AI\DePIN\솔 에코 트리플 헤일로: 임박한 코인 오퍼링 IO에 대한 분석.

알렉스 쉬, 민트벤처스

소개

제 이전 게시물에서 이번 암호 화폐 강세주기는 이전 두주기에 비해 충분히 영향력있는 새로운 비즈니스와 새로운 자산 내러티브가 부족하다고 언급했습니다 .AI는 이번 사이클에서 Web3 공간에서 몇 안되는 새로운 내러티브 중 하나입니다. 이 기사에서는 올해의 뜨거운 AI 프로젝트 인 IO.NET과 관련하여 다음 두 가지 질문에 대한 제 생각을 정리하려고합니다 :

• AI + Web3 on the 사업 필요성

• 분산 연산 서비스의 필요성과 과제

두 번째로, AI 분산 연산 대표 프로젝트인 IO.NET에 대해 정리해 보겠습니다. 제품 로직, 경쟁사 상황, 프로젝트 배경 등 프로젝트의 핵심 정보를 정리하고 프로젝트의 가치에 대한 예측을 해보겠습니다.

이 글의 AI와 Web3의 결합에 관한 섹션의 생각 중 일부는 The Real Merge의 영향을 받았습니다. 이 글의 일부 아이디어는 해당 글의 요약 및 인용문으로 존재하며, 독자는 원본 글을 읽어보실 것을 권장합니다.

본 기사는 게재 시점까지의 저자의 생각 단계로 향후 변경될 수 있으며, 주관성이 강한 견해로 사실, 데이터, 추론 논리 오류가 있을 수 있으니 투자 참고자료로 활용하지 마시고 업계의 비판과 토론을 환영합니다.

본문은 다음과 같습니다.

1. 비즈니스 로직: AI와 웹의 결합3

1.1 2023: AI가 만드는 새로운 '기적의 해'

인류 발전의 역사를 되돌아보면 기술의 획기적인 발전이 이루어지면 개인과 산업, 인류 문명 전체의 일상 생활에 극적인 변화를 가져옵니다.

인류 역사에는 과학 기술 역사에서 '기적의 해'로 불리는 1666년과 1905년이라는 중요한 두 해가 있습니다.

1666년이 기적의 해로 불리는 이유는 그 해에 뉴턴의 과학적 업적이 집중되었기 때문입니다. 뉴턴은 광학이라는 물리학 분야를 개척하고 미적분이라는 수학 분야를 창시했으며 현대 자연과학의 근간이 되는 만유인력의 공식을 도출한 해였습니다. 이러한 각각의 업적은 이후 100년 동안 인류 과학 발전에 중요한 공헌을 했으며, 과학 전반의 발전을 크게 앞당겼습니다.

두 번째 기적의 해는 1905년으로, 26세의 아인슈타인이 물리학 연보에 광전 효과(양자 역학의 기초를 마련한), 브라운 운동(확률적 과정을 분석하는 데 중요한 기준이 된), 특수 상대성 이론, 질량-에너지 방정식(잘 알려진( 방정식 E=MC^2). 이후 평가에서 이 네 편의 논문은 각각 노벨 물리학상 평균을 뛰어넘었으며(아인슈타인 자신은 광전 효과에 관한 논문으로 노벨상을 수상), 다시 한 번 인류 문명의 역사를 몇 단계 크게 앞당겼습니다.

2023년은 ChatGPT로 인해 또 다른 '기적의 해'로 불릴 가능성이 높습니다.

2023년을 인류 기술 역사상 '기적의 해'로 보는 이유는 자연어 이해 및 생성에 있어 GPT의 엄청난 발전뿐만 아니라 대규모 언어 모델 용량의 성장 패턴을 이해할 수 있게 된 GPT의 진화 때문이기도 합니다. 성장의 법칙, 즉 모델 파라미터와 학습 데이터를 확장하면 모델의 용량을 기하급수적으로 늘릴 수 있으며, 충분한 연산 능력이 있는 한 단기간에 병목 현상이 나타나지 않습니다.

이 기능은 언어를 이해하고 대화를 생성하는 것을 훨씬 뛰어넘어 다양한 기술 영역에 걸쳐 교차 수정될 수 있으며, 생물학 분야의 빅 언어 모델을 예로 들 수 있습니다.

• 2018년 노벨 화학상 수상자인 프란시스 아놀드는 시상식에서 "오늘날 우리는 실용적인 응용 분야에서 어떤 DNA 서열이든 읽고, 쓰고, 편집할 수 있지만 아직 이를 통해 (작곡을) 만들지는 못한다"고 말했습니다. 그의 연설이 있은 지 불과 5년 후인 2023년, 스탠포드 대학과 실리콘밸리의 AI 스타트업인 세일즈포스 리서치(Salesforce Research)의 연구원들은 미세 조정된 버전의 GPT3를 기반으로 한 대규모 언어 모델을 사용하여 0에서 완전히 새로운 백만 개의 단백질을 생성하고 구조적으로 매우 다르지만 둘 다 살균 능력을 가지고 있어 항생제를 뛰어넘는 박테리아 퇴치 솔루션을 약속합니다. 다시 말해, AI의 도움으로 단백질 '생성'의 병목 현상이 깨진 것입니다.

• 이것은 AI AlphaFold 알고리즘이 18개월 만에 지구상에 존재하는 2억 1,400만 개의 거의 모든 단백질의 구조를 예측한 데 이어 나온 것으로, 이는 이전의 모든 인간 구조 생물학자들의 작업보다 수백 배 더 많은 것입니다.

모든 종류의 AI 기반 모델을 통해 생명공학, 재료과학, 신약 개발과 같은 하드 기술부터 법학, 예술과 같은 인문학까지 모든 분야에 혁명이 일어나고 있으며, 2023년이 그 시작이 되는 해가 될 것입니다.

인류의 부를 창출하는 능력은 지난 100년 동안 기하급수적으로 성장해 왔으며, AI 기술의 빠른 성숙은 이 과정을 더욱 가속화할 것입니다.

<그림 style="text-align: 왼쪽;">

1.2 암호화폐와 AI

AI와 암호화폐의 결합의 필요성을 근본적으로 이해하려면 두 기술의 상호보완적인 속성부터 살펴볼 수 있습니다.

AI와 암호화폐의 상호 보완적인 특성

AI에는 세 가지 속성이 있습니다.

• 랜덤성: AI는 무작위이며, 콘텐츠 생산 메커니즘 뒤에는 재현과 조사가 어려운 블랙박스가 있어 결과도 무작위입니다

• 리소스 집약적입니다. ">자원 집약적: AI는 많은 양의 에너지, 칩, 연산을 필요로 하는 자원 집약적 산업입니다

• 휴머노이드 지능: AI는 튜링 테스트를 통과할 수 있으며, 그 이후에는 인간과 기계를 구분하기 어려울 것입니다*

휴머노이드 인텔리전스. align: left;">*2023년 10월 30일, 샌디에이고 캘리포니아 대학교 연구팀이 GPT-3.5 및 GPT-4.0에 대한 튜링 테스트 결과를 발표했습니다(테스트 보고서), GPT4.0 점수는 41%로 합격선인 50%에 불과 9% 부족했고 같은 항목의 인간 테스트 점수는 63%였습니다. 이 튜링 테스트의 의미는 대화 상대가 실제 사람이라고 생각하는 사람이 몇 퍼센트나 되는지 알아보는 것입니다. 50% 이상이면 군중의 절반 이상이 대화 상대가 기계가 아닌 사람이라고 생각한다는 뜻으로, 튜링 테스트에 합격한 것으로 간주됩니다.

AI는 인간의 생산성을 비약적으로 향상시키지만, 다음과 같은 세 가지 속성은 인간 사회에 큰 도전이 되기도 합니다.

• AI의 무작위성을 검증하고 제어하여 무작위성이 결함이 아닌 장점이 되도록 하는 방법

• AI에 필요한 엄청난 에너지와 산술적 격차를 충족하는 방법

• 인간과 기계를 구별하는 방법

암호화폐와 블록체인 경제의 특성은 AI가 제기하는 문제를 해결하는 데 적합한 약이 될 수 있으며, 암호화폐 경제는 다음 3가지 특성을 가지고 있습니다.

• 확실성: 블록체인, 코드 및 스마트 컨트랙트를 기반으로 비즈니스가 운영되며 규칙과 경계가 명확하고 어떤 입력이 어떤 결과를 가져오는지 매우 결정적

• . 왼쪽;">효율적인 자원 할당: 암호화폐 경제는 거대한 글로벌 자유 시장을 구축하여 자원의 가격 책정, 조달, 흐름이 매우 빠르게 이루어지며 토큰의 존재로 인해 수요와 공급을 일치시키는 인센티브를 통해 시장을 가속화하여 티핑 포인트에 빠르게 도달할 수 있습니다

• 신뢰가 필요 없음: 원장이 공개되고 코드가 오픈 소스이며 누구나 쉽게 검증할 수 있습니다. 코드는 오픈 소스이며 누구나 쉽게 검증할 수 있어 '신뢰 없는' 시스템으로 이어지며, ZK 기술은 검증에 따른 개인정보 노출을 방지합니다

다음으로 세 가지 예를 들어 설명해 보겠습니다. AI와 암호화폐 경제의 상호보완적 특성.

예시 A: 무작위성 해결, 암호경제 기반 AI 에이전트

AI 에이전트는 인간의 의지에 따라 인간을 대신하여 작업을 수행하는 AI 프로그램입니다(대표적 프로젝트는 Fetch.AI). AI 에이전트가 "1,000달러의 BTC를 구매하세요"와 같은 금융 거래를 처리한다고 가정해 보겠습니다. AI 에이전트에는 두 가지 시나리오가 있습니다.

시나리오 1은 기존 금융 기관(예: BlackRock)과 연동하여 BTC ETF를 구매하는 것입니다. BTC ETF는 현재로서는 KYC, 프로필 검토, 로그인, 인증 등 AI 에이전트와 중앙화된 기관 간에 많은 적응 문제에 직면해 있으며, 이는 여전히 매우 번거로운 문제입니다.

시나리오 2는 네이티브 암호화폐 경제를 기반으로 하며, 상황이 훨씬 더 단순해질 것이며, 계정 서명, 거래 완료 주문, WBTC(또는 기타 BTC의 캡슐화된 형식)를 받기 위해 직접 Uniswap 또는 특정 통합 거래 플랫폼을 통해 전체 과정이 빠르고 간단해질 것입니다. 사실 이것은 모든 종류의 트레이딩 봇이 하는 일이며, 실제로 기본 AI 에이전트의 역할을 수행했지만 작업은 거래에만 집중되어 있습니다. 앞으로는 AI의 통합과 진화를 통해 다양한 유형의 트레이딩 봇이 더 복잡한 거래 의도를 수행할 수 있게 될 것입니다. 예를 들어 체인에 있는 100개의 스마트 머니 주소를 추적하고, 그들의 거래 전략과 성공률을 분석하고, 내 주소에 있는 자금의 10%로 일주일 동안 유사한 거래를 실행하고, 효과가 없는 것으로 확인되면 중단하고 실패 원인을 요약하는 것 등이 있습니다.

블록체인 시스템에서 AI가 훨씬 더 잘 작동하는 이유는 기본적으로 암호화폐 경제의 규칙이 명확하고 시스템 액세스의 허가가 필요 없는 특성 때문일 것입니다. 제한된 규칙에 따라 작업을 수행함으로써 AI의 무작위성은 잠재적인 위험도 줄일 수 있습니다. 예를 들어, 체스와 게임은 명확한 규칙이 있는 폐쇄적인 샌드박스이기 때문에 AI는 체스 토너먼트와 비디오 게임에서 인간의 능력을 압도했습니다. 또한 개방된 외부 환경의 도전이 더 크고 문제에 대한 AI의 무작위적인 접근 방식을 용인하기 어렵기 때문에 자율 주행에 대한 AI의 발전은 상대적으로 더디게 진행될 것입니다.

예시 B: 토큰 인센티브를 통해 자원을 형성하고 통합

BTC를 뒷받침하는 글로벌 연산 네트워크의 현재 총 연산량(해시레이트: 576.70 EH/s)은 어느 한 국가의 슈퍼컴퓨터의 연산량을 합친 것보다 더 높습니다. 국가 슈퍼컴퓨터의 합산 연산 능력을 능가합니다. 이는 단순하고 공정한 네트워크 인센티브에 의해 개발되었습니다.

<그림 style="text-align: 왼쪽;">

이 외에도 모바일을 포함한 디핀 프로젝트들은 토큰 인센티브를 통해 네트워크 효과를 실현하여 수요와 공급 양측의 시장을 형성하려고 시도하고 있습니다. 이 글의 다음 주제인 IO.NET은 AI 연산을 통합하기 위해 설계된 플랫폼으로, 토큰 모델을 통해 더 많은 AI 연산 잠재력을 불러일으키고자 합니다.

예시 C: 오픈 소스 코드, ZK 도입, 개인 정보를 보호하면서 인간과 기계를 구별

OpenAI 설립자 Sam Altman이 참여한 Web3 프로젝트인 Worldcoin을 통해서는 ZK 기술을 통해 사람의 홍채 생체 인식을 기반으로 독점적이고 익명의 해시를 생성하여 신원을 인증하고 인간과 기계를 구별하는 하드웨어 장치인 오브(Orb)를 개발했습니다. 올해 3월 초, 웹3.0 아트 프로젝트 드립은 월드코인의 아이디를 사용하여 실제 사용자를 인증하고 보상을 지급하기 시작했습니다.

<그림 style="text-align: 가운데;">

또한 월드코인은 최근 홍채 하드웨어인 오브의 프로그램 코드를 오픈소스로 공개했습니다. 프로그램 코드를 오픈소스화하여 사용자 생체 인식의 보안과 프라이버시를 보장하고 있습니다.

<그림 style="text-align: 가운데;">

전반적으로 암호경제학은 코드와 암호의 결정론, 라이선스와 토큰의 부재로 인해 라이선스와 토큰이 없는 리소스 흐름과 수집의 장점, 오픈 소스 코드 기반 공개 원장의 탈신뢰 특성을 가져다주는 메커니즘으로 인해 암호화 경제학은 인류 사회가 직면한 AI 과제에 대한 중요한 잠재적 해결책이 되고 있습니다.

그리고 가장 시급하고 상업적으로 필요한 과제 중 하나는 산술 리소스에 대한 AI 제품의 극심한 부족과 칩 및 산술과 관련된 엄청난 수요입니다.

이것이 이번 상승장 사이클에서 분산 연산 프로젝트의 상승세가 전체 AI 트랙에서 1위를 차지한 주된 이유이기도 합니다.

분산형 컴퓨팅의 비즈니스적 필요성

AI는 모델 학습이나 추론 모두에 많은 컴퓨팅 리소스를 필요로 합니다. 많은 컴퓨팅 리소스가 필요합니다.

대규모 언어 모델을 학습하는 과정에서 한 가지 사실이 확인되었습니다. 데이터 파라미터의 크기가 충분히 크면 이전에는 없던 기능을 갖춘 대규모 언어 모델이 등장한다는 것입니다. 이전 세대에 비해 각 GPT 세대의 기능이 기하급수적으로 향상된 이면에는 모델 훈련에 사용되는 계산량이 기하급수적으로 증가한 것이 있습니다.

딥마인드와 스탠포드 대학교의 연구에 따르면 다양한 빅 언어 모델은 다양한 작업(산술, 페르시아어 퀴즈, 자연어 이해 등)에 직면했을 때 모델 훈련 중 모델 파라미터(그리고 그에 따라 훈련에 사용되는 계산량)를 다음과 같이 간단히 확장할 수 있습니다. 10^22 FLOPs(FLOPs는 계산 성능의 척도로 사용되는 초당 부동 소수점 연산 횟수)로 확장하면 모든 작업의 성능이 임의의 답을 제공하는 것과 거의 같으며, 파라미터 스케일이 해당 스케일의 임계값을 초과하면 언어 모델에 관계없이 작업 성능이 급격히 향상됩니다.

<그림 style="text-align: 왼쪽;">

<그림 style="text-align: 왼쪽;">

오픈AI의 설립자 샘 알트먼이 7조 달러를 모금해 현재 TSMC의 10배 규모(1조 5천억 달러가 소요될 것으로 예상)의 첨단 칩 공장을 짓고 나머지 자금은 칩 생산에 사용하자고 제안한 것도 산술의 '기적'의 법칙과 관행에 따른 것이기도 합니다. 그리고 나머지 자금은 칩 생산과 모델 교육에 사용합니다.

AI 모델을 훈련하는 데 필요한 연산 능력 외에도 모델에 대한 추론 과정 자체에도 많은 연산 능력이 필요하기 때문에 (훈련에 필요한 연산량에 비해서는 적지만) 칩과 연산 능력에 대한 갈증은 AI 트랙 참가자들에게 당연한 것이 되었습니다.

아마존 웹 서비스, 구글 클라우드 플랫폼, 마이크로소프트의 애저 등과 같은 중앙 집중식 AI 연산 제공업체와 달리 분산형 AI 컴퓨팅의 주요 가치 제안은 다음과 같습니다.

• 접근성: AWS, GCP 또는 Azure와 같은 클라우드 서비스를 사용하여 연산 칩에 액세스하려면 일반적으로 몇 주가 걸리며 인기 있는 GPU 모델은 품절되는 경우가 많습니다. 또한, 연산에 액세스하기 위해 소비자는 이러한 대기업과 장기적이고 유연하지 않은 계약을 체결해야 하는 경우가 많습니다. 반면에 분산 연산 플랫폼은 접근성이 뛰어난 유연한 하드웨어 옵션을 제공할 수 있습니다.

• 저렴한 가격: 분산 연산 네트워크는 사용하지 않는 칩을 활용하고, 네트워크 프로토콜 측에서 칩과 연산 제공자 모두에게 토큰 보조금을 제공하기 때문에 더 저렴한 산술 연산이 가능할 수 있습니다.

• 검열에 대한 저항성: 현재 첨단 연산 칩과 공급이 대형 기술 기업에 의해 독점되고 있고 미국으로 대표되는 각국 정부가 AI 연산 서비스에 대한 검열을 강화함에 따라, 분산적이고 탄력적이며 자유롭게 접근할 수 있는 AI 연산 기능이 필요해지면서 웹3 기반 연산 서비스가 활용되고 있습니다. 이것이 웹3 기반 연산 서비스 플랫폼의 핵심 가치 제안입니다.

화석 에너지가 산업 시대의 혈액이라면 산술은 AI가 열어가는 새로운 디지털 시대의 혈액일 수 있으며, 산술의 공급은 AI 시대의 인프라가 될 것입니다. 웹3.0 시대에 스테이블코인이 법정화폐의 조력자가 된 것처럼, 분산 연산 시장도 빠르게 성장하는 AI 연산 시장의 조력자가 될 수 있을까요?

아직은 초기 시장이기 때문에 모든 것이 지켜봐야 합니다. 하지만 분산 산술에 대한 이야기나 시장 채택을 촉진하는 역할을 할 수 있는 몇 가지 요인은 다음과 같습니다.

• 지속되는 GPU의 타이트한 공급과 수요. 일부 개발자는 GPU 공급이 계속 타이트해지면 분산 연산 플랫폼으로 전환할 수 있습니다.

• 규제 확장. 대규모 클라우드 산술 플랫폼에서 AI 산술 서비스를 이용하고자 하는 사람들은 KYC와 여러 단계의 조사를 거쳐야 합니다. 이로 인해 특히 규제와 제재를 받는 지역에서는 분산 연산 플랫폼이 채택될 수 있습니다.

• 토큰 가격 자극. 상승 사이클에서 토큰 가격이 상승하면 플랫폼의 GPU 공급 측면에 대한 보조금 가치가 증가하여 공급 측면의 시장 진입자가 늘어나 시장 규모가 커지고 소비자의 실제 구매 가격은 낮아집니다.

그러나 동시에 분산 연산 플랫폼의 도전과제는 매우 분명합니다.

• 기술적 및 엔지니어링 과제

• 작업 검증 문제: 계층적 구조로 인해 딥 러닝 모델의 계산은 에서 각 계층의 출력이 다음 계층의 입력으로 사용되기 때문에 계산의 유효성을 검증하려면 이전 작업을 모두 실행해야 하는데, 이는 간단하고 효율적으로 검증할 수 없습니다. 이 문제를 해결하기 위해 분산 컴퓨팅 플랫폼은 새로운 알고리즘을 개발하거나 절대적인 확실성이 아닌 확률적으로 결과의 정확성을 보장하는 근사 검증 기법을 사용해야 합니다.

• 병렬화의 난제: 분산 컴퓨팅 플랫폼은 긴 꼬리를 가진 칩 공급에 집중되어 있어 개별 디바이스가 더 제한된 양의 연산을 제공할 수밖에 없으며, 단일 칩 공급업체가 AI 모델의 훈련 또는 추론 작업을 독립적으로 완료할 수 있는 기간이 거의 짧기 때문에 병렬화를 통해 작업을 해체한 후 작업을 할당해야만 합니다. 하고 작업을 할당하여 총 완료 시간을 단축해야 합니다. 병렬화는 필연적으로 작업 분해 방법(특히 복잡한 딥러닝 작업), 데이터 종속성, 장치 간 추가 통신 비용 등 일련의 문제에 직면할 수밖에 없습니다.

• 개인정보 보호 문제: 구매자의 데이터와 모델이 작업의 수신자에게 노출되지 않도록 하는 방법은 무엇인가요?

• 규제 준수 과제

• 분산형 컴퓨팅 플랫폼은 공급과 조달 양방향 시장의 비허가적 특성으로 인해 일부 고객에게 판매 포인트로 매력적일 수 있습니다. 다른 한편으로는 AI 규제 규범의 개선으로 정부 통합의 대상이 될 수도 있습니다. 또한 일부 GPU 공급업체는 임대하는 연산 자원이 제재 대상 기업이나 개인에게 제공되고 있는지 여부에 대해서도 우려할 것입니다.

일반적으로 분산 컴퓨팅 플랫폼의 수요자는 대부분 전문 개발자 또는 중소 규모의 조직이며, 암호화폐와 대체 불가능한 토큰을 구매하는 암호화폐 투자자와 달리 이러한 유형의 사용자는 프로토콜이 제공할 수 있는 서비스의 안정성과 연속성에 대한 요구 사항이 더 높습니다. 가격이 반드시 이들의 결정의 주된 동기는 아닙니다. 현재로서는 분산 컴퓨팅 플랫폼이 이러한 사용자들의 지지를 얻기 위해서는 아직 갈 길이 멀기만 합니다.

다음으로는 현재 사이클의 신규 분산 컴퓨팅 프로젝트인 IO.NET의 프로젝트 정보를 정리 및 분석하고, 시장에서 같은 트랙의 AI 프로젝트와 분산 컴퓨팅 프로젝트를 기준으로 상장 후 가능한 밸류에이션 수준을 계산해 보겠습니다.

2. 분산형 AI 컴퓨팅 플랫폼: IO.NET

2.1 프로젝트 포지셔닝

IO.NET은 다음과 같습니다. 칩을 중심으로 양방향 시장을 구축하는 탈중앙화 컴퓨팅 네트워크로, 공급 측면은 전 세계에 분산된 칩(GPU를 중심으로 CPU, 애플의 iGPU 등)의 컴퓨팅 파워이고 수요 측면은 AI 모델 학습이나 추론 작업을 완료하고자 하는 AI 엔지니어입니다.

IO.NET의 공식 웹사이트에는 다음과 같이 설명되어 있습니다.

Our 미션

100만 개의 GPU를 DePIN에 결합하여 - 탈중앙화된 물리적 인프라 네트워크입니다.

그들의 미션은 수백만 개의 GPU를 DePIN 네트워크에 통합하는 것입니다.

기존 클라우드 AI 연산 제공업체와 비교하여 외부에서 강조하는 주요 판매 포인트는 다음과 같습니다.

• 유연한 조합: AI 엔지니어는 컴퓨팅 작업을 수행하는 데 필요한 '클러스터'를 구성하는 데 필요한 칩을 자유롭게 골라 선택할 수 있습니다

• 신속한 배포: 몇 주의 승인과 대기 시간이 필요 없고(현재는 새 칩을 기다릴 필요가 없음), 새 칩이 필요하지 않습니다. 몇 주간의 승인 및 대기 시간(현재 AWS와 같은 중앙 집중식 공급업체의 경우)이 필요 없으며, 배포를 완료하고 수십 초 내에 작업을 시작할 수 있습니다

• 저렴한 서비스 비용: 서비스 비용이 주류 공급업체보다 최대 90% 저렴합니다

또한 IO.NET은 향후 AI 모델샵과 같은 서비스를 출시할 계획입니다.

2.2 제품 메커니즘 및 비즈니스 데이터

제품 메커니즘 및 배포 경험

아마존 클라우드, 구글 클라우드, 알리클라우드와 마찬가지로 IO.NET은 IO 클라우드라는 컴퓨팅 서비스를 제공합니다. IO 클라우드는 파이썬 기반 머신러닝 코드를 실행하고 AI 및 머신러닝 프로그램을 실행할 수 있는 분산형 칩 네트워크로, 분산된 분산형 칩 네트워크입니다.

IO Cloud의 기본 비즈니스 모듈은 컴퓨팅 작업을 자체 조정할 수 있는 GPU 그룹인 클러스터로, AI 엔지니어는 필요에 따라 원하는 클러스터를 커스터마이징할 수 있습니다.

IO.NET의 제품 인터페이스는 매우 사용자 친화적이므로 AI 컴퓨팅 작업을 위해 자체 칩 클러스터를 배포하려는 경우 클러스터 제품 페이지로 이동하여 온디맨드 방식으로 클러스터 구성을 시작할 수 있습니다.

먼저 미션 시나리오를 선택해야 하며, 현재 세 가지 유형 중에서 선택할 수 있습니다.

1. 일반: 보다 일반적인 환경을 제공하며, 특정 리소스 요구 사항이 확실하지 않은 초기 프로젝트 단계에 적합합니다.

2. Train: 머신 러닝 모델 훈련 및 미세 조정을 위해 설계된 클러스터입니다. 이 옵션은 이러한 고강도 연산 작업을 처리하기 위해 더 많은 GPU 리소스, 더 높은 메모리 용량 및/또는 더 빠른 네트워크 연결을 제공할 수 있습니다.

3. 추론: 지연 시간이 짧고 워크로드가 많은 추론을 위해 설계된 클러스터입니다. 머신 러닝의 맥락에서 추론은 학습된 모델을 사용하여 예측을 하거나 새로운 데이터를 분석하고 피드백을 제공하는 것을 의미합니다. 따라서 이 옵션은 실시간 또는 실시간에 가까운 데이터 처리 요구 사항을 보다 쉽게 지원할 수 있도록 지연 시간과 처리량을 최적화하는 데 중점을 둡니다.

그런 다음 칩 클러스터의 공급측을 선택해야 하는데, 현재 IO.NET은 렌더 네트워크 및 파일코인 채굴자 네트워크와 파트너십을 맺고 있으므로 사용자는 IO.NET 또는 다른 두 네트워크의 칩 중 하나를 선택할 수 있습니다. NET 또는 다른 두 네트워크를 자체 컴퓨팅 클러스터의 공급자로 선택할 수 있으며, 이는 IO.NET이 애그리게이터 역할을 하는 것과 같습니다(단, 이 글을 쓰는 현재 파일콘 서비스는 일시적으로 오프라인 상태입니다). 이 페이지에 따르면 현재 IO.NET은 온라인에서 200,000개 이상의 GPU를 사용할 수 있는 반면, 렌더 네트워크는 3,700개 이상의 GPU를 사용할 수 있다는 점에 주목할 필요가 있습니다.

다음 단계는 클러스터의 칩을 위한 하드웨어를 선택하는 것인데, 현재 IO.NET에는 주로 NVIDIA 제품인 CPU나 Apple의 iGPU(M1, M2 등)가 아닌 GPU만 사용 가능한 것으로 표시되어 있습니다.

테스트한 날의 데이터에 따르면 사용 가능한 GPU 하드웨어 옵션의 공식 목록에서 IO.NET 네트워크에서 온라인에서 사용할 수 있는 총 GPU 수는 206,001개입니다. 가장 많이 사용 가능한 제품은 GeForce RTX 4090(45,250장)이었고, 그다음으로 GeForce RTX 3090 Ti(30,779장)가 뒤를 이었습니다.

또 머신러닝, 딥러닝, 과학 컴퓨팅 등 AI 연산 작업에 더 효율적인 A100-SXM4-80GB 칩(시중가 15,000$ 이상)은 7,965장이 온라인에 올라와 있습니다.

<그림 style="text-align: 왼쪽;">

그리고 하드웨어 설계 초기부터 AI용으로 특별히 설계된 엔비디아의 H100 80GB HBM3 카드(판매가 4천만원 이상)는 실제 온라인 카운트 86으로 A100의 3.3배의 훈련 성능과 4.5배의 추론 성능을 갖췄습니다.

클러스터의 하드웨어 유형을 선택한 후 사용자는 클러스터의 지역, 통신 속도, 임대할 GPU 수, 시간 등의 매개변수도 선택해야 합니다.

마지막으로, IO.NET은 작성자의 클러스터 구성을 예로 들어 선택 사항을 조합하여 청구서를 제공합니다:

• 일반 작업 시나리오

• 16개의 A100-SXM4-80GB 칩

• 최고 연결 속도( 초고속)

• 지리적 위치 미국

• 임대 시간 1주일

총 청구 가격은 $3311.6$이며 카드 한 장의 시간당 단가는 $1.232$입니다

A100-SXM4-80GB의 단일 카드 시간당 요금은 아마존 클라우드, 구글 클라우드, 마이크로소프트 애저의 경우 각각 5.12$, 5.07$, 3.67$입니다(데이터 출처: https://cloud-gpus.com/, 실제 가격은 계약 세부 약관에 따라 달라질 수 있음). (실제 가격은 계약 세부 약관에 따라 변경될 수 있습니다).

따라서 가격만 놓고 보면 IO.NET의 칩 파워는 주류 공급업체에 비해 상당히 저렴하며 공급 믹스 및 소싱이 매우 유연하고 쉽게 시작할 수 있습니다.

비즈니스

공급 측면

Supply Side. 왼쪽;">올해 4월 4일 기준 공식 데이터에 따르면 IO.NET은 프로비저닝 측면에서 총 371,027개의 GPU와 42,321개의 CPU를 공급하고 있습니다. 또한 파트너인 Render Network는 9,997개의 GPU와 776개의 CPU를 네트워크의 공급에 액세스하고 있습니다.

이 글을 쓰는 시점에 IO.NET이 액세스한 총 GPU 수 중 214387개가 온라인 상태였으며, 온라인 비율은 57.8%였습니다. 렌더 네트워크의 GPU는 45.1%가 온라인 상태였습니다.

이런 공급 측면의 수치는 무엇을 의미할까요?

비교를 위해 훨씬 더 오래 온라인 상태였던 또 다른 베테랑 분산 컴퓨팅 프로젝트인 아카시 네트워크를 소개해드리겠습니다.

아카시 네트워크는 2020년에 메인 네트워크를 가동했으며, 처음에는 CPU와 스토리지 분산 서비스에 집중했습니다. 2023년 6월에는 GPU 서비스를 위한 테스트 네트워크를 시작했고, 같은 해 9월에는 GPU 분산 연산을 위한 메인 네트워크를 가동했습니다.

아카시 공식 데이터에 따르면, 지속적인 성장에도 불구하고 출시 이후 현재까지 GPU 네트워크의 공급 측면에서 총 GPU 액세스 횟수는 365건에 불과합니다.

GPU 공급 측면에서 보면, IO.

수요 측면 시나리오

그러나 수요 측면에서 보면 IO.NET은 아직 시장 육성 초기 단계로, 실제로 IO.NET을 사용하여 수행되는 연산 작업의 총량은 현재 미미한 수준입니다. 온라인에 있는 대부분의 GPU는 작업 부하가 0%이며, A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S, H100 80GB HBM3 등 4개 칩만 작업을 처리하고 있습니다. 그리고 A100 PCIe 80GB K8S를 제외한 세 칩은 모두 20% 미만의 로드율을 보입니다.

그리고 이날 공식적으로 공개된 네트워크 스트레스 값은 0%로, 대부분의 칩 공급이 온라인 대기 상태였다는 것을 의미합니다.

네트워크 비용 규모를 보면, IO.NET은 586,029$의 비용이 발생했으며, 마지막 날에는 3,200$의 비용이 발생했습니다.

<그림 style="text-align: left;">

위 네트워크 정산 수수료의 규모는 총액과 일일 거래량 모두 아카시와 비슷한 수준이지만, 아카시의 네트워크 수익은 대부분 CPU 부분에서 발생하며 아카시는 20,000개 이상의 CPU를 공급하고 있습니다.

<그림 style="text-align: left;">

또, IO.NET은 네트워크에서 처리한 AI 추론 작업에 대한 비즈니스 데이터를 공개했으며, 오늘 현재. NET은 현재까지 23만 건 이상의 추론 작업을 처리하고 검증했으며, 이 중 상당수는 IO.NET이 후원하는 프로젝트 BC8.AI에서 생성된 것입니다.

현재까지의 비즈니스 데이터에 따르면, 에어드랍 기대감과 코드명 "Ignition"으로 불리는 커뮤니티 활동에 힘입어 IO.NET의 공급 측면 확장이 순조롭게 진행되고 있습니다. 에어드랍에 대한 기대감과 커뮤니티 활동 코드명 '이그니션'에 힘입어 공급 측면의 확장이 순조롭게 진행되고 있으며, 이를 통해 대량의 AI 칩 컴퓨팅 파워를 빠르게 모을 수 있었습니다. 반면에 수요 측면에서의 확장은 아직 초기 단계이며 유기적 수요는 여전히 부족합니다. 현재 수요 측면의 확장이 부족한 것이 소비자 측면이 아직 시작되지 않았기 때문인지, 아니면 현재 서비스 경험이 아직 불안정하여 대규모 채택이 부족하기 때문인지에 대해서는 아직 평가가 필요합니다.

그러나 AI 산술 격차를 단기간에 메우기 어렵다는 점을 고려할 때, 탈중앙화 서비스 제공자에 관심을 가질 수 있는 많은 AI 엔지니어와 프로젝트가 있으며, IO.NET이 아직 경제 활성화와 수요 측면의 활동을 수행하지 않았다는 사실과 함께 제품 경험의 점진적인 향상, 후속. 수요와 공급의 점진적인 매칭은 여전히 기대할 만한 부분입니다.

2.3 팀 배경 및 자금 조달

팀 프로필

IO. NET의 핵심 팀은 퀀트 트레이딩 비즈니스에서 설립되었으며, 2022년 6월까지 주식 및 암호화폐 자산을 위한 기관급 퀀트 트레이딩 시스템을 개발하는 데 주력했습니다. 시스템 백엔드에 컴퓨팅 파워가 필요했기 때문에 팀은 탈중앙화 컴퓨팅의 가능성을 탐구하기 시작했고, 결국 GPU 연산 서비스 비용 절감이라는 구체적인 문제에 집중하게 되었습니다.

설립자 겸 CEO: 아마드 샤디드

아마드 샤디드는 IO 이전에 퀀트 및 금융 공학 분야에서 일해왔습니다. 펀드 자원 봉사자입니다.

최고전략책임자: 개리슨 양

개리슨 양은 Avalanche의 전략 및 성장 담당 부사장을 거쳐 올해 3월 IO.NET에 합류했습니다. 이전에는 Avalanche에서 전략 및 성장 담당 부사장을 역임했으며 캘리포니아 대학교 산타바바라 캠퍼스를 졸업했습니다.

COO: 토리 그린

Tory Green은 io.net의 COO이며, 이전에 Hum Capital의 COO, Fox Mobile Group의 기업 개발 및 전략 이사, 캘리포니아 대학교 산타바바라 캠퍼스를 졸업했습니다. 토리 그린은 io.net의 최고 운영 책임자이며, 이전에는 Hum Capital의 최고 운영 책임자이자 Fox Mobile Group의 기업 개발 및 전략 담당 이사였습니다.

IO.NET의 링크드인 프로필에 따르면, 이 팀은 뉴욕에 본사를 두고 샌프란시스코에 지사를 두고 있으며 현재 50명 이상의 직원이 근무하고 있습니다.

자금 조달

IO.NET이 지금까지 공개한 자금 조달은 올해 3월에 완료한 10억 달러 규모의 시리즈 A 라운드이며, 총 3천만 달러의 자금을 조달했습니다. NET이 주도하고, 멀티코인 캐피탈, 델파이 디지털, 포사이트 벤처스, 애니모카 브랜드, 컨티뉴어 캐피탈, 솔라나 벤처스, 앱토스, 롱해시. 벤처스, OKX 벤처스, 앰버 그룹, 세븐엑스 벤처스, 아크스트림 캐피털 등이 참여했습니다.

앱토스 재단으로부터 투자를 받은 덕분인지, 원래 솔라나에서 결제 부기 작업을 수행하던 BC8.AI 프로젝트는 동일한 고성능 L1 앱토스로 전환하여 작업을 수행하고 있습니다.

2.4 밸류에이션 전망

이전 설립자이자 CEO인 Ahmad Shadid에 따르면 IO.NET은 4월 말에 토큰을 출시할 예정이라고 합니다.

IO.NET은 대표적인 분산 컴퓨팅 프로젝트인 렌더 네트워크와 아카시 네트워크 두 가지를 가치 평가 기준으로 삼고 있습니다.

아이오넷의 시가총액 범위는 두 가지 방법으로 도출할 수 있습니다: 1. 시가총액 대비 매출 비율, 즉 시가총액/매출 비율과 2. 시가총액/네트워크 칩 수 비율입니다.

먼저, 주가매출비율에 따른 밸류에이션 도출을 살펴보겠습니다:

가격 대비 판매 비율 관점에서 볼 때, 아카시는 IO.NET의 가치 범위의 하단에 해당하는 가격 기준으로 사용될 수 있으며, 렌더는 16.7억 달러에서 59.3억 달러의 FDV 범위로 가치의 상단에 해당하는 가치 기준으로 사용됩니다. 억 달러입니다.

그러나 IO.NET이 더 뜨거운 스토리를 가진 신생 프로젝트이고 초기 유통 시가총액이 더 작고 현재 공급 측면의 규모가 더 크다는 점을 고려하면, FDV가 렌더를 초과할 가능성은 높지 않습니다.

또 다른 밸류에이션 비교 지표인 "가격 대비 핵심" 비율을 살펴봅시다.

AI 연산이 공급을 앞지르려는 시장의 맥락에서 분산형 AI 연산 네트워크의 가장 중요한 요소는 GPU 공급 측면의 크기이므로 ""를 사용하여 "시장 대 코어 비율"을 수평적으로 비교할 수 있습니다. 따라서 "시장 대 코어 비율"을 사용하여 "네트워크의 칩 수에 대한 프로젝트의 총 시장 가치 비율"을 사용하여 나란히 비교하여 IO.NET의 가능한 가치 범위를 추론 할 수 있으며, 이는 시장 가치 측면에서 독자가 참조 할 수있는 기준으로 사용할 수 있습니다.

<그림 style="text-align: left;">

시장 대비 코어 비율로 IO.NET의 시가총액 범위를 예상할 경우, 렌더 네트워크의 시장 대비 코어 비율을 상한으로, 아카시 네트워크를 하한으로 하여 IO.NET의 FDV 범위는 206억 달러에서 197.5억 달러입니다.

아이오넷 프로젝트에 대해 보다 낙관적인 시각을 가지고 계신 독자분들은 이 시가총액 예측이 매우 낙관적이라고 생각하실 수 있을 것입니다.

그리고 IO.NET의 엄청난 칩 수는 현재 에어드랍 기대감과 인센티브에 의해 촉진되고 있으며, 프로젝트가 시작될 때 공급 측면의 실제 온라인 칩 수는 아직 지켜봐야 한다는 점을 고려할 필요가 있습니다.

따라서 전반적으로 가격 대비 판매량 관점에서의 가치 평가가 더 많은 정보를 제공할 수 있습니다.

3중 AI+DePIN+솔라나 생태계를 갖춘 IO.NET이 출시 후 시가총액 측면에서 어떤 성과를 거둘지 지켜볼 것입니다.

3. 참고자료

• Dephi Digital: 더 리얼 머지

• 갤럭시:암호와 AI의 교차점 이해