Введение

В моей предыдущей статье я упоминал, что по сравнению с предыдущими двумя циклами, текущий цикл бычьего рынка криптовалют лишен влиятельных новых бизнес- и активовых повествований. ИИ - одно из немногих новых повествований в этом раунде веб-3. В этой статье я объединю горячий ИИ-проект этого года, IO.NET, чтобы обдумать следующие два вопроса:

1. Необходимость AI+Web3 в бизнесе

2. Необходимость и вызовы распределенных вычислительных услуг

Кроме того, я организую ключевую информацию представительского проекта в области распределенных вычислений искусственного интеллекта: проект IO.NET, включая логику продукта, конкурентную обстановку и фон проекта. Я также погружусь в оценку проекта.

Часть этой статьи об объединении искусственного интеллекта и Web3 была вдохновлена работой "The Real Merge", написанной исследователем Delphi Digital Майклом Ринко. Некоторые точки зрения в этой статье усваивают и цитируются из этой работы, и я рекомендую читателям обратиться к оригиналу.

Эта статья отражает мои промежуточные мысли на момент ее публикации. Ситуация может измениться в будущем, и точки зрения имеют сильно субъективный характер. Они также могут содержать фактические, данные или логические ошибки. Пожалуйста, не используйте это как инвестиционный совет, и я приветствую критику и обсуждение со своими коллегами.

Следующий текст - основной текст.

1. Бизнес-логика: пересечение ИИ и Web3

1.1 2023: Новый «Чудесный Год», Созданный ИИ

Оглядываясь на историю человечества, как только происходит прорыв в технологиях, все - начиная от индивидуальной повседневной жизни, различных промышленных ландшафтов и даже всей цивилизации человечества - проходит через революционные изменения.

Существует два значительных года в истории человечества, а именно 1666 и 1905, которые сейчас называются двумя великими «чудесными годами» в истории технологий.

Год 1666 года считается чудесным годом, потому что наукоемкие достижения Ньютона заметно проявились в этот период. В том году он вывел основную ветвь физики, известную как оптика, основал математическую ветвь исчисления и вывел закон гравитации, фундаментальный закон современной естественной науки. Каждое из этих достижений было основополагающим вкладом в научное развитие человечества на протяжении следующего столетия, значительно ускоряя общий прогресс науки.

Второй чудесный год был 1905 год, когда Эйнштейн, всего лишь 26-летний, опубликовал четыре статьи подряд в "Annals of Physics", посвященные фотоэффекту (заложив основу квантовой механики), броуновскому движению (становясь ключевым источником для анализа стохастических процессов), теории специальной теории относительности и уравнению массы-энергии (знаменитая формула E=MC^2). В последующих оценках каждая из этих статей считалась превосходящей средний уровень Нобелевской премии по физике (сам Эйнштейн также получил Нобелевскую премию за свою статью о фотоэффекте), и еще раз историческое развитие человеческой цивилизации сделало несколько гигантских шагов вперед.

Прошедший год 2023 года вероятно будет назван еще одним "годом чудес", благодаря ChatGPT.

Мы считаем 2023 год еще одним "чудесным годом" в истории человеческой технологии не только из-за значительных достижений, которые достигло GPT в понимании и генерации естественного языка, но и потому, что человечество расшифровало закономерность роста крупных языковых моделей по эволюции GPT - то есть, путем расширения параметров модели и данных обучения возможности модели могут быть экспоненциально увеличены - и этот процесс пока не сталкивается с краткосрочным узким местом (при наличии достаточной вычислительной мощности).

Эта способность простирается далеко за пределы понимания языка и генерации диалога и широко используется в различных технологических областях. Например, в биологической области в 2018 году лауреат Нобелевской премии по химии Фрэнсис Арнольд сказала во время церемонии награждения: «Сегодня, в практических приложениях, мы можем читать, писать и редактировать любую последовательность ДНК, но мы все еще не можем ее составить». Через всего пять лет после ее выступления, в 2023 году, исследователи из Стэнфордского университета и исследовательского центра Salesforce в Силиконовой долине опубликовали статью в журнале «Nature Biotechnology». Они создали 1 миллион новых белков с нуля, используя большую модель языка, настроенную на основе GPT3, и выявили два белка с различными структурами, оба с антибактериальными свойствами, потенциально становясь новым решением для борьбы с бактериями за пределами антибиотиков. Это означает, что узкое место в «создании» белков было преодолено с помощью искусственного интеллекта.

Кроме того, алгоритм искусственного интеллекта AlphaFold предсказал структуры почти всех 214 миллионов белков на Земле в течение 18 месяцев, подвиг, который превышает совокупные результаты всех структурных биологов в истории в сотни раз.

С моделями на основе искусственного интеллекта в биотехнологии, материаловедении, разработке лекарств и других точных науках, а также в гуманитарных областях, таких как право и искусство, революционное преобразование неизбежно, и 2023 год действительно является вступительным годом для всех этих достижений.

Как мы все знаем, в прошлом веке создание богатства человеком выросло в геометрической прогрессии, и быстрое зрелость технологии искусственного интеллекта, несомненно, ускорит этот процесс еще больше.

График мирового ВВП, источник данных: Всемирный банк

1.2 Интеграция искусственного интеллекта и криптовалюты

Для полного понимания необходимости интеграции ИИ и криптовалюты мы можем начать с их взаимодополняющих характеристик.

Дополняющие характеристики искусственного интеллекта и криптовалюты

ИИ обладает тремя атрибутами:

1. Случайность: ИИ проявляет случайность; механизм, лежащий в основе его производства контента, представляет собой черный ящик, который трудно воспроизвести и проверить, поэтому результаты также случайны.

2. Ресурсоемкий: Искусственный интеллект - это отрасль, требующая значительных затрат энергии, микросхем и вычислительной мощности.

3. Искусственный интеллект, похожий на человеческий: ИИ вскоре сможет пройти тест Тьюринга, что впоследствии затруднит отличить между людьми и машинами.

30 октября 2023 года исследовательская группа из Университета Калифорнии, Сан-Диего, опубликовала результаты теста Тьюринга для GPT-3.5 и GPT-4.0. GPT-4.0 набрал 41%, что на 9% меньше проходного балла 50%, в то время как участники-люди набрали 63%. Суть теста Тьюринга заключается в проценте людей, которые считают, что их собеседник - человек. Если более 50% считают так, это свидетельствует о том, что по крайней мере половина людей считает собеседника человеком, а не машиной, следовательно, проходит тест Тьюринга.

В то время как искусственный интеллект создает новые прорывы в производительности для человечества, его три атрибута также представляют существенные вызовы для человеческого общества, включая:

• Как проверить и контролировать случайность ИИ, превращая случайность из недостатка в преимущество.

• Как удовлетворить значительные потребности в энергии и вычислительной мощности искусственного интеллекта.

• Как отличить людей от машин.

Криптовалютная и блокчейн экономика могут быть средством решения вызванных искусственным интеллектом проблем. Криптовалютная экономика обладает следующими тремя характеристиками:

1. Детерминизм: Бизнес-операции основаны на блокчейне, коде и смарт-контрактах, с четкими правилами и границами; ввод определяет результат, обеспечивая высокую детерминированность.

2. Эффективное распределение ресурсов: Криптовалютная экономика создала огромный глобальный свободный рынок, где ценообразование, привлечение средств и обращение ресурсов происходят очень быстро. Благодаря наличию токенов, инцентивы могут ускорить сопоставление рыночного спроса и предложения, быстрее достигая критических точек.

3. Доверительный: С публичными реестрами и открытым исходным кодом каждый может легко проверить операции, что приводит к «недоверчивой» системе. Более того, технология ZK (Zero-Knowledge) избегает раскрытия конфиденциальной информации во время проверки.

Давайте проиллюстрируем взаимодополняемость между искусственным интеллектом и криптовалютной экономикой на трех примерах.

Пример A: Адресация случайности, агенты искусственного интеллекта на основе криптовалютной экономики

Искусственные интеллект-агенты, такие как те, что от Fetch.AI, разработаны для выполнения воли человека и выполнения задач от имени людей. Если мы хотим, чтобы наш искусственный интеллект-агент обработал финансовую транзакцию, например, "покупку $1000 BTC", он может столкнуться с двумя сценариями:

• Сценарий один: Он должен взаимодействовать с традиционными финансовыми учреждениями (например, BlackRock) для покупки BTC ETF, сталкиваясь с многочисленными проблемами совместимости с искусственными интеллектами и централизованными учреждениями, такими как KYC, рассмотрение документов, вход в систему и проверка личности, которые в настоящее время являются довольно громоздкими.

• Сценарий Два: Он работает на основе местной криптоэкономики, которая намного проще; он может выполнять транзакции непосредственно через Uniswap или подобную агрегированную торговую платформу, используя подпись вашего аккаунта, быстро и просто завершая транзакцию для получения WBTC (или другой обернутой формы BTC). По сути, это то, что уже делают различные торговые боты, хотя сейчас они сосредоточены исключительно на торговле. По мере интеграции и развития искусственного интеллекта будущие торговые боты безусловно смогут выполнить более сложные торговые намерения, такие как отслеживание стратегий торговли и успехов 100 умных денежных адресов на блокчейне, выполнение аналогичных транзакций с использованием 10% моих средств за неделю и остановка с последующим подведением итогов причин неудачи, если результаты неудовлетворительны.

ИИ проявляет себя лучше в блокчейн-системах в основном из-за ясности крипто-экономических правил и неограниченного доступа к системе. В пределах этих определенных правил потенциальные риски, принесенные случайностью ИИ, минимизируются. Например, ИИ уже превзошел людей в карточных играх и видеоиграх из-за ясного, закрытого песочницы правил. Однако прогресс в автономном вождении относительно медленный из-за вызовов открытой внешней среды, и мы менее терпимы к случайности в решении проблем ИИ в таких условиях.

Пример B: Формирование ресурсов через токен-стимулы**

Глобальная сеть за BTC, с текущей общей хэш-скоростью 576.70 EH/s, превосходит объединенную вычислительную мощность суперкомпьютеров любой страны. Ее развитие стимулируется простыми и справедливыми сетевыми стимулами.

Тенденция вычислительной мощности сети BTC, источник: https://www.coinwarz.com/

Кроме того, проекты, включая DePIN от Mobile, пытаются сформировать двусторонний рынок предложения и спроса через токенные поощрения, нацеливаясь на достижение сетевых эффектов. Основное внимание в данной статье уделяется IO.NET, платформе, разработанной для агрегирования вычислительной мощности искусственного интеллекта, с надеждой на освобождение большего потенциала искусственного интеллекта через токенную модель.

Пример C: Открытый исходный код, введение нулевых доказательств (ZK) для различения людей от машин с сохранением конфиденциальности

Как проект Web3, вовлекающий основателя OpenAI Сэма Альтмана, Worldcoin использует аппаратное устройство под названием Orb, которое генерирует уникальное и анонимное хэш-значение на основе биометрии человеческого радужного тела с использованием технологии ZK для проверки личности и различения людей от машин. В начале марта текущего года веб-проект искусства Web3 Drip начал использовать идентификатор Worldcoin для проверки реальных пользователей и распределения наград.

Более того, Worldcoin недавно сделал программный код своего аппарата для распознавания радужки глаз, Orb, открытым, обеспечивая безопасность и конфиденциальность биометрических данных пользователей.

В целом криптоэкономика стала значительным потенциальным решением для вызовов, стоящих перед ИИ в человеческом обществе, благодаря надежности кода и криптографии, преимуществам обращения ресурсов и сбора средств, принесенным механизмами токенов, и доверительному характеру на основе кода с открытым исходным текстом и публичных реестров.

Самой насущной и коммерчески наиболее востребованной проблемой является чрезвычайный голод вычислительных ресурсов продуктами искусственного интеллекта, который связан с огромным спросом на чипы и вычислительную мощность.

Это также основная причина, почему проекты распределенных вычислений лидируют в общем треке искусственного интеллекта в этом цикле бычьего рынка.

Коммерческая необходимость децентрализованного вычисления

ИИ требует значительных вычислительных ресурсов как для обучения моделей, так и для вывода.

В практике обучения больших языковых моделей подтверждено, что при достаточно большом масштабе параметров данных появляются новые возможности, которых раньше не было. Каждое поколение GPT показывает экспоненциальный скачок в возможностях по сравнению с предыдущим, обеспеченное экспоненциальным ростом вычислительного объема, необходимого для обучения модели.

Исследование, проведенное DeepMind и Стэнфордским университетом, показывает, что различные большие языковые модели, сталкиваясь с различными задачами (вычисления, персидский вопросно-ответный, понимание естественного языка и т.д.), проявляют сходство с случайными ответами до тех пор, пока тренировка не достигнет менее 10^22 FLOPs (FLOPs обозначает операции с плавающей точкой в секунду, мера вычислительной производительности); однако, как только масштаб параметров превышает этот критический порог, производительность любой задачи резко улучшается, независимо от языковой модели.

Источник: Возникающие способности крупных языковых моделей

Эмергентные способности больших языковых моделей

Именно принцип "достижения чудес с помощью большой вычислительной мощности" и его практическое подтверждение привели Сэма Альтмана, основателя OpenAI, к предложению привлечь 7 триллионов долларов США для строительства передового чип-завода, который в десять раз превышает по размеру текущий TSMC. Предполагается, что на эту часть будет потрачено 1,5 триллиона долларов, а оставшиеся средства будут использованы на производство чипов и обучение моделей.

Кроме обучения моделей искусственного интеллекта, процесс вывода самих моделей также требует значительной вычислительной мощности, хотя и меньше, чем для обучения. Поэтому жажду чипов и вычислительной мощности стала нормой среди конкурентов в области искусственного интеллекта.

По сравнению с централизованными поставщиками вычислительных мощностей искусственного интеллекта, такими как Amazon Web Services, Google Cloud Platform и Azure от Microsoft, основные ценностные предложения распределенных вычислений искусственного интеллекта включают в себя:

• Доступность: Доступ к вычислительным чипам через облачные сервисы, такие как AWS, GCP или Azure, обычно занимает недели, а популярные модели GPU часто отсутствуют в наличии. Более того, чтобы получить вычислительную мощность, потребители часто должны заключать долгосрочные, не гибкие контракты с этими крупными компаниями. В отличие от этого, распределенные вычислительные платформы могут предоставлять гибкие варианты аппаратного обеспечения с более широким доступом.
• Снижение цен: Путем использования неиспользуемых чипов, совместно с токенами, предоставляемыми сетевым протоколом поставщикам чипов и вычислительной мощности, распределенные вычислительные сети могут предлагать более доступную вычислительную мощность.
• Сопротивление цензуре: В настоящее время передовые вычислительные чипы и поставки монополизированы крупными технологическими компаниями. Кроме того, правительства, возглавляемые Соединенными Штатами, усиливают контроль над услугами вычислительной технологии искусственного интеллекта. Возможность получения вычислительной мощности в распределенной, гибкой и свободной форме становится явным требованием, что также является основным значением веб3-платформ вычислительных услуг.

Если ископаемое топливо было кровеносной жидкостью индустриальной эпохи, то вычислительная мощность, вероятно, станет кровеносной жидкостью новой цифровой эпохи, наступившей благодаря искусственному интеллекту, причем предложение вычислительной мощности станет инфраструктурой эпохи искусственного интеллекта. Точно так же, как стейблкоины стали прочным отпрыском фиатных валют в эпоху Web3, не могли ли рынок распределенных вычислений стать быстрорастущим отпрыском рынка вычислительных мощностей для искусственного интеллекта?

Поскольку это все еще относительно ранний рынок, все еще находится под наблюдением. Тем не менее, следующие факторы могут потенциально стимулировать рассказ или принятие рынка распределенных вычислений:

• Постоянное напряжение между предложением и спросом на GPU. Продолжающееся напряжение в предложении GPU может побудить некоторых разработчиков обратиться к распределенным вычислительным платформам.
• Расширение регулирования. Для доступа к услугам искусственного интеллекта от крупных облачных вычислительных платформ требуется KYC и тщательное изучение. Это вместо этого может поощрить принятие распределенных вычислительных платформ, особенно в регионах, сталкивающихся с ограничениями и санкциями.
• Ценовые стимулы для токена. Циклы бычьего рынка и рост цен на токены увеличивают стоимость субсидий для стороны поставки GPU, привлекая больше поставщиков на рынок, увеличивая размер рынка и снижая фактическую цену покупки для потребителей.

Однако вызовы, с которыми сталкиваются распределенные вычислительные платформы, также весьма очевидны:

• Технические и инженерные проблемы
• Проблемы принципа работы: Вычисления для моделей глубокого обучения из-за их иерархической структуры, где вывод каждого слоя служит входными данными для следующего, требуют выполнения всех предыдущих работ для проверки достоверности вычислений. Это нельзя просто и эффективно проверить. Для решения этой проблемы распределенным вычислительным платформам необходимо разрабатывать новые алгоритмы или использовать приближенные методы проверки, которые могут обеспечить вероятностные гарантии правильности результата, а не абсолютную уверенность.
• Проблемы параллелизации: Распределенные вычислительные платформы собирают длинный хвост поставки чипов, что означает, что отдельные устройства могут предложить только ограниченную вычислительную мощность. Один поставщик чипов едва ли может завершить обучение или задачи вывода модели ИИ независимо за короткий период, поэтому задачи должны быть разложены и распределены через параллелизацию, чтобы сократить общее время завершения. Параллелизация также неизбежно сталкивается с проблемами, такими как разложение задач (особенно сложные задачи глубокого обучения), зависимость данных и дополнительные коммуникационные издержки между устройствами.
• Проблемы защиты конфиденциальности: Как обеспечить, чтобы данные и модели покупателя не были выставлены наружу получателям задачи?

Проблемы соблюдения регулятивных требований

• Из-за нелицензированной природы двойных рынков снабжения и закупок распределенных вычислительных платформ они могут привлечь определенных клиентов как привлекательные моменты. С другой стороны, они могут стать объектами регулирования со стороны правительства по мере уточнения стандартов регулирования ИИ. Кроме того, некоторые поставщики GPU могут беспокоиться о том, предоставляются ли их арендованные вычислительные ресурсы санкционированным компаниям или лицам.

В целом потребители распределенных вычислительных платформ в основном являются профессиональными разработчиками или малыми и средними институтами, в отличие от инвесторов криптовалют и NFT, которые отличаются в своих ожиданиях по поводу стабильности и непрерывности предлагаемых протоколов. Цена может не быть их основным мотивом в принятии решений. На данный момент кажется, что распределенным вычислительным платформам еще долго предстоит пройти путь, чтобы завоевать одобрение таких пользователей.

Затем мы организуем и проанализируем информацию о проекте для нового проекта распределенных вычислений в этом цикле, IO.NET, и оценим его возможную рыночную капитализацию после листинга, основываясь на текущих конкурентах на рынке в секторах ИИ и распределенных вычислений.

2. Распределенная вычислительная платформа с искусственным интеллектом: IO. Распределенная вычислительная платформа с искусственным интеллектом NETDistributed: IO.NET

2.1 Позиционирование проекта

IO.NET - это децентрализованная вычислительная сеть, которая создала двусторонний рынок, сосредоточенный вокруг чипов. Со стороны предложения присутствуют чипы (в основном графические процессоры, но также центральные процессоры и iGPU Apple), распределенные по всему миру, в то время как со стороны спроса находятся инженеры по искусственному интеллекту, стремящиеся выполнять задачи обучения или вывода моделей искусственного интеллекта.

Как утверждается на официальном сайте IO.NET:

Наша миссия

Собрав один миллион графических процессоров в DePIN – децентрализованную физическую инфраструктурную сеть.

Миссия заключается в интеграции миллионов GPU в свою сеть DePIN.

По сравнению с существующими провайдерами облачных вычислений искусственного интеллекта IO.NET акцентирует внимание на следующих ключевых моментах продаж:

• Гибкая комбинация: инженеры по искусственному интеллекту могут свободно выбирать и объединять необходимые им микросхемы, чтобы сформировать "Кластеры" для выполнения своих вычислительных задач.
• Быстрое развертывание: Развертывание можно завершить за секунды, без недель утверждения и ожидания, как правило, требуемых централизованными поставщиками, такими как AWS.
• Эффективный сервис: Стоимость услуг на 90% ниже, чем у основных поставщиков.

Кроме того, IO.NET планирует запустить услуги, такие как магазин моделей искусственного интеллекта в будущем.

2.2 Механизм продукта и бизнес-данные

Механизм продукта и опыт развертывания

Подобно Amazon Cloud, Google Cloud и Alibaba Cloud, вычислительный сервис, предоставляемый IO.NET, называется IO Cloud. IO Cloud - это распределенная, децентрализованная сеть микросхем, способных выполнять код машинного обучения на основе Python и запускать программы искусственного интеллекта и машинного обучения.

Основной бизнес-модуль IO Cloud называется "Кластеры". Кластеры - это группы графических процессоров, которые могут автономно координироваться для выполнения вычислительных задач. Инженеры по искусственному интеллекту могут настраивать желаемые Кластеры в соответствии со своими потребностями.

Интерфейс продукта IO.NET очень удобен для пользователей. Если вам нужно развернуть собственные кластеры чипов для выполнения задач искусственного интеллекта, вы можете начать настройку желаемых кластеров чипов сразу после входа на страницу продукта Clusters на их веб-сайте.

Информация о странице: https://cloud.io.net/cloud/clusters/create-cluster, то же самое ниже

Сначала вам нужно выбрать сценарий вашего проекта, и на данный момент доступны три типа:

1. Общее (Общий тип): Предоставляет более общую среду, подходящую для начальных этапов проекта, когда конкретные потребности в ресурсах неопределены.

2. Train (Тип обучения): Разработан для обучения и настройки моделей машинного обучения. Этот вариант предлагает дополнительные ресурсы GPU, большую емкость памяти и/или более быстрые сетевые соединения для выполнения этих интенсивных вычислительных задач.

3. Вывод (тип вывода): Разработан для вывода с низкой задержкой и высокой нагрузки. В контексте машинного обучения вывод означает использование обученных моделей для прогнозирования или анализа новых данных и предоставления обратной связи. Поэтому эта опция ориентирована на оптимизацию задержки и пропускной способности для поддержки потребностей в обработке данных в реальном времени или практически в реальном времени.

Далее вам необходимо выбрать поставщика для чипов Clusters. В настоящее время IO.NET имеет партнерство с Render Network и майнинговой сетью Filecoin, что позволяет пользователям выбирать чипы от IO.NET или других двух сетей в качестве поставщика их вычислительных Clusters. IO.NET действует как агрегатор (хотя на момент написания Filecoin временно недоступен). Стоит отметить, что, согласно отображению на странице, количество доступных онлайн GPU для IO.NET превышает 200 000, в то время как у Render Network их более 3 700.

Наконец, вы входите в фазу выбора аппаратного обеспечения чипа для Кластеров. В настоящее время IO.NET предлагает только ГП для выбора, исключая ЦП или встроенные ГП Apple (M1, M2 и т. д.), причем ГП в основном представлены продуктами NVIDIA.

В официальном списке доступных вариантов аппаратного обеспечения GPU, основанных на данных, протестированных автором в тот день, общее количество доступных онлайн в сети IO.NET составляет 206 001. Из них GeForce RTX 4090 имеет наивысшую доступность с 45 250 единицами, за которым следует GeForce RTX 3090 Ti с 30 779 единицами.

Кроме того, чип A100-SXM4-80GB, который более эффективен для задач искусственного интеллекта, таких как машинное обучение, глубокое обучение и научные вычисления (рыночная цена более $15 000), имеет 7 965 единиц онлайн.

Графическая карта NVIDIA H100 80GB HBM3, специально разработанная с нуля для искусственного интеллекта (рыночная цена более $40 000), имеет производительность обучения в 3,3 раза выше, чем у A100, и производительность вывода в 4,5 раза выше, чем у A100, с общим количеством 86 единиц онлайн.

После выбора типа оборудования для кластеров пользователи также должны выбрать регион, скорость коммуникации, количество арендованных графических процессоров и длительность аренды, среди прочих параметров.

Наконец, IO.NET предоставит счет на основе всестороннего выбора. Например, в конфигурации кластеров автора:

• Общая сценарий задачи
• 16 чипов A100-SXM4-80GB
• Сверхвысокоскоростное подключение
• Расположен в США
• Срок аренды 1 неделя

Общая сумма счета составляет $3311.6, с ценой за час за карту в размере $1.232

По сравнению, почасовая арендная плата за A100-SXM4-80GB на облачных платформах Amazon Cloud, Google Cloud и Microsoft Azure составляет соответственно $5.12, $5.07 и $3.67 (источник данных: https://cloud-gpus.com/, фактические цены могут варьироваться в зависимости от деталей контракта).

Таким образом, исключительно с точки зрения цены, вычислительная мощность IO.NET значительно дешевле, чем у основных производителей, а варианты поставки и закупки очень гибкие, что облегчает начало работы.

Условия бизнеса

Ситуация со стороны предложения

По состоянию на 4 апреля текущего года, согласно официальным данным, у IO.NET имеется общее количество поставки в 371,027 графических процессоров и 42,321 центральных процессоров со стороны поставщика. Кроме того, Render Network, как его партнёр, также подключил 9,997 графических процессоров и 776 центральных процессоров к поставке сети.

Источник данных: https://cloud.io.net/explorer/home, то же самое ниже

На момент написания настоящей статьи онлайн находится 214 387 ГПУ, подключенных через IO.NET, с онлайн-показателем 57,8%. Онлайн-показатель для ГПУ от Render Network составляет 45,1%.

Что подразумевают вышеуказанные данные по предложению?

Для проведения сравнения давайте представим еще один, более старый проект распределенных вычислений, Akash Network, для контраста. Akash Network запустил свою основную сеть уже в 2020 году, изначально сосредотачиваясь на распределенных услугах для ЦП и хранения данных. В июне 2023 года он запустил тестовую сеть для услуг по GPU и запустил свою основную сеть для распределенной вычислительной мощности GPU в сентябре того же года.

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

Согласно официальным данным от Akash, хотя сторона предложения продолжает расти, общее количество подключенных к его сети GPU на сегодняшний день составляет всего 365.

С точки зрения объема поставок GPU, IO.NET на несколько порядков выше, чем Akash Network, что делает ее крупнейшей сетью поставок в гонке распределенных вычислений GPU.

Ситуация со стороны спроса

Однако, глядя на спрос, IO.NET все еще находится на ранних этапах культивирования рынка, и реальный объем вычислительных задач, выполняемых с использованием IO.NET, невелик. Большинство онлайн-GPU имеют рабочую нагрузку 0%, только четыре типа чипов — A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S и H100 80GB HBM3 — обрабатывают задачи. За исключением A100 PCIe 80GB K8S, рабочая нагрузка других трех чипов составляет менее 20%.

Официальное значение стресса сети, раскрытое в день, составляет 0%, что указывает на то, что большая часть поставок микросхем находится в режиме онлайн-ожидания. Тем временем IO.NET сгенерировало общую сумму в размере $586,029 в виде сервисных сборов, с затратами в последний день в размере $3,200.

Источник данных: https://cloud.io.net/explorer/clusters

Масштаб этих сборов за расчеты в сети как по общей сумме, так и по объему суточных транзакций, примерно такой же, как у Akash, хотя большая часть доходов сети Akash приходится на сегмент ЦП, с более чем 20 000 поставленных ЦП.

Источник данных: https://stats.akash.network/

Кроме того, IO.NET раскрыл данные по задачам вывода ИИ, обработанным сетью; на сегодняшний день он обработал и проверил более 230 000 задач вывода, хотя большая часть этого объема была сгенерирована проектами, спонсируемыми IO.NET, такими как BC8.AI.

Источник данных: https://cloud.io.net/explorer/inferences

Основываясь на текущих бизнес-данных, расширение предложения IO.NET продвигается успешно, поддерживаемое ожиданиями воздушных капель и мероприятия сообщества под названием "Ignition", которое быстро накопило значительное количество вычислительной мощности чипов искусственного интеллекта. Однако расширение спроса все еще находится на ранних стадиях, поскольку органический спрос в настоящее время недостаточен. Остается проанализировать, является ли отсутствие текущего спроса результатом того, что привлечение потребителей еще не началось, или из-за того, что текущий опыт обслуживания не является достаточно стабильным, что препятствует широкому принятию.

Учитывая краткосрочные трудности в преодолении разрыва в вычислительной мощности искусственного интеллекта, многие инженеры и проекты в области искусственного интеллекта ищут альтернативные решения, что может вызвать интерес к децентрализованным поставщикам услуг. Кроме того, поскольку IO.NET еще не инициировал экономические и активные стимулы для спроса, наряду с постепенным улучшением опыта использования продукта, окончательное согласование предложения и спроса все еще ожидается с оптимизмом.

2.3 Фон команды и финансирование

Ситуация в команде

Команда IO.NET изначально сосредоточилась на квантовой торговле, разработке институциональных квантовых торговых систем для акций и криптовалютных активов до июня 2022 года. Под воздействием потребности бэкэнд-системы в вычислительной мощности команда начала изучать возможности децентрализованных вычислений, в конечном итоге сосредоточившись на снижении стоимости услуг по вычислениям на графическом процессоре.

Основатель и генеральный директор: Ахмад Шадид, который имеет опыт в количественной финансовой сфере и инженерии, а также волонтерствовал в Фонде Ethereum.

CMO & Начальник стратегии: Гаррисон Янг, который присоединился к IO.NET в марте этого года. Ранее он был вице-президентом по стратегии и росту в Avalanche и окончил Университет Калифорнии, Санта-Барбара.

COO: Тори Грин, ранее занимавшая должность COO в Hum Capital и директор по корпоративному развитию и стратегии в Fox Mobile Group, окончила Стэнфорд.

Согласно информации LinkedIn, IO.NET имеет штаб-квартиру в Нью-Йорке, США, с филиалом в Сан-Франциско, и количество членов команды превышает 50 человек.

Ситуация с финансированием

На данный момент IO.NET раскрыл только один раунд финансирования, который состоялся в марте этого года и был оценен в 1 миллиард долларов США. Он привлек 30 миллионов долларов США под руководством Hack VC, с участием других участников, включая Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures и ArkStream Capital.

Следует отметить, что, возможно, благодаря инвестициям Фонда Aptos, проект BC8.AI, который изначально вел учет на блокчейне Solana, перешел на высокопроизводительный блокчейн L1 Aptos.

2.4 Оценочная оценка

По словам основателя и генерального директора IO.NET Ахмада Шадида, компания запустит свой токен в конце апреля.

У IO.NET есть два сравнимых проекта для оценки: Render Network и Akash Network, оба являются представителями проектов распределенных вычислений.

Существует два способа экстраполировать диапазон капитализации рынка IO.NET: 1. Коэффициент цены к выручке (P/S ratio), т.е. коэффициент капитализации/выручки; 2. Коэффициент капитализации рынка на один сетевой чип.

Сначала давайте посмотрим на экстраполяцию оценки на основе коэффициента P/S:

С точки зрения P/S коэффициента, Akash может служить нижней границей диапазона оценки IO.NET, в то время как Render выступает в качестве ориентира для высокой оценки цены. Их диапазон FDV (Полностью Разбавленная Оценка) составляет от 1.67 миллиарда до 5.93 миллиарда долларов.

Однако, учитывая обновления проекта IO.NET, его более горячий нарратив, более низкий начальный рыночный капитал и в настоящее время более крупный масштаб предложения, вероятность превышения FDV небольшая.

Далее давайте посмотрим на еще одну перспективу оценки, так называемое "отношение рынка к ядру".

На рынке, где спрос на вычислительную мощность искусственного интеллекта превышает предложение, наиболее важным элементом распределенных сетей вычислительной мощности искусственного интеллекта является масштаб предложения GPU. Поэтому мы можем использовать «рыночно-ядреное соотношение», отношение общей рыночной капитализации проекта к количеству чипов в сети, для экстраполяции возможного диапазона оценки IO.NET для читателей в качестве рыночной оценки.

)

Если рассчитывать на основе соотношения рынка к ядру, с Render Network в качестве верхнего предела и Akash Network в качестве нижнего предела, диапазон FDV для IO.NET составляет от 20,6 миллиарда долларов США до 197,5 миллиарда долларов США.

Читатели, которые оптимистично относятся к проекту IO.NET, считали бы это очень оптимистичной оценкой рыночной стоимости.

Более того, мы должны учесть, что текущий большой онлайн-счет IO.NET может быть стимулирован ожиданиями воздушной капли и стимулирующей деятельностью, и фактический онлайн-счет со стороны поставщика все еще нужно наблюдать после официального запуска проекта.

Следовательно, в целом, оценочная оценка с точки зрения коэффициента P/S может быть более ориентировочной.

IO.NET, как проект, объединяющий искусственный интеллект, DePIN и экосистему Solana, с нетерпением ожидает своего рыночного выступления после запуска.

3. Справочная информация

• Dephi Digital：Реальное слияние
• Галактика:Понимание пересечения криптовалют и искусственного интеллекта

Отказ от ответственности:

1. Эта статья взята из [ mintventures]. Все авторские права принадлежат оригинальному автору IO.NET. Если есть возражения к этому перепечатыванию, пожалуйста, свяжитесь Gate Learnкоманда, и они незамедлительно разберутся с этим.
2. Отказ от ответственности: мнения и взгляды, выраженные в этой статье, принадлежат исключительно автору и не являются инвестиционными советами.
3. Переводы статьи на другие языки выполняются командой Gate Learn. Если не указано иное, копирование, распространение или плагиат переведенных статей запрещены.