النظر إلى IO.NET تحت مفهوم "AI + DePin" من تاريخ تطور الذكاء الاصطناعي

io.net عبارة عن منصة حوسبة لامركزية تعمل بالذكاء الاصطناعي تعتمد على Solana التي طورتها شركة IO Research. وقد وصلت إلى تقييم FDV بقيمة مليار دولار أمريكي في أحدث جولة تمويل لها.

أعلنت io.net في مارس من هذا العام أنها أكملت تمويلًا من السلسلة A بقيمة 30 مليون دولار بقيادة Hack VC، والذي شمل أيضًا Multicoin Capital و6th Man Ventures، شاركت Solana Ventures، وOKX Ventures، وAptos Labs، وDelphi Digital، وThe Sandbox، وسيباستيان بورجيت من The Sandbox.

يركز io.net على تجميع موارد وحدة معالجة الرسومات لشركات الذكاء الاصطناعي والتعلم الآلي، ويلتزم بتقديم الخدمات بتكاليف أقل وأوقات تسليم أسرع. منذ إطلاقها في نوفمبر الماضي، نمت io.net لتشمل أكثر من 25000 وحدة معالجة رسوميات وعالجت أكثر من 40000 ساعة حوسبة لشركات الذكاء الاصطناعي والتعلم الآلي.

تتمثل رؤية io.net في بناء شبكة حوسبة عالمية لامركزية للذكاء الاصطناعي تربط فرق/مؤسسات الذكاء الاصطناعي والتعلم الآلي بموارد GPU القوية حول العالم. .

في هذا النظام البيئي، أصبحت موارد حوسبة الذكاء الاصطناعي سلعة، ولم تعد أطراف العرض والطلب منزعجة من نقص الموارد. وفي المستقبل، ستوفر io.net أيضًا إمكانية الوصول إلى متاجر نماذج IO وإمكانيات الاستدلال المتقدمة مثل الاستدلال بدون خادم والألعاب السحابية وخدمات تدفق البكسل.

خلفية العمل

قبل تقديم منطق الأعمال الخاص بـ io.net، نحتاج أولاً إلى فهم مسار قوة الحوسبة اللامركزية من بعدين: الأول هو تاريخ تطور حوسبة الذكاء الاصطناعي، والبعد الآخر هو فهم استخدام الحوسبة اللامركزية في الماضي حالة القوة.

تاريخ تطور حوسبة الذكاء الاصطناعي

يمكننا وصف مسار تطور حوسبة الذكاء الاصطناعي من عدة نقاط زمنية رئيسية:

1. الأيام الأولى للتعلم الآلي ( الثمانينيات - أوائل العقد الأول من القرن الحادي والعشرين)

خلال هذه الفترة، ركزت أساليب التعلم الآلي بشكل أساسي على النماذج الأبسط، مثل أشجار القرار وآلات ناقلات الدعم (SVM) . )انتظر. كانت لهذه النماذج متطلبات حسابية منخفضة نسبيًا ويمكن تشغيلها على أجهزة الكمبيوتر الشخصية أو الخوادم الصغيرة الموجودة في ذلك الوقت. مجموعة البيانات صغيرة نسبيًا وتعد هندسة الميزات واختيار النموذج من المهام الرئيسية.

النقطة الزمنية: من الثمانينيات إلى أوائل العقد الأول من القرن الحادي والعشرين

متطلبات طاقة الحوسبة: منخفضة نسبيًا، وهي شخصية الكمبيوتر أو خادم صغير سيكون كافيا.

أجهزة الحوسبة: تهيمن وحدة المعالجة المركزية على موارد الحوسبة.

2. ظهور التعلم العميق (الفترة الأخيرة من 2006)

في عام 2006، أعيد تقديم مفهوم التعلم العميق، وتميزت هذه الفترة بأبحاث هينتون وآخرين. وفي وقت لاحق، كان التطبيق الناجح للشبكات العصبية العميقة، وخاصة الشبكات العصبية التلافيفية (CNN) والشبكات العصبية المتكررة (RNN)، بمثابة طفرة في هذا المجال. يزداد الطلب على موارد الحوسبة بشكل كبير في هذه المرحلة، خاصة عند معالجة مجموعات كبيرة من البيانات مثل الصور والكلام.

النقطة الزمنية:

مسابقة ImageNet (2012): AlexNet في هذه المسابقة النصر هو حدث تاريخي في تاريخ التعلم العميق، أظهر لأول مرة الإمكانات الهائلة للتعلم العميق في مجال التعرف على الصور.

AlphaGo (2016): هزم برنامج AlphaGo التابع لشركة Google DeepMind بطل Go العالمي Lee Sedol. يجب أن تكون هذه اللحظة الأكثر إشراقًا في الذكاء الاصطناعي حتى الآن. فهي لا توضح القوة فحسب التعلم العميق كما أثبت تطبيقه في الألعاب الإستراتيجية المعقدة للعالم قدرته على حل المشكلات المعقدة للغاية.

متطلبات طاقة الحوسبة: زادت بشكل كبير، مما يتطلب موارد حوسبة أكثر قوة لتدريب الشبكات العصبية العميقة المعقدة.

أجهزة الحوسبة: بدأت وحدات معالجة الرسومات في أن تصبح الأجهزة الرئيسية للتدريب على التعلم العميق لأنها أفضل بكثير من وحدات المعالجة المركزية في المعالجة المتوازية.

3. عصر النماذج اللغوية واسعة النطاق (2018 حتى الوقت الحاضر)

مع ظهور تقنية BERT (2018) وتقنية GPT (بعد 2018)، بدأت النماذج الكبيرة تسيطر على مسار الذكاء الاصطناعي. غالبًا ما تحتوي هذه النماذج على مليارات إلى تريليونات من المعلمات، مما يضع متطلبات غير مسبوقة على موارد الحوسبة. يتطلب تدريب هذه النماذج عددًا كبيرًا من وحدات معالجة الرسومات أو وحدات معالجة الرسومات الأكثر تخصصًا، بالإضافة إلى قدر كبير من مرافق الطاقة والتبريد.

النقطة الزمنية: 2018 حتى الوقت الحاضر.

متطلبات طاقة الحوسبة: عالية للغاية، وتتطلب عددًا كبيرًا من وحدات معالجة الرسومات أو وحدات معالجة الرسومات (TPU) لتحقيق التوسع ويكملها دعم البنية التحتية المقابلة.

أجهزة الحوسبة: بالإضافة إلى GPU وTPU، بدأت تظهر أجهزة مخصصة لتحسين نماذج التعلم الآلي الكبيرة، مثل سلسلة TPU من Google، وسلسلة A وH من Nvidia. انتظر.

انطلاقًا من النمو الهائل لطلب الذكاء الاصطناعي على القوة الحاسوبية في الثلاثين عامًا الماضية، كان الطلب على القوة الحاسوبية في التعلم الآلي المبكر منخفضًا، وكان عصر الذكاء الاصطناعي لقد أدى التعلم العميق إلى زيادة الطلب على القوة الحاسوبية، كما أن الطلب على القوة الحاسوبية ونماذج الذكاء الاصطناعي واسعة النطاق يدفع هذا الطلب إلى أقصى الحدود. لقد شهدنا تحسينات كبيرة في أجهزة الحوسبة من الكمية إلى الأداء.

لا ينعكس هذا النمو فقط في التوسع في مراكز البيانات التقليدية وتحسين أداء الأجهزة مثل وحدات معالجة الرسومات، ولكن أيضًا في عتبة الاستثمار العالية والعوائد السخية التوقعات، كافية لجعل الصراع الدائر بين عمالقة الإنترنت علنياً.

مركز حوسبة مركزي تقليدي لوحدة معالجة الرسومات، يتطلب الاستثمار الأولي شراء أجهزة باهظة الثمن (مثل وحدة معالجة الرسومات نفسها)، وتكاليف إنشاء مركز البيانات أو استئجاره، وأنظمة التبريد وموظفي الصيانة التكاليف.

في المقابل، يتمتع مشروع منصة الحوسبة اللامركزية الذي أنشأته io.net بمزايا واضحة من حيث تكاليف البناء، والتي يمكن أن تقلل بشكل كبير من الاستثمار الأولي والتشغيل. من الممكن للفرق الصغيرة والمتناهية الصغر إنشاء نماذج الذكاء الاصطناعي الخاصة بها.

تستخدم مشاريع GPU اللامركزية الموارد الموزعة الحالية ولا تتطلب استثمارًا مركزيًا في إنشاء الأجهزة والبنية التحتية. يمكن للأفراد والمؤسسات المساهمة بموارد وحدة معالجة الرسومات الخاملة في الشبكة، مما يقلل الحاجة إلى الشراء المركزي ونشر موارد الحوسبة عالية الأداء.

ثانيًا، فيما يتعلق بتكاليف التشغيل، تتطلب مجموعات وحدات معالجة الرسومات التقليدية صيانة مستمرة ونفقات طاقة وتبريد. ومن خلال استخدام الموارد الموزعة، يمكن لمشاريع GPU اللامركزية تخصيص هذه التكاليف لعقد مختلفة، وبالتالي تقليل العبء التشغيلي لمؤسسة واحدة.

وفقًا لوثائق io.net، يقوم io.net بتجميع البيانات غير المستغلة من مراكز البيانات المستقلة، وعمال المناجم للعملات المشفرة، وشبكات الأجهزة الأخرى مثل Filecoin وRender. تقليل تكاليف التشغيل بشكل كبير. إلى جانب استراتيجية الحوافز الاقتصادية لـ Web3، تتمتع io.net بميزة كبيرة في التسعير.

الحوسبة اللامركزية

بالنظر إلى التاريخ، كان هناك بالفعل بعض اللامركزية في الماضي حقق مشروع الحوسبة نجاحًا ملحوظًا، حيث اجتذب أعدادًا كبيرة من المشاركين وحقق نتائج مهمة دون حوافز مالية. على سبيل المثال:

Folding@home: هذا مشروع بدأته جامعة ستانفورد، ويهدف إلى محاكاة عملية طي البروتين من خلال الحوسبة الموزعة ومساعدة العلماء على فهم الآلية. من الأمراض، وخاصة الأمراض المتعلقة بطي البروتين بشكل غير صحيح مثل مرض الزهايمر، ومرض هنتنغتون، وغيرها. خلال وباء كوفيد-19، جمع مشروع Folding@home موارد حاسوبية ضخمة للمساعدة في دراسة فيروس كورونا الجديد.

BOINC (Berkeley Open Infrastructure for Network Computing)**: عبارة عن منصة برمجية مفتوحة المصدر تدعم أنواعًا مختلفة من مشاريع التطوع والحوسبة الشبكية، بما في ذلك علم الفلك، الطب وعلوم المناخ والعديد من المجالات الأخرى. يمكن للمستخدمين المساهمة بموارد الحوسبة الخاملة والمشاركة في مشاريع البحث العلمي المختلفة.

لا تثبت هذه المشاريع جدوى الحوسبة اللامركزية فحسب، بل توضح أيضًا إمكانات التطوير الهائلة للحوسبة اللامركزية.

من خلال تعبئة جميع قطاعات المجتمع للمساهمة في موارد الحوسبة غير المستخدمة، يمكن تعزيز قوة الحوسبة بشكل كبير. وإذا تمت إضافة النموذج الاقتصادي Web3 بشكل مبتكر، فمن الممكن أيضًا تحسينه اقتصاديًا. تحقيق فعالية أكبر من حيث التكلفة. تُظهر تجربة Web3 أن آلية الحوافز المعقولة ضرورية لجذب مشاركة المستخدمين والحفاظ عليها.

من خلال تقديم نموذج الحوافز، يمكن بناء بيئة مجتمعية من المساعدة المتبادلة والفوز المشترك، الأمر الذي يمكن أن يزيد من تعزيز توسيع نطاق الأعمال وتعزيز التقدم التكنولوجي في دورة إيجابية.

لذلك، يمكن لـ io.net جذب مجموعة واسعة من المشاركين من خلال تقديم آليات الحوافز للمساهمة بشكل مشترك في قوة الحوسبة وتشكيل شبكة حوسبة لامركزية قوية.

يزود النموذج الاقتصادي لـ Web3 وإمكانات قوة الحوسبة اللامركزية io.net بزخم نمو قوي ويتيح الاستخدام الفعال للموارد وتحسين التكلفة. وهذا لا يعزز الابتكار التكنولوجي فحسب، بل يوفر أيضًا قيمة للمشاركين، مما يمكن أن يجعل io.net متميزًا عن المنافسة في مجال الذكاء الاصطناعي ويتمتع بإمكانيات تطوير هائلة ومساحة سوقية هائلة.

تقنية io.net

المجموعة

تشير مجموعة وحدة معالجة الرسومات إلى حسابات معقدة تجمع بين وحدات معالجة رسومات متعددة متصلة لتشكيل مجموعة حوسبة تعاونية، تعمل هذه الطريقة على تحسين الكفاءة والقدرة على التعامل مع مهام الذكاء الاصطناعي المعقدة بشكل كبير.

لا تعمل الحوسبة العنقودية على تسريع تدريب نماذج الذكاء الاصطناعي فحسب، بل تعمل أيضًا على تعزيز القدرة على معالجة مجموعات البيانات واسعة النطاق، مما يجعل تطبيقات الذكاء الاصطناعي أكثر مرونة وقابلة للتطوير.

في عملية تدريب نماذج الذكاء الاصطناعي على الإنترنت التقليدية، تكون هناك حاجة إلى مجموعات GPU واسعة النطاق. ومع ذلك، عندما نفكر في نقل نموذج الحوسبة العنقودية هذا نحو اللامركزية، تظهر سلسلة من التحديات التقنية.

مقارنة بمجموعات حوسبة الذكاء الاصطناعي لشركات الإنترنت التقليدية، ستواجه الحوسبة العنقودية اللامركزية لوحدة معالجة الرسومات المزيد من المشكلات، مثل: قد يتم توزيع العقد في أماكن مختلفة والموقع الجغرافي، مما يؤدي إلى يؤدي إلى قيود على زمن الوصول للشبكة وعرض النطاق الترددي، وقد يؤثر على سرعة مزامنة البيانات بين العقد، مما يؤثر على كفاءة الحوسبة الإجمالية.

بالإضافة إلى ذلك، تعد كيفية الحفاظ على اتساق البيانات وتزامنها في الوقت الفعلي بين العقد المختلفة أمرًا بالغ الأهمية أيضًا لضمان دقة نتائج الحساب. ولذلك، يتطلب ذلك منصات حوسبة لامركزية لتطوير آليات فعالة لإدارة البيانات ومزامنتها.

كيفية إدارة وجدولة موارد الحوسبة المتفرقة لضمان إمكانية إكمال مهام الحوسبة بفعالية هي أيضًا مشكلة تحتاج إلى حل في الحوسبة العنقودية اللامركزية.

تقوم io.net ببناء نظام أساسي للحوسبة العنقودية اللامركزية من خلال دمج Ray وKubernetes.

باعتباره إطار عمل للحوسبة الموزعة، يكون Ray مسؤولاً بشكل مباشر عن أداء مهام الحوسبة على عقد متعددة. فهو يعمل على تحسين معالجة البيانات وعملية التدريب على نموذج التعلم الآلي لضمان ذلك. أن المهام تعمل بكفاءة على كل عقدة.

يلعب Kubernetes دورًا إداريًا رئيسيًا في هذه العملية. فهو يعمل على أتمتة نشر وإدارة تطبيقات الحاويات ويضمن تخصيص موارد الحوسبة ديناميكيًا وفقًا للطلب. تعديل.

في هذا النظام، يحقق الجمع بين Ray وKubernetes بيئة حوسبة ديناميكية ومرنة. يضمن Ray إمكانية تنفيذ مهام الحوسبة بكفاءة على العقد المناسبة، بينما يضمن Kubernetes استقرار النظام بأكمله وقابليته للتوسع، ويتعامل تلقائيًا مع إضافة العقد أو إزالتها.

يمكّن هذا التآزر io.net من توفير خدمات حوسبة متماسكة وموثوقة في بيئة لا مركزية، سواء من حيث معالجة البيانات أو التدريب النموذجي، ويمكن أن يلبي الاحتياجات المتنوعة من المستخدمين.

وبهذه الطريقة، لا يعمل io.net على تحسين استخدام الموارد وتقليل تكاليف التشغيل فحسب، بل يعمل أيضًا على تحسين مرونة النظام وتحكم المستخدم. يمكن للمستخدمين بسهولة نشر وإدارة مهام الحوسبة بأحجام مختلفة دون القلق بشأن تفاصيل التكوين والإدارة المحددة للموارد الأساسية.

يضمن نموذج الحوسبة اللامركزية هذا، بمساعدة وظائف Ray وKubernetes القوية، قدرة منصة io.net على التعامل مع مهام الحوسبة المعقدة والواسعة النطاق. الكفاءة والموثوقية.

الخصوصية

نظرًا لأن سيناريوهات الاستخدام لمنطق تخصيص المهام للمجموعة اللامركزية أكثر تعقيدًا بكثير من منطق المجموعة في غرفة الكمبيوتر، وبالنظر إلى أن نقل البيانات ومهام الحوسبة في الشبكة يزيد من المخاطر الأمنية المحتملة، فإن المجموعة اللامركزية تأخذ في الاعتبار أيضًا حماية الأمن والخصوصية.

يعمل io.net على تحسين أمان الشبكة والخصوصية من خلال الاستفادة من الطبيعة اللامركزية لقنوات الشبكة الخاصة المتداخلة. في مثل هذه الشبكة، نظرًا لعدم وجود نقطة أو بوابة مركزية مركزية، يتم تقليل خطر فشل نقطة واحدة بشكل كبير، وحتى إذا واجهت بعض العقد مشكلات، فلا يزال بإمكان الشبكة بأكملها الاستمرار في العمل.

يتم نقل البيانات عبر مسارات متعددة داخل الشبكة المتداخلة. ويزيد هذا التصميم من صعوبة تتبع مصدر البيانات أو وجهتها، وبالتالي تعزيز إخفاء هوية المستخدم. .

بالإضافة إلى ذلك، باستخدام تقنيات مثل حشو الحزم وتشويش الوقت (Traffic Obfuscation)، يمكن لشبكات VPN المتداخلة أن تزيد من حجب أنماط تدفق البيانات، مما يسهل على المتنصتين لصعوبة تحليل أنماط حركة المرور أو تحديد مستخدمين محددين أو تدفقات البيانات.

يمكن لآلية خصوصية io.net أن تحل مشاكل الخصوصية بشكل فعال لأنها تعمل معًا على بناء بيئة نقل بيانات معقدة وقابلة للتغيير، مما يجعل المراقبة الخارجية صعبة على القراء التقاط معلومات مفيدة معلومة.

وفي الوقت نفسه، يتجنب الهيكل اللامركزي مخاطر تدفق جميع البيانات عبر نقطة واحدة. ولا يعمل هذا التصميم على تحسين قوة النظام فحسب، بل يعمل أيضًا على تحسين يقلل من خطر التعرض لهجوم. وفي الوقت نفسه، يوفر نقل البيانات متعدد المسارات واستراتيجية التشويش لحركة المرور معًا طبقة إضافية من الحماية لنقل بيانات المستخدمين، مما يعزز الخصوصية العامة لشبكة io.net.

النموذج الاقتصادي

IO هي العملة المشفرة الأصلية ورمز البروتوكول لشبكة io.net، والتي يمكن أن تلبي احتياجات كيانين رئيسيين في النظام البيئي: الشركات الناشئة والمطورين في مجال الذكاء الاصطناعي، وموفري طاقة الحوسبة.

بالنسبة للشركات الناشئة والمطورين في مجال الذكاء الاصطناعي، تعمل عمليات الإدخال والإخراج على تبسيط عملية الدفع لنشر المجموعة وجعلها أكثر ملاءمة؛ ويمكنهم أيضًا استخدام أرصدة IOSD المرتبطة بالدولار الأمريكي لرسوم المعاملات الدفع مقابل مهام الحوسبة على الشبكة. يتطلب كل نموذج منشور على io.net الاستدلال من خلال معاملات عملة IO الصغيرة.

بالنسبة للموردين، وخاصة مزودي موارد وحدة معالجة الرسومات، تضمن عملات IO حصول مواردهم على عوائد عادلة. سواء كان الدخل المباشر عند استئجار وحدة معالجة الرسومات، أو الدخل السلبي من المشاركة في استنتاج نموذج الشبكة عندما يكون خاملاً، فإن عملات IO توفر مكافآت مقابل كل مساهمة من وحدة معالجة الرسومات.

في النظام البيئي io.net، لا تعد عملات IO مجرد وسيلة للدفع والحوافز، ولكنها أيضًا مفتاح الحوكمة. فهو يجعل كل جانب من جوانب تطوير النموذج والتدريب والنشر وتطوير التطبيقات أكثر شفافية وكفاءة، ويضمن المنفعة المتبادلة والفوز بين المشاركين.

وبهذه الطريقة، لا تعمل IO Coin على تحفيز المشاركة والمساهمات داخل النظام البيئي فحسب، بل توفر أيضًا منصة دعم شاملة للشركات الناشئة والمهندسين في مجال الذكاء الاصطناعي، وتعزز التطوير و تطبيق تكنولوجيا الذكاء الاصطناعي.

لقد عملت io.net بجد على نموذج الحوافز لضمان إمكانية تداول النظام البيئي بأكمله في اتجاه إيجابي. هدف io.net هو تحديد سعر مباشر بالساعة بالدولار الأمريكي لكل بطاقة GPU في الشبكة. وهذا يتطلب توفير آلية تسعير واضحة وعادلة ولامركزية لموارد وحدة معالجة الرسومات/وحدة المعالجة المركزية.

باعتباره سوقًا ثنائي الجانب، فإن المفتاح الأساسي لنموذج الحوافز هو حل تحديين رئيسيين: من ناحية، فهو يقلل من تكلفة الإيجار المرتفعة قوة حوسبة وحدة معالجة الرسومات/وحدة المعالجة المركزية، والتي تعمل على توسيع المؤشرات الرئيسية للطلب على طاقة حوسبة الذكاء الاصطناعي وتعلم الآلة؛ ومن ناحية أخرى، حل النقص في عقد وحدة معالجة الرسومات المستأجرة بين موفري الخدمات السحابية لوحدة معالجة الرسومات.

لذا، في مبادئ التصميم، تتضمن اعتبارات جانب الطلب أسعار المنافسين والتوافر لتوفير خيار تنافسي وجذاب في السوق، وضبط الأسعار خلال أوقات الذروة وعندما تكون الموارد ضيقة.

فيما يتعلق بإمدادات الطاقة الحاسوبية، تركز io.net على سوقين رئيسيين: اللاعبين والقائمين بتعدين وحدات معالجة الرسومات المشفرة. يتمتع اللاعبون بأجهزة متطورة واتصالات إنترنت سريعة، ولكنهم غالبًا ما يمتلكون بطاقة GPU فقط؛ ويمتلك القائمون بتعدين crypto-GPU موارد GPU هائلة، على الرغم من أنهم قد يواجهون قيودًا في سرعة الاتصال بالإنترنت ومساحة التخزين.

لذلك، يتضمن نموذج تسعير قوة الحوسبة عوامل متعددة الأبعاد مثل أداء الأجهزة، وعرض النطاق الترددي للإنترنت، وأسعار المنافسين، وتوافر العرض، وتعديلات ساعات الذروة، والتسعير الملتزم به و اختلاف الموقع. بالإضافة إلى ذلك، هناك أيضًا حاجة إلى النظر في الربحية المثلى لتعدين الأجهزة للعملات المشفرة الأخرى التي تثبت صحة العمل.

في المستقبل، ستوفر io.net حل تسعير لامركزي بالكامل وستنشئ أداة اختبار قياس الأداء مشابهة لـ speedtest.net لأجهزة التعدين. سوق لا مركزية وعادلة وشفافة.

كيفية المشاركة

أطلقت io.net حدث Ignition، وهو المرحلة الأولى من خطة حوافز مجتمع io.net لتسريع نمو شبكة IO.

تحتوي الخطة على إجماليثلاثة مجموعات مكافآت، وهي مستقلة تمامًا عن بعضها البعض.

• مكافأة العامل (GPU)

• مكافأة مهمة Galaxy

• مكافأة دور Discord (دور طبقة Airdrop)

مجموعات المكافآت الثلاثة هذه مستقلة تمامًا. يمكن للمشاركين الاختيار من بين مجموعات المكافآت الثلاثة هذه على التوالي. اربح مكافآت واتبرع لا تحتاج إلى ربط نفس المحفظة بكل مجموعة مكافآت.

مكافأة عقدة وحدة معالجة الرسومات

بالنسبة للعقد التي تم توصيلها، سيتم حساب نقاط الإسقاط الجوي اعتبارًا من 4 نوفمبر 2023 حتى نهاية الحدث في 25 أبريل 2024. في نهاية حدث الشعلة، سيتم تحويل جميع نقاط الإنزال الجوي التي حصل عليها المستخدمون إلى مكافآت إنزال جوي.

ستأخذ نقاط Airdrop في الاعتبار أربعة جوانب:

أ. وقت التوظيف (نسبة الوظيفة) ساعات العمل - RJD) إجمالي فترة التوظيف من 4 نوفمبر 2023 حتى نهاية الحدث.

ب. يصنف النطاق الترددي (Bandwidth - BW) عرض النطاق الترددي للعقد وفقًا لنطاق سرعة النطاق الترددي:

سرعة منخفضة: سرعة التنزيل 100 ميجابايت/ثانية، وسرعة التحميل 75 ميجابايت/ثانية.

السرعة المتوسطة: سرعة التنزيل 400 ميجابايت/ثانية، وسرعة التحميل 300 ميجابايت/ثانية.

سرعة عالية: سرعة التنزيل 800 ميجابايت/ثانية.

ج. سيتم تحديد نموذج وحدة معالجة الرسومات (GPU Model - GM) بناءً على نموذج وحدة معالجة الرسومات. كلما ارتفع أداء وحدة معالجة الرسومات، زاد عدد النقاط التي ستحصل عليها يحصل.

د. وقت التشغيل الناجح (وقت التشغيل - UT) إجمالي وقت التشغيل الناجح من بداية الوصول إلى العامل في 4 نوفمبر 2023 حتى نهاية الحدث .

من الجدير بالذكر أنه من المتوقع أن تكون نقاط الإنزال الجوي متاحة للمستخدمين للعرض في حوالي 1 أبريل 2024.

مكافأة مهمة Galaxy (Galxe)

عنوان اتصال مهمة Galaxy https://galxe.com/io.net/campaign/GCD5ot4oXPAt

مكافآت دور Discord

سيتم الإشراف على هذه المكافأة من قبل فريق إدارة مجتمع io.net وتتطلب من المستخدمين إرسال الدور الصحيح في Discord عنوان محفظة سولانا.

سيتم الحصول على مستوى دور طبقة Airdrop المقابل بناءً على مساهمة المستخدم ونشاطه وإنشاء المحتوى والأنشطة الأخرى.

الملخص

بشكل عام، تفتح io.net ومنصات حوسبة الذكاء الاصطناعي اللامركزية المماثلة فصلًا جديدًا في حوسبة الذكاء الاصطناعي، على الرغم من أنها تواجه أيضًا تحديات في تعقيد التنفيذ الفني واستقرار الشبكة وأمن البيانات. لكن io.net لديها القدرة على إحداث ثورة في نموذج أعمال الذكاء الاصطناعي. ويُعتقد أنه مع نضوج هذه التقنيات وتوسع مجتمع الطاقة الحاسوبية، قد تصبح قوة الحوسبة اللامركزية للذكاء الاصطناعي قوة رئيسية في تعزيز ابتكار الذكاء الاصطناعي ونشره.