エッジで生まれる：暗号とAIを可能にする分散型算術ネットワークとは？

以上の2つの分析フレームワークに基づいて、選ばれた5つのプロジェクトを並べて比較し、コアビジネス、市場でのポジショニング、ハードウェア設備、財務パフォーマンスの4つのレベルで評価します。strong>で評価する。

2.1コアビジネス

基礎となるロジックの観点から、分散型算術ネットワークは非常に同質的です。算術サービスを提供するインセンティブを与えるためにトークンを使用することです。

• source of idle arithmetic:

• 市場には2つの主要な遊休演算源があります：1）データセンター、採掘業者、その他の企業の手にある遊休演算、2）個人投資家の手にある遊休演算です。データセンターは通常、プロフェッショナルグレードのハードウェアを持っていますが、個人投資家は通常、コンシューマーグレードのチップを購入します。

• Aethir、Akash Network、Gensynは、主に企業から演算を収集しています。企業から電力を集める利点は、1）企業やデータセンターは通常、より高品質なハードウェアと専門的なメンテナンスチームを持っており、その結果、電力リソースのパフォーマンスと信頼性が高くなる、2）企業やデータセンターはより均質な電力リソースを持つ傾向があり、集中管理と監視によってリソースのスケジューリングとメンテナンスがより効率的になる、などです。しかし、それに伴い、このアプローチはプロジェクト当事者にとってより高い要求があり、算術電力を保有する企業と商業的な結びつきを持つ必要がある。同時に、スケーラビリティや分散化にも一定の影響が出る。

• Render Networkとio.netは主に、個人投資家が手にしている遊休演算能力を提供するインセンティブを与えます。個人投資家から演算力を集める利点は、1）個人投資家のアイドル演算力は明示的コストが低いため、より経済的な演算リソースを提供できること、2）ネットワークがよりスケーラブルで分散化されているため、システムの回復力と堅牢性が高まることです。欠点は、リテール・リソースが広く分散し、均一でないこと、管理とスケジューリングが複雑になり、運用と保守の難易度が高まることである。また、小売業者の演算に頼って初期ネットワーク効果を形成することが難しくなる（キックスタートが難しくなる）。最後に、小売業者の設備はセキュリティリスクが高い可能性があり、データ漏洩や演算能力の乱用のリスクをもたらす。style-type: square;">

• 演算消費者という点では、Aethir、io.net、Gensynは主に企業をターゲットにしています。Bサイドの顧客にとっては、AIやリアルタイムのゲームレンダリングは高性能コンピューティングのニーズを必要とします。これらのタイプのワークロードは、コンピューティングリソースに対する要求が非常に高く、一般的にハイエンドGPUまたはプロフェッショナルグレードのハードウェアを必要とします。また、Bサイドの顧客は、コンピューティングリソースの高い安定性と信頼性を要求するため、プロジェクトの正常な運用を保証し、タイムリーな技術サポートを提供するために、高品質のサービスレベル契約を提供する必要があります。同時に、Bサイドの顧客の移行コストは非常に高く、分散型ネットワークにプロジェクト側が迅速に展開できる成熟したSDKがない場合（例えばAkash Networkはリモートポートをベースにユーザーが独自に開発する必要がある）、顧客に移行してもらうのは非常に難しい。大幅な価格優位性が伴わない場合、顧客の移行意欲は非常に低くなります。

• レンダー・ネットワークとアカシ・ネットワークは、主に小売顧客向けに演算サービスを提供しています。Cサプライヤーにサービスを提供するプロジェクトは、消費者に良い消費者体験を提供するために、使いやすいインターフェースやツールを設計する必要がある。また、消費者は価格に敏感なので、プロジェクトは競争力のある価格を提供する必要があります。

• ハードウェアの種類

• 一般的なコンピューティング・ハードウェア・リソースには、CPU、FPGA、GPU、ASIC、およびSoCがあります。これらのハードウェアは、設計目標、パフォーマンス特性、およびアプリケーション領域において大きな違いがあります。要約すると、CPUは汎用的なコンピューティングタスクを得意とし、FPGAは高度な並列処理とプログラマビリティを得意とし、GPUは並列コンピューティングを得意とし、ASICは特定のタスクにおいて最も効率的であり、SoCは高度に統合されたアプリケーションのために複数の機能を1つに統合する。ハードウェアの選択は、特定のアプリケーションのニーズ、性能要件、およびコストの考慮事項によって決まります。私たちは、プロジェクトのビジネスの種類とGPUの特性によって決定される、主にGPU演算を収集する分散型演算プロジェクトについて議論します。なぜなら、GPUはAIトレーニング、並列コンピューティング、マルチメディアレンダリングなどにおいて独自の利点があるからです。

• これらのプロジェクトのほとんどはGPUの統合を含みますが、異なるアプリケーションは異なるハードウェア仕様を必要とするため、これらには異種の最適化コアとパラメーターがあります。これらのパラメーターには、並列性/シリアル依存性、メモリー、レイテンシーなどが含まれます。たとえば、レンダリング作業負荷は、実際には、より強力なデータセンターGPUよりもコンシューマーGPUに適しています。なぜなら、レンダリングには高レベルのレイトレーシングなどが必要だからです。そのため、Render Networkは小売業者からRTX 3090や4090のような消費者向けGPUをプールすることができますが、IO.NETはAIスタートアップのニーズを満たすために、H100やA100のようなよりプロフェッショナルなGPUを必要としています。

2.2 市場ポジショニング

プロジェクトのポジショニングにおいて、ベアメタルレイヤー、オーケストレーションレイヤー、およびアグリゲーションレイヤーが対処する必要がある中核的な問題は、次のとおりです。アグリゲーションレイヤーは、異なる中核的な問題、最適化の優先順位、価値獲得能力に対処する必要がある。

• ベアメタルレイヤーは物理リソースの収集と利用に重点を置き、オーケストレーションレイヤーはスケジューリングと演算能力の最適化、顧客ベースのニーズに応じた物理ハードウェアの最適設計に重点を置きます。アグリゲーション層は汎用的なもので、さまざまなリソースの統合と抽象化に重点を置く。バリューチェーンの観点からは、プロジェクトはベアメタルレイヤーから始めて、上を目指していくべきである。

• 価値の獲得という観点から見ると、ベアメタルレイヤーからオーケストレーションレイヤー、アグリゲーションレイヤーへと、価値を獲得する能力が高まっています。アグリゲーションレイヤーが最も多くの価値を捕捉できるのは、アグリゲーションプラットフォームが最大のネットワーク効果を得ることができ、また分散型ネットワークのトラフィックの入り口に相当する最大数のユーザーに直接到達できるためであり、したがって演算リソース管理スタック全体で最も高い価値捕捉の位置を占めている。

• それに対応して、アグリゲーションプラットフォームの構築の難易度も最も高く、技術的な複雑さ、異種リソース管理、システムの信頼性と拡張性、ネットワーク効果の実現、セキュリティとプライバシー保護、複雑な運用・保守管理など、さまざまな側面に総合的に対処する必要がある。これらの課題は、プロジェクトのコールドスタートには不向きであり、トラックの開発とタイミングに左右される。オーケストレーションレイヤーがまだ十分に成熟しておらず、一定の市場シェアを食っていないときに、アグリゲーションレイヤーを行うのは現実的ではありません。

• 現在、Aethir、Render Network、Akash Network、Gensynはすべてオーケストレーション層の一部であり、特定の目標や顧客グループにサービスを提供することを目的としています。Aethirの現在の主な事業は、クラウドゲーム向けのリアルタイムレンダリングと、Bサイドの顧客向けの特定の開発・デプロイ環境とツールの提供であり、Render Networkの主な事業はビデオレンダリング、Akash Networkのミッションはタオバオのようなトレーディングプラットフォームの提供、GensynはAIトレーニングに深く関わっている。io.netの位置づけはアグリゲーションレイヤーだが、現在ioが実装している機能は、Render NetworkやFilecoinのハードウェアは集まっているものの、ハードウェアリソースの抽象化・統合はまだ完成しておらず、アグリゲーションレイヤーの機能をフルに発揮するにはまだまだ遠い。

2.3ハードウェア設備

• 現時点では、すべてのプロジェクトがネットワークの詳細なデータを公開しているわけではありません。数量、タイプ、価格、分布、ネットワーク使用量、ノード収益、その他のパラメータを見ることができます。しかし、4月末にio.netのフロントエンドが攻撃され、ioがPUT/POSTインターフェイスでAuthを行っていなかったため、ハッカーがフロントエンドのデータを改ざんした。これは、ウェブデータのプライバシーと信頼性という点で、他のプロジェクトに警鐘を鳴らすものでした。

• GPUとモデルの数では、集約レイヤーのio.netが最も多くのハードウェアを集めています。GPUモデルから、ioはA100のようなプロフェッショナルグレードのGPUから4090のようなコンシューマーグレードのGPUまで幅広く揃えており、io.netアグリゲーションの位置付けと一致していることがわかる。しかし、GPUのモデルやブランドが異なれば、ドライバや構成も異なり、ソフトウェアも複雑な最適化が必要になるため、管理やメンテナンスが複雑になります。現在、ioのさまざまなタイプのタスク割り当ては、主にユーザーによって選択されます。

• Aethirは独自のマイナーをリリースし、5月にはクアルコムの支援を受けて開発されたAethir Edgeが発表されました。Aethir Edgeは、H100のクラスタ・コンピューティング・パワーと組み合わせることで、AIシナリオを一緒に提供します。Aethir Edgeは、学習済みモデルを展開し、最適なコストで推論コンピューティング・サービスをユーザーに提供することができます。このソリューションはユーザーにより近く、より迅速なサービスを提供し、費用対効果に優れています。

• 需要と供給の観点から、Akash Networkを例にとると、その統計によると、CPUの総数は約1万6000、GPUの数は378であり、ネットワークのリース需要によると、CPUとGPUの利用率はそれぞれ11.1%、19.3%である。プロフェッショナルグレードのGPU H100だけが比較的高い割合でリースされており、他のほとんどのMODはアイドル状態である。その他のネットワークは、Akashとほぼ同じ状況に直面しており、ネットワーク全体の需要は高くなく、A100やH100などの人気チップを除いて、その他の演算のほとんどがアイドル状態となっています。

• 価格の優位性という観点から見ると、クラウドコンピューティング市場の巨人を除いて、他の伝統的なサービスプロバイダーと比較して、コストの優位性は際立っていません。

2.4 財務パフォーマンス

• トークン・モデルがどのように設計されていても、健全なトークノミクスは以下の基本条件を満たす必要があります。2）開発者、ノード、ユーザーを問わず、各参加者が長期的に公平なインセンティブを得る必要がある。3）分散型ガバナンスを確保し、インサイダーの過度な保有を避ける。4）合理的なインフレ・デフレメカニズムとトークン放出サイクルを採用し、コイン価格の大きな変動を避けることで、ネットワークの堅牢性と継続性に影響を与えない。

• トークン・モデルをBME（burn and mint equilibrium）とSFA（stake for access）に一般化すると、これら2つのモデルにおけるトークンのデフレ圧力の原因は異なります。一方、SFAはサービス提供者／ノードがサービスを提供する資格を得るためにトークンを誓約する必要があるため、デフレ圧力は供給によってもたらされる。BMEの利点は、標準化されていない商品の使用に適していることである。しかし、需要が不十分な場合、ネットワークは持続的なインフレ圧力に直面する可能性がある。トークン・モデルの詳細はプロジェクトによって異なりますが、全体的には、AethirはよりSFA志向であり、io.net、Render Network、Akash NetworkはよりBME志向であり、Gensynはまだ知られていません。

• 収益に関しては、ネットワークの需要はネットワーク全体の収益に直接反映されます（ここでは採掘者の収益については議論していません。採掘者は、タスクを完了した際に受け取る報酬に加えて、プロジェクトから補助金を得ているからです）。公開されているデータでは、io.netが最も高い値を示しています。 Aethirの収益はまだ発表されていませんが、公開されている情報では、すでに多くのBサイドの顧客と注文を交わしたと発表しています。

• コイン価格の面では、これまでにICOを行ったのはRender NetworkとAkash Networkのみです。aethirとio.netも近いうちにコインオファリングを行い、価格パフォーマンスは改めて注視する必要があるので、ここではあまり触れません。gensynの計画はまだ不透明です。コインを発行した2つのプロジェクトと、同じトラックでコインを発行したがこの記事には含まれていないプロジェクトを見ると、連結、分散型演算ネットワークは非常に印象的な価格パフォーマンスを示しており、巨大な市場の可能性とコミュニティの大きな期待をある程度反映している。

2.5まとめ

• Decentralised Arithmetic Networks（分散型算術ネットワーク）トラックは、一般的に急速に発展しており、その製品に頼ることができるプロジェクトがすでに数多く存在しています。その製品に頼って顧客にサービスを提供し、いくばくかの収入を得ることができるプロジェクトが、すでに数多く存在している。このトラックは純粋な物語から離れ、初期サービスを提供できる開発段階へと移行している。

• 需要の弱さは分散型演算ネットワークが直面する共通の問題であり、長期的な顧客需要は十分に検証され、開拓されていない。しかし、需要面はコイン価格にあまり影響を与えておらず、すでにコインを発行したいくつかのプロジェクトは輝かしい業績を上げている。

• AIは分散型演算ネットワークの主な物語ですが、唯一のビジネスではありません。AIの訓練や推論への応用に加え、演算はリアルタイムのクラウドゲームレンダリング、クラウド携帯電話サービスなどにも利用できる。

• 演算ネットワークのハードウェアは異機種混在性が高く、演算ネットワークの品質と規模をさらに向上させる必要がある。

• Cエンドユーザーにとって、コストの優位性はあまり明らかではありません。Bエンドユーザーにとっては、コスト削減のほかに、サービスの安定性、信頼性、技術サポート、コンプライアンス、法的サポートなどを考慮する必要があり、Web3のプロジェクトは一般的にこれらの分野で十分な仕事をしていない。

3つのまとめ

AIの爆発的な成長によってもたらされる演算能力への巨大な需要は疑う余地がありません。2012年以来、AIのトレーニングタスクで使用される演算量は指数関数的に増加しており、現在の割合は3.5カ月ごとに倍増しています(ムーアの法則では18カ月ごとに倍増しています)。2012年以降、演算能力に対する需要は30万倍以上に伸びており、ムーアの法則の12倍の伸びをはるかに上回っている。AMDの予測はさらに高く、GPUチップ市場は2027年までに4000億ドルに達すると予測している。

画像ソース：https://www.stateof.ai/

なぜならば、AIやAR/VRレンダリングなどの計算負荷の高いワークロードの爆発的な成長により、従来のクラウドや主要なコンピュート市場の構造的な非効率性が露呈しているからだ。分散型演算ネットワークは、分散したアイドル状態の演算リソースを活用することで、演算リソースに対する市場の膨大な需要を満たし、より柔軟でコスト効率の高い効率的なソリューションを提供できるという理論だ。したがって、暗号とAIの組み合わせは巨大な市場の可能性を秘めているが、同時に伝統的企業との熾烈な競争、高い参入障壁、複雑な市場環境にも直面している。全体として、すべての暗号トラックにおいて、分散型演算ネットワークは、暗号における実需の最も有望な垂直分野の1つです。

写真クレジット：https://vitalik.eth.limo/general/2024/01/30/cryptoai.html

未来は明るく、道は曲がりくねっている。上記のビジョンを達成するためには、まだ多くの問題や課題を解決する必要がある。 要約すると、現段階では、従来のクラウドサービスを提供するだけでは、プロジェクトの利益率は非常に小さい。需要側の分析では、大企業は一般的に独自のコンピューティングパワーを構築し、純粋なCエンドの開発者は主にクラウドサービスを選択するだろう。中小企業の分散型コンピューティングネットワークリソースの実際の利用が安定した需要を持つかどうかは、さらに掘り下げて検証する必要がある。一方、AIは非常に高い天井と想像力を持つ広範な市場であり、より広範な市場を持つためには、将来の分散型演算サービスプロバイダーもモデル/AIサービスに転換し、より多くの暗号+AI利用シナリオを模索し、プロジェクトが創出できる価値を拡大する必要がある。

• 価格優位性が際立っていない：分散型算術ネットワークのコストが優位性を反映していないことは、過去のデータの比較を通じて見ることができます。の優位性は反映されていない。この理由として考えられるのは、H100やA100のようなプロ用チップの需要が高いため、市場メカニズムがハードウェアのこの部分の価格を安くはしないと決定していることである。また、分散型ネットワークは遊休演算資源を集めることができるが、分散化によってもたらされる規模の経済の欠如、高いネットワークコストと帯域幅コスト、さらに大きな管理と運用保守の複雑さ、その他の隠れたコストが演算コストをさらに上昇させる。

• AI訓練の特殊性：分散化を利用したAI訓練には、現段階で大きな技術的ボトルネックがあります。このボトルネックは、GPUのワークフローで可視化できます。 大規模な言語モデルのトレーニングでは、GPUはまず、前処理されたデータのバッチを受け取り、勾配を生成するために順伝播と逆伝播の計算を実行します。次に、各GPUが勾配を集約し、モデルパラメータを更新して、すべてのGPUが同期するようにします。このプロセスは、すべてのバッチの学習が完了するか、あらかじめ決められたラウンド数に達するまで繰り返されます。このプロセスには、多くのデータ転送と同期が含まれる。どのような並列性や同期戦略を用いるか、ネットワークの帯域幅やレイテンシをどのように最適化するか、通信コストをどのように削減するかなどの疑問には、まだ十分な回答が得られていない。現段階では、AIのトレーニングに分散型演算ネットワークを使用することは、まだ現実的ではありません。

• データセキュリティとプライバシー：大規模な言語モデルの訓練プロセスでは、データ割り当て、モデル訓練、パラメータと勾配の集約など、データ処理と送信を含むすべてのリンクが、データセキュリティとプライバシーに影響を与える可能性があります。そして、データのプライバシーとモデルのプライバシーはより重要です。データプライバシーの問題を解決できなければ、需要側で本当にスケールすることはできません。

最も現実的な観点から、分散型演算ネットワークは、現在の需要発見と将来の市場空間の両方を考慮する必要があります。適切な製品のポジショニングとターゲットオーディエンスを見つけること、例えば、非AIやWeb3ネイティブプロジェクトを最初にターゲットにし、初期のユーザーベースを構築するために、より周縁的なニーズから始めます。同時に、AIと暗号を組み合わせたさまざまなシナリオを探求し続け、テクノロジーのフロンティアを探り、サービスの変革とアップグレードを実現する。

参考資料

https://www.stateof.ai/

https://vitalik.eth.limo/general/2024/01/30/cryptoai.html

https://foresightnews.pro/article/detail/34368

https://app.blockworksresearch.com/unlocked/

。domominated-market

https://research.web3caff.com/zh/archives/17351?ref=1554