Sinh ra ở rìa: Mạng điện toán phi tập trung trao quyền cho tiền điện tử và AI như thế nào?

Tác giả: Jane Doe, Chen Li, tác giả tương ứng: Nhóm đầu tư Youbi

1 Sự giao thoa giữa AI và tiền điện tử

Vào ngày 23 tháng 5, gã khổng lồ chip Nvidia đã phát hành 2025 Financial báo cáo quý 1 năm tài chính. Theo báo cáo tài chính, doanh thu quý đầu tiên của Nvidia là 26 tỷ USD. Trong số đó, doanh thu của trung tâm dữ liệu tăng 427% so với năm ngoái, đạt mức đáng kinh ngạc 22,6 tỷ USD. Hiệu suất tài chính đằng sau khả năng một mình cứu thị trường chứng khoán Hoa Kỳ của Nvidia phản ánh nhu cầu bùng nổ về sức mạnh tính toán từ các công ty công nghệ toàn cầu nhằm cạnh tranh trên con đường AI. Càng có nhiều công ty công nghệ hàng đầu, tham vọng của họ trong lĩnh vực AI càng lớn. Kéo theo đó, nhu cầu về sức mạnh tính toán của các công ty này cũng tăng theo cấp số nhân. Theo dự báo của TrendForce, nhu cầu về máy chủ AI cao cấp từ bốn nhà cung cấp dịch vụ đám mây lớn của Mỹ: Microsoft, Google, AWS và Meta dự kiến ​​sẽ chiếm 20,2%, 16,6%, 16% và 16% trong tổng số nhu cầu toàn cầu tương ứng vào năm 2024. 10,8%, tổng cộng trên 60%.

Nguồn ảnh: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

 "Thiếu hụt chip" đã trở thành từ nóng trong năm trong những năm gần đây. Một mặt, việc đào tạo và suy luận các mô hình ngôn ngữ lớn (LLM) đòi hỏi một lượng lớn sức mạnh tính toán và với việc lặp lại mô hình, chi phí và nhu cầu về sức mạnh tính toán tăng theo cấp số nhân. Mặt khác, các công ty lớn như Meta sẽ mua số lượng chip khổng lồ và tài nguyên máy tính toàn cầu đang nghiêng về phía những gã khổng lồ công nghệ này, khiến các doanh nghiệp nhỏ ngày càng khó có được tài nguyên máy tính mà họ cần. Những khó khăn mà các doanh nghiệp nhỏ gặp phải không chỉ đến từ việc cung cấp chip không đủ do nhu cầu tăng cao mà còn đến từ những mâu thuẫn về cơ cấu trong nguồn cung. Hiện tại, phía nguồn cung vẫn còn một số lượng lớn GPU nhàn rỗi. Ví dụ: có một lượng lớn sức mạnh tính toán nhàn rỗi ở một số trung tâm dữ liệu (tỷ lệ sử dụng chỉ là 12% – 18%). Khai thác tiền điện tử, do lợi nhuận giảm, GPU cũng không hoạt động. Một lượng lớn tài nguyên sức mạnh tính toán được giải phóng. Mặc dù không phải tất cả sức mạnh tính toán này đều phù hợp với các tình huống ứng dụng chuyên nghiệp như đào tạo AI, phần cứng cấp độ người tiêu dùng vẫn có thể đóng một vai trò to lớn trong các lĩnh vực khác, chẳng hạn như suy luận AI, kết xuất trò chơi trên đám mây, điện thoại di động trên đám mây, v.v. Cơ hội để tích hợp và sử dụng tài nguyên máy tính này là rất lớn.

Chuyển sự chú ý của chúng tôi từ AI sang tiền điện tử, sau ba năm im hơi lặng tiếng trong thị trường tiền điện tử, cuối cùng chúng tôi đã mở ra một thị trường tăng giá khác. Giá Bitcoin đã liên tục đạt đến những mức cao mới và nhiều mức khác nhau. memecoin đã xuất hiện không ngừng. Mặc dù AI và Crypto đã trở thành những từ thông dụng phổ biến trong nhiều năm qua nhưng trí tuệ nhân tạo và blockchain, với tư cách là hai công nghệ quan trọng, giống như hai đường thẳng song song và vẫn chưa tìm được “điểm giao nhau”. Vào đầu năm nay, Vitalik đã xuất bản một bài báo có tiêu đề “Lời hứa và thách thức của các ứng dụng tiền điện tử + AI”, thảo luận về kịch bản tương lai của việc kết hợp AI và tiền điện tử. Vitalik đã đề cập đến nhiều ý tưởng trong bài viết, bao gồm việc sử dụng các công nghệ mã hóa như blockchain và MPC để phân quyền đào tạo và suy luận AI, có thể mở hộp đen của machine learning, khiến mô hình AI trở nên đáng tin cậy hơn, v.v. Vẫn còn một chặng đường dài trước khi những tầm nhìn này có thể trở thành hiện thực. Nhưng một trong những trường hợp sử dụng được Vitalik đề cập - sử dụng các ưu đãi kinh tế của tiền điện tử để trao quyền cho AI cũng là một hướng quan trọng có thể hiện thực hóa trong thời gian ngắn. Mạng điện toán phi tập trung là một trong những kịch bản phù hợp nhất cho AI + tiền điện tử ở giai đoạn này.

2 Mạng máy tính phi tập trung

Hiện nay có rất nhiều dự án đang phát triển theo hướng mạng máy tính phi tập trung. Logic cơ bản của các dự án này là tương tự nhau và có thể được tóm tắt như sau: Sử dụng mã thông báo để khuyến khích những người sở hữu sức mạnh tính toán tham gia vào mạng để cung cấp các dịch vụ sức mạnh tính toán rải rác này có thể được tập hợp thành một mạng sức mạnh tính toán phi tập trung. của một quy mô nhất định. Điều này không chỉ có thể cải thiện tỷ lệ sử dụng sức mạnh tính toán nhàn rỗi mà còn đáp ứng nhu cầu sức mạnh tính toán của khách hàng với chi phí thấp hơn, đạt được tình hình đôi bên cùng có lợi cho cả người mua và người bán.

Để giúp người đọc có thể hiểu tổng thể về con đường này trong một thời gian ngắn, bài viết này sẽ phân tích các dự án cụ thể và toàn bộ con đường này từ hai góc độ: vi mô và vĩ mô, hướng tới mục tiêu để cung cấp cho Người đọc góc nhìn phân tích để hiểu được lợi thế cạnh tranh cốt lõi của từng dự án và sự phát triển tổng thể của lộ trình sức mạnh điện toán phi tập trung. Tác giả sẽ giới thiệu và phân tích 5 dự án: Aethir, io.net, Render Network, Akash Network, Gensyn, đồng thời tóm tắt, đánh giá hiện trạng dự án và theo dõi quá trình phát triển.

 Từ khung phân tích, nếu chúng ta tập trung vào một mạng điện toán phi tập trung cụ thể, chúng ta có thể tách nó thành bốn thành phần cốt lõi:

• Mạng phần cứng: Tích hợp các tài nguyên điện toán phân tán và thực hiện việc chia sẻ và tải tài nguyên máy tính thông qua các nút được phân phối trên toàn thế giới Cân bằng là lớp cơ bản của mạng điện toán phi tập trung.

• Thị trường hai mặt: Kết nối nhà cung cấp và người yêu cầu điện toán thông qua cơ chế định giá và cơ chế khám phá hợp lý, cung cấp nền tảng giao dịch an toàn và đảm bảo Giao dịch giữa bên cung và bên cầu đều minh bạch, công bằng và đáng tin cậy.

• Cơ chế đồng thuận: Được sử dụng để đảm bảo các nút trong mạng hoạt động chính xác và hoàn thành công việc của chúng. Cơ chế đồng thuận chủ yếu được sử dụng để giám sát hai cấp độ: 1) Giám sát xem nút có đang chạy trực tuyến hay không và ở trạng thái hoạt động có thể chấp nhận nhiệm vụ bất kỳ lúc nào 2) Bằng chứng về hoạt động của nút: Sau khi nhận được nhiệm vụ, nút đã hoàn thành nhiệm vụ; một cách hiệu quả và chính xác, đồng thời sức mạnh tính toán không bị ảnh hưởng. Các quy trình và luồng được sử dụng cho các mục đích khác.

• Ưu đãi bằng mã thông báo: Mô hình mã thông báo được sử dụng để thúc đẩy nhiều người tham gia cung cấp/sử dụng dịch vụ hơn và mã thông báo được sử dụng để nắm bắt hiệu ứng mạng này. chia sẻ lợi ích cộng đồng.

Nếu bạn có cái nhìn toàn cảnh về toàn bộ đường đua sức mạnh tính toán phi tập trung, báo cáo nghiên cứu của Blockworks Research cung cấp một khung phân tích tốt. Chúng ta có thể chia các vị trí dự án của đường đua này thành. Đối với ba lớp khác nhau.

• Lớp kim loại trần: Nó tạo thành lớp cơ bản của ngăn xếp máy tính phi tập trung. các tài nguyên tính toán ban đầu và cung cấp chúng cho các cuộc gọi API.

• Lớp điều phối: Lớp giữa cấu thành ngăn xếp máy tính phi tập trung. Nhiệm vụ chính của nó là điều phối và trừu tượng hóa, đồng thời chịu trách nhiệm lập kế hoạch, mở rộng. và các hoạt động, cân bằng tải và khả năng chịu lỗi, v.v. Chức năng chính của nó là "trừu tượng hóa" sự phức tạp của việc quản lý phần cứng cơ bản, cung cấp cho người dùng cuối giao diện người dùng nâng cao hơn và phục vụ các nhóm khách hàng cụ thể.

• Lớp tổng hợp: Nó tạo thành lớp trên cùng của ngăn xếp máy tính phi tập trung. Nhiệm vụ chính của nó là tích hợp và chịu trách nhiệm cung cấp một giao diện thống nhất để đảm bảo. người dùng có thể Thực hiện nhiều tác vụ điện toán khác nhau, chẳng hạn như đào tạo AI, kết xuất, zkML, v.v. Tương đương với lớp điều phối và phân phối của nhiều dịch vụ điện toán phi tập trung.

Nguồn hình ảnh: Youbi Capital

Dựa trên hai khung phân tích trên, chúng tôi sẽ chọn ra năm khung Make a so sánh theo chiều ngang của dự án và đánh giá dự án từ bốn cấp độ - Hoạt động kinh doanh cốt lõi, định vị thị trường, cơ sở vật chất phần cứng và hiệu quả tài chính.

2.1 Hoạt động kinh doanh cốt lõi

Từ Về mặt logic cơ bản, mạng điện toán phi tập trung có tính đồng nhất cao, nghĩa là các mã thông báo được sử dụng để khuyến khích những người nắm giữ quyền lực điện toán nhàn rỗi cung cấp dịch vụ điện toán. Tập trung vào logic cơ bản này, chúng ta có thể hiểu được sự khác biệt trong hoạt động kinh doanh cốt lõi của dự án từ ba khía cạnh:

• Sức mạnh tính toán nhàn rỗi Nguồn:

• Có rất nhiều nhàn rỗi sức mạnh tính toán trên thị trường Có hai nguồn chính: 1) sức mạnh tính toán nhàn rỗi trong tay các trung tâm dữ liệu, thợ mỏ và các doanh nghiệp khác; 2) sức mạnh tính toán nhàn rỗi trong tay các nhà đầu tư bán lẻ. Sức mạnh tính toán trong trung tâm dữ liệu thường là phần cứng cấp chuyên nghiệp, trong khi các nhà đầu tư bán lẻ thường mua chip cấp tiêu dùng.

• Sức mạnh tính toán của Aethir, Akash Network và Gensyn chủ yếu được thu thập từ các doanh nghiệp. Lợi ích của việc thu thập sức mạnh tính toán từ doanh nghiệp là: 1) Doanh nghiệp và trung tâm dữ liệu thường có đội ngũ bảo trì chuyên nghiệp và phần cứng chất lượng cao hơn, hiệu suất và độ tin cậy của tài nguyên máy tính cao hơn; trung tâm dữ liệu Nguồn nhân lực có xu hướng đồng nhất hơn, đồng thời việc quản lý và giám sát tập trung giúp cho việc lập kế hoạch và bảo trì tài nguyên hiệu quả hơn. Nhưng tương ứng, phương pháp này có yêu cầu cao hơn đối với phía dự án, đòi hỏi phía dự án phải có kết nối kinh doanh với các công ty kiểm soát sức mạnh tính toán. Đồng thời, khả năng mở rộng và phân cấp sẽ bị ảnh hưởng ở một mức độ nhất định.

• Mạng kết xuất và io.net chủ yếu khuyến khích các nhà đầu tư bán lẻ cung cấp sức mạnh tính toán nhàn rỗi của họ. Lợi ích của việc thu thập sức mạnh tính toán từ các nhà đầu tư bán lẻ là: 1) Chi phí rõ ràng cho sức mạnh tính toán nhàn rỗi của các nhà đầu tư bán lẻ thấp hơn và nó có thể cung cấp các tài nguyên sức mạnh tính toán tiết kiệm hơn 2) Mạng có khả năng mở rộng và phi tập trung hơn, điều này tăng cường tính linh hoạt và độ bền của hệ thống. Điểm bất lợi là tài nguyên bán lẻ được phân bổ rộng rãi và không nhất quán, khiến việc quản lý và lập kế hoạch trở nên phức tạp, khiến việc vận hành và bảo trì trở nên khó khăn hơn. Và sẽ khó khăn hơn (khó khởi động hơn) khi dựa vào sức mạnh tính toán của các nhà đầu tư bán lẻ để hình thành các hiệu ứng mạng ban đầu. Cuối cùng, thiết bị của các nhà đầu tư bán lẻ có thể gặp nhiều rủi ro bảo mật hơn, có thể gây ra rủi ro rò rỉ dữ liệu và lạm dụng sức mạnh tính toán.

• Người tiêu dùng năng lượng tính toán

  < / li>

  • Từ góc độ của người tiêu dùng điện toán, Aethir, io.net, Gensyn's khách hàng mục tiêu chủ yếu là các doanh nghiệp. Đối với khách hàng bên B, việc kết xuất AI và trò chơi theo thời gian thực đòi hỏi yêu cầu tính toán hiệu năng cao. Những khối lượng công việc này đòi hỏi rất cao về tài nguyên máy tính, thường yêu cầu GPU cao cấp hoặc phần cứng cấp chuyên nghiệp. Ngoài ra, khách hàng bên B có yêu cầu cao về tính ổn định và độ tin cậy của tài nguyên máy tính nên họ phải cung cấp các thỏa thuận mức dịch vụ chất lượng cao để đảm bảo dự án hoạt động bình thường và cung cấp hỗ trợ kỹ thuật kịp thời. Đồng thời, chi phí di chuyển đối với khách hàng bên B là rất cao Nếu mạng phi tập trung không có SDK hoàn thiện cho phép bên dự án triển khai nhanh chóng (ví dụ: Akash Network yêu cầu người dùng phát triển dựa trên các cổng từ xa). , khách hàng sẽ khó di chuyển. Nếu không có lợi thế đáng kể về giá, mức độ sẵn sàng di chuyển của khách hàng sẽ rất thấp.

  • Mạng kết xuất và Mạng Akash chủ yếu cung cấp dịch vụ sức mạnh tính toán cho các nhà đầu tư bán lẻ. Để cung cấp dịch vụ cho người dùng C-side, dự án cần thiết kế các giao diện và công cụ đơn giản, dễ sử dụng để mang đến cho người tiêu dùng trải nghiệm tiêu dùng tốt. Và người tiêu dùng rất nhạy cảm về giá nên các dự án cần đưa ra mức giá cạnh tranh.

• Loại phần cứng

• Tài nguyên phần cứng máy tính phổ biến bao gồm CPU, FPGA, GPU, ASIC, SoC, v.v. Những phần cứng này khác nhau đáng kể về mục tiêu thiết kế, đặc tính hiệu suất và lĩnh vực ứng dụng. Tóm lại, CPU làm tốt hơn các tác vụ tính toán nói chung, ưu điểm của FPGA nằm ở khả năng xử lý và lập trình song song cao, GPU hoạt động tốt trong tính toán song song, ASIC hiệu quả nhất trong các tác vụ cụ thể và SoC tích hợp nhiều chức năng thành một, phù hợp cho các ứng dụng tích hợp cao. các ứng dụng. Việc lựa chọn phần cứng phụ thuộc vào nhu cầu của ứng dụng cụ thể, yêu cầu về hiệu suất và cân nhắc về chi phí. Hầu hết các dự án sức mạnh tính toán phi tập trung mà chúng tôi thảo luận đều thu thập sức mạnh tính toán GPU, được xác định bởi loại hình kinh doanh dự án và đặc điểm của GPU. Bởi vì GPU có những lợi thế riêng trong đào tạo AI, tính toán song song, kết xuất đa phương tiện, v.v.

• Mặc dù hầu hết các dự án này đều liên quan đến việc tích hợp GPU, nhưng các ứng dụng khác nhau lại có những yêu cầu khác nhau về thông số phần cứng nên các phần cứng này không đồng nhất về lõi và thông số. Các tham số này bao gồm tính song song/phụ thuộc nối tiếp, bộ nhớ, độ trễ, v.v. Ví dụ: khối lượng công việc kết xuất thực sự phù hợp với GPU cấp độ người tiêu dùng hơn là GPU trung tâm dữ liệu có hiệu suất mạnh hơn, vì kết xuất có yêu cầu cao về dò tia, v.v. Các chip cấp độ người tiêu dùng như 4090 có lõi RT cải tiến dành riêng cho các tác vụ dò tia Tối ưu hóa tính toán. Đào tạo và suy luận AI yêu cầu GPU cấp độ chuyên nghiệp. Do đó, Render Network có thể thu thập các GPU cấp độ người tiêu dùng như RTX 3090 và 4090 từ các nhà đầu tư bán lẻ, trong khi IO.NET cần nhiều GPU cấp độ chuyên nghiệp hơn như H100 và A100 để đáp ứng nhu cầu của các công ty khởi nghiệp AI.

2.2 Định vị thị trường

Dành cho Về mặt định vị dự án, lớp kim loại trần, lớp điều phối và lớp tổng hợp có các vấn đề cốt lõi khác nhau cần giải quyết, tập trung tối ưu hóa và khả năng nắm bắt giá trị.

• Lớp Bare metal tập trung vào việc thu thập và sử dụng các tài nguyên vật lý, còn lớp Orchestration tập trung vào việc lập kế hoạch và tối ưu hóa về sức mạnh tính toán. Phần cứng vật lý được thiết kế tối ưu theo nhu cầu của nhóm khách hàng. Lớp Tổng hợp có mục đích chung và tập trung vào việc tích hợp và trừu tượng hóa các tài nguyên khác nhau. Từ góc độ chuỗi giá trị, mỗi dự án nên bắt đầu từ cấp độ kim loại thô và phát triển dần dần.

• Từ góc độ nắm bắt giá trị, từ lớp kim loại trần, lớp điều phối đến lớp tổng hợp, khả năng nắm bắt giá trị tăng lên từng lớp. Lớp Tổng hợp có thể thu được nhiều giá trị nhất vì nền tảng tổng hợp có thể đạt được hiệu ứng mạng lớn nhất và tiếp cận trực tiếp với nhiều người dùng nhất. Nó tương đương với lối vào lưu lượng truy cập của mạng phi tập trung, do đó chiếm toàn bộ ngăn xếp quản lý tài nguyên máy tính. vị trí nắm bắt giá trị cao nhất.

• Tương ứng, việc xây dựng một nền tảng tổng hợp cũng là điều khó khăn nhất. Dự án cần giải quyết một cách toàn diện độ phức tạp về mặt kỹ thuật, quản lý tài nguyên không đồng nhất, độ tin cậy và khả năng mở rộng của hệ thống. chẳng hạn như thực hiện hiệu ứng mạng, bảo vệ an ninh và quyền riêng tư cũng như quản lý vận hành và bảo trì phức tạp. Những thách thức này không có lợi cho việc khởi đầu dự án một cách suôn sẻ và phụ thuộc vào thời gian và sự phát triển của đường ray. Khi lớp điều phối chưa đủ trưởng thành để chiếm được một thị phần nhất định thì việc xây dựng một lớp tổng hợp là không thực tế.

• Hiện tại, Aethir, Render Network, Akash Network và Gensyn đều thuộc lớp Điều phối và chúng được thiết kế để phục vụ các mục tiêu và nhóm khách hàng cụ thể < /mạnh>. Hoạt động kinh doanh chính hiện tại của Aethir là kết xuất thời gian thực cho các trò chơi trên đám mây và cung cấp các công cụ và môi trường phát triển và triển khai nhất định cho khách hàng bên B; Hoạt động kinh doanh chính của Render Network là kết xuất video và nhiệm vụ của Akash Network là cung cấp giao dịch tương tự như nền tảng Taobao và Gensyn tham gia sâu vào lĩnh vực đào tạo AI. io.net được định vị là lớp Tổng hợp, nhưng các chức năng do io triển khai vẫn còn rất xa so với các chức năng hoàn chỉnh của lớp tổng hợp. Mặc dù phần cứng của Render Network và Filecoin đã được thu thập nhưng việc trừu tượng hóa và tích hợp tài nguyên phần cứng vẫn chưa có. vẫn chưa được hoàn thành.

2.3 Cơ sở vật chất phần cứng

• Hiện tại, không phải dự án nào cũng công bố mạng For dữ liệu chi tiết, nói một cách tương đối, giao diện người dùng của io.net explorer là tốt nhất. Bạn có thể xem số lượng GPU/CPU, loại, giá, phân phối, mức sử dụng mạng, thu nhập nút và các thông số khác ở trên. Tuy nhiên, vào cuối tháng 4, front-end của io.net đã bị tấn công. Do io không thực hiện Auth trên giao diện PUT/POST nên hacker đã giả mạo dữ liệu front-end. Điều này cũng gióng lên hồi chuông cảnh báo về quyền riêng tư và độ tin cậy dữ liệu mạng của các dự án khác.

• Xét về số lượng và kiểu GPU, io.net, với tư cách là lớp tổng hợp, sẽ thu thập lượng phần cứng lớn nhất. Aethir cũng không kém xa và tình hình phần cứng của các dự án khác kém minh bạch hơn. Như bạn có thể thấy từ mô hình GPU, io có cả GPU cấp chuyên nghiệp như A100 và GPU cấp độ người tiêu dùng như 4090. Có nhiều loại, phù hợp với định vị của tập hợp io.net. io có thể chọn GPU phù hợp nhất dựa trên yêu cầu nhiệm vụ cụ thể. Tuy nhiên, các mẫu và nhãn hiệu GPU khác nhau có thể yêu cầu trình điều khiển và cấu hình khác nhau, đồng thời phần mềm cũng yêu cầu tối ưu hóa phức tạp, điều này làm tăng độ phức tạp của việc quản lý và bảo trì. Hiện tại, việc phân bổ các nhiệm vụ io khác nhau chủ yếu phụ thuộc vào sự lựa chọn độc lập của người dùng.

• Aethir đã phát hành máy khai thác của riêng mình Vào tháng 5, Aethir Edge, được phát triển và hỗ trợ bởi Qualcomm, đã chính thức ra mắt. Nó sẽ phá vỡ phương thức triển khai cụm GPU tập trung duy nhất ở xa người dùng và triển khai sức mạnh tính toán đến biên. Aethir Edge sẽ kết hợp sức mạnh tính toán cụm của H100 để cùng phục vụ các kịch bản AI. Nó có thể triển khai các mô hình đã được đào tạo và cung cấp cho người dùng các dịch vụ điện toán suy luận với chi phí tối ưu. Giải pháp này gần gũi hơn với người dùng, có dịch vụ nhanh hơn và tiết kiệm chi phí hơn.

• Từ góc độ cung cầu, lấy Akash Network làm ví dụ, số liệu thống kê của nó cho thấy tổng số CPU xấp xỉ 16k và số lượng GPU là 378. Theo đối với nhu cầu thuê mạng, Tỷ lệ sử dụng CPU và GPU lần lượt là 11,1% và 19,3%. Trong số đó, chỉ có GPU H100 cấp chuyên nghiệp có giá thuê tương đối cao, còn hầu hết các model khác đều không hoạt động. Tình trạng mà các mạng khác gặp phải nhìn chung cũng giống như Akash. Nhu cầu chung về mạng không cao. Ngoại trừ các chip phổ biến như A100 và H100, hầu hết sức mạnh tính toán khác đều không hoạt động.

• Xét về lợi thế về giá, ngoại trừ các ông lớn trên thị trường điện toán đám mây, lợi thế về chi phí không có gì vượt trội so với các nhà cung cấp dịch vụ truyền thống khác .

2.4 Hiệu suất tài chính

• Bất kể mã thông báo mô hình Cách thiết kế, một hệ thống kinh tế mã thông báo lành mạnh cần đáp ứng các điều kiện cơ bản sau: 1) Nhu cầu của người dùng đối với mạng cần được phản ánh bằng giá tiền tệ, có nghĩa là mã thông báo có thể đạt được giá trị nắm bắt 2) Mỗi ​​người tham gia, cho dù là Nhà phát triển, các nút và người dùng đều cần nhận được các ưu đãi dài hạn và công bằng; 3) Đảm bảo quản trị phi tập trung để tránh việc người trong cuộc nắm giữ quá mức; 4) Cơ chế lạm phát và giảm phát hợp lý cũng như chu kỳ phát hành mã thông báo để tránh biến động lớn về giá trị ảnh hưởng đến sự mạnh mẽ và ổn định. tính bền vững của mạng.

• Nếu mô hình mã thông báo được chia thành BME (cân bằng đốt và đúc) và SFA (cổ phần để truy cập), thì nguồn áp lực giảm phát mã thông báo trong hai mô hình này là khác nhau: Mô hình BME đốt token sau khi người dùng mua dịch vụ, do đó áp lực giảm phát lên hệ thống được xác định bởi nhu cầu. SFA yêu cầu các nhà cung cấp/nút dịch vụ phải cam kết mã thông báo đủ điều kiện để cung cấp dịch vụ, do đó áp lực giảm phát là do nguồn cung gây ra. Ưu điểm của BME là phù hợp hơn với những hàng hóa chưa được tiêu chuẩn hóa. Nhưng nếu nhu cầu về mạng không đủ, nó có thể phải đối mặt với áp lực lạm phát tiếp tục. Các mô hình mã thông báo của từng dự án khác nhau về chi tiết, nhưng nhìn chung,Aethir thiên về SFA hơn, trong khi io.net, Render Network và Akash Network thiên về BME hơn và Gensyn vẫn chưa được biết đến.

• Từ góc độ thu nhập, nhu cầu của mạng sẽ được phản ánh trực tiếp vào thu nhập chung của mạng (thu nhập của người khai thác không được thảo luận ở đây, bởi vì ngoài việc hoàn thành nhiệm vụ, những người khai thác còn nhận được thù lao và trợ cấp từ dự án.) Từ dữ liệu công khai, giá trị của io.net là cao nhất. Mặc dù doanh thu của Aethir vẫn chưa được công bố nhưng xét theo thông tin công khai, họ đã thông báo rằng họ đã ký đơn đặt hàng với nhiều khách hàng bên B.

• Xét về giá tiền tệ, hiện chỉ có Render Network và Akash Network thực hiện ICO. Aethir và io.net cũng đã phát hành tiền xu gần đây và hiệu suất giá của chúng cần được quan sát thêm, vì vậy tôi sẽ không thảo luận quá nhiều về chúng ở đây. Kế hoạch của Gensyn không rõ ràng. Đánh giá từ hai dự án phát hành tiền xu và các dự án đã phát hành tiền xu trong cùng một lộ trình nhưng không nằm trong phạm vi của bài viết này,Nói chung, mạng điện toán phi tập trung có hiệu suất giá rất bắt mắt. Bằng cấp phản ánh tiềm năng thị trường khổng lồ và kỳ vọng cao của cộng đồng.

2.5 Tóm tắt

• Mạng lưới điện toán phi tập trung tổng thể đang phát triển nhanh chóng và đã có nhiều dự án có thể dựa vào sản phẩm để phục vụ khách hàng và tạo ra một lượng thu nhập nhất định. Bài hát đã rời xa câu chuyện thuần túy và bước vào giai đoạn phát triển nơi có thể cung cấp các dịch vụ sơ bộ.

• Nhu cầu yếu là vấn đề phổ biến mà các mạng máy tính phi tập trung gặp phải và nhu cầu dài hạn của khách hàng chưa được xác minh và khai thác tốt. Tuy nhiên, phía cầu không ảnh hưởng quá nhiều đến giá tiền tệ và một số dự án phát hành tiền xu đã hoạt động tốt.

• AI là câu chuyện chính của mạng máy tính phi tập trung, nhưng nó không phải là lĩnh vực kinh doanh duy nhất. Ngoài việc được sử dụng trong đào tạo và suy luận AI, sức mạnh tính toán còn có thể được sử dụng để hiển thị thời gian thực các trò chơi trên đám mây, dịch vụ di động trên đám mây, v.v.

• Phần cứng của mạng điện toán rất không đồng nhất và chất lượng cũng như quy mô của mạng điện toán cần được cải thiện hơn nữa.

• Đối với người dùng C-end, lợi thế về chi phí không rõ ràng lắm. Đối với người dùng B-side, ngoài việc tiết kiệm chi phí, họ còn cần xem xét tính ổn định của dịch vụ, độ tin cậy, hỗ trợ kỹ thuật, tuân thủ và hỗ trợ pháp lý, v.v. Các dự án Web3 nhìn chung không làm tốt các khía cạnh này.

3 Kết thúc

Sự phát triển bùng nổ của AI chắc chắn đã kéo theo nhu cầu rất lớn về sức mạnh tính toán. Sức mạnh tính toán được sử dụng trong các nhiệm vụ đào tạo AI đã tăng theo cấp số nhân kể từ năm 2012, hiện tăng gấp đôi sau mỗi 3,5 tháng (so với Định luật Moore tăng gấp đôi sau mỗi 18 tháng). Kể từ năm 2012, nhu cầu về sức mạnh tính toán của con người đã tăng hơn 300.000 lần, vượt xa mức tăng gấp 12 lần của Định luật Moore. Theo dự báo, thị trường GPU dự kiến ​​sẽ tăng trưởng với tốc độ tăng trưởng kép hàng năm là 32% trong 5 năm tới và vượt quá 200 tỷ USD. Ước tính của AMD thậm chí còn cao hơn, khi công ty kỳ vọng thị trường chip GPU sẽ đạt 400 tỷ USD vào năm 2027.

Nguồn hình ảnh: https://www.stateof.ai/

Do trí tuệ nhân tạo và các khối lượng công việc tính toán chuyên sâu khác (chẳng hạn như kết xuất AR/VR) Sự tăng trưởng bùng nổ của điện toán đám mây đã bộc lộ sự kém hiệu quả về mặt cấu trúc trong điện toán đám mây truyền thống và các thị trường điện toán hàng đầu. Về lý thuyết, mạng điện toán phi tập trung có thể cung cấp các giải pháp linh hoạt, chi phí thấp và hiệu quả hơn bằng cách sử dụng các tài nguyên máy tính nhàn rỗi được phân phối, từ đó đáp ứng nhu cầu rất lớn của thị trường về tài nguyên máy tính. Do đó, sự kết hợp giữa tiền điện tử và AI có tiềm năng thị trường rất lớn nhưng cũng phải đối mặt với sự cạnh tranh gay gắt với các doanh nghiệp truyền thống, rào cản gia nhập cao và môi trường thị trường phức tạp. Nhìn chung, khi xem xét tất cả các xu hướng về tiền điện tử, mạng điện toán phi tập trung là một trong những lĩnh vực dọc hứa hẹn nhất trong lĩnh vực tiền điện tử để đạt được nhu cầu thực sự.

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

Tương lai tươi sáng nhưng con đường lại quanh co. Để đạt được tầm nhìn trên, chúng ta vẫn cần giải quyết nhiều vấn đề và thách thức. Tóm lại:Ở giai đoạn này, nếu chỉ cung cấp dịch vụ đám mây truyền thống thì tỷ suất lợi nhuận của dự án sẽ rất nhỏ. Phân tích từ phía nhu cầu, các doanh nghiệp lớn thường xây dựng sức mạnh tính toán của riêng họ và hầu hết các nhà phát triển bên C thuần túy đều chọn dịch vụ đám mây. Liệu các doanh nghiệp vừa và nhỏ thực sự sử dụng tài nguyên mạng sức mạnh tính toán phi tập trung có nhu cầu ổn định hay không, cần thăm dò và xác minh thêm. . Mặt khác, AI là một thị trường rộng lớn với trần cực kỳ cao và có chỗ cho trí tưởng tượng. Để tiếp cận thị trường rộng lớn hơn, các nhà cung cấp dịch vụ sức mạnh điện toán phi tập trung cũng sẽ cần chuyển đổi sang các mô hình/dịch vụ AI trong tương lai và khám phá thêm về tiền điện tử + Giải pháp AI. Sử dụng các kịch bản để mở rộng giá trị mà dự án có thể tạo ra. Nhưng hiện tại, vẫn còn nhiều vấn đề và thách thức trong việc phát triển hơn nữa sang lĩnh vực AI:

• Giá Ưu điểm Không nổi bật: Có thể thấy từ so sánh dữ liệu trước đó rằng lợi thế về chi phí của mạng điện toán phi tập trung chưa được phản ánh. Nguyên nhân có thể là do đối với những con chip chuyên nghiệp như H100, A100 đang có nhu cầu cao thì cơ chế thị trường xác định giá của bộ phận phần cứng này sẽ không hề rẻ. Ngoài ra, mặc dù các mạng phi tập trung có thể thu thập các tài nguyên điện toán nhàn rỗi, nhưng các chi phí tiềm ẩn như thiếu quy mô kinh tế do phân cấp mang lại, chi phí mạng và băng thông cao cũng như độ phức tạp về quản lý, vận hành và bảo trì sẽ tăng thêm.

• Chuyên ngành đào tạo AI: Sử dụng phương pháp tiếp cận phi tập trung để đào tạo AI có một nút thắt kỹ thuật rất lớn ở giai đoạn hiện tại. Nút thắt cổ chai này có thể được phản ánh một cách trực quan từ quy trình làm việc của GPU trong quá trình đào tạo mô hình ngôn ngữ lớn, trước tiên GPU sẽ nhận được lô dữ liệu được xử lý trước và thực hiện các phép tính lan truyền thuận và lan truyền ngược để tạo ra độ dốc. Tiếp theo, mỗi GPU tổng hợp độ dốc và cập nhật các tham số mô hình để đảm bảo rằng tất cả các GPU đều được đồng bộ hóa. Quá trình này sẽ được lặp lại cho đến khi quá trình đào tạo hoàn thành tất cả các đợt hoặc đạt đến số kỷ nguyên xác định trước. Quá trình này liên quan đến rất nhiều việc truyền và đồng bộ hóa dữ liệu. Các câu hỏi như sử dụng loại chiến lược song song và đồng bộ hóa nào, làm thế nào để tối ưu hóa băng thông và độ trễ mạng cũng như giảm chi phí liên lạc vẫn chưa được giải đáp thỏa đáng. Ở giai đoạn này, việc sử dụng mạng điện toán phi tập trung để đào tạo AI là không thực tế.

• Bảo mật và quyền riêng tư dữ liệu: Trong quá trình đào tạo các mô hình ngôn ngữ lớn, tất cả các khía cạnh liên quan đến xử lý và truyền dữ liệu, chẳng hạn như phân phối dữ liệu, đào tạo mô hình , Cả tổng hợp tham số và độ dốc đều có khả năng ảnh hưởng đến bảo mật và quyền riêng tư dữ liệu. Và quyền riêng tư của mô hình đồng xu về quyền riêng tư dữ liệu là quan trọng hơn. Nếu bạn không thể giải quyết vấn đề về quyền riêng tư dữ liệu, thì bạn thực sự không thể mở rộng quy mô về mặt nhu cầu.

Từ góc độ thực tế nhất, mạng điện toán phi tập trung cần phải tính đến cả việc phát hiện nhu cầu hiện tại và không gian thị trường trong tương lai. Xác định định vị sản phẩm và nhóm khách hàng mục tiêu, chẳng hạn như nhắm mục tiêu trước tiên vào các dự án gốc không phải AI hoặc Web3, bắt đầu với những nhu cầu tương đối nhỏ và thiết lập cơ sở người dùng sớm. Đồng thời, chúng tôi tiếp tục khám phá các kịch bản khác nhau trong đó AI và tiền điện tử được kết hợp, khám phá biên giới công nghệ và hiện thực hóa quá trình chuyển đổi và nâng cấp dịch vụ.

Tài liệu tham khảo

https://www.stateof.ai/ < /span>

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

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