Memposting kembali judul asli: Sebuah Proyek AI + DePIN Berbasis Solana Baru: Analisis Singkat Upcoming-Tokenlaunch IO.NET

Pengenalan

Dilaporan terakhir kami, kami menyebutkan bahwa dibandingkan dengan dua siklus sebelumnya, lonjakan bullish cryptocurrency saat ini kekurangan model bisnis baru dan narasi aset baru. Kecerdasan Buatan (AI) merupakan salah satu narasi baru di ruang Web3 dalam siklus ini. Artikel ini menggali proyek AI terpanas tahun ini, IO.NET, dan mengorganisir pemikiran tentang dua pertanyaan berikut:

• Kebutuhan AI+Web3 dalam lanskap komersial
• Kebutuhan dan tantangan dalam implementasi jaringan komputasi terdesentralisasi

Kedua, saya akan mengorganisir informasi kunci tentang proyek perwakilan dalam jaringan komputasi AI terdesentralisasi: IO.NET, termasuk desain produk, lanskap kompetitif, dan latar belakang proyek. Saya juga akan berspekulasi tentang metrik valuasi proyek.

Wawasan tentang Logika Bisnis di Balik Konvergensi AI dan Web3bagian ini terinspirasi dariFusi Sejati” oleh Michael Rinko, seorang analis riset di Delphi Delphi. Analisis ini mengasimilasi dan merujuk pada gagasan-gagasan dari karyanya, sangat disarankan bagi pembaca untuk membaca artikel aslinya.

Harap dicatat bahwa artikel ini mencerminkan pemikiran saya saat ini dan mungkin berkembang. Opini di sini bersifat subjektif dan mungkin terdapat kesalahan dalam fakta, data, dan penalaran logis. Ini bukanlah nasihat keuangan, namun umpan balik dan diskusi sangat diharapkan.

Berikut ini adalah teks utama.

1. Logika Bisnis di Balik Konvergensi AI dan Web3

1.1 2023: Tahun "Annus Mirabilis" untuk AI

Merefleksikan catatan perkembangan manusia, jelas bahwa terobosan teknologi mengkatalis transformasi yang mendalam - dari kehidupan sehari-hari hingga lanskap industri dan kemajuan peradaban itu sendiri.

Dalam sejarah manusia, ada dua tahun yang signifikan, yaitu 1666 dan 1905, yang kini dirayakan sebagai "Annus Mirabilis" dalam sejarah ilmu pengetahuan.

Tahun 1666 mendapatkan gelar itu karena lonjakan terobosan ilmiah Isaac Newton. Dalam satu tahun, ia menjadi perintis cabang fisika yang dikenal sebagai optik, mendirikan disiplin matematika kalkulus, dan menurunkan hukum gravitasi, yang merupakan hukum fundamental dalam ilmu pengetahuan alam modern. Salah satu kontribusi ini adalah dasar bagi perkembangan ilmiah umat manusia selama satu abad berikutnya, secara signifikan mempercepat kemajuan ilmu pengetahuan secara keseluruhan.

Tahun lain yang bersejarah adalah 1905, ketika seorang Einstein yang baru berusia 26 tahun menerbitkan empat makalah secara berturut-turut dalam 'Annalen der Physik', yang mencakup efek fotoelektrik, menetapkan panggung untuk mekanika kuantum; gerakan Brownian, memberikan kerangka kerja penting untuk analisis proses stokastik; teori relativitas khusus; dan ekuivalensi energi-massa, diwakili dalam persamaan E=MC^2. Jika dilihat kembali, setiap makalah ini dianggap melampaui tingkat rata-rata karya pemenang Nobel dalam fisika - sebuah perbedaan yang Einstein sendiri terima atas karyanya pada efek fotoelektrik. Kontribusi-kontribusi ini secara kolektif mendorong umat manusia beberapa langkah maju dalam perjalanan peradaban.

Tahun 2023, baru-baru ini di belakang kita, siap untuk dirayakan sebagai "Tahun Keajaiban" lainnya, sebagian besar berkat munculnya ChatGPT.

Melihat 2023 sebagai "Tahun Keajaiban" dalam sejarah teknologi manusia bukan hanya tentang mengakui langkah yang dibuat dalam pemrosesan dan generasi bahasa alami oleh ChatGPT. Ini juga tentang mengenali pola yang jelas dalam kemajuan model bahasa besar — kesadaran bahwa dengan memperluas parameter model dan kumpulan data pelatihan, kita dapat mencapai peningkatan eksponensial dalam kinerja model. Selain itu, tampaknya tidak terbatas dalam jangka pendek, dengan asumsi daya komputasi mengimbangi.

Kemampuan ini jauh melampaui pemahaman bahasa dan pembangkitan percakapan; dapat diterapkan secara luas di berbagai bidang ilmiah. Mengambil aplikasi model bahasa besar di sektor biologi sebagai contoh:

• Pada tahun 2018, Pemenang Nobel Kimia, Frances Arnold, mengatakan selama upacara penghargaannya, “Hari ini kita secara praktis dapat membaca, menulis, dan mengedit setiap urutan DNA, tetapi kita tidak bisa menggubahnya.” Maju cepat lima tahun ke tahun 2023, sebuah tim peneliti dari Universitas Stanford dan Salesforce Research, sebuah startup yang berfokus pada kecerdasan buatan, membuat publikasi di “Nature Biotechnology.” Dengan memanfaatkan model bahasa besar yang disempurnakan dari GPT-3, mereka menghasilkan katalog protein baru sebanyak 1 juta. Di antara ini, mereka menemukan dua protein dengan struktur yang berbeda, keduanya dilengkapi dengan fungsi antibakteri, yang berpotensi membuka jalan untuk strategi resistensi bakteri baru di luar antibiotik tradisional. Hal ini menandakan lonjakan besar dalam mengatasi hambatan penciptaan protein dengan bantuan kecerdasan buatan.
• Sebelum ini, algoritma kecerdasan buatan AlphaFold memprediksi struktur hampir seluruh 2,14 miliar jenis protein di Bumi dalam waktu 18 bulan—suatu tonggak yang memperbesar pencapaian para ahli biologi struktural sepanjang sejarah beberapa kali lipat.

Integrasi model AI menjanjikan untuk mengubah industri secara drastis. Dari ranah teknologi tinggi bioteknologi, ilmu material, dan penemuan obat hingga bidang budaya hukum dan seni, gelombang transformatif siap mengubah bidang-bidang ini, dengan tahun 2023 menandai awal dari semuanya.

Pengakuan yang luas bahwa abad terakhir telah menyaksikan peningkatan eksponensial dalam kemampuan manusia menghasilkan kekayaan. Kemajuan cepat teknologi AI diharapkan dapat mempercepat proses ini.

Tren PDB Global Total, Sumber Data: World Bank Group

1.2 Menggabungkan AI dan Crypto

Untuk memahami kebutuhan yang melekat untuk penyatuan AI dan kripto, sangat penting untuk melihat bagaimana fitur-fitur unik keduanya saling melengkapi.

Symbiosis AI dan Fitur Crypto

AI dibedakan oleh tiga kualitas utama:

• Stokastisitas: AI bersifat stokastik, dengan mekanisme produksi kontennya yang sulit untuk direplikasi, kotak hitam yang enigmatik, membuat outputnya secara inheren stokastik.
• Sumber Daya Intensif: AI adalah industri yang membutuhkan sumber daya secara signifikan, memerlukan jumlah energi, chip, dan daya komputasi yang besar.
• Kecerdasan Seperti Manusia: AI (segera) mampu lulus uji Turing, sehingga semakin sulit untuk membedakan antara manusia dan AI.

Pada 30 Oktober 2023, para peneliti dari University of California, San Diego, mengungkapkan skor uji Turing untuk GPT-3.5 dan GPT-4.0. Yang terakhir mencapai skor 41%, hampir melewatkan batas lulus 50% hanya dengan 9 poin persentase, sementara manusia mencetak 63% dalam uji yang sama. Inti dari uji Turing ini terletak pada berapa banyak peserta yang merasakan bahwa mitra obrolan mereka adalah manusia. Skor di atas 50% menunjukkan bahwa mayoritas percaya bahwa mereka berinteraksi dengan manusia, bukan mesin, dengan demikian menganggap AI berhasil melewati uji Turing karena setidaknya separuh orang tidak bisa membedakannya dari manusia.

Saat AI membuka jalan bagi kemajuan revolusioner dalam produktivitas manusia, secara bersamaan ia juga memperkenalkan tantangan-tantangan yang mendalam bagi masyarakat kita, khususnya:

• Bagaimana cara memverifikasi dan mengendalikan stochasticity dari AI, mengubahnya menjadi keunggulan daripada kelemahan
• Bagaimana cara menjembatani kebutuhan energi dan daya komputasi yang besar yang dibutuhkan oleh kecerdasan buatan
• Bagaimana membedakan antara manusia dan AI

Teknologi kripto dan blockchain bisa menawarkan solusi ideal untuk tantangan yang dihadapi oleh kecerdasan buatan, yang ditandai oleh tiga atribut kunci:

• Determinisme: Operasi didasarkan pada blockchain, kode, dan kontrak pintar, dengan aturan dan batasan yang jelas. Masukan menghasilkan output yang dapat diprediksi, memastikan tingkat determinisme yang tinggi.
• Penyediaan Sumber Daya yang Efisien: Ekonomi kripto telah mendorong pasar global yang luas dan bebas, memungkinkan penetapan harga, penggalangan dana, dan transfer sumber daya dengan cepat. Keberadaan token lebih mempercepat penyelarasan pasokan dan permintaan pasar, dengan cepat mencapai massa kritis melalui insentif.
• Tanpa kepercayaan: Dengan buku besar publik dan kode sumber terbuka, siapa pun dapat dengan mudah memverifikasi operasi, menciptakan sistem 'tanpa kepercayaan'. Selain itu, teknologi Zero-Knowledge (ZK) lebih jauh memastikan bahwa privasi tetap terjaga selama proses verifikasi ini.

Untuk menunjukkan komplemetaritas antara AI dan ekonomi kripto, mari kita telusuri tiga contoh.

Contoh A: Mengatasi Stokastisitas dengan Agen AI yang Didukung oleh Ekonomi Kripto

Agen AI adalah program cerdas yang dirancang untuk melakukan tugas atas nama manusia sesuai dengan instruksi mereka, dengan Fetch.AI menjadi contoh yang mencolok dalam domain ini. Bayangkan kita menugaskan agen AI kita untuk menjalankan operasi keuangan, seperti 'menginvestasikan $1000 dalam BTC.' Agen AI dapat menghadapi dua skenario yang berbeda:

Skenario 1: Agen harus berinteraksi dengan entitas keuangan tradisional (mis., BlackRock) untuk membeli ETF BTC, menghadapi banyak isu kompatibilitas dengan organisasi terpusat, termasuk prosedur KYC, verifikasi dokumen, proses login, dan otentikasi identitas, yang semuanya saat ini terasa sangat menyulitkan.

Skenario 2: Saat beroperasi dalam ekonomi kripto asli, proses menjadi disederhanakan. Agen dapat langsung melakukan transaksi melalui Uniswap atau agregator perdagangan serupa, menggunakan akun Anda untuk masuk dan mengonfirmasi pesanan, dan akhirnya memperoleh WBTC atau variasi lain dari BTC dibungkus. Prosedur ini efisien dan mudah dipahami. Pada dasarnya, ini adalah fungsi yang saat ini dilakukan oleh berbagai Bot Perdagangan, bertindak sebagai agen AI dasar dengan fokus pada aktivitas perdagangan. Dengan pengembangan dan integrasi AI lebih lanjut, bot ini akan mencapai tujuan perdagangan yang lebih rumit. Misalnya, mereka mungkin memantau 100 alamat uang pintar di blockchain, menilai strategi perdagangan dan tingkat keberhasilan mereka, mengalokasikan 10% dana mereka untuk menyalin perdagangan mereka selama seminggu, menghentikan operasi jika hasilnya tidak menguntungkan, dan menyimpulkan alasan potensial untuk strategi ini.

AI berkembang dalam sistem blockchain, secara mendasar karena aturan ekonomi kripto didefinisikan secara eksplisit, dan sistem ini memungkinkan tanpa izin. Beroperasi di bawah pedoman yang jelas secara signifikan mengurangi risiko yang terkait dengan stokastisitas bawaan AI. Sebagai contoh, dominasi AI atas manusia dalam catur dan video game berasal dari fakta bahwa lingkungan ini adalah kotak pasir tertutup dengan aturan yang jelas. Sebaliknya, kemajuan dalam pengemudi otonom telah lebih gradual. Tantangan dunia terbuka lebih kompleks, dan toleransi kita terhadap pemecahan masalah yang tidak terduga dari AI dalam skenario tersebut jauh lebih rendah.

Contoh B: Konsolidasi Sumber Daya melalui Insentif Token

Jaringan hash global yang kuat yang mendukung BTC, dengan total hash rate saat ini mencapai 576,70 EH/s, melampaui kekuatan komputasi kumulatif dari superkomputer negara mana pun. Pertumbuhan ini didorong oleh insentif yang sederhana dan adil dalam jaringan.

Tren Hashrate BTC, sumber:https://www.coinwarz.com/

Selain itu, proyek DePIN seperti Mobile, sedang menjelajahi insentif token untuk membudayakan pasar baik dari sisi pasokan maupun permintaan untuk mendorong efek jaringan. Fokus mendatang dari artikel ini, IO.NET, adalah platform yang dirancang untuk menggabungkan kekuatan komputasi AI, dengan harapan membuka potensi laten kekuatan komputasi AI melalui model token.

Contoh C: Memanfaatkan Open Source dan Bukti ZK untuk Membedakan Manusia dari AI Sambil Melindungi Privasi

Worldcoin, sebuah proyek Web3 yang didirikan bersama oleh Sam Altman dari OpenAI, menggunakan pendekatan baru dalam verifikasi identitas. Dengan memanfaatkan perangkat keras yang dikenal sebagai Orb, proyek ini menggunakan biometrik iris manusia untuk menghasilkan nilai hash yang unik dan anonim melalui teknologi Zero-Knowledge (ZK), membedakan manusia dari kecerdasan buatan. Pada awal Maret 2024, proyek seni Web3 Drip mulai mengimplementasikan Worldcoin ID untuk mengotentikasi manusia sesungguhnya dan mengalokasikan imbalan.

Worldcoin baru-baru ini telah open-source perangkat keras iris nya, Orb, memastikan keamanan dan privasi data biometrik.

Secara keseluruhan, karena determinisme kode dan kriptografi, sumber daya sirkulasi dan keuntungan penggalangan dana yang dibawa oleh mekanisme berbasis token dan tanpa izin, bersama dengan sifat tanpa kepercayaan berdasarkan kode sumber terbuka dan buku besar publik, ekonomi kripto telah menjadi solusi potensial yang signifikan untuk tantangan yang dihadapi masyarakat manusia dengan kecerdasan buatan.

Tantangan paling mendesak dan komersial yang dibutuhkan adalah kehausan ekstrim untuk sumber daya komputasi yang diperlukan oleh produk AI, yang utamanya didorong oleh kebutuhan substansial akan chip dan daya komputasi.

Ini juga merupakan alasan utama mengapa proyek daya komputasi terdistribusi telah memimpin keuntungan selama siklus pasar bullish ini di sektor AI secara keseluruhan.

Imperatif Bisnis untuk Komputasi Terdesentralisasi

AI memerlukan sumber daya komputasi yang substansial, yang diperlukan baik untuk pelatihan model maupun tugas inferensi.

Telah didokumentasikan dengan baik dalam pelatihan model bahasa besar bahwa begitu skala parameter data substantial, model-model ini mulai menunjukkan kemampuan yang belum pernah terjadi sebelumnya. Perbaikan eksponensial yang terlihat dari satu generasi ChatGPT ke generasi berikutnya didorong oleh pertumbuhan eksponensial dalam tuntutan komputasi untuk pelatihan model.

Penelitian dari DeepMind dan Universitas Stanford menunjukkan bahwa di berbagai model bahasa besar, ketika menangani berbagai tugas—baik itu komputasi, menjawab pertanyaan bahasa Persia, atau pemahaman bahasa alami—model-model itu hanya mendekati tebakan acak kecuali pelatihan melibatkan parameter model yang signifikan (dan dengan demikian, beban komputasi). Kinerja tugas apa pun tetap hampir acak sampai upaya komputasi mencapai 10^22 FLOPs. Di luar ambang batas kritis ini, kinerja tugas meningkat secara dramatis di berbagai model bahasa.

Sumber: Kemampuan Emergen dari Model Bahasa Besar

Sumber: Kemampuan Darurat Model Bahasa Besar

Prinsip 'mencapai keajaiban dengan usaha besar' dalam kekuatan komputasi, baik dalam teori maupun terverifikasi dalam praktik, menginspirasi pendiri OpenAI, Sam Altman, untuk mengusulkan rencana ambisius untuk mengumpulkan $7 triliun. Dana ini dimaksudkan untuk mendirikan pabrik chip yang akan melampaui kemampuan saat ini dari TSMC sebanyak sepuluh kali lipat (diperkirakan biayanya $1,5 triliun), dengan sisa dana dialokasikan untuk produksi chip dan pelatihan model.

Selain tuntutan komputasi dalam pelatihan model AI, proses inferensi juga memerlukan daya komputasi yang signifikan, meskipun kurang dari pada pelatihan. Kebutuhan yang terus berlanjut akan chip dan sumber daya komputasi telah menjadi realitas standar bagi para pemain di bidang AI.

Berbeda dengan penyedia komputasi AI terpusat seperti Amazon Web Services, Google Cloud Platform, dan Azure milik Microsoft, komputasi AI terdesentralisasi menawarkan beberapa proposisi nilai yang menguntungkan:

• Aksesibilitas: Mendapatkan akses ke chip komputasi melalui layanan seperti AWS, GCP, atau Azure biasanya membutuhkan waktu berminggu-minggu, dan model GPU paling populer seringkali kehabisan stok. Selain itu, konsumen biasanya terikat oleh kontrak yang panjang dan kaku dengan perusahaan besar tersebut. Di sisi lain, platform komputasi terdistribusi menyediakan opsi perangkat keras yang fleksibel dengan aksesibilitas yang ditingkatkan.
• Efisiensi Biaya: Dengan memanfaatkan chip yang tidak terpakai dan menggabungkan subsidi token dari protokol jaringan untuk penyedia chip dan daya komputasi, jaringan komputasi terdesentralisasi dapat menawarkan daya komputasi dengan biaya yang lebih rendah.
• Ketahanan Sensor: Pasokan chip mutakhir saat ini didominasi oleh perusahaan teknologi utama, dan dengan pemerintah Amerika Serikat meningkatkan pengawasan terhadap layanan komputasi AI, kemampuan untuk memperoleh daya komputasi secara terdesentralisasi, fleksibel, dan tidak terbatas semakin menjadi kebutuhan yang jelas. Ini adalah proposisi nilai inti dari platform komputasi berbasis web3.

Jika bahan bakar fosil adalah kehidupan zaman Industri, maka kekuatan komputasi mungkin saja menjadi kehidupan era digital baru yang dibawa oleh AI, membuat pasokan kekuatan komputasi menjadi infrastruktur bagi era AI. Sebagaimana stablecoin muncul sebagai derivatif yang kuat dari mata uang fiat dalam epok Web3, mungkin pasar komputasi terdistribusi akan berkembang menjadi segmen yang berkembang pesat dalam pasar komputasi AI yang berkembang pesat?

Ini masih merupakan pasar yang sedang berkembang, dan masih banyak yang harus dilihat. Namun, beberapa faktor dapat berpotensi mendorong narasi atau adopsi pasar komputasi terdesentralisasi:

• Tantangan Pasokan GPU yang Persisten: Kendala pasokan yang berkelanjutan untuk GPU mungkin mendorong para pengembang untuk menjelajahi platform komputasi terdesentralisasi.
• Ekspansi Regulasi: Mengakses layanan komputasi AI dari platform cloud utama melibatkan proses KYC yang teliti dan penyelidikan. Hal ini dapat menyebabkan adopsi yang lebih besar dari platform komputasi terdesentralisasi, terutama di daerah-daerah yang menghadapi pembatasan atau sanksi.
• Insentif Harga Token: Kenaikan harga token selama pasar bullish dapat meningkatkan nilai subsidi yang ditawarkan kepada penyedia GPU oleh platform, menarik lebih banyak vendor ke pasar, meningkatkan skala pasar, dan menurunkan biaya bagi konsumen.

Pada saat yang sama, tantangan yang dihadapi oleh platform komputasi terdesentralisasi juga sangat jelas:

Tantangan Teknis dan Teknik

• Masalah Bukti Kerja: Perhitungan dalam model pembelajaran mendalam, karena struktur hierarkis di mana keluaran setiap lapisan digunakan sebagai masukan untuk selanjutnya, memeriksa keabsahan perhitungan memerlukan mengeksekusi semua pekerjaan sebelumnya, yang tidak sederhana maupun efisien. Untuk mengatasi hal ini, platform komputasi terdesentralisasi perlu mengembangkan algoritma baru atau menggunakan teknik verifikasi perkiraan yang menawarkan jaminan probabilistik atas hasil, daripada determinisme mutlak.
• Tantangan Paralelisasi: Platform komputasi terdesentralisasi mengandalkan berbagai pemasok chip yang beragam, masing-masing umumnya menawarkan daya komputasi terbatas. Menyelesaikan tugas pelatihan atau inferensi model AI oleh satu pemasok chip dengan cepat hampir tidak mungkin. Oleh karena itu, tugas harus diuraikan dan didistribusikan menggunakan paralelisasi untuk mempersingkat waktu penyelesaian keseluruhan. Namun, pendekatan ini memperkenalkan beberapa komplikasi, termasuk bagaimana tugas diuraikan (terutama tugas deep learning yang kompleks), ketergantungan data, dan biaya konektivitas tambahan antara perangkat.
• Masalah Perlindungan Privasi: Bagaimana seseorang dapat memastikan bahwa data dan model klien tidak diungkapkan kepada penerima tugas?

Tantangan Kepatuhan Regulasi

• Platform komputasi terdesentralisasi, karena sifatnya yang tanpa izin dalam pasar pasokan dan permintaan, dapat menarik minat pelanggan tertentu sebagai titik penjualan utama. Namun, seiring dengan evolusi kerangka regulasi AI, platform-platform ini mungkin semakin menjadi target pemeriksaan pemerintah. Selain itu, beberapa vendor GPU khawatir apakah sumber daya komputasi yang mereka sewakan digunakan oleh bisnis atau individu yang dikenai sanksi.

Secara ringkas, pengguna utama platform komputasi terdesentralisasi sebagian besar adalah pengembang profesional atau usaha kecil hingga menengah. Tidak seperti investor cryptocurrency dan NFT, klien-klien ini lebih memprioritaskan stabilitas dan kelangsungan layanan yang diberikan oleh platform-platform tersebut, dan harga bukanlah kekhawatiran utama mereka. Platform-platform komputasi terdesentralisasi memiliki perjalanan panjang sebelum mereka dapat memenangkan penerimaan luas dari basis pengguna yang cerdas ini.

Selanjutnya, kami akan menyelami detail dan melakukan analisis terhadap IO.NET, sebuah proyek kekuatan komputasi terdesentralisasi baru dalam siklus ini. Kami juga akan membandingkannya dengan proyek serupa untuk memperkirakan valuasi pasar potensial setelah peluncurannya.

Platform Komputasi AI Terdesentralisasi: IO.NET

2.1 Gambaran Proyek

IO.NET adalah jaringan komputasi terdesentralisasi yang telah membentuk pasar dua sisi seputar chip. Di sisi pasokan, terdapat kekuatan komputasi yang didistribusikan secara global, terutama GPU, tetapi juga CPU dan GPU terintegrasi Apple (iGPU). Sisi permintaan terdiri dari insinyur AI yang mencari untuk menyelesaikan pelatihan model AI atau tugas inferensi.

Situs web resmi IO.NET menyatakan visi mereka:

Misi Kami

Mengumpulkan satu juta GPU dalam sebuah DePIN - jaringan infrastruktur fisik terdesentralisasi.

Misi nya adalah untuk mengintegrasikan jutaan GPU ke dalam jaringan DePIN-nya.

Dibandingkan dengan layanan komputasi AI cloud tradisional, platform ini menyoroti beberapa keunggulan kunci:

• Konfigurasi Fleksibel: Insinyur AI memiliki kebebasan untuk memilih dan merakit chip-chip yang diperlukan ke dalam sebuah “klaster” yang disesuaikan dengan tugas komputasi spesifik mereka.
• Pengimplementasian Cepat: Berbeda dengan waktu persetujuan dan tunggu yang panjang yang terkait dengan penyedia terpusat seperti AWS, implementasi di platform ini dapat diselesaikan dalam hitungan detik saja, memungkinkan dimulainya tugas secara langsung.
• Efisiensi Biaya: Biaya layanan ini dapat mencapai 90% lebih rendah dibandingkan dengan yang ditawarkan oleh penyedia layanan utama.

Selain itu, IO.NET berencana meluncurkan layanan tambahan di masa depan, seperti toko model AI.

2.2 Mekanisme Produk dan Metrik Bisnis

Mekanisme Produk dan Pengalaman Implementasi

Mirip dengan platform utama seperti Amazon Cloud, Google Cloud, dan Alibaba Cloud, IO.NET menawarkan layanan komputasi yang dikenal sebagai IO Cloud. Layanan ini beroperasi melalui jaringan chip yang didistribusikan dan terdesentralisasi yang mendukung eksekusi kode pembelajaran mesin berbasis Python untuk aplikasi AI dan pembelajaran mesin.

Modul bisnis dasar IO Cloud disebut Clusters - kelompok GPU yang saling berkoordinasi yang dirancang untuk menangani tugas komputasi secara efisien. Insinyur AI memiliki fleksibilitas untuk menyesuaikan cluster untuk memenuhi kebutuhan khusus mereka.

Antarmuka pengguna IO.NET sangat ramah pengguna. Jika Anda ingin mendeploy klaster chip Anda sendiri untuk tugas komputasi kecerdasan buatan, cukup navigasi ke halaman Klaster di platform, di mana Anda dapat dengan mudah mengkonfigurasi klaster chip yang diinginkan sesuai dengan kebutuhan Anda.

Informasi halaman: https://cloud.io.net/cloud/clusters/create-cluster, sama seperti di bawah

Pertama, Anda perlu memilih jenis kluster Anda, dengan tiga opsi yang tersedia:

• Umum: Menyediakan lingkungan umum, cocok untuk tahap awal proyek di mana persyaratan sumber daya spesifik belum jelas.
• Train: Sebuah cluster yang dirancang khusus untuk pelatihan dan penyempurnaan model pembelajaran mesin. Pilihan ini menyediakan sumber daya GPU tambahan, kapasitas memori yang lebih tinggi, dan/atau koneksi jaringan yang lebih cepat untuk menampung tugas komputasi intensif ini.
• Inferensi: Sebuah cluster yang dirancang untuk inferensi latensi rendah dan beban kerja tinggi. Dalam konteks pembelajaran mesin, inferensi merujuk pada penggunaan model yang terlatih untuk memprediksi atau menganalisis dataset baru dan memberikan umpan balik. Oleh karena itu, pilihan ini berfokus pada mengoptimalkan latensi dan throughput untuk mendukung kebutuhan pemrosesan data real-time atau mendekati real-time.

Selanjutnya, Anda perlu memilih pemasok untuk klaster Anda. IO.NET memiliki kemitraan dengan Render Network dan jaringan penambang Filecoin, yang memungkinkan pengguna untuk memilih chip dari IO.NET atau dua jaringan lain sebagai sumber pasokan untuk klaster komputasi mereka. Ini efektif menempatkan IO.NET sebagai agregator (catatan: layanan Filecoin sedang offline sementara). Perlu dicatat bahwa IO.NET saat ini memiliki lebih dari 200.000 GPU tersedia secara online, sedangkan Render Network memiliki lebih dari 3.700 GPU tersedia.

Setelah ini, Anda akan melanjutkan ke fase pemilihan hardware dari cluster Anda. Saat ini, IO.NET hanya mencantumkan GPU sebagai pilihan hardware yang tersedia, tanpa termasuk CPU atau iGPU Apple (M1, M2, dll.), dengan GPU terutama terdiri dari produk-produk NVIDIA.

Di antara pilihan perangkat keras GPU yang terdaftar secara resmi dan tersedia, berdasarkan data yang diuji oleh saya pada hari itu, jumlah total GPU online yang tersedia dalam jaringan IO.NET adalah 206.001. GPU dengan ketersediaan tertinggi adalah GeForce RTX 4090, dengan 45.250 unit, diikuti oleh GeForce RTX 3090 Ti, dengan 30.779 unit.

Selain itu, ada 7.965 unit chip A100-SXM4-80GB yang sangat efisien (masing-masing dengan harga di atas $15.000) tersedia secara online, yang lebih efisien untuk tugas komputasi kecerdasan buatan seperti pembelajaran mesin, pembelajaran mendalam, dan komputasi ilmiah.

NVIDIA H100 80GB HBM3, yang dirancang dari awal untuk kecerdasan buatan (dengan harga pasar di atas $40,000), memberikan kinerja pelatihan yang 3,3 kali lebih tinggi dan kinerja inferensi yang 4,5 kali lebih tinggi dari A100. Saat ini, ada 86 unit tersedia secara online.

Setelah tipe hardware untuk kluster telah dipilih, pengguna perlu menentukan rincian lebih lanjut seperti lokasi geografis kluster, kecepatan koneksi, jumlah GPU, dan durasi.

Akhirnya, IO.NET akan menghitung tagihan rinci berdasarkan opsi yang Anda pilih. Sebagai ilustrasi, pertimbangkan konfigurasi klaster berikut:

• Jenis Cluster: Umum
• 16 GPU A100-SXM4-80GB
• Tingkat konektivitas: Kecepatan Tinggi
• Lokasi geografis: Amerika Serikat
• Durasi: 1 minggu

Total tagihan untuk konfigurasi ini adalah $3311.6, dengan harga sewa per jam per kartu adalah $1.232.

Harga sewa per jam untuk satu A100-SXM4-80GB di Amazon Web Services, Google Cloud, dan Microsoft Azure masing-masing adalah $5.12, $5.07, dan $3.67 (data bersumber:https://cloud-gpus.com/, aktualharga dapat bervariasi tergantung pada detail kontrak).

Akibatnya, ketika membahas biaya, IO.NET menawarkan kekuatan komputasi chip dengan harga yang jauh lebih rendah daripada penyedia utama. Selain itu, fleksibilitas dalam opsi pasokan dan pengadaan membuat IO.NET menjadi pilihan yang menarik bagi banyak pengguna.

Gambaran Bisnis

Sisi Penawaran

Per 4 April 2024, angka resmi mengungkapkan bahwa IO.NET memiliki total pasokan GPU sebanyak 371.027 unit dan pasokan CPU sebanyak 42.321 unit di sisi pasokan. Selain itu, Render Network, sebagai mitra, memiliki tambahan 9.997 GPU dan 776 CPU yang terhubung ke pasokan jaringan.

Sumber data: https://cloud.io.net/explorer/home, sama seperti di bawah ini

Saat tulisan ini dibuat, 214.387 dari GPU yang terintegrasi dengan IO.NET sedang online, sehingga menghasilkan tingkat online sebesar 57,8%. Tingkat online untuk GPU yang berasal dari Render Network adalah 45,1%.

Apa arti data ini dari sisi pasokan?

Untuk memberikan tolok ukur, mari kita masukkan Jaringan Akash, sebuah proyek komputasi terdesentralisasi yang lebih berpengalaman.

Jaringan Akash meluncurkan mainnet-nya secepat 2020, awalnya berfokus pada layanan terdesentralisasi untuk CPU dan penyimpanan. Mereka meluncurkan testnet untuk layanan GPU pada Juni 2023 dan kemudian meluncurkan mainnet untuk daya komputasi GPU terdesentralisasi pada September tahun yang sama.

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

Menurut data resmi dari Akash, meskipun sisi pasokan terus tumbuh sejak peluncuran jaringan GPU-nya, jumlah total GPU yang terhubung ke jaringan tetap hanya 365.

Ketika mengevaluasi volume pasokan GPU, IO.NET jauh melampaui Jaringan Akash, beroperasi pada skala yang jauh lebih besar. IO.NET telah menetapkan dirinya sebagai sisi pasokan terbesar di sektor daya komputasi GPU terdesentralisasi.

Sisi Permintaan

Dari sisi permintaan, IO.NET masih dalam tahap awal budidaya pasar, dengan total volume tugas komputasi yang relatif kecil dieksekusi pada jaringannya. Sebagian besar GPU online namun menganggur, menunjukkan persentase beban kerja sebesar 0%. Hanya empat jenis chip - A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S, dan H100 80GB HBM3 - yang aktif terlibat dalam memproses tugas, dan di antara ini, hanya A100 PCIe 80GB K8S yang mengalami beban kerja di atas 20%.

Tingkat stres resmi jaringan yang dilaporkan untuk hari itu adalah 0%, menunjukkan bahwa sebagian besar pasokan GPU saat ini dalam keadaan online namun tidak aktif.

Secara finansial, IO.NET telah mengumpulkan $586,029 dalam biaya layanan hingga saat ini, dengan $3,200 dari total tersebut dihasilkan pada hari terbaru.

Sumber data: https://cloud.io.net/explorer/clusters

Data keuangan mengenai biaya penyelesaian jaringan, baik dalam hal total maupun volume transaksi harian, selaras dengan yang dimiliki oleh Akash. Namun, penting untuk dicatat bahwa sebagian besar pendapatan Akash berasal dari penawaran CPU-nya, dengan inventaris melebihi 20.000 CPU.

Sumber data: https://stats.akash.network/

Selain itu, IO.NET telah mengungkapkan data terperinci untuk tugas inferensi AI yang diproses oleh jaringan. Menurut laporan terbaru, platform ini telah berhasil memproses dan memvalidasi lebih dari 230.000 tugas inferensi, meskipun sebagian besar volume ini berasal dari BC8.AI, sebuah proyek yang disponsori oleh IO.NET.

Sumber data: https://cloud.io.net/explorer/inferences

Sisi pasokan IO.NET sedang berkembang secara efisien, didorong oleh harapan seputar airdrop dan acara komunitas yang dikenal sebagai "Ignition." Inisiatif ini dengan cepat menarik sejumlah besar daya komputasi AI. Namun, di sisi permintaan, ekspansi masih belum matang dengan permintaan organik yang tidak mencukupi. Alasan di balik permintaan yang lambat ini - baik karena upaya outreach konsumen yang belum diinisiasi atau pengalaman layanan yang tidak stabil yang mengakibatkan adopsi besar-besaran yang terbatas - memerlukan evaluasi lebih lanjut.

Dengan tantangan dalam menutup kesenjangan dalam kemampuan komputasi AI dengan cepat, banyak insinyur dan proyek AI sedang mengeksplorasi alternatif, yang berpotensi meningkatkan minat pada penyedia layanan terdesentralisasi. Selain itu, IO.NET belum menerapkan insentif ekonomi atau aktivitas untuk meningkatkan permintaan, dan seiring pengalaman produk terus membaik, keseimbangan yang diantisipasi antara pasokan dan permintaan menjanjikan masa depan.

2.3 Latar Belakang Tim dan Gambaran Pendanaan

Profil Tim

Tim inti IO.NET awalnya berfokus pada perdagangan kuantitatif. Hingga Juni 2022, mereka terlibat dalam menciptakan sistem perdagangan kuantitatif tingkat institusi untuk saham dan mata uang kripto. Didorong oleh permintaan kekuatan komputasi backend sistem, tim mulai menjelajahi potensi komputasi terdesentralisasi dan akhirnya fokus pada isu khusus pengurangan biaya layanan komputasi GPU.

Pendiri & CEO: Ahmad Shadid

Sebelum mendirikan IO.NET, Ahmad Shadid telah bekerja di bidang keuangan kuantitatif dan rekayasa keuangan, dan ia juga menjadi relawan di Yayasan Ethereum.

CMO & Chief Strategy Officer: Garrison Yang

Garrison Yang resmi bergabung dengan IO.NET pada Maret 2024. Sebelum itu, dia adalah VP Strategi dan Pertumbuhan di Avalanche dan merupakan alumni dari University of California, Santa Barbara.

COO: Tory Green

Tory Green menjabat sebagai Chief Operating Officer IO.NET. Dia sebelumnya menjabat sebagai COO Hum Capital dan Direktur Pengembangan Bisnis dan Strategi di Fox Mobile Group. Dia lulus dari Universitas Stanford.

Profil LinkedIn IO.NET menunjukkan bahwa tim ini berbasis di New York, Amerika Serikat, dengan kantor cabang di San Francisco, dan memiliki lebih dari 50 anggota staf.

Ikhtisar Pendanaan

IO.NET hanya mengumumkan satu putaran pendanaan secara publik—Serangkaian A yang selesai pada bulan Maret tahun ini dengan valuasi $1 miliar, melalui mana mereka berhasil mengumpulkan $30 juta. Putaran ini dipimpin oleh Hack VC, dengan partisipasi dari investor lain termasuk Modal Multicoin, Delphi Digital, Foresight Ventures, Animoca Brands, Lanjutkan Modal, Solana Ventures, Aptos, Modal LongHash, Modal OKX, Grup Amber, Modal SevenX, dan Modal ArkStream.

Perlu dicatat, investasi dari Yayasan Aptos mungkin telah memengaruhi keputusan proyek BC8.AI untuk beralih dari menggunakan Solana untuk proses penyelesaian dan akuntansi ke blockchain Layer 1 yang performanya tinggi, yaitu Aptos.

2.4 Estimasi Penilaian

Menurut pernyataan sebelumnya oleh pendiri dan CEO Ahmad Shadid, IO.NET dijadwalkan akan meluncurkan tokennya pada akhir April 2024.

IO.NET memiliki dua proyek benchmark yang berfungsi sebagai referensi untuk penilaian: Render Network dan Akash Network, keduanya merupakan proyek komputasi terdesentralisasi yang representatif.

Ada dua metode utama untuk mendapatkan perkiraan kapitalisasi pasar IO.NET: 1. Rasio Harga-ke-Penjualan (P/S), yang membandingkan FDV dengan pendapatan; 2. Rasio FDV-ke-Chip (M/C Ratio)

Kami akan memulai dengan memeriksa valuasi potensial menggunakan rasio Harga-ke-Penjualan:

Mengamati rasio harga penjualan, Akash mewakili ujung konservatif dari spektrum valuasi yang diperkirakan oleh IO.NET, sementara Render memberikan patokan ujung tinggi, dengan perkiraan nilai FDV berkisar dari $1.67 miliar hingga $5.93 miliar.

Namun, mengingat pembaruan proyek IO.NET, naratifnya yang lebih meyakinkan, ditambah dengan kapitalisasi pasar awal yang lebih kecil dan basis pasokan yang lebih luas, menunjukkan FDV-nya bisa jauh melampaui Render Network.

Beralih ke perspektif perbandingan valuasi lainnya, yaitu "FDV-to-Chip Ratio".

Dalam konteks pasar di mana permintaan daya komputasi AI melebihi pasokan, elemen paling penting dari jaringan komputasi AI terdesentralisasi adalah skala pasokan GPU. Oleh karena itu, kita dapat menggunakan "FDV-to-Chip Ratio," yang merupakan rasio nilai terdilusi penuh proyek dengan jumlah chip dalam jaringan, untuk menyimpulkan kisaran penilaian yang mungkin IO.NET, memberikan referensi kepada pembaca.

Memanfaatkan rasio pasar-ke-chip untuk menghitung kisaran valuasi IO.NET menempatkan kami di antara $20,6 miliar dan $197,5 miliar, dengan Render Network menetapkan patokan atas dan Akash Network yang lebih rendah.

Penggemar proyek IO.NET mungkin melihat ini sebagai perkiraan kapitalisasi pasar yang sangat optimis.

Penting untuk mempertimbangkan jumlah chip online yang besar saat ini untuk IO.NET, yang di-stimulasi oleh harapan airdrop dan kegiatan insentif. Jumlah pasokan online yang sebenarnya setelah proyek diluncurkan secara resmi masih memerlukan observasi.

Secara keseluruhan, valuasi yang diperoleh dari rasio harga terhadap penjualan bisa memberikan wawasan yang lebih dapat diandalkan.

IO.NET, dibangun di atas Solana dan disertai dengan konvergensi AI dan DePIN, berada di ambang peluncuran tokennya. Antisipasinya terasa jelas saat kita siap menyaksikan dampaknya pada kapitalisasi pasarnya setelah peluncuran.

Referensi:

Dephi Digital: Penggabungan Nyata

Galaxy: Memahami Persimpangan Crypto dan AI

Pernyataan:

1. Artikel ini diambil dari [panews], dan hak cipta dimiliki oleh penulis asli [Alex Xu], jika Anda memiliki keberatan terhadap cetakan ulang, silakan hubungi Tim Pembelajaran Gate , tim akan menanganinya sesegera mungkin sesuai dengan prosedur yang relevan.

2. Penyangkalan: Pandangan dan pendapat yang terdapat dalam artikel ini hanya mewakili pandangan pribadi penulis dan tidak merupakan saran investasi apa pun.

3. Versi bahasa lain dari artikel diterjemahkan oleh tim Gate Learn dan tidak disebutkan dalam Gate.io, artikel yang diterjemahkan tidak boleh direproduksi, didistribusikan, atau diplagiatkan.