AI開発の歴史から "AI＋DePin "をコンセプトとする.NET。

IOリサーチが開発したソラナベースの分散型AI演算プラットフォームであるio.netは、最新の資金調達ラウンドでFDV評価額が10億ドルに達した。

io.netは今年3月、Multicoin Capital、6th Man Ventures、Solana Ventures、OKX、Aptos Lab.Ventures, Aptos Labs, Delphi Digital, The Sandbox, そしてThe SandboxのSebastian Borgetが参加した。

io.netは、AIおよび機械学習企業向けにGPUリソースを集約することに特化しており、低コストかつ迅速な納期でサービスを提供することにコミットしている。昨年11月の立ち上げ以来、io.netは25,000以上のGPUに成長し、AIおよび機械学習企業のために40,000時間以上の計算時間を処理してきました。

io.netのビジョンは、AIおよび機械学習チーム/企業と世界中の強力なGPUリソースとの間にエコシステムを構築するグローバルな分散型AIコンピュートネットワークを構築することです。

このエコシステムでは、AIコンピュートリソースがコモディティ化し、リソースの不足に悩まされる需要と供給がなくなります。将来的にio.netは、IOモデルショップへのアクセスや、サーバーレス推論、クラウドゲーミング、ピクセルストリーミングなどの高度な推論機能も提供する予定です。

ビジネスの背景

io.netのビジネス・ロジックを紹介する前に、まずゴーイングの2つの側面を理解しましょう。1つはAIコンピューティングの進化であり、もう1つは分散型演算も使用された過去のケースを理解することです。

AIコンピューティングの進化

いくつかの重要な時点から、AIコンピューティングの軌跡を描くことができます：

I.機械学習の初期（1980年代～2000年代前半）

この時期、機械学習の手法は次のような単純なモデルに集中していました。決定木、サポートベクターマシン（SVM）などです。これらのモデルは比較的計算量が少なく、当時のパーソナル・コンピューターや小型サーバーで実行できた。データセットは比較的小さく、特徴エンジニアリングとモデル選択が重要なタスクでした。

時点：1980年代から2000年代初頭

計算要件：比較的低く、パーソナルコンピュータや小型サーバーで需要を満たすことができた。

計算ハードウェア：CPUが計算資源を独占。

II.ディープラーニングの台頭（2006年～最近）

2006年、ディープラーニングの概念が再び登場しました。の研究によって特徴づけられる。その後、ディープ・ニューラル・ネットワーク、特に畳み込みニューラルネットワーク（CNN）やリカレント・ニューラル・ネットワーク（RNN）の応用が成功し、この分野のブレークスルーとなった。この段階では、特に画像や音声のような大規模なデータセットを扱う場合に、計算リソースに対する需要が大幅に増加した。

時期：

ImageNetコンペティション（2012年）：このコンペティションにおけるAlexNetの勝利は、ディープラーニングの歴史において画期的な出来事であり、画像認識の分野で初めてその大きな可能性を示した。画像認識の分野で初めてその大きな可能性を示した。

AlphaGo（2016年）：Google DeepMindのAlphaGoが囲碁の世界チャンピオンであるイ・セドルに勝利したことは、これまでのAIの歴史のハイライトであり、複雑な戦略ゲームにおけるディープラーニングの利用を示しただけでなく、ディープラーニングが非常に複雑な問題を解決するために利用できることを世界に証明した。また、非常に複雑な問題を解決する能力を世界に示した。

計算要件：大幅に増加し、複雑なディープニューラルネットワークを訓練するために、より強力なコンピューティングリソースが必要になった。

計算ハードウェア：並列処理においてCPUをはるかに凌ぐGPUが、ディープラーニングのトレーニングの主要なハードウェアになり始めている。

第3回：大規模言語モデルの時代（2018年～現在)

BERT（2018年）とGPTテクノロジー（2018年以降）の出現により、大規模モデルがAIトラックを支配し始めました。これらのモデルは通常、数十億から数兆のパラメータを持ち、前例のないレベルの計算資源を要求する。これらのモデルをトレーニングするには、大量のGPUや、より特殊なTPUが必要で、大量の電力と冷却設備に支えられています。

時点：2018年現在。

計算パワー要件：非常に高く、スケールアップするために大量のGPUまたはTPUを必要とし、適切なインフラでサポートされる。

計算ハードウェア：GPUやTPUに加えて、GoogleのTPU、NvidiaのAシリーズやHシリーズなど、大規模な機械学習モデルに最適化された専用ハードウェアが登場し始めています。

計算ハードウェア：GPUやTPUに加えて、大規模な機械学習モデルに最適化された専用ハードウェアが登場し始めています。

過去30年間におけるAIのコンピューティングパワーに対する需要の指数関数的な伸びを見ると、機械学習の初期はコンピューティングパワーに対する需要が低く、ディープラーニングの時代になるとコンピューティングパワーに対する需要が高まり、AIの大規模モデルはこの需要をさらに極限まで押し上げました。私たちは、コンピューティング・ハードウェアが量から性能へと大幅に増加するのを目の当たりにしてきました。

この成長は、従来のデータセンターの規模拡大やGPUなどのハードウェアの性能向上に反映されているだけでなく、投資の敷居の高さや、インターネット大手の争いを公にするのに十分な、有利なリターンの期待にも反映されている。

従来の集中型GPUコンピューティング・パワーセンターへの初期投資には、高価なハードウェアの購入（GPU自体など）、データセンターの建設またはリース費用、冷却システム、メンテナンススタッフの費用が必要です。

対照的に、io.netによって構築された分散型コンピューティングプラットフォームプロジェクトは、構築コストの面で大きな利点があり、初期投資と運用コストを大幅に削減し、小規模・零細チームが独自のAIモデルを構築する可能性を生み出すことができます。

分散型GPUプロジェクトは、ハードウェアやインフラ構築に集中投資することなく、すでに存在する分散リソースを活用します。個人や企業は、アイドル状態のGPUリソースをネットワークに提供することができるため、HPCリソースを集中的に調達して配置する必要性を減らすことができます。

第二に、運用コストの面では、従来のGPUクラスターでは、継続的なメンテナンス、電力、冷却コストが必要でした。一方、分散型GPUプロジェクトでは、分散リソースを活用することで、これらのコストをノードに分散させることができ、単一の組織における運用負担を軽減することができます。

io.netのドキュメントによると、io.netは、スタンドアロンのデータセンター、暗号通貨マイナー、FilecoinやRenderなどのハードウェアネットワークから利用されていないGPUリソースを集約することで、運用コストを劇的に削減します。これは、Web3の経済的インセンティブ戦略と相まって、io.netに価格面での大きな優位性を与えています。

Decentralised Computing

振り返ってみると、過去には、多くの参加者を集め、金銭的なインセンティブなしに重要な結果を生み出し、目覚ましい成功を収めた分散コンピューティング・プロジェクトがいくつかありました。例えば、

Folding@home（フォールディング・アット・ホーム）：スタンフォード大学が始めたプロジェクトで、分散型計算によってタンパク質の折り畳みプロセスをシミュレーションし、科学者が病気のメカニズム、特にアルツハイマー病やハンチントン病など、不適切に折り畳まれたタンパク質に関連する病気のメカニズムを理解するのに役立てようとするものです。COVID-19の大流行中、Folding@homeプロジェクトは大規模な計算資源を集約し、新型コロナウイルスの研究を支援しました。

BOINC (Berkeley Open Infrastructure for Network Computing)**：これはオープンソースのソフトウェアプラットフォームで、天文学、医学、気候科学、その他多くの分野におけるあらゆる種類のボランティアおよびグリッドコンピューティングプロジェクトをサポートしています。様々な分野のボランティアやグリッド・コンピューティング・プロジェクトをサポートするオープンソース・ソフトウェア・プラットフォームである。ユーザーはアイドル状態のコンピューティングリソースを提供し、様々な研究プロジェクトに参加することができる。

これらのプロジェクトは、分散型コンピューティングの実現可能性を証明するだけでなく、分散型コンピューティングの巨大な発展の可能性も示しています。

コミュニティを動員して未使用のコンピューティングリソースを提供することで、コンピューティングパワーを大幅に強化することができます。

Web3の経験から、賢明なインセンティブメカニズムがユーザーの参加を惹きつけ、維持するために不可欠であることが示されています。

インセンティブモデルを導入することで、相互支援とウィンウィンのコミュニティ環境を構築することができ、ビジネスの拡大や技術進歩の好循環にさらに貢献することができます。

このように、io.netは、強力な分散型コンピューティングネットワークを形成するために演算能力を提供するインセンティブを導入することで、幅広い参加者を集めることができます。

ウェブ3の経済モデルと分散型演算の可能性は、io.netに強力な成長エンジンを提供し、効率的なリソースの利用とコストの最適化を可能にします。これは技術革新を促進するだけでなく、io.netをとてつもない成長の可能性と市場空間を持つAI空間の競争から引き離すことができる価値を参加者に提供します。

io.netのテクノロジー

。クラスタリング

GPUクラスタリングとは、複数のGPUがネットワークを介して接続され、協調的な計算クラスタを形成する複雑な計算を指します。

クラスター コンピューティングは、AIモデルのトレーニングを高速化するだけでなく、大規模なデータセットを扱う能力を強化し、AIアプリケーションをより柔軟でスケーラブルなものにします。

従来のインターネットによるAIモデルのトレーニングには、GPUの大規模なクラスタが必要でした。しかし、このクラスタ・コンピューティング・モデルを分散型に移行することを考えると、多くの技術的課題が浮かび上がってきます。

インターネットにおける従来のAIコンピューティングクラスターと比較して、分散化されたGPUクラスターコンピューティングは、次のような多くの問題に直面しています：ノードは異なる地理的な場所に分散している可能性があり、ネットワーク遅延と帯域幅の制約をもたらし、ノード間のデータの同期速度に影響を与え、その結果、全体的なコンピューティングに影響を与える可能性がある。

さらに、ノード間のデータの一貫性とリアルタイムの同期を維持することは、計算の正確性を確保するために非常に重要です。このため、分散型コンピューティング・プラットフォームは、効率的なデータ管理と同期のメカニズムを開発する必要があります。

分散したコンピューティングリソースをどのように管理し、スケジューリングして、コンピューティングタスクを効率的に完了できるようにするかも、分散型クラスターコンピューティングが取り組む必要のある問題です。

io.netは、RayとKubernetesを統合することで、分散型クラスター・コンピューティング・プラットフォームを構築します。

Rayは分散コンピューティングフレームワークとして、複数のノード上での計算タスクの実行を直接担当し、データ処理と機械学習モデルのトレーニングのプロセスを最適化し、ノード間でタスクが効率的に実行されるようにします。

一方、Kubernetesはこのプロセスで重要な管理役割を果たし、コンテナアプリのデプロイと管理を自動化し、コンピュートリソースが需要に基づいて動的に割り当てられ調整されるようにします。

このシステムでは、RayとKubernetesの組み合わせにより、動的で弾力性のあるコンピュート環境が実現されます。Rayはコンピュートタスクが適切なノードで効率的に実行されるようにし、Kubernetesはシステム全体の安定性とスケーラビリティを確保し、ノードの追加や削除を自動的に処理します。ノードの追加や削除は自動的に行われる。

この相乗効果により、io.netは、データ処理とモデルトレーニングの両方に対するユーザーの多様なニーズを満たす分散型環境で、一貫した信頼性の高いコンピュートサービスを提供することができます。

このように、io.netはリソースの使用を最適化し、運用コストを削減するだけでなく、システムの柔軟性とユーザー制御を向上させます。ユーザーは、基礎となるリソースの特定の構成や管理の詳細を心配することなく、あらゆる規模のコンピューティング タスクを便利に展開および管理することができます。

RayとKubernetesのパワーを活用したこの分散型コンピュートモデルは、io.netプラットフォームが複雑で大規模なコンピュートタスクに対して高い効率性と信頼性を保証します。

プライバシー

分散型クラスタにおけるタスクプロビジョニングロジックの使用シナリオは、サーバールーム内のクラスタよりもはるかに複雑であり、データとデータ管理がサーバールームよりもはるかに複雑であるという事実を考えると、将来的にこのモデルを使用することができます。分散型クラスタはまた、ネットワーク越しのデータや計算タスクの送信によって潜在的なセキュリティリスクが高まることを考えると、セキュリティとプライバシーの保護についても考慮しなければならない。

io.netは、メッシュプライベートネットワークチャネルの分散化された性質を活用することで、ネットワークのセキュリティとプライバシーを向上させます。このようなネットワークでは、中央集中ポイントやゲートウェイが存在しないため、単一障害点のリスクは劇的に減少し、一部のノードに問題が発生した場合でも、ネットワーク全体は稼動を維持します。

データはメッシュネットワーク内の複数の経路を移動します。これは、データの送信元や送信先を追跡することをより困難にすることで、ユーザーの匿名性を高める設計です。

さらに、パケットスタッフィングや時間難読化(Traffic Obfuscation)などの技術を採用することで、メッシュVPNネットワークはデータフローのパターンをさらに不明瞭にすることができ、盗聴者がトラフィックパターンを分析したり、特定のユーザーやデータストリームを特定したりすることを困難にします。

io.netのプライバシーの仕組みは、プライバシーの懸念に対処する上で効果的です。なぜなら、これらの仕組みが一体となって複雑で流動的なデータ転送環境を作り出し、外部の観察者が有用な情報を捕捉することを難しくしているからです。

同時に、分散化された構造は、すべてのデータが単一のポイントを流れるリスクを回避し、システムの堅牢性を向上させるだけでなく、攻撃の可能性を減らす設計となっています。同時に、データのマルチパス伝送とトラフィックの難読化により、ユーザーデータ伝送の保護レイヤーが追加され、io.netネットワークの全体的なプライバシーが強化されます。

経済モデル

IOはio.netネットワークのネイティブ暗号通貨とプロトコルパスであり、エコシステムの2つの主要プレーヤーのニーズを満たしています。

ioはio.netネットワークのネイティブ暗号通貨およびプロトコルパスであり、エコシステムにおける2つの主要プレーヤーのニーズを満たす。

AIの新興企業や開発者にとって、IOはクラスタのデプロイメントに対する支払いを簡素化し、容易にします。彼らはまた、米ドルに固定されたIOSDクレジットを使用して、ネットワーク上の計算タスクのトランザクションに対する支払いを行うことができます。io.netにデプロイされた各モデルは、小さなIOコインのトランザクションを通じて推論される必要がある。

ベンダー、特にGPUリソースのプロバイダーにとって、IOコインはリソースの公正なリターンを保証します。GPUがリースされるときの直接的な利益であろうと、アイドル時にネットワークモデルの推論に参加するための受動的な利益であろうと、IOコインはGPUによるすべての貢献に報います。

io.netのエコシステムでは、IOコインは支払いとインセンティブの媒体であるだけでなく、ガバナンスの鍵でもあります。モデル開発、トレーニング、デプロイメント、アプリケーション開発のあらゆる側面をより透明で効率的なものにし、参加者間の相互利益を保証します。

このように、IOコインはエコシステム内の参加と貢献にインセンティブを与えるだけでなく、AI技術の開発と採用を推進するために、AIスタートアップとエンジニアに包括的なサポートプラットフォームを提供します。

io.netは、エコシステム全体がポジティブに循環できるよう、インセンティブモデルに力を入れています。io.netの目標は、ネットワーク内の各GPUカードに対して、ドルで表される直接的な時間給を確立することです。これには、GPU/CPUリソースに明確で公平な分散型の価格設定メカニズムを提供する必要があります。

二者間マーケットプレイスとして、インセンティブモデルの中核となる鍵は、2つの主要な課題に対処するように設計されています。一方では、AIやML演算の需要を拡大するための重要な指標である、GPU/CPUコンピュートパワーをレンタルするための高コストを削減し、他方では、GPUクラウドサービスプロバイダーにおけるレンタルするGPUノードの不足に対処することです。問題点

したがって、設計原則における需要側の考慮事項には、市場で競争力のある魅力的な選択肢を提供するための競合他社の価格設定と可用性、およびピーク時間帯やリソース制約時の価格調整が含まれます。

供給側では、io.netはゲーマーと暗号GPUマイナーという2つの主要市場に焦点を当てています。ゲーマーはハイエンドのハードウェアと高速インターネット接続を持っていますが、通常はGPUカードを1枚しか持っていません。一方、暗号GPU採掘者は、インターネット接続速度とストレージ容量の制限に直面するかもしれませんが、多くのGPUリソースを持っています。

したがって、算術価格設定モデルには、ハードウェアの性能、インターネットの帯域幅、競合他社の価格設定、供給の可用性、ピーク時の調整、コミットメント価格設定、場所の違いなどの多次元的な要因が含まれます。さらに、暗号マイニングを証明するために他の作業を行う際のハードウェアの最適な収益性も考慮する必要があります。

将来的には、io.netはさらに進んで、完全に分散化された価格設定シナリオのセットを提供するとともに、speedtest.netに似たマイナーハードウェアのベンチマークツールを作成し、完全に分散化された公正で透明な市場を作る予定です。

参加方法

io.netはIgnitionキャンペーンを開始しました。io.netは、IOネットワークの成長を加速させるためのio.netコミュニティ奨励プログラムの第一段階であるIgnitionキャンペーンを開始しました。

このプログラムには合計3つのインセンティブプールがあり、これらは互いに完全に独立しています。

• ワーカーリワード（GPU）

• ギャラクシーミッションリワード

• ギャラクシーミッションリワード

• ギャラクシーミッションリワード

• Discord Role Rewards (Airdrop Tier Role)

これらの3つの報酬プールは完全に独立しています。参加者は3つの報酬プールそれぞれから報酬を得ることができ、同じウォレットをそれぞれのプールに関連付ける必要はありません。

GPUノード報酬

すでにプラグインされているノードの場合、エアドロップのクレジットは、2023年11月4日以降にプラグインされたノードの数と、2024年4月25日以降にプラグインされたノードの数に基づいています。- Ignitionキャンペーンの終了時に、ユーザーが獲得したすべてのAirdropポイントはAirdropリワードに変換されます。

Airdropポイントは4つの方法で考慮されます：

A.雇用時間の比率（RJD） 2023年11月4日の開始からキャンペーン終了までの雇用時間の合計。総時間数。

B.帯域幅（BW） 帯域幅速度範囲に従ってノードの帯域幅を分類します：

低速：ダウンロードは100MB/秒、アップロードは75MB/秒。

中速：ダウンロード速度400MB/秒、アップロード速度300MB/秒。

高速：ダウンロード速度800MB/秒。

C.GPUモデル（GPU Model - GM）はGPUモデルによって決定され、性能が高いほどGPUポイントが多くなります。

D.成功した実行時間（Uptime - UT） 2023年11月4日のワーカーアクセス開始からキャンペーン終了までに成功した実行時間の合計。

注目すべきは、2024年4月1日前後にユーザーが閲覧できるようになる予定のエアドロップ・ポイントです。

ギャラクシー ミッション リワード（Galxe）

ギャラクシー ミッション コネクション https://galxe.com/io.net/campaign/GCD5ot4oXPAt

ディスコードキャラクターの報酬

Galaxy Mission Connection（ギャラクシーミッションコネクション）の報酬は、以下のとおりです。

報酬はio.netのコミュニティ管理チームによって監督され、ユーザーはDiscordで正しいSolanaウォレットアドレスを提出する必要があります。

エアドロップ層の役割は、ユーザーの貢献、活動、コンテンツ作成、その他の活動への参加に基づいて授与されます。

概要

全体として、io.netと同様の分散型AIコンピューティングプラットフォームは、AIコンピューティングの新しい章を開いています。io.netと同様の分散型AIコンピューティング・プラットフォームは、技術的実装の複雑さ、ネットワークの安定性、データの安全性といった課題にも直面しているが、全体的には、AIコンピューティングの新たな章を開いている。しかし、io.netはAIのビジネスモデルに革命を起こす可能性を秘めている。これらの技術が成熟し、演算コミュニティが拡大するにつれて、分散型AI演算がAIの革新と普及を推進する重要な力になる可能性があると考えられている。