엣지에서 태어나다: 탈중앙화된 산술 네트워크는 어떻게 암호화폐와 AI를 가능하게 하는가?

저자: Jane Doe, 교신저자: Chen Li

1 인공지능과 암호화폐의 교차점

5월 23일, 칩 대기업인 엔비디아는 2025 회계연도 1분기 실적 보고서를 발표했습니다. 수익 보고서에 따르면 엔비디아의 1분기 매출은 260억 달러였습니다. 이 중 데이터센터 매출은 작년 대비 427% 성장한 226억 달러를 기록했습니다. 미국 증시에서 엔비디아가 실적 호조세를 이어갈 수 있었던 배경에는 글로벌 기술 기업들의 AI 경쟁과 연산 수요의 폭발적인 증가가 반영된 것으로 풀이됩니다. AI 트랙 레이아웃에 더 많은 상위 기술 기업이 더 야심 차게 배치 될수록 컴퓨팅 성능 수요도 기하 급수적으로 증가하고 있습니다. 트렌드포스의 전망에 따르면 미국 4대 클라우드 서비스 제공업체인 마이크로소프트, 구글, AWS, 메타의 하이엔드 AI 서버 수요는 2024년 전 세계 수요의 각각 20.2%, 16.6%, 16%, 10.8%를 차지해 총 60% 이상을 차지할 것으로 예상됩니다.

사진 제공: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

  최근 몇 년 동안 '칩 부족'이 올해의 화두였습니다. 한편으로는 대규모 언어 모델(LLM)의 학습과 추론에는 많은 연산 지원이 필요하며, 모델이 반복될수록 연산 비용과 수요가 기하급수적으로 증가하기 때문입니다. 반면에 Meta와 같은 대기업은 엄청난 양의 칩을 구매하고 전 세계 연산 리소스가 이러한 거대 기술 기업에 편중되어 있어 중소기업이 필요한 연산 리소스를 확보하기가 점점 더 어려워지고 있습니다. 소규모 기업이 직면한 딜레마는 급증하는 수요로 인한 칩 공급 부족뿐만 아니라 공급의 구조적 모순에서도 비롯됩니다. 현재 공급 측면에서는 여전히 많은 미사용 GPU가 존재하며, 예를 들어 일부 데이터 센터에서는 미사용 컴퓨팅 파워가 많고(활용률이 12%~18%에 불과), 암호화폐 채굴에서는 수익 감소로 인해 미사용 컴퓨팅 파워가 많이 남아 있습니다. <강조>이 모든 컴퓨팅 파워가 AI 트레이닝과 같은 전문 애플리케이션에 적합한 것은 아니지만, 소비자급 하드웨어는 AI 추론, 클라우드 게임 렌더링, 클라우드 휴대폰과 같은 다른 영역에서 여전히 큰 역할을 할 수 있습니다. 이 연산 자원을 통합하고 활용할 수 있는 기회는 엄청납니다.

AI에서 암호화폐로 관심을 돌리자면, 3년간의 침묵을 깨고 마침내 비트코인 가격이 사상 최고치를 경신하고 온갖 종류의 메모코인이 쏟아져 나오는 등 암호화폐 시장이 다시 한 번 강세장을 맞이하고 있습니다. AI와 암호화폐는 수년 동안 화두가 되어 왔지만, 두 가지 중요한 기술인 AI와 블록체인은 아직 '교차점'을 찾지 못한 평행선처럼 보입니다. 올해 초, 비탈릭은 "암호화폐 + AI 애플리케이션의 가능성과 과제"라는 제목의 글을 통해 AI와 암호화폐를 결합한 미래 시나리오에 대해 논의했습니다. 비탈릭은 이 기사에서 탈중앙화된 AI 훈련과 간섭을 위해 블록체인과 MPC 및 기타 암호화 기술을 사용하고, 머신러닝의 블랙박스를 열어 AI 모델을 더 신뢰할 수 없게 만드는 등 많은 아이디어를 언급했습니다. 이러한 비전이 실현되려면 아직 갈 길이 멀다. <하지만 비탈릭이 언급한 사용 사례 중 하나인 암호화폐의 경제적 인센티브를 활용해 AI를 강화하는 것 역시 단기간에 실현할 수 있는 중요한 방향입니다. 탈중앙화된 산술 네트워크는 현 단계에서 AI + 암호화폐에 가장 적합한 시나리오 중 하나입니다.

2 탈중앙화된 산술 네트워크

현재 탈중앙화된 산술 네트워크 트랙에는 이미 많은 프로젝트가 있습니다. 이러한 프로젝트의 기본 논리는 비슷하며 다음과 같이 요약할 수 있습니다. 토큰을 사용하여 산술 보유자가 네트워크에 참여하여 산술 서비스를 제공하도록 인센티브를 제공하고, 이렇게 흩어진 산술 자원을 일정 규모의 탈중앙화 산술 네트워크로 통합할 수 있습니다. 이를 통해 유휴 산술의 활용도를 높일 뿐만 아니라 저렴한 비용으로 고객의 산술 요구를 충족시켜 구매자와 판매자 모두 윈윈할 수 있습니다.

독자들이 단기간에 이 트랙을 전반적으로 파악할 수 있도록 이 글에서는 특정 프로젝트와 전체 트랙을 미시적, 거시적 관점에서 분석하여 각 프로젝트의 핵심 경쟁 우위와 탈중앙화 산술 트랙 전체의 발전을 이해할 수 있는 분석적 관점을 독자들에게 제공하고자 합니다. 저자는 Aethir, io.net, 렌더 네트워크, 아카시 네트워크, 젠신 등 5개의 프로젝트를 소개하고 분석하며, 프로젝트와 트랙의 발전에 대한 요약과 평가를 제공할 것입니다.

분석 프레임워크 측면에서 특정 탈중앙화 연산 네트워크에 초점을 맞추면, 이를 네 가지 핵심 구성 요소로 나눌 수 있습니다.

• 하드웨어 네트워크: 탈중앙화 연산 자원 통합 전 세계에 분산된 노드를 통해 산술 리소스를 공유하고 부하를 분산하는 하드웨어 네트워크는 탈중앙화 산술 네트워크의 기본 계층입니다.

• 양자 시장: 합리적인 가격 책정 메커니즘과 발견 메커니즘을 통해 산술 공급자와 수요자를 매칭하여 공급과 수요 간의 투명하고 공정하며 신뢰할 수 있는 거래를 보장하는 안전한 거래 플랫폼을 제공합니다.

• 합의 메커니즘: 네트워크 내 노드가 올바르게 작동하고 작업을 완료하도록 보장하는 데 사용됩니다. 합의 메커니즘은 주로 두 가지 수준을 모니터링하는 데 사용됩니다: 1) 노드가 온라인 상태이며 언제든지 작업을 수락할 수 있는 활성 상태인지 모니터링, 2) 노드의 작업 증명: 노드가 작업을 받고 효과적이고 정확하게 작업을 완료했으며, 연산 능력이 다른 용도로 사용되어 프로세스와 스레드를 차지하지 않았는지 모니터링합니다.

• 토큰 인센티브: 토큰 모델은 더 많은 참여자가 서비스를 제공/사용하도록 장려하고, 커뮤니티 수익 공유를 위해 토큰으로 이러한 네트워크 효과를 포착하는 데 사용됩니다.

블록웍스 리서치의 연구 보고서는 전체 탈중앙화 연산 트랙을 한눈에 볼 수 있는 좋은 분석 프레임워크를 제공하며, 이 트랙에서 프로젝트 위치를 세 가지 계층으로 분류할 수 있습니다.

• 탈중앙화 컴퓨팅 스택의 기반을 형성하는 계층으로, 원시 연산 자원을 수집하여 API 호출에 사용할 수 있도록 하는 것이 주요 임무입니다.

• 오케스트레이션 레이어: 탈중앙화 컴퓨팅 스택의 중간 레이어로, 연산 능력의 스케줄링, 확장, 조작, 로드 밸런싱 및 내결함성을 조율하고 추상화하는 것이 주요 임무입니다. 주요 역할은 기본 하드웨어 관리의 복잡성을 '추상화'하고 최종 사용자가 특정 고객 세그먼트에 서비스를 제공할 수 있도록 보다 고급 사용자 인터페이스를 제공하는 것입니다.

• 집합 계층: 분산형 컴퓨팅 스택의 최상위 계층으로, 사용자가 AI 트레이닝, 렌더링, zkML 등과 같은 여러 컴퓨팅 작업을 한 곳에서 수행할 수 있는 통합 인터페이스를 통합하고 제공하는 것이 주요 임무입니다. 이는 여러 분산 컴퓨팅 서비스를 위한 오케스트레이션 및 배포 계층에 해당합니다.

사진 제공: Youbi Capital

위 두 가지 분석 프레임워크를 바탕으로 선정된 5개 프로젝트를 나란히 비교하고 핵심 사업, 시장 포지셔닝, 하드웨어 시설, 재무 성과 등 네 가지 수준에서 평가할 것입니다. 강함>으로 평가합니다.

2.1 핵심 사업

기본 로직 측면에서 탈중앙화 산술 네트워크는 토큰을 사용하여 유휴 산술 보유자에게 인센티브를 부여하는 등 매우 동질성이 높습니다. 산술 서비스를 제공하도록 인센티브를 제공합니다. 이 기본 논리를 중심으로 세 가지 차이점을 통해 프로젝트의 핵심 비즈니스의 차이점을 이해할 수 있습니다.

• 유휴 산술의 출처:

• 시장에는 1) 데이터 센터, 채굴자 및 기타 기업이 보유한 유휴 연산과 2) 개인 투자자가 보유한 유휴 연산이라는 두 가지 주요 공급원이 있습니다. 데이터 센터는 일반적으로 전문가급 하드웨어를 보유하고 있는 반면, 개인 투자자는 일반적으로 소비자급 칩을 구매합니다.

• 아에티르, 아카시 네트워크, 젠슨은 주로 기업으로부터 연산을 수집합니다. 기업에서 전력을 수집하는 것의 장점은 다음과 같습니다: 1) 기업과 데이터 센터는 일반적으로 더 높은 품질의 하드웨어와 전문 유지보수 팀을 보유하고 있어 전력 자원의 성능과 신뢰성이 더 높습니다; 2) 기업과 데이터 센터는 더 균질한 전력 자원을 보유하는 경향이 있으며 중앙화된 관리와 모니터링은 자원의 스케줄링과 유지보수를 더 효율적으로 만듭니다. 그러나 이 접근 방식은 산술 전력을 보유한 기업과 상업적 관계를 맺어야 하는 프로젝트 당사자에게는 더 높은 요구 사항이 있습니다. 동시에 확장성과 탈중앙화에도 어느 정도 영향을 미치게 됩니다.

• 렌더 네트워크와 io.net은 주로 개인 투자자들이 유휴 연산 능력을 제공하도록 인센티브를 제공합니다. 개인 투자자로부터 연산을 수집하는 장점은 1) 개인 투자자의 유휴 연산은 명시적 비용이 낮아 더 경제적인 연산 자원을 제공하며, 2) 네트워크가 더 확장 가능하고 탈중앙화되어 시스템의 탄력성과 견고성을 향상시킨다는 점입니다. 단점은 소매 리소스가 광범위하게 분산되어 있고 균일하지 않으며 관리 및 일정이 복잡해져 운영 및 유지 관리의 어려움이 증가한다는 것입니다. 또한 리테일러의 산술에 의존하여 초기 네트워크 효과를 형성하기가 더 어렵습니다(킥스타트하기가 더 어렵습니다). 마지막으로, 리테일러의 장비는 더 많은 보안 위험을 가지고 있어 데이터 유출 및 연산 능력 남용의 위험을 초래할 수 있습니다.

• 산술 소비자

• 산술적 소비자 측면에서는 Aethir, io.net, Gensyn이 주로 기업을 타깃으로 하고 있습니다. B측 고객의 경우, AI와 실시간 게임 렌더링에는 고성능 컴퓨팅이 필요합니다. 이러한 유형의 워크로드는 컴퓨팅 리소스를 매우 많이 요구하며 일반적으로 하이엔드 GPU 또는 전문가급 하드웨어가 필요합니다. 또한 B측 고객은 컴퓨팅 리소스의 높은 안정성과 신뢰성을 요구하므로 프로젝트의 정상적인 운영을 보장하고 적시에 기술 지원을 제공하기 위해 고품질의 서비스 수준 계약을 제공해야 합니다. 동시에 B측 고객의 마이그레이션 비용은 매우 높으며, 탈중앙화 네트워크에 프로젝트 측이 빠르게 배포할 수 있는 성숙한 SDK가 없는 경우(예: 아카시 네트워크는 사용자가 원격 포트를 기반으로 직접 개발해야 함), 고객의 마이그레이션을 유도하기가 매우 어렵습니다. 상당한 가격 이점이 수반되지 않는다면 고객들의 마이그레이션 의지는 매우 낮습니다.

• 렌더 네트워크와 아카시 네트워크는 주로 리테일 고객을 위한 산술 서비스를 제공합니다. C-공급자에게 서비스를 제공하는 프로젝트는 소비자에게 좋은 소비자 경험을 제공하기 위해 사용하기 쉬운 인터페이스와 도구를 설계해야 합니다. 또한 소비자는 가격에 민감하므로 프로젝트는 경쟁력 있는 가격을 제공해야 합니다.

• 하드웨어 유형

• 일반적인 컴퓨팅 하드웨어 리소스에는 CPU, FPGA, GPU, ASIC 및 SoC가 포함됩니다. 이러한 하드웨어는 설계 목표, 성능 특성 및 애플리케이션 영역에서 상당한 차이가 있습니다. 요약하자면, CPU는 범용 컴퓨팅 작업에 더 적합하고, FPGA는 고도의 병렬 처리 및 프로그래밍 기능이 뛰어나며, GPU는 병렬 컴퓨팅에 탁월하고, ASIC은 특정 작업에 가장 효율적이며, SoC는 여러 기능을 하나로 통합하여 고도로 통합된 애플리케이션에 적합합니다. 하드웨어 선택은 특정 애플리케이션의 요구 사항, 성능 요구 사항 및 비용 고려 사항에 따라 달라집니다. 프로젝트 비즈니스의 유형과 GPU의 특성에 따라 결정되는 탈중앙화 연산 프로젝트는 대부분 GPU 연산을 사용합니다. 이는 GPU가 AI 트레이닝, 병렬 컴퓨팅, 멀티미디어 렌더링 등에서 고유한 장점을 가지고 있기 때문입니다.

• 대부분의 프로젝트는 GPU 통합을 포함하지만, 애플리케이션마다 다른 하드웨어 사양이 필요하므로 이질적인 최적화 코어와 파라미터가 있습니다. 이러한 매개변수에는 병렬/직렬 종속성, 메모리, 지연 시간 등이 포함됩니다. 예를 들어, 렌더링 작업에는 높은 수준의 레이 트레이싱 등이 필요하기 때문에 렌더링 워크로드는 실제로 더 강력한 데이터센터 GPU보다 소비자 GPU에 더 적합합니다. 4090과 같은 소비자 칩은 레이 트레이싱 작업을 위한 연산 클래스를 최적화하기 위해 RT 코어를 강화한 반면, AI 훈련 및 간섭에는 전문가급 GPU가 필요합니다. 따라서 렌더 네트워크는 소매업체로부터 RTX 3090 및 4090과 같은 소비자 GPU를 풀링할 수 있는 반면, IO.NET은 AI 스타트업의 요구를 충족하기 위해 H100 및 A100과 같은 더 많은 전문가용 GPU를 필요로 합니다.

2.2 시장 포지셔닝

프로젝트 포지셔닝을 위해 베어 메탈 계층, 오케스트레이션 계층 및 집계 계층이 해결해야 하는 핵심 문제는 다음과 같습니다. 집계 계층은 서로 다른 핵심 문제, 최적화 우선순위 및 가치 포착 기능을 해결해야 합니다.

• 베어 메탈 계층은 물리적 리소스의 수집 및 활용에 중점을 두고, 오케스트레이션 계층은 연산 능력의 스케줄링 및 최적화, 고객층의 요구에 따른 물리적 하드웨어의 최적 설계에 중점을 둡니다. 집계 계층은 다양한 리소스의 통합과 추상화에 중점을 둔 범용 계층입니다. 가치 사슬의 관점에서 프로젝트는 베어 메탈 계층에서 시작하여 위로 올라가야 합니다.

• 가치 포착의 관점에서 베어 메탈 계층에서 오케스트레이션 계층, 집계 계층으로 갈수록 가치 포착 능력이 향상되고 있습니다. 집계 계층이 가장 많은 가치를 포착할 수 있는 이유는 집계 플랫폼이 가장 큰 네트워크 효과를 얻을 수 있고, 탈중앙화 네트워크의 트래픽 유입에 해당하는 가장 많은 사용자에게 직접 도달할 수 있어 전체 산술 자원 관리 스택에서 가장 높은 가치 포착 위치를 차지할 수 있기 때문입니다.

• 따라서 집계 플랫폼 구축의 어려움도 가장 크며, 프로젝트는 기술적 복잡성, 이기종 자원 관리, 시스템 안정성 및 확장성, 네트워크 효과 실현, 보안 및 개인 정보 보호, 복잡한 운영 및 유지 관리 등 다양한 측면을 종합적으로 해결해야 합니다. 이러한 과제는 프로젝트의 콜드 스타트에 도움이 되지 않으며 트랙의 개발과 타이밍에 따라 달라집니다. 오케스트레이션 레이어가 아직 일정 시장 점유율을 차지할 만큼 성숙하지 않은 상태에서 통합 레이어를 수행하는 것은 현실적이지 않습니다.

• 현재 오케스트레이션 레이어에는 Aethir, 렌더 네트워크, 아카시 네트워크, 젠신 등이 있으며, 이들은 모두 특정 목표와 고객 그룹에 서비스를 제공하는 것을 목표로 하고 있습니다. Aethir의 현재 주요 사업은 클라우드 게임을 위한 실시간 렌더링과 B측 고객을 위한 특정 개발 및 배포 환경과 도구를 제공하는 것이며, Render Network의 주요 사업은 비디오 렌더링, 아카시 네트워크의 임무는 타오바오와 유사한 거래 플랫폼을 제공하는 것이며, Gensyn은 AI 교육에 깊이 관여하고 있습니다. io.net의 io.net의 포지셔닝은 어그리게이션 레이어이지만, 현재 io가 구현하는 기능은 렌더 네트워크와 파일코인의 하드웨어가 수집되었지만 하드웨어 자원의 추상화와 통합이 아직 완료되지 않아 어그리게이션 레이어의 완전한 기능과는 아직 거리가 멀다고 할 수 있습니다.

2.3 하드웨어 시설

• 현재 모든 프로젝트가 네트워크의 세부 데이터를 공개하고 있지는 않으며, 상대적으로 io.net 탐색기의 UI가 가장 잘 되어 있으며, 여기서 GPU/CPU를 볼 수 있습니다. 수량, 유형, 가격, 분배, 네트워크 사용량, 노드 수익 및 기타 매개 변수를 볼 수 있습니다. 하지만 지난 4월 말, io.net의 프론트엔드가 공격을 받았고, io가 PUT/POST 인터페이스에서 인증을 수행하지 않아 해커들이 프론트엔드 데이터를 변조했습니다. 이 사건은 웹 데이터의 개인정보 보호와 신뢰성 측면에서 다른 프로젝트에 경각심을 불러일으켰습니다.

• GPU와 모델 수를 보면 집계 레이어인 io.net이 가장 많은 하드웨어를 수집하고 있습니다. aethir가 근소한 차이로 그 뒤를 잇고 있으며 다른 프로젝트들은 하드웨어에 대해 투명하지 않습니다. GPU 모델을 보면, io에는 A100과 같은 전문가급 GPU와 4090과 같은 소비자급 GPU가 다양하게 있으며, 이는 io.net 집계의 포지셔닝과 일치합니다. io는 작업의 특정 요구에 따라 가장 적합한 GPU를 선택할 수 있지만, GPU의 모델과 브랜드에 따라 다른 드라이버와 구성이 필요할 수 있으며 소프트웨어도 필요할 수 있습니다. 복잡한 최적화가 필요할 수 있으므로 관리 및 유지보수의 복잡성이 증가합니다. 현재 io의 다양한 작업 할당 유형은 주로 사용자가 선택합니다.

• Aethir는 자체 채굴기를 출시했으며, 5월에는 퀄컴의 지원을 받아 개발 중인 Aethir Edge를 출시했습니다. 사용자와 멀리 떨어진 중앙집중식 단일 GPU 클러스터 배치에서 벗어나 컴퓨팅 파워를 엣지에 배치하는 Aethir Edge는 H100의 클러스터 컴퓨팅 파워와 결합하여 AI 시나리오를 함께 제공하며, 훈련된 모델을 배치하여 사용자에게 최적의 비용으로 추론 컴퓨팅 서비스를 제공할 수 있습니다. 이 솔루션은 사용자에게 더 가깝고, 더 빠른 서비스를 제공하며, 더 비용 효율적입니다.

• 수요와 공급의 관점에서 아카시 네트워크를 예로 들면, 통계에 따르면 총 CPU 수는 약 16천 개, GPU 수는 378개이며 네트워크 임대 수요에 따라 CPU와 GPU의 가동률은 각각 11.1%와 19.3%에 달합니다. 전문가용 GPU H100만 상대적으로 높은 비율로 임대되고 있으며, 다른 대부분의 모드는 유휴 상태입니다. 다른 네트워크는 아카시와 거의 비슷한 상황에 직면해 있는데, 네트워크에 대한 전반적인 수요가 높지 않고, A100 및 H100과 같은 인기 칩을 제외한 다른 연산은 대부분 유휴 상태입니다.

• 가격 우위의 관점에서 볼 때, 클라우드 컴퓨팅 시장의 거대 기업을 제외하고는 다른 전통적인 서비스 제공자들에 비해 비용 우위가 두드러지지 않습니다.

2.4 재무 성과

• 토큰 모델이 어떻게 설계되든 건강한 토큰노믹스는 다음과 같은 기본 조건을 충족해야 합니다: 1) 네트워크에 대한 사용자의 수요는 다음과 같은 기본 조건을 충족해야 합니다. 토큰이 가치 포착을 달성할 수 있도록 코인 가격에 반영되어야 하며, 2) 개발자, 노드, 사용자 등 각 참여자가 장기적으로 공정한 인센티브를 받아야 하고, 3) 내부자의 과도한 보유를 방지하기 위해 탈중앙화된 거버넌스를 보장하고, 4) 네트워크의 견고성과 연속성에 영향을 미치지 않도록 코인 가격의 큰 변동을 피하기 위해 합리적인 인플레이션 및 디플레이션 메커니즘과 토큰 릴리스 주기를 보장해야 합니다.

• 토큰 모델을 BME(소각 및 발행 균형)와 SFA(접근 지분)로 일반화하면, 이 두 모델에서 토큰에 대한 디플레이션 압력의 원천은 다릅니다. BME 모델은 사용자가 서비스를 구매한 후 토큰을 소각하므로 시스템에 대한 디플레이션 압력은 수요에 의해 결정됩니다. 반면 SFA는 서비스 제공자/노드가 서비스 제공 자격을 얻기 위해 토큰을 담보로 제공해야 하므로 디플레이션 압력은 공급에 의해 발생하며, BME의 장점은 비표준화된 상품에 사용하기에 더 적합하다는 것입니다. 그러나 수요가 충분하지 않은 경우 네트워크는 지속적인 인플레이션 압력에 직면할 수 있습니다. 토큰 모델은 프로젝트마다 세부적으로 다르지만 전반적으로 Aethir는 SFA 지향적이며, io.net, 렌더 네트워크, 아카시 네트워크는 BME 지향적이며, 젠신은 아직 알려지지 않았습니다.

• 수익 측면에서 네트워크에 대한 수요는 네트워크의 전체 수익에 직접 반영됩니다(채굴자는 작업을 완료한 대가 외에 프로젝트에서 보조금을 받기 때문에 여기서는 채굴자의 수익에 대해 논의하지 않습니다). 공개적으로 이용 가능한 데이터 측면에서 io.net의 가치가 가장 높습니다. Aethir의 수익은 아직 발표되지 않았지만, 공개된 정보에 따르면 이미 많은 B-side 고객과 주문을 체결했다고 발표했습니다.

• 코인 가격 측면에서는 지금까지 렌더 네트워크와 아카시 네트워크만 ICO를 진행했고, 조만간 aethir와 io.net도 코인을 발행할 예정인데 가격 성과는 다시 지켜봐야 하므로 여기서 크게 언급하지 않겠습니다. 젠슨의 계획은 아직 불분명합니다. 코인을 발행한 두 프로젝트와 같은 트랙에서 코인을 발행했지만 이 글에 포함되지 않은 프로젝트들을 살펴보면, 탈중앙화 산술 네트워크는 매우 인상적인 가격 성과를 거두었으며, 이는 거대한 시장 잠재력과 커뮤니티의 높은 기대를 어느 정도 반영하고 있습니다.

2.5 요약

• 탈중앙화 산술 네트워크 트랙은 일반적으로 빠르게 발전해왔으며, 이미 많은 프로젝트가 제품을 통해 고객에게 서비스를 제공하고 수익을 창출할 수 있는 많은 프로젝트가 있습니다. 이 트랙은 순수한 설명에서 벗어나 초기 서비스를 제공할 수 있는 개발 단계에 접어들었습니다.

• 수요 부족은 탈중앙화 산술 네트워크가 직면한 일반적인 문제이며, 장기적인 고객 수요는 제대로 검증되지 않았고 활용되지도 않았습니다. 그러나 수요 측면은 코인 가격에 큰 영향을 미치지 않았으며, 이미 코인을 발행한 몇몇 프로젝트는 좋은 성과를 거두었습니다.

• AI는 탈중앙화 연산 네트워크의 주된 이야기이지만, 유일한 비즈니스는 아닙니다. AI 훈련과 추론을 위한 애플리케이션 외에도 실시간 클라우드 게임 렌더링, 클라우드 휴대폰 서비스 등에도 산술이 사용될 수 있습니다.

• 산술 네트워크의 하드웨어는 매우 이질적이며, 산술 네트워크의 품질과 규모를 더욱 개선해야 합니다.

• C-엔드 사용자의 경우 비용 이점이 그다지 분명하지 않습니다. B-엔드 사용자의 경우 비용 절감 외에도 서비스의 안정성, 신뢰성, 기술 지원, 규정 준수 및 법률 지원 등을 고려해야 하는데 Web3의 프로젝트는 일반적으로 이러한 영역에서 충분한 역할을 수행하지 못합니다.

3 마무리 생각

AI의 폭발적인 성장으로 인한 연산 능력에 대한 엄청난 수요는 의심의 여지가 없습니다. 2012년 이후 AI 학습 작업에 사용되는 산술의 양은 기하급수적으로 증가하여 현재 3.5개월마다 2배씩 증가하고 있습니다(18개월마다 2배씩 증가한다는 무어의 법칙에 비하면 매우 빠른 속도입니다). 2012년 이후 연산 능력에 대한 수요는 30만 배 이상 증가하여 무어의 법칙의 12배 성장률을 훨씬 뛰어넘었습니다. GPU 시장은 향후 5년간 연평균 32%의 성장률로 2,000억 달러 이상 성장할 것으로 예상되며, AMD의 예상치는 이보다 더 높아 2027년까지 GPU 칩 시장이 4,000억 달러에 달할 것으로 예상하고 있습니다.

이미지 출처: https://www.stateof.ai/

AR/VR 렌더링과 같은 기타 컴퓨팅 집약적인 워크로드의 폭발적인 성장으로 인해 기존 클라우드와 주요 컴퓨팅 시장의 구조적인 비효율성이 드러났습니다. 탈중앙화된 연산 네트워크는 분산된 유휴 컴퓨팅 자원을 활용하여 보다 유연하고 비용 효과적이며 효율적인 솔루션을 제공함으로써 컴퓨팅 자원에 대한 막대한 시장 수요를 충족시킬 수 있다는 이론입니다. 따라서 암호화폐와 AI의 결합은 거대한 시장 잠재력을 가지고 있지만, 기존 기업과의 치열한 경쟁, 높은 진입 장벽, 복잡한 시장 환경에 직면해 있습니다. 전반적으로 모든 암호화폐 트랙에서 탈중앙화 산술 네트워크는 실수요가 가장 유망한 암호화폐 분야 중 하나입니다.

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

미래는 밝고, 길은 구불구불합니다. 위의 비전을 달성하기 위해서는 여전히 수많은 문제와 과제를 해결해야 합니다. 요약하자면, 현 단계에서 단순히 전통적인 클라우드 서비스를 제공한다면 프로젝트의 수익 마진은 매우 작습니다. 분석의 수요 측면에서 볼 때 대기업은 일반적으로 자체 컴퓨팅 성능을 구축하고 순수 C 엔드 개발자는 대부분 클라우드 서비스를 선택하며 중소기업의 분산 컴퓨팅 네트워크 리소스의 실제 사용이 안정적인 수요를 가질지 여부는 추가로 발굴하고 검증해야합니다. 한편, AI는 천장과 상상력이 매우 높은 광범위한 시장으로, 더 넓은 시장을 확보하기 위해서는 미래의 탈중앙 산술 서비스 제공자들도 모델/AI 서비스로 전환하고 더 많은 암호화폐+AI 사용 시나리오를 탐색하며 프로젝트가 창출할 수 있는 가치를 확장해야 합니다. 하지만 현재로서는 AI 분야로 더 발전하기 위해 여전히 많은 문제와 도전이 있습니다.

• 가격 우위가 두드러지지 않음: 이전 데이터의 비교를 통해 탈중앙화 연산 네트워크의 비용에 이점이 반영되지 않았음을 알 수 있습니다. 그 이유는 H100 및 A100과 같은 전문 칩에 대한 수요가 높기 때문에 시장 메커니즘에 따라 하드웨어의이 부분 가격이 저렴하지 않을 것이라고 결정하기 때문입니다. 또한 탈중앙화 네트워크는 유휴 연산 자원을 수집할 수 있지만, 탈중앙화로 인한 규모의 경제 부족, 높은 네트워크 및 대역폭 비용, 관리 및 운영, 유지보수 복잡성 및 기타 숨겨진 비용으로 인해 연산 비용이 더욱 증가할 것입니다.

• AI 트레이닝의 특수성: 탈중앙화를 이용한 AI 트레이닝은 현 단계에서 큰 기술적 병목현상이 있습니다. 이러한 병목 현상은 GPU의 워크플로에서 시각화할 수 있습니다. 대규모 언어 모델 훈련에서 GPU는 먼저 사전 처리된 데이터 배치를 수신하고 순방향 전파 및 역전파 계산을 수행하여 그라디언트를 생성합니다. 그런 다음 각 GPU는 그라디언트를 집계하고 모델 파라미터를 업데이트하여 모든 GPU가 동기화되도록 합니다. 이 과정은 모든 배치가 훈련되거나 미리 정해진 라운드 수에 도달할 때까지 반복됩니다. 이 과정에는 많은 데이터 전송과 동기화가 포함됩니다. 어떤 종류의 병렬 처리 및 동기화 전략을 사용할지, 네트워크 대역폭과 지연 시간을 최적화하고 통신 비용을 절감하는 방법 등에 대한 질문은 아직 제대로 답하지 못했습니다. 현 단계에서 탈중앙화된 연산 네트워크를 AI 훈련에 사용하는 것은 아직 현실적이지 않습니다.

• 데이터 보안 및 프라이버시: 대규모 언어 모델의 학습 과정에서 데이터 할당, 모델 학습, 파라미터 및 그라데이션 집계 등 데이터 처리 및 전송과 관련된 모든 링크가 데이터 보안 및 프라이버시에 영향을 미칠 수 있습니다. 그리고 데이터 프라이버시 코인 모델 프라이버시는 더 중요합니다. 데이터 프라이버시 문제를 해결하지 못하면 수요 측면에서 실제로 확장할 수 없습니다.

가장 현실적인 관점에서 탈중앙화 연산 네트워크는 현재의 수요 발굴과 미래의 시장 공간을 모두 고려해야 합니다. 초기 사용자 기반을 구축하기 위해 보다 한계적인 수요부터 시작하여 비AI 또는 웹3.0 네이티브 프로젝트를 먼저 타겟팅하는 등 올바른 제품 포지셔닝과 타겟 고객을 찾아야 합니다. 동시에 AI와 암호화폐를 결합한 다양한 시나리오를 계속 탐색하고 기술의 한계를 탐구하며 서비스의 변화와 업그레이드를 실현하세요.

참고자료

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/ 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