NET을 'AI + DePin'이라는 개념으로 개발했습니다.

IO Research가 개발한 솔라나 기반 탈중앙화 AI 연산 플랫폼인 io.net이 최근 펀딩 라운드에서 10억 달러의 FDV 가치를 달성했습니다.

io.net은 올해 3월 멀티코인 캐피털, 6번째 맨 벤처스, 솔라나 벤처스, OKX. 벤처스, 앱토스 랩스, 델파이 디지털, 더 샌드박스, 더 샌드박스의 세바스찬 보젯이 참여했습니다.

io.net은 AI 및 머신러닝 기업을 위한 GPU 리소스 통합을 전문으로 하며, 보다 저렴한 비용과 빠른 서비스 제공을 위해 노력하고 있습니다. 작년 11월 출시 이후 io.net은 25,000개 이상의 GPU를 보유하고 있으며, AI 및 머신 러닝 기업을 위해 40,000시간 이상의 컴퓨팅을 처리했습니다.

io.net의 비전은 전 세계의 AI 및 머신 러닝 팀/기업과 강력한 GPU 리소스 간의 생태계를 구축하는 글로벌 탈중앙화 AI 컴퓨팅 네트워크를 구축하는 것입니다.

이 생태계에서는 AI 컴퓨팅 리소스가 상품화되어 더 이상 리소스 부족으로 인한 공급과 수요에 어려움을 겪지 않게 됩니다. 향후 io.net은 서버리스 추론, 클라우드 게임, 픽셀 스트리밍과 같은 고급 추론 기능과 IO 모델샵에 대한 액세스도 제공할 예정입니다.

비즈니스 배경

io.net의 비즈니스 로직을 소개하기 전에 먼저 두 가지 차원을 이해해 봅시다. 하나는 AI 컴퓨팅의 진화이고, 다른 하나는 탈중앙화 산술이 사용된 과거의 사례를 이해하는 것입니다.

AI 컴퓨팅의 진화

몇 가지 주요 시점을 기준으로 AI 컴퓨팅의 궤적을 도표화할 수 있습니다:

I. 기계 학습의 초기(1980년대 - 2000년대 초반)

이 기간 동안 기계 학습 방법은 다음과 같은 단순한 모델에 중점을 두었습니다. 의사 결정 트리, 서포트 벡터 머신(SVM) 등과 같은 단순한 모델에 집중했습니다. 이러한 모델은 계산 요구 사항이 상대적으로 낮았고 당시의 개인용 컴퓨터나 소규모 서버에서 실행할 수 있었습니다. 데이터 세트는 상대적으로 작았고 기능 엔지니어링과 모델 선택이 핵심 작업이었습니다.

시점: 1980년대~2000년대 초반

계산 요구 사항: 비교적 낮은 수준의 개인용 컴퓨터나 소형 서버로 수요를 충족할 수 있었습니다.

컴퓨팅 하드웨어: CPU가 컴퓨팅 리소스의 대부분을 차지합니다.

II. 딥러닝의 부상(2006~최근)

2006년에 딥러닝의 개념이 다시 도입되었는데, 이 시기는 Hinton et al. 의 연구로 대표되는 시기입니다. 이후 심층 신경망, 특히 컨볼루션 신경망(CNN)과 순환 신경망(RNN)이 성공적으로 적용되면서 이 분야에서 획기적인 발전이 이루어졌습니다. 이 단계에서는 특히 이미지와 음성 같은 대용량 데이터 세트를 처리할 때 컴퓨팅 리소스에 대한 수요가 크게 증가했습니다.

시점:

이미지넷 대회(2012): 이 대회에서 AlexNet의 우승은 딥러닝 역사에서 획기적인 사건으로, 이미지 인식 분야의 막대한 잠재력을 처음으로 입증한 대회였습니다. 이미지 인식 분야에서 처음으로 엄청난 잠재력을 입증한 획기적인 사건이었습니다.

알파고(2016): 구글 딥마인드의 알파고가 세계 바둑 챔피언 이세돌을 상대로 거둔 승리는 복잡한 전략 게임에서 딥러닝을 활용할 수 있다는 것을 보여줬을 뿐만 아니라 딥러닝이 매우 복잡한 문제를 해결하는 데 사용될 수 있음을 전 세계에 입증한 지금까지의 AI 역사상 최고의 하이라이트였다고 할 수 있습니다. 또한 매우 복잡한 문제를 해결할 수 있는 능력을 전 세계에 보여주었습니다.

계산 요구 사항: 복잡한 심층 신경망을 훈련하기 위해 더 강력한 컴퓨팅 리소스가 필요해짐에 따라 계산 요구 사항이 크게 증가했습니다.

컴퓨팅 하드웨어: 병렬 처리 측면에서 CPU보다 훨씬 뛰어난 GPU가 딥러닝 훈련의 핵심 하드웨어로 자리잡기 시작했습니다.

셋째: 대규모 언어 모델 시대(2018~현재). )

BERT(2018년)와 GPT 기술(2018년 이후)의 등장으로 대규모 모델이 AI의 주류를 이루기 시작했습니다. 이러한 모델은 일반적으로 수십억에서 수조 개의 매개변수를 가지고 있으며 전례 없는 수준의 컴퓨팅 리소스를 요구합니다. 이러한 모델을 훈련하려면 많은 수의 GPU 또는 더 전문화된 TPU가 필요하며, 대량의 전력 및 냉각 시설이 지원되어야 합니다.

시점: 2018년~현재.

계산 전력 요구 사항: 매우 높아서 많은 수의 GPU 또는 TPU를 확장해야 하고 적절한 인프라가 지원해야 합니다.

컴퓨팅 하드웨어: GPU와 TPU 외에도 Google의 TPU, Nvidia의 A 및 H 시리즈 등 대형 머신 러닝 모델에 최적화된 전용 하드웨어가 등장하기 시작했습니다.

컴퓨팅 하드웨어: GPU와 TPU 외에도 대형 머신 러닝 모델에 최적화된 전용 하드웨어가 등장하기 시작했습니다.

지난 30년간 AI의 컴퓨팅 파워 수요의 기하급수적인 증가를 살펴보면, 머신러닝 초기에는 컴퓨팅 파워에 대한 수요가 낮았지만 딥러닝 시대가 되면서 컴퓨팅 파워 수요가 증가했고, AI 대규모 모델은 이러한 수요를 더욱 극한으로 밀어붙였습니다. 우리는 컴퓨팅 하드웨어의 용량과 성능이 크게 증가하는 것을 목격했습니다.

이러한 성장은 기존 데이터센터의 규모 증가와 GPU와 같은 하드웨어의 성능 향상뿐만 아니라 인터넷 대기업 간의 경쟁을 공개할 만큼 높은 투자 문턱과 수익률에 대한 기대가 반영된 결과이기도 합니다.

기존 중앙집중식 GPU 컴퓨팅 파워센터의 초기 투자에는 고가의 하드웨어 구매(예: GPU 자체), 데이터센터 건설 또는 임대 비용, 냉각 시스템, 유지보수 인력 비용 등이 필요합니다.

반면, io.net이 구축한 분산형 컴퓨팅 플랫폼 프로젝트는 초기 투자 및 운영 비용을 크게 절감하여 구축 비용 측면에서 상당한 이점이 있으며, 소규모 및 마이크로 팀도 자체 AI 모델을 구축할 수 있는 가능성을 창출할 수 있습니다.

탈중앙화된 GPU 프로젝트는 하드웨어와 인프라 구축에 중앙에서 투자할 필요 없이 이미 존재하는 분산된 리소스를 활용합니다. 개인과 기업은 유휴 GPU 리소스를 네트워크에 기여하여 중앙에서 HPC 리소스를 조달하고 배포할 필요성을 줄일 수 있습니다.

둘째, 운영 비용 측면에서 기존 GPU 클러스터는 지속적인 유지보수, 전력 및 냉각 비용이 필요합니다. 반면, 분산형 GPU 프로젝트는 분산된 리소스를 활용하여 이러한 비용을 노드에 분산시킬 수 있으므로 단일 조직의 운영 부담을 줄일 수 있습니다.

io.net의 설명서에 따르면 io.net은 독립형 데이터센터, 암호화폐 채굴자, Filecoin 및 Render와 같은 기타 하드웨어 네트워크에서 활용도가 낮은 GPU 자원을 모아 운영 비용을 획기적으로 절감할 수 있습니다. 이는 Web3의 경제적 인센티브 전략과 결합하여 io.net에 상당한 가격 우위를 제공합니다.

탈중앙화 컴퓨팅

돌아보면, 과거에는 재정적 인센티브 없이도 많은 참여자를 끌어모으고 중요한 결과를 만들어내며 놀랍도록 성공한 탈중앙화 컴퓨팅 프로젝트가 있었습니다. 예를 들면 다음과 같습니다.

Folding@home: 스탠포드 대학교에서 시작한 프로젝트로, 과학자들이 질병, 특히 알츠하이머병이나 헌팅턴병과 같이 잘못 접힌 단백질과 관련된 메커니즘을 이해하기 위해 분산 컴퓨팅을 통해 단백질 접힘 과정을 시뮬레이션하는 데 도움을 주기 위해 시작되었습니다. 코로나19가 확산되는 동안 Folding@home 프로젝트는 대규모 컴퓨팅 리소스를 모아 신종 코로나바이러스를 연구하는 데 도움을 주었습니다.

BOINC(Berkeley Open Infrastructure for Network Computing)**: 천문학, 의학, 기후 과학 및 기타 여러 분야의 모든 유형의 자원 봉사 및 그리드 컴퓨팅 프로젝트를 지원하는 오픈 소스 소프트웨어 플랫폼입니다. 여러 분야를 지원합니다. 사용자는 유휴 컴퓨팅 자원을 기부하고 다양한 연구 프로젝트에 참여할 수 있습니다.

이 프로젝트들은 탈중앙화 컴퓨팅의 가능성을 증명할 뿐만 아니라 탈중앙화 컴퓨팅의 거대한 발전 잠재력을 보여줍니다.

커뮤니티를 동원하여 사용하지 않는 컴퓨팅 자원을 제공함으로써 컴퓨팅 성능을 크게 향상시킬 수 있으며, Web3의 경제 모델을 혁신적으로 통합하면 훨씬 더 경제적으로 비용 효율적일 수 있습니다.

웹3의 경험에 따르면 사용자 참여를 유도하고 유지하는 데 합리적인 인센티브 메커니즘이 필수적이라는 것을 알 수 있습니다.

인센티브 모델을 도입하면 상호 지원과 상생의 커뮤니티 환경을 구축하여 비즈니스 확장과 기술 발전의 긍정적인 순환에 더욱 기여할 수 있습니다.

따라서 io.net은 인센티브 도입을 통해 다양한 참여자들을 끌어들여 연산 능력을 기여함으로써 강력한 탈중앙화 컴퓨팅 네트워크를 형성할 수 있습니다.

Web3의 경제 모델과 탈중앙화 산술의 잠재력은 io.net에 강력한 성장 엔진을 제공하고 효율적인 리소스 활용과 비용 최적화를 가능하게 합니다. 이는 기술 혁신을 촉진할 뿐만 아니라 엄청난 성장 잠재력과 시장 공간을 가진 AI 분야의 경쟁에서 io.net을 차별화할 수 있는 가치를 참여자들에게 제공합니다.

io.net 기술

. 클러스터링

GPU 클러스터링은 여러 개의 GPU가 네트워크를 통해 연결되어 협업 컴퓨팅 클러스터를 형성하는 복잡한 연산을 의미하며, 복잡한 AI 작업의 효율성과 처리 능력을 획기적으로 개선하는 접근 방식입니다.

클러스터 컴퓨팅은 AI 모델의 학습 속도를 높일 뿐만 아니라 대규모 데이터 세트를 처리하는 능력을 향상시켜 AI 애플리케이션의 유연성과 확장성을 높여줍니다.

기존의 인터넷 AI 모델 학습에는 대규모 GPU 클러스터가 필요했습니다. 그러나 이러한 클러스터 컴퓨팅 모델을 탈중앙화로 전환할 때 여러 가지 기술적 과제가 발생합니다.

분산형 GPU 클러스터 컴퓨팅은 인터넷의 기존 AI 컴퓨팅 클러스터에 비해 다음과 같은 더 많은 문제에 직면합니다. 노드가 여러 지리적 위치에 분산되어 네트워크 지연 시간과 대역폭 제약이 발생하여 노드 간 데이터 동기화 속도에 영향을 미치고 전체 컴퓨팅에 영향을 미칠 수 있다는 점, 그리고 다음과 같은 문제가 발생할 수 있습니다.

또한 노드 간 데이터의 일관성을 유지하고 실시간으로 동기화하는 것은 계산의 정확성을 보장하는 데 매우 중요합니다. 이를 위해서는 효율적인 데이터 관리 및 동기화 메커니즘을 개발하는 탈중앙화 컴퓨팅 플랫폼이 필요합니다.

컴퓨팅 작업을 효율적으로 완료할 수 있도록 분산된 컴퓨팅 리소스를 관리하고 예약하는 방법도 분산형 클러스터 컴퓨팅이 해결해야 할 문제입니다.

io.net은 레이와 쿠버네티스를 통합하여 분산형 클러스터 컴퓨팅 플랫폼을 구축합니다.

분산 컴퓨팅 프레임워크인 Ray는 여러 노드에서 계산 작업을 직접 실행하여 데이터 처리 및 머신 러닝 모델 학습 과정을 최적화하고 작업이 여러 노드에서 효율적으로 실행되도록 보장합니다.

반면, 쿠버네티스는 이 과정에서 컨테이너 앱의 배포와 관리를 자동화하고 컴퓨팅 리소스가 수요에 따라 동적으로 할당 및 조정되도록 하는 핵심 관리 역할을 수행합니다.

이 시스템에서는 레이와 쿠버네티스의 조합으로 동적이고 탄력적인 컴퓨팅 환경을 구현할 수 있으며, 레이는 컴퓨팅 작업이 적절한 노드에서 효율적으로 실행되도록 보장하고 쿠버네티스는 노드의 추가 또는 제거를 자동으로 처리하여 전체 시스템의 안정성과 확장성을 보장합니다. 노드가 자동으로 추가되거나 제거됩니다.

이러한 시너지 효과를 통해 io.net은 데이터 처리와 모델 학습에 대한 사용자의 다양한 요구를 모두 충족하는 분산 환경에서 일관되고 안정적인 컴퓨팅 서비스를 제공할 수 있습니다.

이러한 방식으로 io.net은 리소스 사용을 최적화하고 운영 비용을 절감할 뿐만 아니라 시스템 유연성과 사용자 제어도 개선합니다. 사용자는 기본 리소스의 특정 구성 및 관리 세부 사항에 대한 걱정 없이 모든 규모의 컴퓨팅 작업을 편리하게 배포하고 관리할 수 있습니다.

이 분산형 컴퓨팅 모델은 레이와 쿠버네티스의 성능을 활용하여 io.net 플랫폼이 복잡하고 대규모 컴퓨팅 작업에 대해 매우 효율적이고 안정적으로 작동하도록 보장합니다.

개인정보

분산형 클러스터의 작업 프로비저닝 로직 사용 시나리오가 서버룸의 클러스터보다 훨씬 복잡하고 데이터 및 데이터 관리가 서버룸보다 훨씬 더 복잡하다는 사실을 감안하면 향후 이 모델을 사용할 수 있을 것입니다. 또한 분산형 클러스터는 네트워크를 통한 데이터 및 계산 작업의 전송으로 인해 잠재적인 보안 위험이 증가하므로 보안 및 개인 정보 보호도 고려해야 합니다.

io.net은 메시 사설 네트워크 채널의 탈중앙화된 특성을 활용하여 네트워크의 보안과 프라이버시를 향상시킵니다. 이러한 네트워크에서는 중앙 집중 지점이나 게이트웨이가 없기 때문에 단일 장애 지점의 위험이 크게 줄어들고, 일부 노드에 문제가 발생하더라도 전체 네트워크는 계속 작동합니다.

데이터는 메시 네트워크 내에서 여러 경로를 따라 이동하며, 데이터의 출처나 목적지를 추적하기 어렵게 만들어 사용자 익명성을 강화하는 설계입니다.

또한 패킷 스터핑 및 시간 난독화(트래픽 난독화) 등의 기술을 사용하여 메시 VPN 네트워크는 데이터 흐름의 패턴을 더욱 모호하게 만들어 도청자가 트래픽 패턴을 분석하거나 특정 사용자 또는 데이터 스트림을 식별하기 어렵게 만들 수 있습니다.

io.net의 개인정보 보호 메커니즘은 외부 관찰자가 유용한 정보를 수집하기 어렵게 만드는 복잡하고 유동적인 데이터 전송 환경을 만들기 때문에 개인정보 보호 문제를 해결하는 데 효과적입니다.

동시에 분산된 구조는 모든 데이터가 단일 지점을 통해 흐르는 위험을 방지하여 시스템의 견고성을 향상시킬 뿐만 아니라 공격 가능성도 낮춰줍니다. 동시에 데이터의 다중 경로 전송과 트래픽 난독화는 사용자 데이터 전송에 대한 추가적인 보호 계층을 제공하여 io.net 네트워크의 전반적인 개인 정보 보호를 강화합니다.

경제 모델

IO는 io.net 네트워크의 기본 암호화폐이자 프로토콜 패스이며 생태계에서 두 주요 플레이어의 요구를 충족합니다. 생태계의 두 가지 주요 플레이어인 AI 스타트업과 개발자, 그리고 연산 제공자의 요구를 충족합니다.

AI 스타트업과 개발자의 경우, IO는 클러스터 배포 비용을 간소화하고 더 쉽게 지불할 수 있도록 하며, 미국 달러에 고정된 IOSD 크레딧을 사용하여 네트워크에서 컴퓨팅 작업의 거래에 대한 비용을 지불할 수도 있습니다. io.net에 배포된 각 모델은 작은 IO 코인 거래를 통해 추론해야 합니다.

공급업체, 특히 GPU 리소스 제공자의 경우 IO 코인은 리소스에 대한 공정한 수익을 보장합니다. GPU를 임대할 때의 직접적인 이익이든, 유휴 상태일 때 네트워크 모델 추론에 참여하는 수동적인 이익이든, IO 코인은 GPU가 기여한 모든 것에 대해 보상합니다.

io.net 생태계에서 IO 코인은 지불 및 인센티브의 매개체일 뿐만 아니라 거버넌스의 핵심이기도 합니다. 이는 모델 개발, 교육, 배포 및 애플리케이션 개발의 모든 측면을 더욱 투명하고 효율적으로 만들고 참여자 간의 상호 이익을 보장합니다.

이러한 방식으로 IO 코인은 생태계 내 참여와 기여를 장려할 뿐만 아니라 AI 스타트업과 엔지니어가 AI 기술의 개발과 채택을 촉진할 수 있도록 종합적인 지원 플랫폼을 제공합니다.

io.net은 전체 생태계가 긍정적으로 순환할 수 있도록 인센티브 모델에 많은 노력을 기울이고 있습니다. io.net의 목표는 네트워크의 각 GPU 카드에 대해 달러로 표시되는 직접적인 시간당 요금을 설정하는 것입니다. 이를 위해서는 GPU/CPU 리소스에 대한 명확하고 공정하며 탈중앙화된 가격 책정 메커니즘을 제공해야 합니다.

양방향 마켓플레이스인 인센티브 모델의 핵심은 두 가지 주요 과제를 해결하기 위해 설계되었습니다: 한편으로는 AI 및 ML 연산 수요를 확장하기 위한 핵심 지표인 높은 GPU/CPU 컴퓨팅 파워 임대 비용을 낮추고, 다른 한편으로는 GPU 클라우드 서비스 제공업체에서 임대할 GPU 노드 부족 문제를 해결하는 것입니다. 문제.

따라서 설계 원칙의 수요 측면 고려 사항에는 시장에서 경쟁력 있고 매력적인 옵션을 제공하기 위한 경쟁사 가격 및 가용성, 피크 시간대 및 리소스 제약 시 가격 조정이 포함됩니다.

공급 측면에서 io.net은 게이머와 암호화폐 GPU 채굴자라는 두 가지 주요 시장에 집중하고 있습니다. 게이머는 하이엔드 하드웨어와 빠른 인터넷 연결이 가능하지만 일반적으로 GPU 카드를 하나만 가지고 있는 반면, 암호화폐 GPU 채굴자는 인터넷 연결 속도와 저장 공간에 제한이 있을 수 있지만 많은 GPU 리소스를 가지고 있습니다.

따라서 산술적 가격 모델에는 하드웨어 성능, 인터넷 대역폭, 경쟁사 가격, 공급 가용성, 피크 시간 조정, 약정 가격, 위치 차이 등 다차원적인 요소가 포함됩니다. 또한 암호화폐 채굴을 증명하기 위한 다른 작업을 수행할 때 하드웨어의 최적 수익성도 고려해야 합니다.

향후 io.net은 완전히 탈중앙화된 가격 시나리오를 제공할 뿐만 아니라 speedtest.net과 유사한 채굴기 하드웨어 벤치마킹 도구를 만들어 완전히 탈중앙화되고 공정하며 투명한 시장을 만들 것입니다.

참여 방법

io.net은 Ignition 캠페인을 시작했으며, io.net 커뮤니티 인센티브 프로그램의 첫 번째 단계인 이그니션 캠페인은 IO 네트워크의 성장을 가속화하기 위한 프로그램입니다.

이 프로그램에는 서로 완전히 독립적인 총 세 개의 인센티브 풀이 있습니다.

• 근로자 리워드(GPU)

• 갤럭시 미션 리워드

• 갤럭시 미션 리워드

• 디스코드 역할 보상(에어드랍 티어 역할)

이 세 가지 보상 풀은 다음과 같습니다. 서로 완전히 독립적이며, 참가자는 세 개의 보상 풀 각각에서 보상을 획득할 수 있으며 각 풀에 동일한 지갑을 연결할 필요가 없습니다.

GPU 노드 보상

이미 연결된 노드의 경우, 에어드랍 크레딧은 2023년 11월 4일 이후 연결된 노드의 수와 2024년 4월 25일 이후 연결된 노드의 수를 기준으로 산정됩니다. - 이그니션 캠페인이 종료되면 사용자가 획득한 모든 에어드랍 포인트는 에어드랍 보상으로 전환됩니다.

에어드랍 포인트는 다음 네 가지 방식으로 고려됩니다.

A. 작업 완료 시간 비율(RJD) 2023년 11월 4일부터 캠페인 종료일까지 고용된 총 시간. 총 시간.

B. 대역폭(BW) 대역폭 속도 범위에 따라 노드의 대역폭을 분류합니다.

저속: 다운로드 100MB/초, 업로드 75MB/초.

저속: 다운로드 100MB/초, 업로드 75MB/초.

중간 속도: 다운로드 속도 400MB/초, 업로드 속도 300MB/초.

고속: 초당 800MB 다운로드 속도.

C. GPU 모델(GPU 모델-GM)은 GPU 모델에 따라 결정되며, GPU 포인트가 많을수록 성능이 높아집니다.

D. 성공 실행 시간(가동 시간 - UT) 2023년 11월 4일 워커 접속 시작부터 캠페인 종료까지 총 성공 실행 횟수입니다.

에어드랍 포인트는 2024년 4월 1일 전후에 사용자가 확인할 수 있을 것으로 예상됩니다.

갤럭시 미션 보상(Galxe)

갤럭시 미션 연결(https://galxe. com/io.net/campaign/GCD5ot4oXPAt

디스코드 캐릭터 보상

보상은 io.net의 커뮤니티 관리팀에서 감독하며, 사용자는 Discord에서 정확한 솔라나 지갑 주소를 제출해야 합니다.

에어드랍 티어 역할은 사용자의 기여도, 활동, 콘텐츠 제작 및 기타 활동 참여도에 따라 부여됩니다.

요약

전반적으로 io.net과 유사한 탈중앙화 AI 컴퓨팅 플랫폼은 AI의 새로운 장을 열고 있습니다. 컴퓨팅의 새로운 장을 열고 있지만, 기술 구현의 복잡성, 네트워크 안정성 및 데이터 보안이라는 과제에 직면해 있습니다. 하지만 io.net은 AI 비즈니스 모델을 혁신할 수 있는 잠재력을 가지고 있습니다. 이러한 기술이 성숙하고 산술 커뮤니티가 확장됨에 따라 탈중앙화된 AI 산술은 AI 혁신과 대중화를 이끄는 핵심 동력이 될 수 있을 것으로 믿어집니다.