Repost tiêu đề gốc: Dự án mới dựa trên Solana AI + DePIN: Phân tích sơ lược về dự án Tokenlaunch IO.NET sắp tới

Giới thiệu

Trongbáo cáo cuối cùng của chúng tôi, chúng tôi đã đề cập rằng so với hai chu kỳ trước, chuỗi tăng trưởng tiền điện tử hiện tại thiếu mô hình kinh doanh mới và câu chuyện về tài sản. Trí tuệ nhân tạo (AI) là một trong những câu chuyện mới lạ trong không gian Web3 lần này. Bài viết này sẽ đào sâu vào dự án AI nổi bật của năm, IO.NET, và tổ chức suy nghĩ về hai câu hỏi sau đây:

• Sự cần thiết của AI+Web3 trong cảnh quan thương mại
• Sự cần thiết và thách thức của việc triển khai một mạng máy tính phi tập trung

Thứ hai, tôi sẽ tổ chức thông tin chính về dự án đại diện trong mạng tính toán trí tuệ phân cấp: IO.NET, bao gồm thiết kế sản phẩm, cảnh cạnh cạnh tranh, và lịch sử dự án. Tôi cũng sẽ suy đoán về các chỉ số định giá của dự án.

Các thông tin về Logic kinh doanh đằng sau sự hội tụ của AI và Web3phần lấy cảm hứng từ “The Real Merge” của Michael Rinko, một nhà phân tích nghiên cứu tại Delphi Delphi. Phân tích này hòa mình và tham khảo ý tưởng từ công việc của ông, độc giả được khuyến khích đọc bài viết gốc.

Vui lòng lưu ý rằng bài viết này phản ánh suy nghĩ hiện tại của tôi và có thể phát triển. Các ý kiến ở đây là chủ quan và có thể có sai sót trong các sự kiện, dữ liệu và lý do hợp lý. Điều này không phải là lời khuyên tài chính, nhưng phản hồi và cuộc thảo luận được hoan nghênh.

Dưới đây là văn bản chính.

1. Lý do logic kinh doanh đằng sau sự hội tụ của trí tuệ nhân tạo và Web3

1.1 2023: "Annus Mirabilis" cho AI

Phản ánh về sử sách phát triển của con người, rõ ràng rằng những bước đột phá công nghệ kích thích những biến đổi sâu sắc - từ cuộc sống hàng ngày đến cảnh quan công nghiệp và sự tiến bộ của chính nền văn minh.

Trong lịch sử nhân loại, có hai năm quan trọng, đó là năm 1666 và 1905, được kỷ niệm như là "Annus Mirabilis" trong lịch sử khoa học.

Năm 1666 được đặt tên là năm của Isaac Newton vì chuỗi các bước tiến khoa học của ông. Trong một năm, ông tiên phong trong lĩnh vực vật lý được biết đến là quang học, thành lập ngành toán học tích phân, và suy luận ra luật về trọng lực, mà là một luật cơ bản của khoa học tự nhiên hiện đại. Bất kỳ một đóng góp nào trong số này đều là cơ sở cho sự phát triển khoa học của nhân loại trong thế kỷ tiếp theo, đẩy nhanh đáng kể tiến triển chung của khoa học.

Một năm đáng chú ý khác là năm 1905, khi một Einstein chỉ mới 26 tuổi đã công bố bốn bài báo liên tiếp trong “Annalen der Physik,” bao gồm hiệu ứng quang điện, mở đường cho cơ học lượng tử; chuyển động Brownian, cung cấp một khung cảnh quan trọng cho phân tích quá trình ngẫu nhiên; lý thuyết tương đối đặc biệt; và sự tương đương năng lượng khối lượng, được tóm gọn trong phương trình E=MC^2. Nhìn lại, mỗi bài báo này được coi là vượt qua mức trung bình của công việc đoạt giải Nobel trong lĩnh vực vật lý - một sự khác biệt mà chính Einstein đã nhận được với công việc của mình về hiệu ứng quang điện. Những đóng góp này cùng nhau thúc đẩy nhân loại một số bước tiến về phía trước trong hành trình văn minh.

Năm 2023, vừa mới qua, được dự định sẽ được kỷ niệm như một “Năm Kỳ Diệu” khác, chủ yếu nhờ sự xuất hiện của ChatGPT.

Xem năm 2023 như một 'Năm Kỳ Diệu' trong lịch sử công nghệ của con người không chỉ là việc công nhận những bước tiến được đạt được trong xử lý ngôn ngữ tự nhiên và tạo ra bởi ChatGPT. Đó cũng là việc nhận ra một mẫu rõ ràng trong sự tiến bộ của các mô hình ngôn ngữ lớn - nhận thức rằng bằng cách mở rộng các thông số mô hình và tập dữ liệu huấn luyện, chúng ta có thể đạt được cải tiến mũi nhọn về hiệu suất mô hình. Hơn nữa, nó dường như không có giới hạn trong ngắn hạn, miễn là sức mạnh tính toán tiếp tục theo kịp.

Khả năng này không chỉ giới hạn ở việc hiểu ngôn ngữ và tạo ra cuộc trò chuyện; nó có thể được áp dụng rộng rãi trong các lĩnh vực khoa học khác nhau. Lấy việc áp dụng các mô hình ngôn ngữ lớn trong lĩnh vực sinh học làm ví dụ:

• Năm 2018, Người đoạt giải Nobel Hóa học, Frances Arnold, đã nói trong buổi lễ trao giải của mình, “Hôm nay chúng ta có thể đọc, viết và chỉnh sửa bất kỳ chuỗi DNA nào cho mục đích thực tế, nhưng chúng ta không thể sáng tác nó.” Đến năm 2023, một nhóm nghiên cứu từ Đại học Stanford và Salesforce Research, một công ty khởi nghiệp tập trung vào trí tuệ nhân tạo, đã công bố trong “Nature Biotechnology.” Sử dụng một mô hình ngôn ngữ lớn được tinh chỉnh từ GPT-3, họ đã tạo ra một danh mục hoàn toàn mới gồm 1 triệu protein. Trong số đó, họ đã phát hiện ra hai protein có cấu trúc khác nhau, cả hai đều được trao cho chức năng kháng khuẩn, tiềm năng mở ra con đường cho các chiến lược kháng khuẩn mới vượt ra ngoài kháng sinh truyền thống. Điều này đại diện cho một bước tiến vĩ đại trong việc vượt qua những trở ngại của việc tạo ra protein với sự trợ giúp của trí tuệ nhân tạo.
• Trước đó, thuật toán trí tuệ nhân tạo AlphaFold đã dự đoán cấu trúc của gần 2,14 tỷ loại protein trên Trái Đất trong vòng 18 tháng - một cột mốc nâng cao thành tựu của các nhà sinh học cấu trúc trong lịch sử lên nhiều lần.

Sự tích hợp các mô hình trí tuệ nhân tạo hứa hẹn sẽ biến đổi ngành công nghiệp một cách đáng kể. Từ các lĩnh vực công nghệ cứng như sinh học công nghệ, khoa học vật liệu và việc phát hiện thuốc cho đến các lĩnh vực văn hóa như pháp luật và nghệ thuật, một làn sóng biến đổi đang được hình thành để tái tạo những lĩnh vực này, với năm 2023 đánh dấu sự bắt đầu của tất cả.

Được công nhận rộng rãi rằng thế kỷ trước đã chứng kiến sự tăng trưởng mũi nhọn trong khả năng tạo ra của con người. Sự tiến bộ nhanh chóng của các công nghệ AI được dự đoán sẽ tăng tốc quá trình này.

Xu hướng GDP Toàn cầu Tổng cộng, Nguồn Dữ liệu: Nhóm Ngân hàng Thế giới

1.2 Kết hợp AI và Crypto

Để hiểu rõ nhu cầu bẩm sinh cho sự kết hợp của AI và tiền điện tử, việc nhìn vào cách các đặc điểm riêng biệt của họ bổ sung cho nhau là một cái nhìn sâu sắc.

Sự kết hợp của AI và Tính năng Crypto

AI được phân biệt bởi ba đặc điểm chính:

• Sự ngẫu nhiên: Trí tuệ nhân tạo là ngẫu nhiên, với cơ chế sản xuất nội dung của nó là một hộp đen khó tái tạo, bí ẩn, khiến cho đầu ra của nó theo bản chất là ngẫu nhiên.
• Tài nguyên tốn kém: Trí tuệ nhân tạo là một ngành công nghiệp tốn kém tài nguyên, đòi hỏi lượng năng lượng, vi mạch và sức mạnh tính toán đáng kể.
• Trí tuệ giống con người: Trí tuệ nhân tạo (sắp tới sẽ) có khả năng vượt qua thử nghiệm Turing, làm cho việc phân biệt giữa con người và trí tuệ nhân tạo ngày càng khó khăn.

_※ _Vào ngày 30 tháng 10 năm 2023, các nhà nghiên cứu từ Đại học California, San Diego, đã tiết lộ điểm số của bài kiểm tra Turing cho GPT-3.5 và GPT-4.0. Phần sau đạt điểm 41%, chỉ chênh lệch so với điểm qua môn là 50% đúng 9 điểm phần trăm, với con người đạt 63% trong cùng một bài kiểm tra. Bản chất của bài kiểm tra Turing này nằm ở việc bao nhiêu người tham gia cảm thấy đối tác trò chuyện của họ là con người. Điểm số trên 50% cho thấy đa số tin rằng họ đang tương tác với một con người, không phải máy móc, do đó coi AI đã vượt qua bài kiểm tra Turing thành công khi ít nhất một nửa số người không thể phân biệt nó với một con người.

Khi trí tuệ nhân tạo mở đường cho những tiến bộ đột phá trong năng suất lao động của con người, nó đồng thời đặt ra những thách thức sâu sắc đối với xã hội chúng ta, cụ thể là:

• Cách xác minh và kiểm soát sự ngẫu nhiên của AI, biến nó thành một lợi thế chứ không phải là một sai lầm
• Làm thế nào để nối các yêu cầu rộng lớn về năng lượng và công suất tính toán mà trí tuệ nhân tạo đòi hỏi
• Cách phân biệt giữa con người và AI

Công nghệ tiền điện tử và blockchain có thể cung cấp giải pháp lý tưởng cho những thách thức mà trí tuệ nhân tạo đặt ra, được đặc trưng bởi ba thuộc tính chính:

• Determinism: Các hoạt động dựa trên blockchain, mã code, và smart contracts, với các quy tắc và ranh giới rõ ràng. Các đầu vào dẫn đến các đầu ra có thể dự đoán, đảm bảo mức độ xác định cao.
• Phân Bổ Tài Nguyên Hiệu Quả: Nền kinh tế tiền điện tử đã tạo điều kiện cho một thị trường toàn cầu, rộng lớn và tự do, cho phép việc định giá, gây quỹ, và chuyển giao tài nguyên một cách nhanh chóng. Sự tồn tại của token càng thúc đẩy sự cân bằng cung cầu trên thị trường, đạt tới quy mô quan trọng một cách nhanh chóng thông qua việc khuyến khích.
• Không tin cậy: Với sổ cái công khai và mã nguồn mở, bất kỳ ai cũng có thể dễ dàng xác minh các hoạt động, tạo ra một hệ thống 'không tin cậy'. Hơn nữa, công nghệ Zero-Knowledge (ZK) còn đảm bảo rằng sự riêng tư được duy trì trong quá trình xác minh này.

Để minh chứng sự bổ sung giữa trí tuệ nhân tạo và nền kinh tế tiền điện tử, hãy đào sâu vào ba ví dụ.

Ví dụ A: Vượt qua tính ngẫu nhiên với các đại lý AI được cung cấp bởi nền kinh tế Crypto

Các Đại lý AI là các chương trình thông minh được thiết kế để thực hiện các nhiệm vụ thay mặt cho con người theo chỉ thị của họ, với Fetch.AI là một ví dụ đáng chú ý trong lĩnh vực này. Hãy tưởng tượng chúng ta giao cho đại lý AI của mình thực hiện một hoạt động tài chính, chẳng hạn như "đầu tư $1000 vào BTC." Đại lý AI có thể đối mặt với hai tình huống khác biệt:

Kịch bản 1: Đại lý cần tương tác với các thực thể tài chính truyền thống (ví dụ, BlackRock) để mua BTC ETFs, gặp phải nhiều vấn đề tương thích với tổ chức tập trung, bao gồm các quy trình KYC, xác minh tài liệu, quy trình đăng nhập và xác thực danh tính, tất cả đều gây nhiều khó khăn hiện nay.

Kịch bản 2: Khi hoạt động trong nền kinh tế tiền điện tử bản địa, quá trình trở nên đơn giản hóa. Đại lý có thể trực tiếp thực hiện giao dịch thông qua Uniswap hoặc một trình tự tương tự, sử dụng tài khoản của bạn để đăng nhập và xác nhận đơn đặt hàng, và sau đó mua WBTC hoặc các biến thể khác của BTC được bọc. Quy trình này hiệu quả và tối ưu hóa. Điều quan trọng, đây là chức năng hiện tại được cung cấp bởi các Trading Bots khác nhau, hoạt động như các đại lý AI cơ bản với trọng tâm là hoạt động giao dịch. Với sự phát triển và tích hợp AI, những con bot này sẽ thực hiện các mục tiêu giao dịch phức tạp hơn. Ví dụ, chúng có thể theo dõi 100 địa chỉ tiền thông minh trên blockchain, đánh giá chiến lược giao dịch và tỷ lệ thành công của họ, phân bổ 10% quỹ của họ để sao chép giao dịch của họ trong một tuần, ngừng hoạt động nếu lợi nhuận không mong muốn, và suy luận nguyên nhân tiềm năng của các chiến lược này.

Trí tuệ nhân tạo phát triển mạnh mẽ trong hệ thống blockchain, vì nguyên tắc của nền kinh tế tiền điện tử được xác định một cách rõ ràng, và hệ thống cho phép không cần sự cho phép. Hoạt động dưới các hướng dẫn rõ ràng giảm đáng kể các rủi ro liên quan đến tính ngẫu nhiên của trí tuệ nhân tạo. Ví dụ, sự thống trị của trí tuệ nhân tạo so với con người trong cờ vua và trò chơi video đến từ việc môi trường này là hộp cát đóng cửa với các nguyên tắc đơn giản. Ngược lại, sự tiến bộ trong lái xe tự động đã diễn ra chậm chạp hơn. Những thách thức trong thế giới mở phức tạp hơn, và sự chịu đựng của chúng ta đối với khả năng giải quyết vấn đề không thể đoán trước của trí tuệ nhân tạo trong các tình huống như vậy thấp hơn đáng kể.

Ví dụ B: Tập trung tài nguyên thông qua động lực mã thông báo

Mạng lưới băm toàn cầu đáng gờm đằng sau BTC, với tổng lực lượng băm hiện tại là 576.70 EH/s, vượt xa sức mạnh tính toán tích lũy của bất kỳ siêu máy tính nào của quốc gia. Sự phát triển này được thúc đẩy bởi động lực đơn giản và công bằng trong mạng lưới.

Xu hướng Hashrate BTC, nguồn: https://www.coinwarz.com/

Ngoài ra, các dự án DePIN như Mobile, đang khám phá các động lực mã thông báo để tạo ra một thị trường trên cả hai phía cung và cầu để thúc đẩy hiệu ứng mạng. Trọng tâm sắp tới của bài viết này, IO.NET, là một nền tảng được thiết kế để tổng hợp sức mạnh tính toán trí tuệ nhân tạo, hy vọng mở khóa tiềm năng ẩn của sức mạnh tính toán trí tuệ nhân tạo thông qua một mô hình mã thông báo.

Ví dụ C: Tận dụng mã nguồn mở và ZK Proof để phân biệt con người và trí tuệ nhân tạo trong khi bảo vệ sự riêng tư

Worldcoin, một dự án Web3 do Sam Altman của OpenAI đồng sáng lập, sử dụng một phương pháp mới trong xác minh danh tính. Sử dụng một thiết bị phần cứng được gọi là Orb, nó tận dụng nhận dạng sinh học vòng mắt con người để tạo ra các giá trị băm duy nhất và ẩn danh thông qua công nghệ Zero-Knowledge (ZK), phân biệt con người với trí tuệ nhân tạo. Vào đầu tháng 3 năm 2024, dự án nghệ thuật Web3 Drip bắt đầu triển khai Worldcoin ID để xác minh người thật và phân phối phần thưởng.

Worldcoin đã mới đây mã nguồn mở phần cứng iris của mình, Orb, đảm bảo an ninh và quyền riêng tư của dữ liệu sinh trắc học.

Tổng体来说, do tính xác định của mã và mật mã, sự lưu thông tài nguyên và lợi ích gọi vốn được mang lại bởi cơ chế không cần phép và dựa trên mã thông báo, cùng với tính chất không cần tin tưởng dựa trên mã nguồn mở và sổ cái công cộng, nền kinh tế tiền điện tử đã trở thành một giải pháp tiềm năng quan trọng đối với các thách thức mà xã hội con người đối mặt với AI.

Thách thức ngay lập tức và đòi hỏi về mặt thương mại nhất là sự khát khao cực kỳ cho tài nguyên tính toán được yêu cầu bởi các sản phẩm AI, chủ yếu được thúc đẩy bởi nhu cầu đáng kể về vi mạch và công suất tính toán.

Đó cũng là lý do chính tại sao các dự án về sức mạnh tính toán phân tán đã dẫn đầu về lợi nhuận trong chu kỳ thị trường tăng của toàn bộ ngành công nghệ trí tuệ nhân tạo này.

The Business Imperative for Decentralized Computing

Trí tuệ nhân tạo đòi hỏi tài nguyên tính toán đáng kể, cần thiết cho cả việc huấn luyện mô hình và các nhiệm vụ suy luận.

Đã được ghi chép kỹ lưỡng trong quá trình đào tạo các mô hình ngôn ngữ lớn rằng một khi quy mô dữ liệu tham số là đáng kể, những mô hình này bắt đầu thể hiện khả năng chưa từng thấy. Sự cải thiện mũi tên từ một thế hệ ChatGPT sang thế hệ tiếp theo được thúc đẩy bởi sự tăng trưởng mũi tên về yêu cầu tính toán cho việc đào tạo mô hình.

Nghiên cứu từ DeepMind và Đại học Stanford cho thấy rằng qua các mô hình ngôn ngữ lớn khác nhau, khi xử lý các nhiệm vụ khác nhau - có thể là tính toán, trả lời câu hỏi tiếng Ba Tư, hoặc hiểu ngôn ngữ tự nhiên - các mô hình chỉ xấp xỉ việc đoán ngẫu nhiên trừ khi việc đào tạo liên quan đến việc tăng cường đáng kể các tham số mô hình (và theo mở rộng, các tải trọng tính toán). Hiệu suất của bất kỳ nhiệm vụ nào vẫn gần như ngẫu nhiên cho đến khi nỗ lực tính toán đạt đến 10^22 FLOPs. Vượt qua ngưỡng quan trọng này, hiệu suất nhiệm vụ cải thiện mạnh mẽ trên mọi mô hình ngôn ngữ.

Nguồn：Các Năng Lực Xuất Hiện của Các Mô Hình Ngôn Ngữ Lớn

Nguồn: Khả năng nổi bật của các mô hình ngôn ngữ lớn

Nguyên tắc “đạt được những phép màu bằng nỗ lực lớn” trong sức mạnh tính toán, cả về lý thuyết và được xác minh trong thực tế, đã truyền cảm hứng cho người sáng lập OpenAI, Sam Altman, đề xuất một kế hoạch táo bạo để gây quỹ 7 nghìn tỷ đô la. Quỹ này dự kiến sẽ thành lập một nhà máy chip vượt qua khả năng hiện tại của TSMC gấp 10 lần (ước tính chi phí 1,5 nghìn tỷ đô la), với phần còn lại của quỹ được phân bổ cho sản xuất chip và huấn luyện mô hình.

Ngoài yêu cầu tính toán của việc huấn luyện các mô hình AI, các quy trình suy luận cũng đòi hỏi sức mạnh tính toán đáng kể, mặc dù ít hơn so với việc huấn luyện. Nhu cầu liên tục này về chip và tài nguyên tính toán đã trở thành một hiện thực tiêu chuẩn đối với các nhà hoạt động trong lĩnh vực AI.

Khác với các nhà cung cấp dịch vụ tính toán trí tuệ nhân tạo tập trung như Amazon Web Services, Google Cloud Platform và Azure của Microsoft, tính toán trí tuệ nhân tạo phi tập trung mang lại một số đề xuất giá trị hấp dẫn:

• Khả năng tiếp cận: Việc truy cập vào vi xử lý thông qua các dịch vụ như AWS, GCP, hoặc Azure thường đòi hỏi mất vài tuần, và các mô hình GPU phổ biến nhất thường xuyên hết hàng. Ngoài ra, người tiêu dùng thường bị ràng buộc bởi các hợp đồng dài, cứng nhắc với những tập đoàn lớn này. Ngược lại, các nền tảng tính toán phân tán cung cấp các tùy chọn phần cứng linh hoạt với khả năng tiếp cận được cải thiện.
• Hiệu quả chi phí: Bằng cách tận dụng chip không hoạt động và tích hợp các khoản hỗ trợ token từ các giao thức mạng cho các nhà cung cấp chip và công suất tính toán, các mạng tính toán phi tập trung có thể cung cấp công suất tính toán với chi phí giảm đi.
• Khả năng chống kiểm duyệt: Hiện nay, nguồn cung cấp chip tiên tiến đang được thống trị bởi các công ty công nghệ lớn, và với chính phủ Mỹ tăng cường kiểm tra dịch vụ tính toán trí tuệ nhân tạo, khả năng tiếp cận năng lượng tính toán một cách phi tập trung, linh hoạt và không bị hạn chế đang trở nên ngày càng cần thiết. Điều này là một đề xuất giá trị cốt lõi của các nền tảng tính toán dựa trên web3.

Nếu nhiên liệu hóa thạch là huyết mạch của Kỷ nguyên Công nghiệp, thì sức mạnh tính toán có thể hoàn toàn là huyết mạch của thời đại kỹ thuật số mới được khai thông bởi trí tuệ nhân tạo, khiến việc cung cấp sức mạnh tính toán trở thành cơ sở hạ tầng cho thời đại trí tuệ nhân tạo. Tương tự như cách stablecoins đã xuất hiện như một sản phẩm phái sinh mạnh mẽ của tiền tệ fiat trong kỷ nguyên Web3, liệu thị trường tính toán phân tán có thể phát triển thành một phân khúc phát triển mạnh mẽ trong thị trường tính toán trí tuệ nhân tạo đang mở rộ?

Đây vẫn là một thị trường mới nổi, và còn rất nhiều điều cần phải được thấy. Tuy nhiên, có một số yếu tố có thể tiềm năng thúc đẩy câu chuyện hoặc sự chấp nhận thị trường của máy tính phi tập trung:

• Thách thức cung cấp GPU kéo dài: Hạn chế cung cấp liên tục cho GPU có thể khuyến khích các nhà phát triển khám phá các nền tảng máy tính phi tập trung.
• Mở rộng quy định: Truy cập dịch vụ máy tính AI từ các nền tảng điện toán đám mây lớn liên quan đến quy trình KYC kỹ lưỡng và kiểm tra kỹ lưỡng. Điều này có thể dẫn đến việc áp dụng nhiều hơn các nền tảng máy tính phi tập trung, đặc biệt là ở những khu vực đối mặt với hạn chế hoặc trừng phạt.
• Incentives giá Token: Sự tăng giá của token trong thị trường bò cạp có thể tăng giá trị của các khoản trợ cấp được cung cấp cho các nhà cung cấp GPU bởi các nền tảng, thu hút nhiều nhà cung cấp hơn đến thị trường, tăng cỡ và giảm chi phí cho người tiêu dùng.

Đồng thời, những thách thức mà các nền tảng máy tính phi tập trung đối diện cũng khá rõ ràng:

Thách thức kỹ thuật và kỹ thuật

• Vấn đề bằng chứng công việc: Các phép tính trong các mô hình học sâu, do cấu trúc phân cấp mà ở đó đầu ra của mỗi lớp được sử dụng làm đầu vào cho lớp tiếp theo, việc xác minh tính hợp lệ của các phép tính đòi hỏi thực thi tất cả công việc trước đó, điều này không đơn giản cũng không hiệu quả. Để giải quyết vấn đề này, các nền tảng tính toán phân cấp cần phát triển các thuật toán mới hoặc sử dụng các kỹ thuật xác minh xấp xỉ mà cung cấp sự đảm bảo dựa trên xác suất về kết quả, thay vì xác định tuyệt đối.
• Thách thức Song song hóa: Các nền tảng tính toán phi tập trung dựa vào một loạt các nhà cung cấp chip đa dạng, mỗi nhà cung cấp thường chỉ cung cấp công suất tính toán hạn chế. Hoàn thành các nhiệm vụ huấn luyện hoặc suy luận của mô hình AI bằng một nhà cung cấp chip duy nhất một cách nhanh chóng gần như là không thể. Do đó, các nhiệm vụ phải được phân rã và phân phối bằng cách sử dụng song song hóa để rút ngắn thời gian hoàn thành tổng thể. Tuy nhiên, cách tiếp cận này đưa ra một số phức tạp, bao gồm cách phân rã các nhiệm vụ (đặc biệt là các nhiệm vụ học sâu phức tạp), phụ thuộc dữ liệu và chi phí kết nối bổ sung giữa các thiết bị.
• Vấn đề Bảo vệ Sự riêng tư: Làm thế nào để đảm bảo rằng dữ liệu và mô hình của khách hàng không được tiết lộ cho người nhận các nhiệm vụ?

Thách thức tuân thủ quy định

• Các nền tảng tính toán phi tập trung, do tính chất không cần phép cho thị trường cung cầu, có thể thu hút một số khách hàng nhất định vì tính chất bán hàng chính. Tuy nhiên, khi các khung pháp lý về trí tuệ nhân tạo phát triển, những nền tảng này có thể ngày càng trở thành mục tiêu của sự xem xét của chính phủ. Hơn nữa, một số nhà cung cấp GPU lo lắng về việc liệu tài nguyên tính toán được thuê của họ có được sử dụng bởi các doanh nghiệp hoặc cá nhân bị trừng phạt hay không.

Tóm lại, người dùng chính của các nền tảng máy tính phi tập trung chủ yếu là các nhà phát triển chuyên nghiệp hoặc doanh nghiệp vừa và nhỏ. Khác với các nhà đầu tư tiền điện tử và NFT, các khách hàng này ưu tiên tính ổn định và liên tục của các dịch vụ được cung cấp bởi các nền tảng, và giá cả không nhất thiết là vấn đề hàng đầu của họ. Các nền tảng máy tính phi tập trung cần một hành trình dài trước khi họ có thể giành được sự chấp nhận rộng rãi từ cơ sở người dùng khó tính này.

Tiếp theo, chúng tôi sẽ đào sâu vào chi tiết và thực hiện phân tích về IO.NET, một dự án lực lượng tính toán phân tán mới trong chu kỳ này. Chúng tôi cũng sẽ so sánh nó với các dự án tương tự để ước lượng giá trị thị trường tiềm năng sau khi ra mắt.

2. Nền tảng tính toán trí tuệ nhân tạo phi tập trung: IO.NET

2.1 Tổng quan dự án

IO.NET là mạng tính toán phi tập trung đã thiết lập một thị trường hai phía xung quanh chip. Ở phía cung cấp, có sức mạnh tính toán phân phối toàn cầu, chủ yếu là GPU, nhưng cũng bao gồm CPU và GPU tích hợp của Apple (iGPU). Phía cầu bao gồm các kỹ sư AI muốn hoàn thành nhiệm vụ huấn luyện hoặc suy diễn mô hình AI.

Trang web chính thức của IO.NET nêu rõ tầm nhìn của họ:

Sứ mạng của chúng tôi

Kết hợp một triệu GPU trong một DePIN - mạng cơ sở hạ tầng vật lý phi tập trung.

Nhiệm vụ của nó là tích hợp hàng triệu GPU vào mạng lưới DePIN của mình.

So với các dịch vụ tính toán trí tuệ điện toán truyền thống, nền tảng này đặc biệt nổi bật với một số lợi ích chính:

• Cấu hình linh hoạt: Các kỹ sư AI có tự do lựa chọn và lắp ráp các vi mạch cần thiết vào một “cụm” được tùy chỉnh cho các nhiệm vụ tính toán cụ thể của họ.
• Triển khai nhanh chóng: Không giống như việc phê duyệt dài dòng và thời gian chờ đợi liên quan đến các nhà cung cấp tập trung như AWS, triển khai trên nền tảng này có thể hoàn thành chỉ trong vài giây, cho phép bắt đầu công việc ngay lập tức.
• Hiệu quả về chi phí: Chi phí dịch vụ thấp hơn đến 90% so với những dịch vụ được cung cấp bởi các nhà cung cấp chính.

Ngoài ra, IO.NET dự định mở rộng dịch vụ trong tương lai, chẳng hạn như cửa hàng mô hình trí tuệ nhân tạo.

2.2 Cơ chế Sản phẩm và Thước đo Kinh doanh

Cơ chế Sản phẩm và Kinh nghiệm Triển khai

Tương tự như các nền tảng lớn như Amazon Cloud, Google Cloud và Alibaba Cloud, IO.NET cung cấp dịch vụ máy tính được biết đến với tên gọi là IO Cloud. Dịch vụ này hoạt động thông qua một mạng phân phối và phi tập trung của vi mạch hỗ trợ thực hiện mã học máy dựa trên Python cho ứng dụng trí tuệ nhân tạo và học máy.

Mô-đun kinh doanh cơ bản của IO Cloud được gọi là Clusters - nhóm tự phối hợp của GPU được thiết kế để xử lý nhiệm vụ tính toán một cách hiệu quả. Các kỹ sư trí tuệ nhân tạo có sự linh hoạt để tùy chỉnh các cụm để đáp ứng nhu cầu cụ thể của họ.

Giao diện người dùng của IO.NET rất thân thiện với người dùng. Nếu bạn đang tìm cách triển khai cụm chip riêng cho các nhiệm vụ tính toán AI, chỉ cần điều hướng đến trang Cụm trên nền tảng, nơi bạn có thể dễ dàng cấu hình cụm chip mong muốn theo yêu cầu của mình.

Thông tin trang: https://cloud.io.net/cloud/clusters/create-cluster, tương tự như dưới đây

Đầu tiên, bạn cần chọn loại cụm của mình, với ba tùy chọn có sẵn:

• Tổng quan: Cung cấp môi trường chung, phù hợp cho giai đoạn đầu của dự án khi yêu cầu tài nguyên cụ thể chưa rõ ràng.
• Train: Một cụm thiết kế đặc biệt cho việc huấn luyện và điều chỉnh mô hình học máy. Tùy chọn này cung cấp tài nguyên GPU bổ sung, dung lượng bộ nhớ cao hơn và/hoặc kết nối mạng nhanh hơn để phục vụ các nhiệm vụ tính toán chuyên sâu này.
• Suy luận: Một cụm được thiết kế cho suy luận thấp độ trễ và công việc tải cao. Trong ngữ cảnh của học máy, suy luận đề cập đến việc sử dụng các mô hình đã được đào tạo để dự đoán hoặc phân tích các bộ dữ liệu mới và cung cấp phản hồi. Do đó, tùy chọn này tập trung vào tối ưu hóa độ trễ và suất thông qua để hỗ trợ nhu cầu xử lý dữ liệu thời gian thực hoặc gần thời gian thực.

Tiếp theo, bạn cần chọn một nhà cung cấp cho cụm của bạn. IO.NET có đối tác với Render Network và mạng máy đào Filecoin, cho phép người dùng chọn chip từ IO.NET hoặc hai mạng khác là nguồn cung cấp cho các cụm máy tính của họ. Điều này hiệu quả đặt IO.NET vị trí của một người tổng hợp (lưu ý: dịch vụ Filecoin tạm thời offline). Đáng chú ý rằng hiện tại IO.NET có hơn 200.000 GPU có sẵn trực tuyến, trong khi Render Network có hơn 3.700 GPU có sẵn.

Tiếp theo, bạn sẽ tiến hành vào giai đoạn lựa chọn phần cứng của cụm của bạn. Hiện tại, IO.NET chỉ liệt kê GPUs là lựa chọn phần cứng có sẵn, loại trừ CPUs hoặc iGPUs của Apple (M1, M2, v.v.), với GPUs chủ yếu bao gồm sản phẩm của NVIDIA.

Trong số các tùy chọn phần cứng GPU được liệt kê chính thức và có sẵn, dựa trên dữ liệu mà tôi đã kiểm tra vào ngày hôm đó, tổng số lượng GPU trực tuyến có sẵn trong mạng IO.NET là 206.001. GPU có sẵn nhiều nhất là GeForce RTX 4090, với 45.250 đơn vị, tiếp theo là GeForce RTX 3090 Ti, với 30.779 đơn vị.

Hơn nữa, có 7.965 đơn vị của vi mạch A100-SXM4-80GB vô cùng hiệu quả (mỗi đơn vị có giá trên $15,000) có sẵn trực tuyến, phù hợp hơn cho các nhiệm vụ tính toán trí tuệ nhân tạo như học máy, học sâu và tính toán khoa học.

NVIDIA H100 80GB HBM3, được thiết kế từ đầu cho trí tuệ nhân tạo (với giá thị trường trên $40,000), mang lại hiệu suất huấn luyện cao gấp 3,3 lần và hiệu suất suy luận cao gấp 4,5 lần so với A100. Hiện có 86 đơn vị có sẵn trực tuyến.

Sau khi đã chọn loại phần cứng cho cụm, người dùng sẽ cần phải xác định các chi tiết khác như vị trí địa lý của cụm, tốc độ kết nối, số lượng GPU và thời lượng.

Cuối cùng, IO.NET sẽ tính toán một hóa đơn chi tiết dựa trên các tùy chọn bạn đã chọn. Ví dụ, xem xét cấu hình cụm sau đây:

• Loại Cụm: Tổng quát
• 16 GPU A100-SXM4-80GB
• Tầng kết nối: Tốc độ cao
• Vị trí địa lý: Hoa Kỳ
• Thời lượng: 1 tuần

Tổng số tiền cho cấu hình này là $3311.6, với giá thuê hàng giờ mỗi thẻ là $1.232.

Giá thuê theo giờ cho một A100-SXM4-80GB đơn trên Amazon Web Services, Google Cloud và Microsoft Azure lần lượt là $5.12, $5.07 và $3.67 (dữ liệu được lấy từhttps://cloud-gpus.com/，thực tếgiá có thể thay đổi tùy theo chi tiết hợp đồng).

Do đó, khi nói đến chi phí, IO.NET cung cấp sức mạnh tính toán chip với giá thấp hơn nhiều so với các nhà cung cấp chính. Ngoài ra, tính linh hoạt trong các tùy chọn cung cấp và mua hàng khiến IO.NET trở thành lựa chọn hấp dẫn đối với nhiều người dùng.

Tổng quan về kinh doanh

Phía cung ứng

Vào ngày 4 tháng 4 năm 2024, các con số chính thức cho thấy rằng IO.NET có tổng cung cấp GPU là 371.027 đơn vị và cung cấp CPU là 42.321 đơn vị. Ngoài ra, Render Network, với tư cách là đối tác, có thêm 9.997 GPU và 776 CPU kết nối với cung cấp mạng lưới.

Nguồn dữ liệu: https://cloud.io.net/explorer/home, tương tự bên dưới

Vào thời điểm viết bài này, có 214.387 GPU tích hợp với IO.NET đang online, dẫn đến tỷ lệ online là 57,8%. Tỷ lệ online cho các GPU từ Render Network là 45,1%.

Dữ liệu này trên phía cung nghĩa là gì?

Để cung cấp một tiêu chuẩn, hãy đưa vào Akash Network, một dự án tính toán phi tập trung có kinh nghiệm hơn.

Mạng lưới Akash đã ra mắt mainnet của mình càng sớm càng tốt vào năm 2020, ban đầu tập trung vào dịch vụ phi tập trung cho CPU và bộ nhớ. Nó triển khai một testnet cho dịch vụ GPU vào tháng 6 năm 2023 và sau đó ra mắt mainnet cho sức mạnh tính toán GPU phi tập trung vào tháng 9 cùng năm đó.

Nguồn dữ liệu: https://stats.akash.network/provider-graph/graphics-gpu

Theo dữ liệu chính thức từ Akash, mặc dù mặt cung ứng đã liên tục tăng kể từ khi mạng GPU của nó ra mắt, số lượng tổng cộng GPU kết nối với mạng vẫn chỉ là 365.

Khi đánh giá khối lượng cung cấp GPU, IO.NET vượt xa Akash Network, hoạt động trên quy mô lớn hơn đáng kể. IO.NET đã khẳng định mình là bên cung cấp lớn nhất trong lĩnh vực nguồn cung cấp GPU tính toán phi tập trung.

Phía yêu cầu

Từ phía cầu, IO.NET vẫn đang trong giai đoạn đầu của việc canh tác thị trường, với tổng khối lượng tương đối nhỏ các tác vụ tính toán được thực hiện trên mạng của nó. Phần lớn GPU đang trực tuyến nhưng không hoạt động, cho thấy tỷ lệ phần trăm khối lượng công việc là 0%. Chỉ có bốn loại chip — A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S và H100 80GB HBM3 — đang tích cực tham gia vào các tác vụ xử lý và trong số này, chỉ có A100 PCIe 80GB K8S đang gặp phải khối lượng công việc trên 20%.

Mức độ căng thẳng chính thức của mạng được báo cáo trong ngày đứng ở mức 0%, cho thấy một phần đáng kể của nguồn cung GPU hiện đang ở trạng thái trực tuyến nhưng không hoạt động.

Về mặt tài chính, IO.NET đã tích luỹ được $586,029 trong các khoản phí dịch vụ đến nay, trong đó $3,200 trong tổng số đó được tạo ra vào ngày gần đây nhất.

Nguồn dữ liệu: https://cloud.io.net/explorer/clusters

Các thông tin tài chính liên quan đến phí thanh toán mạng lưới, cả về tổng số và khối lượng giao dịch hàng ngày, khá gần gũi với những thông tin về Akash. Tuy nhiên, quan trọng là nhận thấy rằng hầu hết doanh thu của Akash đến từ các ưu đãi về CPU, với số lượng tồn kho vượt quá 20.000 CPU.

Nguồn dữ liệu: https://stats.akash.network/

Ngoài ra, IO.NET đã tiết lộ dữ liệu chi tiết cho các nhiệm vụ suy luận AI được xử lý bởi mạng lưới. Theo báo cáo mới nhất, nền tảng đã xử lý và xác minh thành công hơn 230.000 nhiệm vụ suy luận, mặc dù phần lớn thể tích này đến từ BC8.AI, một dự án được tài trợ bởi IO.NET.

Nguồn dữ liệu: https://cloud.io.net/explorer/inferences

Phía cung cấp của IO.NET đang mở rộng một cách hiệu quả, được thúc đẩy bởi kỳ vọng xung quanh một chương trình airdrop và một sự kiện cộng đồng được biết đến với tên gọi là “Ignition.” Sáng kiến này đã nhanh chóng thu hút một lượng lớn sức mạnh tính toán AI. Tuy nhiên, phía cầu vẫn còn non nớt với nhu cầu hữu cơ không đủ. Những lí do đằng sau nhu cầu chậm chạp này—có thể do nỗ lực tiếp cận người tiêu dùng chưa được khởi đầu hoặc trải nghiệm dịch vụ không ổn định dẫn đến việc hạn chế quy mô lớn—cần phải được đánh giá kỹ lưỡng hơn.

Với những thách thức trong việc nhanh chóng đóng góp khoảng cách về khả năng tính toán trí tuệ nhân tạo, nhiều kỹ sư và dự án trí tuệ nhân tạo đang khám phá các phương án thay thế, tiềm năng tăng cường sự quan tâm đến các nhà cung cấp dịch vụ phi tập trung. Hơn nữa, IO.NET vẫn chưa triển khai các động lực kinh tế hoặc hoạt động để tăng cầu, và khi trải nghiệm sản phẩm tiếp tục cải thiện, sự cân bằng dự kiến giữa cung và cầu hứa hẹn cho tương lai.

2.3 Lịch sử nhóm và Tổng quan về quyên góp quỹ

Hồ sơ nhóm

Nhóm nhân sự cốt lõi của IO.NET ban đầu tập trung vào giao dịch định lượng. Đến tháng 6 năm 2022, họ đã tham gia tạo ra các hệ thống giao dịch định lượng cấp cơ sở cho cổ phiếu và tiền điện tử. Bởi nhu cầu tính toán của hệ thống backend, nhóm đã bắt đầu khám phá tiềm năng của tính toán phi tập trung và tập trung vào vấn đề cụ thể của việc giảm chi phí dịch vụ tính toán GPU.

Người sáng lập & CEO: Ahmad Shadid

Trước khi thành lập IO.NET, Ahmad Shadid đã làm việc trong lĩnh vực tài chính định lượng và kỹ thuật tài chính, và anh ấy cũng là tình nguyện viên tại Ethereum Foundation.

CMO & Chief Strategy Officer: Garrison Yang

Garrison Yang chính thức gia nhập IO.NET vào tháng 3 năm 2024. Trước đó, ông là Phó Chủ tịch Chiến lược và Phát triển tại Avalanche và là cựu sinh viên của Đại học California, Santa Barbara.

COO: Tory Green

Tory Green phục vụ với tư cách là Tổng Giám đốc Điều hành của IO.NET. Ông trước đây là COO của Hum Capital và là Giám đốc Phát triển kinh doanh và Chiến lược tại Fox Mobile Group. Ông tốt nghiệp Đại học Stanford.

Hồ sơ LinkedIn của IO.NET cho biết nhóm đặt trụ sở chính tại New York, Mỹ, với một văn phòng chi nhánh tại San Francisco, và có hơn 50 nhân viên.

Tổng quan về Quỹ vốn

IO.NET chỉ thông báo công khai về một vòng gọi vốn - một vòng A Series hoàn thành vào tháng 3 năm nay với mức định giá 1 tỷ đô la, thông qua đó họ đã thành công gọi vốn 30 triệu đô la. Vòng này do Hack VC dẫn đầu, với sự tham gia của các nhà đầu tư khác bao gồm Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures và ArkStream Capital.

Đáng chú ý, việc đầu tư từ Quỹ Aptos có thể đã ảnh hưởng đến quyết định của dự án BC8.AI chuyển từ việc sử dụng Solana cho quy trình thanh toán và kế toán của mình sang Aptos, một blockchain Layer 1 tương tự hiệu suất cao.

2.4 Ước lượng Định giá

Theo các tuyên bố trước đó của người sáng lập và CEO Ahmad Shadid, IO.NET dự kiến sẽ ra mắt token của mình vào cuối tháng 4 năm 2024.

IO.NET có hai dự án thử nghiệm mẫu mà phục vụ làm tài sản tham khảo: Mạng Render và Mạng Akash, cả hai đều là các dự án tính toán phi tập trung đại diện.

Có hai phương pháp chính để đưa ra ước lượng về vốn hóa thị trường của IO.NET: 1. Tỷ lệ Giá-so-với-Doanh số (P/S), so sánh FDV với doanh số; 2. Tỷ lệ FDV-so-với-Chip (Tỷ lệ M/C)

Chúng tôi sẽ bắt đầu bằng cách xem xét định giá tiềm năng bằng cách sử dụng tỷ lệ Giá so với Doanh số:

Dựa vào tỷ lệ giá bán, Akash đại diện cho phần cuối cùng bảo thủ của phổ đồ định giá ước tính của IO.NET, trong khi Render cung cấp một chuẩn mực cao, đưa ra một dải giá trị vốn hóa thị trường từ 1,67 tỷ đô la đến 5,93 tỷ đô la.

Tuy nhiên, với các bản cập nhật cho dự án IO.NET, câu chuyện hấp dẫn hơn của nó, cùng với vốn hóa thị trường ban đầu nhỏ hơn và cơ sở cung cấp rộng hơn, cho thấy FDV của nó có thể vượt qua Render Network.

Chuyển sang một góc nhìn so sánh định giá khác, cụ thể là "Tỷ lệ FDV-to-Chip".

Trong bối cảnh thị trường nơi nhu cầu về sức mạnh tính toán AI vượt quá cung cấp, yếu tố quyết định nhất của các mạng tính toán AI phi tập trung là quy mô cung cấp GPU. Do đó, chúng ta có thể sử dụng “Tỷ lệ FDV-to-Chip,” tức là tỷ lệ giữa giá trị pha loãng đầy đủ của dự án và số chip trong mạng, để suy luận về phạm vi định giá có thể của IO.NET, mang đến cho độc giả một tham khảo.

Sử dụng tỷ lệ thị trường-đến-chip để tính phạm vi định giá của IO.NET đặt chúng ta giữa 20.6 tỷ đô la và 197.5 tỷ đô la, với Render Network đặt mức định giá cao nhất và Akash Network mức định giá thấp nhất.

Người ủng hộ dự án IO.NET có thể xem điều này như một ước lượng về vốn hóa thị trường rất lạc quan.

Quan trọng phải xem xét số lượng chip trực tuyến hiện tại rất lớn cho IO.NET, được kích thích bởi kỳ vọng airdrop và các hoạt động khuyến khích. Số lượng cung cấp thực tế sau khi dự án chính thức ra mắt vẫn cần được quan sát.

Nhìn chung, các định giá dựa trên tỷ lệ giá so với doanh số có thể cung cấp cái nhìn đáng tin cậy hơn.

IO.NET, được xây dựng trên nền tảng Solana và được ưu ái với sự hội tụ của AI và DePIN, đang ở bên bờ của việc ra mắt token của mình. Sự mong đợi là rõ ràng khi chúng ta đứng nhìn thấy tác động đến vốn hóa thị trường của nó sau khi ra mắt.

Tham khảo：

Dephi Digital: The Real Merge

Galaxy: Hiểu sâu hơn về Sự giao cắt giữa Tiền điện tử và Trí tuệ nhân tạo

Tuyên bố:

1. Bài viết này được tái bản từ [Gatepanews], và bản quyền thuộc về tác giả gốc [Alex Xu] nếu bạn có bất kỳ ý kiến ​​nào về việc sao chép, vui lòng liên hệ Gate Learn Team , nhóm sẽ xử lý nó càng sớm càng tốt theo các quy trình liên quan.

2. Bản quyền: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ đại diện cho quan điểm cá nhân của tác giả và không thành lập bất kỳ lời khuyên đầu tư nào.

3. Các phiên bản ngôn ngữ khác của bài viết được dịch bởi nhóm Gate Learn và không được đề cập trong Gate.io, bài viết dịch có thể không được sao chép, phân phối hoặc đạo văn.