, та ідентифікували два білка з відмінними структурами, обидва з антибактеріальними властивостями, що потенційно можуть стати новим рішенням для боротьби з бактеріями за межами антибіотиків. Це свідчить про те, що заважка у "створенні" білків була подолана за допомогою штучного інтелекту.

Крім того, алгоритм штучного інтелекту AlphaFold прогнозував структури майже всіх 214 мільйонів білків на Землі протягом 18 місяців, досягнення, яке перевищує колективні результати всіх структурних біологів в історії сотні разів.

З моделями на основі штучного інтелекту в біотехнології, матеріалознавстві, розробці ліків та інших точних науках, а також в гуманітарних науках, таких як право і мистецтво, несхожа трансформація є необхідною, і 2023 рік дійсно є ініційним роком для всіх цих досягнень.

Як ми всі знаємо, у минулому столітті створення людського багатства зросло експоненційно, а стрімке дозрівання технології штучного інтелекту безсумнівно прискорить цей процес ще більше.

Глобальний графік ВВП, джерело даних: Світовий банк

1.2 Інтеграція штучного інтелекту та криптовалюти

Щоб зрозуміти необхідність інтеграції ШІ та криптовалют, ми можемо почати з їх взаємодоповнюючих характеристик.

Взаємодоповнюючі характеристики штучного інтелекту та криптовалюти

Штучний інтелект володіє три атрибути:

1. Випадковість: AI виявляє випадковість; механізм його виробництва контенту - це чорна скринька, яку важко реплікувати та інспектувати, отже, результати також випадкові.

2. Ресурсоємний: Штучний інтелект - це галузь, яка вимагає значних обсягів енергії, мікросхем та обчислювальної потужності.

3. Інтелект, схожий на людський: Штучний інтелект незабаром зможе пройти тест Тьюрінга, після чого буде важко відрізнити людину від машини.

30 жовтня 2023 року дослідницький колектив з Університету Каліфорнії, Сан-Дієго опублікував результати тесту Тьюрінга для GPT-3.5 і GPT-4.0. GPT-4.0 набрав 41%, лише на 9% менше за позначку проходження 50%, при цьому люди набрали 63%. Суть цього тесту Тьюрінга полягає в проценті людей, які вважають, що їхній розмовний партнер - це людина. Якщо більше 50% вважають це так, це свідчить про те, що принаймні половина людей вважає розмовну сутність людиною, а не машиною, тому вважається, що тест Тьюрінга пройдено.

Поки штучний інтелект створює нові прориви у продуктивності для людства, його три атрибути також створюють значні виклики для людського суспільства, включаючи:

• Як перевірити та контролювати випадковість штучного інтелекту, перетворивши випадковість з недоліку на перевагу.

• Як задовольнити значні потреби в енергії та обчислювальній потужності штучного інтелекту.

• Як відрізнити людину від машини.

Криптовалюта та блокчейн-економіка можуть добре виявитися ліками викликів, які призводить штучний інтелект. Криптографічна економіка має наступні три характеристики:

1. Детермінізм: Бізнес-операції ґрунтуються на блокчейні, коді та смарт-контрактах з чіткими правилами та межами; вхід визначає результат, забезпечуючи високу детерміністичність.

2. Ефективне розподіл ресурсів: Криптовалютна економіка побудувала великий глобальний вільний ринок, де цінування, збір коштів та обіг ресурсів відбуваються дуже швидко. Завдяки наявності токенів, стимули можуть прискорити взаємодію між ринковим попитом та пропозицією, що дозволяє швидше досягати критичних точок.

3. Недовіра: З відкритими реєстрами та відкритим вихідним кодом кожен може легко перевірити операції, що призводить до «бездовірної» системи. Крім того, технологія ZK (Zero-Knowledge) уникає розкриття конфіденційності під час верифікації.

Давайте проілюструємо взаємодоповнення між штучним інтелектом та криптовалютною економікою за допомогою трьох прикладів.

Приклад A: Адресування випадковості, штучні агенти економіки криптовалюти

AI-агенти, такі як ті від Fetch.AI, призначені для виконання людської волі та виконання завдань від імені людей. Якщо ми хочемо, щоб наш AI-агент обробив фінансову транзакцію, наприклад, "купівлю $1000 BTC", він може стикнутися з двома сценаріями:

• Сценарій один: Йому потрібно інтегруватися з традиційними фінансовими установами (наприклад, BlackRock), щоб придбати BTC ETF, зіткнення з численними проблемами сумісності з AI-агентами та централізованими установами, такими як KYC, перегляд документації, вхід в систему та перевірка особи, які наразі є досить незручними.

• Сценарій Два: Воно працює на основі місцевої криптовалютної економіки, яка є набагато простішою; воно може виконувати транзакції безпосередньо через Uniswap або подібну агреговану торговельну платформу, використовуючи підпис вашого облікового запису, щоб швидко і просто завершити транзакцію і отримати WBTC (або іншу упаковану форму BTC). По суті, це те, що вже роблять різні торгові боти, хоча зараз вони фокусуються виключно на торгівлі. По мірі інтеграції та розвитку штучного інтелекту, майбутні торгові боти безсумнівно зможуть виконувати складніші торгові наміри, такі як відстеження торгових стратегій та успішність 100 розумних грошових адрес на блокчейні, виконання схожих транзакцій з 10% моїх коштів протягом тижня, та зупинка та підведення підсумків причин невдачі, якщо результати не задовільні.

Штучний інтелект працює краще в системах блокчейну в основному через зрозумілість криптекономічних правил та необмежений доступ до системи. У межах цих визначених правил потенційні ризики, які несе в собі випадковість ШІ, мінімізовані. Наприклад, ШІ вже перевищив людей у карткових і відеоіграх завдяки чіткій, закритій пісочниці правил. Однак прогрес у безпілотному водінні відносно повільний через виклики відкритого зовнішнього середовища, і ми менш терплячі до випадковості вирішення проблем ШІ в таких умовах.

Приклад B: Формування ресурсів за допомогою токенів стимулювання**

Глобальна мережа за BTC, з поточною загальною швидкістю хешування 576.70 EH/s, перевершує комбіновану обчислювальну потужність будь-якого суперкомп'ютера країни. Її розвиток зумовлений простою, справедливою мережевою стимуляцією.

Тенденція обчислювальної потужності мережі BTC, джерело: https://www.coinwarz.com/

Крім цього, проекти, включаючи Mobile’s DePIN, намагаються сформувати двосторонній ринок подання та попиту за допомогою токенів, сподіваючись досягти мережевих ефектів. У цій статті увага приділяється платформі IO.NET, яка розроблена для агрегування обчислювальної потужності штучного інтелекту, сподіваючись вивільнити більше потенціалу штучного інтелекту за допомогою моделі токенів.

Приклад C: Відкритий вихідний код, введення доказів нульового знання (ZK) для відмінності людей від машин з одночасним захистом конфіденційності

Як проект Web3, в якому бере участь засновник OpenAI Сем Ольтман, Worldcoin використовує апаратний пристрій під назвою Orb, який генерує унікальне та анонімне значення хешу на основі біометричних даних людської райдужки за технологією ZK для підтвердження особи та відмінності людей від машин. На початку березня цього року Web3-проект мистецтва Drip почав використовувати ідентифікацію Worldcoin для підтвердження реальних користувачів та розподілу винагород.

Крім того, Worldcoin недавно опублікував відкритий програмний код свого апаратного забезпечення для ідентифікації райдужки ока Orb, що забезпечує безпеку та конфіденційність біометричних даних користувача.

В цілому криптовалютна економіка стала значним потенційним рішенням для викликів, які ставить штучний інтелект перед людським суспільством, завдяки впевненості коду та криптографії, перевагам обігу ресурсів та збору коштів, які приносять механізми токенів, та безвідносна до віри природа на основі відкритого коду та публічних реєстрів.

Найбільш нагальною та комерційно вимагаючою проблемою є величезний голод за обчислювальними ресурсами продуктами ШІ, який обертається навколо великого попиту на чіпи та обчислювальну потужність.

Це також основна причина, чому розподілені обчислювальні проекти очолюють загальний шлях штучного інтелекту в цьому циклі биківського ринку.

Комерційна необхідність децентралізованого обчислення

Штучний інтелект потребує значних обчислювальних ресурсів як для навчання моделей, так і для виведення висновків.

У практиці навчання великих мовних моделей було підтверджено, що якщо масштаб параметрів даних достатньо великий, з'являються нові можливості, яких раніше не було. Кожне покоління GPT показує експоненційний стрибок у можливостях порівняно з попередником, підтримане експоненційним зростанням обсягу обчислень, необхідного для навчання моделі.

Дослідження, проведене DeepMind та Стенфордським університетом, показує, що різні великі мовні моделі, коли стикаються з різними завданнями (обчислення, перський QA, розуміння природної мови і т.д.), виконують подібно до випадкових відповідей до того моменту, поки тренування не досягне менше 10^22 FLOPs (FLOPs позначає операції з плаваючою комою на секунду, міра обчислювальної продуктивності); проте, як тільки масштаб параметрів перевищує цей критичний поріг, продуктивність будь-якого завдання раптово покращується, незалежно від мовної моделі.

Джерело: Емерджентні здатності великих мовних моделей

Виняткові здатності великих мовних моделей

Це саме принцип 'досягнення див з великою обчислювальною потужністю' та його практична перевірка привели Сема Альтмана, засновника OpenAI, до пропозиції збільшити 7 трильйонів доларів США для будівництва передового чіп-заводу, який в десять разів перевищує поточний TSMC. Очікується, що на цю частину буде витрачено 1,5 трильйона доларів, залишок коштів буде використаний на виробництво чіпів та навчання моделей.

Крім навчання моделей штучного інтелекту, процес висновків моделей самі потребує значної обчислювальної потужності, хоча менше, ніж потрібно для навчання. Тому жадання до чіпів та обчислювальної потужності стало нормою серед конкурентів у сфері штучного інтелекту.

У порівнянні з централізованими постачальниками обчислення ШІ, такими як Amazon Web Services, Google Cloud Platform та Azure від Microsoft, основні пропозиції вартості розподіленого обчислення ШІ включають:

• Доступність: Доступ до обчислювальних чіпів через хмарні сервіси, такі як AWS, GCP або Azure, зазвичай займає тижні, і популярні моделі GPU часто відсутні на складі. Крім того, для отримання обчислювальної потужності споживачам часто потрібно укладати довгострокові, негнучкі контракти з цими великими компаніями. Натомість розподілені обчислювальні платформи можуть забезпечити гнучкі опції апаратного забезпечення з вищою доступністю.
• Низька цінова політика: Завдяки використанню вільних чіпів, спільно з токенами, які надаються мережевим протоколом постачальникам чіпів та обчислювальної потужності, розподілені обчислювальні мережі можуть пропонувати більш доступну обчислювальну потужність.
• Спротив подання цензури: На даний момент передові обчислювальні чіпи та матеріали монополізуються великими технологічними компаніями. Крім того, уряди, очолювані Сполученими Штатами, посилюють контроль за обчислювальними послугами штучного інтелекту. Можливість отримання обчислювальної потужності у розподіленому, гнучкому та вільному вигляді стає чітким вимогою, яка є також основною пропозицією вартості платформ обчислювальних послуг на основі web3.

Якщо вугільні палива були кров'ю промислової епохи, то обчислювальна потужність, ймовірно, стане кров'ю нової цифрової епохи, яку відкриє штучний інтелект, причому постачання обчислювальної потужності стане інфраструктурою ери ШШ. Так само як стейблкоїни стали міцним відгалуженням від фіатних валют в епоху Web3, чи може ринок розподіленого обчислювання стати швидкозростаючим відгалуженням ринку обчислювальної інтелекту?

Оскільки це все ще досить ранній ринок, все ще перебуває на спостереженні. Однак наступні фактори можуть потенційно стимулювати наратив або прийняття ринку розподіленого обчислення:

• Постійна напруга між подачею та попитом на GPU. Постійна напруга в постачанні GPU може спонукати деяких розробників перейти на розподілені обчислювальні платформи.
• Розширення регулювання. Доступ до послуг обчислювальних систем штучного інтелекту від великих платформ хмарних обчислень вимагає проходження процедури визначення особи та ретельного перевірки. Це, замість цього, може сприяти поширенню розподілених платформ обчислень, особливо в регіонах, що стикаються з обмеженнями та санкціями.
• Інцентиви ціни токенів. Бикові цикли ринку та зростання цін на токени збільшують вартість субсидії для сторони поставки ГПУ, привертаючи більше постачальників на ринок, збільшуючи ринковий обсяг та знижуючи фактичну ціну покупки для споживачів.

Проте виклики, з якими стикаються розподілені обчислювальні платформи, також досить очевидні:

• Технічні та інженерні виклики
• Проблеми Proof of Work: Обчислення моделей глибокого навчання, через їх ієрархічну структуру, де вихід кожного шару слугує в якості входу для наступного, вимагає виконання всіх попередніх робіт для перевірки валідності обчислення. Це не може бути просто та ефективно перевірено. Для вирішення цієї проблеми потрібно, щоб розподілені обчислювальні платформи розробляли нові алгоритми або використовували приблизні техніки верифікації, які можуть забезпечувати ймовірнісні гарантії правильності результату, а не абсолютну впевненість.
• Виклики паралелізації: Розподілені обчислювальні платформи збирають довгий хвіст поставок чіпів, що означає, що окремі пристрої можуть надавати лише обмежену обчислювальну потужність. Один постачальник чіпів малоймовірно може завершити тренування або завдання інференції моделі ШІ незалежно за короткий період часу, тому завдання повинно бути розкладене та розподілене за допомогою паралелізації для скорочення загального часу завершення. Паралелізація також неодмінно стикається з питаннями, такими як розкладення завдань (особливо складні завдання глибокого навчання), залежність від даних та додаткові витрати на комунікацію між пристроями.
• Проблеми захисту конфіденційності: Як забезпечити, щоб дані та моделі покупця не були відкриті для отримувачів завдань?

Виклики в сфері регулювання відповідності

• Через неліцензований характер ринків подвійного постачання та закупівлі розподілених обчислювальних платформ вони можуть привертати певних клієнтів як продаються. З іншого боку, вони можуть стати об'єктами регулювання з боку уряду, коли стандарти регулювання ШІ стануть більш досконалими. Крім того, деякі постачальники GPU можуть турбуватися, чи їхні орендовані обчислювальні ресурси надаються санкціонованим підприємствам або особам.

Загалом споживачі розподіленої обчислювальної платформи в основному є професійними розробниками або невеликими та середніми установами, на відміну від інвесторів у криптовалюту та NFT, які відрізняються у своїх очікуваннях стосовно стабільності та неперервності послуг, що надаються протоколом. Ціна може бути не їхньою основною мотивацією прийняття рішень. Наразі здається, що розподілені обчислювальні платформи все ще мають довгий шлях до отримання затвердження таких користувачів.

Далі ми організуємо та проаналізуємо інформацію про проект для нового проекту розподіленого обчислення в цьому циклі, IO.NET, та оцінимо його можливу ринкову капіталізацію після лістингу, на основі поточних конкурентів на ринку в галузях штучного інтелекту та розподіленого обчислення.

2. Розподілена платформа обчислення ШІ: IO.NETРозподілена платформа обчислення ШІ: IO.NET

2.1 Позиціонування проекту

IO.NET - децентралізована обчислювальна мережа, яка встановила двосторонній ринок, спрямований на чіпи. Попит складається з чіпів (в основному GPU, але також ЦП і iGPUs від Apple), розподілених по всьому світу, тоді як сектор попиту складається з інженерів зі штучного інтелекту, які прагнуть виконувати завдання тренування моделей штучного інтелекту або інференції.

Як зазначено на офіційному веб-сайті IO.NET:

Наша місія

Збираючи один мільйон графічних процесорів в DePIN – децентралізовану фізичну інфраструктурну мережу.

Місія полягає в інтеграції мільйонів GPU в її мережу DePIN.

Порівняно з існуючими постачальниками хмарних обчислювальних послуг штучного інтелекту IO.NET підкреслює наступні ключові переваги:

• Гнучке поєднання: інженери зі штучного інтелекту можуть вільно вибирати та поєднувати необхідні їм чіпи для формування «Кластерів» для виконання своїх обчислювальних завдань.
• Швидке розгортання: Розгортання може бути завершено за кілька секунд, без тижнів схвалення та очікування, які зазвичай потрібні для централізованих постачальників, таких як AWS.
• Вигідна послуга: Вартість послуг на 90% нижча, ніж у провідних постачальників.

Крім того, IO.NET планує запустити послуги, такі як магазин моделей штучного інтелекту у майбутньому.

2.2 Механізм продукту та бізнес-дані

Механізм виробництва та досвід впровадження продукту

Схоже на Amazon Cloud, Google Cloud та Alibaba Cloud, обчислювальний сервіс, наданий IO.NET, називається IO Cloud. IO Cloud - це розподілена, децентралізована мережа чіпів, здатних виконувати код машинного навчання на основі Python та запускати програми штучного інтелекту та машинного навчання.

Основний бізнес-модуль IO Cloud називається "Кластери". Кластери - це групи графічних процесорів, які можуть автономно координуватися для виконання обчислювальних завдань. Інженери штучного інтелекту можуть налаштувати потрібні їм Кластери відповідно до своїх потреб.

Інтерфейс продукту IO.NET дуже зручний для користувача. Якщо вам потрібно розгорнути свої власні кластери чіпів для виконання обчислювальних завдань з штучного інтелекту, ви можете почати налаштовувати бажані кластери чіпів, як тільки увійдете на сторінку продукту Кластери на їхньому веб-сайті.

Інформація про сторінку: https://cloud.io.net/cloud/clusters/create-cluster, те ж саме нижче

Спочатку вам потрібно вибрати сценарій вашого проекту, і наразі доступні три типи:

1. Загальний (загального типу): Надає більш загальне середовище, яке підходить для початкових етапів проекту, коли конкретні потреби в ресурсах невизначені.

2. Поїзд (тип навчання): Призначено для навчання та налаштування моделей машинного навчання. Ця опція пропонує додаткові ресурси GPU, більшу пам'ять та / або швидше мережеві з'єднання для обробки цих інтенсивних обчислювальних завдань.

3. Виведення (тип виведення): Призначений для інференції з низькою затримкою та високою навантаженістю. У контексті машинного навчання інференція означає використання навчених моделей для прогнозування або аналізу нових даних та надання зворотного зв'язку. Таким чином, ця опція спрямована на оптимізацію затримки та пропускної здатності для підтримки потреб обробки даних у реальному часі або майже у реальному часі.

Далі вам потрібно вибрати постачальника для кластерів на чіпах. Наразі у IO.NET є партнерства з мережею Render та мережею майнінгу Filecoin, що дозволяє користувачам вибирати чіпи від IO.NET або інших двох мереж як постачальників їхніх обчислювальних кластерів. IO.NET виступає як агрегатор (хоча на момент написання цього тексту, сервіс Filecoin тимчасово відключений). Однак зауважте, згідно з відображенням на сторінці, кількість доступних онлайн GPU для IO.NET перевищує 200 000, тоді як для мережі Render ця кількість перевищує 3 700.

Наостанок ви вводите фазу вибору апаратного забезпечення чіпу для кластерів. Наразі IO.NET вказує лише графічні процесори для вибору, виключаючи ЦП або вбудовані графічні процесори від Apple (M1, M2 тощо), причому графічні процесори в основному представлені продукцією NVIDIA.

У офіційному списку доступних варіантів апаратного забезпечення GPU, на основі даних, протестованих автором на той день, загальна кількість доступних в ІО.НЕТ мережі складає 206 001 одиницю. З них GeForce RTX 4090 має найвищу наявність - 45 250 одиниць, за якими слідує GeForce RTX 3090 Ti з 30 779 одиницями.

Крім того, чіп A100-SXM4-80GB, який ефективніший для обчислювальних завдань штучного інтелекту, таких як машинне навчання, глибоке навчання та наукові обчислення (ринкова ціна понад 15 000 доларів), має 7 965 одиниць онлайн.

Відеокарта NVIDIA H100 80 ГБ HBM3, спеціально розроблена з нуля для штучного інтелекту (ринкова ціна понад $40,000), має продуктивність навчання в 3,3 рази вище, ніж у A100, і продуктивність інференції в 4,5 рази вище, ніж у A100, загалом 86 одиниць онлайн.

Після вибору типу апаратного забезпечення для кластерів користувачам також потрібно вибрати регіон, швидкість зв'язку, кількість орендованих графічних процесорів та тривалість оренди, серед інших параметрів.

Нарешті, IO.NET надасть рахунок на підставі комплексного вибору. Наприклад, у конфігурації кластерів автора:

• Загальний сценарій задачі
• 16 чіпів A100-SXM4-80GB
• Надшвидкісне підключення
• Знаходиться в США
• Орендний період 1 тиждень

Загальна сума рахунку становить $3311.6, і ціна за годину за кожною карткою становить $1.232

У порівнянні годинні ціни оренди A100-SXM4-80GB на Amazon Cloud, Google Cloud та Microsoft Azure становлять відповідно $5.12, $5.07 та $3.67 (джерело даних: https://cloud-gpus.com/, фактичні ціни можуть відрізнятися в залежності від деталей контракту).

Таким чином, лише з погляду ціни, обчислювальна потужність IO.NET значно дешевша, ніж у виробників масового ринку, а варіанти поставки та закупівлі дуже гнучкі, що дозволяє легко почати.

Умови бізнесу

Ситуація з поданням

На 4 квітня цього року, за офіційними даними, у IO.NET загальна кількість постачальників становить 371 027 GPU та 42 321 CPU. Крім того, Render Network, як його партнер, також підключив 9 997 GPU та 776 CPU до постачання мережі.

Джерело даних: https://cloud.io.net/explorer/home, те ж саме нижче

На момент написання цієї статті 214 387 відеокарт, підключених за допомогою IO.NET, перебувають в мережі, з онлайн-тарифом 57,8%. Онлайн-тариф для відеокарт від Render Network становить 45,1%.

Що підказують вищевказані дані з боку постачання?

Для надання порівняння давайте введемо ще один, старіший проект розподіленого обчислення, Akash Network, для контрасту. Akash Network запустив свою основну мережу ще у 2020 році, спочатку зосереджуючись на розподіленому обслуговуванні для ЦП та сховищ. У червні 2023 року він запустив тестову мережу для обслуговування ГПУ та вийшов на живлення з основною мережею для розподіленої обчислювальної потужності ГПУ у вересні того ж року.

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

Згідно з офіційними даними від Akash, хоча з постачального боку продовжує зростати, загальна кількість підключених до мережі GPU на даний момент становить лише 365.

За обсягом поставок GPU IO.NET на кілька порядків вище, ніж у мережі Akash, що робить його найбільшою мережею постачання в рейсі розподіленої обчислювальної потужності GPU.

Ситуація з боку попиту

Однак, оцінюючи попит, IO.NET все ще знаходиться на ранній стадії ринкового культивування, і фактичний обсяг обчислювальних завдань, виконаних за допомогою IO.NET, не є великим. Більшість онлайн-процесорів мають навантаження 0%, лише чотири типи чіпів—A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S та H100 80GB HBM3—обробляють завдання. За винятком A100 PCIe 80GB K8S, навантаження інших трьох чіпів менше 20%.

Офіційне значення стресу мережі, опубліковане в день, становить 0%, що свідчить про те, що більшість поставок чіпів знаходиться в режимі онлайн-очікування. Тим часом IO.NET заробила загалом $586,029 у вигляді сервісних комісій, при цьому витрати за останній день становили $3,200.

Джерело даних: https://cloud.io.net/explorer/clusters

Масштаб комісій за мережеві розрахунки, як загалом, так і за щоденний обсяг транзакцій, приблизно відповідає масштабу Akash, хоча більшість доходів мережі Akash отримується від сегмента процесорів, з більш ніж 20 000 постачальників CPU.

Джерело даних: https://stats.akash.network/

Додатково, IO.NET розкрив дані про завдання інференції штучного інтелекту, оброблені мережею; на сьогоднішній день вона обробила і підтвердила більше 230 000 завдань інференції, хоча більшість цього обсягу було згенеровано проектами, спонсорованими IO.NET, такими як BC8.AI.

Джерело даних: https://cloud.io.net/explorer/висновки

На основі поточних даних про бізнес розширення сторони постачання IO.NET прогресує плавно, підтримуване очікуванням роздач та події спільноти під назвою "Запалення", яка швидко накопичила значну кількість обчислювальної потужності штучного інтелекту чіпів. Однак розширення з боку попиту все ще на ранній стадії, оскільки органічний попит наразі недостатній. Ще потрібно оцінити, чи поточний відсутній попит зумовлений тим, що просування споживачам ще не розпочалося, чи тим, що поточний досвід обслуговування не є достатньо стабільним, тому не виходить на широке використання.

Розглядаючи короткострокові труднощі у зменшенні розриву в обчислювальній потужності штучного інтелекту, багато інженерів і проектів з штучного інтелекту шукають альтернативні рішення, що може спричинити інтерес до децентралізованих постачальників послуг. Крім того, оскільки IO.NET ще не ініціював економічні та активні стимули для попиту, разом з поступовим поліпшенням досвіду використання продукту, очікується позитивний підхід до настання збігу пропозиції та попиту.

2.3 Командний досвід та фінансування

Ситуація в команді

Основний командний склад IO.NET спочатку зосередився на кількісній торгівлі, розробці кількісних торговельних систем рівня інституту для акцій та криптовалютних активів до червня 2022 року. За потребою бекенд-системи в обчислювальній потужності команда почала досліджувати можливості децентралізованого обчислення, концентруючись на зменшенні вартості послуг з обчислення на GPU.

Засновник & CEO: Ахмад Шадід, який має досвід у кількісній фінансовій та інженерній сферах, а також добровільно працював у Фонді Ethereum.

Головний маркетолог та головний стратег IO.NET: Гаррісон Ян, який приєднався до компанії в березні цього року. Він раніше працював на посаді віце-президента з стратегії та зростання в Avalanche та закінчив навчання в Університеті Каліфорнії, Санта-Барбара.

COO: Торі Грін, раніше виконувала обов'язки COO в Hum Capital та була директором з корпоративного розвитку та стратегії в Fox Mobile Group, закінчила Стенфордський університет.

Згідно з інформацією LinkedIn, IO.NET має штаб-квартиру в Нью-Йорку, США, з філією в Сан-Франциско, і розмір команди перевищує 50 учасників.

Фінансова ситуація

Наразі IO.NET опублікував лише один раунд фінансування, який є Серією A, завершений у березні цього року, на суму 1 мільярд доларів США. Він залучив 30 мільйонів доларів США, очолюючи Hack VC, з іншими учасниками, включаючи Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures та ArkStream Capital.

Варто зазначити, що, можливо, через інвестиції від Фонду Aptos, проект BC8.AI, який спочатку вирішував рахунки на Solana, перейшов на високопродуктивний L1 блокчейн Aptos.

2.4 Оцінка вартості

За словами засновника та генерального директора IO.NET Ахмада Шадіда, компанія запустить свій токен наприкінці квітня.

IO.NET має два порівняльні проекти для посилання на оцінку: Render Network та Akash Network, обидва представляють розподілені обчислювальні проекти.

Є два способи екстраполяції діапазону капіталізації ринку IO.NET: 1. Коефіцієнт ціни до обороту (P/S ratio), тобто співвідношення капіталізації ринку до доходу; 2. Співвідношення капіталізації ринку до мережевого чіпа.

Спочатку давайте розглянемо екстраполяцію оцінки на основі відношення ціни/обороту (P/S):

З точки зору відношення ціни до прибутку Akash може слугувати нижньою межею діапазону оцінки IO.NET, тоді як Render діє як посилання на високу ціну оцінки. Їх діапазон FDV (Повністю розведена оцінка) становить від 1,67 мільярда до 5,93 мільярда доларів США.

Проте, з урахуванням оновлень проекту IO.NET, його більш гаряча наратив, менший початковий обіговий ринковий капітал і наразі більша масштабна сторона поставки, ймовірність того, що його FDV перевищить Render, не є невеликою.

Далі давайте розглянемо ще одну перспективу оцінки, так званий «ринково-ядрений показник».

На ринку, де попит на обчислювальну потужність штучного інтелекту перевищує подання, найважливішим елементом розподіленої мережі обчислювальної потужності штучного інтелекту є масштаб постачання GPU. Тому ми можемо використовувати "співвідношення ринку до ядра", співвідношення загальної ринкової капіталізації проекту до кількості чіпів в мережі, для екстраполяції можливого діапазону оцінки IO.NET для читачів як посилання на ринкову вартість.

)

Якщо розраховано на основі співвідношення ринку до ядра, де Render Network є верхнім лімітом, а Akash Network - нижнім лімітом, діапазон FDV для IO.NET становить від 20,6 мільярда до 197,5 мільярда доларів США.

Читачі, які оптимістично ставляться до проекту IO.NET, вважали б цю оцінку ринкової вартості дуже оптимістичною.

Крім того, ми повинні врахувати, що поточна велика кількість онлайн-чіпів IO.NET може бути стимульована очікуваннями щодо безкоштовного розподілу та інцентивними активностями, і фактичну кількість онлайн на стороні поставки все ще потрібно спостерігати після офіційного запуску проекту.

Отже, загалом, оцінка відносно відношення ціни до обсягу продажів може бути більш референтною.

IO.NET, як проект, який поєднує AI, DePIN та екосистему Solana, очікує на свою ринкову виставу після запуску з великим нетерпінням.

3. Інформація для посилання

• Dephi Digital：Реальне Злиття
• Галактика:Розуміння перетину криптовалюти та штучного інтелекту

Disclaimer：

1. Ця стаття перепечатана з [ mintventures]. Усі авторські права належать оригінальному авторуIO.NET. Якщо є заперечення стосовно цього перевидання, будь ласка, зв'яжіться з Ворота Навчитисякоманда, і вони негайно займуться цим.
2. Відповідальність за відмову: Погляди та думки, висловлені в цій статті, є виключно тими, що належать автору і не становлять жодної інвестиційної поради.
3. Переклади статті на інші мови виконуються командою Gate Learn. Якщо не зазначено, копіювання, поширення або плагіатування перекладених статей заборонені.