ผู้เขียนต้นฉบับ: Alex Xu พันธมิตรด้านการวิจัยของ Mint Ventures
การแนะนำ
ในตัวฉันบทความก่อนหน้านี้กล่าวว่าเมื่อเทียบกับสองรอบก่อนหน้านี้ วงจรตลาดกระทิงของสกุลเงินดิจิทัลนี้ยังขาดธุรกิจใหม่และการเล่าเรื่องเกี่ยวกับสินทรัพย์ใหม่ที่มีอิทธิพลเพียงพอ AI เป็นหนึ่งในเรื่องราวใหม่ไม่กี่เรื่องในสาขา Web3 รอบนี้ ในบทความนี้ ผู้เขียนจะพยายามแยกแยะความคิดของเขาเกี่ยวกับสองประเด็นต่อไปนี้โดยอิงจากโครงการ AI ยอดนิยมประจำปีนี้ IO.NET:
ความจำเป็นเชิงพาณิชย์ของ AI+Web3
ความจำเป็นและความท้าทายของบริการคอมพิวเตอร์แบบกระจาย
ประการที่สอง ผู้เขียนจะจัดเรียงข้อมูลสำคัญของโครงการ IO.NET ซึ่งเป็นโครงการตัวแทนของพลังการประมวลผลแบบกระจายของ AI รวมถึงตรรกะของผลิตภัณฑ์ ผลิตภัณฑ์ของคู่แข่ง และความเป็นมาของโครงการ และอนุมานการประเมินมูลค่าของโครงการ
แนวคิดส่วนหนึ่งของบทความนี้เกี่ยวกับการผสมผสานระหว่าง AI และ Web3 ได้รับแรงบันดาลใจจาก Michael rinko นักวิจัยที่ Delphi Digital《The Real Merge》แรงบันดาลใจ. ความเห็นบางส่วนในบทความนี้เรียบเรียงและยกมาจากบทความ แนะนำให้ผู้อ่านอ่านบทความต้นฉบับ
บทความนี้เป็นความคิดของผู้เขียน ณ เวลาที่ตีพิมพ์ อาจมีการเปลี่ยนแปลงได้ในอนาคต และความคิดเห็นถือเป็นอัตวิสัยสูง อาจมีข้อผิดพลาดในข้อเท็จจริง ข้อมูล และเหตุผล โปรดอย่าใช้เป็นข้อมูลอ้างอิงในการลงทุน . ยินดีต้อนรับความคิดเห็นและการอภิปรายจากเพื่อนร่วมงาน
ต่อไปนี้เป็นข้อความหลัก
1. ตรรกะทางธุรกิจ: การรวมกันของ AI และ Web3
1.1 2023: “ปีมหัศจรรย์” ใหม่ที่สร้างโดย AI
เมื่อมองย้อนกลับไปในประวัติศาสตร์ของการพัฒนามนุษย์ เมื่อเทคโนโลยีประสบความสำเร็จ การเปลี่ยนแปลงครั้งใหญ่จะตามมาตั้งแต่ชีวิตประจำวันของแต่ละคน โครงสร้างทางอุตสาหกรรมต่างๆ และอารยธรรมของมนุษย์ทั้งหมด
ในประวัติศาสตร์ของมนุษย์มี 2 ปีที่สำคัญ คือ ค.ศ. 1666 และ 1905 ซึ่งปัจจุบันเรียกว่า “ปีมหัศจรรย์” ทั้งสองแห่งในประวัติศาสตร์วิทยาศาสตร์และเทคโนโลยี
ปี 1666 ถือเป็นปีแห่งปาฏิหาริย์เพราะความสำเร็จทางวิทยาศาสตร์ของนิวตันกระจุกตัวในปีนั้น ในปีนี้ เขาได้เปิดสาขาฟิสิกส์สาขาทัศนศาสตร์ ก่อตั้งสาขาคณิตศาสตร์ของแคลคูลัส และได้รับสูตรแรงโน้มถ่วง ซึ่งเป็นกฎพื้นฐานของวิทยาศาสตร์ธรรมชาติสมัยใหม่ แต่ละสิ่งเหล่านี้จะมีส่วนสนับสนุนพื้นฐานในการพัฒนาวิทยาศาสตร์ของมนุษย์ในอีกร้อยปีข้างหน้า ซึ่งจะช่วยเร่งการพัฒนาวิทยาศาสตร์โดยรวมอย่างมาก
ปีอัศจรรย์ครั้งที่สองคือปี 1905 ไอน์สไตน์ ซึ่งในขณะนั้นอายุเพียง 26 ปี ได้ตีพิมพ์บทความสี่เรื่องติดต่อกันใน พงศาวดารของฟิสิกส์ ซึ่งครอบคลุมถึงปรากฏการณ์โฟโตอิเล็กทริก (การวางรากฐานสำหรับกลศาสตร์ควอนตัม) และการเคลื่อนที่แบบบราวเนียน (กลายเป็นวิธีการ เพื่อวิเคราะห์กระบวนการสุ่ม) ข้อมูลอ้างอิงที่สำคัญ) ทฤษฎีสัมพัทธภาพพิเศษ และสมการมวล-พลังงาน (นั่นคือ สูตรที่มีชื่อเสียง E=MC^2) ในการประเมินคนรุ่นต่อๆ ไป บทความทั้งสี่ชิ้นนี้เกินระดับเฉลี่ยของรางวัลโนเบลสาขาฟิสิกส์ (ไอน์สไตน์เองก็ได้รับรางวัลโนเบลจากบทความของเขาเกี่ยวกับเอฟเฟกต์โฟโตอิเล็กทริกด้วย) และกระบวนการทางประวัติศาสตร์ของอารยธรรมมนุษย์ก็กลับมายิ่งใหญ่อีกครั้ง ขั้นสูง หลายขั้นตอน
ปี 2023 ที่เพิ่งผ่านไปน่าจะเรียกได้ว่าเป็น “ปีมหัศจรรย์” อีกปีหนึ่ง เพราะ ChatGPT
เราถือว่าปี 2023 เป็น ปีมหัศจรรย์ ในประวัติศาสตร์ของวิทยาศาสตร์และเทคโนโลยีของมนุษย์ ไม่เพียงเพราะความก้าวหน้าอย่างมากของ GPT ในด้านความเข้าใจและการสร้างภาษาธรรมชาติเท่านั้น แต่ยังเป็นเพราะมนุษย์ได้ค้นพบการเติบโตของขีดความสามารถของโมเดลภาษาขนาดใหญ่จากวิวัฒนาการของ GPT กฎ - นั่นคือโดยการขยายพารามิเตอร์โมเดลและข้อมูลการฝึกอบรมความสามารถของโมเดลสามารถปรับปรุงได้แบบทวีคูณ - และจะไม่มีปัญหาคอขวดในกระบวนการนี้ในระยะสั้น (ตราบใดที่พลังการประมวลผลเพียงพอ)
ความสามารถนี้อยู่ไกลจากการเข้าใจภาษาและสร้างบทสนทนา นอกจากนี้ ยังสามารถนำมาใช้กันอย่างแพร่หลายในสาขาวิทยาศาสตร์และเทคโนโลยีต่างๆ อีกด้วย ยกตัวอย่างการใช้แบบจำลองภาษาขนาดใหญ่ในสาขาชีววิทยา:
ในปี 2018 ฟรานซิส อาร์โนลด์ ผู้ได้รับรางวัลโนเบลสาขาเคมี กล่าวในพิธีมอบรางวัลว่า วันนี้เราสามารถอ่าน เขียน และแก้ไขลำดับ DNA ใดๆ ในการใช้งานจริงได้ แต่เรายังไม่สามารถเรียบเรียงมันขึ้นมาได้ ห้าปีหลังจากการกล่าวสุนทรพจน์ของเขา ในปี 2023 นักวิจัย จากมหาวิทยาลัยสแตนฟอร์ดและสตาร์ทอัพด้าน AI ของ Silicon Valley Salesforce Research ตีพิมพ์รายงานในหัวข้อ Nature-Biotechnology พวกเขาใช้แบบจำลองภาษาขนาดใหญ่ที่ปรับแต่งอย่างละเอียดตาม GPT 3 ถึง 0 สร้างโปรตีนใหม่ 1 ล้านโปรตีน และพบโปรตีน 2 ชนิดที่มีโครงสร้างแตกต่างกันโดยสิ้นเชิง แต่ทั้งสองมีความสามารถในการฆ่าเชื้อแบคทีเรีย และคาดว่าจะกลายเป็นวิธีแก้ปัญหาในการต่อสู้กับแบคทีเรียนอกเหนือจากยาปฏิชีวนะ กล่าวอีกนัยหนึ่ง: ด้วยความช่วยเหลือของ AI คอขวดของ การสร้าง โปรตีนได้ถูกทำลายลง
ก่อนหน้านี้ อัลกอริธึมปัญญาประดิษฐ์ AlphaFold ทำนายโครงสร้างของโปรตีนเกือบ 214 ล้านโปรตีนบนโลกภายใน 18 เดือน ผลลัพธ์นี้มากกว่างานของนักชีววิทยาโครงสร้างมนุษย์ทั้งหมดหลายร้อยเท่าในอดีต
ด้วยโมเดลต่างๆ ที่ใช้ AI ทุกสิ่งทุกอย่างตั้งแต่เทคโนโลยีแข็งๆ เช่น เทคโนโลยีชีวภาพ วัสดุศาสตร์ การวิจัยและพัฒนายา ไปจนถึงสาขามนุษยศาสตร์ เช่น กฎหมายและศิลปะ จะนำไปสู่การเปลี่ยนแปลงครั้งใหญ่ และปี 2023 จะเป็นปีแรกของทั้งหมดนี้
เราทุกคนรู้ดีว่าความสามารถของมนุษยชาติในการสร้างความมั่งคั่งได้เติบโตขึ้นอย่างมากในช่วงศตวรรษที่ผ่านมา และเทคโนโลยี AI ที่เติบโตอย่างรวดเร็วจะช่วยเร่งกระบวนการนี้ให้เร็วขึ้นอย่างหลีกเลี่ยงไม่ได้
แผนภูมิแนวโน้ม GDP ทั่วโลก แหล่งข้อมูล: ธนาคารโลก
1.2 การรวมกันของ AI และ Crypto
เพื่อให้เข้าใจถึงความจำเป็นในการรวม AI กับ Crypto เป็นหลัก เราสามารถเริ่มต้นจากคุณลักษณะเสริมของทั้งสองได้
คุณสมบัติเสริมของ AI และ Crypto
AI มีคุณลักษณะ 3 ประการ:
ความสุ่ม: AI เป็นการสุ่ม เบื้องหลังกลไกการสร้างเนื้อหาคือกล่องดำที่ยากต่อการทำซ้ำและตรวจจับดังนั้นผลลัพธ์จึงเป็นแบบสุ่มเช่นกัน
ต้องใช้ทรัพยากรมาก: AI เป็นอุตสาหกรรมที่ใช้ทรัพยากรมากซึ่งต้องใช้พลังงาน ชิป และพลังการประมวลผลจำนวนมาก
ความฉลาดเหมือนมนุษย์: (ในไม่ช้า) AI จะสามารถผ่านการทดสอบทัวริงได้ และหลังจากนั้น มนุษย์ก็จะแยกไม่ออกจากเครื่องจักร*
※ เมื่อวันที่ 30 ตุลาคม 2023 ทีมวิจัยจากมหาวิทยาลัยแคลิฟอร์เนีย ซานดิเอโก เผยแพร่ผลการทดสอบทัวริงบน GPT-3.5 และ GPT-4.0 (รายงานการทดสอบ- คะแนน GPT 4.0 อยู่ที่ 41% ซึ่งห่างจากเส้นผ่าน 50% เพียง 9% คะแนนการทดสอบโดยมนุษย์ในโครงการเดียวกันคือ 63% ความหมายของการทดสอบทัวริงนี้คือมีคนจำนวนกี่เปอร์เซ็นต์ที่คิดว่าคนที่พวกเขาสนทนาด้วยเป็นคนจริงๆ หากเกิน 50% แสดงว่าคนในกลุ่มอย่างน้อยครึ่งหนึ่งคิดว่าคู่สนทนาเป็นมนุษย์ ไม่ใช่เครื่องจักร ซึ่งถือว่าผ่านการทดสอบทัวริง
แม้ว่า AI จะสร้างผลผลิตแบบก้าวกระโดดให้กับมนุษยชาติ แต่คุณลักษณะ 3 ประการของ AI ก็ยังนำมาซึ่งความท้าทายครั้งใหญ่มาสู่สังคมมนุษย์ กล่าวคือ:
วิธีการตรวจสอบและควบคุมการสุ่มของ AI เพื่อให้การสุ่มกลายเป็นข้อได้เปรียบมากกว่าข้อบกพร่อง
วิธีตอบสนองช่องว่างพลังงานและการประมวลผลขนาดใหญ่ที่ AI ต้องการ
วิธีบอกความแตกต่างระหว่างมนุษย์กับเครื่องจักร
ลักษณะของ Crypto และเศรษฐกิจบล็อคเชนอาจเป็นยาที่เหมาะสมในการแก้ปัญหาความท้าทายที่ AI นำมา เศรษฐกิจการเข้ารหัสมีลักษณะสามประการดังต่อไปนี้:
ความมุ่งมั่น: ธุรกิจดำเนินไปบนบล็อกเชน รหัส และสัญญาอัจฉริยะ กฎและขอบเขตชัดเจน สิ่งที่ป้อนเข้าไปจะส่งผลให้เกิดความมั่นใจในระดับสูง
การจัดสรรทรัพยากรอย่างมีประสิทธิภาพ: เศรษฐกิจเข้ารหัสได้สร้างตลาดเสรีขนาดใหญ่ทั่วโลก การกำหนดราคา การรวบรวม และการหมุนเวียนของทรัพยากรนั้นรวดเร็วมาก และเนื่องจากการมีอยู่ของโทเค็น สิ่งจูงใจจึงสามารถใช้เพื่อเร่งการจับคู่อุปสงค์และอุปทานของตลาด และเร่งจุดวิกฤติ
ไร้ความน่าเชื่อถือ: บัญชีแยกประเภทเปิดอยู่ รหัสเป็นโอเพ่นซอร์ส และทุกคนสามารถตรวจสอบได้อย่างง่ายดาย โดยนำระบบที่ ไม่เชื่อถือ มาใช้ ในขณะที่เทคโนโลยี ZK หลีกเลี่ยงการเปิดเผยความเป็นส่วนตัวในเวลาเดียวกันกับการตรวจสอบ
ต่อไป มีการใช้ตัวอย่างสามตัวอย่างเพื่อแสดงให้เห็นถึงความเสริมของ AI และเศรษฐศาสตร์เข้ารหัส
ตัวอย่าง A: การแก้ปัญหาแบบสุ่ม เอเจนต์ AI ที่ใช้สกุลเงินดิจิทัล
AI Agent เป็นโปรแกรมปัญญาประดิษฐ์ที่รับผิดชอบในการทำงานสำหรับมนุษย์ตามความต้องการของมนุษย์ (โครงการตัวแทน ได้แก่ Fetch.AI) สมมติว่าเราต้องการให้ตัวแทน AI ของเราประมวลผลธุรกรรมทางการเงิน เช่น “ซื้อ 1,000 ดอลลาร์เป็น BTC” เจ้าหน้าที่ AI อาจเผชิญกับสองสถานการณ์:
สถานการณ์ที่ 1: ต้องการเชื่อมต่อกับสถาบันการเงินแบบดั้งเดิม (เช่น BlackRock) และซื้อ BTC ETF โดยเผชิญกับปัญหาการปรับตัวจำนวนมากระหว่างตัวแทน AI และสถาบันแบบรวมศูนย์ เช่น KYC การตรวจสอบข้อมูล การเข้าสู่ระบบ การยืนยันตัวตน ฯลฯ มันยังเป็นปัญหามากในขณะนี้
กรณีที่ 2 มันทำงานตามเศรษฐกิจ crypto ดั้งเดิม และสถานการณ์จะง่ายขึ้นมาก จะใช้บัญชีของคุณโดยตรงเพื่อลงนามและสั่งซื้อเพื่อทำธุรกรรมให้เสร็จสิ้นผ่าน Uniswap หรือแพลตฟอร์มการซื้อขายรวม และรับ WBTC (หรืออื่น ๆ encapsulation) รูปแบบ BTC) กระบวนการทั้งหมดทำได้ง่ายและรวดเร็ว นี่คือสิ่งที่ Trading BOT ต่างๆ กำลังทำอยู่ จริงๆ แล้วพวกเขาเล่นบทบาทของตัวแทน AI รุ่นเยาว์ แต่งานของพวกเขามุ่งเน้นไปที่การซื้อขาย ในอนาคต บอทการซื้อขายประเภทต่างๆ จะสามารถดำเนินการตามความตั้งใจในการซื้อขายที่ซับซ้อนมากขึ้นอย่างหลีกเลี่ยงไม่ได้ด้วยการบูรณาการและวิวัฒนาการของ AI ตัวอย่างเช่น: ติดตามที่อยู่เงินอัจฉริยะ 100 รายการบนเครือข่าย วิเคราะห์กลยุทธ์การซื้อขายและอัตราความสำเร็จ ใช้ 10% ของเงินทุนในที่อยู่ของฉันเพื่อทำธุรกรรมที่คล้ายกันภายในหนึ่งสัปดาห์ และหยุดเมื่อผลไม่ดี และสรุปความเป็นไปได้ เหตุผลของความล้มเหลว
AI จะทำงานได้ดีขึ้นในระบบบล็อกเชน เนื่องจากความชัดเจนของกฎเกณฑ์ทางเศรษฐกิจแบบเข้ารหัสและการเข้าถึงระบบโดยไม่ได้รับอนุญาต ด้วยการปฏิบัติงานภายใต้กฎเกณฑ์ที่จำกัด ความเสี่ยงที่อาจเกิดขึ้นจากการสุ่มของ AI ก็จะลดลงเช่นกัน ตัวอย่างเช่น ประสิทธิภาพของ AI ในการแข่งขันหมากรุกและไพ่และวิดีโอเกมนั้นเหนือกว่ามนุษย์ เนื่องจากหมากรุกและเกมไพ่เป็นแซนด์บ็อกซ์แบบปิดที่มีกฎเกณฑ์ที่ชัดเจน ความก้าวหน้าของ AI ในการขับขี่แบบอัตโนมัติจะค่อนข้างช้า เนื่องจากความท้าทายของสภาพแวดล้อมภายนอกแบบเปิดนั้นยิ่งใหญ่กว่า และเป็นการยากสำหรับเราที่จะทนต่อปัญหาการประมวลผลแบบสุ่มของ AI
ตัวอย่าง B: การสร้างทรัพยากรและการรวบรวมทรัพยากรผ่านสิ่งจูงใจโทเค็น
พลังการประมวลผลทั้งหมดในปัจจุบันของเครือข่ายพลังการประมวลผลทั่วโลกที่อยู่เบื้องหลัง BTC (แฮชเรต: 576.70 EH/s) เกินกว่าพลังการประมวลผลที่ครอบคลุมของซูเปอร์คอมพิวเตอร์ของประเทศใดๆ แรงจูงใจในการพัฒนามาจากแรงจูงใจเครือข่ายที่เรียบง่ายและยุติธรรม
แนวโน้มพลังการประมวลผลเครือข่าย BTC ที่มา: https://www.coinwarz.com/
นอกจากนี้ โครงการ DePIN รวมถึงอุปกรณ์เคลื่อนที่ กำลังพยายามใช้สิ่งจูงใจโทเค็นเพื่อกำหนดรูปแบบตลาดสองด้านทั้งสองด้านของอุปสงค์และอุปทานเพื่อให้บรรลุผลกระทบของเครือข่าย IO.NET ซึ่งบทความนี้จะเน้นในบทความถัดไปเป็นแพลตฟอร์มที่ออกแบบมาเพื่อรวบรวมพลังการประมวลผลของ AI หวังว่าโมเดลโทเค็นจะกระตุ้นศักยภาพของพลังการประมวลผลของ AI ได้มากขึ้น
ตัวอย่าง C: โค้ดโอเพ่นซอร์ส การแนะนำ ZK แยกแยะระหว่างมนุษย์กับเครื่องจักรพร้อมทั้งปกป้องความเป็นส่วนตัว
ในฐานะโครงการ Web3 ที่มีส่วนร่วมโดย Sam Altman ผู้ก่อตั้ง OpenAI นั้น Worldcoin ใช้อุปกรณ์ฮาร์ดแวร์ Orb เพื่อสร้างค่าแฮชพิเศษและไม่ระบุชื่อตามข้อมูลไบโอเมตริกของม่านตาของมนุษย์และเทคโนโลยี ZK เพื่อยืนยันตัวตนและแยกความแตกต่างระหว่างมนุษย์กับเครื่องจักร ในช่วงต้นเดือนมีนาคมปีนี้ โครงการศิลปะ Web3 Drip เริ่มใช้ Worldcoin ID เพื่อยืนยันผู้ใช้จริงและมอบรางวัล
นอกจากนี้ Worldcoin ยังเพิ่งเปิดซอร์สโค้ดโปรแกรมของฮาร์ดแวร์ Iris Orb เพื่อรับประกันความปลอดภัยและความเป็นส่วนตัวของข้อมูลไบโอเมตริกซ์ของผู้ใช้
โดยทั่วไปแล้ว เนื่องจากความแน่นอนของโค้ดและการเข้ารหัส ข้อดีของการหมุนเวียนทรัพยากรและการระดมทุนที่มาจากกลไกที่ไม่ได้รับอนุญาตและโทเค็น และคุณลักษณะที่ไม่น่าเชื่อถือซึ่งอิงตามโค้ดโอเพ่นซอร์สและบัญชีแยกประเภทสาธารณะ เศรษฐกิจการเข้ารหัสลับได้กลายเป็นความท้าทายที่สำคัญสำหรับมนุษย์ สังคมที่เผชิญกับความท้าทายด้าน AI ทางออกที่มีศักยภาพที่สำคัญ
และในบรรดาสิ่งเหล่านั้น ความท้าทายเร่งด่วนที่สุดที่มีความต้องการเชิงพาณิชย์ที่แข็งแกร่งที่สุดคือความหิวโหยอย่างมากของผลิตภัณฑ์ AI สำหรับทรัพยากรการประมวลผล ซึ่งล้อมรอบความต้องการชิปและพลังการประมวลผลมหาศาล
นี่เป็นเหตุผลหลักว่าทำไมการเติบโตของโครงการพลังการประมวลผลแบบกระจายจึงเกินกว่าเส้นทาง AI โดยรวมในวงจรตลาดกระทิงนี้
ความจำเป็นทางธุรกิจของการคำนวณแบบกระจายอำนาจ
AI ต้องการทรัพยากรการประมวลผลจำนวนมหาศาล ทั้งสำหรับโมเดลการฝึกอบรมและการดำเนินการอนุมาน
ในการฝึกฝนโมเดลภาษาขนาดใหญ่ ข้อเท็จจริงประการหนึ่งได้รับการยืนยัน: ตราบใดที่ขนาดของพารามิเตอร์ข้อมูลมีขนาดใหญ่เพียงพอ โมเดลภาษาขนาดใหญ่ก็จะแสดงความสามารถบางอย่างที่ไม่เคยมีมาก่อน เบื้องหลังความสามารถที่เพิ่มขึ้นแบบทวีคูณของ GPT แต่ละรุ่นเมื่อเปรียบเทียบกับรุ่นก่อนหน้าคือการเพิ่มขึ้นแบบทวีคูณของจำนวนการคำนวณที่จำเป็นสำหรับการฝึกโมเดล
การวิจัยโดย DeepMind และมหาวิทยาลัยสแตนฟอร์ดแสดงให้เห็นว่าเมื่อโมเดลภาษาขนาดใหญ่ที่แตกต่างกันเผชิญกับงานที่แตกต่างกัน (การดำเนินการ การตอบคำถามภาษาเปอร์เซีย ความเข้าใจภาษาธรรมชาติ ฯลฯ) พวกเขาเพียงต้องเพิ่มขนาดของพารามิเตอร์โมเดลในระหว่างการฝึกโมเดล (ตามลำดับ การฝึกอบรม The จำนวนการคำนวณก็เพิ่มขึ้นเช่นกัน) จนกระทั่งจำนวนการฝึกไม่ถึง 10^22 FLOPs (FLOPs หมายถึงการดำเนินการจุดลอยตัวต่อวินาที ใช้ในการวัดประสิทธิภาพการประมวลผล) ประสิทธิภาพของงานใด ๆ เกือบจะเหมือนกับการให้คำตอบแบบสุ่ม และเมื่อสเกลพารามิเตอร์เกินค่าวิกฤตของสเกลนั้น ประสิทธิภาพงานก็จะดีขึ้นอย่างรวดเร็วไม่ว่าภาษาจะเป็นรุ่นใดก็ตาม
ที่มา: ความสามารถฉุกเฉินของโมเดลภาษาขนาดใหญ่
ที่มา: ความสามารถฉุกเฉินของโมเดลภาษาขนาดใหญ่
นอกจากนี้ยังเป็นการตรวจสอบกฎหมายและแนวปฏิบัติของ ปาฏิหาริย์ครั้งใหญ่ ในพลังการประมวลผลที่ทำให้ผู้ก่อตั้ง OpenAI Sam Altman เสนอให้ระดมเงิน 7 ล้านล้านดอลลาร์สหรัฐเพื่อสร้างโรงงานผลิตชิปขั้นสูงที่ใหญ่กว่าขนาด TSMC ในปัจจุบันถึง 10 เท่า (ส่วนนี้ คาดว่าจะใช้งบประมาณ 1.5 ล้านล้าน) และใช้เงินทุนที่เหลือสำหรับการผลิตชิปและการฝึกโมเดล
นอกเหนือจากพลังการประมวลผลที่จำเป็นสำหรับการฝึกฝนโมเดล AI แล้ว กระบวนการอนุมานของโมเดลเองก็ต้องใช้พลังการประมวลผลจำนวนมาก (แม้ว่าปริมาณการคำนวณจะน้อยกว่าการฝึก) ดังนั้นความหิวโหยสำหรับชิปและพลังการประมวลผล ได้กลายเป็นปัจจัยสำคัญในการเข้าร่วมในการติดตาม AI สภาพปกติของบุคคล
เมื่อเปรียบเทียบกับผู้ให้บริการพลังประมวลผล AI แบบรวมศูนย์ เช่น Amazon Web Services, Google Cloud Platform, Microsoft Azure ฯลฯ คุณค่าหลักของการประมวลผล AI แบบกระจาย ได้แก่:
การเข้าถึง: การเข้าถึงชิปประมวลผลโดยใช้บริการคลาวด์ เช่น AWS, GCP หรือ Azure มักใช้เวลาหลายสัปดาห์ และ GPU รุ่นยอดนิยมมักจะหมดสต๊อก นอกจากนี้ เพื่อให้ได้พลังการประมวลผล ผู้บริโภคมักจำเป็นต้องเซ็นสัญญาระยะยาวและไม่ยืดหยุ่นกับบริษัทขนาดใหญ่เหล่านี้ แพลตฟอร์มคอมพิวเตอร์แบบกระจายสามารถให้การเลือกฮาร์ดแวร์ที่ยืดหยุ่นและการเข้าถึงที่มากขึ้น
ราคาต่ำ: เนื่องจากการใช้ชิปที่ไม่ได้ใช้งานและเงินอุดหนุนโทเค็นที่ฝ่ายโปรโตคอลเครือข่ายมอบให้กับซัพพลายเออร์ชิปและพลังการประมวลผล เครือข่ายพลังการประมวลผลแบบกระจายอาจสามารถให้พลังการประมวลผลที่ถูกกว่าได้
การต่อต้านการเซ็นเซอร์: ปัจจุบัน ชิปและวัสดุสิ้นเปลืองในการประมวลผลที่ล้ำสมัยถูกผูกขาดโดยบริษัทเทคโนโลยีขนาดใหญ่ และรัฐบาลที่เป็นตัวแทนของสหรัฐอเมริกากำลังเพิ่มการตรวจสอบบริการด้านพลังงานการประมวลผลของ AI อย่างละเอียดยิ่งขึ้น พลังการประมวลผลของ AI สามารถกระจาย ยืดหยุ่น และได้อย่างอิสระ ที่ได้รับ ค่อยๆ กลายเป็นความต้องการที่ชัดเจน นี่ยังเป็นการนำเสนอคุณค่าหลักของแพลตฟอร์มบริการพลังงานการประมวลผลบนเว็บ3
หากพลังงานฟอสซิลเป็นสายเลือดแห่งยุคอุตสาหกรรม พลังการประมวลผลก็อาจเป็นเลือดแห่งยุคดิจิทัลใหม่ที่เปิดโดย AI และการจัดหาพลังการประมวลผลจะกลายเป็นโครงสร้างพื้นฐานของยุค AI เช่นเดียวกับที่ Stablecoin ได้กลายเป็นสาขาย่อยของสกุลเงินทางกฎหมายที่เจริญรุ่งเรืองในยุค Web3 ตลาดพลังงานการประมวลผลแบบกระจายจะกลายเป็นสาขาย่อยของตลาดพลังงานการประมวลผล AI ที่เติบโตอย่างรวดเร็วหรือไม่
เนื่องจากนี่ยังเป็นตลาดที่ค่อนข้างเริ่มแรก ทุกอย่างจึงยังคงต้องรอดูกันต่อไป อย่างไรก็ตาม ปัจจัยต่อไปนี้อาจกระตุ้นให้เกิดการเล่าเรื่องหรือการยอมรับตลาดของพลังการประมวลผลแบบกระจาย:
อุปสงค์และอุปทานของ GPU ยังคงตึงตัว อุปทาน GPU ที่จำกัดอย่างต่อเนื่องอาจผลักดันให้นักพัฒนาบางรายลองใช้แพลตฟอร์มคอมพิวเตอร์แบบกระจาย
การขยายกฎระเบียบ หากคุณต้องการรับบริการด้านพลังงานการประมวลผล AI จากแพลตฟอร์มพลังงานการประมวลผลบนคลาวด์ขนาดใหญ่ คุณต้องผ่าน KYC และการตรวจสอบหลายชั้น สิ่งนี้อาจส่งเสริมการนำแพลตฟอร์มคอมพิวเตอร์แบบกระจายมาใช้แทน โดยเฉพาะอย่างยิ่งในพื้นที่ที่อยู่ภายใต้ข้อจำกัดและการลงโทษ
การกระตุ้นราคาโทเค็น การเพิ่มขึ้นของราคาโทเค็นในช่วงวัฏจักรตลาดกระทิงจะเพิ่มมูลค่าเงินอุดหนุนของแพลตฟอร์มในด้านอุปทานของ GPU ซึ่งจะดึงดูดซัพพลายเออร์ให้เข้าสู่ตลาดมากขึ้น เพิ่มขนาดของตลาด และลดราคาซื้อจริงของผู้บริโภค
แต่ในขณะเดียวกัน ความท้าทายของแพลตฟอร์มคอมพิวเตอร์แบบกระจายก็ค่อนข้างชัดเจนเช่นกัน:
ความท้าทายด้านเทคนิคและวิศวกรรม
ปัญหาการตรวจสอบการทำงาน: เนื่องจากโครงสร้างลำดับชั้นของการคำนวณของโมเดล Deep Learning เอาต์พุตของแต่ละเลเยอร์จึงถูกใช้เป็นอินพุตของเลเยอร์ถัดไป ดังนั้น การตรวจสอบความถูกต้องของการคำนวณจึงจำเป็นต้องมีการดำเนินการงานก่อนหน้านี้ทั้งหมด ซึ่ง ไม่สามารถตรวจสอบได้ง่ายและมีประสิทธิภาพ เพื่อแก้ปัญหานี้ แพลตฟอร์มคอมพิวเตอร์แบบกระจายจำเป็นต้องพัฒนาอัลกอริธึมใหม่ หรือใช้เทคนิคการตรวจสอบโดยประมาณที่สามารถรับประกันความน่าจะเป็นของผลลัพธ์ที่ถูกต้องมากกว่าความแน่นอนที่แน่นอน
ปัญหาการขนาน: แพลตฟอร์มพลังการประมวลผลแบบกระจายรวบรวมชิปหางยาวซึ่งหมายความว่าพลังการประมวลผลที่ได้รับจากอุปกรณ์ตัวเดียวนั้นค่อนข้างจำกัด ซัพพลายเออร์ชิปตัวเดียวสามารถเกือบจะเสร็จสิ้นการฝึกอบรมหรืองานให้เหตุผลของโมเดล AI อย่างเป็นอิสระในระยะเวลาอันสั้น ดังนั้น จึงต้องใช้การขนานกันเพื่อรื้อและกระจายงานเพื่อลดระยะเวลาที่เสร็จสิ้นทั้งหมด การทำงานแบบขนานจะเผชิญกับปัญหาต่างๆ อย่างหลีกเลี่ยงไม่ได้ เช่น วิธีแยกย่อยงาน (โดยเฉพาะงานการเรียนรู้เชิงลึกที่ซับซ้อน) การพึ่งพาข้อมูล และต้นทุนการสื่อสารเพิ่มเติมระหว่างอุปกรณ์
ปัญหาการคุ้มครองความเป็นส่วนตัว: จะมั่นใจได้อย่างไรว่าข้อมูลและแบบจำลองของผู้ซื้อจะไม่ถูกเปิดเผยต่อผู้รับงาน
ความท้าทายในการปฏิบัติตามกฎระเบียบ
แพลตฟอร์มคอมพิวเตอร์แบบกระจายสามารถใช้เป็นจุดขายเพื่อดึงดูดลูกค้าบางรายได้ เนื่องจากมีลักษณะเป็นตลาดการจัดหาและจัดซื้อจัดจ้างแบบสองด้านที่ไม่ได้รับอนุญาต ในทางกลับกัน เมื่อมีการปรับปรุงบรรทัดฐานด้านกฎระเบียบของ AI ก็อาจกลายเป็นเป้าหมายของการแก้ไขของรัฐบาล นอกจากนี้ ซัพพลายเออร์ GPU บางรายยังกังวลว่าทรัพยากรการประมวลผลที่พวกเขาเช่านั้นถูกจัดเตรียมให้กับธุรกิจหรือบุคคลที่ถูกคว่ำบาตรหรือไม่
โดยทั่วไป ผู้บริโภคแพลตฟอร์มคอมพิวเตอร์แบบกระจายส่วนใหญ่เป็นนักพัฒนามืออาชีพหรือสถาบันขนาดเล็กและขนาดกลาง ผู้ใช้เหล่านี้ต่างจากนักลงทุน crypto ที่ซื้อ cryptocurrencies และ NFT ผู้ใช้เหล่านี้มีความสนใจเพียงเล็กน้อยหรือไม่มีเลยในบริการที่โปรโตคอลสามารถให้ได้ มีข้อกำหนดที่สูงกว่าสำหรับ ความมั่นคงและความยั่งยืนและราคาอาจไม่ใช่แรงจูงใจหลักในการตัดสินใจ ในปัจจุบัน แพลตฟอร์มคอมพิวเตอร์แบบกระจายยังคงมีหนทางอีกยาวไกลในการได้รับการยอมรับจากผู้ใช้ดังกล่าว
ต่อไป เราได้จัดเรียงและวิเคราะห์ข้อมูลโครงการของโครงการคอมพิวเตอร์แบบกระจายใหม่ IO.NET ในรอบนี้ และจากโครงการ AI ปัจจุบันและโครงการคอมพิวเตอร์แบบกระจายในแนวทางเดียวกันในตลาด เราได้คำนวณศักยภาพที่เป็นไปได้หลังจากการจดทะเบียน ระดับการประเมินมูลค่า
2. แพลตฟอร์มคอมพิวเตอร์ AI แบบกระจาย: IO.NET
2.1 การวางตำแหน่งโครงการ
IO.NET เป็นเครือข่ายคอมพิวเตอร์แบบกระจายอำนาจที่สร้างตลาดสองด้านเกี่ยวกับชิป ฝั่งอุปทานคือพลังการประมวลผลของชิปที่จำหน่ายทั่วโลก (ส่วนใหญ่เป็น GPU แต่ยังรวมถึง CPU และ iGPU ของ Apple เป็นต้น) และด้านอุปสงค์ หวังว่าจะสำเร็จวิศวกรปัญญาประดิษฐ์สำหรับการฝึกอบรมโมเดล AI หรือการอนุมาน
บนเว็บไซต์อย่างเป็นทางการของ IO.NET เขียนว่า:
Our Mission
Putting together one million GPUs in a DePIN – decentralized physical infrastructure network.
ภารกิจคือการรวม GPU หลายล้านตัวเข้ากับเครือข่าย DePIN
เมื่อเปรียบเทียบกับผู้ให้บริการพลังการประมวลผลบนคลาวด์ AI ที่มีอยู่แล้ว จุดขายหลักที่เน้นคือ:
การผสมผสานที่ยืดหยุ่น: วิศวกร AI สามารถเลือกและรวมชิปที่จำเป็นเพื่อสร้าง คลัสเตอร์ ได้อย่างอิสระเพื่อทำงานด้านคอมพิวเตอร์ของตนเองให้เสร็จสิ้น
การปรับใช้อย่างรวดเร็ว: ไม่จำเป็นต้องใช้เวลาหลายสัปดาห์ในการอนุมัติและรอ (ขณะนี้สถานการณ์กับผู้จำหน่ายแบบรวมศูนย์ เช่น AWS) การปรับใช้จะเสร็จสมบูรณ์และสามารถเริ่มงานได้ภายในสิบวินาที
บริการราคาถูก: ต้นทุนการบริการต่ำกว่าผู้ผลิตทั่วไปถึง 90%
นอกจากนี้ IO.NET ยังมีแผนที่จะเปิดตัวบริการต่างๆ เช่น ร้านค้าโมเดล AI ในอนาคต
2.2 กลไกผลิตภัณฑ์และข้อมูลธุรกิจ
กลไกผลิตภัณฑ์และประสบการณ์การใช้งาน
เช่นเดียวกับ Amazon Cloud, Google Cloud และ Alibaba Cloud บริการคอมพิวเตอร์ที่ให้บริการโดย IO.NET เรียกว่า IO Cloud IO Cloud คือเครือข่ายชิปแบบกระจายแบบกระจายอำนาจที่สามารถรันโค้ดแมชชีนเลิร์นนิงที่ใช้ Python และรันโปรแกรม AI และแมชชีนเลิร์นนิงได้
โมดูลธุรกิจพื้นฐานของ IO Cloud เรียกว่า Clusters คลัสเตอร์คือกลุ่มของ GPU ที่สามารถประสานงานด้วยตนเองเพื่อทำงานด้านคอมพิวเตอร์ให้เสร็จสิ้น วิศวกรปัญญาประดิษฐ์สามารถปรับแต่งคลัสเตอร์ที่ต้องการได้ตามความต้องการของตนเอง
อินเทอร์เฟซผลิตภัณฑ์ของ IO.NET นั้นใช้งานง่ายมาก หากคุณต้องการปรับใช้คลัสเตอร์ชิปของคุณเองเพื่อทำงานประมวลผล AI ให้เสร็จสิ้น หลังจากเข้าสู่หน้าผลิตภัณฑ์คลัสเตอร์ คุณสามารถเริ่มกำหนดค่าสิ่งที่คุณต้องการได้ตามต้องการ คลัสเตอร์ชิป
ข้อมูลหน้า: https://cloud.io.net/cloud/clusters/create-cluster เหมือนกันด้านล่าง
ก่อนอื่นคุณต้องเลือกสถานการณ์ภารกิจของคุณเอง ขณะนี้มี 3 ประเภทให้เลือก:
ทั่วไป: ให้สภาพแวดล้อมทั่วไปมากขึ้น เหมาะสำหรับระยะเริ่มต้นของโครงการที่ความต้องการทรัพยากรเฉพาะไม่แน่นอน
รถไฟ: คลัสเตอร์ที่ออกแบบมาเพื่อการฝึกอบรมและปรับแต่งโมเดลการเรียนรู้ของเครื่อง ตัวเลือกนี้สามารถให้ทรัพยากร GPU มากขึ้น ความจุหน่วยความจำที่สูงขึ้น และ/หรือการเชื่อมต่อเครือข่ายที่เร็วขึ้นเพื่อจัดการกับงานประมวลผลที่เข้มข้นเหล่านี้
การอนุมาน: คลัสเตอร์ที่ออกแบบมาเพื่อการอนุมานที่มีเวลาแฝงต่ำและปริมาณงานที่มีภาระงานหนัก ในบริบทของแมชชีนเลิร์นนิง การอนุมานหมายถึงการใช้แบบจำลองที่ได้รับการฝึกอบรมเพื่อคาดการณ์หรือวิเคราะห์ข้อมูลใหม่และให้ข้อเสนอแนะ ดังนั้นตัวเลือกนี้จะมุ่งเน้นไปที่การปรับเวลาแฝงและปริมาณงานให้เหมาะสมเพื่อรองรับความต้องการในการประมวลผลข้อมูลแบบเรียลไทม์หรือใกล้เคียงเรียลไทม์
จากนั้น คุณต้องเลือกซัพพลายเออร์ของคลัสเตอร์ชิป ปัจจุบัน IO.NET ได้บรรลุความร่วมมือกับ Render Network และเครือข่ายการขุดของ Filecoin ดังนั้นผู้ใช้สามารถเลือก IO.NET หรือชิปจากอีกสองเครือข่ายเป็นซัพพลายเออร์ของคอมพิวเตอร์ของตนเอง คลัสเตอร์ เทียบเท่ากับ IO.NET ที่มีบทบาทเป็นผู้รวบรวม (แต่ ณ เวลาที่เขียน บริการ Filecon ออฟไลน์ชั่วคราว) เป็นมูลค่าการกล่าวขวัญว่าตามหน้า จำนวน GPU ที่พร้อมใช้งานสำหรับ IO.NET ปัจจุบันอยู่ที่ 200,000+ ในขณะที่จำนวน GPU ที่พร้อมใช้งานสำหรับ Render Network คือ 3,700+
ต่อไป เราจะเข้าสู่กระบวนการเลือกฮาร์ดแวร์ชิปคลัสเตอร์ ปัจจุบัน IO.NET แสดงรายการเฉพาะ GPU เป็นประเภทฮาร์ดแวร์ที่มีอยู่ ไม่รวม CPU หรือ iGPU ของ Apple (M 1, M 2 ฯลฯ) และ GPU ก็เป็นผลิตภัณฑ์ NVIDIA เป็นหลักเช่นกัน
ในบรรดาตัวเลือกฮาร์ดแวร์ GPU ที่ระบุไว้อย่างเป็นทางการและพร้อมใช้งาน ตามข้อมูลที่ทดสอบโดยผู้เขียนในวันนั้น จำนวน GPU ที่มีอยู่ในเครือข่าย IO.NET คือ 206,001 รุ่นที่มีวางจำหน่ายมากที่สุดคือ GeForce RTX 4090 (45,250 ภาพ) ตามมาด้วย GeForce RTX 3090 Ti (30,779 ภาพ)
นอกจากนี้ ชิป A 100-SXM 4-80 GB (ราคาตลาด 15,000 ดอลลาร์สหรัฐฯ+) ซึ่งมีประสิทธิภาพมากกว่าในการประมวลผลงานการประมวลผล AI เช่น การเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และการประมวลผลทางวิทยาศาสตร์ มีรูปภาพ 7,965 ภาพทางออนไลน์
กราฟิกการ์ด H 100 80 GB HBM 3 ของ Nvidia (ราคาตลาด 40,000 ดอลลาร์สหรัฐฯ+) ซึ่งออกแบบมาสำหรับ AI โดยเฉพาะตั้งแต่เริ่มต้นการออกแบบฮาร์ดแวร์ มีประสิทธิภาพการฝึก 3.3 เท่าของ A 100 และประสิทธิภาพการอนุมาน 4.5 เท่า ที่ของเอ100จำนวนออนไลน์จริงมี86รูป
หลังจากเลือกประเภทฮาร์ดแวร์ของคลัสเตอร์แล้ว ผู้ใช้ยังต้องเลือกพารามิเตอร์ เช่น ภูมิภาคของคลัสเตอร์ ความเร็วการสื่อสาร จำนวนและเวลาของ GPU ที่เช่า
สุดท้ายนี้ IO.NET จะออกใบเรียกเก็บเงินตามตัวเลือกที่ครอบคลุม ยกตัวอย่างการกำหนดค่าคลัสเตอร์ของผู้เขียน:
สถานการณ์งานทั่วไป
16 ชิป 100-SXM 4-80 GB
ความเร็วการเชื่อมต่อสูงสุด (Ultra High Speed)
ที่ตั้ง สหรัฐอเมริกา
ระยะเวลาการเช่าคือ 1 สัปดาห์
ราคาบิลรวมอยู่ที่ 3,311.6 ดอลลาร์ และราคาเช่ารายชั่วโมงของบัตรใบเดียวคือ 1,232 ดอลลาร์
ราคาเช่ารายชั่วโมงของการ์ดเดี่ยวสำหรับ A 100-SXM 4-80 GB บน Amazon Cloud, Google Cloud และ Microsoft Azure คือ 5.12 $, 5.07 $ และ 3.67 $ ตามลำดับ (แหล่งข้อมูล: https://cloud-gpus.com/, ราคาจริงจะแตกต่างกันไปตามรายละเอียดสัญญา)
ดังนั้น ในแง่ของราคาเพียงอย่างเดียว พลังประมวลผลชิปของ IO.NET จึงมีราคาถูกกว่าผู้ผลิตทั่วไปมาก และการรวมการจัดหาและการจัดซื้อก็มีความยืดหยุ่นมากเช่นกัน และการดำเนินการยังง่ายต่อการเริ่มต้นอีกด้วย
เงื่อนไขทางธุรกิจ
สถานการณ์ด้านอุปทาน
ณ วันที่ 4 เมษายนปีนี้ ตามข้อมูลอย่างเป็นทางการ อุปทาน GPU ทั้งหมดของ IO.NET ในด้านอุปทานคือ 371,027 และอุปทาน CPU อยู่ที่ 42,321 นอกจากนี้ ด้วยการที่มี Render Network เป็นพันธมิตร ทำให้ GPU 9997 ตัวและ CPU 776 ตัวเชื่อมต่อกับแหล่งจ่ายไฟของเครือข่าย
แหล่งข้อมูล: https://cloud.io.net/explorer/home เหมือนกันด้านล่าง
เมื่อผู้เขียนเขียนบทความนี้ 214,387 GPU ทั้งหมดที่เชื่อมต่อกับ IO.NET ออนไลน์อยู่ และอัตราการออนไลน์สูงถึง 57.8% อัตราออนไลน์ของ GPU จาก Render Network คือ 45.1%
ข้อมูลด้านอุปทานข้างต้นหมายความว่าอย่างไร
เพื่อการเปรียบเทียบ เราได้แนะนำโครงการ Akash Network ซึ่งเป็นโครงการคอมพิวเตอร์แบบกระจายที่จัดตั้งขึ้นอีกโครงการหนึ่งซึ่งออนไลน์มาเป็นเวลานานแล้ว
Akash Network เปิดตัวเมนเน็ตในช่วงต้นปี 2020 โดยเริ่มแรกมุ่งเน้นไปที่บริการแบบกระจายสำหรับ CPU และพื้นที่เก็บข้อมูล ในเดือนมิถุนายน พ.ศ. 2566 บริษัทได้เปิดตัวเครือข่ายทดสอบบริการ GPU และเปิดตัวเครือข่ายหลักของ GPU ที่กระจายพลังการประมวลผลในเดือนกันยายนของปีเดียวกัน
แหล่งข้อมูล: https://stats.akash.network/provider-graph/graphics-gpu
ตามข้อมูลอย่างเป็นทางการของ Akash นับตั้งแต่เปิดตัวเครือข่าย GPU แม้ว่าด้านอุปทานจะยังคงเติบโตอย่างต่อเนื่อง แต่จำนวนการเชื่อมต่อ GPU ทั้งหมดจนถึงขณะนี้อยู่ที่ 365 เท่านั้น
เมื่อพิจารณาจากการจัดหา GPU นั้น IO.NET มีขนาดใหญ่กว่าเครือข่าย Akash หลายลำดับ และเป็นเครือข่ายการจัดหาที่ใหญ่ที่สุดในรางพลังการประมวลผล GPU แบบกระจาย
สถานการณ์ด้านอุปสงค์
อย่างไรก็ตาม ในด้านอุปสงค์ IO.NET ยังอยู่ในช่วงเริ่มต้นของการพัฒนาตลาด และจำนวนการใช้งานจริงของ IO.NET เพื่อดำเนินการด้านคอมพิวเตอร์มีไม่มากนัก โหลดงานของ GPU ออนไลน์ส่วนใหญ่คือ 0% และมีเพียงชิปสี่ตัวเท่านั้นคือ A100 PCIe80GB K8S, RTX A6000K8S, RTX A4000K8S และ H100 80GB HBM 3 เท่านั้นที่กำลังประมวลผลงาน และยกเว้น A100 PCIe80GB K8S ความสามารถในการโหลดของชิปอีกสามตัวยังน้อยกว่า 20%
ค่ากดดันเครือข่ายอย่างเป็นทางการที่เปิดเผยในวันนั้นคือ 0% ซึ่งหมายความว่าชิปส่วนใหญ่อยู่ในสถานะสแตนด์บายออนไลน์
ในแง่ของขนาดต้นทุนเครือข่าย IO.NET มีค่าธรรมเนียมการบริการ 586029 ดอลลาร์ และต้นทุนในวันที่ผ่านมาคือ 3200 ดอลลาร์
แหล่งข้อมูล: https://cloud.io.net/explorer/clusters
ขนาดของค่าธรรมเนียมการชำระบัญชีเครือข่ายข้างต้นทั้งในปริมาณธุรกรรมทั้งหมดและรายวันนั้นอยู่ในลำดับความสำคัญเดียวกันกับ Akash อย่างไรก็ตาม รายได้เครือข่ายส่วนใหญ่ของ Akash มาจากส่วนของ CPU และอุปทาน CPU ของ Akash นั้นมากกว่า 20,000
แหล่งข้อมูล: https://stats.akash.network/
นอกจากนี้ IO.NET ยังเปิดเผยข้อมูลธุรกิจของงานการอนุมาน AI ที่ประมวลผลโดยเครือข่าย จนถึงขณะนี้ IO.NET ได้ประมวลผลและตรวจสอบงานอนุมานแล้วมากกว่า 230,000 งาน อย่างไรก็ตาม ปริมาณธุรกิจส่วนใหญ่สร้างขึ้นโดยโครงการที่สนับสนุน IO.NET ก่อนคริสต์ศักราช 8.AI
แหล่งข้อมูล: https://cloud.io.net/explorer/inferences
เมื่อพิจารณาจากข้อมูลธุรกิจในปัจจุบัน ฝ่ายอุปทานของ IO.NET ก็ขยายตัวได้อย่างราบรื่น ด้วยแรงกระตุ้นจากความคาดหวังของการแจกเครื่องบินและกิจกรรมชุมชนที่มีชื่อรหัสว่า Ignition ทำให้ได้รวบรวมพลังการประมวลผลชิป AI จำนวนมากอย่างรวดเร็ว การขยายตัวในด้านอุปสงค์ยังอยู่ในช่วงเริ่มต้น และอุปสงค์ทั่วไปยังไม่เพียงพอในปัจจุบัน สำหรับข้อบกพร่องด้านอุปสงค์ในปัจจุบัน ไม่ว่าจะเป็นเพราะการขยายตัวของฝั่งผู้บริโภคยังไม่เริ่มต้น หรือเนื่องจากประสบการณ์การบริการในปัจจุบันยังไม่มั่นคงและขาดการยอมรับในวงกว้าง เรื่องนี้ยังคงจำเป็นต้องได้รับการประเมิน
อย่างไรก็ตาม เมื่อพิจารณาว่าช่องว่างในพลังการประมวลผล AI นั้นยากที่จะเติมเต็มในระยะสั้น วิศวกรและโครงการ AI จำนวนมากกำลังมองหาทางเลือกและอาจสนใจผู้ให้บริการแบบกระจายอำนาจ นอกจากนี้ IO.NET ยังไม่ได้ดำเนินการ การพัฒนาเศรษฐกิจด้านอุปสงค์ออก ด้วยการกระตุ้นกิจกรรม การปรับปรุงประสบการณ์ผลิตภัณฑ์อย่างค่อยเป็นค่อยไป และการจับคู่อุปสงค์และอุปทานอย่างค่อยเป็นค่อยไป ก็ยังคงคุ้มค่าที่จะรอคอย
2.3 ความเป็นมาของทีมและสถานการณ์ทางการเงิน
สถานการณ์ของทีม
ทีมงานหลักของ IO.NET ก่อตั้งขึ้นในด้านการซื้อขายเชิงปริมาณ ก่อนเดือนมิถุนายน 2022 พวกเขามุ่งเน้นไปที่การพัฒนาระบบการซื้อขายเชิงปริมาณระดับสถาบันสำหรับหุ้นและสินทรัพย์ crypto เนื่องจากความต้องการพลังการประมวลผลในแบ็กเอนด์ของระบบ ทีมงานจึงเริ่มสำรวจความเป็นไปได้ของการประมวลผลแบบกระจายอำนาจ และในที่สุดก็มุ่งเน้นไปที่ปัญหาเฉพาะของการลดต้นทุนของบริการประมวลผล GPU
ผู้ก่อตั้งและซีอีโอ: อาหมัด ชาดิด
Ahmad Shadid ทำงานด้านวิศวกรรมเชิงปริมาณและการเงินก่อน IO.NET และยังเป็นอาสาสมัครที่ Ethereum Foundation อีกด้วย
CMO และประธานเจ้าหน้าที่ฝ่ายกลยุทธ์: Garrison Yang
Garrison Yang เข้าร่วม IO.NET อย่างเป็นทางการในเดือนมีนาคมของปีนี้ ก่อนหน้านี้เขาเคยดำรงตำแหน่งรองประธานฝ่ายกลยุทธ์และการเติบโตที่ Avalanche และสำเร็จการศึกษาจากมหาวิทยาลัยแคลิฟอร์เนีย ซานตาบาร์บารา
COO：Tory Green
Tory Green เป็นประธานเจ้าหน้าที่ฝ่ายปฏิบัติการของ io.net ก่อนหน้านี้เขาเคยเป็นประธานเจ้าหน้าที่ฝ่ายปฏิบัติการของ Hum Capital และเป็นผู้อำนวยการฝ่ายพัฒนาองค์กรและกลยุทธ์ของ Fox Mobile Group เขาสำเร็จการศึกษาจากมหาวิทยาลัยสแตนฟอร์ด
เมื่อพิจารณาจากข้อมูล Linkedin ของ IO.NET ทีมงานมีสำนักงานใหญ่ในนิวยอร์ก สหรัฐอเมริกา และมีสาขาในซานฟรานซิสโก ปัจจุบันมีขนาดทีมมากกว่า 50 คน
สถานการณ์ทางการเงิน
จนถึงขณะนี้ IO.NET ได้เปิดเผยการจัดหาเงินทุนรอบเดียวเท่านั้น นั่นคือการจัดหาเงินทุน Series A ซึ่งเสร็จสิ้นในเดือนมีนาคมปีนี้ด้วยการประเมินมูลค่า 1 พันล้านดอลลาร์สหรัฐ ระดมทุนได้ทั้งหมด 30 ล้านดอลลาร์สหรัฐ นำโดย Hack VC และนักลงทุนที่เข้าร่วมรายอื่น ได้แก่ Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures และ ArkStream Capital และอื่นๆ อีกมากมาย
เป็นที่น่าสังเกตว่า อาจเนื่องมาจากการลงทุนที่ได้รับจากมูลนิธิ Aptos โครงการ BC 8.AI ซึ่งแต่เดิมใช้สำหรับการชำระบัญชีและการบัญชีใน Solana ได้ถูกแปลงเป็น L1 Aptos ที่มีประสิทธิภาพสูงแบบเดียวกัน
2.4 การคำนวณมูลค่า
ตามที่ผู้ก่อตั้งและซีอีโอคนก่อน Ahmad Shadid กล่าวไว้ว่า IO.NET จะเปิดตัวโทเค็นในปลายเดือนเมษายน
IO.NET มีโปรเจ็กต์เป้าหมายสองโปรเจ็กต์ที่สามารถใช้เป็นข้อมูลอ้างอิงสำหรับการประเมินค่าได้: Render Network และ Akash Network ซึ่งทั้งสองโปรเจ็กต์เป็นโปรเจ็กต์การคำนวณแบบกระจายตัวแทน
เราสามารถอนุมานช่วงมูลค่าตลาดของ IO.NET ได้สองวิธี: 1. อัตราส่วนตลาดต่อยอดขาย นั่นคือ: มูลค่าตลาด/อัตราส่วนรายได้ 2. มูลค่าตลาด/จำนวนอัตราส่วนชิปเครือข่าย
ขั้นแรก มาดูการหักมูลค่าตามอัตราส่วนราคาต่อการขาย:
จากมุมมองของอัตราส่วนราคาต่อการขาย Akash สามารถใช้เป็นขีดจำกัดล่างของช่วงการประเมินมูลค่าของ IO.NET ในขณะที่ Render สามารถใช้เป็นข้อมูลอ้างอิงการกำหนดราคาระดับไฮเอนด์สำหรับการประเมินมูลค่า โดยมีช่วง FDV อยู่ที่ 1.67 พันล้านดอลลาร์สหรัฐถึง 5.93 พันล้านดอลลาร์สหรัฐ
อย่างไรก็ตาม เมื่อพิจารณาว่าโครงการ IO.NET ได้รับการอัปเดตแล้ว การเล่าเรื่องก็ร้อนแรงขึ้น ควบคู่ไปกับมูลค่าตลาดการหมุนเวียนในช่วงต้นที่น้อยลง และขนาดฝั่งอุปทานที่ใหญ่ขึ้นในปัจจุบัน ความเป็นไปได้ที่ FDV จะเกิน Render นั้นก็ไม่น้อย
ลองดูอีกมุมหนึ่งเพื่อเปรียบเทียบการประเมินมูลค่า ซึ่งก็คือ อัตราส่วนราคาต่อคอร์
ในบริบทของตลาดที่ความต้องการพลังการประมวลผล AI มีมากกว่าอุปทาน องค์ประกอบที่สำคัญที่สุดของเครือข่ายพลังการประมวลผล AI แบบกระจายคือขนาดของด้านอุปทานของ GPU ดังนั้นเราจึงสามารถเปรียบเทียบในแนวนอนกับ อัตราส่วน และใช้ มูลค่าตลาดรวมของโครงการและจำนวนชิปในเครือข่าย อัตราส่วนปริมาณ เพื่ออนุมานช่วงการประเมินที่เป็นไปได้ของ IO.NET เพื่อให้ผู้อ่านใช้เป็นข้อมูลอ้างอิงมูลค่าตลาด
หากช่วงมูลค่าตลาดของ IO.NET คำนวณตามอัตราส่วนตลาดต่อคอร์ IO.NET จะใช้อัตราส่วนตลาดต่อคอร์ของ Render Network เป็นขีดจำกัดบนและ Akash Network เป็นขีดจำกัดล่าง ช่วง FDV อยู่ที่ 20.6 พันล้านถึง 197.5 พันล้านดอลลาร์สหรัฐ
ฉันเชื่อว่าผู้อ่านที่มองโลกในแง่ดีเกี่ยวกับโครงการ IO.NET จะคิดว่านี่เป็นการคำนวณมูลค่าตลาดในแง่ดีอย่างยิ่ง
และเราต้องคำนึงว่าจำนวนชิปออนไลน์จำนวนมากของ IO.NET ในปัจจุบันนั้นถูกกระตุ้นโดยความคาดหวังจากการแจกเครื่องบินและกิจกรรมจูงใจ หลังจากเปิดตัวโครงการอย่างเป็นทางการแล้ว จำนวนชิปออนไลน์จริงในด้านอุปทานยังคงต้องมี สังเกต
ดังนั้นโดยทั่วไปแล้ว การคำนวณการประเมินมูลค่าจากมุมมองของอัตราส่วนราคาต่อการขายอาจมีข้อมูลมากกว่า
ในฐานะโครงการที่มีรัศมีสามเท่าของระบบนิเวศ AI+DePIN+Solana IO.NET จะรอดูว่ามูลค่าตลาดจะเป็นอย่างไรหลังจากเปิดตัว
3. ข้อมูลอ้างอิง
Dephi Digital：The Real Merge
