Von Alex Xu, Forschungspartner bei Mint Ventures

Einführung

In unserem letzten Bericht haben wir erwähnt, dass im Vergleich zu den beiden vorherigen Zyklen im aktuellen Bullenmarkt der Kryptowährungen neue Geschäftsmodelle und Anlageerzählungen fehlen. Künstliche Intelligenz (KI) ist in diesem Zyklus eine der neuen Erzählungen im Web3-Bereich. Dieser Artikel befasst sich mit dem angesagtesten KI-Projekt des Jahres, IO.NET, und ordnet Gedanken zu den folgenden zwei Fragen:

  • Die Notwendigkeit von KI+Web3 in der kommerziellen Landschaft

  • Die Notwendigkeit und Herausforderungen beim Einsatz eines dezentralen Computernetzwerks

Ich werde wichtige Informationen über das repräsentative Projekt im dezentralen KI-Computernetzwerk IO.NET organisieren, einschließlich Produktdesign, Wettbewerbsumfeld und Projekthintergrund. Ich werde auch über die Bewertungskennzahlen des Projekts spekulieren.

Die Erkenntnisse zu „Die Geschäftslogik hinter der Konvergenz von KI und Web3“ sind teilweise von „The Real Merge“ von Michael Rinko inspiriert, einem Research-Analysten bei Delphi Delphi. Diese Analyse verarbeitet und verweist auf Ideen aus seiner Arbeit. Als weitere Lektüre von „The Real Merge“ ist The Real Merge wärmstens zu empfehlen.

Bitte beachten Sie, dass dieser Artikel meine aktuelle Meinung widerspiegelt und sich weiterentwickeln kann. Die hier dargestellten Meinungen sind subjektiv und es können Fehler in Fakten, Daten und logischen Schlussfolgerungen enthalten sein. Dies ist keine Finanzberatung, aber Feedback und Diskussionen sind willkommen.

Die Geschäftslogik hinter der Konvergenz von KI und Web3

2023: Das „wunderbare Jahr“ für KI

Betrachtet man die Geschichte der menschlichen Entwicklung, wird deutlich, dass technologische Durchbrüche tiefgreifende Veränderungen bewirken – vom täglichen Leben über die Industrielandschaft bis hin zum Vormarsch der Zivilisation selbst.

In der Menschheitsgeschichte gibt es zwei bedeutende Jahre, nämlich 1666 und 1905, die heute als „Annus Mirabilis“ der Wissenschaftsgeschichte gefeiert werden.

Das Jahr 1666 erhielt seinen Namen durch Isaac Newtons Kaskade wissenschaftlicher Durchbrüche. In einem einzigen Jahr leistete er Pionierarbeit für den Zweig der Physik, der als Optik bekannt ist, begründete die mathematische Disziplin der Infinitesimalrechnung und leitete das Gravitationsgesetz ab, das ein grundlegendes Gesetz der modernen Naturwissenschaften ist. Jeder dieser Beiträge war grundlegend für die wissenschaftliche Entwicklung der Menschheit im nächsten Jahrhundert und beschleunigte den allgemeinen Fortschritt der Wissenschaft erheblich.

Das andere Meilensteinjahr ist 1905, als der gerade einmal 26-jährige Einstein in schneller Folge vier Arbeiten in den „Annalen der Physik“ veröffentlichte. Darin ging es um den photoelektrischen Effekt, der die Grundlage für die Quantenmechanik legte, um die Brownsche Bewegung, die einen zentralen Rahmen für die stochastische Prozessanalyse lieferte, um die spezielle Relativitätstheorie und um die Äquivalenz von Masse und Energie, zusammengefasst in der Gleichung E=MC^2. Rückblickend gilt jede dieser Arbeiten als über dem durchschnittlichen Niveau der mit dem Nobelpreis ausgezeichneten Arbeiten in der Physik – eine Auszeichnung, die Einstein selbst für seine Arbeit über den photoelektrischen Effekt erhielt. Zusammen brachten diese Beiträge die Menschheit auf dem Weg der Zivilisation mehrere Schritte voran.

Das Jahr 2023, das gerade hinter uns liegt, wird voraussichtlich als ein weiteres „Wunderjahr“ gefeiert werden, was vor allem der Einführung von ChatGPT zu verdanken ist.

Wenn man 2023 als „Wunderjahr“ in der Geschichte der menschlichen Technologie betrachtet, bedeutet das nicht nur, die Fortschritte anzuerkennen, die ChatGPT bei der Verarbeitung und Generierung natürlicher Sprache gemacht hat. Es geht auch darum, ein klares Muster in der Weiterentwicklung großer Sprachmodelle zu erkennen – die Erkenntnis, dass wir durch die Erweiterung von Modellparametern und Trainingsdatensätzen exponentielle Verbesserungen der Modellleistung erzielen können. Darüber hinaus scheint es kurzfristig grenzenlos zu sein, vorausgesetzt, die Rechenleistung hält Schritt.

Diese Fähigkeit geht weit über das Sprachverständnis und die Konversationsgenerierung hinaus; sie kann in verschiedenen wissenschaftlichen Bereichen eingesetzt werden. Nehmen wir als Beispiel die Anwendung großer Sprachmodelle im biologischen Bereich:

  • Im Jahr 2018 sagte die Chemie-Nobelpreisträgerin Frances Arnold bei ihrer Preisverleihung: „Heute können wir praktisch jede DNA-Sequenz lesen, schreiben und bearbeiten, aber wir können sie nicht zusammensetzen.“ Fünf Jahre später, im Jahr 2023, veröffentlichte ein Forscherteam der Stanford University und Salesforce Research, einem KI-orientierten Startup, eine Veröffentlichung in „Nature Biotechnology“. Mithilfe eines großen, aus GPT-3 verfeinerten Sprachmodells erstellten sie einen völlig neuen Katalog mit 1 Million Proteinen. Darunter entdeckten sie zwei Proteine ​​mit unterschiedlichen Strukturen, die beide mit antibakterieller Funktion ausgestattet sind und möglicherweise den Weg für neue bakterielle Resistenzstrategien jenseits traditioneller Antibiotika ebnen. Dies bedeutet einen enormen Sprung bei der Überwindung der Hürden der Proteinherstellung mit Hilfe der KI.

  • Zuvor hatte der künstliche Intelligenz-Algorithmus AlphaFold innerhalb von 18 Monaten die Strukturen von fast allen 2,14 Milliarden Proteinarten auf der Erde vorhergesagt – ein Meilenstein, der die Leistungen der Strukturbiologen im Laufe der Geschichte um ein Vielfaches übertrifft.

Die Integration von KI-Modellen verspricht, Branchen drastisch zu verändern. Von den Hardtech-Bereichen Biotechnologie, Materialwissenschaften und Arzneimittelforschung bis hin zu den kulturellen Sphären des Rechts und der Künste wird eine transformative Welle diese Bereiche umgestalten, und 2023 markiert den Beginn von allem.

Es ist allgemein anerkannt, dass die Fähigkeit der Menschheit, Wohlstand zu schaffen, im letzten Jahrhundert exponentiell zugenommen hat. Die rasche Weiterentwicklung der KI-Technologien dürfte diesen Prozess beschleunigen.

Globaler BIP-Gesamttrend, Datenquelle: Weltbankgruppe

Zusammenführung von KI und Krypto

Um die inhärente Notwendigkeit der Fusion von KI und Krypto zu verstehen, ist es aufschlussreich, einen Blick darauf zu werfen, wie sich ihre unterschiedlichen Funktionen ergänzen.

Die Symbiose aus KI und Krypto-Features

KI zeichnet sich durch drei Hauptqualitäten aus:

  • Stochastik: KI ist stochastisch. Ihr Mechanismus zur Inhaltserstellung ist eine schwer zu replizierende, rätselhafte Blackbox, wodurch ihre Ergebnisse von Natur aus stochastisch sind.

  • Ressourcenintensiv: KI ist eine ressourcenintensive Branche, die erhebliche Mengen an Energie, Chips und Rechenleistung erfordert.

  • Menschenähnliche Intelligenz: KI ist (bald) in der Lage, den Turing-Test zu bestehen, wodurch es zunehmend schwieriger wird, zwischen Menschen und KI zu unterscheiden.

※ Am 30. Oktober 2023 veröffentlichten Forscher der University of California in San Diego die Turing-Testergebnisse für GPT-3.5 und GPT-4.0. Letzterer erreichte eine Punktzahl von 41 % und verfehlte die Bestehensgrenze von 50 % nur um 9 Prozentpunkte. Menschen erreichten im gleichen Test 63 %. Das Wesentliche bei diesem Turing-Test liegt darin, wie viele Teilnehmer ihren Chat-Partner als Menschen wahrnehmen. Eine Punktzahl über 50 % bedeutet, dass die Mehrheit glaubt, mit einem Menschen und nicht mit einer Maschine zu interagieren. Damit hat die KI den Turing-Test erfolgreich bestanden, da mindestens die Hälfte der Personen sie nicht von einem Menschen unterscheiden konnte.

Während KI den Weg für bahnbrechende Fortschritte in der menschlichen Produktivität ebnet, bringt sie zugleich tiefgreifende Herausforderungen für unsere Gesellschaft mit sich, insbesondere:

  • So lässt sich die Stochastik der KI überprüfen und kontrollieren, sodass sie eher ein Vorteil als ein Fehler ist

  • Wie sich der enorme Bedarf an Energie und Rechenleistung für KI decken lässt

  • Wie man zwischen Menschen und KI unterscheidet

Krypto- und Blockchain-Technologie könnte die ideale Lösung für die Herausforderungen der KI bieten und zeichnet sich durch drei Schlüsselattribute aus:

  • Determinismus: Die Abläufe basieren auf Blockchain, Code und Smart Contracts mit klaren Regeln und Grenzen. Eingaben führen zu vorhersehbaren Ausgaben und gewährleisten so ein hohes Maß an Determinismus.

  • Effiziente Ressourcenzuweisung: Die Kryptowirtschaft hat einen riesigen, globalen und freien Markt hervorgebracht, der eine schnelle Preisgestaltung, Mittelbeschaffung und Ressourcenübertragung ermöglicht. Die Präsenz von Token beschleunigt die Abstimmung von Angebot und Nachfrage auf dem Markt weiter und erreicht durch Anreize schnell eine kritische Masse.

  • Vertrauenslosigkeit: Mit öffentlichen Hauptbüchern und Open-Source-Code kann jeder Vorgänge problemlos überprüfen, wodurch ein „vertrauensloses“ System entsteht. Darüber hinaus stellt die Zero-Knowledge-Technologie (ZK) sicher, dass die Privatsphäre während dieser Überprüfungsprozesse gewahrt bleibt.

Um die Komplementarität zwischen KI und Kryptoökonomie zu demonstrieren, wollen wir uns drei Beispiele genauer ansehen.

Beispiel A: Überwindung der Stochastik mit KI-Agenten auf Basis der Kryptoökonomie

KI-Agenten sind intelligente Programme, die dazu entwickelt wurden, Aufgaben im Auftrag von Menschen gemäß deren Anweisungen auszuführen. Fetch.AI ist ein bemerkenswertes Beispiel in diesem Bereich. Stellen Sie sich vor, wir beauftragen unseren KI-Agenten mit der Durchführung einer Finanztransaktion, beispielsweise „1000 $ in BTC investieren“. Der KI-Agent könnte mit zwei unterschiedlichen Szenarien konfrontiert werden:

Szenario 1: Der Agent muss mit traditionellen Finanzinstituten (z. B. BlackRock) interagieren, um BTC-ETFs zu kaufen, und stößt dabei auf zahlreiche Kompatibilitätsprobleme mit zentralisierten Organisationen, darunter KYC-Verfahren, Dokumentenprüfung, Anmeldeprozesse und Identitätsauthentifizierung, die derzeit alle eine erhebliche Belastung darstellen.

Szenario 2: Beim Betrieb innerhalb der nativen Kryptoökonomie wird der Prozess vereinfacht. Der Agent könnte die Transaktion direkt über Uniswap oder einen ähnlichen Handelsaggregator durchführen, indem er Ihr Konto verwendet, um sich anzumelden und die Bestellung zu bestätigen, und so WBTC oder andere Varianten von Wrapped BTC erwirbt. Dieses Verfahren ist effizient und rationalisiert. Im Wesentlichen ist dies die Funktion, die derzeit von verschiedenen Trading Bots erfüllt wird, die als grundlegende KI-Agenten mit Schwerpunkt auf Handelsaktivitäten fungieren. Mit der Weiterentwicklung und Integration von KI werden diese Bots komplexere Handelsziele erfüllen. Beispielsweise könnten sie 100 Smart Money-Adressen auf der Blockchain überwachen, ihre Handelsstrategien und Erfolgsquoten bewerten, 10 % ihrer Mittel für das Kopieren ihrer Trades über eine Woche hinweg bereitstellen, den Betrieb einstellen, wenn die Renditen ungünstig sind, und die möglichen Gründe für diese Strategien ableiten.

KI gedeiht in Blockchain-Systemen, im Wesentlichen weil die Regeln der Kryptoökonomie explizit definiert sind und das System Erlaubnisfreiheit zulässt. Der Betrieb unter klaren Richtlinien reduziert die Risiken, die mit der inhärenten Zufälligkeit der KI verbunden sind, erheblich. Beispielsweise rührt die Dominanz der KI gegenüber Menschen beim Schach und bei Videospielen daher, dass diese Umgebungen geschlossene Sandboxen mit unkomplizierten Regeln sind. Im Gegensatz dazu verliefen die Fortschritte beim autonomen Fahren langsamer. Die Herausforderungen der offenen Welt sind komplexer und unsere Toleranz gegenüber der unvorhersehbaren Problemlösung der KI in solchen Szenarien ist deutlich geringer.

Beispiel B: Ressourcenkonsolidierung durch Token-Anreize

Das beeindruckende globale Hash-Netzwerk, das BTC unterstützt, weist derzeit eine Gesamt-Hash-Rate von 576,70 EH/s auf und übertrifft damit die kumulierte Rechenleistung aller Supercomputer eines Landes. Dieses Wachstum wird durch einfache und faire Anreize innerhalb des Netzwerks vorangetrieben.

BTC-Hashrate-Trend

Darüber hinaus untersuchen DePIN-Projekte wie Mobile Token-Anreize, um sowohl auf der Angebots- als auch auf der Nachfrageseite einen Markt aufzubauen und Netzwerkeffekte zu fördern. Der kommende Schwerpunkt dieses Artikels, IO.NET, ist eine Plattform zur Aggregation von KI-Rechenleistung, in der Hoffnung, das latente Potenzial der KI-Rechenleistung durch ein Token-Modell freizusetzen.

Beispiel C: Nutzung von Open Source und ZK Proof, um Menschen von KI zu unterscheiden und gleichzeitig die Privatsphäre zu schützen

Worldcoin, ein von Sam Altman von OpenAI mitbegründetes Web3-Projekt, verwendet einen neuartigen Ansatz zur Identitätsüberprüfung. Mithilfe eines Hardwaregeräts namens Orb nutzt es die Biometrie der menschlichen Iris, um mithilfe der Zero-Knowledge-Technologie (ZK) einzigartige und anonyme Hashwerte zu erzeugen, die Menschen von KI unterscheiden. Anfang März 2024 begann das Web3-Kunstprojekt Drip mit der Implementierung von Worldcoin ID, um echte Menschen zu authentifizieren und Belohnungen zuzuweisen.

Worldcoin hat vor Kurzem seine Iris-Hardware Orb als Open Source freigegeben und gewährleistet damit die Sicherheit und den Datenschutz biometrischer Daten.

Insgesamt ist die Kryptoökonomie aufgrund des Determinismus von Code und Kryptografie, der Vorteile hinsichtlich Ressourcenzirkulation und Mittelbeschaffung, die erlaubnisfreie und tokenbasierte Mechanismen mit sich bringen, sowie der auf Open-Source-Code und öffentlichen Hauptbüchern basierenden Vertrauenslosigkeit zu einer bedeutenden potenziellen Lösung für die Herausforderungen geworden, denen sich die menschliche Gesellschaft im Zusammenhang mit KI gegenübersieht.

Die unmittelbarste und kommerziell anspruchsvollste Herausforderung besteht im extremen Bedarf an Rechenressourcen, die KI-Produkte benötigen. Dieser ist vor allem auf den erheblichen Bedarf an Chips und Rechenleistung zurückzuführen.

Dies ist auch der Hauptgrund, warum Projekte mit verteilter Rechenleistung während dieses Bullenmarktzyklus im gesamten KI-Sektor die Gewinne angeführt haben.

Die geschäftliche Notwendigkeit dezentralen Computings

KI erfordert erhebliche Rechenressourcen, die sowohl für das Modelltraining als auch für Inferenzaufgaben erforderlich sind.

Beim Training großer Sprachmodelle ist gut dokumentiert, dass diese Modelle beispiellose Fähigkeiten aufweisen, sobald der Umfang der Datenparameter beträchtlich ist. Die exponentiellen Verbesserungen von einer ChatGPT-Generation zur nächsten sind auf ein exponentielles Wachstum der Rechenleistungsanforderungen für das Modelltraining zurückzuführen.

Untersuchungen von DeepMind und der Stanford University zeigen, dass die Modelle bei verschiedenen großen Sprachmodellen bei der Bearbeitung unterschiedlicher Aufgaben – sei es Berechnungen, die Beantwortung persischer Fragen oder das Verstehen natürlicher Sprachen – nur annähernd zufällige Schätzungen liefern, es sei denn, das Training umfasst deutlich erhöhte Modellparameter (und damit Rechenlasten). Die Leistung jeder Aufgabe bleibt nahezu zufällig, bis der Rechenaufwand 10^22 FLOPs erreicht. Über diesen kritischen Schwellenwert hinaus verbessert sich die Aufgabenleistung bei jedem Sprachmodell dramatisch.

*FLOPs stehen für Gleitkommaoperationen pro Sekunde, ein Maß für die Rechenleistung.

Emergente Fähigkeiten großer Sprachmodelle

Emergente Fähigkeiten großer Sprachmodelle

Das Prinzip, „mit großem Aufwand Wunder in Sachen Rechenleistung zu vollbringen“, sowohl in der Theorie als auch in der Praxis, inspirierte den Gründer von OpenAI, Sam Altman, zu einem ehrgeizigen Plan zur Beschaffung von 7 Billionen Dollar. Mit diesem Fonds soll eine Chipfabrik errichtet werden, die die derzeitigen Kapazitäten von TSMC um das Zehnfache übertreffen würde (geschätzte Kosten: 1,5 Billionen Dollar), wobei die restlichen Mittel für die Chipproduktion und das Modelltraining vorgesehen sind.

Zusätzlich zu den Rechenanforderungen für das Training von KI-Modellen erfordern auch die Inferenzprozesse beträchtliche Rechenleistung, wenn auch weniger als das Training. Dieser anhaltende Bedarf an Chips und Rechenressourcen ist für Akteure im KI-Bereich zur Standardrealität geworden.

Im Gegensatz zu zentralisierten KI-Computing-Anbietern wie Amazon Web Services, Google Cloud Platform und Microsoft Azure bietet dezentralisiertes KI-Computing mehrere überzeugende Wertversprechen:

  • Zugänglichkeit: Der Zugriff auf Computerchips über Dienste wie AWS, GCP oder Azure dauert in der Regel Wochen, und die beliebtesten GPU-Modelle sind häufig nicht vorrätig. Darüber hinaus sind Verbraucher in der Regel an lange, starre Verträge mit diesen großen Unternehmen gebunden. Verteilte Computerplattformen hingegen bieten flexible Hardwareoptionen mit verbesserter Zugänglichkeit.

  • Kosteneffizienz: Durch die Nutzung ungenutzter Chips und die Einbeziehung tokenisierter Subventionen aus Netzwerkprotokollen für Chip- und Rechenleistungsanbieter können dezentrale Computernetzwerke Rechenleistung zu geringeren Kosten anbieten.

  • Zensurresistenz: Die Versorgung mit hochmodernen Chips wird derzeit von großen Technologieunternehmen dominiert, und da die US-Regierung die Kontrolle über KI-Computerdienste verschärft, wird die Möglichkeit, Rechenleistung dezentral, flexibel und uneingeschränkt zu erhalten, zunehmend zu einer klaren Notwendigkeit. Dies ist ein zentrales Wertversprechen web3-basierter Computerplattformen.

Wenn fossile Brennstoffe das Lebensblut des Industriezeitalters waren, dann könnte die Rechenleistung durchaus das Lebensblut des neuen digitalen Zeitalters sein, das durch KI eingeläutet wird, und die Bereitstellung von Rechenleistung zu einer Infrastruktur für das KI-Zeitalter machen. Ähnlich wie Stablecoins sich im Zeitalter des Web3 als starkes Derivat der Fiat-Währung herauskristallisiert haben, könnte sich der Markt für verteiltes Computing zu einem aufstrebenden Segment innerhalb des schnell wachsenden Marktes für KI-Computing entwickeln?

Dies ist noch ein aufstrebender Markt und vieles bleibt abzuwarten. Mehrere Faktoren könnten jedoch möglicherweise die Entwicklung oder Marktakzeptanz des dezentralen Computing vorantreiben:

  • Anhaltende Herausforderungen bei der GPU-Versorgung: Die anhaltenden Versorgungsengpässe bei GPUs könnten Entwickler dazu ermutigen, dezentrale Computerplattformen zu erkunden.

  • Ausweitung der Regulierung: Der Zugriff auf KI-Computerdienste von großen Cloud-Plattformen erfordert gründliche KYC-Prozesse und Kontrollen. Dies könnte zu einer stärkeren Nutzung dezentraler Computerplattformen führen, insbesondere in Bereichen, in denen Beschränkungen oder Sanktionen gelten.

  • Anreize durch Token-Preise: Erhöhte Token-Preise in Bullenmärkten könnten den Wert der von Plattformen angebotenen Subventionen für GPU-Anbieter steigern und so mehr Anbieter auf den Markt locken, seinen Umfang erhöhen und die Kosten für die Verbraucher senken.

Gleichzeitig sind auch die Herausforderungen, denen sich dezentrale Computerplattformen gegenübersehen, ziemlich offensichtlich:

  • Technische und ingenieurtechnische Herausforderungen

    • Probleme beim Proof of Work: Aufgrund der hierarchischen Struktur der Berechnungen in Deep-Learning-Modellen, bei denen die Ausgabe jeder Schicht als Eingabe für die nächste verwendet wird, ist zur Überprüfung der Gültigkeit von Berechnungen die Ausführung aller vorherigen Arbeiten erforderlich, was weder einfach noch effizient ist. Um dieses Problem zu lösen, müssen dezentrale Computerplattformen entweder neue Algorithmen entwickeln oder ungefähre Überprüfungstechniken einsetzen, die eine probabilistische Ergebnissicherheit bieten, anstatt absoluten Determinismus.

    • Herausforderungen bei der Parallelisierung: Dezentrale Computerplattformen nutzen eine Vielzahl von Chiplieferanten, von denen jeder typischerweise nur eine begrenzte Rechenleistung bietet. Es ist nahezu unmöglich, die Trainings- oder Inferenzaufgaben eines KI-Modells durch einen einzigen Chiplieferanten schnell abzuschließen. Daher müssen Aufgaben mithilfe der Parallelisierung zerlegt und verteilt werden, um die Gesamtbearbeitungszeit zu verkürzen. Dieser Ansatz bringt jedoch mehrere Komplikationen mit sich, darunter die Aufteilung der Aufgaben (insbesondere komplexe Deep-Learning-Aufgaben), Datenabhängigkeiten und die zusätzlichen Verbindungskosten zwischen den Geräten.

    • Datenschutzaspekte: Wie kann sichergestellt werden, dass die Daten und Modelle des Auftraggebers nicht an die Auftragsempfänger weitergegeben werden?

  • Herausforderungen bei der Einhaltung gesetzlicher Vorschriften

    • Dezentrale Computerplattformen können aufgrund ihrer genehmigungsfreien Natur auf den Angebots- und Nachfragemärkten für bestimmte Kunden ein wichtiges Verkaufsargument darstellen. Mit der Weiterentwicklung der KI-Regulierungsrahmen könnten diese Plattformen jedoch zunehmend ins Visier staatlicher Kontrolle geraten. Darüber hinaus sind einige GPU-Anbieter besorgt darüber, ob ihre geleasten Computerressourcen von sanktionierten Unternehmen oder Einzelpersonen genutzt werden.

Zusammenfassend lässt sich sagen, dass die Hauptnutzer dezentraler Computerplattformen meist professionelle Entwickler oder kleine bis mittelgroße Unternehmen sind. Im Gegensatz zu Kryptowährungs- und NFT-Investoren legen diese Kunden Wert auf die Stabilität und Kontinuität der von den Plattformen bereitgestellten Dienste, und die Preisgestaltung ist nicht unbedingt ihr Hauptanliegen. Dezentrale Computerplattformen haben noch einen langen Weg vor sich, bevor sie bei dieser anspruchsvollen Benutzerbasis breite Akzeptanz finden können.

Als Nächstes werden wir uns mit den Details befassen und eine Analyse von IO.NET durchführen, einem neuen dezentralen Rechenleistungsprojekt in diesem Zyklus. Wir werden es auch mit ähnlichen Projekten vergleichen, um seine potenzielle Marktbewertung nach seiner Einführung abzuschätzen.

Dezentrale KI-Computerplattform: IO.NET

Projektübersicht

IO.NET ist ein dezentrales Computernetzwerk, das einen zweiseitigen Markt rund um Chips aufgebaut hat. Auf der Angebotsseite gibt es global verteilte Rechenleistung, vor allem GPUs, aber auch CPUs und Apples integrierte GPUs (iGPUs). Die Nachfrageseite besteht aus KI-Ingenieuren, die KI-Modelltrainings- oder Inferenzaufgaben erledigen möchten.

Auf der offiziellen IO.NET-Website wird ihre Vision wie folgt beschrieben:

Unsere Aufgabe

Zusammenstellung von einer Million GPUs in einem DePIN – einem dezentralen physischen Infrastrukturnetzwerk.

Im Vergleich zu herkömmlichen Cloud-KI-Computing-Diensten bietet diese Plattform mehrere wichtige Vorteile:

  • Flexible Konfiguration: KI-Ingenieure haben die Freiheit, die erforderlichen Chips auszuwählen und zu einem „Cluster“ zusammenzustellen, der auf ihre spezifischen Computeraufgaben zugeschnitten ist.

  • Schnelle Bereitstellung: Im Gegensatz zu den langen Genehmigungs- und Wartezeiten, die bei zentralisierten Anbietern wie AWS auftreten, kann die Bereitstellung auf dieser Plattform in nur wenigen Sekunden abgeschlossen werden, sodass mit der Aufgabe sofort begonnen werden kann.

  • Kosteneffizienz: Die Servicekosten sind bis zu 90 % niedriger als bei herkömmlichen Anbietern.

Darüber hinaus plant IO.NET, in Zukunft weitere Dienste einzuführen, beispielsweise einen KI-Modell-Store.

Produktmechanismus und Geschäftsmetriken

Produktmechanismen und Einsatzerfahrung

Ähnlich wie große Plattformen wie Amazon Cloud, Google Cloud und Alibaba Cloud bietet IO.NET einen Computerdienst namens IO Cloud an. Dieser Dienst funktioniert über ein verteiltes und dezentrales Chipnetzwerk, das die Ausführung von Python-basiertem Machine-Learning-Code für KI- und Machine-Learning-Anwendungen unterstützt.

Das grundlegende Geschäftsmodul von IO Cloud heißt Cluster – selbstkoordinierende GPU-Gruppen, die für die effiziente Abwicklung von Rechenaufgaben konzipiert sind. KI-Ingenieure haben die Flexibilität, die Cluster an ihre spezifischen Anforderungen anzupassen.

Die Benutzeroberfläche von IO.NET ist äußerst benutzerfreundlich. Wenn Sie Ihren eigenen Chip-Cluster für KI-Rechenaufgaben einsetzen möchten, navigieren Sie einfach zur Cluster-Seite der Plattform, wo Sie Ihren gewünschten Chip-Cluster mühelos entsprechend Ihren Anforderungen konfigurieren können.

Cluster-Seite auf IO.NET

Zuerst müssen Sie Ihren Clustertyp auswählen. Dabei stehen Ihnen drei Optionen zur Verfügung:

  1. Allgemein: Bietet eine allgemeine Umgebung, die für frühe Phasen eines Projekts geeignet ist, in denen der spezifische Ressourcenbedarf noch nicht klar ist.

  2. Trainieren: Ein Cluster, der speziell für das Trainieren und Feinabstimmen von Modellen für maschinelles Lernen entwickelt wurde. Diese Option bietet zusätzliche GPU-Ressourcen, mehr Speicherkapazität und/oder schnellere Netzwerkverbindungen, um diese rechenintensiven Aufgaben zu bewältigen.

  3. Inferenz: Ein Cluster, der für Inferenz mit geringer Latenz und Arbeit mit hoher Last konzipiert ist. Im Kontext des maschinellen Lernens bezieht sich Inferenz auf die Verwendung trainierter Modelle, um neue Datensätze vorherzusagen oder zu analysieren und Feedback bereitzustellen. Daher konzentriert sich diese Option auf die Optimierung von Latenz und Durchsatz, um Datenverarbeitungsanforderungen in Echtzeit oder nahezu in Echtzeit zu unterstützen.

Als Nächstes müssen Sie einen Lieferanten für Ihren Cluster auswählen. IO.NET unterhält Partnerschaften mit Render Network und dem Filecoin-Miner-Netzwerk, sodass Benutzer Chips von IO.NET oder zwei anderen Netzwerken als Bezugsquelle für ihre Computercluster auswählen können. Dies positioniert IO.NET effektiv als Aggregator (Hinweis: Filecoin-Dienste sind vorübergehend offline). Es ist erwähnenswert, dass IO.NET derzeit über 200.000 GPUs online verfügbar hat, während Render Network über 3.700 GPUs zur Verfügung hat.

Anschließend fahren Sie mit der Hardwareauswahlphase Ihres Clusters fort. Derzeit listet IO.NET nur GPUs als verfügbare Hardwareoption auf, ausgenommen CPUs oder iGPUs von Apple (M1, M2 usw.), wobei die GPUs hauptsächlich aus NVIDIA-Produkten bestehen.

Unter den offiziell aufgelisteten und verfügbaren GPU-Hardwareoptionen betrug die Gesamtzahl der im IO.NET-Netzwerk online verfügbaren GPUs basierend auf den von mir am Tag getesteten Daten 206.001. Die GPU mit der höchsten Verfügbarkeit war die GeForce RTX 4090 mit 45.250 Einheiten, gefolgt von der GeForce RTX 3090 Ti mit 30.779 Einheiten.

Darüber hinaus sind online 7.965 Einheiten des hocheffizienten A100-SXM4-80GB-Chips (jeweils über 15.000 US-Dollar teuer) verfügbar, der für KI-Rechenaufgaben wie maschinelles Lernen, Deep Learning und wissenschaftliches Rechnen effizienter ist.

Die NVIDIA H100 80 GB HBM3, die von Grund auf für KI entwickelt wurde (mit einem Marktpreis von über 40.000 US-Dollar), bietet eine 3,3-mal höhere Trainingsleistung und eine 4,5-mal höhere Inferenzleistung als die A100. Derzeit sind 86 Einheiten online verfügbar.

Nachdem der Hardwaretyp für den Cluster ausgewählt wurde, müssen Benutzer weitere Details angeben, beispielsweise den geografischen Standort des Clusters, die Verbindungsgeschwindigkeit, die Anzahl der GPUs und die Dauer.

Abschließend berechnet IO.NET eine detaillierte Rechnung basierend auf den von Ihnen gewählten Optionen. Betrachten Sie zur Veranschaulichung die folgende Clusterkonfiguration:

  • Clustertyp: Allgemein

  • 16 A100-SXM4-80GB-GPUs

  • Konnektivitätsstufe: High Speed

  • Geografische Lage: Vereinigte Staaten

  • Dauer: 1 Woche

Die Gesamtrechnung für diese Konfiguration beträgt 3.311,60 $, wobei der stündliche Mietpreis pro Karte 1.232 $ beträgt.

Der stündliche Mietpreis für ein einzelnes A100-SXM4-80GB beträgt bei Amazon Web Services, Google Cloud und Microsoft Azure 5,12 $, 5,07 $ bzw. 3,67 $ (Quelle: Cloud GPU Comparison, tatsächliche Preise können je nach Vertragsdetails abweichen).

Was die Kosten angeht, bietet IO.NET Chip-Rechenleistung zu Preisen, die weit unter denen der Mainstream-Anbieter liegen. Darüber hinaus macht die Flexibilität bei Liefer- und Beschaffungsoptionen IO.NET für viele Benutzer zu einer attraktiven Wahl.

Geschäftsüberblick

Angebotsseite

Offizielle Zahlen zeigen, dass IO.NET am 4. April 2024 über eine Gesamtversorgung mit GPUs von 371.027 Einheiten und eine Versorgung mit CPUs von 42.321 Einheiten verfügte. Darüber hinaus hatte Render Network als Partner weitere 9.997 GPUs und 776 CPUs an die Versorgung des Netzwerks angeschlossen.

Datenquelle: io.net

Zum Zeitpunkt des Schreibens waren 214.387 der in IO.NET integrierten GPUs online, was einer Online-Rate von 57,8 % entspricht. Die Online-Rate für GPUs aus dem Render Network betrug 45,1 %.

Was bedeuten diese Daten zur Angebotsseite?

Um einen Maßstab zu schaffen, ziehen wir Akash Network heran, ein erfahreneres dezentrales Computerprojekt.

Akash Network startete sein Mainnet bereits 2020 und konzentrierte sich zunächst auf dezentrale Dienste für CPUs und Speicher. Im Juni 2023 führte es ein Testnetz für GPU-Dienste ein und startete anschließend im September desselben Jahres das Mainnet für dezentrale GPU-Rechenleistung.

GPU-Kapazität des Akash-Netzwerks

Offiziellen Angaben von Akash zufolge beträgt die Gesamtzahl der an das Netzwerk angeschlossenen GPUs weiterhin lediglich 365, obwohl das Angebot seit dem Start des GPU-Netzwerks kontinuierlich gewachsen ist.

Bei der Bewertung des GPU-Angebotsvolumens übertrifft IO.NET Akash Network bei weitem und operiert in einem dramatisch größeren Maßstab. IO.NET hat sich als größte Angebotsseite im Bereich der dezentralen GPU-Rechenleistung etabliert.

Nachfrageseite

Auf der Nachfrageseite befindet sich IO.NET noch in der Anfangsphase der Marktbearbeitung, wobei in seinem Netzwerk ein relativ geringes Gesamtvolumen an Rechenaufgaben ausgeführt wird. Die Mehrheit der GPUs ist online, aber im Leerlauf und weist einen Arbeitslastanteil von 0 % auf. Nur vier Chiptypen – A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S und H100 80GB HBM3 – sind aktiv an Verarbeitungsaufgaben beteiligt, und unter diesen weist nur der A100 PCIe 80GB K8S eine Arbeitslast von über 20 % auf.

Der offizielle Belastungspegel des Netzwerks betrug für den Tag 0 %, was darauf hinweist, dass ein erheblicher Teil der GPU-Versorgung derzeit online, aber im Leerlauf ist.

In finanzieller Hinsicht hat IO.NET bis heute Servicegebühren in Höhe von 586.029 US-Dollar angehäuft, von denen 3.200 US-Dollar am letzten Tag generiert wurden.

Quelle: io.net

Die Finanzdaten zu den Netzwerkabrechnungsgebühren, sowohl in Bezug auf das Gesamt- als auch das tägliche Transaktionsvolumen, stimmen weitgehend mit denen von Akash überein. Es ist jedoch wichtig zu beachten, dass der Großteil der Einnahmen von Akash aus seinen CPU-Angeboten stammt, wobei der Bestand 20.000 CPUs übersteigt.

Quelle: Akash Network Stats

Darüber hinaus hat IO.NET detaillierte Daten zu den vom Netzwerk verarbeiteten KI-Inferenzaufgaben veröffentlicht. Laut dem neuesten Bericht hat die Plattform über 230.000 Inferenzaufgaben erfolgreich verarbeitet und validiert, wobei der Großteil dieses Volumens von BC8.AI stammt, einem von IO.NET gesponserten Projekt.

Quelle: io.net

Die Angebotsseite von IO.NET wächst effizient, angetrieben von den Erwartungen rund um einen Airdrop und ein Community-Event namens „Ignition“. Diese Initiative hat schnell eine beträchtliche Menge an KI-Rechenleistung angezogen. Auf der Nachfrageseite ist die Expansion jedoch noch in den Kinderschuhen, da die organische Nachfrage unzureichend ist. Die Gründe für diese schleppende Nachfrage – ob aufgrund nicht initiierter Verbraucheransprache oder instabiler Serviceerfahrungen, die zu einer begrenzten großflächigen Akzeptanz führen – müssen weiter untersucht werden.

Angesichts der Herausforderungen, die Lücke bei den KI-Rechenkapazitäten schnell zu schließen, erkunden viele KI-Ingenieure und -Projekte Alternativen, was möglicherweise das Interesse an dezentralen Dienstanbietern erhöht. Darüber hinaus hat IO.NET noch keine wirtschaftlichen Anreize oder Aktivitäten zur Steigerung der Nachfrage umgesetzt, und da sich das Produkterlebnis weiter verbessert, ist das erwartete Gleichgewicht zwischen Angebot und Nachfrage für die Zukunft vielversprechend.

Teamhintergrund und Fundraising-Übersicht

Teamprofil

Das Kernteam von IO.NET konzentrierte sich zunächst auf den quantitativen Handel. Bis Juni 2022 beschäftigten sie sich mit der Entwicklung quantitativer Handelssysteme auf institutioneller Ebene für Aktien und Kryptowährungen. Angetrieben vom Bedarf des System-Backends an Rechenleistung begann das Team, das Potenzial des dezentralen Computings zu erkunden und konzentrierte sich schließlich auf das spezifische Problem der Kostensenkung für GPU-Rechendienste.

Gründer und CEO: Ahmad Shadid

Vor der Gründung von IO.NET arbeitete Ahmad Shadid im Bereich quantitative Finanzwissenschaft und Finanztechnik und ist außerdem ehrenamtlich bei der Ethereum Foundation tätig.

CMO und Strategiechef: Garrison Yang

Garrison Yang kam im März 2024 offiziell zu IO.NET. Zuvor war er Vizepräsident für Strategie und Wachstum bei Avalanche und ist Absolvent der University of California, Santa Barbara.

Geschäftsführer: Tory Green

Tory Green ist Chief Operating Officer von IO.NET. Zuvor war er COO von Hum Capital und Director of Business Development and Strategy bei der Fox Mobile Group. Er ist Absolvent der Stanford University.

Dem LinkedIn-Profil von IO.NET zufolge hat das Team seinen Hauptsitz in New York (USA) sowie eine Niederlassung in San Francisco und beschäftigt über 50 Mitarbeiter.

Finanzierungsübersicht

IO.NET hat bisher nur eine Finanzierungsrunde öffentlich angekündigt – eine im März dieses Jahres abgeschlossene Serie A mit einer Bewertung von 1 Milliarde US-Dollar, durch die sie erfolgreich 30 Millionen US-Dollar einsammelten. Diese Runde wurde von Hack VC geleitet, mit Beteiligung anderer Investoren, darunter Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures und ArkStream Capital.

Insbesondere die Investition der Aptos Foundation könnte die Entscheidung des BC8.AI-Projekts beeinflusst haben, für seine Abwicklungs- und Buchhaltungsprozesse von Solana auf die ähnlich leistungsstarke Layer-1-Blockchain Aptos umzusteigen.

Wertermittlung

Früheren Aussagen von Gründer und CEO Ahmad Shadid zufolge wird IO.NET seinen Token bis Ende April 2024 auf den Markt bringen.

IO.NET verfügt über zwei Benchmark-Projekte, die als Referenzen für die Bewertung dienen: Render Network und Akash Network, beides repräsentative dezentrale Computerprojekte.

Es gibt zwei Hauptmethoden, um die Marktkapitalisierung von IO.NET zu schätzen:

  1. Das Kurs-Umsatz-Verhältnis (P/S), das den FDV mit dem Umsatz vergleicht;

  2. FDV-zu-Chip-Verhältnis (M/C-Verhältnis)

Wir beginnen mit der Untersuchung der potenziellen Bewertung anhand des Kurs-Umsatz-Verhältnisses:

Bei der Betrachtung des Kurs-Umsatz-Verhältnisses stellt Akash das konservative Ende des geschätzten Bewertungsspektrums von IO.NET dar, während Render einen oberen Maßstab bietet und einen FDV zwischen 1,67 und 5,93 Milliarden US-Dollar annimmt.

Angesichts der Aktualisierungen des IO.NET-Projekts, seiner überzeugenderen Darstellung, seiner geringeren anfänglichen Marktkapitalisierung und einer breiteren Angebotsbasis lässt sich jedoch vermuten, dass sein FDV den von Render Network durchaus übertreffen könnte.

Kommen wir zu einer anderen Bewertungsvergleichsperspektive, nämlich dem „FDV-zu-Chip-Verhältnis“.

In einem Markt, in dem die Nachfrage nach KI-Rechenleistung das Angebot übersteigt, ist das wichtigste Element dezentraler KI-Rechennetzwerke die Größe des GPU-Angebots. Daher können wir das „FDV-to-Chip-Verhältnis“, also das Verhältnis des vollständig verwässerten Werts des Projekts zur Anzahl der Chips im Netzwerk, verwenden, um den möglichen Bewertungsbereich von IO.NET abzuleiten und den Lesern damit eine Referenz zu bieten.

Wenn wir zur Berechnung des Bewertungsbereichs von IO.NET das Markt-Chip-Verhältnis verwenden, liegen wir zwischen 20,6 und 197,5 Milliarden US-Dollar, wobei Render Network den oberen und Akash Network den unteren Maßstab setzt.

Enthusiasten des IO.NET-Projekts könnten dies als eine äußerst optimistische Schätzung der Marktkapitalisierung ansehen.

Es ist wichtig, die derzeit große Anzahl von Chips online für IO.NET zu berücksichtigen, die durch Airdrop-Erwartungen und Incentive-Aktivitäten stimuliert wird. Die tatsächliche Online-Anzahl des Angebots nach dem offiziellen Start des Projekts muss noch beobachtet werden.

Insgesamt könnten Bewertungen, die sich aus dem Kurs-Umsatz-Verhältnis ableiten, zuverlässigere Erkenntnisse bieten.

IO.NET, das auf Solana aufbaut und mit der Konvergenz von KI und DePIN ausgestattet ist, steht kurz vor der Einführung seines Tokens. Die Vorfreude ist spürbar, während wir gespannt sind, welche Auswirkungen dies nach der Einführung auf die Marktkapitalisierung haben wird.

Referenz

  • Die wahre Fusion

  • Die Schnittstelle zwischen Krypto und KI verstehen