พลังคอมพิวเตอร์ที่ต้องการ

นับตั้งแต่เปิดตัว "Avatar" ในปี 2009 ได้เปิดตัวการต่อสู้ครั้งแรกของภาพยนตร์ 3 มิติด้วยภาพจริงที่ไม่มีใครเทียบได้ ในฐานะผู้สนับสนุนรายใหญ่ที่อยู่เบื้องหลัง Weta Digital มีส่วนช่วยในการเรนเดอร์วิชวลเอฟเฟกต์ของภาพยนตร์ทั้งหมด ในฟาร์มเซิร์ฟเวอร์ขนาด 10,000 ตารางฟุตในนิวซีแลนด์คลัสเตอร์คอมพิวเตอร์ประมวลผลงานได้มากถึง 1.4 ล้านงานต่อวันและประมวลผลข้อมูล 8GB ต่อวินาที ถึงกระนั้นก็ยังคงทํางานต่อไปนานกว่าหนึ่งเดือนก่อนที่การเรนเดอร์ทั้งหมดจะเสร็จสมบูรณ์ งาน

ด้วยการติดตั้งเครื่องจักรในมาตราสภาพขนาดใหญ่และลงทุนทุนทรัพย์ “อวาตาร์” ได้บรรลุความสำเร็จที่โดดเด่นในประวัติศาสตร์ของภาพยนตร์

ในวันที่ 3 มกราคมของปีเดียวกัน ซาโตชิ นาคาโมโตะขุดบล็อกเจเนซิสของบิตคอยน์บนเซิร์ฟเวอร์ขนาดเล็กในเฮลซิงกิ ฟินแลนด์ และได้รับรางวัลบล็อก 50 BTC ตั้งแต่วันแรกของสกุลเงินดิจิทัล พลังคอมพิวเตอร์เล่น per บทบาทสำคัญมากในอุตสาหกรรม

สายโซ่ที่ยาวที่สุดไม่เพียงเพียงเป็นหลักฐานของลำดับเหตุการณ์ที่เกิดขึ้น แต่ยังเป็นหลักฐานที่มาจากกำลังคอมพิวเตอร์ที่ใหญ่ที่สุด

—— กระดาษขาวบิตคอยน์

ในบริบทของกลไกฉันทามติ PoW การมีส่วนร่วมของพลังการคํานวณให้การรับประกันความปลอดภัยของห่วงโซ่ ในขณะเดียวกัน Hashrate ที่เพิ่มขึ้นอย่างต่อเนื่องยังสามารถพิสูจน์การลงทุนอย่างต่อเนื่องของนักขุดในพลังการประมวลผลและความคาดหวังรายได้ที่เป็นบวก ความต้องการที่แท้จริงของอุตสาหกรรมสําหรับพลังการประมวลผลยังส่งเสริมการพัฒนาผู้ผลิตชิปอย่างมาก ชิปเครื่องขุดได้ผ่านขั้นตอนการพัฒนาเช่น CPU, GPU, FPGA และ ASIC ปัจจุบันเครื่องขุด Bitcoin มักจะเป็นชิปที่ใช้เทคโนโลยี ASIC (Application Specific Ingrated Circuit) ที่สามารถรันอัลกอริทึมเฉพาะได้อย่างมีประสิทธิภาพเช่น SHA-256 ผลประโยชน์ทางเศรษฐกิจมหาศาลที่เกิดจาก Bitcoin ได้ผลักดันความต้องการพลังการประมวลผลในการขุดที่เกี่ยวข้อง อย่างไรก็ตามอุปกรณ์พิเศษที่มากเกินไปและผลกระทบคลัสเตอร์ทําให้เกิดผลกระทบจากกาลักน้ําในหมู่ผู้เข้าร่วมของตัวเองไม่ว่าจะเป็นคนงานเหมืองหรือผู้ผลิตเครื่องขุด พวกเขาทั้งหมดแสดงให้เห็นถึงแนวโน้มของการพัฒนาที่เข้มข้นของเงินทุน

ด้วยการถือกําเนิดของสัญญาอัจฉริยะของ Ethereum ความสามารถในการตั้งโปรแกรมความสามารถในการเขียนโค้ดและคุณสมบัติอื่น ๆ ได้สร้างแอพพลิเคชั่นที่หลากหลายโดยเฉพาะอย่างยิ่งในด้าน DeFi ซึ่งทําให้ราคาของ ETH เพิ่มขึ้นตลอดทางในขณะที่ยังอยู่ในฉันทามติ PoW ความยากลําบากในการขุดของ Ethereum ในขั้นตอนนี้ก็เพิ่มขึ้นเช่นกัน ความต้องการพลังการประมวลผลของคนงานเหมืองสําหรับเครื่องขุด Ethereum ก็เพิ่มขึ้นทุกวันเช่นกัน อย่างไรก็ตามไม่เหมือนกับ Bitcoin ซึ่งใช้ชิป ASIC Ethereum จําเป็นต้องใช้หน่วยประมวลผลกราฟิก (GPU) สําหรับการคํานวณการขุดเช่น Nvidia RTX series ด้วยวิธีนี้จึงเหมาะสําหรับฮาร์ดแวร์คอมพิวเตอร์ทั่วไปที่จะเข้าร่วม สิ่งนี้ยังทําให้เกิดการแข่งขันในตลาดสําหรับ GPU ซึ่งทําให้กราฟิกการ์ดระดับไฮเอนด์ในตลาดหมดสต็อก

เมื่อถึงวันที่ 30 พฤศจิกายน 2022 ChatGPT ที่พัฒนาโดย OpenAI ยังแสดงถึงความสำคัญที่เปลี่ยนโลกในด้าน AI ผู้ใช้ตกใจกับประสบการณ์ใหม่ที่นำเสนอโดย ChatGPT ซึ่งสามารถทำภารกิจต่าง ๆ ที่ผู้ใช้เสนอขึ้นโดยอาศัยบริบทเหมือนคนจริง สิ่งที่ต้องการ ในเวอร์ชันใหม่ที่เปิดตัวในเดือนกันยายนปีนี้ ประสิทธิภาพ AI ที่สร้างสรรค์ที่เพิ่มคุณลักษณะมากมายเช่นเสียงและภาพได้นำประสบการณ์ของผู้ใช้ไปสู่ขั้นตอนใหม่

แต่ในทํานองเดียวกัน GPT4 มีพารามิเตอร์มากกว่าหนึ่งล้านล้านรายการที่เกี่ยวข้องกับการฝึกอบรมแบบจําลองล่วงหน้าและการปรับแต่งในภายหลัง นี่คือสองส่วนที่มีความต้องการพลังการประมวลผลมากที่สุดในสาขา AI ในขั้นตอนก่อนการฝึกอบรมมีการศึกษาข้อความจํานวนมากเพื่อฝึกฝนรูปแบบภาษาไวยากรณ์และบริบทที่เกี่ยวข้อง ช่วยให้เข้าใจรูปแบบภาษาเพื่อสร้างข้อความที่สอดคล้องกันและตามบริบทตามการป้อนข้อมูล หลังจากการฝึกอบรมล่วงหน้า GPT4 ได้รับการปรับแต่งเพื่อปรับให้เข้ากับเนื้อหาหรือสไตล์เฉพาะประเภทได้ดีขึ้นและปรับปรุงประสิทธิภาพและความเชี่ยวชาญในสถานการณ์ความต้องการเฉพาะ

เนื่องจากสถาปัตยกรรมหม้อแปลงที่นํามาใช้โดย GPT แนะนํากลไกความสนใจด้วยตนเองกลไกนี้ช่วยให้แบบจําลองสามารถให้ความสนใจกับความสัมพันธ์ระหว่างส่วนต่างๆของลําดับพร้อมกันเมื่อประมวลผลลําดับอินพุต ดังนั้นความต้องการพลังการประมวลผลจึงเพิ่มขึ้นอย่างรวดเร็ว โดยเฉพาะอย่างยิ่งเมื่อประมวลผลลําดับยาวจําเป็นต้องมีการประมวลผลแบบขนานและการจัดเก็บคะแนนความสนใจจํานวนมากซึ่งต้องใช้หน่วยความจําจํานวนมากและความสามารถในการส่งข้อมูลความเร็วสูง LLM กระแสหลักในปัจจุบันที่มีสถาปัตยกรรมเดียวกันมีความต้องการ GPU ประสิทธิภาพสูงอย่างมากซึ่งแสดงให้เห็นว่าต้นทุนการลงทุนในด้าน AI รุ่นใหญ่นั้นสูงมาก ตามการประมาณการ SemiAnalysis ที่เกี่ยวข้องค่าใช้จ่ายในการฝึกอบรมโมเดล GPT4 สูงถึง 63 ล้านดอลลาร์ เพื่อให้ได้ประสบการณ์การโต้ตอบที่ดี GPT4 ยังต้องลงทุนพลังการประมวลผลจํานวนมากในการดําเนินงานประจําวันเพื่อรักษาการดําเนินงานประจําวัน

การจำแนกประเภทฮาร์ดแวร์คอมพิวเตอร์

ที่นี่เราต้องเข้าใจประเภทฮาร์ดแวร์พลังคอมพิวเตอร์หลักปัจจุบัน สถานการณ์ที่ต้องการพลังคอมพิวเตอร์สามารถจัดการได้โดย CPU, GPU, FPGA, และ ASIC ตามลำดับ

•จากแผนภาพสถาปัตยกรรมของ CPU และ GPU GPU มีคอร์มากขึ้นซึ่งช่วยให้ GPU สามารถประมวลผลงานคอมพิวเตอร์หลายงานในเวลาเดียวกัน การประมวลผลแบบขนานมีความสามารถในการประมวลผลที่แข็งแกร่งกว่าและเหมาะสําหรับการประมวลผลงานคอมพิวเตอร์จํานวนมากดังนั้นในด้านการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกจึงมีการใช้กันอย่างแพร่หลาย CPU มีจํานวนคอร์น้อยกว่าและเหมาะสําหรับการประมวลผลการคํานวณที่ซับซ้อนหรืองานลําดับเดียวอย่างเข้มข้นมากขึ้น แต่ไม่มีประสิทธิภาพเท่ากับ GPU เมื่อประมวลผลงานคอมพิวเตอร์แบบขนาน ในการแสดงผลงานและงานคอมพิวเตอร์เครือข่ายประสาทเทียมมักจะต้องมีการคํานวณซ้ํา ๆ และการคํานวณแบบขนานจํานวนมากดังนั้น GPU จึงมีประสิทธิภาพและเหมาะสมกว่า CPU ในด้านนี้

• FPGA (Field Programmable Gate Array) ชุดวงจรตวงตัวแบบสามารถโปรแกรมได้เป็นวงจรลอจิกเซมิคัสตัมในด้านของวงจรซึ่งประกอบด้วยหน่วยประมวลผลขนาดเล็กจำนวนมาก FPGA สามารถเข้าใจได้ว่าเป็นชิปวงจรลอจิกที่โปรแกรมได้ การใช้งานปัจจุบันเน้นไปที่การเร่งความเร็วด้านฮาร์ดแวร์ และงานอื่น ๆ ยังคงดำเนินการบน CPU ทำให้ FPGA และ CPU ทำงานร่วมกัน

• ASIC (Application Specific Integrated Circuit) หมายถึงวงจรบนชิบที่ออกแบบเพื่อตอบสนองตามความต้องการของผู้ใช้และความต้องการของระบบอิเล็กทรอนิกส์ที่เฉพาะเจาะจง เมื่อเปรียบเทียบกับวงจรบนชิบแบบทั่วไป ASIC มีข้อดีเช่นขนาดเล็กกว่า การบริโภคพลังงานต่ำ ความเชื่อถือได้เพิ่มขึ้น ประสิทธิภาพการทำงานดีขึ้น ความลับเพิ่มขึ้น และลดต้นทุนในการผลิตขึ้นของ ดังนั้นในสถานการณ์ของการขุด Bitcoin ซึ่งต้องการเพียงการดำเนินการงานคำนวณเฉพาะเจาะจง ASIC เป็นที่เหมาะสุด Google ยังได้เปิดตัว TPU (Tensor Processing Unit) ที่ออกแบบโดยเฉพาะสำหรับ machine learning เป็นหนึ่งประเภทของ ASIC แต่ในปัจจุบันมีการให้บริการเช่าพลังคอมพิวเตอร์ผ่าน Google Cloud อย่างเดียว

• ASIC เมื่อเทียบกับ FPGA ASIC เป็นวงจรรวมเฉพาะแอปพลิเคชันและวงจรรวมจะได้รับการแก้ไขเมื่อการออกแบบเสร็จสมบูรณ์ FPGA รวมประตูวงจรดิจิตอลพื้นฐานและความทรงจําจํานวนมากไว้ในอาร์เรย์ นักพัฒนาสามารถกําหนดวงจรได้โดยการเขียนโปรแกรมการกําหนดค่า FPGA และการเขียนโปรแกรมนี้สามารถเปลี่ยนได้ อย่างไรก็ตามด้วยความเร็วในการอัปเดตปัจจุบันในฟิลด์ AI ชิปที่กําหนดเองหรือกึ่งปรับแต่งไม่สามารถปรับและกําหนดค่าใหม่ได้ทันเวลาเพื่อทํางานต่างๆหรือปรับให้เข้ากับอัลกอริทึมใหม่ ดังนั้นการปรับตัวทั่วไปและความยืดหยุ่นของ GPU จึงทําให้มันเปล่งประกายในด้าน AI ผู้ผลิต GPU รายใหญ่ยังได้ทําการเพิ่มประสิทธิภาพที่เกี่ยวข้องสําหรับการปรับ GPU ในสาขา AI ยกตัวอย่าง Nvidia ได้เปิดตัว Tesla series และ Ampere architecture GPU ที่ออกแบบมาโดยเฉพาะสําหรับการเรียนรู้เชิงลึก ฮาร์ดแวร์เหล่านี้ประกอบด้วยหน่วยฮาร์ดแวร์ (Tensor Cores) ที่ปรับให้เหมาะสมสําหรับแมชชีนเลิร์นนิ่งและการคํานวณการเรียนรู้เชิงลึก ซึ่งช่วยให้ GPU ทํางานได้อย่างมีประสิทธิภาพและประสิทธิผลมากขึ้น ใช้พลังงานต่ําเพื่อดําเนินการขยายพันธุ์ไปข้างหน้าและข้างหลังของเครือข่ายประสาทเทียม นอกจากนี้ยังมีเครื่องมือและไลบรารีที่หลากหลายเพื่อสนับสนุนการพัฒนา AI เช่น CUDA (Compute Unified Device Architecture) เพื่อช่วยให้นักพัฒนาใช้ GPU สําหรับการประมวลผลแบบขนานเอนกประสงค์

พลังคอมพิวเตอร์ที่ไม่มีศูนย์กลาง

พลังการประมวลผลแบบกระจายอํานาจหมายถึงวิธีการให้พลังการประมวลผลผ่านทรัพยากรการประมวลผลแบบกระจาย วิธีการกระจายอํานาจนี้มักจะรวมกับเทคโนโลยีบล็อกเชนหรือเทคโนโลยีบัญชีแยกประเภทแบบกระจายที่คล้ายกันเพื่อรวมทรัพยากรการประมวลผลที่ไม่ได้ใช้งานและแจกจ่ายให้กับผู้ใช้ที่ต้องการแบ่งปันทรัพยากรธุรกรรมและการจัดการ

พื้นหลัง

• ความต้องการฮาร์ดแวร์คอมพิวเตอร์ที่แข็งแกร่ง ความรุนแรงของเศรษฐกิจผู้สร้างได้นำการประมวลผลสื่อดิจิทัลเข้าสู่ยุคของการสร้างทั่วไป ความต้องการในการเรนเดอร์เอฟเฟ็กต์ภาพได้เพิ่มขึ้นอย่างมาก และมีการเกิดสตูดิโอเอาท์ซอร์ซการเรนเดอร์ที่เชี่ยวชาญ เพลตฟอร์มเรนเดอร์ในคลาวด์และรูปแบบอื่น ๆ โต้ตอบขึ้น อย่างไรก็ตาม วิธีการนี้ยังต้องลงทุนด้วยเงินมากในการจัดซื้อฮาร์ดแวร์พลังคอมพิวเตอร์ในช่วงเริ่มต้นเอง

• ฮาร์ดแวร์พลังคอมพิวเตอร์มาจากแหล่งเดียวกัน การพัฒนาด้านปัญญาประดิษฐ์ได้เพิ่มการต้องการของฮาร์ดแวร์คอมพิวเตอร์อย่างมาก บริษัทผู้ผลิต GPU ชั้นนำของโลก ซึ่งเป็นผู้นำด้วย Nvidia ได้รับกำไรมากมายในการแข่งขันพลังคอมพิวเตอร์ AI นี้ ความสามารถในการจัดหาของมันได้เป็นปัจจัยสำคัญที่สามารถจำกัดการพัฒนาของอุตสาหกรรมบางอย่าง มูลค่าตลาดของ Nvidia ยังเข้าสู่ระดับหนึ่งล้านดอลลาร์สหรัฐเป็นครั้งแรกในปีนี้

•การจัดหาพลังการประมวลผลยังคงอาศัยแพลตฟอร์มคลาวด์แบบรวมศูนย์เป็นหลัก สิ่งที่ได้รับประโยชน์อย่างแท้จริงจากความต้องการที่เพิ่มขึ้นสําหรับการประมวลผลประสิทธิภาพสูงคือผู้จําหน่ายระบบคลาวด์แบบรวมศูนย์ที่แสดงโดย AWS พวกเขาได้เปิดตัวบริการคลาวด์คอมพิวติ้ง GPU ยกตัวอย่าง AWS p4d.24xlarge ปัจจุบันโดยเช่าเซิร์ฟเวอร์ HPC หนึ่งเครื่องที่เชี่ยวชาญด้าน ML ซึ่งมี NVIDIA A100 40GB GPU แปดตัวมีค่าใช้จ่าย 32.8 เหรียญสหรัฐต่อชั่วโมงและอัตรากําไรขั้นต้นคาดว่าจะอยู่ที่ 61% สิ่งนี้ยังทําให้ยักษ์ใหญ่ด้านคลาวด์อื่น ๆ ต้องรีบเข้าร่วมและกักตุนฮาร์ดแวร์เพื่อให้ได้เปรียบมากที่สุดในช่วงแรกของการพัฒนาอุตสาหกรรม

• การแทรกแซงทางการเมืองและมนุษย์ และปัจจัยอื่น ๆ ทำให้การพัฒนาของอุตสาหกรรมไม่สมดุล สมดุล ไม่ยากที่จะเห็นว่าการเป็นเจ้าของและการกลุ่มมากขึ้นของ GPU มีแนวโน้มที่มีประสิทธิภาพมากขึ้นในองค์กรและประเทศที่มีเงินทุนและเทคโนโลยีมากพอ และอาศัยต่อกลุ่มคอมพิวเตอร์ที่มีประสิทธิภาพสูง สิ่งนี้ทำให้การผลิตชิปและซีเมคอนดักเตอร์ที่เป็นประโยชน์มากที่สุดโดยสหรัฐอเมริกา จึงนำมาซึ่งข้อจำกัดที่เข้มงวดมากขึ้นในการส่งออกชิป AI เพื่อทำให้ความสามารถในการวิจัยของประเทศอื่น ๆ ในสาขาปัญญาประดิษฐ์ทั่วไปอ่อนแอลง

การจัดสรรทรัพยากรพลังคอมพิวเตอร์มีความเข้มข้นเกินไป แนวคิดในการพัฒนาในสาขา AI อยู่ในมือของบริษัทยักษ์ใหญ่ไม่กี่ราย ในปัจจุบัน ยักษ์ใหญ่ที่มีรายการเป็น OpenAI ได้รับพระคุณจาก Microsoft และข้างหลังมีทรัพยากรคอมพิวเตอร์ที่มีค่าที่ Microsoft Azure ให้ สิ่งนี้ทำให้ OpenAI ทุกครั้งที่มีการเปิดตัวสินค้าใหม่เป็นการเปลี่ยนรูปและรวมรวมอุตสาหกรรม AI ปัจจุบัน ทำให้ทีมอื่น ๆ มีความยากลำบากในการทำความเข้าใจในสาขาของโมเดลขนาดใหญ่

ดังนั้นในเชิงหน้าหนาวของค่าฮาร์ดแวร์สูง ข้อจำกัดทางภูมิภาค และการพัฒนาอุตสาหกรรมที่ไม่สม่ำเสมอ มีทางออกอื่นหรือไม่?

แพลตฟอร์มพลังคอมพิวเตอร์แบบกระจายออกมาเมื่อสมัยต้องการ วัตถุประสงค์ของแพลตฟอร์มคือการสร้างตลาดที่เปิดเผย โปร่งใส และที่มีระเบียบกฏเกณฑ์เองเพื่อใช้ทรัพยากรคอมพิวเตอร์ระดับโลกได้อย่างมีประสิทธิภาพมากยิ่งขึ้น

การวิเคราะห์ที่ปรับได้

1. ด้านการจัดหาพลังคอมพิวเตอร์ที่มีลักษณะกระจาย

ราคาฮาร์ดแวร์สูงปัจจุบันและการควบคุมเทียบเทียบบนด้านการ供给ได้เป็นปุโรคสำหรับการสร้างเครือข่ายพลังคอมพิวเตอร์ที่มีลักษณะที่กระจาย

• จากมุมมองของการสร้างพลังคอมพิวเตอร์แบบกระจาย ผู้ให้บริการพลังคอมพิวเตอร์ต่างๆ ครอบคลุมตั้งแต่เครื่องคอมพิวเตอร์ส่วนบุคคลถึงอุปกรณ์อินเทอร์เน็ตขนาดเล็กและใหญ่มากๆ เช่นศูนย์ข้อมูล ศูนย์ข้อมูลไอดีซี ฯลฯ และพลังคอมพิวเตอร์สะสมสามารถให้บริการโซลูชันการคำนวณที่ยืดหยุ่นและมีการขยายขึ้นได้มากขึ้น ซึ่งจะช่วยให้นักพัฒนา AI และองค์กรสามารถใช้ทรัพยากรจำกัดได้มากขึ้นได้อย่างมีประสิทธิภาพมากขึ้น การแบ่งปันพลังคอมพิวเตอร์แบบกระจายสามารถทำได้ผ่านพลังคอมพิวเตอร์ที่ว่างจากการใช้งานของบุคคลหรือองค์กร อย่างไรก็ตาม ความพร้อมใช้งานและความเสถียรภาพของพลังคอมพิวเตอร์เหล่านี้อาจจะต้องยึดถือข้อจำกัดในการใช้งานของผู้ใช้หรือขีดจำกัดสูงสุดของการแบ่งปัน

•แหล่งที่เป็นไปได้ของพลังการประมวลผลคุณภาพสูงคือพลังการประมวลผลที่ได้รับโดยตรงจากการเปลี่ยนแปลงของเหมืองที่เกี่ยวข้องหลังจากที่ Ethereum ถูกแปลงเป็น PoS ทรัพยากรมนุษย์ ใช้ Coreweave ผู้ให้บริการพลังงานการประมวลผลแบบบูรณาการ GPU ชั้นนําในสหรัฐอเมริกาเป็นตัวอย่าง เดิมเป็นฟาร์มขุด Ethereum ที่ใหญ่ที่สุดในอเมริกาเหนือและใช้โครงสร้างพื้นฐานที่สมบูรณ์ที่สร้างขึ้น นอกจากนี้เครื่องขุด Ethereum ที่เกษียณแล้วยังมี GPU ที่ไม่ได้ใช้งานจํานวนมาก มีรายงานว่ามี GPU ประมาณ 27 ล้านตัวที่ทํางานออนไลน์ที่จุดสูงสุดของยุคการขุด Ethereum การฟื้นฟู GPU เหล่านี้ยังสามารถกลายเป็นส่วนสําคัญของเครือข่ายพลังงานการประมวลผลแบบกระจายอํานาจ แหล่งที่มาของพลังการประมวลผล

1. ด้านความต้องการของพลังคอมพิวเตอร์แบบกระจาย

•จากมุมมองการใช้งานทางเทคนิคทรัพยากรการประมวลผลแบบกระจายอํานาจถูกนํามาใช้ในการแสดงผลกราฟิกและการแปลงรหัสวิดีโอ การคํานวณดังกล่าวมีความซับซ้อน สําหรับงานระดับต่ําระบบเศรษฐกิจที่ผสมผสานเทคโนโลยีบล็อกเชนและ web3 สามารถนําแรงจูงใจด้านรายได้ที่จับต้องได้มาสู่ผู้เข้าร่วมเครือข่ายและสะสมรูปแบบธุรกิจและกลุ่มลูกค้าที่มีประสิทธิภาพในขณะที่มั่นใจในการส่งข้อมูลอย่างปลอดภัย ฟิลด์ AI เกี่ยวข้องกับการประมวลผลแบบขนานการสื่อสารและการซิงโครไนซ์ระหว่างโหนดจํานวนมากและมีข้อกําหนดสูงมากเกี่ยวกับสภาพแวดล้อมเครือข่ายและด้านอื่น ๆ ดังนั้นแอปพลิเคชันปัจจุบันจึงมุ่งเน้นไปที่การปรับแต่งการอนุมาน AIGC และเลเยอร์แอปพลิเคชันอื่น ๆ

•จากมุมมองตรรกะทางธุรกิจตลาดที่เพียงแค่ซื้อและขายพลังการประมวลผลขาดจินตนาการและอุตสาหกรรมสามารถจัดการกับห่วงโซ่อุปทานและการกําหนดราคาเท่านั้น กลยุทธ์ แต่สิ่งเหล่านี้เป็นข้อดีของบริการคลาวด์แบบรวมศูนย์ ดังนั้นเพดานตลาดจึงต่ําและไม่มีที่ว่างสําหรับจินตนาการมากขึ้นดังนั้นเราจึงสามารถเห็นได้ว่าเครือข่ายที่เดิมทําการเรนเดอร์กราฟิกอย่างง่ายกําลังมองหาการเปลี่ยนแปลง AI ตัวอย่างเช่น Render Network และ 2023 Q1 ยังเปิดตัวชุดเครื่องมือ Stability AI ในตัวแบบเนทีฟซึ่งผู้ใช้สามารถ ฟังก์ชันนี้แนะนําการดําเนินการกระจายที่เสถียร และธุรกิจไม่ได้ จํากัด เฉพาะการดําเนินการเรนเดอร์อีกต่อไป แต่ขยายไปยังฟิลด์ AI

•จากมุมมองของกลุ่มลูกค้าหลักเป็นที่ชัดเจนว่าลูกค้า B-side ขนาดใหญ่จะชอบบริการคลาวด์แบบรวมศูนย์ พวกเขามักจะ ด้วยงบประมาณที่เพียงพอพวกเขามักจะมีส่วนร่วมในการพัฒนาแบบจําลองพื้นฐานขนาดใหญ่และต้องการรูปแบบการรวมพลังการคํานวณที่มีประสิทธิภาพมากขึ้น ดังนั้นพลังการประมวลผลแบบกระจายอํานาจจึงให้บริการทีมพัฒนาหรือบุคคลขนาดเล็กและขนาดกลางมากขึ้นและส่วนใหญ่มีส่วนร่วมในการปรับแต่งโมเดล หรือการพัฒนาเลเยอร์แอปพลิเคชันซึ่งไม่มีข้อกําหนดสูงในรูปแบบของพลังการประมวลผลที่มีให้ พวกเขามีความไวต่อราคามากขึ้น พลังการประมวลผลแบบกระจายอํานาจสามารถลดการลงทุนต้นทุนเริ่มต้นได้ดังนั้นต้นทุนการใช้งานโดยรวมจึงลดลงเช่นกัน จากต้นทุนที่คํานวณโดย Gensyn ก่อนหน้านี้พลังการประมวลผลจะถูกแปลงเป็นค่าเทียบเท่าที่ V100 ให้ไว้ พลังของการประมวลผล ราคาของ Gensyn อยู่ที่ 0.4 ดอลลาร์สหรัฐต่อชั่วโมง ซึ่งต่ํากว่าพลังการประมวลผลที่เทียบเท่าของ AWS ที่ 2 ดอลลาร์สหรัฐต่อชั่วโมงถึง 80% แม้ว่าส่วนนี้ของธุรกิจจะไม่ได้คํานึงถึงการใช้จ่ายส่วนใหญ่ในอุตสาหกรรมปัจจุบัน เนื่องจากสถานการณ์การใช้งานของแอปพลิเคชัน AI ยังคงขยายตัวอย่างต่อเนื่อง แต่ขนาดตลาดในอนาคตไม่สามารถประเมินได้

•จากมุมมองของบริการที่มีให้จะพบว่าโครงการปัจจุบันเป็นเหมือนแนวคิดของแพลตฟอร์มคลาวด์แบบกระจายอํานาจให้ชุดการจัดการที่สมบูรณ์จากการพัฒนาการปรับใช้ออนไลน์การกระจายและการทําธุรกรรม ข้อดีของสิ่งนี้คือการดึงดูดนักพัฒนาที่สามารถใช้ส่วนประกอบเครื่องมือที่เกี่ยวข้องเพื่อลดความซับซ้อนของการพัฒนาและการปรับใช้และปรับปรุงประสิทธิภาพ ในขณะเดียวกันก็สามารถดึงดูดผู้ใช้ให้ใช้ผลิตภัณฑ์แอปพลิเคชันที่สมบูรณ์เหล่านี้บนแพลตฟอร์ม สร้างคูน้ําเชิงนิเวศน์ตามเครือข่ายพลังงานคอมพิวเตอร์ของตัวเอง แต่สิ่งนี้ยังทําให้เกิดความต้องการที่สูงขึ้นสําหรับการดําเนินโครงการ วิธีดึงดูดนักพัฒนาและผู้ใช้ที่ยอดเยี่ยมและบรรลุการรักษาลูกค้าเป็นสิ่งสําคัญอย่างยิ่ง

แอปพลิเคชันในสาขาต่าง ๆ

1. การประมวลผลสื่อดิจิทัล

Render Network แพลตฟอร์มการเรนเดอร์ระดับโลกที่ใช้บล็อกเชนเป้าหมายคือการช่วยเหลือผู้สร้างด้วยความคิดสร้างสรรค์ทางดิจิทัล ช่วยให้ผู้สร้างสามารถขยายงานเรนเดอร์ GPU ไปยังโหนด GPU ทั่วโลกได้ตามต้องการ ให้ความสามารถในการเรนเดอร์ที่รวดเร็วและถูกกว่า หลังจากผู้สร้างยืนยันผลการแสดงผลเครือข่ายบล็อกเชนจะส่งรหัสไปยังโหนด รางวัลเหรียญ เมื่อเทียบกับวิธีการใช้งานวิชวลเอฟเฟกต์แบบดั้งเดิมการสร้างโครงสร้างพื้นฐานการเรนเดอร์ในพื้นที่หรือการเพิ่มค่าใช้จ่าย GPU ที่สอดคล้องกันให้กับบริการคลาวด์ที่ซื้อต้องใช้เงินลงทุนล่วงหน้าสูง

นับตั้งแต่ก่อตั้งขึ้นในปี 2017 ผู้ใช้ Render Network ได้แสดงเฟรมมากกว่า 16 ล้านเฟรมและฉากเกือบ 500,000 ฉากบนเครือข่าย ข้อมูลที่เผยแพร่จาก Render Network 2023 Q2 ยังสามารถแสดงให้เห็นว่าทั้งจํานวนงานเฟรมการแสดงผลและจํานวนโหนดที่ใช้งานอยู่เพิ่มขึ้น นอกจากนี้ Render Network และ 2023 Q1 ยังได้เปิดตัวชุดเครื่องมือ Stability AI ที่ผสานรวมแบบเนทีฟ ผู้ใช้สามารถใช้ฟังก์ชันนี้เพื่อแนะนําการดําเนินการ Stable Diffusion และธุรกิจไม่ได้ จํากัด เฉพาะการแสดงการดําเนินงานและขยายไปยังฟิลด์ AI อีกต่อไป

Livepeer 提供即時視頻轉碼服務給創作者，透過網絡參與者貢獻自己的 GPU 計算能力和帶寬。廣播者可以通過將視頻發送到 Livepeer 完成各種類型視頻的轉碼，並將其分發給各種終端用戶，從而實現視頻內容的傳播。同時，您可以輕鬆使用法定貨幣支付以獲得視頻轉碼、傳輸和存儲等服務。

ในเครือข่าย Livepeer ใครก็สามารถมีสิทธิ์ในการมีส่วนร่วมของทรัพยากรคอมพิวเตอร์ส่วนบุคคล (CPU, GPU, และแบนด์วิดธ์) เพื่อทรานสโค้ดและกระจายวิดีโอเพื่อรับค่าธรรมเนียม โทเค็นเกิดจากการเล่นเขียน (LPT) แทนสิทธิและประสิทธิภาพของผู้เข้าร่วมเครือข่ายในเครือข่าย จำนวนโทเค็นที่มีการทราบเป็นตัวกำหนดน้ำหนักของโหนดในเครือข่าย ซึ่งจะส่งผลต่อโอกาสในการได้รับงานทรานสโค้ด พร้อมกับนี้ LPT ยังมีบทบาทในการนำโหนดให้ทำงานที่ได้รับมอบหมายอย่างปลอดภัย เชื่อถือได้ และรวดเร็ว

2. นิทรรศการ AIarea

ในระบบนิเวศปัจจุบันในด้าน AI ผู้เล่นหลักสามารถแบ่งเป็นประมาณ

เริ่มต้นจากด้านอุปสงค์มีความแตกต่างที่เห็นได้ชัดในความต้องการพลังการประมวลผลในขั้นตอนต่างๆของอุตสาหกรรม การพัฒนาแบบจําลองพื้นฐานเป็นตัวอย่างกระบวนการก่อนการฝึกอบรมต้องใช้การประมวลผลแบบขนานการจัดเก็บการสื่อสาร ฯลฯ ที่สูงมากเพื่อให้มั่นใจถึงประสิทธิภาพของผลการฝึกอบรม สิ่งนี้ต้องใช้คลัสเตอร์พลังการประมวลผลขนาดใหญ่เพื่อทํางานที่เกี่ยวข้องให้เสร็จสมบูรณ์ ในปัจจุบันอุปทานหลักของพลังการประมวลผลส่วนใหญ่อาศัยห้องคอมพิวเตอร์ที่สร้างขึ้นเองและแพลตฟอร์มบริการคลาวด์แบบรวมศูนย์ ในขั้นตอนต่อมาของการปรับแต่งแบบจําลองการให้เหตุผลแบบเรียลไทม์และการพัฒนาแอปพลิเคชันข้อกําหนดสําหรับการประมวลผลแบบขนานและการสื่อสารระหว่างโหนดนั้นไม่สูงนัก นี่คือจุดที่พลังการประมวลผลแบบกระจายอํานาจสามารถแสดงศักยภาพได้อย่างเต็มที่

เมื่อมองไปที่โครงการที่ได้รับความนิยมมากมายก่อนหน้านี้ Akash Network ได้ทำการพยายามบางอย่างในทิศทางของพลังคอมพิวเตอร์ที่ไม่ centralize:

Akash Network รวมส่วนประกอบเทคโนโลยีต่างๆ เข้าด้วยกันเพื่อให้ผู้ใช้สามารถปรับใช้และจัดการแอปพลิเคชันในสภาพแวดล้อมระบบคลาวด์แบบกระจายอํานาจได้อย่างมีประสิทธิภาพและยืดหยุ่น ผู้ใช้สามารถใช้เทคโนโลยีคอนเทนเนอร์ Docker เพื่อบรรจุแอปพลิเคชัน จากนั้นปรับใช้และปรับขนาดผ่าน Kubernetes ผ่าน CloudMOS บนทรัพยากรระบบคลาวด์ที่ Akash จัดหาให้ Akash ใช้วิธีการ "ประมูลย้อนกลับ" ซึ่งทําให้ราคาต่ํากว่าบริการคลาวด์แบบเดิม

Akash Network ยังประกาศในเดือนสิงหาคมปีนี้ว่าจะเปิดตัวอัพเกรดครั้งที่หกของเครือข่ายหลักของตน โดยรวมการสนับสนุน GPUs เข้าสู่บริการคลาวด์ของตนและให้พลังการคำนวณให้กับทีม AI มากขึ้นในอนาคต

Gensyn.ai ซึ่งเป็นโครงการที่ได้รับความสนใจอย่างมากในอุตสาหกรรมในปีนี้นําโดย a16z และเสร็จสิ้นการจัดหาเงินทุน Series A จํานวน 43 ล้านเหรียญสหรัฐ ตัดสินจากเอกสารที่เผยแพร่จนถึงตอนนี้โครงการ มันเป็นเครือข่ายหลักตามโปรโตคอล L1 PoS ของเครือข่าย Polkadot โดยเน้นการเรียนรู้เชิงลึก มีจุดมุ่งหมายเพื่อผลักดันขอบเขตของแมชชีนเลิร์นนิงโดยการสร้างเครือข่ายคลัสเตอร์ซูเปอร์คอมพิวเตอร์ทั่วโลก เครือข่ายนี้เชื่อมต่ออุปกรณ์ตั้งแต่ศูนย์ข้อมูลที่มีพลังการประมวลผลส่วนเกินไปจนถึงพีซีที่อาจนําไปสู่ GPU ส่วนบุคคล ASIC แบบกําหนดเองและ SoC

เพื่อแก้ไขบางปัญหาที่มีอยู่ในพลังคอมพิวเตอร์ที่กระจายอยู่ Gensyn ใช้ข้อมูลจากบางผลการวิจัยทฤษฎีใหม่ในวงการวิชาการ:

1. ใช้การเรียนรู้ที่น่าจะเป็นจริงเพื่อใช้ข้อมูลเมตาดาต้าของกระบวนการปรับปรุงตำแหน่งเพื่อสร้างพิสูจน์การดำเนินงานที่เกี่ยวข้องเพื่อเร่งกระบวนการตรวจสอบ;

2. โปรโตคอลที่ใช้กราฟเป็นพื้นฐาน เพปี เป็นสะพานที่เชื่อมต่อการดำเนินการแบบออฟไลน์ของ DNN (Deep Neural Network) และโครงสร้างสัญญาอัจฉริยะบนบล็อกเชน แก้ไขความไม่สอดคล้องที่เกิดขึ้นได้ง่ายในอุปกรณ์ฮาร์ดแวร์ และรักษาความสอดคล้องของการตรวจสอบ

3. วิธีสร้างส่วนตัวที่คล้ายกับ Truebit ที่ผ่านการผสมผสานของการจำนงและการลงโทษ สร้างระบบสร้างสรรค์ที่ช่วยให้ผู้เข้าร่วมที่มีเหตุผลทางเศรษฐกิจทำงานอย่างซื่อสัตย์ กลไกใช้การเข้ารหัสและทฤษฎีเกม ระบบการตรวจสอบนี้เป็นสิ่งสำคัญสำหรับการรักษาความสมบูรณ์และความเชื่อถือของการคำนวณการฝึกโมเดลขนาดใหญ่

อย่างไรก็ตามเป็นที่น่าสังเกตว่าเนื้อหาข้างต้นเป็นเรื่องเกี่ยวกับการแก้ปัญหาระดับการตรวจสอบความสําเร็จของงานมากกว่าพลังการประมวลผลแบบกระจายอํานาจเพื่อให้ได้ฟังก์ชั่นการฝึกอบรมแบบจําลองเป็นไฮไลท์หลักในเอกสารโครงการโดยเฉพาะอย่างยิ่งเกี่ยวกับการประมวลผลแบบขนานและการเพิ่มประสิทธิภาพการสื่อสารการซิงโครไนซ์และปัญหาอื่น ๆ ระหว่างฮาร์ดแวร์ ปัจจุบันได้รับผลกระทบจากเวลาแฝงของเครือข่าย (เวลาแฝง) และแบนด์วิดท์ (แบนด์วิดท์) การสื่อสารระหว่างโหนดบ่อยครั้งจะเพิ่มเวลาในการทําซ้ําและค่าใช้จ่ายในการสื่อสาร สิ่งนี้ไม่เพียง แต่จะนํามาซึ่งการเพิ่มประสิทธิภาพที่แท้จริง แต่จะลดประสิทธิภาพการฝึกอบรม แนวทางของ Gensyn ในการจัดการการสื่อสารโหนดและการคํานวณแบบขนานในการฝึกอบรมแบบจําลองอาจเกี่ยวข้องกับโปรโตคอลการประสานงานที่ซับซ้อนเพื่อจัดการลักษณะการคํานวณแบบกระจาย อย่างไรก็ตามหากไม่มีข้อมูลทางเทคนิคโดยละเอียดเพิ่มเติมหรือความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับวิธีการเฉพาะของพวกเขากลไกที่แน่นอนที่ Gensyn ประสบความสําเร็จในการฝึกอบรมโมเดลขนาดใหญ่ผ่านเครือข่ายจะไม่ถูกเปิดเผยอย่างแท้จริงจนกว่าโครงการจะออนไลน์

นอกจากนี้เรายังให้ความสนใจกับโปรโตคอล Edge Matrix Computing (EMC) ซึ่งใช้เทคโนโลยีบล็อกเชนเพื่อใช้พลังการประมวลผลกับ AI การแสดงผลและการวิจัยทางวิทยาศาสตร์ การเข้าถึงอีคอมเมิร์ซ AI และสถานการณ์ประเภทอื่น ๆ งานจะถูกกระจายไปยังโหนดพลังการประมวลผลที่แตกต่างกันผ่านการประมวลผลแบบยืดหยุ่น วิธีนี้ไม่เพียง แต่ปรับปรุงประสิทธิภาพของพลังการประมวลผล แต่ยังช่วยให้มั่นใจในความปลอดภัยของการส่งข้อมูล ในขณะเดียวกันก็มีตลาดพลังการประมวลผลที่ผู้ใช้สามารถเข้าถึงและแลกเปลี่ยนทรัพยากรการประมวลผลได้ สะดวกสําหรับนักพัฒนาในการปรับใช้และเข้าถึงผู้ใช้ได้เร็วขึ้น เมื่อรวมกับรูปแบบทางเศรษฐกิจของ Web3 ผู้ให้บริการพลังงานการประมวลผลยังสามารถได้รับผลประโยชน์ที่แท้จริงและเงินอุดหนุนปาร์ตี้โปรโตคอลตามการใช้งานจริงของผู้ใช้และนักพัฒนา AI ยังสามารถได้รับเหตุผลและต้นทุนการแสดงผลที่ต่ํากว่า ด้านล่างนี้เป็นภาพรวมของส่วนประกอบและหน้าที่หลัก:

คาดว่าสินค้า RWA ที่ใช้ GPU จะเปิดตัวในอนาคตด้วย ประการสำคัญในการทำเช่นนี้คือการทำให้ฮาร์ดแวร์ที่เคยติดตั้งไว้ในห้องคอมพิวเตอร์มีชีวิตชีวาและแบ่งแยกและหมุนเวียนในรูปแบบของ RWA เพื่อรับ Likuiditi เพิ่มเติม GPU คุณภาพสูงสามารถใช้เป็นสินทรัพย์พื้นฐานของ RWA เหตุผลคือพลังคอมพิวเตอร์สามารถถือเป็นเงินเหรียญแข็งในศาสตร์ AI ในปัจจุบันมีความขัดแย้งที่ชัดเจนระหว่างสินค้าและความต้องการ และความขัดแย้งนี้ไม่สามารถแก้ไขในระยะสั้น ดังนั้นราคา GPU มีความเสถียรสูง

นอกจากนี้การใช้คลัสเตอร์พลังงานการประมวลผลโดยการปรับใช้ห้องคอมพิวเตอร์ IDC ยังเป็นส่วนสําคัญของโปรโตคอล EMC สิ่งนี้ไม่เพียง แต่ช่วยให้ GPU ทํางานในสภาพแวดล้อมที่เป็นหนึ่งเดียว แต่ยังจัดการงานที่ใช้พลังงานในการประมวลผลขนาดใหญ่ที่เกี่ยวข้องได้อย่างมีประสิทธิภาพมากขึ้นเช่นการฝึกอบรมแบบจําลองล่วงหน้า สิ่งนี้ตอบสนองความต้องการของผู้ใช้มืออาชีพ ในขณะเดียวกันห้องคอมพิวเตอร์ IDC ยังสามารถโฮสต์และเรียกใช้ GPU จํานวนมากจากส่วนกลางเพื่อให้แน่ใจว่าข้อกําหนดทางเทคนิคของฮาร์ดแวร์คุณภาพสูงประเภทเดียวกันทําให้ง่ายต่อการบรรจุเข้าสู่ตลาดเป็นผลิตภัณฑ์ RWA และเปิดแนวคิดใหม่สําหรับ DeFi

ในช่วงไม่กี่ปีที่ผ่านมาชุมชนวิชาการได้พัฒนาทฤษฎีทางเทคนิคใหม่และแนวทางปฏิบัติในการประยุกต์ใช้ในด้านการประมวลผลขอบ ในฐานะที่เป็นส่วนเสริมและการเพิ่มประสิทธิภาพของการประมวลผลแบบคลาวด์, การประมวลผลแบบเอดจ์เป็นส่วนหนึ่งของปัญญาประดิษฐ์ที่เร่งความเร็วจากระบบคลาวด์ไปยังเอดจ์และเข้าสู่อุปกรณ์ IoT ที่มีขนาดเล็กลงเรื่อย ๆ. อุปกรณ์ IoT เหล่านี้มักมีขนาดเล็ก, ดังนั้นแมชชีนเลิร์นนิงที่มีน้ําหนักเบาจึงเป็นที่นิยมเพื่อตอบสนองปัญหาต่างๆ เช่น การใช้พลังงาน, เวลาแฝง, และความแม่นยํา.

Network3 สร้างขึ้นโดยการสร้าง AI Layer2 โดยเฉพาะเพื่อให้นักพัฒนา AI ทั่วโลกได้รับการเพิ่มประสิทธิภาพและการบีบอัดอัลกอริทึมแบบจําลอง AI การเรียนรู้แบบรวมศูนย์การประมวลผลขอบและการประมวลผลความเป็นส่วนตัว ให้บริการเพื่อช่วยให้พวกเขาฝึกอบรมหรือตรวจสอบโมเดลได้อย่างรวดเร็วสะดวกและมีประสิทธิภาพ ด้วยการใช้อุปกรณ์ฮาร์ดแวร์ IoT อัจฉริยะจํานวนมาก, สามารถมุ่งเน้นไปที่โมเดลขนาดเล็กเพื่อให้พลังการประมวลผลที่สอดคล้องกัน, และโดยการสร้าง TEE (Trusted Execution Environment), ผู้ใช้สามารถฝึกอบรมที่เกี่ยวข้องได้โดยการอัปโหลดการไล่ระดับสีโมเดลเท่านั้นเพื่อให้แน่ใจว่าข้อมูลที่เกี่ยวข้องกับความเป็นส่วนตัวและความปลอดภัย.

สรุป

• กับการพัฒนา AI และสาขาอื่น ๆ หลายสาขาอุตสาหกรรมจะเผชิญกับการเปลี่ยนแปลงขนาดใหญ่ในตรรกะพื้นฐานของตน พลังคอมพิวเตอร์จะเติบโตขึ้นเป็นตำแหน่งที่สำคัญมากขึ้น และด้านต่าง ๆ ที่เกี่ยวข้องกับมันก็จะทำให้เกิดการสำรวจที่กว้างขวางในอุตสาหกรรม ระบบพลังคอมพิวเตอร์ที่แบ่งออกเป็นหลายส่วนมีข้อดีของตัวเอง สามารถลดความเสี่ยงจากการทำให้เป็นจุดศูนย์กลางและยังสามารถทำหน้าที่เสริมเป็นการสำเร็จรูปของพลังคอมพิวเตอร์ที่เป็นจุดศูนย์กลางได้อีกด้วย

• และทีมในฟิลด์ AI ก็อยู่ในช่วงทางแยก การเลือกว่าจะใช้โมเดลการฝึกอบรมขนาดใหญ่เพื่อสร้างผลิตภัณฑ์ของตนเอง หรือจะเข้าร่วมการฝึกอบรมโมเดลขนาดใหญ่ในภูมิภาคของตนเองส่วนใหญ่เป็นธรรมชาติ ดังนั้น พลังคอมพิวเตอร์ที่แบ่งเบาะแสของการคำนวณสามารถตอบสนองความต้องการทางธุรกิจที่แตกต่างได้ แนวโน้มในการพัฒนานี้เป็นที่ยินดีและพร้อมต้อนรับ และพร้อมกับการอัพเดทเทคโนโลยีและการอัพเดทของอัลกอริทึม จะมีการพัฒนาที่ตั้งใจในพื้นที่สำคัญ

• อย่ากลัว แค่ค่อยๆ ค้นหาคำตอบ

การอ้างอิง

https://www.semianalysis.com/p/gpt-4-architecture-infrastructure

https://medium.com/render-token/render-network-q2-highlights-part-2-network-statistics-ac5aa6bfa4e5

https://know.rendernetwork.com/

https://medium.com/livepeer-blog/an-overview-of-the-livepeer-network-and-lpt-44985f9321ff

https://www.youtube.com/watch?v=FDA9wqZmsY8

https://mirror.xyz/1kx.eth/q0s9RCH43JCDq8Z2w2Zo6S5SYcFt9ZQaRITzR4G7a_k

https://mirror.xyz/gensyn.eth/_K2v2uuFZdNnsHxVL3Bjrs4GORu3COCMJZJi7_MxByo

https://docs.gensyn.ai/litepaper/#solution

https://a16zcrypto.com/posts/announcement/investing-in-gensyn/

https://www.pinecone.io/learn/chunking-strategies/

https://akash.network/blog/the-fast-evolving-ai-landscape/

https://aws.amazon.com/cn/blogs/compute/amazon-ec2-p4d-instances-deep-dive/

https://manual.edgematrix.pro/emc-network/what-is-emc-and-poc

https://arstechnica.com/gaming/2022/09/the-end-of-ethereum-mining-could-be-a-bonanza-for-gpu-shoppers/

Disclaimer：

1. บทความนี้ถูกพิมพ์ซ้ำจาก [ PANews]. All copyrights belong to the original author [Future3 Campus]. หากมีข้อโต้แย้งใด ๆ เรื่องการพิมพ์ซ้ำนี้ โปรดติดต่อGate เรียนรู้ทีม และพวกเขาจะดำเนินการโดยเร็ว
2. คำปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นที่สร้างสรรค์ของคำแนะนำในการลงทุนใด ๆ
3. การแปลบทความเป็นภาษาอื่น ๆ โดยทีม Gate Learn ถูกดำเนินการ นอกจากนี้ถ้าไม่ได้กล่าวถึง การคัดลอก การกระจายหรือการลอกเลียนบทความที่ถูกแปล ถูกห้าม