Повторите оригинальный заголовок: Новый проект на основе Solana AI + DePIN: Краткий анализ предстоящего токен-запуска IO.NET

Введение

Внаш последний отчет, мы упоминали, что по сравнению с предыдущими двумя циклами, текущий бычий рынок криптовалют лишен новых бизнес-моделей и активных повествований. Искусственный интеллект (ИИ) является одним из новых повествований в пространстве Web3 в этом цикле. В этой статье мы погружаемся в горячий проект ИИ года, IO.NET, и систематизируем мысли по следующим двум вопросам:

• Необходимость AI+Web3 в коммерческом ландшафте
• Необходимость и вызовы развертывания децентрализованной вычислительной сети

Во-вторых, я соберу ключевую информацию о представительном проекте в децентрализованной сети вычислений искусственного интеллекта: IO.NET, включая дизайн продукта, конкурентную среду и фон проекта. Я также буду предполагать о метриках оценки проекта.

Инсайты о Логика бизнеса за слиянием искусственного интеллекта и Web3часть черпает вдохновение из “Реальное объединение«Это анализ подготовил Майкл Ринко, аналитик исследователь в Delphi Delphi. В этом анализе использованы и процитированы идеи из его работы, читателю настоятельно рекомендуется прочитать оригинальную статью.

Пожалуйста, обратите внимание, что этот материал отражает мои текущие мысли и может развиваться. Мнения здесь субъективны, и могут быть ошибки в фактах, данных и логическом мышлении. Это не финансовый совет, но обратная связь и обсуждения приветствуются.

Следующий текст - основной текст.

1. Бизнес-логика слияния искусственного интеллекта и Web3

1.1 2023: "Annus Mirabilis" для искусственного интеллекта

Отражаясь в анналах человеческого развития, ясно, что технологические прорывы катализируют глубокие трансформации – от повседневной жизни до индустриальных ландшафтов и марша самой цивилизации.

В истории человечества есть два значимых года, а именно 1666 и 1905, которые сейчас отмечаются как «Annus Mirabilis» в истории науки.

Год 1666 года получил свое название благодаря каскаду научных открытий Исаака Ньютона. За один год он открыл новую область физики, известную как оптика, основал математическую дисциплину и произвел закон всемирного тяготения, который является фундаментальным законом современной естественной науки. Каждый из этих вкладов был ключевым для научного развития человечества в течение следующего столетия, значительно ускоряя общий прогресс науки.

Другим веховым годом является 1905 год, когда всего 26-летний Эйнштейн опубликовал четыре статьи подряд в «Annalen der Physik», касающиеся фотоэлектрического эффекта, заложившего основы квантовой механики; броуновского движения, предоставившего решающую основу для анализа стохастических процессов; теории специальной теории относительности; и эквивалентности массы и энергии, заключенной в уравнении E=MC^2. Отдавая должное, каждая из этих статей считается превосходящей средний уровень работ, удостоенных Нобелевской премии в физике – награды, которую сам Эйнштейн получил за свою работу по фотоэлектрическому эффекту. Эти вклады коллективно продвинули человечество на несколько шагов вперед в пути цивилизации.

Год 2023, недавно оставшийся позади, намерен отмечаться как еще один «Чудесный Год», благодаря в значительной степени появлению ChatGPT.

Рассматривать 2023 год как «год чудес» в истории технологий человека — это не только признание продвижений в обработке и генерации естественного языка ChatGPT. Это также признание ясного паттерна в развитии крупных языковых моделей — осознание того, что расширяя параметры модели и обучающие наборы данных, мы можем достичь экспоненциального улучшения производительности модели. Более того, это кажется безграничным в краткосрочной перспективе, при условии, что вычислительная мощность сохраняет темп.

Эта способность простирается далеко за пределы понимания языка и генерации разговоров; ее можно широко применять в различных научных областях. Возьмем, к примеру, применение больших языковых моделей в биологическом секторе:

• В 2018 году лауреат Нобелевской премии по химии Фрэнсис Арнольд сказала во время церемонии награждения: «Сегодня мы можем, по сути, читать, писать и редактировать любую последовательность ДНК, но не можем ее сочинить. » Быстро переместимся на пять лет вперед, в 2023 год, когда команда исследователей из университета Стэнфорда и Salesforce Research, стартапа, специализирующегося на искусственном интеллекте, опубликовала статью в «Nature Biotechnology.» Используя большую языковую модель, улучшенную на основе GPT-3, они сгенерировали совершенно новый каталог из 1 миллиона белков. Среди них они обнаружили два белка с различными структурами, оба наделены антибактериальной функцией, что потенциально открывает путь для новых стратегий борьбы с бактериальной резистентностью за пределами традиционных антибиотиков. Это означает гигантский скачок в преодолении препятствий создания белков с помощью искусственного интеллекта.
• Ранее искусственный интеллект алгоритм AlphaFold предсказал структуры почти всех 2.14 миллиардов типов белков на Земле за 18 месяцев - достижение, которое усиливает достижения структурных биологов на протяжении всей истории на несколько порядков величины.

Интеграция моделей искусственного интеллекта обещает радикально трансформировать отрасли. От технологий жестких технологий в биотехнологии, материаловедении и открытии лекарств до культурных сфер права и искусства, намечается волна трансформации, которая изменит эти области, а 2023 год станет началом этого всего.

Это широко признано, что прошлый век стал свидетелем взрывного роста способности человечества генерировать богатство. Быстрое развитие технологий искусственного интеллекта ожидается ускорить этот процесс.

Общая тенденция мирового ВВП, Источник данных: Группа Всемирного банка

1.2 Слияние искусственного интеллекта и криптовалюты

Чтобы постигнуть врожденную потребность в слиянии искусственного интеллекта и криптовалюты, полезно рассмотреть, как их отличительные особенности дополняют друг друга.

Симбиоз искусственного интеллекта и криптовалютных функций

ИИ отличается тремя основными качествами:

• Стохастичность: искусственный интеллект стохастичен, его механизм производства контента является трудным для воспроизведения, загадочным черным ящиком, что делает его выводы по своей сути стохастичными.
• Resource Intensive: AI - это отрасль, требующая значительных ресурсов, таких как энергия, микросхемы и вычислительная мощность.
• Интеллект, подобный человеческому: ИИ (в скором времени) будет способен проходить тест Тьюринга, что делает все сложнее отличить между людьми и ИИ.*

_※ 30 октября 2023 года исследователи из Университета Калифорнии в Сан-Диего представили результаты теста Тьюринга для GPT-3.5 и GPT-4.0. Последний достиг результат 41%, уступив всего на 9 процентных пунктов отметке в 50%, при этом люди набрали 63% на том же тесте. Суть этого теста Тьюринга заключается в том, насколько участники воспринимают своего собеседника как человека. Результат выше 50% указывает на то, что большинство считает, что общаются с человеком, а не с машиной, тем самым считая, что ИИ успешно прошел тест Тьюринга, так как по меньшей мере половина людей не смогла отличить его от человека.

Поскольку искусственный интеллект прокладывает путь для революционных достижений в области производительности человека, он одновременно вносит глубокие вызовы в наше общество, в частности:

• Как проверить и контролировать стохастичность искусственного интеллекта, превратив ее в преимущество, а не в недостаток
• Как перейти к огромным требованиям к энергии и вычислительной мощности, которые требует искусственный интеллект
• Как отличить человека от ИИ

Криптовалюта и блокчейн-технологии могут предложить идеальное решение для вызовов, поставленных искусственным интеллектом, характеризующимся тремя ключевыми атрибутами:

• Детерминизм: Операции основаны на блокчейне, коде и смарт-контрактах, с четкими правилами и границами. Входные данные приводят к предсказуемым результатам, обеспечивая высокий уровень детерминизма.
• Эффективное распределение ресурсов: криптоэкономика способствовала возникновению обширного, глобального и свободного рынка, обеспечивающего быструю ценообразование, привлечение средств и передачу ресурсов. Наличие токенов дополнительно ускоряет согласование предложения и спроса на рынке, быстро достигая критической массы через инцентивирование.
• Недоверие: благодаря открытым реестрам и открытому программному обеспечению любой может легко проверить операции, создавая "недоверительную" систему. Кроме того, технология Zero-Knowledge (ZK) дополнительно обеспечивает сохранение конфиденциальности во время этих процессов проверки.

Для демонстрации взаимодополняемости между искусственным интеллектом и криптовалютной экономикой давайте рассмотрим три примера.

Пример A: Преодоление стохастичности с помощью искусственного интеллекта, управляемого криптовалютной экономикой

AI Агенты - это интеллектуальные программы, разработанные для выполнения задач от имени людей в соответствии с их директивами, причем Fetch.AI является заметным примером в этой области. Представьте, что мы поручаем нашему AI агенту выполнить финансовую операцию, например, "инвестировать $1000 в BTC." AI агент может столкнуться с двумя различными сценариями:

Сценарий 1: Агенту требуется взаимодействовать с традиционными финансовыми учреждениями (например, BlackRock) для покупки BTC ETF, сталкиваясь с множеством проблем совместимости с централизованными организациями, включая процедуры KYC, верификацию документов, процессы входа в систему и аутентификацию личности, которые в настоящее время являются значительными бременем.

Сценарий 2: При работе в рамках собственной крипто-экономики процесс упрощается. Агент мог бы непосредственно осуществить транзакцию через Uniswap или аналогичный торговый агрегатор, используя ваш аккаунт для входа и подтверждения заказа, в результате чего приобрести WBTC или другие варианты упакованного BTC. Эта процедура эффективна и оптимизирована. По сути, это функция, которую в настоящее время выполняют различные торговые боты, действуя как базовые искусственные интеллектуальные агенты с уклоном на торговые деятельности. С дальнейшим развитием и интеграцией искусственного интеллекта эти боты будут выполнять более сложные торговые задачи. Например, они могут отслеживать 100 умных денежных адресов на блокчейне, оценивать их стратегии торговли и успешность, выделять 10% своих средств на копирование их сделок за неделю, приостанавливать операции в случае невыгодных возвратов и выводить потенциальные причины этих стратегий.

ИИ процветает в рамках блокчейн-систем в основном потому, что правила криптографической экономики явно определены, и система позволяет отсутствие разрешений. Работа в соответствии с четкими руководящими принципами значительно снижает риски, связанные с врожденной стохастичностью ИИ. Например, доминирование ИИ над людьми в шахматах и видеоиграх обусловлено тем, что эти среды являются закрытыми песочницами с простыми правилами. В отличие от этого, прогресс в автономном вождении был более постепенным. Открытые вызовы мира более сложны, и наше терпение к непредсказуемому решению проблем ИИ в таких сценариях существенно ниже.

Пример B: Консолидация ресурсов с помощью токенов-стимулов

Мощная глобальная хеш-сеть, поддерживающая BTC, имеет текущую общую хеш-скорость 576,70 EH/s, превосходящую суммарную вычислительную мощность любого суперкомпьютера в любой стране. Этот рост обусловлен простыми и честными стимулами в сети.

Тенденция хэшрейта BTC, источник: https://www.coinwarz.com/

Кроме того, проекты DePIN, такие как Mobile, исследуют токеновые стимулы для развития рынка как со стороны предложения, так и со стороны спроса с целью содействия сетевым эффектам. Следующий фокус этой статьи, IO.NET, является платформой, разработанной для агрегирования вычислительной мощности ИИ, с надеждой разблокировать потенциал вычислительной мощности ИИ через токеновую модель.

Пример C: Использование открытых исходных кодов и ZK Proof для различения людей от ИИ с защитой конфиденциальности

Worldcoin, проект Web3, основанный Сэмом Альтманом из OpenAI, использует новый подход к проверке личности. Используя аппаратное устройство под названием Orb, он использует биометрию человеческого радужного тела для создания уникальных и анонимных хэш-значений с помощью технологии Zero-Knowledge (ZK), разделяя людей и искусственный интеллект. В начале марта 2024 года веб-проект Drip начал использовать Worldcoin ID для аутентификации реальных людей и выделения наград.

Worldcoin недавно сделал открытым исходный код своего аппаратного обеспечения iris, Orb, обеспечивая безопасность и конфиденциальность биометрических данных.

В целом, благодаря детерминизму кода и криптографии, преимуществам циркуляции ресурсов и привлечения средств, принесенным механизмами на основе токенов и без разрешения, наряду с доверительным характером, основанным на открытом коде и общедоступных реестрах, криптоэкономика стала значительным потенциальным решением для вызовов, с которыми сталкивается человеческое общество в связи с искусственным интеллектом.

Самой насущной и коммерчески важной проблемой является чрезмерная жажда вычислительных ресурсов, необходимых для продуктов искусственного интеллекта, в первую очередь вызванная значительной потребностью в микросхемах и вычислительной мощности.

Это также основная причина, почему проекты распределенной вычислительной мощности лидируют во время текущего цикла бычьего рынка в общем секторе искусственного интеллекта.

Деловая необходимость децентрализованных вычислений

ИИ требует значительных вычислительных ресурсов, необходимых как для обучения модели, так и для задач вывода.

Было хорошо задокументировано, что при обучении больших языковых моделей, когда масштаб параметров данных значителен, эти модели начинают проявлять небывалые возможности. Экспоненциальные улучшения, видимые от одного поколения ChatGPT к следующему, обусловлены экспоненциальным ростом вычислительных требований для обучения модели.

Исследование DeepMind и Стэнфордского университета показывает, что при работе с различными большими языковыми моделями, будь то вычисление, ответ на персидский вопрос или понимание естественного языка, модели приближаются только к случайному угадыванию, пока тренировка не включает значительно увеличенные параметры модели (и, следовательно, вычислительные нагрузки). Производительность любой задачи остается практически случайной, пока вычислительные усилия не достигнут 10^22 FLOPs. После этого критического порога производительность задачи резко улучшается для любой языковой модели.

Источник: Возникающие способности крупных языковых моделей

Источник: Возникновение способностей больших языковых моделей

Принцип «достижения чудес с огромным усилием» в вычислительной мощности, как в теории, так и в практике, вдохновил основателя OpenAI Сэма Альтмана предложить амбициозный план по привлечению 7 триллионов долларов. Этот фонд предназначен для создания чипового завода, который превзойдет текущие возможности TSMC в десять раз (предполагаемая стоимость 1,5 триллиона долларов), с оставшимися средствами, выделенными на производство чипов и обучение моделей.

Помимо вычислительных требований к обучению моделей ИИ, процессы вывода также требуют значительной вычислительной мощности, хотя и меньше, чем обучение. Эта постоянная потребность в чипах и вычислительных ресурсах стала стандартной реальностью для участников в области искусственного интеллекта.

В отличие от централизованных поставщиков вычислительных мощностей ИИ, таких как Amazon Web Services, Google Cloud Platform и Azure от Microsoft, децентрализованные вычисления ИИ предлагают несколько убедительных ценностных предложений:

• Доступность: Получение доступа к вычислительным чипам через услуги, такие как AWS, GCP или Azure, обычно требует нескольких недель, а самые популярные модели GPU часто отсутствуют в наличии. Кроме того, потребители обычно ограничены длительными, жесткими контрактами с этими крупными корпорациями. С другой стороны, распределенные вычислительные платформы предоставляют гибкие варианты аппаратного обеспечения с улучшенной доступностью.
• Эффективность затрат: Используя неиспользуемые чипы и включая токеновые субсидии от сетевых протоколов для поставщиков чипов и вычислительной мощности, децентрализованные вычислительные сети могут предлагать вычислительную мощность по сниженным затратам.
• Сопротивление цензуре: Поставки передовых чипов в настоящее время контролируются крупными технологическими компаниями, и с ужесточением контроля со стороны правительства Соединенных Штатов над услугами по вычислениям ИИ, возможность получения вычислительной мощности децентрализованным, гибким и неограниченным образом становится все более ясной необходимостью. Это является основным предложением ценности веб3-платформ на основе вычислений.

Если ископаемое топливо было кровью промышленной эпохи, то мощность вычислений может быть кровью новой цифровой эры, наступившей с приходом ИИ, делая поставку вычислительной мощности инфраструктурой для эпохи искусственного интеллекта. Подобно тому, как стейблкоины появились как энергичная деривативная валюта фиатной валюты в эпоху Web3, не могут ли рынок распределенных вычислений развиться в захватывающий сегмент быстрорастущего рынка вычислений ИИ?

Это все еще развивающийся рынок, и многое еще предстоит увидеть. Тем не менее, несколько факторов могут потенциально стимулировать повествование или принятие децентрализованных вычислений:

• Постоянные проблемы с поставками GPU: Постоянные ограничения по поставкам GPU могут побудить разработчиков исследовать децентрализованные вычислительные платформы.
• Расширение регулирования: доступ к услугам компьютерных технологий искусственного интеллекта от крупных облачных платформ требует тщательной проверки клиента и контроля. Это может привести к более широкому применению децентрализованных платформ вычислений, особенно в областях, сталкивающихся с ограничениями или санкциями.
• Стимулы цены токена: Увеличение цен на токены во время бычьего рынка могло бы увеличить стоимость субсидий, предлагаемых поставщикам GPU платформами, привлекая больше поставщиков на рынок, увеличивая его масштаб и снижая издержки для потребителей.

В то же время вызовы, с которыми сталкиваются децентрализованные вычислительные платформы, также довольно очевидны:

Технические и инженерные проблемы

• Проблемы доказательства работы: Вычисления в моделях глубокого обучения, из-за иерархической структуры, где вывод каждого слоя используется в качестве входных данных для следующего, требуют проверки корректности вычислений с выполнением всех предыдущих работ, что не является ни простым, ни эффективным. Для решения этой проблемы децентрализованные вычислительные платформы должны либо разрабатывать новые алгоритмы, либо использовать приближенные методы верификации, которые предлагают вероятностное подтверждение результатов, а не абсолютное детерминирование.
• Проблемы параллелизации: Децентрализованные вычислительные платформы используют разнообразный спектр поставщиков микросхем, каждый из которых обычно предлагает ограниченную вычислительную мощность. Завершить задачи обучения или вывода модели ИИ одним поставщиком микросхем быстро практически невозможно. Поэтому задачи должны быть декомпозированы и распределены с использованием параллелизации для сокращения общего времени завершения. Однако данный подход вносит ряд сложностей, включая разбиение задач (особенно сложных задач глубокого обучения), зависимости данных и дополнительные затраты на связь между устройствами.
• Проблемы защиты конфиденциальности: Как можно обеспечить, чтобы данные и модели клиента не раскрывались получателю задач?

Проблемы соблюдения регулирования

• Децентрализованные вычислительные платформы, благодаря своей беспозволительной природе на рынках предложения и спроса, могут привлечь определенных клиентов как ключевой момент продажи. Однако по мере развития регулирующих рамок ИИ эти платформы могут все чаще становиться объектами правительственного внимания. Более того, некоторые поставщики GPU беспокоятся о том, используются ли их арендованные вычислительные ресурсы санкционированными предприятиями или отдельными лицами.

В общем, основными пользователями децентрализованных вычислительных платформ являются в основном профессиональные разработчики или малые и средние предприятия. В отличие от инвесторов криптовалют и NFT, эти клиенты отдают предпочтение стабильности и непрерывности предоставляемых платформой услуг, и ценообразование не обязательно является их главной заботой. Децентрализованным вычислительным платформам предстоит долгий путь, прежде чем они смогут завоевать широкое признание среди этой требовательной аудитории.

Далее мы погрузимся в детали и проведем анализ проекта IO.NET, нового проекта децентрализованной вычислительной мощности в этом цикле. Мы также сравним его с аналогичными проектами, чтобы оценить потенциальную рыночную оценку после его запуска.

2. Децентрализованная платформа вычислений искусственного интеллекта: IO.NET

2.1 Обзор проекта

IO.NET - это децентрализованная вычислительная сеть, которая создала двусторонний рынок вокруг микросхем. Со стороны предложения здесь находятся глобально распределенные вычислительные мощности, в основном GPU, а также ЦП и интегрированные GPU от Apple (iGPU). Со стороны спроса находятся инженеры по искусственному интеллекту, стремящиеся завершить обучение модели ИИ или задачи вывода.

Официальный сайт IO.NET заявляет о своей визии:

Наша миссия

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

Его миссия - интегрировать миллионы графических процессоров в свою сеть DePIN.

По сравнению с традиционными облачными вычислительными услугами искусственного интеллекта, эта платформа выделяется несколькими ключевыми преимуществами:

• Гибкая настройка: Инженеры по искусственному интеллекту имеют свободу выбирать и собирать необходимые микросхемы в "кластер", настраиваемый под их конкретные вычислительные задачи.
• Быстрое развертывание: В отличие от длительного утверждения и времени ожидания, связанного с централизованными провайдерами, такими как AWS, развертывание на этой платформе может быть завершено всего за секунды, что позволяет немедленно приступить к выполнению задачи.
• Эффективность затрат: стоимость услуг на 90% ниже, чем предлагаемые основными поставщиками.

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

2.2 Механизм продукта и бизнес-метрики

Механизмы продукта и опыт развертывания

Подобно крупным платформам, таким как Amazon Cloud, Google Cloud и Alibaba Cloud, IO.NET предлагает вычислительные услуги, известные как IO Cloud. Этот сервис работает через распределенную и децентрализованную сеть микросхем, поддерживающих выполнение кода машинного обучения на основе Python для приложений искусственного интеллекта и машинного обучения.

Основной бизнес модуль IO Cloud называется Clusters——самокоординирующиеся группы графических процессоров, разработанные для эффективной обработки вычислительных задач. Инженеры по искусственному интеллекту имеют гибкость настраивать кластеры под свои конкретные потребности.

Пользовательский интерфейс IO.NET чрезвычайно удобен. Если вы планируете развернуть собственный кластер чипов для задач искусственного интеллекта, просто перейдите на страницу кластеров на платформе, где вы сможете легко настроить желаемый кластер чипов в соответствии с вашими требованиями.

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

Сначала вам нужно выбрать тип кластера, доступны три варианта:

• Общее: обеспечивает общую среду, подходящую для начальных этапов проекта, когда конкретные требования к ресурсам еще неясны.
• Train: Кластер, специально разработанный для обучения и настройки моделей машинного обучения. Этот вариант предоставляет дополнительные ресурсы GPU, большую память и/или более быстрые сетевые соединения для выполнения этих интенсивных вычислительных задач.
• Вывод: кластер, специально разработанный для вывода с низкой задержкой и высокой нагрузкой. В контексте машинного обучения вывод означает использование обученных моделей для прогнозирования или анализа новых наборов данных и предоставления обратной связи. Поэтому эта опция фокусируется на оптимизации задержки и пропускной способности для поддержки потребностей в обработке данных в реальном времени или почти в реальном времени.

Далее вам нужно выбрать поставщика для вашего кластера. IO.NET имеет партнерство с Render Network и сетью майнеров Filecoin, позволяя пользователям выбирать фишки от IO.NET или других двух сетей в качестве источника поставки для своих вычислительных кластеров. Это эффективно позиционирует IO.NET как агрегатор (примечание: услуги Filecoin временно недоступны). Следует отметить, что на данный момент в IO.NET доступно более 200 000 GPU, в то время как у Render Network есть более 3 700 доступных GPU.

После этого вы перейдете к этапу выбора аппаратного обеспечения вашего кластера. В настоящее время IO.NET перечисляет только графические процессоры в качестве доступного варианта аппаратного обеспечения, исключая центральные процессоры или графические процессоры Apple (M1, M2 и т. д.), причем графические процессоры в основном состоят из продуктов NVIDIA.

Среди официально перечисленных и доступных вариантов аппаратного обеспечения GPU, основанных на данных, протестированных мной в тот день, общее количество доступных онлайн GPU в сети IO.NET составило 206 001. GPU с наибольшей доступностью был GeForce RTX 4090, с 45 250 единицами, за которым следовал GeForce RTX 3090 Ti, с 30 779 единицами.

Кроме того, онлайн доступно 7 965 единиц высокоэффективного чипа A100-SXM4-80GB (каждый стоит более $15 000), который более эффективен для вычислений искусственного интеллекта, таких как машинное обучение, глубокое обучение и научные вычисления.

NVIDIA H100 80GB HBM3, который разработан с нуля для искусственного интеллекта (с рыночной ценой более $40,000), обеспечивает производительность обучения в 3.3 раза выше и производительность вывода в 4.5 раза выше, чем у A100. В настоящее время онлайн доступно 86 единиц.

После выбора типа аппаратного обеспечения для кластера пользователи должны будут указать дополнительные детали, такие как географическое расположение кластера, скорость подключения, количество графических процессоров и продолжительность.

Наконец, IO.NET рассчитает подробный счет на основе ваших выбранных параметров. В качестве иллюстрации рассмотрим следующую конфигурацию кластера:

• Тип кластера: Общий
• 16 A100-SXM4-80GB GPUs
• Уровень подключения: Высокая скорость
• Географическое расположение: Соединенные Штаты
• Продолжительность: 1 неделя

Общая сумма счета за эту конфигурацию составляет $3311.6, при часовой арендной плате за карту в размере $1.232.

Почасовая арендная плата за один A100-SXM4-80GB на Amazon Web Services, Google Cloud и Microsoft Azure составляет $5.12, $5.07 и $3.67 соответственно (данные получены из источника:https://cloud-gpus.com/, фактическицены могут варьироваться в зависимости от деталей контракта).

Следовательно, когда речь идет о стоимости, IO.NET предлагает вычислительную мощность чипа по ценам намного ниже, чем у основных поставщиков. Кроме того, гибкость в вариантах поставки и закупки делает IO.NET привлекательным выбором для многих пользователей.

Обзор бизнеса

Сторона предложения

На 4 апреля 2024 года официальная статистика показывает, что у IO.NET имеется общее количество поставок GPU в размере 371,027 единиц и поставок CPU в размере 42,321 единиц со стороны поставщика. Кроме того, Render Network, в качестве партнера, имел дополнительно подключенные к сети 9,997 GPU и 776 CPU.

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

На момент написания текста 214 387 видеокарт, интегрированных с IO.NET, были в сети, что привело к онлайн-показателю в 57,8%. Онлайн-показатель для видеокарт, поступающих из Render Network, составил 45,1%.

Что подразумевает эти данные с точки зрения предложения?

Для того чтобы предоставить точку отсчета, давайте включим в игру сеть Akash, более опытный децентрализованный проект вычислений.

Сеть Akash запустила свою основную сеть уже в 2020 году, изначально сосредоточившись на децентрализованных услугах для ЦП и хранилищ. Она запустила тестовую сеть для услуг GPU в июне 2023 года и впоследствии запустила основную сеть для децентрализованной вычислительной мощности GPU в сентябре того же года.

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

Согласно официальным данным от Akash, даже если сторона предложения продолжает расти с момента запуска своей сети GPU, общее количество подключенных к сети GPU остается всего 365.

При оценке объема поставки GPU IO.NET значительно превосходит сеть Akash, работающую на гораздо более крупной шкале. IO.NET зарекомендовал себя как крупнейший поставщик вычислительной мощности GPU в децентрализованном секторе.

Спросовая сторона

Со стороны спроса IO.NET все еще находится в начальной стадии культивирования рынка, с относительно небольшим общим объемом вычислительных задач, выполняемых на его сети. Большинство графических процессоров находятся в сети, но бездействуют, показывая процент рабочей нагрузки 0%. Только четыре типа чипов - A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S и H100 80GB HBM3 - активно участвуют в обработке задач, и из них только A100 PCIe 80GB K8S испытывает рабочую нагрузку выше 20%.

Официальный уровень стресса сети, заявленный на сегодняшний день, составил 0%, что указывает на то, что значительная часть поставки GPU в настоящее время находится в онлайн-режиме, но не используется.

Финансово IO.NET накопил $586,029 в сервисных сборах на сегодняшний день, при этом $3,200 из этой суммы были сгенерированы в последний день.

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

Финансовые показатели, касающиеся сетевых расчетных сборов, как по общему, так и по ежедневному объему транзакций, тесно соотносятся с показателями Akash. Однако важно отметить, что основная часть доходов Akash получается от предложений по использованию CPU, превышающих 20 000 единиц.

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

Кроме того, IO.NET раскрыл подробные данные по задачам вывода ИИ, обработанным сетью. По последнему отчету платформа успешно обработала и подтвердила более 230 000 задач вывода, хотя большая часть этого объема исходит от BC8.AI, проекта, спонсируемого IO.NET.

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

Сторона предложения IO.NET эффективно расширяется под влиянием ожиданий, связанных с воздушным капельником и мероприятием сообщества, известным как "Ignition". Эта инициатива быстро привлекла значительное количество вычислительной мощности ИИ. Однако на стороне спроса расширение остается начинающим с недостаточным органическим спросом. Причины этого медленного спроса - будь то из-за усилий по привлечению неподготовленных потребителей или нестабильного опыта обслуживания, приводящего к ограниченному масштабному принятию - требуют дальнейшей оценки.

Учитывая сложности быстрого сокращения разрыва в возможностях искусственного интеллекта, многие инженеры и проекты по искусственному интеллекту исследуют альтернативы, что потенциально увеличивает интерес к децентрализованным поставщикам услуг. Более того, IO.NET еще не внедрил экономические стимулы или мероприятия для стимулирования спроса, и по мере улучшения опыта использования продукта ожидаемое равновесие между предложением и спросом обещает будущее.

2.3 Фон команды и обзор финансирования

Профиль команды

Основная команда IO.NET изначально сосредоточилась на количественной торговле. До июня 2022 года они занимались созданием квалифицированных квантовых торговых систем на уровне институций для акций и криптовалют. Под влиянием спроса бэкэнда системы на вычислительные мощности команда начала исследовать потенциал децентрализованных вычислений и в конечном итоге сосредоточилась на конкретной проблеме снижения стоимости услуг по вычислениям на GPU.

Основатель и генеральный директор: Ахмад Шадид

Перед основанием IO.NET Ахмад Шадид работал в количественной финансовой сфере и финансовом инжиниринге, а также является волонтером Фонда Эфириум.

CMO & Главный стратег по офицеру: Гаррисон Ян

Гаррисон Янг официально присоединился к IO.NET в марте 2024 года. До этого он был вице-президентом по стратегии и росту в Avalanche и является выпускником Университета Калифорнии в Санта-Барбаре.

COO: Тори Грин

Тори Грин занимает должность главного операционного директора IO.NET. Ранее он работал в должности главного операционного директора в Hum Capital и директора по развитию бизнеса и стратегии в Fox Mobile Group. Он окончил Стэнфордский университет.

Профиль IO.NET в LinkedIn указывает, что команда имеет штаб-квартиру в Нью-Йорке, США, с филиалом в Сан-Франциско, и насчитывает более 50 сотрудников.

Обзор финансирования

IO.NET провел только один публичный раунд финансирования - серию A, завершенную в марте этого года с оценкой в 1 миллиард долларов, благодаря которой им удалось привлечь 30 миллионов долларов. Этот раунд возглавили Hack VC, с участием других инвесторов, 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.

Особенно следует отметить, что инвестиции от фонда Aptos могли повлиять на решение проекта BC8.AI перейти от использования Solana для своих расчетов и учетных процессов к такому же высокопроизводительному блокчейну Layer 1, как Aptos.

2.4 Оценка стоимости

Согласно предыдущим заявлениям основателя и генерального директора Ахмада Шадида, IO.NET планирует запустить свой токен к концу апреля 2024 года.

IO.NET имеет два эталонных проекта, которые служат ориентиром для оценки: Render Network и Akash Network, оба из которых являются представительными проектами децентрализованных вычислений.

Существуют два основных метода оценки рыночной капитализации IO.NET: 1. Коэффициент цены к выручке (P/S), который сравнивает FDV с выручкой; 2. Коэффициент FDV к чипу (M/C Ratio)

Мы начнем с изучения потенциальной оценки с использованием коэффициента цены к выручке:

Исследуя коэффициент цены к выручке, Акаш представляет собой консервативную часть спектра оценки стоимости IO.NET, в то время как Render предоставляет высокий бенчмарк, предполагая FDV в диапазоне от $1.67 миллиарда до $5.93 миллиарда.

Однако, учитывая обновления проекта IO.NET, его более убедительную повествовательную линию, в сочетании с более низким начальным рыночным капиталом и широкой базой предложения, можно предположить, что его FDV может превзойти Render Network.

Обратимся к другой перспективе сравнения оценки, а именно «FDV-to-Chip Ratio».

В контексте рынка, где спрос на вычислительную мощность искусственного интеллекта превышает предложение, наиболее важным элементом децентрализованных сетей вычислительных мощностей искусственного интеллекта является масштаб поставки GPU. Поэтому мы можем использовать «Отношение FDV к чипу», которое представляет собой отношение полностью разбавленной стоимости проекта к количеству чипов в сети, чтобы выяснить возможный диапазон оценки IO.NET и предоставить читателям эту информацию в качестве справки.

Использование рыночно-чипового коэффициента для расчета диапазона оценки IO.NET помещает нас между $20.6 миллиарда и $197.5 миллиарда, причем Render Network устанавливает верхний стандарт, а Akash Network - нижний.

Энтузиасты проекта IO.NET могут рассматривать это как чрезвычайно оптимистичную оценку капитализации рынка.

Важно учитывать текущее огромное количество фишек онлайн для IO.NET, стимулируемых ожиданиями воздушных капель и инцентивными мероприятиями. Фактический онлайн-счет поставки после официального запуска проекта все еще требует наблюдения.

В целом оценки, полученные на основе коэффициента цены к выручке, могут предложить более надежные идеи.

IO.NET, построенная на основе Solana и украшенная слиянием искусственного интеллекта и DePIN, находится на пороге запуска своего токена. Антиципация ощутима, поскольку мы стоим рядом, чтобы увидеть влияние на его капитализацию после запуска.

Reference：

Dephi Digital: Реальное слияние

Galaxy: Понимание пересечения криптовалют и искусственного интеллекта

Утверждение:

1. Эта статья воспроизведена с [panews], и авторские права принадлежат оригинальному автору [Алекс Ксу], если у вас есть возражения против перепечатки, пожалуйста, свяжитесь Gate Learn Team , команда обработает это как можно скорее в соответствии с соответствующими процедурами.

2. Отказ от ответственности: Взгляды и мнения, выраженные в этой статье, представляют только личные взгляды автора и не являются инвестиционными советами.

3. Другие языковые версии статьи переведены командой Gate Learn и не упоминаются в Gate.io, переведенная статья не может быть воспроизведена, распространена или использована в качестве плагиата.