الذكاء الاصطناعي المشفر: الحوسبة اللامركزية هي الملك
لماذا يعد Crypto AI الفرصة الأكثر إثارة للمستثمرين والبنائين اليوم.
JinseFinanceالمؤلف: جين دو، تشين لي، المؤلف المقابل: فريق Youbi للاستثمار
في 23 مايو، أصدرت شركة الرقائق العملاقة Nvidia 2025 Financial تقرير الربع الأول من السنة المالية. وفقًا للتقرير المالي، بلغت إيرادات Nvidia في الربع الأول 26 مليار دولار أمريكي. ومن بينها، ارتفعت إيرادات مراكز البيانات بنسبة 427% مقارنة بالعام الماضي، لتصل إلى 22.6 مليار دولار أمريكي. يعكس الأداء المالي وراء قدرة Nvidia على إنقاذ سوق الأسهم الأمريكية بمفردها الطلب الهائل على قوة الحوسبة من شركات التكنولوجيا العالمية من أجل المنافسة في مسار الذكاء الاصطناعي. كلما زاد عدد شركات التكنولوجيا الكبرى، زادت طموحاتها في مسار الذكاء الاصطناعي، وفي المقابل، زاد طلب هذه الشركات على الطاقة الحاسوبية بشكل كبير. وفقًا لتوقعات TrendForce، من المتوقع أن يمثل الطلب على خوادم الذكاء الاصطناعي المتطورة من مقدمي الخدمات السحابية الأربعة الرئيسيين في الولايات المتحدة: Microsoft وGoogle وAWS وMeta 20.2% و16.6% و16% و16% من إجمالي الناتج المحلي. الطلب العالمي على التوالي في عام 2024. 10.8%، بإجمالي يزيد عن 60%.
مصدر الصورة: https://investor.nvidia.com/financial-info/financial-reports/default.aspx
أصبحت عبارة "نقص الرقائق" كلمة ساخنة لهذا العام في السنوات الأخيرة. فمن ناحية، يتطلب التدريب والاستدلال على نماذج اللغات الكبيرة (LLM) قدرًا كبيرًا من قوة الحوسبة؛ ومع تكرار النموذج، تزداد التكلفة والطلب على قوة الحوسبة بشكل كبير. ومن ناحية أخرى، ستشتري شركات كبيرة مثل ميتا كميات هائلة من الرقائق، وتتجه موارد الحوسبة العالمية نحو عمالقة التكنولوجيا، مما يزيد من صعوبة حصول الشركات الصغيرة على موارد الحوسبة التي تحتاج إليها. إن الصعوبات التي تواجهها الشركات الصغيرة لا تأتي فقط من عدم كفاية المعروض من الرقائق بسبب ارتفاع الطلب، بل وأيضاً من التناقضات البنيوية في العرض. في الوقت الحالي، لا يزال هناك عدد كبير من وحدات معالجة الرسومات الخاملة من جانب العرض، على سبيل المثال، هناك قدر كبير من قوة الحوسبة الخاملة في بعض مراكز البيانات (معدل الاستخدام هو 12% - 18%) فقط تعدين العملات المشفرة، نظرًا لانخفاض الأرباح، أصبحت وحدات معالجة الرسومات في وضع الخمول أيضًا، وتم إصدار كمية كبيرة من موارد الطاقة الحاسوبية. على الرغم من أن جميع قدرات الحوسبة هذه ليست مناسبة لسيناريوهات التطبيقات الاحترافية مثل تدريب الذكاء الاصطناعي، إلا أن الأجهزة المخصصة للمستهلكين لا تزال قادرة على لعب دور كبير في مجالات أخرى، مثل استدلال الذكاء الاصطناعي وعرض الألعاب السحابية والهواتف المحمولة السحابية. فرص دمج واستخدام موارد الحوسبة هذه هائلة.
بتحويل انتباهنا من الذكاء الاصطناعي إلى العملات المشفرة، بعد ثلاث سنوات من الصمت في سوق العملات المشفرة، دخلنا أخيرًا سوقًا صاعدة أخرى، وقد وصل سعر البيتكوين مرارًا وتكرارًا إلى مستويات قياسية جديدة ومختلفة ظهرت memecoins إلى ما لا نهاية. على الرغم من أن الذكاء الاصطناعي والعملات المشفرة أصبحا من الكلمات الطنانة الشائعة على مر السنين، فإن الذكاء الاصطناعي وسلسلة الكتل، باعتبارهما تقنيتين مهمتين، يشبهان خطين متوازيين ولم يجدا بعد "تقاطعًا". في بداية هذا العام، نشر فيتاليك مقالًا بعنوان "الوعد والتحديات لتطبيقات التشفير + الذكاء الاصطناعي"، يناقش السيناريو المستقبلي للجمع بين الذكاء الاصطناعي والعملات المشفرة. ذكر فيتاليك العديد من الأفكار في المقالة، بما في ذلك استخدام تقنيات التشفير مثل blockchain وMPC لتحقيق اللامركزية في تدريب واستدلال الذكاء الاصطناعي، والتي يمكن أن تفتح الصندوق الأسود للتعلم الآلي، مما يجعل نموذج الذكاء الاصطناعي أكثر ثقة، وما إلى ذلك. ولا يزال هناك طريق طويل لنقطعه قبل أن تتحقق هذه الرؤى. لكن إحدى حالات الاستخدام التي ذكرها فيتاليك - استخدام الحوافز الاقتصادية للعملات المشفرة لتمكين الذكاء الاصطناعي هو أيضًا اتجاه مهم يمكن تحقيقه في وقت قصير. تعد شبكة طاقة الحوسبة اللامركزية أحد السيناريوهات الأكثر ملاءمة لـ AI + crypto في هذه المرحلة.
في الوقت الحالي، هناك العديد من المشاريع التي يتم تطويرها على مسار شبكة الحوسبة اللامركزية. المنطق الأساسي لهذه المشاريع مشابه ويمكن تلخيصه على النحو التالي: استخدم الرموز المميزة لتشجيع أصحاب القدرة الحاسوبية على المشاركة في الشبكة لتوفير خدمات الطاقة الحاسوبية ويمكن تجميع موارد الطاقة الحاسوبية المتناثرة في شبكة طاقة حاسوبية لا مركزية على نطاق معين. ولا يؤدي ذلك إلى تحسين معدل استخدام قوة الحوسبة الخاملة فحسب، بل يلبي أيضًا احتياجات طاقة الحوسبة للعملاء بتكلفة أقل، مما يحقق وضعًا مربحًا لكل من المشترين والبائعين.
من أجل تمكين القراء من الحصول على فهم شامل لهذا المسار في فترة زمنية قصيرة، ستقوم هذه المقالة بتفكيك مشاريع محددة والمسار بأكمله من منظورين: الجزئي والكلي، بهدف لتزويد القراء بمنظور تحليلي لفهم المزايا التنافسية الأساسية لكل مشروع والتطوير الشامل لمسار قوة الحوسبة اللامركزية. سيقدم المؤلف ويحلل خمسة مشاريع: Aethir، io.net، Render Network، Akash Network، Gensyn، ويلخص ويقيم حالة المشروع ويتتبع التطوير.
من إطار تحليلي، إذا ركزنا على شبكة طاقة حوسبة لامركزية معينة، فيمكننا تفكيكها إلى أربعة مكونات أساسية:
شبكة الأجهزة: دمج موارد الحوسبة المتفرقة وتحقيق مشاركة وتحميل موارد الحوسبة من خلال العقد الموزعة حول العالم. التوازن هو الطبقة الأساسية لشبكة طاقة الحوسبة اللامركزية.
السوق ذات الوجهين: التوفيق بين موفري الطاقة الحاسوبية والطالبين من خلال آليات التسعير المعقولة وآليات الاكتشاف، وتوفير منصة تداول آمنة، وضمان المعاملات بين أطراف العرض والطلب شفافة وعادلة وذات مصداقية.
آلية الإجماع: تستخدم للتأكد من أن العقد في الشبكة تعمل بشكل صحيح وتكمل عملها. يتم استخدام آلية الإجماع بشكل أساسي لمراقبة مستويين: 1) مراقبة ما إذا كانت العقدة تعمل عبر الإنترنت وفي حالة نشطة يمكنها قبول المهام في أي وقت 2) إثبات عمل العقدة: بعد استلام المهمة، أكملت العقدة المهمة بشكل فعال وصحيح، ولم يتم المساس بقدرة الحوسبة على العمليات والخيوط لأغراض أخرى.
حوافز الرمز المميز: يتم استخدام نموذج الرمز المميز لتحفيز المزيد من المشاركين على تقديم/استخدام الخدمات، ويتم استخدام الرموز المميزة لالتقاط تأثير الشبكة هذا تقاسم المنافع المجتمعية.
إذا قمت بنظرة عامة على مسار قوة الحوسبة اللامركزية بالكامل، فإن تقرير بحث Blockworks Research يوفر إطارًا تحليليًا جيدًا يمكننا تقسيم مواقع المشروع لهذا المسار إلى لثلاث طبقات مختلفة.
الطبقة المعدنية العارية: تشكل الطبقة الأساسية لمكدس الحوسبة اللامركزية وتتمثل مهمتها الرئيسية في التجميع الحسابات الأصلية وإتاحتها لاستدعاءات API.
طبقة التنسيق: الطبقة الوسطى التي تشكل حزمة الحوسبة اللامركزية، ومهمتها الرئيسية هي التنسيق والتجريد، وهي مسؤولة عن الجدولة والتوسع والعمليات وموازنة التحميل والتسامح مع الأخطاء وما إلى ذلك. وتتمثل وظيفتها الرئيسية في "تجريد" تعقيد إدارة الأجهزة الأساسية، وتزويد المستخدمين النهائيين بواجهة مستخدم أكثر تقدمًا، وخدمة مجموعات محددة من العملاء.
طبقة التجميع: تشكل الطبقة العليا من مكدس الحوسبة اللامركزية، وتتمثل مهمتها الرئيسية في التكامل وهي مسؤولة عن توفير واجهة موحدة يمكن للمستخدمين تنفيذ مجموعة متنوعة من مهام الحوسبة، مثل تدريب الذكاء الاصطناعي، والعرض، وzkML، وما إلى ذلك. أي ما يعادل طبقة التنسيق والتوزيع لخدمات الحوسبة اللامركزية المتعددة.
مصدر الصورة: Youbi Capital
استنادًا إلى إطاري التحليل المذكورين أعلاه، سنختار خمسة إنشاء المقارنة الأفقية للمشروع وتقييمه من أربعة مستويات - الأعمال الأساسية، ووضع السوق، ومرافق الأجهزة، والأداء المالي.
من فيما يتعلق بالمنطق الأساسي، فإن شبكة طاقة الحوسبة اللامركزية متجانسة للغاية، أي أنه يتم استخدام الرموز المميزة لتشجيع أصحاب طاقة الحوسبة الخاملة على تقديم خدمات طاقة الحوسبة. من خلال التركيز على هذا المنطق الأساسي، يمكننا فهم الاختلافات في الأعمال الأساسية للمشروع من ثلاثة جوانب:
قوة الحوسبة الخاملة المصدر:
هناك الكثير من الخمول هناك مصدران رئيسيان لقوة الحوسبة في السوق: 1) قوة الحوسبة الخاملة في أيدي مراكز البيانات وعمال المناجم والمؤسسات الأخرى؛ 2) قوة الحوسبة الخاملة في أيدي مستثمري التجزئة. عادةً ما تكون قوة الحوسبة في مراكز البيانات عبارة عن أجهزة احترافية، بينما يشتري مستثمرو التجزئة عادةً شرائح من فئة المستهلك.
يتم جمع القوة الحاسوبية لـ Aethir وAkash Network وGensyn بشكل أساسي من المؤسسات. تتمثل فوائد جمع الطاقة الحاسوبية من المؤسسات في: 1) عادةً ما تمتلك المؤسسات ومراكز البيانات أجهزة عالية الجودة وفرق صيانة احترافية، ويكون أداء وموثوقية موارد الحوسبة أعلى 2) قوة الحوسبة للمؤسسات و مراكز البيانات تميل الموارد البشرية إلى أن تكون أكثر تجانسًا، كما أن الإدارة والمراقبة المركزية تجعل جدولة الموارد وصيانتها أكثر كفاءة. ولكن في المقابل، فإن هذه الطريقة لها متطلبات أعلى لجانب المشروع، الأمر الذي يتطلب من جانب المشروع أن يكون لديه اتصالات تجارية مع الشركات التي تتحكم في قوة الحوسبة. وفي الوقت نفسه، ستتأثر قابلية التوسع واللامركزية إلى حد ما.
تشجع شبكة Render Network وio.net مستثمري التجزئة بشكل أساسي على توفير قدراتهم الحاسوبية الخاملة. تتمثل فوائد جمع طاقة الحوسبة من مستثمري التجزئة في: 1) التكلفة الصريحة لقوة الحوسبة الخاملة لمستثمري التجزئة أقل ويمكن أن توفر موارد طاقة حاسوبية أكثر اقتصادا 2) الشبكة أكثر قابلية للتطوير ولا مركزية، وهو ما يعزز مرونة وقوة النظام. العيب هو أن موارد البيع بالتجزئة موزعة على نطاق واسع وغير متسقة، مما يجعل الإدارة والجدولة معقدة، مما يجعل التشغيل والصيانة أكثر صعوبة. وسيكون من الأصعب (الأصعب في البدء) الاعتماد على القوة الحاسوبية التي يتمتع بها مستثمرو التجزئة لتشكيل تأثيرات الشبكة الأولية. وأخيرا، قد تنطوي أجهزة المستثمرين الأفراد على المزيد من المخاطر الأمنية، مما قد يؤدي إلى مخاطر تسرب البيانات وإساءة استخدام قوة الحوسبة.
مستهلك طاقة الحوسبة
< / li>من وجهة نظر مستهلكي طاقة الحوسبة، Aethir، io.net، Gensyn's العملاء المستهدفون هم بشكل رئيسي الشركات. بالنسبة لعملاء الجانب B، يتطلب عرض الذكاء الاصطناعي والألعاب في الوقت الفعلي متطلبات حوسبة عالية الأداء. تتطلب أعباء العمل هذه استهلاكًا كبيرًا لموارد الحوسبة، وغالبًا ما تتطلب وحدات معالجة رسومات متطورة أو أجهزة ذات مستوى احترافي. بالإضافة إلى ذلك، لدى عملاء الجانب B متطلبات عالية لاستقرار وموثوقية موارد الحوسبة، لذلك يجب عليهم تقديم اتفاقيات مستوى خدمة عالية الجودة لضمان التشغيل الطبيعي للمشروع وتقديم الدعم الفني في الوقت المناسب. في الوقت نفسه، تكون تكلفة الترحيل لعملاء الجانب B مرتفعة جدًا إذا لم يكن لدى الشبكة اللامركزية حزمة SDK ناضجة تسمح لطرف المشروع بالنشر بسرعة (على سبيل المثال، تتطلب شبكة Akash من المستخدمين التطوير استنادًا إلى المنافذ البعيدة). سيكون من الصعب على العملاء الترحيل. ولولا الميزة السعرية الكبيرة التي تتمتع بها، لكانت رغبة العملاء في الهجرة منخفضة للغاية.
توفر شبكة Render Network وشبكة Akash بشكل أساسي خدمات الطاقة الحاسوبية لمستثمري التجزئة. لتقديم الخدمات لمستخدمي الجانب C، يحتاج المشروع إلى تصميم واجهات وأدوات بسيطة وسهلة الاستخدام لتزويد المستهلكين بتجربة استهلاك جيدة. والمستهلكون حساسون للأسعار، لذلك تحتاج المشاريع إلى تقديم أسعار تنافسية.
نوع الجهاز
تتضمن موارد أجهزة الحوسبة الشائعة وحدة المعالجة المركزية (CPU)، وFPGA، وGPU، وASIC، وSoC، وما إلى ذلك. تختلف هذه الأجهزة بشكل كبير في أهداف التصميم وخصائص الأداء ومجالات التطبيق. باختصار، وحدة المعالجة المركزية أفضل في مهام الحوسبة العامة، وتكمن ميزة FPGA في المعالجة المتوازية العالية وقابلية البرمجة، وتعمل وحدة معالجة الرسومات بشكل جيد في الحوسبة المتوازية، وASIC هو الأكثر كفاءة في مهام محددة، وتدمج SoC وظائف متعددة في وظيفة واحدة، وهي مناسبة للتكامل العالي التطبيقات. يعتمد اختيار الأجهزة على احتياجات التطبيق المحدد ومتطلبات الأداء واعتبارات التكلفة. تقوم معظم مشاريع طاقة الحوسبة اللامركزية التي نناقشها بجمع قوة حوسبة وحدة معالجة الرسومات، والتي يتم تحديدها حسب نوع عمل المشروع وخصائص وحدات معالجة الرسومات. نظرًا لأن وحدة معالجة الرسومات تتمتع بمزايا فريدة في تدريب الذكاء الاصطناعي والحوسبة المتوازية وعرض الوسائط المتعددة وما إلى ذلك.
على الرغم من أن معظم هذه المشاريع تتضمن تكامل وحدة معالجة الرسومات، إلا أن التطبيقات المختلفة لها متطلبات مختلفة لمواصفات الأجهزة، لذا فإن هذه الأجهزة غير متجانسة لتحسين النواة والمعلمات. تتضمن هذه المعلمات التبعيات المتوازية/التسلسلية، والذاكرة، وزمن الوصول، وما إلى ذلك. على سبيل المثال، تعد أحمال عمل العرض في الواقع أكثر ملاءمة لوحدات معالجة الرسومات على مستوى المستهلك مقارنة بوحدات معالجة الرسومات في مركز البيانات ذات الأداء الأقوى، نظرًا لأن العرض يتطلب متطلبات عالية لتتبع الشعاع، وما إلى ذلك. تحتوي الرقائق المخصصة للمستهلكين مثل 4090 على نوى RT محسنة خصيصًا لمهام تتبع الشعاع التحسين الحسابي. يتطلب التدريب والاستدلال على الذكاء الاصطناعي وحدات معالجة رسومية على المستوى الاحترافي. لذلك، يمكن لـ Render Network جمع وحدات معالجة الرسومات الاستهلاكية مثل RTX 3090s و4090s من مستثمري التجزئة، بينما تحتاج IO.NET إلى المزيد من وحدات معالجة الرسومات الاحترافية مثل H100s وA100s لتلبية احتياجات الشركات الناشئة في مجال الذكاء الاصطناعي.
من أجل فيما يتعلق بتحديد موضع المشروع، فإن الطبقة المعدنية العارية وطبقة التنسيق وطبقة التجميع لها مشكلات أساسية مختلفة يجب حلها والتركيز على التحسين وقدرات التقاط القيمة.
تركز الطبقة المعدنية العارية على جمع الموارد المادية واستخدامها، وتركز طبقة التنسيق على الجدولة والتحسين. تم تصميم الأجهزة المادية على النحو الأمثل وفقًا لاحتياجات مجموعة العملاء. طبقة التجميع ذات أغراض عامة وتركز على تكامل وتجريد الموارد المختلفة. من منظور سلسلة القيمة، يجب أن يبدأ كل مشروع من المستوى المعدني ثم يشق طريقه نحو الأعلى.
من منظور التقاط القيمة، بدءًا من الطبقة المعدنية العارية، وطبقة التنسيق إلى طبقة التجميع، تزداد القدرة على التقاط القيمة طبقة تلو الأخرى. يمكن لطبقة التجميع التقاط أكبر قيمة لأن منصة التجميع يمكنها الحصول على أكبر تأثير للشبكة والوصول مباشرة إلى معظم المستخدمين، وهو ما يعادل مدخل حركة المرور للشبكة اللامركزية، وبالتالي في مكدس إدارة موارد الحوسبة بالكامل أعلى موضع التقاط القيمة.
في المقابل، يعد بناء منصة تجميعية هو الأصعب أيضًا. يحتاج المشروع إلى معالجة التعقيد الفني وإدارة الموارد غير المتجانسة وموثوقية النظام وقابلية التوسع بشكل شامل، وهناك العديد من المشكلات. مثل تحقيق تأثير الشبكة، وحماية الأمن والخصوصية، وإدارة التشغيل والصيانة المعقدة. لا تؤدي هذه التحديات إلى بداية باردة للمشروع وتعتمد على مسار التطوير والتوقيت. عندما لا تنضج طبقة التنسيق بما يكفي للاستحواذ على حصة سوقية معينة، فمن غير الواقعي بناء طبقة تجميع.
في الوقت الحالي، ينتمي كل من Aethir وRender Network وAkash Network وGensyn إلى طبقة Orchestration، وهي مصممة لخدمة أهداف ومجموعات عملاء محددة قوي>. العمل الرئيسي الحالي لشركة Aethir هو العرض في الوقت الفعلي للألعاب السحابية وتوفير بيئات وأدوات تطوير ونشر معينة لعملاء الجانب B. العمل الرئيسي لشبكة Render Network هو عرض الفيديو، وتتمثل مهمة Akash Network في توفير معاملة مشابهة لمنصة Taobao، و يشارك Gensyn بعمق في مجال تدريب الذكاء الاصطناعي. تم وضع io.net كطبقة التجميع، لكن الوظائف التي تنفذها io لا تزال بعيدة عن الوظائف الكاملة لطبقة التجميع. على الرغم من أنه تم جمع أجهزة Render Network وFilecoin، إلا أنه لم يتم تجميع موارد الأجهزة وتكاملها لم تكتمل بعد.
حاليًا، لم تعلن جميع المشاريع عن الشبكة لـ بيانات مفصلة، نسبيًا، واجهة المستخدم الخاصة بـ io.net explorer هي الأفضل. يمكنك رؤية كمية وحدة معالجة الرسومات/وحدة المعالجة المركزية ونوعها وسعرها وتوزيعها واستخدام الشبكة ودخل العقدة والمعلمات الأخرى أعلاه. ومع ذلك، في نهاية شهر أبريل، تعرضت الواجهة الأمامية لـ io.net للهجوم نظرًا لأن io لم يقم بإجراء المصادقة على واجهة PUT/POST، فقد تلاعب المتسلل ببيانات الواجهة الأمامية. وقد دق هذا أيضًا ناقوس الخطر بشأن خصوصية وموثوقية بيانات الشبكة للمشاريع الأخرى.
فيما يتعلق بعدد وحدات معالجة الرسومات وطرازها، يجب أن تجمع io.net، باعتبارها طبقة التجميع، أكبر كمية من الأجهزة. Aethir ليس بعيدًا عن الركب، كما أن حالات الأجهزة الخاصة بالمشاريع الأخرى أقل شفافية. كما ترون من نموذج وحدة معالجة الرسومات، فإن io يحتوي على وحدات معالجة رسومات من الدرجة الاحترافية مثل A100 ووحدات معالجة رسومات من فئة المستهلك مثل 4090. وهناك العديد من الأنواع، والتي تتماشى مع موضع تجميع io.net. يمكن لـ io تحديد وحدة معالجة الرسومات (GPU) الأكثر ملاءمة بناءً على متطلبات مهمة محددة. ومع ذلك، قد تتطلب النماذج والعلامات التجارية المختلفة لوحدات معالجة الرسومات برامج تشغيل وتكوينات مختلفة، ويتطلب البرنامج أيضًا تحسينًا معقدًا، مما يزيد من تعقيد الإدارة والصيانة. في الوقت الحاضر، يعتمد تخصيص مهام io المختلفة بشكل أساسي على الاختيار المستقل للمستخدم.
أصدرت Aethir آلة التعدين الخاصة بها في شهر مايو، وتم إطلاق Aethir Edge رسميًا، والتي تم تطويرها ودعمها بواسطة شركة Qualcomm. سيؤدي ذلك إلى كسر طريقة نشر مجموعة GPU المركزية الفردية بعيدًا عن المستخدمين ونشر قوة الحوسبة إلى الحافة. ستجمع Aethir Edge بين قوة الحوسبة العنقودية لـ H100 لخدمة سيناريوهات الذكاء الاصطناعي بشكل مشترك، ويمكنها نشر نماذج مدربة وتزويد المستخدمين بخدمات الحوسبة الاستدلالية بالتكلفة المثلى. وهذا الحل أقرب إلى المستخدمين، ويقدم خدمة أسرع، وأكثر فعالية من حيث التكلفة.
من منظور العرض والطلب، وبأخذ شبكة Akash كمثال، تشير إحصاءاتها إلى أن إجمالي عدد وحدات المعالجة المركزية يبلغ حوالي 16 ألفًا وعدد وحدات معالجة الرسومات 378. وفقًا بالنسبة للطلب على تأجير الشبكات، تبلغ معدلات استخدام وحدة المعالجة المركزية ووحدة معالجة الرسومات 11.1% و19.3% على التوالي. من بينها، وحدة معالجة الرسوميات GPU H100 الاحترافية فقط هي التي تتمتع بمعدل إيجار مرتفع نسبيًا، في حين أن معظم الطرز الأخرى خاملة. الوضع الذي تواجهه الشبكات الأخرى بشكل عام هو نفس الوضع الذي تواجهه Akash. الطلب الإجمالي على الشبكة ليس مرتفعًا، باستثناء الرقائق الشائعة مثل A100 وH100، فإن معظم قدرات الحوسبة الأخرى في وضع الخمول.
من منظور ميزة السعر، باستثناء الشركات العملاقة في سوق الحوسبة السحابية، فإن ميزة التكلفة ليست رائعة مقارنة بمقدمي الخدمات التقليديين الآخرين .
p>
بغض النظر عن الرمز المميز نموذج كيفية التصميم، يجب أن تستوفي العملات الرمزية الصحية الشروط الأساسية التالية: 1) يجب أن ينعكس طلب المستخدم على الشبكة في سعر العملة، مما يعني أن الرمز المميز يمكنه تحقيق القيمة. 2) كل مشارك، سواء كان مطورين أو مطورين؛ يحتاج جميع العقد والمستخدمين إلى الحصول على حوافز طويلة الأجل وعادلة؛ 3) ضمان الإدارة اللامركزية لتجنب الممتلكات المفرطة من قبل المطلعين؛ 4) آليات التضخم والانكماش المعقولة ودورات إصدار الرمز المميز لتجنب التقلبات الكبيرة في العملات المعدنية التي تؤثر على المتانة استدامة الشبكة.
إذا تم تقسيم نموذج الرمز المميز على نطاق واسع إلى BME (توازن الحرق والنعناع) وSFA (حصة الوصول)، فإن مصادر ضغط انكماش الرمز المميز في هذين النموذجين مختلفة: يحرق نموذج BME الرموز المميزة بعد شراء المستخدمين للخدمات، وبالتالي يتم تحديد الضغط الانكماشي على النظام حسب الطلب. يتطلب SFA من مقدمي الخدمات/العقد التعهد بالرموز المميزة لتكون مؤهلة لتقديم الخدمات، وبالتالي فإن الضغط الانكماشي ناتج عن العرض. ميزة BME هي أنها أكثر ملاءمة للسلع غير القياسية. ولكن إذا كان الطلب على الشبكة غير كاف، فقد تواجه ضغوطا تضخمية مستمرة. تختلف نماذج الرمز المميز لكل مشروع في التفاصيل، ولكن بشكل عام،Aethir أكثر انحيازًا نحو SFA، في حين أن io.net وRender Network وAkash Network أكثر انحيازًا نحو BME، ولم يُعرف Gensyn بعد.
من منظور الدخل، سينعكس طلب الشبكة بشكل مباشر في الدخل الإجمالي للشبكة (لم تتم مناقشة دخل القائمين بالتعدين هنا، لأنه بالإضافة إلى إكمال المهام، يحصل القائمون بالتعدين على المكافآت والإعانات من المشروع.) ومن البيانات العامة، فإن قيمة io.net هي الأعلى. على الرغم من عدم الإعلان عن إيرادات Aethir بعد، إلا أنه استنادًا إلى المعلومات العامة، فقد أعلنوا أنهم وقعوا طلبات مع العديد من عملاء الجانب B.
فيما يتعلق بأسعار العملات، حاليًا فقط Render Network وAkash Network هي التي قامت بإجراء عمليات الطرح الأولي للعملات. أصدرت Aethir وio.net أيضًا عملات معدنية في المستقبل القريب، ويحتاج أداء أسعارها إلى مزيد من المراقبة، لذلك لن أناقشها كثيرًا هنا. خطط جينسين غير واضحة. انطلاقًا من المشروعين اللذين أصدرا العملات المعدنية والمشاريع التي أصدرت عملات معدنية في نفس المسار ولكن لم يتم تضمينهما في نطاق هذه المقالة،بشكل عام، تتمتع شبكة طاقة الحوسبة اللامركزية بأداء سعري ملفت للنظر للغاية. تعكس الدرجة إمكانات السوق الضخمة والتوقعات العالية للمجتمع.
يتطور المسار العام لشبكة طاقة الحوسبة اللامركزية بسرعة، ويوجد بالفعل العديد من المشاريع التي يمكنها الاعتماد على المنتجات لخدمة العملاء وتحقيق قدر معين من الدخل. لقد ابتعد المسار عن السرد البحت ودخل مرحلة التطوير حيث يمكن تقديم الخدمات الأولية.
يعد الطلب الضعيف مشكلة شائعة تواجهها شبكات الحوسبة اللامركزية، ولم يتم التحقق من احتياجات العملاء على المدى الطويل والتنقيب عنها بشكل جيد. ومع ذلك، فإن جانب الطلب لم يؤثر على سعر العملة كثيرًا، وكان أداء العديد من المشاريع التي أصدرت العملات المعدنية جيدًا.
الذكاء الاصطناعي هو السرد الرئيسي لشبكة الحوسبة اللامركزية، لكنه ليس العمل الوحيد. بالإضافة إلى استخدامها في التدريب والاستدلال على الذكاء الاصطناعي، يمكن أيضًا استخدام قوة الحوسبة في العرض في الوقت الفعلي للألعاب السحابية وخدمات الهاتف المحمول السحابية وما إلى ذلك.
تعد أجهزة شبكة الطاقة الحاسوبية غير متجانسة إلى حد كبير، وتحتاج جودة وحجم شبكة الطاقة الحاسوبية إلى مزيد من التحسين.
بالنسبة لمستخدمي C-end، فإن ميزة التكلفة ليست واضحة جدًا. بالنسبة لمستخدمي الجانب B، بالإضافة إلى توفير التكاليف، يحتاجون أيضًا إلى مراعاة استقرار الخدمة والموثوقية والدعم الفني والامتثال والدعم القانوني وما إلى ذلك. لا تعمل مشاريع Web3 بشكل عام بشكل جيد في هذه الجوانب.
أدى النمو الهائل للذكاء الاصطناعي بلا شك إلى زيادة الطلب على قوة الحوسبة. لقد تزايدت قوة الحوسبة المستخدمة في مهام التدريب على الذكاء الاصطناعي بشكل كبير منذ عام 2012، وتتضاعف حاليا كل 3.5 أشهر (مقارنة بقانون مور الذي يتضاعف كل 18 شهرا). فمنذ عام 2012، تزايد طلب الناس على الطاقة الحاسوبية بأكثر من 300 ألف مرة، وهو ما يتجاوز بكثير الزيادة التي حققها قانون مور والتي بلغت 12 ضعفا. وفقًا للتوقعات، من المتوقع أن ينمو سوق وحدات معالجة الرسومات بمعدل نمو سنوي مركب يبلغ 32% خلال السنوات الخمس المقبلة ليتجاوز 200 مليار دولار أمريكي. تقديرات AMD أعلى، حيث تتوقع الشركة أن يصل سوق شرائح GPU إلى 400 مليار دولار بحلول عام 2027.
مصدر الصورة: https://www.stateof.ai/
بسبب الذكاء الاصطناعي وأعباء العمل الحسابية المكثفة الأخرى (مثل عرض AR/VR) كشف النمو الهائل للحوسبة السحابية عن أوجه القصور الهيكلية في الحوسبة السحابية التقليدية وأسواق الحوسبة الرائدة. من الناحية النظرية، يمكن لشبكات الطاقة الحاسوبية اللامركزية أن توفر حلولاً أكثر مرونة ومنخفضة التكلفة وفعالة من خلال استخدام موارد الحوسبة الخاملة الموزعة، وبالتالي تلبية الطلب الضخم في السوق على موارد الحوسبة. لذلك، فإن الجمع بين العملات المشفرة والذكاء الاصطناعي يتمتع بإمكانات سوقية هائلة، ولكنه يواجه أيضًا منافسة شرسة مع المؤسسات التقليدية، وحواجز دخول عالية وبيئة سوق معقدة. بشكل عام، عند النظر إلى جميع مسارات العملات المشفرة، تعد شبكات طاقة الحوسبة اللامركزية واحدة من أكثر المجالات الرأسية الواعدة في مجال العملات المشفرة للحصول على طلب حقيقي.
مصدر الصورة: https://vitalik.eth.limo/general/2024/01/30/cryptoai.html p>
المستقبل مشرق، ولكن الطريق متعرج. ولتحقيق الرؤية المذكورة أعلاه، ما زلنا بحاجة إلى حل العديد من المشاكل والتحديات. باختصار: في هذه المرحلة، إذا قمنا ببساطة بتقديم الخدمات السحابية التقليدية، فسيكون هامش ربح المشروع صغيرًا جدًا. من خلال التحليل من جانب الطلب، تقوم المؤسسات الكبيرة عمومًا ببناء قوة الحوسبة الخاصة بها، ويختار معظم مطوري الجانب C النقي الخدمات السحابية. ما إذا كانت المؤسسات الصغيرة والمتوسطة الحجم التي تستخدم موارد شبكة طاقة الحوسبة اللامركزية حقًا ستتمتع بطلب مستقر يحتاج إلى مزيد من الاستكشاف والتحقق . من ناحية أخرى، يعد الذكاء الاصطناعي سوقًا واسعًا ذو أسقف عالية للغاية ومساحة للخيال، ومن أجل الوصول إلى سوق أوسع، سيحتاج مقدمو خدمات طاقة الحوسبة اللامركزية أيضًا إلى التحول إلى نماذج/خدمات ذكاء اصطناعي في المستقبل واستكشاف المزيد من العملات المشفرة. حلول الذكاء الاصطناعي استخدم السيناريوهات لتوسيع القيمة التي يمكن أن تخلقها المشاريع. ولكن في الوقت الحاضر، لا يزال هناك العديد من المشكلات والتحديات في مواصلة التطوير في مجال الذكاء الاصطناعي:
السعر الميزة ليست رائعة: يمكن أن نرى من مقارنة البيانات السابقة أن ميزة التكلفة لشبكة طاقة الحوسبة اللامركزية لم تنعكس. السبب المحتمل هو أنه بالنسبة للشرائح الاحترافية مثل H100 وA100، والتي يزداد الطلب عليها، فإن آلية السوق تحدد أن سعر هذا الجزء من الأجهزة لن يكون رخيصًا. بالإضافة إلى ذلك، على الرغم من أن الشبكات اللامركزية يمكنها جمع موارد الحوسبة الخاملة، إلا أن التكاليف الخفية مثل الافتقار إلى وفورات الحجم الناتجة عن اللامركزية، وارتفاع تكاليف الشبكة وعرض النطاق الترددي، والتعقيد الكبير للإدارة والتشغيل والصيانة ستزيد من تكلفة الحوسبة.
تخصص التدريب على الذكاء الاصطناعي: يؤدي استخدام النهج اللامركزي في التدريب على الذكاء الاصطناعي إلى اختناق تقني كبير في المرحلة الحالية. يمكن أن ينعكس هذا الاختناق بشكل حدسي من سير عمل وحدة معالجة الرسومات في التدريب على نماذج اللغة الكبيرة، تتلقى وحدة معالجة الرسومات أولاً مجموعة البيانات المعالجة مسبقًا وتقوم بإجراء حسابات الانتشار الأمامي والخلفي لإنشاء التدرجات. بعد ذلك، تقوم كل وحدة معالجة رسومات بتجميع التدرجات وتحديث معلمات النموذج لضمان مزامنة جميع وحدات معالجة الرسومات. سيتم تكرار هذه العملية حتى يكمل التدريب جميع الدفعات أو يصل إلى عدد محدد مسبقًا من العصور. تتضمن هذه العملية الكثير من نقل البيانات ومزامنتها. أسئلة مثل نوع استراتيجية التوازي والتزامن المستخدمة، وكيفية تحسين عرض النطاق الترددي للشبكة والتأخير، وتقليل تكاليف الاتصال، لم تتم الإجابة عليها بشكل جيد حتى الآن. في هذه المرحلة، ليس من الواقعي استخدام شبكة طاقة حاسوبية لامركزية لتدريب الذكاء الاصطناعي.
أمان البيانات والخصوصية: في عملية تدريب نماذج اللغات الكبيرة، تشمل جميع الجوانب معالجة البيانات ونقلها، مثل توزيع البيانات والتدريب النموذجي ، يتمتع كل من المعلمات وتجميع التدرج بالقدرة على التأثير على أمان البيانات والخصوصية. وتعد خصوصية نموذج عملة خصوصية البيانات أكثر أهمية. إذا لم تتمكن من حل مشكلة خصوصية البيانات، فلن تتمكن حقًا من التوسع في جانب الطلب.
من المنظور الأكثر واقعية، تحتاج شبكة الطاقة الحاسوبية اللامركزية إلى أن تأخذ في الاعتبار اكتشاف الطلب الحالي ومساحة السوق المستقبلية. حدد موضع المنتج واستهدف مجموعات العملاء، مثل استهداف المشاريع الأصلية التي لا تعتمد على الذكاء الاصطناعي أو Web3 أولاً، بدءًا من الاحتياجات الهامشية نسبيًا وإنشاء قاعدة مستخدمين مبكرة. وفي الوقت نفسه، نواصل استكشاف السيناريوهات المختلفة التي يتم فيها الجمع بين الذكاء الاصطناعي والتشفير، واستكشاف الحدود التكنولوجية، وتحقيق التحول في الخدمات والارتقاء بها.
المراجع
https://www.stateof.ai/ < /span>
https://vitalik.eth.limo/general/2024/01/30/cryptoai.html< / p>
https://foresightnews.pro/article/detail/34368
https://app.blockworksresearch.com/unlocked/compute-de-pi-ns-paths-to-adoption-in-an-ai-dominated-market?callback=%2Fresearch%2Fcompute-de - pi-ns-paths-to-adoption-in-an-ai-dominated-market
https://research web3caff .com/zh/archives/17351?ref=1554
لماذا يعد Crypto AI الفرصة الأكثر إثارة للمستثمرين والبنائين اليوم.
JinseFinanceيواجه الذكاء الاصطناعي نفس مخاطر المركزية التي واجهتها شبكة الإنترنت المبكرة. لكن ماهيش راماكريشنان وفيناياك كوروب يقولان إن هناك طريقة أخرى ممكنة.
JinseFinanceمع التطور المستمر لتقنية blockchain، أصبحت الحوسبة اللامركزية تستخدم على نطاق واسع في مجالات مختلفة، مثل مجال GameFi الذي يحبه المستخدمون.
JinseFinanceتشرح هذه المقالة بالتفصيل المنطق والوضع الحالي لبناء منصة io.net لطاقة الحوسبة اللامركزية.
JinseFinanceتقف شبكة Lumoz في طليعة ابتكارات blockchain كشبكة حوسبة معيارية موزعة عالميًا. من خلال التكامل مع شبكة البنية التحتية المادية اللامركزية (DePIN)، توفر Lumoz منصة حوسبة قوية وآمنة ومرنة مصممة لتلبية احتياجات المستخدمين في جميع أنحاء العالم.
Wilfredلا تضمن شبكات DePIN حصة عادلة من عوالم المستقبل في تطوير الذكاء الاصطناعي، لكنها توفر واحدة من أفضل الفرص للبدء في بنائها.
JinseFinanceسيؤدي الأداء اللاحق لـ io.net إلى تعزيز مسار AI+DePIN بالكامل.
JinseFinanceAkash Network هو مشروع في مجال البلوكشين والحوسبة السحابية. في الأساس، إنه سوق حوسبة سحابية لامركزية مصمم لجعل الحوسبة السحابية أكثر سهولة وأقل تكلفة.
JinseFinanceالطلب العالمي على الذكاء الاصطناعي وحلول Web3: يتزايد الطلب على خدمات الذكاء الاصطناعي، خاصة بالنسبة لوحدات معالجة الرسوميات على مستوى المؤسسات مثل H100، وتميز Aethir نفسها عن طريق سد الفجوة بين احتياجات الحوسبة عالية الأداء وتقنية web3 AI.
JinseFinanceخلال مهرجان الربيع الصيني هذا، حدث حدث كبير في نظام Arweave البيئي.
JinseFinance