Nhìn IO.NET theo khái niệm “AI + DePin” từ lịch sử phát triển AI

io.net là một nền tảng điện toán AI phi tập trung dựa trên Solana do IO Research phát triển. Nó đã đạt mức định giá FDV là 1 tỷ USD trong vòng tài trợ mới nhất.

io.net đã thông báo vào tháng 3 năm nay rằng họ đã hoàn thành khoản tài trợ Series A trị giá 30 triệu đô la do Hack VC dẫn đầu, bao gồm cả Multicoin Capital và 6th Man Ventures, Solana Ventures, OKX Ventures, Aptos Labs, Delphi Digital, The Sandbox và Sebastian Borget của The Sandbox đã tham gia.

io.net tập trung vào việc tổng hợp tài nguyên GPU cho các công ty AI và máy học, đồng thời cam kết cung cấp dịch vụ với chi phí thấp hơn và thời gian giao hàng nhanh hơn. Kể từ khi ra mắt vào tháng 11 năm ngoái, io.net đã phát triển lên hơn 25.000 GPU và xử lý hơn 40.000 giờ tính toán cho các công ty trí tuệ nhân tạo và máy học.

tầm nhìn của io.net là xây dựng mạng điện toán AI phi tập trung toàn cầu, kết nối các nhóm/doanh nghiệp AI và machine learning với tài nguyên GPU mạnh mẽ trên toàn thế giới. Xây dựng một hệ sinh thái .

Trong hệ sinh thái này, tài nguyên điện toán AI đã trở thành hàng hóa và cả bên cung và bên cầu đều không còn gặp rắc rối vì thiếu tài nguyên nữa. Trong tương lai, io.net cũng sẽ cung cấp quyền truy cập vào các cửa hàng mô hình IO và các khả năng suy luận nâng cao như suy luận không có máy chủ, trò chơi trên đám mây và dịch vụ truyền phát pixel.

Nền tảng kinh doanh

Trước khi giới thiệu logic kinh doanh của io.net, trước tiên chúng ta cần hiểu đường đi của sức mạnh tính toán phi tập trung từ hai chiều: một là lịch sử phát triển của điện toán AI và chiều thứ hai là hiểu việc sử dụng điện toán phi tập trung trong quá khứ . trường hợp bắt buộc.

Lịch sử phát triển của điện toán AI

Chúng ta có thể mô tả quỹ đạo phát triển của điện toán AI từ một số thời điểm quan trọng:

1. Những ngày đầu của học máy ( Những năm 1980 - Đầu những năm 2000)

Trong thời kỳ này, các phương pháp học máy chủ yếu tập trung vào các mô hình đơn giản hơn, chẳng hạn như cây quyết định và máy vectơ hỗ trợ (SVM) . )Chờ đợi. Những mô hình này có yêu cầu tính toán tương đối thấp và có thể chạy trên các máy tính cá nhân hoặc máy chủ nhỏ hiện nay. Tập dữ liệu tương đối nhỏ và việc lựa chọn mô hình cũng như kỹ thuật tính năng là những nhiệm vụ chính.

Thời điểm: những năm 1980 đến đầu những năm 2000

Yêu cầu về năng lực tính toán: tương đối thấp, mang tính cá nhân máy tính hoặc một máy chủ nhỏ sẽ đủ.

Phần cứng máy tính: CPU thống trị tài nguyên máy tính.

2. Sự trỗi dậy của học sâu (giai đoạn 2006-gần đây)

Năm 2006, khái niệm deep learning được giới thiệu lại và giai đoạn này được đánh dấu bằng nghiên cứu của Hinton et al. Sau đó, việc ứng dụng thành công mạng nơ-ron sâu, đặc biệt là mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN), đã đánh dấu một bước đột phá trong lĩnh vực này. Nhu cầu về tài nguyên máy tính tăng lên đáng kể ở giai đoạn này, đặc biệt là khi xử lý các tập dữ liệu lớn như hình ảnh và giọng nói.

Thời điểm:

Cuộc thi ImageNet (2012): AlexNet trong cuộc thi này Chiến thắng là một sự kiện mang tính bước ngoặt trong lịch sử học sâu, lần đầu tiên chứng minh tiềm năng to lớn của học sâu trong lĩnh vực nhận dạng hình ảnh.

AlphaGo (2016): AlphaGo của Google DeepMind đã đánh bại nhà vô địch cờ vây thế giới Lee Sedol. Đây có lẽ là khoảnh khắc tỏa sáng nhất của AI cho đến nay. Nó không chỉ thể hiện sức mạnh của deep learning Ứng dụng của nó trong các trò chơi chiến lược phức tạp cũng đã chứng minh cho thế giới thấy khả năng giải quyết các vấn đề cực kỳ phức tạp của nó.

Yêu cầu về sức mạnh tính toán: tăng đáng kể, đòi hỏi tài nguyên tính toán mạnh hơn để đào tạo các mạng nơ-ron sâu phức tạp.

Phần cứng máy tính: GPU đang bắt đầu trở thành phần cứng quan trọng cho đào tạo deep learning vì chúng tốt hơn nhiều so với CPU trong xử lý song song.

3. Thời đại của các mô hình ngôn ngữ quy mô lớn (2018 đến nay)

Với sự xuất hiện của công nghệ BERT (2018) và GPT (sau 2018), các mô hình lớn đã bắt đầu thống trị đường đua AI. Những mô hình này thường có hàng tỷ đến hàng nghìn tỷ tham số, đặt ra những yêu cầu chưa từng có về tài nguyên máy tính. Việc đào tạo các mô hình này đòi hỏi một số lượng lớn GPU hoặc TPU chuyên dụng hơn, cũng như một lượng lớn năng lượng và thiết bị làm mát.

Thời điểm: 2018 đến nay.

Yêu cầu về năng lực tính toán: cực kỳ cao, yêu cầu số lượng lớn GPU hoặc TPU để đạt được quy mô và được bổ sung bằng sự hỗ trợ cơ sở hạ tầng tương ứng.

Phần cứng máy tính: Ngoài GPU và TPU, phần cứng chuyên dụng để tối ưu hóa các mô hình machine learning lớn đã bắt đầu xuất hiện, chẳng hạn như TPU của Google, dòng A và H của Nvidia Chờ đợi.

Đánh giá từ sự tăng trưởng theo cấp số nhân của nhu cầu về sức mạnh tính toán của AI trong 30 năm qua, nhu cầu về sức mạnh tính toán trong học máy ban đầu là thấp và kỷ nguyên của deep learning đã làm tăng nhu cầu về sức mạnh tính toán, nhu cầu về sức mạnh tính toán và các mô hình AI quy mô lớn càng đẩy nhu cầu này lên đến đỉnh điểm. Chúng ta đã chứng kiến ​​những cải tiến đáng kể về phần cứng máy tính từ số lượng đến hiệu năng.

Sự tăng trưởng này không chỉ thể hiện ở việc mở rộng các trung tâm dữ liệu truyền thống và cải thiện hiệu suất phần cứng như GPU mà còn ở ngưỡng đầu tư cao và lợi nhuận cao kỳ vọng, đủ để khiến cuộc chiến giữa các gã khổng lồ Internet trở nên công khai.

Trung tâm điện toán GPU tập trung truyền thống, khoản đầu tư ban đầu đòi hỏi phải mua sắm phần cứng đắt tiền (chẳng hạn như chính GPU), chi phí xây dựng hoặc thuê trung tâm dữ liệu, hệ thống làm mát và nhân viên bảo trì chi phí.

Ngược lại, dự án nền tảng điện toán phi tập trung do io.net thành lập có lợi thế rõ ràng về chi phí xây dựng, có thể giảm đáng kể chi phí đầu tư và vận hành ban đầu. các nhóm nhỏ và siêu nhỏ có thể xây dựng mô hình AI của riêng họ.

Các dự án GPU phi tập trung tận dụng các tài nguyên phân tán hiện có và không yêu cầu đầu tư tập trung vào xây dựng phần cứng và cơ sở hạ tầng. Các cá nhân và doanh nghiệp có thể đóng góp tài nguyên GPU nhàn rỗi vào mạng, giảm nhu cầu mua sắm tập trung và triển khai tài nguyên điện toán hiệu suất cao.

Thứ hai, về mặt chi phí vận hành, các cụm GPU truyền thống đòi hỏi chi phí bảo trì, điện năng và làm mát liên tục. Bằng cách sử dụng các tài nguyên phân tán, các dự án GPU phi tập trung có thể phân bổ các chi phí này cho các nút khác nhau, từ đó giảm bớt gánh nặng hoạt động của một tổ chức.

Theo tài liệu của io.net, io.net tổng hợp dữ liệu chưa được sử dụng đúng mức từ các trung tâm dữ liệu độc lập, công cụ khai thác tiền điện tử và các mạng phần cứng khác như Filecoin và Render. Tài nguyên GPU giảm đáng kể chi phí vận hành. Cùng với chiến lược khuyến khích kinh tế của Web3, io.net có lợi thế lớn về giá cả.

Máy tính phi tập trung

Nhìn lại lịch sử, quả thực đã có một số sự phân quyền trong quá khứ Dự án điện toán đã thành công rực rỡ, thu hút số lượng lớn người tham gia và tạo ra những kết quả quan trọng mà không cần khuyến khích tài chính. Ví dụ:

Folding@home: Đây là dự án do Đại học Stanford khởi xướng, nhằm mục đích mô phỏng quá trình gấp protein thông qua điện toán phân tán và giúp các nhà khoa học hiểu được cơ chế của bệnh tật, đặc biệt là các bệnh liên quan đến việc gấp protein không đúng cách như bệnh Alzheimer, bệnh Huntington, v.v. Trong thời gian xảy ra dịch bệnh COVID-19, dự án Folding@home đã thu thập các nguồn tài nguyên điện toán khổng lồ để giúp nghiên cứu loại vi-rút Corona mới.

BOINC (Cơ sở hạ tầng mở cho máy tính mạng của Berkeley)**: Đây là một nền tảng phần mềm nguồn mở hỗ trợ nhiều loại dự án tình nguyện và điện toán lưới, bao gồm Thiên văn học, y học, khoa học khí hậu và nhiều lĩnh vực khác. Người dùng có thể đóng góp tài nguyên máy tính nhàn rỗi và tham gia vào các dự án nghiên cứu khoa học khác nhau.

Những dự án này không chỉ chứng minh tính khả thi của điện toán phi tập trung mà còn chứng minh tiềm năng phát triển to lớn của điện toán phi tập trung.

Bằng cách huy động tất cả các thành phần trong xã hội đóng góp các tài nguyên máy tính chưa sử dụng, sức mạnh tính toán có thể được nâng cao đáng kể. Nếu mô hình kinh tế Web3 được bổ sung một cách đổi mới, nó cũng có thể mang lại hiệu quả kinh tế hiệu quả chi phí cao hơn. Trải nghiệm Web3 cho thấy cần có cơ chế khuyến khích hợp lý để thu hút và duy trì sự tham gia của người dùng.

Bằng cách giới thiệu một mô hình khuyến khích, có thể xây dựng được một môi trường cộng đồng hỗ trợ lẫn nhau và đôi bên cùng có lợi, điều này có thể thúc đẩy hơn nữa việc mở rộng quy mô kinh doanh và thúc đẩy tiến bộ công nghệ trong một chu kỳ tích cực.

Do đó, io.net có thể thu hút nhiều người tham gia thông qua việc đưa ra các cơ chế khuyến khích để cùng đóng góp sức mạnh tính toán và hình thành một mạng tính toán phi tập trung mạnh mẽ.

Mô hình kinh tế và tiềm năng sức mạnh tính toán phi tập trung của Web3 mang lại cho io.net động lực tăng trưởng mạnh mẽ và cho phép sử dụng tài nguyên hiệu quả cũng như tối ưu hóa chi phí. Điều này không chỉ thúc đẩy đổi mới công nghệ mà còn mang lại giá trị cho người tham gia, có thể khiến io.net nổi bật so với đối thủ trong lĩnh vực AI và có tiềm năng phát triển cũng như không gian thị trường rất lớn.

công nghệ io.net

Cụm

Cụm GPU đề cập đến các phép tính phức tạp kết hợp nhiều GPU được kết nối hình thành cụm điện toán hợp tác, phương pháp này cải thiện đáng kể hiệu quả và khả năng xử lý các tác vụ AI phức tạp.

Điện toán cụm không chỉ tăng tốc độ đào tạo các mô hình AI mà còn nâng cao khả năng xử lý các tập dữ liệu quy mô lớn, giúp các ứng dụng AI linh hoạt hơn và có khả năng mở rộng hơn.

Trong quá trình đào tạo các mô hình AI trên Internet truyền thống, cần có các cụm GPU quy mô lớn. Tuy nhiên, khi chúng tôi xem xét việc chuyển mô hình điện toán cụm này sang phân cấp, một loạt thách thức kỹ thuật đã xuất hiện.

So với các cụm điện toán AI của các công ty Internet truyền thống, điện toán cụm GPU phi tập trung sẽ gặp nhiều vấn đề hơn, chẳng hạn như: các nút có thể được phân bổ ở những nơi khác nhau. gây ra độ trễ mạng và hạn chế băng thông, có thể ảnh hưởng đến tốc độ đồng bộ hóa dữ liệu giữa các nút, do đó ảnh hưởng đến hiệu quả tính toán tổng thể.

Ngoài ra, cách duy trì tính nhất quán và đồng bộ hóa dữ liệu theo thời gian thực giữa các nút khác nhau cũng rất quan trọng để đảm bảo tính chính xác của kết quả tính toán. Do đó, điều này đòi hỏi các nền tảng điện toán phi tập trung phải phát triển các cơ chế đồng bộ hóa và quản lý dữ liệu hiệu quả.

Cách quản lý và lên lịch các tài nguyên điện toán phân tán để đảm bảo các tác vụ điện toán có thể được hoàn thành một cách hiệu quả cũng là một vấn đề cần được giải quyết trong điện toán cụm phi tập trung.

io.net xây dựng nền tảng điện toán cụm phi tập trung bằng cách tích hợp Ray và Kubernetes.

Là một khung điện toán phân tán, Ray chịu trách nhiệm trực tiếp thực hiện các tác vụ tính toán trên nhiều nút. Nó tối ưu hóa quy trình đào tạo mô hình học máy và xử lý dữ liệu để đảm bảo Điều này đảm bảo nhiệm vụ đó chạy hiệu quả trên mỗi nút.

Kubernetes đóng vai trò quản lý chính trong quy trình này. Nó tự động hóa việc triển khai và quản lý các ứng dụng vùng chứa, đồng thời đảm bảo rằng tài nguyên máy tính được triển khai linh hoạt theo nhu cầu. Phân bổ và điều chỉnh.

Trong hệ thống này, sự kết hợp giữa Ray và Kubernetes tạo ra một môi trường điện toán năng động và linh hoạt. Ray đảm bảo rằng các tác vụ điện toán có thể được thực thi một cách hiệu quả trên các nút thích hợp, trong khi Kubernetes đảm bảo tính ổn định và khả năng mở rộng của toàn bộ hệ thống, tự động xử lý việc thêm hoặc loại bỏ các nút.

Sức mạnh tổng hợp này cho phép io.net cung cấp các dịch vụ điện toán mạch lạc và đáng tin cậy trong môi trường phi tập trung, cho dù về mặt xử lý dữ liệu hay đào tạo mô hình, có thể đáp ứng các nhu cầu đa dạng của người dùng.

Bằng cách này, io.net không chỉ tối ưu hóa việc sử dụng tài nguyên và giảm chi phí vận hành mà còn cải thiện tính linh hoạt của hệ thống và khả năng kiểm soát của người dùng. Người dùng có thể dễ dàng triển khai và quản lý các tác vụ điện toán ở nhiều quy mô khác nhau mà không phải lo lắng về chi tiết quản lý và cấu hình cụ thể của các tài nguyên cơ bản.

Mô hình điện toán phi tập trung này, với sự trợ giúp của các chức năng mạnh mẽ của Ray và Kubernetes, đảm bảo rằng nền tảng io.net có thể xử lý các tác vụ điện toán phức tạp và quy mô lớn . Hiệu quả và độ tin cậy.

Quyền riêng tư

Vì các kịch bản sử dụng logic phân bổ nhiệm vụ của cụm phi tập trung phức tạp hơn nhiều so với logic cụm trong phòng máy tính và do việc truyền dữ liệu và các tác vụ điện toán trong mạng làm tăng rủi ro bảo mật tiềm ẩn nên cụm phi tập trung cũng cần cân nhắc bảo vệ an ninh và quyền riêng tư.

io.net cải thiện tính bảo mật và quyền riêng tư của mạng bằng cách tận dụng tính chất phi tập trung của các kênh mạng riêng dạng lưới. Trong mạng như vậy, do không có điểm hoặc cổng tập trung trung tâm nên nguy cơ xảy ra lỗi ở một điểm duy nhất sẽ giảm đáng kể và ngay cả khi một số nút gặp sự cố, toàn bộ mạng vẫn có thể tiếp tục hoạt động.

Dữ liệu được truyền dọc theo nhiều đường dẫn trong mạng lưới. Thiết kế này làm tăng khó khăn trong việc theo dõi nguồn hoặc đích của dữ liệu, từ đó nâng cao tính ẩn danh của người dùng. .

Ngoài ra, bằng cách sử dụng các kỹ thuật như nhồi gói và làm xáo trộn thời gian (Traffic Obfuscation), mạng VPN dạng lưới có thể che khuất hơn nữa các mẫu luồng dữ liệu, giúp những kẻ nghe lén dễ dàng hơn Khó khăn trong việc phân tích các mẫu lưu lượng truy cập hoặc xác định người dùng hoặc luồng dữ liệu cụ thể.

Cơ chế bảo mật của io.net có thể giải quyết hiệu quả các vấn đề về quyền riêng tư vì chúng cùng nhau xây dựng một môi trường truyền dữ liệu phức tạp và có thể thay đổi, khiến cho việc quan sát bên ngoài khó có thể hữu ích cho người đọc thông tin.

Đồng thời, cấu trúc phi tập trung tránh rủi ro tất cả dữ liệu chảy qua một điểm. Thiết kế này không chỉ cải thiện tính mạnh mẽ của hệ thống mà còn giảm nguy cơ bị tấn công. Đồng thời, việc truyền dữ liệu đa đường và chiến lược làm xáo trộn lưu lượng truy cập cùng nhau cung cấp một lớp bảo vệ bổ sung cho việc truyền dữ liệu của người dùng, nâng cao tính riêng tư chung của mạng io.net.

Mô hình kinh tế

IO là tiền điện tử và mã thông báo giao thức gốc của mạng io.net, có thể đáp ứng nhu cầu của hai thực thể chính trong hệ sinh thái: các nhà phát triển và khởi nghiệp AI cũng như các nhà cung cấp năng lượng điện toán.

Đối với các nhà phát triển và khởi nghiệp AI, IO đơn giản hóa quy trình thanh toán để triển khai cụm và làm cho quy trình này thuận tiện hơn; họ cũng có thể sử dụng Tín dụng iOSD được chốt bằng USD cho phí giao dịch để trả tiền cho các nhiệm vụ tính toán trên mạng. Mọi mô hình được triển khai trên io.net đều yêu cầu suy luận thông qua các giao dịch tiền xu IO nhỏ.

Đối với các nhà cung cấp, đặc biệt là nhà cung cấp tài nguyên GPU, tiền IO đảm bảo rằng tài nguyên của họ nhận được lợi nhuận công bằng. Cho dù đó là thu nhập trực tiếp khi thuê GPU hay thu nhập thụ động từ việc tham gia suy luận mô hình mạng khi không hoạt động, tiền IO đều cung cấp phần thưởng cho mỗi đóng góp của GPU.

Trong hệ sinh thái io.net, tiền IO không chỉ là phương tiện thanh toán và khuyến khích mà còn là chìa khóa quản trị. Nó làm cho mọi khía cạnh của việc phát triển mô hình, đào tạo, triển khai và phát triển ứng dụng trở nên minh bạch và hiệu quả hơn, đồng thời đảm bảo lợi ích chung và đôi bên cùng có lợi giữa những người tham gia.

Bằng cách này, IO Coin không chỉ khuyến khích sự tham gia và đóng góp trong hệ sinh thái mà còn cung cấp nền tảng hỗ trợ toàn diện cho các kỹ sư và công ty khởi nghiệp AI, Thúc đẩy sự phát triển và ứng dụng công nghệ AI.

io.net đã làm việc chăm chỉ trên mô hình khuyến khích để đảm bảo rằng toàn bộ hệ sinh thái có thể lưu thông theo hướng tích cực. Mục tiêu của io.net là thiết lập mức giá trực tiếp hàng giờ bằng USD cho mỗi thẻ GPU trong mạng. Điều này đòi hỏi phải cung cấp cơ chế định giá rõ ràng, công bằng và phi tập trung cho tài nguyên GPU/CPU.

Là thị trường hai mặt, mấu chốt cốt lõi của mô hình khuyến khích là giải quyết hai thách thức lớn: một mặt, nó giúp giảm chi phí thuê cao Sức mạnh tính toán GPU/CPU, là Mở rộng các chỉ số chính về nhu cầu sức mạnh tính toán AI và ML; mặt khác, giải quyết tình trạng thiếu nút GPU thuê giữa các nhà cung cấp dịch vụ đám mây GPU.

Vì vậy, trong nguyên tắc thiết kế, các cân nhắc về phía cầu bao gồm giá cả và tính sẵn có của đối thủ cạnh tranh để cung cấp lựa chọn cạnh tranh và hấp dẫn trên thị trường và Điều chỉnh giá trong thời gian cao điểm và khi nguồn lực đang chặt chẽ.

Về mặt cung cấp năng lượng điện toán, io.net tập trung vào hai thị trường chính: game thủ và công cụ khai thác GPU tiền điện tử. Game thủ có phần cứng cao cấp và kết nối Internet nhanh nhưng thường chỉ sở hữu card GPU; những người khai thác tiền điện tử bằng GPU có tài nguyên GPU khổng lồ, mặc dù có thể gặp những hạn chế về tốc độ kết nối Internet và dung lượng lưu trữ.

Do đó, mô hình định giá sức mạnh điện toán bao gồm các yếu tố đa chiều như hiệu suất phần cứng, băng thông Internet, giá của đối thủ cạnh tranh, tính sẵn có của nguồn cung, điều chỉnh giờ cao điểm, giá cam kết và sự khác biệt về vị trí. Ngoài ra, cũng cần phải xem xét lợi nhuận tối ưu của việc khai thác phần cứng đối với các loại tiền điện tử bằng chứng công việc khác.

Trong tương lai, io.net sẽ tiếp tục cung cấp giải pháp định giá phi tập trung hoàn toàn và tạo ra một công cụ kiểm tra điểm chuẩn tương tự như speedtest.net cho phần cứng máy đào. Tạo một công cụ kiểm tra điểm chuẩn hoàn toàn thị trường phi tập trung, công bằng và minh bạch.

Cách tham gia

io.net đã phát động sự kiện Ignition, là giai đoạn đầu tiên của kế hoạch khuyến khích cộng đồng io.net nhằm đẩy nhanh sự phát triển của mạng IO.

Kế hoạch này có tổng cộngba nhóm phần thưởng hoàn toàn độc lập với nhau.

• Phần thưởng cho nhân viên (GPU)

• Phần thưởng nhiệm vụ Galaxy

• Phần thưởng vai trò Discord (Vai trò cấp Airdrop)

Những ba nhóm phần thưởng này hoàn toàn độc lập. Người tham gia có thể chọn từ ba nhóm phần thưởng này một cách tương ứng. Kiếm phần thưởng và quyên góp không cần liên kết cùng một ví với mỗi nhóm phần thưởng.

Phần thưởng nút GPU

Đối với các nút đã được kết nối, điểm airdrop sẽ được tính từ ngày 4 tháng 11 năm 2023 đến khi kết thúc sự kiện vào ngày 25 tháng 4 năm 2024. Khi kết thúc sự kiện Đánh lửa, tất cả điểm airdrop mà người dùng kiếm được sẽ được chuyển đổi thành phần thưởng airdrop.

Điểm airdrop sẽ xem xét bốn khía cạnh:

A. Thời gian làm việc (Tỷ lệ công việc Số giờ đã hoàn thành - RJD) Tổng thời gian làm việc từ ngày 4 tháng 11 năm 2023 đến khi kết thúc sự kiện.

B. Băng thông (Bandwidth - BW) phân loại băng thông của các nút theo phạm vi tốc độ băng thông:

Tốc độ thấp: tốc độ tải xuống 100MB/giây, tốc độ tải lên 75MB/giây.

Tốc độ trung bình: tốc độ tải xuống 400MB/giây, tốc độ tải lên 300MB/giây.

Tốc độ cao: tốc độ tải xuống 800MB/giây.

C. Model GPU (GPU Model - GM) sẽ được xác định dựa trên model GPU. Hiệu năng của GPU càng cao thì càng được nhiều điểm lấy.

D. Thời gian chạy thành công (Uptime - UT) Tổng thời gian chạy thành công từ khi bắt đầu truy cập Worker vào ngày 4/11/2023 đến khi kết thúc sự kiện .

Điều đáng chú ý là điểm airdrop dự kiến ​​sẽ có sẵn để người dùng xem vào khoảng ngày 1 tháng 4 năm 2024.

Phần thưởng Nhiệm vụ Thiên hà (Galxe)

Địa chỉ kết nối sứ mệnh thiên hà https://galxe.com/io.net/campaign/GCD5ot4oXPAt

Phần thưởng vai trò Discord

Phần thưởng này sẽ được nhóm quản lý cộng đồng của io.net giám sát và yêu cầu người dùng gửi đúng vai trò trong Discord Địa chỉ ví Solana.

Cấp Vai trò Cấp Airdrop tương ứng sẽ đạt được dựa trên sự đóng góp, hoạt động, sáng tạo nội dung và các hoạt động khác của người dùng.

Tóm tắt

Nhìn chung, io.net và các nền tảng điện toán AI phi tập trung tương tự đang mở ra một chương mới trong điện toán AI, mặc dù chúng cũng đang phải đối mặt với những thách thức về độ phức tạp của việc triển khai kỹ thuật, độ ổn định của mạng và bảo mật dữ liệu. Nhưng io.net có tiềm năng cách mạng hóa mô hình kinh doanh AI. Người ta tin rằng khi các công nghệ này trưởng thành và cộng đồng sức mạnh tính toán mở rộng, sức mạnh tính toán AI phi tập trung có thể trở thành động lực chính trong việc thúc đẩy đổi mới và phổ biến AI.