بواسطة أليكس شيو، شريك بحثي في مينيست فنتشرز

مقدمة

في تقريرنا الأخير، ذكرنا أنه مقارنة بالدورتين السابقتين، فإن ارتفاع سوق العملات المشفرة الحالي يفتقر إلى نماذج الأعمال الجديدة وسرد الأصول. الذكاء الاصطناعي (AI) هو أحد السرديات الجديدة في مساحة Web3 هذا الدورة. تتعمق هذه المقالة في مشروع الذكاء الاصطناعي الساخن لهذا العام، IO.NET، وتنظم الأفكار حول السؤالين التاليين:

  • ضرورة AI + Web3 في المشهد التجاري

  • ضرورة وتحديات نشر شبكة حوسبة لامركزية

سأنظم المعلومات الرئيسية حول المشروع التمثيلي في شبكة حوسبة الذكاء الاصطناعي اللامركزية: IO.NET، بما في ذلك تصميم المنتج، والمشهد التنافسي، وخلفية المشروع. كما سأستعرض بشكل تحليلي مقاييس تقييم المشروع.

تستند الرؤى المتعلقة بجزء «المنطق التجاري وراء التلاقي بين الذكاء الاصطناعي وWeb3» إلى «The Real Merge» لMichael Rinko، وهو محلل أبحاث في Delphi Delphi. وتدمج هذه الدراسة وتستشهد بأفكار من عمله، وهو موصى به بشدة لمزيد من القراءة في The Real Merge.

يرجى ملاحظة أن هذا المقال يعكس تفكيري الحالي وقد يتطور. الآراء الواردة هنا ذاتية وقد توجد أخطاء في الحقائق والبيانات والاستدلال المنطقي. هذه ليست نصيحة مالية، لكن الملاحظات والنقاشات مرحب بها.

المنطق التجاري وراء التلاقي بين الذكاء الاصطناعي وWeb3

2023: «العام المعجز» للذكاء الاصطناعي

إذا تأملنا في سجلات تطور البشرية، يتضح أن الاختراقات التكنولوجية تُطلق تحولات عميقة — من الحياة اليومية إلى المشاهد الصناعية ومسيرة الحضارة نفسها.

في تاريخ البشرية، هناك سنتان مهمتان، وهما 1666 و1905، واللتان تُحتفل بهما الآن باعتبارهما «Annus Mirabilis» في تاريخ العلوم.

اكتسب عام 1666 هذا اللقب بفضل السلسلة المتلاحقة من الاختراقات العلمية لإسحاق نيوتن. ففي عام واحد فقط، أسس فرع الفيزياء المعروف بالبصريات، وأرسى أساس فرع الرياضيات المتمثل في التفاضل والتكامل، واستنبط قانون الجاذبية، وهو قانون أساسي في العلم الطبيعي الحديث. وكانت أي واحدة من هذه الإسهامات وحدها كفيلة بأن تشكل أساسًا للتطور العلمي للبشرية خلال القرن التالي، مسرعةً بذلك التقدم العام للعلوم بشكل كبير.

أما العام البارز الآخر فهو 1905، حين نشر أينشتاين البالغ من العمر 26 عامًا أربع أوراق بحثية على التوالي بسرعة في «Annalen der Physik»، تناولت التأثير الكهروضوئي ومهدت لميكانيكا الكم؛ والحركة البراونية، التي وفرت إطارًا محوريًا لتحليل العمليات العشوائية؛ ونظرية النسبية الخاصة؛ وتكافؤ الكتلة والطاقة، المتمثل في المعادلة E=MC^2. وبالنظر إلى الوراء، تُعد كل واحدة من هذه الأوراق متجاوزةً للمستوى المتوسط للأعمال الفائزة بجائزة نوبل في الفيزياء — وهي الجائزة التي نالها أينشتاين نفسه عن عمله على التأثير الكهروضوئي. وقد دفعت هذه الإسهامات مجتمعةً البشرية عدة خطوات كبيرة إلى الأمام في مسيرة الحضارة.

إن عام 2023، الذي أصبح خلفنا مؤخرًا، يستعد لأن يُحتفى به باعتباره «عامًا معجزًا» آخر، ويرجع الفضل في ذلك إلى حد كبير إلى ظهور ChatGPT.

إن النظر إلى عام 2023 بوصفه «عامًا معجزًا» في تاريخ التكنولوجيا البشرية لا يقتصر فقط على الإقرار بالقفزات التي حققها ChatGPT في معالجة اللغة الطبيعية وتوليدها. بل يتعلق أيضًا بإدراك نمط واضح في تطور نماذج اللغة الكبيرة — وهو أن توسيع معلمات النموذج ومجموعات التدريب يمكن أن يحقق تحسينات أُسية في أداء النموذج. وعلاوة على ذلك، يبدو أن ذلك بلا حدود على المدى القصير، بشرط أن تظل قوة الحوسبة مواكبة.

لا تقتصر هذه القدرة على فهم اللغة وتوليد المحادثة؛ بل يمكن تطبيقها على نطاق واسع في مجالات علمية متنوعة. ولأخذ تطبيق نماذج اللغة الكبيرة في القطاع البيولوجي مثالًا:

  • في عام 2018، قالت الحائزة على جائزة نوبل في الكيمياء Frances Arnold خلال حفلها، «اليوم يمكننا عمليًا قراءة أي تسلسل DNA وكتابته وتعديله، لكننا لا نستطيع تأليفه». وبعد خمس سنوات، في عام 2023، نشر فريق من الباحثين من جامعة ستانفورد وSalesforce Research، وهي شركة ناشئة تركز على الذكاء الاصطناعي، ورقة في مجلة «Nature Biotechnology». وباستخدام نموذج لغة كبير محسّن من GPT-3، أنشأوا فهرسًا جديدًا بالكامل يضم مليون بروتين. ومن بينها، اكتشفوا بروتينين لهما تراكيب مميزة، وكلاهما يتمتع بوظيفة مضادة للبكتيريا، ما قد يمهد الطريق لاستراتيجيات جديدة لمقاومة البكتيريا تتجاوز المضادات الحيوية التقليدية. وهذا يمثل قفزة هائلة في التغلب على عقبات إنشاء البروتين بمساعدة الذكاء الاصطناعي.

  • قبل ذلك، تنبأت خوارزمية الذكاء الاصطناعي AlphaFold ببنى ما يقرب من جميع أنواع البروتين البالغ عددها 2.14 مليار على الأرض خلال 18 شهرًا — وهو إنجاز يضخم ما حققه علماء الأحياء البنيويون عبر التاريخ بمقدار عدة مراتب.

إن دمج نماذج الذكاء الاصطناعي يعد بتحويل الصناعات بشكل جذري. فمن مجالات التكنولوجيا الصعبة مثل التكنولوجيا الحيوية، وعلوم المواد، واكتشاف الأدوية، إلى المجالات الثقافية مثل القانون والفنون، من المقرر أن تعيد موجة تحولية تشكيل هذه الحقول، مع كون عام 2023 بداية كل ذلك.

من المعلوم على نطاق واسع أن القرن الماضي شهد ارتفاعًا أسيًا في قدرة البشرية على توليد الثروة. ومن المتوقع أن يؤدي التقدم السريع في تقنيات الذكاء الاصطناعي إلى تسريع هذه العملية.

اتجاه الناتج المحلي الإجمالي الإجمالي العالمي، مصدر البيانات: مجموعة البنك الدولي

دمج الذكاء الاصطناعي والكريبتو

لفهم الحاجة الكامنة وراء دمج الذكاء الاصطناعي والكريبتو، من المفيد النظر إلى كيفية تكامل خصائصهما المميزة مع بعضها البعض.

التكامل بين خصائص الذكاء الاصطناعي والكريبتو

يتميز الذكاء الاصطناعي بثلاث خصائص رئيسية:

  • العشوائية: الذكاء الاصطناعي عشوائي، وآلية إنتاج محتواه عبارة عن صندوق أسود غامض يصعب تكراره، مما يجعل مخرجاته عشوائية بطبيعتها.

  • كثيف الموارد: الذكاء الاصطناعي صناعة كثيفة الموارد، تتطلب كميات كبيرة من الطاقة والشرائح وقوة الحوسبة.

  • ذكاء شبيه بالبشر: الذكاء الاصطناعي قادر (قريبًا) على اجتياز اختبار تورينغ، مما يجعل من الصعب بشكل متزايد التمييز بين البشر والذكاء الاصطناعي.

※ في 30 أكتوبر 2023، كشف باحثون من جامعة كاليفورنيا، سان دييغو، عن درجات اختبار تورينغ لكل من GPT-3.5 وGPT-4.0. وقد حقق الأخير درجة 41%، وهو ما يقل بقليل عن درجة النجاح البالغة 50% بفارق 9 نقاط مئوية فقط، بينما سجل البشر 63% في الاختبار نفسه. وتكمن جوهرية هذا الاختبار في عدد المشاركين الذين يعتقدون أن الطرف الذي يتحادثون معه إنسان. وتشير الدرجة الأعلى من 50% إلى أن الأغلبية تعتقد أنها تتفاعل مع إنسان لا مع آلة، وبالتالي يُعد الذكاء الاصطناعي قد اجتاز اختبار تورينغ بنجاح ما دام نصف الأشخاص على الأقل لم يتمكنوا من تمييزه عن الإنسان.

مع أن الذكاء الاصطناعي يمهد الطريق لتحقيق تقدمات ثورية في إنتاجية البشر، فإنه يطرح في الوقت نفسه تحديات عميقة لمجتمعنا، وبالتحديد:

  • كيفية التحقق من عشوائية الذكاء الاصطناعي والتحكم فيها، وتحويلها إلى ميزة بدلًا من أن تكون عيبًا

  • كيفية سد الاحتياجات الضخمة للطاقة وقوة الحوسبة التي يتطلبها الذكاء الاصطناعي

  • كيفية التمييز بين البشر والذكاء الاصطناعي

يمكن للكريبتو وتقنية البلوكشين أن يقدما الحل المثالي للتحديات التي يطرحها الذكاء الاصطناعي، والتي تتميز بثلاث خصائص رئيسية:

  • الحتمية: تعتمد العمليات على البلوكشين والبرمجة والعقود الذكية، مع قواعد وحدود واضحة. تؤدي المدخلات إلى مخرجات قابلة للتوقع، مما يضمن درجة عالية من الحتمية.

  • التخصيص الفعّال للموارد: أسهم اقتصاد الكريبتو في نشوء سوق عالمي حر واسع، مما أتاح تسعيرًا وتمويلًا وتحويلًا سريعًا للموارد. كما أن وجود الرموز المميزة يسرّع أكثر مواءمة العرض والطلب في السوق، ويحقق بسرعة كتلة حرجة عبر الحوافز.

  • عدم الحاجة إلى الثقة: بفضل السجلات العامة والبرمجيات مفتوحة المصدر، يمكن لأي شخص التحقق بسهولة من العمليات، مما يخلق نظامًا «لا يتطلب الثقة». علاوة على ذلك، تضمن تقنية إثبات المعرفة الصفرية (ZK) أيضًا الحفاظ على الخصوصية أثناء عمليات التحقق هذه.

ولإظهار التكامل بين الذكاء الاصطناعي واقتصاد الكريبتو، دعونا نتعمق في ثلاثة أمثلة.

مثال أ: التغلب على العشوائية عبر وكلاء ذكاء اصطناعي مدعومين باقتصاد الكريبتو

وكلاء الذكاء الاصطناعي برامج ذكية مصممة لتنفيذ المهام نيابةً عن البشر وفقًا لتوجيهاتهم، وتُعد Fetch.AI مثالًا بارزًا في هذا المجال. تخيل أننا كلفنا وكيل الذكاء الاصطناعي لدينا بتنفيذ عملية مالية، مثل «استثمار 1000 دولار في BTC». قد يواجه وكيل الذكاء الاصطناعي حالتين مختلفتين:

السيناريو 1: يُطلب من الوكيل التفاعل مع جهات مالية تقليدية (مثل BlackRock) لشراء صناديق BTC ETF، ويواجه العديد من مشكلات التوافق مع المؤسسات المركزية، بما في ذلك إجراءات KYC، والتحقق من المستندات، وعمليات تسجيل الدخول، ومصادقة الهوية، وكلها مرهقة بشكل ملحوظ في الوقت الحالي.

السيناريو 2: عند العمل داخل اقتصاد الكريبتو الأصلي، تصبح العملية أبسط. يمكن للوكيل تنفيذ المعاملة مباشرة عبر Uniswap أو مجمع تداول مشابه، باستخدام حسابك لتسجيل الدخول وتأكيد الأمر، وبالتالي الحصول على WBTC أو غيرها من النسخ المغلفة من BTC. هذه العملية فعالة ومبسطة. في الأساس، هذه هي الوظيفة التي تؤديها حاليًا مختلف روبوتات التداول، بوصفها وكلاء ذكاء اصطناعي أساسيين يركزون على أنشطة التداول. ومع مزيد من التطوير ودمج الذكاء الاصطناعي، ستنجز هذه الروبوتات أهداف تداول أكثر تعقيدًا. على سبيل المثال، قد تراقب 100 عنوان smart money على البلوكشين، وتقيّم استراتيجياتهم ومعدلات نجاحهم، وتخصص 10% من أموالها لنسخ صفقاتهم لمدة أسبوع، وتوقف العمليات إذا كانت العوائد غير مواتية، وتستنتج الأسباب المحتملة وراء هذه الاستراتيجيات.

يزدهر الذكاء الاصطناعي داخل أنظمة البلوكشين أساسًا لأن قواعد اقتصاد الكريبتو محددة بوضوح، ولأن النظام يسمح بعدم الحاجة إلى الإذن. إن العمل ضمن إرشادات واضحة يقلل بشكل كبير من المخاطر المرتبطة بعشوائية الذكاء الاصطناعي المتأصلة. فمثلًا، تفوق الذكاء الاصطناعي على البشر في الشطرنج وألعاب الفيديو ينبع من كون هذه البيئات صناديق مغلقة ذات قواعد بسيطة. وعلى العكس، كانت التطورات في القيادة الذاتية أبطأ. فالتحديات في العالم المفتوح أكثر تعقيدًا، كما أن مستوى تقبلنا للحلول غير المتوقعة التي يطرحها الذكاء الاصطناعي في مثل هذه السيناريوهات أقل بكثير.

مثال ب: تجميع الموارد عبر حوافز الرموز

إن شبكة الهاش العالمية الهائلة الداعمة لـ BTC، والتي يبلغ إجمالي معدل الهاش الحالي فيها 576.70 EH/s، تتجاوز القوة الحاسوبية التراكمية لأي حواسيب فائقة على مستوى دولة. وينبع هذا النمو من الحوافز البسيطة والعادلة داخل الشبكة.

اتجاه معدل تجزئة BTC

علاوة على ذلك، تستكشف مشاريع DePIN مثل Mobile حوافز رمزية لتنمية سوق على جانبي العرض والطلب لتعزيز التأثيرات الشبكية. أما محور هذا المقال القادم، IO.NET، فهو منصة مصممة لتجميع قوة حوسبة الذكاء الاصطناعي، على أمل إطلاق الإمكانات الكامنة لقوة حوسبة الذكاء الاصطناعي عبر نموذج رمزي.

مثال ج: الاستفادة من المصدر المفتوح وإثباتات ZK للتمييز بين البشر والذكاء الاصطناعي مع حماية الخصوصية

يستخدم Worldcoin، وهو مشروع Web3 شارك في تأسيسه Sam Altman من OpenAI، نهجًا جديدًا للتحقق من الهوية. ومن خلال جهاز مادي يُعرف باسم Orb، يستفيد من بيومتريات قزحية العين البشرية لإنتاج قيم تجزئة فريدة ومجهولة عبر تقنية إثبات المعرفة الصفرية (ZK)، مما يميز البشر عن الذكاء الاصطناعي. وفي أوائل مارس 2024، بدأ مشروع الفن Web3 Drip في تنفيذ Worldcoin ID للتحقق من البشر الحقيقيين وتوزيع المكافآت.

قامت Worldcoin مؤخرًا بفتح مصدر عتاد القزحية الخاص بها Orb، مما يضمن أمن وخصوصية البيانات البيومترية.

بوجه عام، وبفضل حتمية الشيفرة والتشفير، ومزايا تداول الموارد وجمع التمويل التي توفرها الآليات غير المصرح بها والمعتمدة على الرموز، إلى جانب الطبيعة غير المعتمدة على الثقة المستندة إلى الشيفرة مفتوحة المصدر والسجلات العامة، أصبح اقتصاد الكريبتو حلًا محتملًا مهمًا للتحديات التي يواجهها المجتمع البشري مع الذكاء الاصطناعي.

التحدي الأكثر إلحاحًا والأكثر تطلبًا تجاريًا هو العطش الشديد للموارد الحاسوبية الذي تتطلبه منتجات الذكاء الاصطناعي، والذي تدفعه أساسًا الحاجة الكبيرة إلى الشرائح وقوة الحوسبة.

وهذا أيضًا هو السبب الرئيسي وراء تصدر مشاريع قوة الحوسبة الموزعة المكاسب خلال دورة السوق الصاعدة الحالية في قطاع الذكاء الاصطناعي ككل.

الحافز التجاري للحوسبة اللامركزية

يتطلب الذكاء الاصطناعي موارد حاسوبية كبيرة، ضرورية لكل من مهام تدريب النماذج والاستدلال.

من الموثق جيدًا في تدريب نماذج اللغة الكبيرة أنه بمجرد أن يصبح حجم معلمات البيانات كبيرًا، تبدأ هذه النماذج في إظهار قدرات غير مسبوقة. إن التحسينات الأسية التي نراها من جيل ChatGPT إلى الجيل التالي مدفوعة بالنمو الأسي في المتطلبات الحاسوبية لتدريب النماذج.

تشير أبحاث DeepMind وجامعة ستانفورد إلى أنه عبر نماذج اللغة الكبيرة المختلفة، وعند التعامل مع مهام متعددة — سواء كانت حسابًا، أو إجابة عن أسئلة بالفارسية، أو فهم اللغة الطبيعية — فإن النماذج لا تتجاوز التخمين العشوائي إلا عندما يتضمن التدريب رفعًا كبيرًا جدًا في معلمات النموذج (وبالتالي الأعباء الحاسوبية). ويظل أداء أي مهمة قريبًا من العشوائي حتى تصل الجهود الحاسوبية إلى 10^22 FLOPs. وبعد هذا الحد الحرج، يتحسن أداء المهام بشكل كبير عبر أي نموذج لغوي.

*تشير FLOPs إلى العمليات ذات الفاصلة العائمة في الثانية، وهي مقياس للأداء الحوسبي.

القدرات الناشئة للنماذج اللغوية الكبيرة

القدرات الناشئة للنماذج اللغوية الكبيرة

إن مبدأ «صنع المعجزات بجهد كبير» في قوة الحوسبة، سواء من الناحية النظرية أو بعد التحقق منه عمليًا، ألهم مؤسس OpenAI Sam Altman لاقتراح خطة طموحة لجمع 7 تريليونات دولار. وتهدف هذه الأموال إلى إنشاء مصنع شرائح يتجاوز قدرات TSMC الحالية بعشرة أضعاف (وتُقدّر كلفته بنحو 1.5 تريليون دولار)، مع تخصيص بقية الأموال لإنتاج الشرائح وتدريب النماذج.

إضافة إلى المتطلبات الحاسوبية لتدريب نماذج الذكاء الاصطناعي، تتطلب عمليات الاستدلال أيضًا قوة حوسبة كبيرة، وإن كانت أقل من التدريب. وقد أصبح هذا الاحتياج المستمر إلى الشرائح والموارد الحاسوبية واقعًا قياسيًا للاعبين في مجال الذكاء الاصطناعي.

وعلى النقيض من مزودي الحوسبة الذكية المركزيين مثل Amazon Web Services وGoogle Cloud Platform وAzure من Microsoft، تقدم الحوسبة الذكية اللامركزية عدة قيم مقترحة جذابة:

  • إمكانية الوصول: إن الحصول على الوصول إلى شرائح الحوسبة عبر خدمات مثل AWS أو GCP أو Azure يتطلب عادةً أسابيع، كما أن أشهر طرازات GPU غالبًا ما تكون غير متوفرة في المخزون. بالإضافة إلى ذلك، يكون المستهلكون عادةً مقيدين بعقود طويلة وصارمة مع هذه الشركات الكبرى. أما منصات الحوسبة الموزعة، فمن ناحية أخرى، فتقدم خيارات عتاد مرنة مع إمكانية وصول أفضل.

  • كفاءة التكلفة: من خلال الاستفادة من الشرائح الخاملة وإدراج إعانات رمزية من بروتوكولات الشبكة لمزودي الشرائح وقوة الحوسبة، يمكن لشبكات الحوسبة اللامركزية تقديم قوة حوسبة بتكاليف أقل.

  • مقاومة الرقابة: إن عرض الشرائح المتقدمة حاليًا تهيمن عليه شركات التكنولوجيا الكبرى، ومع قيام الحكومة الأمريكية بتكثيف التدقيق على خدمات الحوسبة الذكية، فإن القدرة على الحصول على قوة الحوسبة بطريقة لامركزية ومرنة وغير مقيدة أصبحت ضرورة واضحة بشكل متزايد. وهذه هي القيمة المقترحة الأساسية لمنصات الحوسبة المعتمدة على Web3.

إذا كانت الوقود الأحفوري هو شريان الحياة لعصر الصناعة، فإن قوة الحوسبة قد تكون بالفعل شريان الحياة للعصر الرقمي الجديد الذي يفتحه الذكاء الاصطناعي، مما يجعل عرض قوة الحوسبة بنية تحتية لعصر الذكاء الاصطناعي. وعلى نحو مشابه لكيفية ظهور العملات المستقرة كمشتق قوي للعملة الورقية في حقبة Web3، هل يمكن أن يتطور سوق الحوسبة الموزعة إلى قطاع مزدهر داخل سوق حوسبة الذكاء الاصطناعي سريع التوسع؟

لا يزال هذا سوقًا ناشئًا، وما زال الكثير غير واضح. ومع ذلك، قد تدفع عدة عوامل السرد أو تبني السوق للحوسبة اللامركزية:

  • استمرار تحديات عرض وحدات GPU: قد تدفع قيود العرض المستمرة على وحدات GPU المطورين إلى استكشاف منصات الحوسبة اللامركزية.

  • التوسع التنظيمي: إن الوصول إلى خدمات الحوسبة الذكية من المنصات السحابية الكبرى يتطلب عادةً إجراءات KYC دقيقة وتدقيقًا شاملاً. وقد يؤدي ذلك إلى زيادة تبني منصات الحوسبة اللامركزية، خاصة في المناطق التي تواجه قيودًا أو عقوبات.

  • حوافز سعر الرمز: قد تؤدي الزيادات في أسعار الرموز خلال الأسواق الصاعدة إلى تعزيز قيمة الإعانات التي تقدمها المنصات لمزودي وحدات GPU، ما يجذب المزيد من المزودين إلى السوق، ويزيد من حجمه، ويخفض التكاليف على المستهلكين.

وفي الوقت نفسه، فإن التحديات التي تواجهها منصات الحوسبة اللامركزية واضحة أيضًا جدًا:

  • التحديات التقنية والهندسية

    • مشكلات إثبات العمل: بسبب البنية الهرمية للحسابات في نماذج التعلم العميق، حيث يستخدم خرج كل طبقة كمدخل للطبقة التالية، فإن التحقق من صحة الحسابات يتطلب تنفيذ كل العمل السابق، وهو أمر ليس بسيطًا ولا فعالًا. ولمواجهة ذلك، تحتاج منصات الحوسبة اللامركزية إما إلى تطوير خوارزميات جديدة أو استخدام تقنيات تحقق تقريبية توفر ضمانًا احتماليًا للنتائج بدلًا من الحتمية المطلقة.

    • تحديات التوازي: تستفيد منصات الحوسبة اللامركزية من مجموعة متنوعة من مزودي الشرائح، حيث يقدم كل منهم عادةً قوة حوسبة محدودة. ومن شبه المستحيل إنجاز مهام تدريب أو استدلال نموذج ذكاء اصطناعي بسرعة عبر مزود واحد فقط. لذلك يجب تفكيك المهام وتوزيعها باستخدام التوازي لتقصير وقت الإنجاز الكلي. غير أن هذا النهج يطرح عدة تعقيدات، منها كيفية تقسيم المهام (خصوصًا مهام التعلم العميق المعقدة)، واعتماديات البيانات، والتكاليف الإضافية للاتصال بين الأجهزة.

    • قضايا حماية الخصوصية: كيف يمكن ضمان ألا يتم الكشف عن بيانات العميل ونماذجه إلى الجهة المستلمة للمهام؟

  • تحديات الامتثال التنظيمي

    • يمكن لمنصات الحوسبة اللامركزية، بسبب طبيعتها غير المصرح بها في أسواق العرض والطلب، أن تجذب بعض العملاء باعتبارها نقطة بيع رئيسية. ومع ذلك، ومع تطور الأطر التنظيمية للذكاء الاصطناعي، قد تصبح هذه المنصات بشكل متزايد أهدافًا للتدقيق الحكومي. علاوة على ذلك، يشعر بعض مزودي GPU بالقلق بشأن ما إذا كانت مواردهم الحاسوبية المؤجرة تُستخدم من قبل شركات أو أفراد خاضعين للعقوبات.

باختصار، المستخدمون الرئيسيون لمنصات الحوسبة اللامركزية هم في الغالب مطورون محترفون أو شركات صغيرة إلى متوسطة الحجم. وعلى عكس مستثمري العملات المشفرة وNFT، يعطي هؤلاء العملاء الأولوية لاستقرار الخدمات التي تقدمها المنصات واستمراريتها، وليس السعر بالضرورة هو اهتمامهم الأول. ولا تزال أمام منصات الحوسبة اللامركزية رحلة طويلة قبل أن تتمكن من كسب قبول واسع من هذه الفئة المتطلبة من المستخدمين.

بعد ذلك، سنتعمق في التفاصيل ونُجري تحليلًا لـ IO.NET، وهو مشروع جديد للحوسبة اللامركزية في هذه الدورة. كما سنقارنه بمشاريع مشابهة لتقدير قيمته السوقية المحتملة بعد الإطلاق.

منصة حوسبة ذكاء اصطناعي لامركزية: IO.NET

نظرة عامة على المشروع

IO.NET هي شبكة حوسبة لامركزية أنشأت سوقًا ثنائي الجانب حول الشرائح. فمن جانب العرض، توجد قوى حوسبة موزعة عالميًا، تتكون أساسًا من وحدات GPU، ولكن أيضًا من وحدات CPU ووحدات GPU المدمجة من Apple (iGPUs). أما جانب الطلب فيتألف من مهندسي الذكاء الاصطناعي الساعين لإكمال تدريب نماذج الذكاء الاصطناعي أو مهام الاستدلال.

يذكر الموقع الرسمي لـ IO.NET رؤيتهم:

مهمتنا

تجميع مليون وحدة GPU داخل DePIN – شبكة بنية تحتية مادية لامركزية.

مقارنةً بخدمات الحوسبة السحابية التقليدية للذكاء الاصطناعي، تبرز هذه المنصة عدة مزايا رئيسية:

  • تهيئة مرنة: يتمتع مهندسو الذكاء الاصطناعي بحرية اختيار وتجميع الشرائح اللازمة في «عنقود» مصمم خصيصًا لمهامهم الحاسوبية المحددة.

  • النشر السريع: بخلاف فترات الاعتماد والانتظار الطويلة المرتبطة بمزودين مركزيين مثل AWS، يمكن إكمال النشر على هذه المنصة في ثوانٍ معدودة، مما يسمح ببدء المهام فورًا.

  • كفاءة التكلفة: تصل تكاليف الخدمة إلى 90% أقل من تلك التي يقدمها المزودون الرئيسيون.

علاوة على ذلك، تخطط IO.NET لإطلاق خدمات إضافية في المستقبل، مثل متجر لنماذج الذكاء الاصطناعي.

آلية المنتج ومقاييس الأعمال

آليات المنتج وتجربة النشر

على غرار المنصات الكبرى مثل Amazon Cloud وGoogle Cloud وAlibaba Cloud، تقدم IO.NET خدمة حوسبة تُعرف باسم IO Cloud. تعمل هذه الخدمة عبر شبكة موزعة ولامركزية من الشرائح تدعم تنفيذ شيفرة تعلم الآلة المعتمدة على Python لتطبيقات الذكاء الاصطناعي والتعلم الآلي.

الوحدة التجارية الأساسية في IO Cloud تُسمى Clusters — وهي مجموعات ذاتية التنسيق من وحدات GPU مصممة للتعامل بكفاءة مع المهام الحاسوبية. ويتمتع مهندسو الذكاء الاصطناعي بالمرونة لتخصيص هذه العناقيد لتلبية احتياجاتهم المحددة.

واجهة المستخدم في IO.NET سهلة الاستخدام للغاية. إذا كنت ترغب في نشر عنقود الشرائح الخاص بك لمهام الحوسبة الذكية، فما عليك سوى الانتقال إلى صفحة Clusters على المنصة، حيث يمكنك بسهولة تهيئة عنقود الشرائح الذي تريده وفقًا لمتطلباتك.

صفحة Clusters على IO.NET

أولًا، تحتاج إلى اختيار نوع العنقود الخاص بك، مع توفر ثلاثة خيارات:

  1. عام: يوفر بيئة عامة مناسبة للمراحل المبكرة من المشروع عندما لا تكون متطلبات الموارد المحددة واضحة بعد.

  2. تدريب: عنقود مصمم خصيصًا لتدريب نماذج التعلم الآلي وضبطها الدقيق. يوفر هذا الخيار موارد GPU إضافية، وقدرة ذاكرة أعلى، و/أو اتصالات شبكية أسرع لتلبية هذه المهام الحاسوبية المكثفة.

  3. استدلال: عنقود مصمم للاستدلال منخفض الكمون والعمل عالي الحمل. في سياق التعلم الآلي، يشير الاستدلال إلى استخدام النماذج المدربة للتنبؤ أو تحليل مجموعات البيانات الجديدة وتقديم الملاحظات. لذلك يركز هذا الخيار على تحسين الكمون ومعدل النقل لدعم احتياجات معالجة البيانات في الوقت الحقيقي أو شبه الحقيقي.

بعد ذلك، تحتاج إلى اختيار مزود لعقدتك. لدى IO.NET شراكات مع Render Network وشبكة مُعدّني Filecoin، مما يسمح للمستخدمين باختيار الشرائح من IO.NET أو الشبكتين الأخريين كمصدر عرض لعناقيد الحوسبة الخاصة بهم. وهذا يضع IO.NET فعليًا في موقع المُجمِّع (ملاحظة: خدمات Filecoin متوقفة مؤقتًا). ومن الجدير بالذكر أن IO.NET لديها حاليًا أكثر من 200,000 وحدة GPU متاحة عبر الإنترنت، بينما لدى Render Network أكثر من 3,700 وحدة GPU متاحة.

بعد ذلك، ستنتقل إلى مرحلة اختيار العتاد لعقدتك. حاليًا، تدرج IO.NET وحدات GPU فقط كخيار عتادي متاح، مستبعدةً وحدات CPU أو وحدات iGPU من Apple (M1 وM2 وغيرها)، وتتألف وحدات GPU أساسًا من منتجات NVIDIA.

من بين خيارات العتاد GPU المدرجة رسميًا والمتاحة، وبالاعتماد على البيانات التي اختبرتها في ذلك اليوم، بلغ إجمالي عدد وحدات GPU المتاحة عبر الإنترنت داخل شبكة IO.NET 206,001 وحدة. وكانت وحدة GPU الأكثر توفرًا هي GeForce RTX 4090 بعدد 45,250 وحدة، تليها GeForce RTX 3090 Ti بعدد 30,779 وحدة.

علاوة على ذلك، هناك 7,965 وحدة من الشريحة عالية الكفاءة A100-SXM4-80GB (يبلغ سعر كل منها أكثر من 15,000 دولار) متاحة عبر الإنترنت، وهي أكثر كفاءة لمهام الحوسبة الذكية مثل التعلم الآلي والتعلم العميق والحوسبة العلمية.

تقدم NVIDIA H100 80GB HBM3، المصممة من الصفر للذكاء الاصطناعي (بسعر سوقي يزيد عن 40,000 دولار)، أداء تدريب أعلى بمقدار 3.3 مرات وأداء استدلال أعلى بمقدار 4.5 مرات مقارنةً بـ A100. حاليًا، هناك 86 وحدة متاحة عبر الإنترنت.

بعد اختيار نوع العتاد للعقدة، سيحتاج المستخدمون إلى تحديد تفاصيل إضافية مثل الموقع الجغرافي للعقدة، وسرعة الاتصال، وعدد وحدات GPU، والمدة.

أخيرًا، ستقوم IO.NET بحساب فاتورة مفصلة بناءً على الخيارات التي اخترتها. وللتوضيح، تأمل التهيئة التالية للعقدة:

  • نوع العنقود: عام

  • 16 وحدة GPU من نوع A100-SXM4-80GB

  • مستوى الاتصال: عالي السرعة

  • الموقع الجغرافي: الولايات المتحدة

  • المدة: أسبوع واحد

إجمالي الفاتورة لهذه التهيئة هو 3311.6 دولار، مع سعر إيجار بالساعة لكل بطاقة يبلغ 1.232 دولار.

سعر الإيجار بالساعة لوحدة A100-SXM4-80GB واحدة على Amazon Web Services وGoogle Cloud وMicrosoft Azure هو 5.12 دولار و5.07 دولار و3.67 دولار على التوالي (البيانات من Cloud GPU Comparison، وقد تختلف الأسعار الفعلية بحسب تفاصيل العقد).

وبالتالي، من حيث التكلفة، تقدم IO.NET قوة حوسبة شرائح بأسعار أقل بكثير من أسعار المزودين الرئيسيين. بالإضافة إلى ذلك، فإن المرونة في خيارات العرض والشراء تجعل IO.NET خيارًا جذابًا للعديد من المستخدمين.

نظرة عامة على الأعمال

جانب العرض

اعتبارًا من 4 أبريل 2024، تكشف الأرقام الرسمية أن IO.NET كان لديها إجمالي عرض من وحدات GPU بلغ 371,027 وحدة، وعرض من وحدات CPU بلغ 42,321 وحدة على جانب العرض. بالإضافة إلى ذلك، كان لدى Render Network، كشريك، 9,997 وحدة GPU إضافية و776 وحدة CPU متصلة بعرض الشبكة.

مصدر البيانات: io.net

في وقت كتابة هذا النص، كانت 214,387 وحدة من وحدات GPU المدمجة مع IO.NET متصلة بالإنترنت، ما أدى إلى معدل اتصال عبر الإنترنت يبلغ 57.8%. وكان معدل الاتصال عبر الإنترنت لوحدات GPU القادمة من Render Network هو 45.1%.

ماذا تعني هذه البيانات من جانب العرض؟

ولأغراض المقارنة المرجعية، سنستعين بـ Akash Network، وهو مشروع حوسبة لامركزية أكثر نضجًا.

أطلقت Akash Network شبكتها الرئيسية في وقت مبكر من عام 2020، وركزت في البداية على الخدمات اللامركزية لوحدات CPU والتخزين. وأطلقت شبكة اختبار لخدمات GPU في يونيو 2023، ثم أطلقت الشبكة الرئيسية لقوة حوسبة GPU اللامركزية في سبتمبر من العام نفسه.

سعة GPU لدى Akash Network

وفقًا للبيانات الرسمية من Akash، وعلى الرغم من أن جانب العرض ينمو باستمرار منذ إطلاق شبكة GPU الخاصة بها، فإن العدد الإجمالي لوحدات GPU المتصلة بالشبكة لا يزال 365 فقط.

عند تقييم حجم عرض وحدات GPU، تتجاوز IO.NET شبكة Akash Network بفارق كبير، وتعمل على نطاق أكبر بكثير. وقد رسخت IO.NET نفسها بوصفها أكبر جانب عرض في قطاع حوسبة GPU اللامركزية.

جانب الطلب

من جانب الطلب، لا تزال IO.NET في المراحل المبكرة من تنمية السوق، مع حجم إجمالي صغير نسبيًا من مهام الحوسبة المنفذة على شبكتها. وغالبية وحدات GPU متصلة بالإنترنت لكنها خاملة، ما يظهر نسبة عبء عمل تبلغ 0%. ولا تنخرط بنشاط في معالجة المهام سوى أربعة أنواع من الشرائح — A100 PCIe 80GB K8S وRTX A6000 K8S وRTX A4000 K8S وH100 80GB HBM3 — ومن بينها، فإن A100 PCIe 80GB K8S فقط تشهد عبئًا فوق 20%.

بلغ مستوى الضغط الرسمي الذي أبلغت عنه الشبكة لذلك اليوم 0%، ما يشير إلى أن جزءًا كبيرًا من عرض وحدات GPU موجود حاليًا على الإنترنت لكنه في حالة خمول.

ماليًا، حققت IO.NET رسوم خدمة متراكمة بلغت 586,029 دولارًا حتى الآن، مع توليد 3,200 دولار من هذا الإجمالي في أحدث يوم.

المصدر: io.net

تتوافق البيانات المالية المتعلقة برسوم تسوية الشبكة، سواء من حيث إجمالي أحجام المعاملات أو اليومية، بشكل وثيق مع Akash. ومع ذلك، من المهم ملاحظة أن الجزء الأكبر من إيرادات Akash يأتي من عروض CPU لديها، مع مخزون يتجاوز 20,000 وحدة CPU.

المصدر: Akash Network Stats

بالإضافة إلى ذلك، كشفت IO.NET عن بيانات مفصلة لمهام الاستدلال الخاصة بالذكاء الاصطناعي التي تعالجها الشبكة. وحتى أحدث تقرير، نجحت المنصة في معالجة والتحقق من أكثر من 230,000 مهمة استدلال، رغم أن معظم هذا الحجم يأتي من BC8.AI، وهو مشروع برعاية IO.NET.

المصدر: io.net

ينمو جانب العرض في IO.NET بكفاءة، مدفوعًا بتوقعات تتعلق بالإنزال الجوي وفعالية مجتمعية تُعرف باسم «Ignition». وقد جذبت هذه المبادرة بسرعة كمية كبيرة من قوة حوسبة الذكاء الاصطناعي. أما على جانب الطلب، فلا يزال التوسع في بداياته مع عدم كفاية الطلب العضوي. وتتطلب أسباب هذا الضعف في الطلب — سواء كانت بسبب جهود تواصل غير مكتملة مع المستهلكين أو تجارب خدمة غير مستقرة أدت إلى تبني محدود على نطاق واسع — تقييمًا إضافيًا.

نظرًا للتحديات في سد الفجوة بسرعة في قدرات حوسبة الذكاء الاصطناعي، يستكشف العديد من مهندسي الذكاء الاصطناعي والمشاريع بدائل، ما قد يزيد الاهتمام بمزودي الخدمات اللامركزية. علاوة على ذلك، لم تطبق IO.NET بعد حوافز اقتصادية أو أنشطة لتعزيز الطلب، ومع استمرار تحسن تجربة المنتج، فإن التوازن المتوقع بين العرض والطلب يحمل وعودًا للمستقبل.

خلفية الفريق ونظرة عامة على جمع التمويل

ملف الفريق

ركز الفريق الأساسي في IO.NET في البداية على التداول الكمي. وحتى يونيو 2022، كانوا منشغلين في إنشاء أنظمة تداول كمي مؤسسية للأسهم والعملات المشفرة. وبفعل الطلب الخلفي للنظام على قوة الحوسبة، بدأ الفريق في استكشاف إمكانات الحوسبة اللامركزية، وفي النهاية ركز على القضية المحددة المتمثلة في خفض تكلفة خدمات حوسبة GPU.

المؤسس والرئيس التنفيذي: Ahmad Shadid

قبل تأسيس IO.NET، كان Ahmad Shadid يعمل في التمويل الكمي والهندسة المالية، كما أنه متطوع في مؤسسة Ethereum.

مدير التسويق ورئيس الاستراتيجية: Garrison Yang

انضم Garrison Yang رسميًا إلى IO.NET في مارس 2024. وقبل ذلك، كان نائب رئيس الاستراتيجية والنمو في Avalanche، وهو خريج جامعة كاليفورنيا، سانتا باربرا.

مدير العمليات التنفيذي: Tory Green

يعمل Tory Green مديرًا للعمليات في IO.NET. وكان سابقًا المدير التنفيذي للعمليات في Hum Capital ومدير تطوير الأعمال والاستراتيجية في Fox Mobile Group. وتخرج من جامعة ستانفورد.

تشير صفحة IO.NET على LinkedIn إلى أن الفريق يقع مقره الرئيسي في نيويورك، الولايات المتحدة، مع مكتب فرعي في سان فرانسيسكو، ويضم أكثر من 50 موظفًا.

نظرة عامة على التمويل

أعلنت IO.NET علنًا عن جولة تمويل واحدة فقط — وهي جولة السلسلة A التي اكتملت في مارس من هذا العام بتقييم بلغ مليار دولار، وجمعت من خلالها بنجاح 30 مليون دولار. وقادت هذه الجولة Hack VC، بمشاركة مستثمرين آخرين منهم Multicoin Capital وDelphi Digital وForesight Ventures وAnimoca Brands وContinue Capital وSolana Ventures وAptos وLongHash Ventures وOKX Ventures وAmber Group وSevenX Ventures وArkStream Capital.

ومن الجدير بالذكر أن استثمار Aptos Foundation ربما أثّر في قرار مشروع BC8.AI بالانتقال من استخدام Solana لعمليات التسوية والمحاسبة إلى سلسلة الطبقة الأولى ذات الأداء العالي المماثلة Aptos.

تقدير التقييم

وفقًا للتصريحات السابقة للمؤسس والرئيس التنفيذي Ahmad Shadid، من المقرر أن تطلق IO.NET رمزها المميز بحلول نهاية أبريل 2024.

لدى IO.NET مشروعان مرجعيان يُستخدمان كمراجع للتقييم: Render Network وAkash Network، وكلاهما من مشاريع الحوسبة اللامركزية التمثيلية.

هناك طريقتان رئيسيتان لاشتقاق تقدير للقيمة السوقية لـ IO.NET:

  1. نسبة السعر إلى المبيعات (P/S)، التي تقارن بين القيمة السوقية المخففة بالكامل (FDV) والإيرادات؛

  2. نسبة القيمة السوقية المخففة بالكامل إلى الشريحة (M/C Ratio)

سنبدأ بفحص التقييم المحتمل باستخدام نسبة السعر إلى المبيعات:

عند فحص نسبة السعر إلى المبيعات، يمثل Akash الطرف المحافظ من نطاق التقييم المقدر لـ IO.NET، بينما يوفر Render معيارًا أعلى، ما يضع نطاق القيمة السوقية المخففة بالكامل بين 1.67 مليار دولار و5.93 مليار دولار.

ومع ذلك، وبالنظر إلى التحديثات التي طرأت على مشروع IO.NET، فإن سرديته الأكثر جاذبية، إلى جانب قيمته السوقية الأولية الأصغر وقاعدة العرض الأوسع، توحي بأن قيمته السوقية المخففة بالكامل قد تتجاوز بسهولة قيمة Render Network.

وبالانتقال إلى منظور آخر للمقارنة في التقييم، وهو «نسبة القيمة السوقية المخففة بالكامل إلى الشريحة».

في سياق سوق يتجاوز فيه الطلب على قوة حوسبة الذكاء الاصطناعي العرض، فإن العنصر الأكثر أهمية في شبكات حوسبة الذكاء الاصطناعي اللامركزية هو حجم عرض GPU. لذلك، يمكننا استخدام «نسبة القيمة السوقية المخففة بالكامل إلى الشريحة»، وهي نسبة القيمة المخففة بالكامل للمشروع إلى عدد الشرائح داخل الشبكة، لاستنتاج نطاق التقييم المحتمل لـ IO.NET، مما يوفر للقراء مرجعًا.

إن استخدام نسبة القيمة السوقية إلى الشريحة لحساب نطاق تقييم IO.NET يضعنا بين 20.6 مليار دولار و197.5 مليار دولار، مع وضع Render Network للمعيار الأعلى وAkash Network للأدنى.

قد يرى المتحمسون لمشروع IO.NET أن هذا تقدير متفائل جدًا للقيمة السوقية.

من المهم النظر إلى العدد الكبير الحالي من الشرائح المتاحة عبر الإنترنت في IO.NET، والمدفوع بتوقعات الإنزال الجوي وأنشطة الحوافز. أما العدد الفعلي للوحدات المتصلة بالإنترنت بعد الإطلاق الرسمي للمشروع فما زال يحتاج إلى مراقبة.

بوجه عام، قد توفر التقييمات المستندة إلى نسبة السعر إلى المبيعات رؤى أكثر موثوقية.

IO.NET، المبنية على Solana والمدعومة بتلاقي الذكاء الاصطناعي وDePIN، على وشك إطلاق رمزها المميز. وتخيم حالة من الترقب ونحن ننتظر لنرى تأثير ذلك على قيمتها السوقية بعد الإطلاق.

المرجع

  • الاندماج الحقيقي

  • فهم التقاطع بين الكريبتو والذكاء الاصطناعي