أليكس شو - مشاريع النعناع

وقت النشر الأصلي: 2024-04-08 10:23

الرابط الأصلي: https://research.mintventures.fund/2024/04/08/zh-a-new-solana-based-ai-depin-project-a-brief-analogy-of-upcoming-tokenlaunch-io-net /

مقدمة

في مقالتي الأخيرة، ذكرت أنه بالمقارنة مع الدورتين السابقتين، تفتقر دورة سوق العملات المشفرة الصاعدة هذه إلى أعمال جديدة مؤثرة بما فيه الكفاية وسرد أصول جديدة. الذكاء الاصطناعي هو أحد الروايات الجديدة القليلة في هذه الجولة من مجال Web3. سيحاول مؤلف هذه المقالة فرز أفكاري حول المسألتين التاليتين بناءً على مشروع الذكاء الاصطناعي الساخن لهذا العام IO.NET:

  • ضرورة AI+Web3 تجاريًا

  • ضرورة وخيارات منصة الخدمات الحاسوبية الموزعة

ثانيًا، سيستعرض الكاتب المشاريع التمثيلية في مجال القدرة الحاسوبية الموزعة للذكاء الاصطناعي: المعلومات الأساسية لمشروع IO.NET، بما في ذلك منطق المنتج، والوضع التنافسي، وخلفية المشروع، ثم سيجري استنتاجًا لتقدير قيمة المشروع.

أفكار هذا القسم المتعلق بدمج AI وWeb3 استُلهمت من ما كتبه الباحث Michael rinko في Delphi Digital بعنوان (The Real Merge). وبعض آراء هذه المقالة تستند إلى استيعاب ذلك المقال والاستشهاد به، وننصح القراء بقراءة النص الأصلي.

هذا المقال يمثل أفكار الكاتب المرحلية حتى وقت النشر، وقد تتغير مستقبلًا، كما أن الآراء ذاتية بدرجة كبيرة، وقد تتضمن أيضًا أخطاء في الوقائع أو البيانات أو المنطق الاستدلالي؛ لذا لا يُرجى اعتباره مرجعًا استثماريًا، ونرحب بالنقد والنقاش من الزملاء في المجال.

فيما يلي النص الرئيسي.

1. المنطق التجاري: نقطة التقاء AI وWeb3

1.1 2023: “عام المعجزة” الجديد الذي صنعته AI

عند مراجعة تاريخ تطور البشرية، يتضح أنه بمجرد أن تحقق التكنولوجيا تقدمًا اختراقيًا، فإن كل شيء، من الحياة اليومية للأفراد إلى مختلف الصناعات، وصولًا إلى الحضارة البشرية بأكملها، يتغير معها جذريًا.

يوجد في التاريخ البشري عامان مهمان، هما 1666 و1905، ويُشار إليهما اليوم بوصفهما “عامي المعجزة” الكبيرين في تاريخ التكنولوجيا.

كان عام 1666 عامًا معجزًا لأن منجزات نيوتن العلمية ظهرت فيه بشكل متكاثف. ففي ذلك العام أرسى فرع البصريات في الفيزياء، وأنشأ فرع حساب التفاضل والتكامل في الرياضيات، واستنتج قانون الجاذبية الذي يعد من القوانين الأساسية للعلوم الطبيعية الحديثة. وكل واحدة من هذه الإنجازات كانت إسهامًا تأسيسيًا في تطور العلوم البشرية خلال المئة سنة التالية، وسرّعت التطور العلمي الشامل بشكل كبير.

أما عام المعجزة الثاني فهو 1905؛ حينها نشر أينشتاين، وكان يبلغ 26 عامًا فقط، أربع أوراق بحثية متتالية في (حوليات الفيزياء)، تناولت التأثير الكهروضوئي (الذي مهّد لميكانيكا الكم)، والحركة البراونية (التي أصبحت مرجعًا مهمًا لتحليل العمليات العشوائية)، والنسبية الخاصة، ومعادلة الكتلة-الطاقة (أي الصيغة الشهيرة E=MC^2). ووفقًا للتقييمات اللاحقة، فإن كل واحدة من هذه الأوراق الأربع تجاوزت متوسط مستوى ما كان يستحقه نوبل في الفيزياء (وقد حصل أينشتاين نفسه على نوبل بسبب ورقته عن التأثير الكهروضوئي)، وقد دفعت هذه الأوراق مسار الحضارة البشرية خطوات كبيرة إلى الأمام مرة أخرى.

والعام 2023 الذي مضى للتو، من المرجح جدًا أن يُعرف أيضًا بأنه “عام معجزة” آخر بسبب ChatGPT.

نعتبر عام 2023 بمثابة “عام معجزة” في تاريخ التكنولوجيا البشرية؛ ليس فقط بسبب التقدم الهائل الذي حققه GPT في فهم اللغة الطبيعية وتوليدها، بل أيضًا لأن البشرية من خلال تطور GPT فهمت قانون نمو قدرات النماذج اللغوية الكبيرة—أي إن توسيع عدد معاملات النموذج وبيانات التدريب يمكن أن يرفع قدرات النموذج بشكل أُسّي—ولم تظهر لهذه العملية، على المدى القصير، أي اختناقات واضحة حتى الآن (ما دام أن القدرة الحاسوبية كافية).

ولا تقتصر هذه القدرة على فهم اللغة وتوليد المحادثة، بل يمكن استخدامها أيضًا على نطاق واسع في مختلف المجالات التقنية؛ فعلى سبيل المثال، تطبيقات النماذج اللغوية الكبيرة في المجال البيولوجي:

  • في عام 2018، قال فرانسيس أرنولد، الحاصل على جائزة نوبل في الكيمياء، في مراسم التكريم: “اليوم يمكننا عمليًا قراءة أي تسلسل DNA وكتابته وتعديله، لكننا ما زلنا غير قادرين على تأليفه (compose it)”. وبعد خمس سنوات فقط من ذلك الكلام، أي في 2023، نشر باحثون من جامعة ستانفورد وشركة Salesforce Research الناشئة في وادي السيليكون والمتخصصة في AI، ورقة في مجلة (Nature Biotechnology)، استخدموا فيها نموذج لغة كبيرًا مضبوطًا بالاعتماد على GPT-3 ليخلقوا من الصفر مليون نوع جديد من البروتينات، ثم وجدوا من بينها نوعين يختلفان تمامًا في البنية لكن كليهما يملك قدرة على قتل البكتيريا، ما يجعلهما مرشحين محتملين ليكونا بديلًا للمضادات الحيوية في مكافحة البكتيريا. أي إن: وبمساعدة AI، تم اختراق عنق زجاجة “ابتكار” البروتينات.

  • وقبل ذلك، تمكنت خوارزمية AlphaFold للذكاء الاصطناعي خلال 18 شهرًا من التنبؤ تقريبًا ببنية جميع أنواع البروتينات البالغ عددها 214 مليونًا على الأرض، وهو إنجاز يفوق بمرات عديدة ما حققه جميع علماء الأحياء البنيويين عبر التاريخ.

ومع وجود مختلف النماذج المعتمدة على AI، من التكنولوجيا الحيوية وعلوم المواد وتطوير الأدوية ضمن المجالات التقنية العميقة، وصولًا إلى القانون والفنون في المجالات الإنسانية، ستشهد هذه المجالات جميعًا تحولات جذرية، وكان عام 2023 هو العام الأول لكل ذلك.

نحن جميعًا نعلم أن قدرة البشر على خلق الثروة نمت خلال القرن الماضي تقريبًا بمعدل أُسّي، وأن النضج السريع لتقنية AI سيعجّل هذه العملية أكثر.

منحنى إجمالي الناتج المحلي العالمي، مصدر البيانات: البنك الدولي

1.2 دمج AI وCrypto

لفهم ضرورة الجمع بين AI وCrypto من جذورها، يمكن البدء من خصائصهما المتكاملة.

تكامل خصائص AI وCrypto

لـ AI ثلاث خصائص:

  • العشوائية: تتمتع AI بالعشوائية، وآلية إنتاج محتواها تقف خلف صندوق أسود يصعب إعادة إنتاجه أو استكشافه، لذلك تكون النتائج أيضًا عشوائية

  • كثيفة الموارد: AI صناعة كثيفة الموارد، وتحتاج إلى كميات كبيرة من الطاقة والرقائق والقدرة الحاسوبية

  • ذكاء شبيه بالبشر: AI ستكون (قريبًا) قادرة على اجتياز اختبار تورينغ، وبعد ذلك سيصعب التمييز بين الإنسان والآلة*

※في 30 أكتوبر 2023، نشر فريق بحثي من جامعة كاليفورنيا في سان دييغو نتائج اختبار تورينغ الخاص بـ GPT-3.5 وGPT-4.0 (تقرير الاختبار). وكانت نتيجة GPT4.0 هي 41%، أي أقل بـ9 نقاط فقط من خط النجاح البالغ 50%، بينما كانت نتيجة البشر في المشروع نفسه 63%. ويعني هذا الاختبار نسبة الأشخاص الذين اعتقدوا أن الطرف الذي يتحادثون معه هو إنسان حقيقي. وإذا تجاوزت النسبة 50%، فهذا يعني أن نصف الأشخاص على الأقل يعتقدون أن الطرف المتحدث إنسان وليس آلة، ويُعد ذلك اجتيازًا لاختبار تورينغ.

في الوقت الذي تخلق فيه AI إنتاجية قفزية جديدة للبشرية، فإن خصائصها الثلاث هذه تخلق أيضًا تحديات هائلة أمام المجتمع البشري، وهي:

  • كيف نتحقق من عشوائية AI ونضبطها، بحيث تصبح العشوائية ميزة لا عيبًا

  • كيف نلبّي الفجوة الضخمة في الطاقة والقدرة الحاسوبية التي تحتاجها AI

  • كيف نميز بين الإنسان والآلة

ولعل خصائص Crypto واقتصاد البلوك تشين هي الدواء المناسب للتحديات التي تفرضها AI؛ إذ يمتلك الاقتصاد التشفيري الخصائص الثلاث التالية:

  • الحتمية: الأعمال تعمل اعتمادًا على البلوك تشين، والشفرة، والعقود الذكية؛ القواعد والحدود واضحة، والمدخلات نفسها تعطي النتائج نفسها، أي بدرجة عالية من الحتمية

  • تخصيص الموارد بكفاءة: لقد بنى اقتصاد التشفير سوقًا عالمية حرة هائلة، حيث يتم تسعير الموارد وجمعها وتداولها بسرعة كبيرة، وبفضل وجود الرموز يمكن تحفيز التوافق بين العرض والطلب وتسريع الوصول إلى النقطة الحرجة

  • انعدام الثقة: السجل العام، والشفرة مفتوحة المصدر، والقدرة السهلة على التحقق من الجميع، كلها تؤدي إلى نظام “غير قائم على الثقة (trustless)”، بينما تمنع تقنيات ZK انكشاف الخصوصية أثناء عملية التحقق

وفيما يلي ثلاثة أمثلة لتوضيح تكامل AI والاقتصاد التشفيري.

مثال A: حل العشوائية، وكيل AI قائم على اقتصاد التشفير

وكيل AI (AI Agent) هو برنامج ذكاء اصطناعي ينفذ الأعمال نيابةً عن البشر اعتمادًا على إرادتهم (ومن المشاريع التمثيلية Fetch.AI). لنفترض أننا نريد من وكيل AI الخاص بنا معالجة صفقة مالية، مثل “شراء BTC بقيمة 1000 دولار”. قد يواجه وكيل AI حالتين:

في الحالة الأولى، يجب أن يتعامل مع مؤسسة مالية تقليدية (مثل بلاك روك) لشراء ETF للـ BTC، وهنا يواجه العديد من مشكلات تكيّف وكلاء AI والمؤسسات المركزية، مثل KYC، ومراجعة المستندات، وتسجيل الدخول، والتحقق من الهوية، وغيرها، وما زال الأمر معقدًا جدًا حتى الآن.

في الحالة الثانية، إذا كان يعمل اعتمادًا على اقتصاد التشفير الأصلي، فسيصبح الأمر أبسط بكثير؛ إذ سيجري عبر Uniswap أو منصة تداول مجمعة أخرى استخدام توقيع حسابك مباشرةً لإتمام الصفقة وتنفيذ الأمر، ثم استلام WBTC (أو أي صيغة مغلفة أخرى للـ BTC)، وكل العملية سريعة وبسيطة. وفي الواقع، هذا هو ما تفعله مختلف روبوتات التداول (Trading BOT)، فهي في الحقيقة تؤدي بالفعل دور وكيل AI أولي، لكن تركيزها ينحصر في التداول فقط. ومع اندماج AI وتطورها، ستتمكن روبوتات التداول المختلفة مستقبلًا من تنفيذ نوايا تداول أكثر تعقيدًا. على سبيل المثال: تتبع 100 عنوان “مال ذكي” على السلسلة، وتحليل استراتيجيات تداولها ومعدلات نجاحها، ثم تنفيذ تداولات مشابهة باستخدام 10% من الأموال الموجودة في عنواني خلال أسبوع، والتوقف إذا تبين أن النتائج غير جيدة، ثم تلخيص الأسباب المحتملة للفشل.

إن تشغيل AI داخل أنظمة البلوك تشين يكون أكثر ملاءمة في جوهره بسبب وضوح قواعد الاقتصاد التشفيري، وإمكانية الوصول غير المرخصة إلى النظام. وعندما تنفَّذ المهام ضمن قواعد محددة، تصبح المخاطر المحتملة الناتجة عن عشوائية AI أقل أيضًا. على سبيل المثال، لقد تفوقت AI على البشر بشكل ساحق في ألعاب الورق وألعاب الفيديو، لأن الورق والألعاب تمثل صندوقًا مغلقًا واضح القواعد. أما التقدم في القيادة الذاتية فسيكون أبطأ نسبيًا، لأن تحديات البيئة الخارجية المفتوحة أكبر، كما أن قدرتنا على تقبّل عشوائية AI في معالجة المشكلات أقل.

مثال B: تشكيل الموارد عبر حوافز الرموز لتجميع الموارد

إن شبكة القدرة الحاسوبية العالمية الكامنة وراء BTC، والتي تبلغ قدرتها الحاسوبية الحالية الإجمالية (Hashrate: 576.70 EH/s) أكثر من إجمالي القدرة الحاسوبية المجمعة لأي حاسوب فائق في أي دولة، تستمد زخمها من حوافز شبكية بسيطة وعادلة.

اتجاه قدرة شبكة BTC الحاسوبية، المصدر: https://www.coinwarz.com/

إضافةً إلى ذلك، فإن مشاريع DePIN، بما فيها Mobile، تحاول أيضًا تشكيل سوق ثنائي الجانب في جانبي العرض والطلب عبر حوافز الرموز لتحقيق تأثير الشبكة. أما IO.NET التي سنركز عليها لاحقًا فهي منصة صُممت لتجميع قدرة AI الحاسوبية، وتأمل من خلال نموذج الرموز في إطلاق مزيد من إمكانات القدرة الحاسوبية للذكاء الاصطناعي.

مثال C: شيفرة مفتوحة، وإدخال ZK، والتمييز بين الإنسان والآلة مع حماية الخصوصية

باعتباره مشروع Web3 شارك فيه Sam Altman، مؤسس OpenAI، تستخدم Worldcoin جهاز Orb العتادي، وتعتمد على السمات البيومترية لقزحية العين البشرية، ثم تولد عبر تقنية ZK قيمة hash مخصصة ومجهولة الهوية للتحقق من الهوية وتمييز الإنسان عن الآلة. وفي مطلع مارس هذا العام، بدأ مشروع الفن Web3 Drip باستخدام هوية Worldcoin للتحقق من المستخدمين الحقيقيين وتوزيع المكافآت.

إضافة إلى ذلك، قامت Worldcoin مؤخرًا بفتح مصدر شيفرة جهازها العيني Orb، بما يوفر ضمانات بشأن أمن وخصوصية السمات البيومترية للمستخدمين.

بشكل عام، وبفضل حتمية الشفرة والتشفير في اقتصاد التشفير، وميزات تدفق الموارد وجمعها التي يوفرها النموذج غير المرخص والرموز، إضافة إلى سمة انعدام الثقة المعتمدة على الشفرة المفتوحة والسجل العام، فقد أصبح هذا الاقتصاد أحد الحلول المحتملة المهمة للتحدي الذي تفرضه AI على المجتمع البشري.

والأكثر إلحاحًا بينها، والأعلى طلبًا من ناحية الأعمال، هو العطش الشديد في منتجات AI للموارد الحاسوبية، أي الطلب الضخم على الرقائق والقدرة الحاسوبية.

وهذا أيضًا هو السبب الرئيسي الذي جعل مشاريع القدرة الحاسوبية الموزعة تحقق في هذه الدورة الصاعدة أداءً يفوق بقية مسار AI ككل.


الضرورة التجارية للحوسبة الموزعة (Decentralized Compute)

تحتاج AI إلى موارد حاسوبية ضخمة، سواء لتدريب النماذج أو لإجراء الاستدلال.

وفي ممارسة تدريب النماذج اللغوية الكبيرة، ثبتت حقيقة واحدة: ما دام حجم البيانات والمعاملات كبيرًا بما يكفي، فإن النماذج اللغوية الكبيرة ستظهر قدرات لم تكن موجودة من قبل. والقفزة الأسية في قدرات كل جيل من GPT مقارنة بالجيل السابق تقف خلفها الزيادة الأسية في كمية الحوسبة أثناء التدريب.

تُظهر أبحاث DeepMind وجامعة ستانفورد أن النماذج اللغوية الكبيرة المختلفة، عند مواجهتها لمهام مختلفة (الحساب، أسئلة وأجوبة بالفارسية، فهم اللغة الطبيعية، إلخ)، إذا زادنا فقط حجم معاملات النموذج أثناء التدريب (وبالتالي زادت أيضًا كمية الحوسبة المستخدمة في التدريب)، فإن أداء أي مهمة قبل الوصول إلى 10^22 FLOPs في التدريب (وFLOPs تعني عدد العمليات العائمة في الثانية، وتستخدم لقياس الأداء الحاسوبي) يكون تقريبًا مثل الإجابة العشوائية؛ لكن بمجرد تجاوز حجم المعاملات ذلك الحد الحرج، يقفز أداء المهام بشكل حاد، بغض النظر عن نموذج اللغة المستخدم.

المصدر: Emergent Abilities of Large Language Models

المصدر: Emergent Abilities of Large Language Models

ولأن القاعدة العملية والتحققية التي تقول إن “المعجزات تأتي من القوة الحاسوبية” ثبتت أيضًا في هذا المجال، فقد اقترح مؤسس OpenAI سام ألتمان جمع 7 تريليونات دولار لبناء مصنع للرقائق المتقدمة يتجاوز حجم TSMC الحالية بعشرة أضعاف (ومن المتوقع أن يكلف هذا الجزء 1.5 تريليون)، واستخدام الأموال المتبقية في إنتاج الرقائق وتدريب النماذج.

إضافةً إلى أن تدريب نماذج AI يحتاج إلى قدرة حاسوبية، فإن عملية الاستدلال نفسها تحتاج أيضًا إلى قدرة حاسوبية كبيرة (وإن كانت أقل من التدريب)، لذلك أصبحت الشهية للرقائق والقدرة الحاسوبية سمة معتادة لدى المشاركين في مسار AI.

مقارنةً بمقدمي القدرة الحاسوبية للذكاء الاصطناعي المركزيين مثل Amazon Web Services وGoogle Cloud Platform وAzure التابعة لمايكروسوفت، فإن أبرز القيم التي تطرحها الحوسبة الموزعة للذكاء الاصطناعي تشمل:

  • سهولة الوصول: عادةً ما يستغرق الحصول على إذن الوصول إلى رقائق القدرة الحاسوبية عبر خدمات سحابية مثل AWS أو GCP أو Azure عدة أسابيع، كما أن طرازات GPU الشائعة تكون غالبًا غير متوفرة. إضافةً إلى ذلك، يضطر المستهلكون غالبًا إلى توقيع عقود طويلة الأجل وغير مرنة مع هذه الشركات الكبرى للحصول على القدرة الحاسوبية. أما منصات القدرة الحاسوبية الموزعة فتستطيع توفير خيارات عتادية مرنة، مع قابلية وصول أعلى.

  • منخفضة التسعير: نظرًا لاعتمادها على الرقائق غير المستغلة، ومع إضافة دعم الرموز الذي يقدمه بروتوكول الشبكة لموردي الرقائق والقدرة الحاسوبية، فقد تتمكن شبكات القدرة الحاسوبية الموزعة من توفير قدرة حاسوبية أقل تكلفة.

  • مقاومة الرقابة: تهيمن الشركات التقنية الكبرى حاليًا على رقائق القدرة الحاسوبية المتقدمة وإمداداتها، ومع قيام الحكومات، وعلى رأسها الحكومة الأمريكية، بتشديد الرقابة على خدمات قدرة AI الحاسوبية، أصبح من الواضح أن القدرة الحاسوبية لـ AI التي يمكن الحصول عليها بشكل موزع ومرن ومفتوح باتت حاجة ظاهرية، وهذا أيضًا هو جوهر القيمة التي تطرحها منصات الخدمات الحاسوبية القائمة على web3.

إذا كانت الطاقة الأحفورية هي دم العصر الصناعي، فإن القدرة الحاسوبية قد تكون دم العصر الرقمي الجديد الذي ستفتحه AI، وسيغدو توفر القدرة الحاسوبية البنية التحتية لعصر AI. وكما أصبحت العملات المستقرة فرعًا مزدهرًا من فروع عملة القانوني في عصر Web3، فهل يمكن أن يصبح سوق القدرة الحاسوبية الموزعة فرعًا من السوق سريع النمو لقدرة AI الحاسوبية؟

نظرًا لأن هذا ما يزال سوقًا مبكرًا نسبيًا، فكل شيء ما زال قيد الملاحظة. لكن قد تؤدي العوامل التالية إلى تحفيز سردية القدرة الحاسوبية الموزعة أو تبنيها في السوق:

  • الضغط المستمر في العرض والطلب على GPU. قد يدفع استمرار شح الإمدادات من GPU بعض المطورين إلى تجربة منصات الحوسبة الموزعة.

  • توسع الرقابة. من يريد الحصول على خدمات AI الحاسوبية من منصات سحابية كبيرة يجب أن يمر عبر KYC وسلسلة من المراجعات. وهذا قد يعزز اعتماد منصات الحوسبة الموزعة، ولا سيما في بعض المناطق المقيدة والخاضعة للعقوبات.

  • تحفيز أسعار الرموز. ارتفاع أسعار الرموز في الدورة الصاعدة سيزيد من قيمة دعم المنصة لموردي GPU، وبالتالي يجذب مزيدًا من المورّدين إلى السوق، ويزيد حجم السوق، ويخفض السعر الفعلي الذي يدفعه المستهلكون.

لكن في الوقت نفسه، تبدو تحديات منصات الحوسبة الموزعة واضحة جدًا أيضًا:

  • التحديات التقنية والهندسية

    • مشكلة التحقق من العمل: نظرًا للبنية الطبقية لنماذج التعلم العميق، حيث يكون خرج كل طبقة مدخلًا للطبقة التالية، فإن التحقق من صحة الحساب يتطلب تنفيذ كل العمل السابق، ولا يمكن التحقق منه ببساطة وبفعالية. ولحل هذه المشكلة، تحتاج منصات الحوسبة الموزعة إلى تطوير خوارزميات جديدة أو استخدام تقنيات تحقق تقريبي، بحيث توفر ضمانًا احتماليًا لصحة النتيجة بدلًا من الحتمية المطلقة.

    • مشكلة التوازي: بما أن منصات القدرة الحاسوبية الموزعة تجمع إمدادات طويلة الذيل من الرقائق، فهذا يعني أن قدرة أي جهاز منفرد محدودة نسبيًا، وأن مزوّد الرقاقة الواحد يكاد لا يستطيع، خلال فترة قصيرة، إنجاز تدريب أو استدلال نموذج AI بشكل مستقل؛ لذلك يجب تفكيك المهام وتوزيعها عبر وسائل موازية لتقليص زمن الإنجاز الكلي. لكن التوازي يواجه حتمًا مجموعة من المشكلات، مثل كيفية تقسيم المهام (خصوصًا مهام التعلم العميق المعقدة)، واعتماد البيانات، وتكاليف الاتصال الإضافية بين الأجهزة، وغيرها.

    • مشكلة حماية الخصوصية: كيف نضمن ألا تُكشف بيانات الجهة المشترية ونموذجها لمستلم المهمة؟

  • التحديات التنظيمية والامتثال

    • بسبب طبيعة السوقين الجانبيين، العرض والطلب، غير المرخصة في منصات الحوسبة الموزعة، يمكن من جهة أن تكون هذه ميزة تسويقية تجذب بعض العملاء. ومن جهة أخرى، ومع تطور اللوائح التنظيمية الخاصة بـ AI، قد تصبح هذه المنصات هدفًا للضبط الحكومي. إضافةً إلى ذلك، قد يقلق بعض موردي GPU من أن قدرة الحوسبة التي يؤجرونها ربما تُستخدم من قبل جهات أو أفراد خاضعين للعقوبات.

بشكل عام، فإن مستخدمي منصات الحوسبة الموزعة هم في الغالب مطورون محترفون أو مؤسسات صغيرة ومتوسطة، وعلى خلاف مستثمري العملات المشفرة وNFT، فإن هؤلاء المستخدمين يطلبون بدرجة أعلى من الاستقرار والاستمرارية في الخدمات التي يمكن أن يوفرها البروتوكول، وليس السعر بالضرورة هو الدافع الرئيسي لقراراتهم. وحتى الآن، ما تزال منصات الحوسبة الموزعة أمام طريق طويل قبل أن تكسب هذا النوع من المستخدمين.

بعد ذلك، سنقوم بترتيب وتحليل معلومات مشروع القدرة الحاسوبية الموزعة الجديد في هذه الدورة، IO.NET، ثم سنستند إلى مشاريع AI والمشاريع الحاسوبية الموزعة الموجودة حاليًا في السوق لتقدير مستوى التقييم المحتمل بعد الإدراج.

2. منصة القدرة الحاسوبية الموزعة للذكاء الاصطناعي: IO.NET

2.1 تعريف المشروع

IO.NET هو شبكة حوسبة لامركزية بنت سوقًا ثنائي الجانب حول الرقائق؛ حيث يتمثل جانب العرض في القدرة الحاسوبية للرقائق الموزعة عالميًا (وتغلب عليها GPU، إلى جانب CPU وiGPU التابعة لأبل وغيرها)، بينما يتمثل جانب الطلب في مهندسي الذكاء الاصطناعي الذين يرغبون في إنجاز مهام تدريب أو استدلال نماذج AI.

على الموقع الرسمي لـ IO.NET، ورد ما يلي:

مهمتنا

تجميع مليون GPU في شبكة DePIN – شبكة بنية تحتية مادية لامركزية.

وتتمثل مهمتها في دمج عدد يصل إلى مليون GPU ضمن شبكة DePIN الخاصة بها.

مقارنةً بمزودي خدمات القدرة الحاسوبية السحابية الحاليين لـ AI، فإن أبرز ما تركز عليه كميزة لها هو:

  • التركيب المرن: يمكن لمهندس AI اختيار وتجميع الرقائق التي يحتاجها بحرية لتكوين “عنقود” ينفذ مهامه الحاسوبية

  • نشر سريع: لا حاجة لأسابيع من الموافقات والانتظار (كما هو الحال لدى مزودي AWS المركزيين حاليًا)، فخلال عشرات الثواني يمكن إتمام النشر والبدء في المهمة

  • خدمة منخفضة السعر: تكلفة الخدمة أقل من المزودين الرئيسيين بنسبة 90%

إضافةً إلى ذلك، تخطط IO.NET مستقبلًا أيضًا لإطلاق خدمات مثل متجر نماذج AI.

2.2 آلية المنتج والبيانات التشغيلية

آلية المنتج وتجربة النشر

مثل Amazon Cloud وGoogle Cloud وAlibaba Cloud، تُسمى خدمة الحوسبة التي تقدمها IO.NET باسم IO Cloud. وIO Cloud هي شبكة شرائح لامركزية وموزعة قادرة على تنفيذ شيفرات التعلم الآلي المبنية على Python، وتشغيل برامج AI والتعلم الآلي.

الوحدة الأساسية في IO Cloud تُسمى Clusters (العناقيد)، وهي مجموعة GPU قادرة على تنسيق نفسها لإتمام مهام الحوسبة، ويمكن لمهندسي الذكاء الاصطناعي تخصيص العنقود الذي يريدونه وفقًا لاحتياجاتهم.

واجهة منتج IO.NET سهلة جدًا للمستخدم. إذا كنت تريد نشر عنقود رقائقي خاص بك لإكمال مهام AI الحاسوبية، فبعد دخول صفحة منتج Clusters (العناقيد)، يمكنك البدء في إعداد العنقود الذي تحتاجه حسب الطلب.

معلومات الصفحة: https://cloud.io.net/cloud/clusters/create-cluster، وما يلي كذلك

أولًا عليك اختيار سيناريو المهمة الخاص بك، وهناك حاليًا ثلاثة أنواع متاحة للاختيار:

  1. General (عام): يوفر بيئة عامة نسبيًا، وهو مناسب لمرحلة المشاريع المبكرة التي لم تتضح فيها بعد الاحتياجات المحددة من الموارد.

  2. Train (تدريب): عناقيد مصممة خصيصًا لتدريب وضبط نماذج التعلم الآلي. يمكن لهذا الخيار توفير موارد GPU أكبر، وسعة ذاكرة أعلى و/أو اتصال شبكي أسرع، وذلك للتعامل مع هذه المهام الحاسوبية عالية الكثافة.

  3. Inference (استدلال): عناقيد مصممة خصيصًا للاستدلال منخفض الكمون والأعمال ذات الحمل الثقيل. في سياق التعلم الآلي، يشير الاستدلال إلى استخدام نموذج مدرَّب لإجراء التنبؤات أو تحليل بيانات جديدة وتقديم التغذية الراجعة. لذلك، يركز هذا الخيار على تحسين الكمون ومعدل النقل بما يدعم معالجة البيانات في الوقت الفعلي أو شبه الفوري.

ثم عليك اختيار جهة توفير العنقود الرقائقي؛ إذ إن IO.NET توصلت حاليًا إلى شراكة مع Render Network وشبكة المعدنين في Filecoin، لذلك يمكن للمستخدم اختيار IO.NET أو إحدى الشبكتين الأخريين كمزود لرقائق عنقوده الحاسوبي، وهو ما يعني أن IO.NET تلعب دور المجمّع (Aggregator) إلى حد ما (لكن وقت كتابة الكاتب للمقال كانت خدمة Filecoin متوقفة مؤقتًا). ومن الجدير بالذكر أنه بحسب ما يظهر في الصفحة، يبلغ عدد وحدات GPU المتاحة والمتصلة لدى IO.NET حاليًا أكثر من 200 ألف، بينما يبلغ عدد GPU المتاحة لدى Render Network أكثر من 3700.

بعد ذلك ندخل إلى مرحلة اختيار عتاد الرقائق الخاص بالعنقود؛ وحاليًا فإن أنواع العتاد التي يتيحها IO.NET للاختيار تقتصر على GPU فقط، ولا تشمل CPU أو iGPU التابعة لأبل (M1 وM2 وغيرها)، كما أن GPU تعتمد أساسًا على منتجات NVIDIA.

ومن بين خيارات العتاد GPU المدرجة رسميًا والمتاحة، ووفقًا للبيانات التي اختبرها الكاتب في ذلك اليوم، بلغ عدد وحدات GPU المتاحة والمتصلة على شبكة IO.NET 206,001 وحدة. وكان أكثرها توفرًا هو GeForce RTX 4090 بعدد 45,250 وحدة، يليه GeForce RTX 3090 Ti بعدد 30,779 وحدة.

إضافةً إلى ذلك، فإن الرقاقة A100-SXM4-80GB، التي تتفوق في التعامل مع مهام AI الحاسوبية مثل التعلم الآلي والتعلم العميق والحوسبة العلمية، يبلغ عددها المتصل على الإنترنت 7,965 وحدة، وسعر إيجارها السوقي يزيد عن 15,000 دولار.

أما بطاقة H100 80GB HBM3 من NVIDIA، المصممة أساسًا لـ AI منذ مرحلة تصميم العتاد (وسعرها السوقي يتجاوز 40,000 دولار)، فإن أدائها في التدريب يعادل 3.3 مرات A100، وفي الاستدلال يعادل 4.5 مرات A100، ويبلغ عددها المتاح على الإنترنت 86 بطاقة.

بعد اختيار نوع العتاد الخاص بالعنقود، يحتاج المستخدم أيضًا إلى اختيار منطقة العنقود، وسرعة الاتصال، وعدد وحدات GPU المستأجرة، والمدة الزمنية، وغيرها من المعلمات.

وأخيرًا، وبناءً على الاختيارات المجمعة، سيقدّم لك IO.NET فاتورة؛ وبأخذ إعدادات عنقودي كمثال:

  • سيناريو المهمة العامة (General)

  • 16 رقاقة A100-SXM4-80GB

  • أعلى سرعة اتصال (Ultra High Speed)

  • الموقع الجغرافي: الولايات المتحدة

  • مدة الإيجار: أسبوع واحد

بلغ إجمالي فاتورة هذا الإعداد 3311.6 دولارًا، وكان سعر الساعة للبطاقة الواحدة 1.232 دولارًا

أما سعر إيجار الساعة للبطاقة الواحدة A100-SXM4-80GB في Amazon Cloud وGoogle Cloud وMicrosoft Azure فهو 5.12 دولار و5.07 دولار و3.67 دولار على التوالي (مصدر البيانات: https://cloud-gpus.com/، وقد تتغير الأسعار الفعلية بحسب تفاصيل العقد وشروطه).

لذلك، ومن ناحية السعر فقط، فإن قدرة رقائق IO.NET الحاسوبية أرخص بالفعل بكثير من المزودين الرئيسيين، كما أن تركيب الإمداد والشراء مرن جدًا، وسهولة التشغيل جيدة.

الوضع التجاري

حالة جانب العرض

حتى 4 أبريل من هذا العام، ووفقًا للبيانات الرسمية، بلغ إجمالي إمداد GPU في جانب العرض لدى IO.NET 371,027 وحدة، بينما بلغ إمداد CPU 42,321 وحدة. إضافةً إلى ذلك، فإن Render Network، بوصفها شريكًا له، أضافت 9,997 GPU و776 CPU إلى إمدادات الشبكة.

مصدر البيانات: https://cloud.io.net/explorer/home، وما يلي كذلك

وقت كتابة هذا المقال، كان 214,387 من إجمالي وحدات GPU المتصلة بـ IO.NET في حالة تشغيل، أي بنسبة تشغيل بلغت 57.8%. أما وحدات GPU التابعة لـ Render Network فبلغت نسبة تشغيلها 45.1%.

ماذا تعني هذه البيانات الخاصة بجانب العرض؟

ولإجراء المقارنة، سنضيف أيضًا مشروع الحوسبة الموزعة القديم Akash Network، وهو مشروع أقدم في السوق، للمقارنة.

أطلقت Akash Network شبكتها الرئيسية بالفعل في عام 2020، وركزت في البداية أساسًا على الخدمات الموزعة للـ CPU والتخزين. وفي يونيو 2023، أطلقت الشبكة التجريبية لخدمات GPU، ثم أطلقت الشبكة الرئيسية للقدرة الحاسوبية الموزعة على GPU في سبتمبر من العام نفسه.

مصدر البيانات: https://stats.akash.network/provider-graph/graphics-gpu

وبحسب بيانات Akash الرسمية، فعلى الرغم من استمرار نمو جانب العرض منذ إطلاق شبكة GPU الخاصة بها، فإن إجمالي عدد وحدات GPU المتصلة حتى الآن لا يتجاوز 365 وحدة فقط.

من حيث كمية GPU المعروضة، تتفوق IO.NET على Akash Network بأكثر من عدة مراتب، وهي بالفعل أكبر شبكة إمداد في مجال القدرة الحاسوبية الموزعة لـ GPU.

حالة جانب الطلب

لكن من جانب الطلب، ما يزال IO.NET في المرحلة المبكرة من بناء السوق، والحجم الفعلي للعمليات الحسابية المنفذة باستخدام IO.NET حتى الآن ليس كبيرًا. معظم المهام المحملة على GPU المتصلة تبلغ 0%، ولا توجد مهام جارية إلا على أربع شرائح هي A100 PCIe 80GB K8S وRTX A6000 K8S وRTX A4000 K8S وH100 80GB HBM3. وحتى باستثناء A100 PCIe 80GB K8S، فإن أحمال الشرائح الثلاث الأخرى تقل عن 20%.

وكانت قيمة ضغط الشبكة التي أفصحت عنها الجهة الرسمية في ذلك اليوم 0%، ما يعني أن معظم إمدادات الرقائق كانت في حالة استعداد دون تشغيل.

أما على مستوى حجم رسوم الشبكة، فقد حققت IO.NET بالفعل 586,029 دولارًا من رسوم الخدمات، وكانت الرسوم خلال اليوم الأخير 3,200 دولار.

مصدر البيانات: https://cloud.io.net/explorer/clusters

إن حجم رسوم التسوية في هذه الشبكات، سواء من حيث الإجمالي أو الحجم اليومي للتداول، يقع في نفس رتبة Akash، لكن معظم إيرادات شبكة Akash تأتي من جانب CPU، إذ لديها أكثر من 20 ألف وحدة CPU.

مصدر البيانات: https://stats.akash.network/

إضافةً إلى ذلك، كشفت IO.NET أيضًا عن بيانات الأعمال الخاصة بمهام استدلال AI التي عالجتها الشبكة؛ إذ تجاوز عدد مهام الاستدلال التي جرى التعامل معها والتحقق منها حتى الآن 230 ألف مهمة، لكن معظم هذا الحجم جاء من مشروع BC8.AI الذي ترعاه IO.NET.

مصدر البيانات: https://cloud.io.net/explorer/inferences

ومن البيانات التشغيلية الحالية يبدو أن جانب العرض في IO.NET يتوسع بسلاسة، ومع تحفيز توقعات الإنزال الجوي والأنشطة المجتمعية تحت اسم “Ignition”، تمكنت المنصة سريعًا من تجميع كمية كبيرة من قدرة رقائق AI الحاسوبية. أما التوسع في جانب الطلب فلا يزال في مرحلة مبكرة، والطلب العضوي الحالي لا يزال غير كاف. وبالنسبة إلى هذا النقص في جانب الطلب، فهل سببه أن التوسع في جانب المستهلك لم يبدأ بعد، أم أن تجربة الخدمة الحالية غير مستقرة بما يكفي فتمنع التبني واسع النطاق، فذلك ما يزال بحاجة إلى تقييم.

لكن بالنظر إلى صعوبة سد فجوة قدرة AI الحاسوبية على المدى القصير، ومع سعي عدد كبير من مهندسي ومشروعات AI إلى بدائل، فقد يثير ذلك اهتمامًا لدى بعضهم تجاه مقدمي الخدمات اللامركزية. ومع عدم شروع IO.NET بعد في التحفيز الاقتصادي والنشاطي لجانب الطلب، ومع التحسن التدريجي في تجربة المنتج، يظل من المنتظر أن يقترب جانبَا العرض والطلب تدريجيًا من بعضهما لاحقًا.

2.3 خلفية الفريق والوضع التمويلي

حالة الفريق

كانت الأعمال الأولى للفريق الأساسي لـ IO.NET عند تأسيسه هي التداول الكمي، وحتى يونيو 2022 كانوا يركزون على تطوير أنظمة تداول كمي مؤسسية للأسهم والأصول المشفرة. ونظرًا لحاجة البنية الخلفية للنظام إلى القدرة الحاسوبية، بدأ الفريق في استكشاف إمكانية الحوسبة اللامركزية، وفي النهاية ركز على المشكلة المحددة المتمثلة في خفض تكلفة خدمات القدرة الحاسوبية للـ GPU.

المؤسس والرئيس التنفيذي: Ahmad Shadid

كان Ahmad Shadid قبل IO.NET يعمل باستمرار في مجالات الكوانت والتمويل الهندسي، كما كان متطوعًا في مؤسسة إيثريوم.

CMO وChief Strategy Officer: Garrison Yang

لم ينضم Garrison Yang رسميًا إلى IO.NET إلا في مارس من هذا العام، وكان قبل ذلك نائب الرئيس للاستراتيجية والنمو في Avalanche، وتخرّج من جامعة كاليفورنيا في سانتا باربرا.

مدير العمليات COO: Tory Green

Tory Green هو مدير العمليات في io.net، وكان سابقًا مدير العمليات في Hum Capital، ومدير تطوير الأعمال والاستراتيجية في Fox Mobile Group، وتخرج من ستانفورد.

من معلومات IO.NET على LinkedIn، يتضح أن مقر الفريق يقع في نيويورك بالولايات المتحدة، ولديه فرع في سان فرانسيسكو، ويضم الفريق حاليًا أكثر من 50 شخصًا.

الوضع التمويلي

حتى الآن، لم تكشف IO.NET سوى عن جولة تمويل واحدة، وهي الجولة من الفئة A التي أُغلقت في مارس من هذا العام بتقييم مليار دولار وجمعت 30 مليون دولار، بقيادة Hack VC، مع مشاركين آخرين من بينهم Multicoin Capital وDelphi Digital وForesight Ventures وAnimoca Brands وContinue Capital وSolana Ventures وAptos وLongHash Ventures وOKX Ventures وAmber Group وSevenX Ventures وArkStream Capital وغيرها.

والجدير بالذكر أنه ربما بسبب حصوله على استثمار من مؤسسة Aptos، فقد انتقل مشروع BC8.AI، الذي كان يسجل ويُحاسب على Solana، إلى Aptos ذات الطبقة الأولى عالية الأداء أيضًا.

2.4 تقدير القيمة

وبحسب ما قاله المؤسس والرئيس التنفيذي Ahmad Shadid سابقًا، فإن IO.NET سيطلق الرمز في نهاية أبريل.

لدى IO.NET مشروعان يمكن اعتمادهما كمرجع لتقييم القيمة: Render Network وAkash Network، وكلاهما يمثل مشاريع حوسبة موزعة نموذجية.

يمكننا استنتاج نطاق القيمة السوقية لـ IO.NET بطريقتين: 1) نسبة القيمة السوقية إلى المبيعات، أي: القيمة السوقية/الإيرادات؛ 2) نسبة القيمة السوقية/عدد الرقائق في الشبكة.

لنبدأ باستنتاج التقييم اعتمادًا على نسبة القيمة السوقية إلى المبيعات:

من منظور نسبة القيمة السوقية إلى المبيعات، يمكن اعتبار Akash الحد الأدنى لنطاق تقييم IO.NET، بينما يكون Render مرجعًا للتسعير عند المستوى المرتفع، ويبلغ نطاق القيمة الإجمالية المخففة 1.67 مليار إلى 5.93 مليار دولار أمريكي.

لكن بالنظر إلى تحديثات مشروع IO.NET، وارتفاع زخم السردية، إلى جانب صغر القيمة السوقية المتداولة في المراحل المبكرة، وكذلك الحجم الأكبر نسبيًا لجانب العرض حاليًا، فإن احتمال تجاوزه Render من حيث القيمة الإجمالية المخففة ليس ضئيلًا.

لننظر أيضًا إلى زاوية أخرى للمقارنة في التقييم، وهي “نسبة القيمة السوقية إلى عدد الرقائق”.

في سياق السوق حيث يفوق الطلب على قدرة AI الحاسوبية العرض، فإن أهم عنصر في شبكة القدرة الحاسوبية الموزعة للذكاء الاصطناعي هو حجم جانب العرض من GPU؛ لذلك يمكننا استخدام “نسبة القيمة السوقية إلى عدد الرقائق” للمقارنة الأفقية، أي عبر “النسبة بين القيمة السوقية الإجمالية للمشروع وعدد الرقائق داخل الشبكة”، لاستنتاج النطاق المحتمل لتقييم IO.NET، ليكون مرجعًا للقارئ.

إذا قدّرنا القيمة السوقية لـ IO.NET اعتمادًا على نسبة القيمة السوقية إلى عدد الرقائق، فإن IO.NET سيأخذ نسبة Render Network كسقف أعلى، ونسبة Akash Network كحد أدنى، لتكون القيمة الإجمالية المخففة ضمن نطاق 20.6 مليار إلى 197.5 مليار دولار أمريكي.

حتى أكثر القراء تفاؤلًا بمشروع IO.NET سيعتبرون أن هذا تقدير متفائل جدًا للقيمة السوقية.

كما يجب أن نأخذ في الاعتبار أن هذا العدد الضخم من الرقائق المتصلة على IO.NET ربما يكون مدفوعًا بتوقعات الإنزال الجوي والأنشطة التحفيزية، ولذلك فإن العدد الفعلي المتصل جانب العرض بعد الإطلاق الرسمي للمشروع لا يزال بحاجة إلى المراقبة.

لذلك، وبشكل عام، قد يكون التقييم المعتمد على نسبة القيمة السوقية إلى المبيعات أكثر فائدة كمرجع.

باعتبار IO.NET مشروعًا يجمع بين AI وDePIN ونظام Solana البيئي، فكيف ستكون قيمة سوقه بعد الإطلاق؟ لنترقب ذلك.

3. معلومات مرجعية

  • Delphi Digital: The Real Merge

  • Galaxy: Understanding the Intersection of Crypto and AI

الرابط الأصلي: https://research.mintventures.fund/2024/04/08/zh-a-new-solana-based-ai-depin-project-a-brief-analysis-of-upcoming-tokenlaunch-io-net/

منقول من مجتمع io.net في Binance Square، وحقوق المؤلف وحقوق مسؤولية المحتوى تعود إلى الكاتب الأصلي، ولا يمثل نقل io.net وBinance Square اعتمادًا أو دعمًا لأي من الآراء الواردة في المحتوى المنقول كليًا أو جزئيًا.