المؤلف: Alex Xu، شريك باحث، Mint Ventures


مقدمة

في مقالتي الأخيرة، ذكرت أن دورة السوق الصاعدة للعملات المشفرة هذه تفتقر إلى الأعمال الجديدة المؤثرة بشكل كافٍ وسرد الأصول الجديدة مقارنة بالدورتين السابقتين. 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:

  • الضرورة التجارية لـ AI+Web3

  • ضرورة وتحديات خدمات الحوسبة الموزعة

ثانيًا، سيقوم المؤلف بفرز المعلومات الأساسية لمشروع IO.NET، وهو مشروع تمثيلي لقوة الحوسبة الموزعة للذكاء الاصطناعي، بما في ذلك منطق المنتج والمنتجات التنافسية وخلفية المشروع، واستنتاج تقييم المشروع.

إن قسم التفكير حول دمج AI وWeb3 في هذه المقالة مستوحى من (The Real Merge) التي كتبها الباحث في Delphi Digital Michael rinko. بعض الأفكار في هذه المقالة تم هضمها ونقلها/اقتباسها من ذلك النص، وننصح القراء بقراءة المقال الأصلي.

هذه المقالة تمثل أفكارًا مرحلية للكاتب حتى وقت النشر، وقد تتغير لاحقًا. كما أن الآراء ذاتية جدًا، وقد توجد أخطاء في الوقائع أو البيانات أو منطق الاستدلال. لذلك لا ينبغي اعتبارها مرجعًا للاستثمار. نرحب بالنقد والمناقشة من الأقران في نفس المجال.

فيما يلي نص الجزء الرئيسي.

1. المنطق التجاري: نقطة التقاء AI وWeb3

1.1 2023: عام «المعجزة» الجديد الذي أتاحه الذكاء الاصطناعي

بالعودة إلى تاريخ تطور البشرية، بمجرد أن تحقق التكنولوجيا تقدمًا اختراقيًا، ستحدث تغييرات جذرية من الحياة اليومية للفرد إلى أنماط جميع الصناعات وصولًا إلى الحضارة البشرية بأكملها.

في التاريخ البشري هناك عامان مهمان: 1666 و1905. واليوم يُطلق عليهما عامتا «المعجزة» الكبيران في تاريخ التكنولوجيا.

سنة 1666 بوصفها «عام معجزة»، وذلك لأن إنجازات نيوتن العلمية قد ظهرت بشكل مركز في ذلك العام. في تلك السنة، افتتح مسار علم البصريات كفرع في الفيزياء، وأنشأ فرع حساب التفاضل والتكامل كفرع رياضي، واستنتج قانون الجاذبية، وهو أحد القوانين الأساسية في العلوم الطبيعية الحديثة. وفي كل ما سبق، فإن أي بند منها يمثل مساهمة تأسيسية للتطور العلمي خلال المئة عام القادمة، ويدفع بشكل كبير تقدم العلوم ككل.

كان العام الثاني من «سنوات المعجزة» هو عام 1905؛ ففي ذلك الوقت، كان أينشتاين بعمر 26 عامًا فقط ينشر على التوالي أربع أوراق بحثية في (حوليات الفيزياء/الفيزياء السنوية)، تناولت تأثير الكهرضوئية (وضع الأسس للميكانيكا الكمومية)، والحركة البراونية (مرجع مهم لتحليل العمليات العشوائية)، والنسبية الخاصة ومعادلة التكافؤ بين الكتلة والطاقة (أي تلك المعادلة الشهيرة E=MC^2). وفي تقييمات اللاحقين، تجاوزت كل واحدة من هذه الأوراق متوسط مستوى جائزة نوبل في الفيزياء؛ كما حصل أينشتاين شخصيًا على جائزة نوبل بسبب ورقة التأثير الكهرضوئي. لقد تم دفع مسار التاريخ الحضاري للبشرية خطوة أخرى للأمام بشكل كبير.

أما العام 2023 الذي انتهى للتو، فمن المحتمل أن يُسمى أيضًا «عام معجزة» آخر، ويرجع ذلك إلى حد كبير إلى ChatGPT.

نعتبر عام 2023 «عام معجزة» في تاريخ التكنولوجيا البشرية، ليس فقط لأن GPT حققت تقدمًا كبيرًا في الفهم والتوليد للغة الطبيعية، ولكن أيضًا لأن البشرية تمكنت من خلال تطور GPT من فهم规律 (القاعدة) لنمو قدرات نماذج اللغات الكبيرة: أي أنه عبر زيادة عدد معلمات النموذج وبيانات التدريب، يمكن تحسين قدرة النموذج بشكل أسي، ومع أن هذه العملية على المدى القصير لا يزال من غير الواضح وجود اختناق (طالما توفر القدرة الحاسوبية).

هذه القدرة لا تقتصر على فهم اللغة وتوليد الحوار، بل يمكن توظيفها بشكل واسع بشكل تقاطعي في مجالات تكنولوجية مختلفة؛ فعلى سبيل المثال تطبيق نماذج اللغات الكبيرة في المجال الحيوي:

  • في عام 2018، لم يقل الفائز بجائزة نوبل في الكيمياء فرانسيز آرنولد في حفل توزيع الجوائز: «اليوم يمكننا قراءة أي تسلسل DNA وكتابته وتعديله في التطبيقات العملية، لكننا لا نزال لا نستطيع من خلاله ابتكار (compose it)». وبعد خمس سنوات فقط، في 2023، نشر باحثون من شركة أبحاث Salesforce Research، وهي شركة ناشئة للذكاء الاصطناعي في وادي السيليكون بالتعاون مع جامعة ستانفورد، ورقة في (الطبيعة-التقنية الحيوية). لقد ابتكروا، انطلاقًا من نماذج لغوية كبيرة تم ضبطها بناءً على GPT-3، 1 مليون نوع جديد من البروتينات من الصفر، ثم عثروا على نوعين من البروتينات لهما تراكيب مختلفة تمامًا، لكن كلاهما يمتلك قدرة على التعقيم، مع أمل أن يصبحا خيارًا لمواجهة البكتيريا المقاومة للدواء، إلى جانب المضادات الحيوية. وبذلك: بمساعدة الذكاء الاصطناعي، تم كسر «عنق الزجاجة» في «ابتكار» البروتينات.

  • وفي وقت سابق، خلال 18 شهرًا، توقع خوارزمية AlphaFold للذكاء الاصطناعي تقريبًا جميع هياكل 214 مليون بروتين على الأرض. وتعد هذه الإنجاز نتاجًا يفوق أعمال جميع علماء البيولوجيا الهيكلية للبشر الذين سبقوه بمئات المرات.

ومع وجود نماذج مبنية على الذكاء الاصطناعي، من العلوم الصلبة مثل التكنولوجيا الحيوية وعلوم المواد واكتشاف الأدوية، إلى المجالات الإنسانية مثل القانون والفن، لا بد أن تنتظرنا تغييرات واسعة. ويمثل عام 2023 بداية هذا كله.

نحن جميعًا نعلم أنه خلال قرن تقريبًا، زادت قدرة البشر على خلق الثروة نمطيًا بشكل أسّي. وبسبب النضج السريع لتقنيات الذكاء الاصطناعي، فمن المؤكد أنها ستسرّع هذه العملية أكثر.

الخط الزمني لإجمالي الناتج المحلي الإجمالي العالمي، مصدر البيانات: البنك الدولي

1.2 دمج الذكاء الاصطناعي وCrypto

لفهم ضرورة دمج الذكاء الاصطناعي مع العملات المشفرة من حيث الجوهر، يمكن البدء بخصائص التكامل المتبادل بينهما.

تكامل خصائص الذكاء الاصطناعي وخصائص التشفير

للذكاء الاصطناعي ثلاث خصائص:

  • العشوائية: للذكاء الاصطناعي قدرة على توليد محتوى بعشوائية؛ فآلية توليد المحتوى وراءها «صندوق أسود» يصعب إعادة إنتاجه واستكشافه، لذلك تكون النتائج أيضًا عشوائية.

  • مكثف للموارد: الذكاء الاصطناعي قطاع كثيف الموارد، يحتاج إلى قدر كبير من الطاقة والشرائح وقدرات الحوسبة.

  • ذكاء شبيه بالبشر: سيتمكن الذكاء الاصطناعي (قريبًا) من اجتياز اختبار تورينغ؛ وبعد ذلك يصبح التمييز بين الإنسان والآلة صعبًا.*

*2023/10/30: في 30 أكتوبر 2023، نشر فريق بحثي من جامعة كاليفورنيا سان دييغو (UC San Diego) نتائج اختبار تورينغ الخاصة بـ GPT-3.5 وGPT-4.0 (تقرير الاختبار). بلغت درجة GPT-4.0 ‏41%، وهي على بعد 9% فقط من حد النجاح 50%؛ وكانت درجة اختبار البشر ضمن نفس المشروع 63%. معنى اختبار تورينغ هنا هو: ما النسبة المئوية ممن يعتقدون أن الشخص الذي يحاورونه هو إنسان. إذا كانت النسبة تتجاوز 50% فهذا يعني أن على الأقل نصف المشاركين يرون أن كيان الحوار إنسان وليس آلة، وبالتالي يُعتبر الاختبار قد تم اجتيازه.

في الوقت الذي يخلق فيه الذكاء الاصطناعي إنتاجية جديدة قفزية للبشرية، فإن خصائصه الثلاث هذه تفرض أيضًا تحديات هائلة على المجتمع البشري، وهي:

  • كيف نتحقق ونضبط عشوائية الذكاء الاصطناعي، بحيث تصبح العشوائية ميزة بدلًا من أن تكون عيبًا

  • كيف نلبي فجوة الطاقة الهائلة والقدرة الحاسوبية التي يحتاجها الذكاء الاصطناعي

  • كيف نميز بين الإنسان والآلة

وربما تكون خصائص العملات المشفرة واقتصاد البلوك تشين هي العلاج المناسب لتحديات يفرضها الذكاء الاصطناعي. ولدى الاقتصاد التشفيري ثلاث خصائص:

  • الحتمية: تعمل الأعمال استنادًا إلى بلوك تشين وكود وعقود ذكية؛ القواعد وحدودها واضحة. ما هو الإدخال، ستكون له مخرجات مقابلة. إنها شديدة الحتمية.

  • كفاءة تخصيص الموارد: يبني الاقتصاد التشفيري سوقًا عالمية حرة ضخمة. تسعير الموارد وجمعها وتداولها يتم بسرعة كبيرة جدًا. وبسبب وجود الرموز، يمكن تسريع مطابقة العرض والطلب عبر التحفيز، مما يساعد على الوصول إلى نقطة التعادل بشكل أسرع.

  • عدم الحاجة للثقة: السجل/الدفتـر علني، والكود مفتوح المصدر، ويمكن للجميع التحقق بسهولة. وهذا يخلق نظامًا «بلا ثقة» (trustless). أما تقنية ZK فتتجنب كشف الخصوصية أثناء عملية التحقق؛

بعد ذلك سنوضح تكامل AI مع الاقتصاد التشفيري من خلال 3 أمثلة.

مثال أ: حل العشوائية، وكيل ذكاء اصطناعي مبني على الاقتصاد التشفيري

وكيل ذكاء اصطناعي (AI Agent) هو برنامج ذكاء اصطناعي يقوم بتنفيذ الأعمال نيابةً عن البشر بناءً على إرادتهم البشرية (ومن أمثلته Fetch.AI). لنفترض أننا نريد أن يتولى وكيل ذكاء اصطناعي لدينا تنفيذ معاملة مالية، مثل «شراء BTC بقيمة 1000 دولار». قد يواجه وكيل الذكاء الاصطناعي حالتين:

الحالة الأولى: يتعين عليها التواصل مع المؤسسات المالية التقليدية (مثل BlackRock) لشراء BTC ETF. ويواجه هذا مشكلات كبيرة في تكييف وكلاء الذكاء الاصطناعي والمؤسسات المركزية، مثل KYC، وفحص المستندات، وتسجيل الدخول، والتحقق من الهوية، وغيرها. وبشكل عام، ما يزال الأمر معقدًا جدًا.

الحالة الثانية: عندما تعمل استنادًا إلى الاقتصاد التشفيري الأصلي، تصبح الأمور أسهل بكثير؛ إذ ستقوم عبر Uniswap أو أي منصة تجميع تداول أخرى بتوقيع حسابك وإتمام الطلب مباشرة، وتستلم WBTC (أو شكل تغليف آخر لعملة BTC). وهكذا يصبح كل شيء سريعًا وبسيطًا. في الواقع، هذا هو ما تفعله مختلف Trading BOTs؛ فهي كانت تؤدي بالفعل دورًا بدائيًا لوكيل ذكاء اصطناعي، لكن عملها يقتصر على التداول فقط. مستقبلًا، مع إدخال الذكاء الاصطناعي في هذه الروبوتات وتطورها، ستمتلك بالتأكيد القدرة على تنفيذ نوايا تداول أكثر تعقيدًا. على سبيل المثال: تتبع عناوين 100 من «الأموال الذكية» على السلاسل، وتحليل استراتيجياتها ونسبة نجاحها، واستخدام 10% من أموالي لتنفيذ صفقات مماثلة خلال أسبوع، والتوقف عند ملاحظة نتائج غير جيدة، ثم تلخيص الأسباب المحتملة لفشلها.

يشغّل الذكاء الاصطناعي على البلوك تشين بشكل أفضل؛ والسبب الجوهري هو وضوح قواعد الاقتصاد التشفيري، وكذلك عدم وجود إذن للوصول إلى النظام. ضمن قواعد محددة، تكون المخاطر المحتملة الناجمة عن عشوائية الذكاء الاصطناعي أقل. مثال: في ألعاب الورق وألعاب الفيديو، يتفوق أداء الذكاء الاصطناعي على البشر؛ ويرجع ذلك إلى أن ألعاب الورق والألعاب بيئة مغلقة وصريحة القواعد مثل sandbox. أما في القيادة الذاتية، فإن التقدم يكون أبطأ نسبيًا لأن البيئة الخارجية المفتوحة تمثل تحديًا أكبر، كما أننا أقل قدرة على تحمل عشوائية الذكاء الاصطناعي عند معالجة المشكلات.

مثال ب: تجميع الموارد عبر تحفيز الرموز

شبكة الحوسبة العالمية خلف BTC؛ إجمالي قدرتها الحاسوبية الحالية (Hashrate: 576.70 EH/s) يتجاوز القدرة الحاسوبية المجمعة لأي دولة من أجهزة الحاسوب العملاقة. ودافع تطورها هو حوافز الشبكة البسيطة والعادلة.

منحنى تطور قدرة شبكة BTC، المصدر: https://www.coinwarz.com/

بالإضافة إلى ذلك، بما في ذلك مشاريع DePIN التي تضم Mobile، تحاول مشاريع أيضًا تشكيل سوق ثنائي الجانب للعرض والطلب عبر تحفيز الرموز. وستركز هذه المقالة بشكل خاص على IO.NET، وهي منصة مصممة لتجميع قدرات حوسبة الذكاء الاصطناعي، بهدف إطلاق المزيد من إمكانات حوسبة AI عبر نموذج الرموز.

مثال ج: كود مفتوح المصدر، وإدخال ZK، بما يحمي الخصوصية مع التمييز بين الإنسان والآلة

بصفته مشروع Web3 شارك في تأسيسه سام ألتمان، مؤسس OpenAI، يستخدم Worldcoin جهازًا ماديًا Orb. فهو يولد، اعتمادًا على السمات البيولوجية لبصمة القزحية لدى الإنسان وباستخدام تقنية ZK، قيمة تجزئة خاصة ومجهولة للتحقق من الهوية، مما يميز بين الإنسان والآلة. وفي بداية شهر مارس من هذا العام، بدأ مشروع فنون Web3 Drip استخدام معرف Worldcoin للتحقق من المستخدمين الحقيقيين وإصدار المكافآت.

بالإضافة إلى ذلك، أطلقت Worldcoin مؤخرًا أيضًا كود برامج جهازها للأقزحية Orb بشكل مفتوح المصدر، لضمان أمان وخصوصية سمات المستخدم البيولوجية.

بشكل عام، وبسبب مزايا الاقتصاد التشفيري في تدفق وتعبئة الموارد الناتجة عن حتمية الكود والتشفير، ومن خلال آليات عدم الترخيص والرموز، وبالإضافة إلى خاصية عدم الحاجة للثقة المبنية على كود مفتوح السورس وسجل علني، فقد أصبح هذا حلًا محتملًا مهمًا لمواجهة تحديات الذكاء الاصطناعي التي يمر بها المجتمع البشري.

والأكثر إلحاحًا والأشد طلبًا في تحديات الأعمال الحالية هو: الجوع الشديد لموارد الحوسبة لدى منتجات الذكاء الاصطناعي، والطلب الهائل حول الشرائح والقدرة الحاسوبية.

وهذا أيضًا هو السبب الرئيسي لكون اتجاه الصعود في دورة السوق الصاعدة الحالية لمشاريع الحوسبة الموزعة يتصدر كامل مسار الذكاء الاصطناعي.

الضرورة التجارية للحوسبة اللامركزية (Decentralized Compute)

يحتاج الذكاء الاصطناعي إلى قدر كبير من موارد الحوسبة، سواء لتدريب النماذج أو لإجراء الاستدلال.

وفي ممارسات تدريب نماذج اللغات الكبيرة، تم تأكيد حقيقة واحدة: طالما أن حجم البيانات والمعلمات كافٍ، ستظهر لدى نماذج اللغات الكبيرة قدرات لم تكن موجودة من قبل. تقفز قدرات كل جيل من GPT مقارنة بالجيل السابق قفزة أسية؛ والسبب وراء ذلك هو الزيادة الأسّية في مقدار الحوسبة المستخدمة لتدريب النموذج.

أظهرت أبحاث DeepMind وجامعة ستانفورد أنه في مواجهة مهام مختلفة (مثل العمليات الحسابية، وأسئلة/أجوبة باللغة الفارسية، وفهم اللغة الطبيعية... إلخ)، فإن نماذج اللغات الكبيرة المختلفة—طالما يتم تكبير حجم معلمات النموذج المستخدمة أثناء التدريب (وبالتالي زيادة حجم الحسابات التدريبية)—وما دام مقدار التدريب لا يصل إلى 10^22 FLOPs (FLOPs: عدد العمليات العائمة في الثانية، ويستخدم لقياس الأداء الحسابي)، فإن أداء أي مهمة سيكون قريبًا من الإجابة العشوائية. لكن بمجرد تجاوز حجم المعلمات لتلك القيمة الحدّية، يقفز أداء المهمة بشكل حاد، بغض النظر عن نموذج اللغة.

المصدر: Emergent Abilities of Large Language Models

المصدر: Emergent Abilities of Large Language Models

وهذا يثبت أيضًا قانون وممارسة «قوة خارقة عند ضخ موارد الحوسبة بقوة». إذ اقترح سام ألتمان، مؤسس OpenAI، جمع 7 تريليون دولار لبناء مصنع شرائح متقدم بحجم يفوق حجم شركة تايوان لأشباه الموصلات (TSMC) الحالي بمقدار 10 أضعاف تقريبًا (ومن المتوقع أن تبلغ التكلفة 1.5 تريليون)، ثم استخدام باقي الأموال لإنتاج الشرائح وتدريب النماذج.

بالإضافة إلى أن تدريب نماذج الذكاء الاصطناعي يحتاج إلى قدر كبير من الحوسبة، فإن عملية الاستدلال نفسها تتطلب أيضًا قوة حوسبة كبيرة (رغم أنها أقل من حجم حسابات التدريب)، لذلك يصبح عطش الشرائح والقدرة الحاسوبية أمرًا طبيعيًا لدى المشاركين في مسار الذكاء الاصطناعي.

مقارنة بمقدمي قدرة حوسبة AI المركزية مثل Amazon Web Services وGoogle Cloud Platform وAzure من Microsoft، فإن القيمة الأساسية للحوسبة الموزعة للذكاء الاصطناعي تشمل:

  • قابلية الوصول: الحصول على حق الوصول إلى شرائح الحوسبة عبر خدمات سحابية مثل AWS أو GCP أو Azure يستغرق عادة عدة أسابيع، كما أن موديلات GPU الشائعة قد تكون غالبًا غير متوفرة. بالإضافة إلى ذلك، للحصول على القدرة الحاسوبية، غالبًا ما يحتاج المستهلكون إلى توقيع عقود طويلة مع هذه الشركات الكبرى، وهي عقود تفتقر إلى المرونة. في المقابل، يمكن لمنصات الحوسبة الموزعة توفير خيارات عتاد مرنة، وبذلك تكون قابلية الوصول أفضل.

  • سعر منخفض: نظرًا لاستخدام شرائح خاملة (غير مستغلة)، ومع إضافة دعم رمزي من الأطراف المشاركة في الشبكة لمن يوفّر الشرائح والقدرة الحاسوبية، قد تتمكن شبكات الحوسبة الموزعة من تقديم قدرة حوسبة أرخص بكثير.

  • مقاومة الرقابة: حاليًا، تسيطر شركات التكنولوجيا الكبرى على شرائح الحوسبة المتقدمة وإمداداتها. بالإضافة إلى ذلك، تقوم الحكومات—وبالأخص الولايات المتحدة—بتشديد الرقابة على خدمات قدرات ذكاء اصطناعي. وبالتالي تصبح قدرات الحوسبة متاحة بشكل موزع ومرن وحُر، تدريجيًا كطلب واضح، وهذه هي الرؤية الأساسية لقيمة منصة حوسبة قائمة على web3.

إذا كانت الطاقة الأحفورية هي دم العصر الصناعي، فقد تكون القدرة الحاسوبية هي دم العصر الرقمي الجديد الذي يفتحه الذكاء الاصطناعي. وسيصبح توفير القدرة الحاسوبية البنية التحتية لمرحلة الذكاء الاصطناعي. وبالقدر نفسه، كما أصبح التوكن المستقر (stablecoin) فرعًا مزدهرًا بجانب العملات الورقية في عصر Web3، فهل سيصبح سوق القدرة الحاسوبية الموزعة سوقًا فرعيًا يتسارع نموه ضمن سوق قدرة حوسبة AI؟

بما أن هذا ما يزال سوقًا مبكرًا نسبيًا، فكل شيء يحتاج إلى الملاحظة. ومع ذلك، فإن العوامل التالية قد تلعب دورًا محفزًا لسردية الحوسبة الموزعة أو لتبني السوق:

  • اختناق مستمر بين العرض والطلب على GPU. قد يدفع استمرار ضيق إمدادات GPU بعض المطورين إلى تجربة منصات الحوسبة الموزعة.

  • توسع التنظيمات: إذا كنت تريد الحصول على خدمة قدرات حوسبة AI من منصات سحابية كبيرة، فلا بد من اجتياز KYC والخضوع لعمليات تدقيق متعددة. وقد يؤدي ذلك عكسًا إلى تعزيز تبني منصات الحوسبة الموزعة، خصوصًا في مناطق معينة تتعرض للقيود والعقوبات.

  • تحفيز سعر التوكن: في دورات السوق الصاعدة، يؤدي ارتفاع سعر التوكن إلى زيادة قيمة دعم المنصة لجانب توريد GPU، مما يجذب المزيد من مزودي العرض للدخول إلى السوق، ويزيد من حجم السوق، ويخفض السعر الفعلي الذي يدفعه المستهلكون.

لكن في الوقت نفسه، فإن تحديات منصات الحوسبة الموزعة واضحة للغاية:

  • مشكلة التحديات التقنية والهندسية

    • مشكلة التحقق من العمل: في الشبكات العصبية العميقة، وبسبب البنية الهرمية، فإن مخرجات كل طبقة تُستخدم كمدخل للطبقة التالية؛ لذلك للتحقق من فعالية الحسابات، يجب تنفيذ جميع الأعمال السابقة، ولا يمكن التحقق منها ببساطة وبشكل فعال. ولحل هذه المشكلة، تحتاج منصات الحوسبة الموزعة إلى تطوير خوارزميات جديدة أو استخدام تقنيات تحقق تقريبية. وهذه التقنيات قد تقدم ضمانًا احتماليًا بصحة النتائج، بدلًا من الحتمية المطلقة.

    • مشكلة التوازي: تجمع منصات الحوسبة الموزعة إمدادات شرائح من «ذيل طويل»، ما يعني أن القدرة التي يمكن لكل جهاز تقديمها محدودة نسبيًا. ولا يمكن لمزود شريحة واحد أن ينجز تدريب أو استدلال نموذج ذكاء اصطناعي بالكامل بشكل مستقل خلال فترة قصيرة تقريبًا؛ لذلك يجب تفكيك المهام وتوزيعها عبر أساليب التوازي، لتقليل إجمالي زمن الإنجاز. لكن التوازي يواجه حتمًا مشكلات مثل كيفية تفكيك المهام (خصوصًا مهام التعلم العميق المعقدة)، واعتماد البيانات، وتكلفة الاتصالات الإضافية بين الأجهزة، وغيرها من القضايا.

    • مشكلة حماية الخصوصية: كيف نضمن ألا تكشف بيانات المشتري والنموذج عن الطرف المستلم للمهمة؟

  • تحدي الامتثال التنظيمي

    • بسبب قابلية منصات الحوسبة الموزعة غير المرخّصة في سوقي العرض والطلب من جهة التموين والشراء، يمكن من ناحية اعتبارها «نقطة بيع» تجذب بعض العملاء. ومن ناحية أخرى، قد تتحول إلى هدف لعمليات التدقيق/التنظيم الحكومية مع اكتمال معايير تنظيم الذكاء الاصطناعي. بالإضافة إلى ذلك، قد يقلق بعض موردي وحدات GPU بشأن ما إذا كانت موارد الحوسبة التي يؤجرونها ستُقدّم للجهات التجارية أو الأفراد الخاضعين للعقوبات.

بشكل عام، فإن المستهلكين في منصات الحوسبة الموزعة غالبًا ما يكونون مطورين محترفين أو مؤسسات صغيرة ومتوسطة، على عكس مستثمري العملات المشفرة وNFT الذين يشترون العملات بنية استثمارية. هؤلاء المستخدمون لديهم متطلبات أعلى لاستقرار واستمرارية الخدمة التي يمكن للبروتوكول تقديمها. وقد لا يكون السعر هو الدافع الرئيسي لاتخاذ قرارهم. وحتى الآن، ما زال أمام منصات الحوسبة الموزعة طريق طويل لتكسب ثقة هذه الفئة من المستخدمين.

بعد ذلك، سنقوم بفرز وتحليل معلومات المشروع الخاص بمبادرة الحوسبة اللامركزية الجديدة ضمن هذه الدورة، وهي IO.NET، وبناءً على مشاريع AI ومشاريع الحوسبة الموزعة من نفس المسار في السوق حاليًا، سنقدّر مستوى التقييم المحتمل بعد إدراجها.

2. منصة الحوسبة اللامركزية للذكاء الاصطناعي: IO.NET

2.1 تحديد موقع المشروع

IO.NET هي شبكة حوسبة لا مركزية. تقوم ببناء سوق ثنائي الجانب حول الشرائح: جانب العرض يتكون من قدرة شرائح موزعة حول العالم (مع كون GPU هو الغالب، وكذلك يوجد CPU وiGPU الخاص بشركة Apple)، وجانب الطلب يتكون من مهندسي الذكاء الاصطناعي الذين يرغبون في إكمال مهام تدريب نماذج AI أو مهام الاستدلال.

على موقع IO.NET الرسمي، تكتب هكذا:

Our Mission

تجميع مليون وحدة GPU في شبكة DePIN – شبكة البنية التحتية المادية اللامركزية.

مهمتها هي دمج عدد بمقياس المئات بالملايين من وحدات GPU ضمن شبكة DePIN الخاصة بها.

مقارنة بمقدمي خدمات حوسبة AI السحابية الحاليين، فإن نقاط البيع الأساسية التي تبرزها بشكل خارجي تتمثل في:

  • تشكيلة مرنة: يمكن لمهندسي الذكاء الاصطناعي اختيار وتركيب الشرائح التي يحتاجونها بحرية لتكوين «عنقود/مجموعة» لإنجاز مهامهم الحوسبية.

  • نشر سريع: لا حاجة لانتظار موافقات لأسابيع (كما هو الحال حاليًا لدى مزودي السحابة المركزية مثل AWS)، إذ يمكن إكمال النشر خلال عشرات الثواني وبدء المهام.

  • خدمة بسعر منخفض: تكلفة الخدمة أقل بنسبة 90% تقريبًا من مزودي الخدمات الرئيسيين.

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

2.2 آلية المنتج وبيانات الأعمال

آلية المنتج وتجربة النشر

كما هو الحال مع خدمات الحوسبة السحابية من Amazon وGoogle وAlibaba، فإن خدمة الحوسبة التي تقدمها IO.NET تُسمى IO Cloud. وIO Cloud هي شبكة شرائح موزعة ولا مركزية، قادرة على تنفيذ أكواد التعلم الآلي المبنية على Python، وتشغيل برامج الذكاء الاصطناعي والتعلم الآلي.

الوحدة الأساسية للعمل لـ IO Cloud تسمى Clusters (المجموعات). Clusters عبارة عن مجموعة من وحدات GPU يمكنها التنسيق الذاتي لإنجاز مهام الحوسبة، ويمكن لمهندسي الذكاء الاصطناعي تخصيص/تعريف المجموعات التي يريدونها وفقًا لاحتياجاتهم.

واجهة منتج IO.NET سهلة الاستخدام جدًا. فإذا كنت تريد نشر مجموعة شرائح خاصة بك لإكمال مهام حوسبة AI، فبعد الدخول إلى صفحة منتج Clusters (المجموعات)، يمكنك البدء في تهيئة مجموعة الشرائح المطلوبة حسب الطلب.

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

أولًا، عليك اختيار سيناريو المهمة الخاصة بك. حاليًا يوجد ثلاثة أنواع للاختيار:

  1. عام (General): يوفر بيئة أكثر شمولًا، ومناسب لمراحل المشروع المبكرة التي لا يزال من غير الواضح فيها احتياج الموارد بشكل محدد.

  2. تدريب (Train): مصمم خصيصًا للتركيب والتعديل الدقيق (fine-tuning) وتدريب نماذج التعلم الآلي. يتيح هذا الخيار توفير المزيد من موارد GPU وسعة ذاكرة أعلى و/أو اتصالات شبكية أسرع للتعامل مع مهام الحوسبة عالية الشدة هذه.

  3. استدلال (Inference): مصمم خصيصًا لمجموعات العمل منخفضة التأخير والحمولة الثقيلة. في سياق التعلم الآلي، يشير الاستدلال إلى استخدام نموذج تم تدريبه للتنبؤ أو تحليل بيانات جديدة مع تقديم ملاحظات/ردود. لذلك سيركز هذا الخيار على تحسين التأخير ومعدل الإنتاجية لدعم متطلبات معالجة البيانات الفورية أو شبه الفورية.

ثم ستحتاج إلى اختيار مزود إمداد مجموعة الشرائح. حاليًا، لدى IO.NET شراكة مع Render Network وشبكة عمال التعدين الخاصة بـ Filecoin. لذلك يمكن للمستخدمين اختيار شرائح IO.NET أو شرائح الشبكتين الأخريين لتكون مزود الإمداد لمجموعة الحساب الخاصة بهم. وبذلك، تلعب IO.NET دور «مجمع/aggregator» (لكن حتى وقت كتابة الكاتب، كانت خدمة Filecon متوقفة مؤقتًا). ويجدر بالذكر أنه وفقًا لما يظهر في الصفحة، يبلغ عدد GPU المتاحة والمتصلة بالإنترنت في IO.NET 200 ألف+، بينما يبلغ عدد GPU المتاحة في Render Network 3700+.

بعد ذلك ندخل مرحلة اختيار عتاد شرائح المجموعة. حتى الآن، تعرض IO.NET أنواع العتاد المتاحة للاختيار وهي GPU فقط، دون تضمين CPU أو iGPU الخاص بشركة Apple (مثل M1 وM2). كما أن وحدات GPU تعتمد أساسًا على منتجات NVIDIA.

ضمن خيارات عتاد GPU التي أعلنتها الجهة الرسمية وتكون متاحة، ووفقًا لبيانات اليوم التي اختبرها الكاتب، فإن إجمالي عدد GPU المتاحة المتصلة بالإنترنت على شبكة IO.NET يبلغ 206001 شريحة. وأكبر كمية متاحة هي GeForce RTX 4090 (45250 شريحة)، تليها GeForce RTX 3090 Ti (30779 شريحة).

بالإضافة إلى ذلك، في معالجة مهام حوسبة الذكاء الاصطناعي مثل التعلم الآلي والتعلم العميق والحوسبة العلمية، تكون شريحة A100-SXM4-80GB أكثر كفاءة (سعر السوق 15000$+)، ويبلغ عددها المتصل حاليًا 7965 شريحة.

أما بطاقة H100 80GB HBM3 من NVIDIA (سعر السوق 40000$+)، فهي صممت أساسًا للأغراض المتعلقة بالذكاء الاصطناعي. وتبلغ قدرة تدريبها 3.3 مرات قدرة A100، وقدرتها على الاستدلال 4.5 مرات قدرة A100. والعدد المتصل فعليًا هو 86 شريحة.

بعد تحديد نوع العتاد في المجموعة، يحتاج المستخدم أيضًا إلى اختيار معلمات مثل المنطقة الجغرافية، وسرعة الاتصال، وعدد وحدات GPU المراد استئجارها، ومدة الإيجار.

وأخيرًا، بناءً على الاختيارات الشاملة، ستقدم لك IO.NET فاتورة؛ وعلى سبيل المثال مع إعداد مجموعة الكاتب:

  • سيناريو مهام عام (General)

  • 16 شريحة A100-SXM4-80GB

  • أقصى سرعة اتصال (Ultra High Speed)

  • الموقع الجغرافي: الولايات المتحدة

  • مدة الإيجار: أسبوع واحد

يبلغ سعر الفاتورة الإجمالي 3311.6$، ويبلغ سعر الإيجار بالساعة لكل بطاقة 1.232$

وبالنسبة لـ A100-SXM4-80GB، فإن سعر الإيجار لكل بطاقة عند Amazon Cloud وGoogle Cloud وMicrosoft Azure هو 5.12$ و5.07$ و3.67$ على الترتيب (مصدر البيانات: https://cloud-gpus.com/؛ وقد يتغير السعر الفعلي وفقًا لشروط تفاصيل العقد).

لذلك، وبالنسبة للسعر فقط، فإن قدرة شرائح IO.NET أرخص فعلًا من مزودي الخدمات الرئيسيين إلى حد كبير. كما أن تشكيلات العرض والتوليف في عمليات الشراء لديها مرونة أعلى، وطريقة التشغيل سهلة نسبيًا.

حالة الأعمال

حالة جانب العرض

اعتبارًا من 4 أبريل من هذا العام، وفقًا للبيانات الرسمية، فإن إجمالي توريد GPU لدى IO.NET في جانب العرض يبلغ 371027 شريحة، وتوريد CPU يبلغ 42321 شريحة. إضافة إلى ذلك، وباعتبار Render Network شريكها، فإنه توفر أيضًا 9997 شريحة GPU و776 شريحة CPU متصلة بالشبكة كعرض.

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

عند كتابة هذا النص، من إجمالي كمية الـGPU المتصلة بواسطة IO.NET، فإن 214387 شريحة كانت في وضع الاتصال (online)، وبلغت نسبة الاتصال 57.8%. بينما كانت نسبة اتصال GPU الخاصة بشبكة Render Network 45.1%.

ماذا تعني بيانات جانب التوريد المذكورة أعلاه؟

ولأجل المقارنة، سنقدم مشروعًا آخر أقدم وأكثر شهرة في مجال الحوسبة الموزعة وهو Akash Network للمقارنة.

كانت Akash Network بالفعل قد أطلقت الشبكة الرئيسية (Mainnet) في 2020. في البداية ركزت بشكل أساسي على الخدمات الموزعة للـCPU والتخزين. وفي يونيو 2023، أطلقت شبكة اختبار لخدمات GPU، ثم في سبتمبر من العام نفسه، أطلقت الشبكة الرئيسية للحوسبة الموزعة للـGPU.

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

وفقًا لبيانات Akash الرسمية، منذ طرح شبكة GPU الخاصة بها، ورغم استمرار نمو جانب العرض، إلا أن عدد الاتصالات/الانضمام الإجمالي للـGPU حتى الآن يبلغ 365 شريحة فقط.

من حيث كمية إمدادات GPU، فإن IO.NET تتجاوز Akash Network بعدة مراتب من حيث الحجم، وهي بالفعل أكبر شبكة إمداد ضمن مسار الحوسبة الموزعة لـGPU.

حالة جانب الطلب

ومع ذلك، من ناحية الطلب، لا تزال IO.NET في مرحلة مبكرة جدًا من تهيئة السوق. حاليًا، إجمالي كمية استخدام IO.NET لتنفيذ مهام الحوسبة ليست كبيرًا. أغلب وحدات GPU المتصلة تعمل بحِمل 0%؛ ولا تتعامل مع المهام سوى أربع شرائح: A100 PCIe 80GB K8S وRTX A6000 K8S وRTX A4000 K8S وH100 80GB HBM3. وباستثناء A100 PCIe 80GB K8S، فإن أحمال الثلاث شرائح الأخرى أقل من 20% فقط.

وبحسب قيمة ضغط الشبكة التي أعلنها الموقع الرسمي في ذلك اليوم والتي بلغت 0%، فهذا يعني أن معظم إمدادات الشرائح متواجدة في حالة انتظار متصل بالإنترنت (standby).

أما على مستوى حجم رسوم الشبكة، فقد حققت IO.NET 586029$ كرسوم خدمة، وكانت رسوم اليوم القريب 3200$.

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

حجم رسوم تسوية الشبكة المذكورة أعلاه، سواء من حيث الإجمالي أو من حيث عدد المعاملات اليومية، يقع في نفس مرتبة الحجم تقريبًا مع Akash. لكن معظم دخل شبكة Akash يأتي من جزء CPU، إذ أن كمية إمدادات CPU لدى Akash تزيد على 20 ألف شريحة.

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

بالإضافة إلى ذلك، كشفت IO.NET عن بيانات الأعمال الخاصة بمهام استدلال الذكاء الاصطناعي لمعالجة الشبكة. وحتى الآن، تجاوز عدد مهام الاستدلال التي تم معالجتها والتحقق منها 230 ألف مهمة. لكن معظم هذا الحجم ينتج عن مشروع IO.NET الراعي BC8.AI.

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

وفقًا لبيانات الأعمال الحالية، فإن توسع جانب العرض في IO.NET يسير بسلاسة. وقد ساعدت توقعات الهبة (airdrop) ونشاط المجتمع تحت الرمز «Ignition» في تجميع قدر كبير من قدرة شرائح AI بسرعة. ومع ذلك، لا تزال مرحلة توسيع جانب الطلب في بداياتها، ولا توجد طلبات عضوية كافية حتى الآن. أما سبب نقص جانب الطلب حاليًا، فقد يكون بسبب أن توسع جانب المستهلكين لم يبدأ بعد، أو لأن تجربة الخدمة غير مستقرة بما يكفي حاليًا، الأمر الذي يحدّ من تبني واسع النطاق. ولا يزال من الضروري تقييم هذه النقطة.

لكن مع الأخذ في الاعتبار أن فجوة قدرات الحوسبة الخاصة بالذكاء الاصطناعي يصعب سدها على المدى القصير، فهناك عدد كبير من مهندسي الذكاء الاصطناعي والمشاريع يبحثون عن بدائل، ما قد يثير اهتمامهم بخدمات لا مركزية. بالإضافة إلى ذلك، لم تقم IO.NET بعد بتنفيذ أي تحفيز اقتصادي وأنشطة في جانب الطلب، ومع التحسن التدريجي لتجربة المنتج، لا يزال من المتوقع أن يتم تحقيق التطابق تدريجيًا بين جانبي العرض والطلب لاحقًا.

2.3 خلفية الفريق وحالة التمويل

حالة الفريق

منذ تأسيس الفريق الأساسي لـ IO.NET، كانت أعمالهم تتمحور حول التداول الكمي (quant trading). وقبل يونيو 2022، كانوا يركزون على تطوير أنظمة تداول كمي على مستوى المؤسسات للأسهم والأصول المشفرة. وبسبب احتياج النظام الخلفي إلى قدر من القدرة الحاسوبية، بدأ الفريق في استكشاف إمكانية الحوسبة اللامركزية، وفي النهاية ركزوا على مشكلة محددة وهي خفض تكلفة خدمات قدرات GPU.

المؤسس والمدير التنفيذي (CEO): Ahmad Shadid

عمل Ahmad Shadid قبل IO.NET في مجال التداول الكمي والهندسة المالية، كما كان متطوعًا في مؤسسة Ethereum.

مدير التسويق (CMO) & كبير مسؤولي الاستراتيجية: Garrison Yang

انضم Garrison Yang إلى IO.NET رسميًا في شهر مارس من هذا العام. كان قبل ذلك نائب رئيس الاستراتيجية والنمو في Avalanche. تخرج من جامعة كاليفورنيا سانتا باربرا (UCSB).

المدير التنفيذي للعمليات (COO): Tory Green

Tory Green هو كبير مسؤولي التشغيل في io.net. كان سابقًا كبير مسؤولي التشغيل في Hum Capital، ومدير تطوير الأعمال والاستراتيجية في Fox Mobile Group. تخرج من جامعة ستانفورد.

وفقًا لمعلومات LinkedIn الخاصة بـ IO.NET، فإن المقر الرئيسي للفريق في مدينة نيويورك بالولايات المتحدة، ولدى فرع في سان فرانسيسكو. وحجم الفريق حاليًا يتجاوز 50 شخصًا.

حالة التمويل

حتى الآن كشفت IO.NET عن جولة تمويل واحدة فقط؛ وهي جولة A التي تم إتمامها في شهر مارس من هذا العام، بتقييم يبلغ 1 مليار دولار أمريكي، وتم جمع 30 مليون دولار. قاد الجولة Hack VC، ومن بين المشاركين أيضًا Multicoin Capital وDelphi Digital وForesight Ventures وAnimoca Brands وContinue Capital وSolana Ventures وAptos وLongHash Ventures وOKX Ventures وAmber Group وSevenX Ventures وArkStream Capital وغيرها.

ومن الجدير بالذكر أن الأمر ربما حدث بسبب استثمار من مؤسسة Aptos؛ إذ إن مشروع BC8.AI الذي كان يقوم بتسوية وتدوين القيود على Solana قد تم بالفعل تحويله إلى شبكة L1 عالية الأداء من Aptos.

2.4 تقدير التقييم

وفقًا لقول المؤسس والمدير التنفيذي Ahmad Shadid السابق، فإن IO.NET ستطلق التوكن بحلول نهاية أبريل.

لدى IO.NET مشروعين يمكن اعتبارهما جهات مرجعية للتقييم: Render Network وAkash Network. وكلاهما يمثل مشاريع بارزة في مجال الحوسبة الموزعة.

يمكننا استنتاج نطاق القيمة السوقية لـ IO.NET بطريقتين: 1) نسبة السعر إلى الإيراد، أي: القيمة السوقية/الإيراد؛ 2) القيمة السوقية/عدد شرائح الشبكة.

لنبدأ بتقدير القيمة اعتمادًا على نسبة سعر السوق إلى المبيعات (市销比):

من منظور نسبة سعر السوق إلى المبيعات، يمكن أن تكون Akash الحد الأدنى لنطاق تقييم IO.NET، بينما يُعد Render مرجعًا للتسعير في الجزء الأعلى من التقييم. ويبلغ نطاق FDV لديها 1.67 مليار إلى 5.93 مليار دولار أمريكي.

لكن مع الأخذ في الاعتبار تحديثات مشروع IO.NET، وأن السردية أكثر سخونة، وبالإضافة إلى أن القيمة السوقية المتداولة في المرحلة المبكرة كانت صغيرة نسبيًا، وكذلك أن حجم جانب التوريد الأكبر موجود حاليًا، فإن احتمال أن تتجاوز FDV قيمة Render ليس صغيرًا.

لننظر إلى زاوية أخرى لتقييم المقارنة، وهي «قيمة السوق إلى قيمة العائد لكل شريحة» (市芯比).

في ظل الخلفية التي يكون فيها طلب الحوسبة الخاصة بالذكاء الاصطناعي أكبر من العرض، فإن أهم عنصر في شبكات الحوسبة الموزعة للذكاء الاصطناعي هو حجم جانب توريد GPU، لذلك يمكننا استخدام «قيمة السوق إلى عدد شرائح الشبكة» لإجراء مقارنة عرضية؛ أي عبر حساب نسبة إجمالي القيمة السوقية للمشروع إلى عدد الشرائح داخل الشبكة، لنستنتج نطاق القيمة السوقية المحتمل لـ IO.NET كمرجع للمشاهدين/القراء.

إذا قمنا بتقدير نطاق القيمة السوقية لـ IO.NET اعتمادًا على نسبة القيمة السوقية إلى عدد الشرائح (市芯比)، فإن IO.NET تجعل نسبة市芯比 مع Render كحد أعلى، ومع Akash كحد أدنى. وبالتالي فإن نطاق FDV هو 20.6 مليار إلى 197.5 مليار دولار أمريكي.

نعتقد أن أي قارئ متفائل بشأن مشروع IO.NET سيعتبر أن هذا تقدير «مفرط التفاؤل» للقيمة السوقية.

كما أننا نحتاج إلى أخذ الاعتبار أنه نظرًا لحجم عدد الشرائح المتصلة بالإنترنت في IO.NET حاليًا، فقد يكون هناك تحفيز ناتج عن توقعات الهبة (airdrop) وأنشطة تحفيزية. وبعد إطلاق المشروع رسميًا، ستظل الأعداد الفعلية المتصلة في جانب التوريد بحاجة إلى المراقبة.

لذلك بشكل عام، قد تكون الحسابات الخاصة بالتقييم من منظور نسبة السعر إلى المبيعات أكثر قابلية للاسترشاد.

باعتبار IO.NET مشروعًا يحمل «أضواء ثلاثية» من AI + DePIN + نظام Solana البيئي، فما ستكون نتائج أدائه من حيث القيمة السوقية بعد إطلاقه؟ دعونا ننتظر ونرى.

3. معلومات مرجعية

  • Dephi Digital: The Real Merge

  • Galaxy: Understanding the Intersection of Crypto and AI