Par Alex Xu, partenaire de recherche chez Mint Ventures

Introduction

Dans notre dernier rapport, nous avons mentionné que, par rapport aux deux cycles précédents, la course haussière actuelle des cryptomonnaies ne tient pas compte des nouveaux modèles commerciaux et des nouveaux récits d'actifs. L'intelligence artificielle (IA) est l'un des nouveaux récits de l'espace Web3 de ce cycle. Cet article se penche sur le projet d'IA de l'année, IO.NET, et organise les réflexions sur les deux questions suivantes :

• La nécessité de l'IA+Web3 dans le paysage commercial

• La nécessité et les défis du déploiement d'un réseau informatique décentralisé

J'organiserai les informations clés sur le projet représentatif dans le réseau informatique décentralisé de l'IA : IO.NET, y compris la conception du produit, le paysage concurrentiel et l'historique du projet. Je spéculerai également sur les paramètres de valorisation du projet.

Les informations sur la logique métier derrière la convergence de l'IA et du Web3 s'inspirent de « The Real Merge » de Michael Rinko, analyste de recherche chez Delphi Delphi. Cette analyse assimile et référence les idées de son travail, fortement recommandées pour une lecture plus approfondie The Real Merge.

Veuillez noter que cet article reflète ma réflexion actuelle et est susceptible d'évoluer. Les opinions ici sont subjectives et il peut y avoir des erreurs dans les faits, les données et le raisonnement logique. Il ne s’agit pas de conseils financiers, mais les commentaires et discussions sont les bienvenus.

La logique métier derrière la convergence de l’IA et du Web3

2023 : La « Merveilleuse Année » pour l’IA

En réfléchissant aux annales du développement humain, il est clair que les avancées technologiques catalysent de profondes transformations – de la vie quotidienne aux paysages industriels et à la marche de la civilisation elle-même.

Dans l’histoire de l’humanité, il y a deux années marquantes, à savoir 1666 et 1905, qui sont désormais célébrées comme « l’Annus Mirabilis » dans l’histoire des sciences.

L’année 1666 a gagné son titre en raison de la cascade de percées scientifiques d’Isaac Newton. En une seule année, il a été le pionnier de la branche de la physique appelée optique, a fondé la discipline mathématique du calcul et a dérivé la loi de la gravitation, qui est une loi fondamentale des sciences naturelles modernes. Chacune de ces contributions a été fondamentale pour le développement scientifique de l’humanité au cours du siècle prochain, accélérant considérablement le progrès global de la science.

L’autre année marquante est 1905, lorsqu’Einstein, alors âgé de seulement 26 ans, publia quatre articles coup sur coup dans « Annalen der Physik », traitant de l’effet photoélectrique, ouvrant la voie à la mécanique quantique ; le mouvement brownien, fournissant un cadre essentiel pour l'analyse des processus stochastiques ; la théorie de la relativité restreinte ; et l'équivalence masse-énergie, encapsulée dans l'équation E=MC^2. Avec le recul, chacun de ces articles est considéré comme dépassant le niveau moyen des travaux lauréats du prix Nobel de physique – une distinction qu'Einstein lui-même a reçue pour ses travaux sur l'effet photoélectrique. Ces contributions ont collectivement propulsé l’humanité à plusieurs pas en avant dans le voyage de la civilisation.

L’année 2023, récemment derrière nous, est sur le point d’être célébrée comme une autre « année miracle », en grande partie grâce à l’émergence de ChatGPT.

Considérer 2023 comme une « année miracle » dans l’histoire de la technologie humaine ne consiste pas seulement à reconnaître les progrès réalisés dans le traitement et la génération du langage naturel par ChatGPT. Il s’agit également de reconnaître une tendance claire dans l’avancement des grands modèles de langage : la prise de conscience qu’en élargissant les paramètres du modèle et les ensembles de données de formation, nous pouvons obtenir des améliorations exponentielles des performances du modèle. De plus, cela semble illimité à court terme, à condition que la puissance de calcul suive le rythme.

Cette capacité s'étend bien au-delà de la compréhension du langage et de la génération de conversations ; il peut être largement appliqué dans divers domaines scientifiques. Prenant comme exemple l'application de grands modèles de langage dans le secteur biologique :

• En 2018, Frances Arnold, lauréate du prix Nobel de chimie, a déclaré lors de sa cérémonie de remise des prix : « Aujourd’hui, nous pouvons, à toutes fins pratiques, lire, écrire et éditer n’importe quelle séquence d’ADN, mais nous ne pouvons pas la composer. « Cinq ans plus tard, jusqu'en 2023, une équipe de chercheurs de l'Université de Stanford et de Salesforce Research, une startup axée sur l'IA, a publié une publication dans « Nature Biotechnology ». En utilisant un grand modèle de langage affiné à partir de GPT-3, ils ont généré un tout nouveau catalogue de 1 million de protéines. Parmi ceux-ci, ils ont découvert deux protéines aux structures distinctes, toutes deux dotées d’une fonction antibactérienne, ouvrant potentiellement la voie à de nouvelles stratégies de résistance bactérienne au-delà des antibiotiques traditionnels. Cela représente un pas monumental pour surmonter les obstacles liés à la création de protéines avec l’aide de l’IA.

• Avant cela, l’algorithme d’intelligence artificielle AlphaFold avait prédit les structures de presque tous les 2,14 milliards de types de protéines sur Terre en 18 mois – une étape qui amplifie de plusieurs ampleurs les réalisations des biologistes structurels à travers l’histoire.

L’intégration des modèles d’IA promet de transformer radicalement les industries. Des domaines de la biotechnologie, de la science des matériaux et de la découverte de médicaments aux sphères culturelles du droit et des arts, une vague de transformation est sur le point de remodeler ces domaines, 2023 marquant le début de tout cela.

Il est largement reconnu que le siècle dernier a été témoin d’une augmentation exponentielle de la capacité de l’humanité à générer des richesses. Les progrès rapides des technologies d’IA devraient accélérer ce processus.

Tendance du PIB total mondial, source de données : Groupe de la Banque mondiale

Fusionner l'IA et la crypto

Pour comprendre le besoin inhérent de fusion de l’IA et de la cryptographie, il est intéressant d’examiner comment leurs caractéristiques distinctes se complètent.

La symbiose des fonctionnalités de l'IA et de la cryptographie

L’IA se distingue par trois qualités principales :

• Stochasticité : l’IA est stochastique, son mécanisme de production de contenu étant une boîte noire énigmatique et difficile à reproduire, ce qui rend ses résultats intrinsèquement stochastiques.

• À forte intensité de ressources : l'IA est une industrie à forte intensité de ressources, nécessitant des quantités importantes d'énergie, de puces et de puissance de calcul.

• Intelligence humaine : l’IA est (bientôt) capable de réussir le test de Turing, ce qui rend de plus en plus difficile la distinction entre les humains et l’IA.

※ Le 30 octobre 2023, des chercheurs de l'Université de Californie à San Diego ont dévoilé les résultats des tests de Turing pour GPT-3.5 et GPT-4.0. Ces derniers ont obtenu un score de 41 %, manquant de peu la note de passage de 50 % de seulement 9 points de pourcentage, les humains obtenant 63 % au même test. L’essence de ce test de Turing réside dans la manière dont de nombreux participants perçoivent leur interlocuteur comme humain. Un score supérieur à 50 % indique qu'une majorité pense interagir avec un humain et non avec une machine, estimant ainsi que l'IA a réussi le test de Turing, car au moins la moitié des personnes ne pouvaient pas la distinguer d'un humain.

Alors que l’IA ouvre la voie à des progrès révolutionnaires en matière de productivité humaine, elle introduit simultanément de profonds défis pour notre société, notamment :

• Comment vérifier et contrôler la stochasticité de l’IA, pour en faire un avantage plutôt qu’un défaut

• Comment répondre aux vastes besoins en énergie et en puissance de calcul qu’exige l’IA

• Comment faire la distinction entre les humains et l'IA

La technologie crypto et blockchain pourrait offrir la solution idéale aux défis posés par l’IA, caractérisée par trois attributs clés :

• Déterminisme : les opérations sont basées sur la blockchain, le code et les contrats intelligents, avec des règles et des limites claires. Les entrées conduisent à des sorties prévisibles, garantissant un niveau élevé de déterminisme.

• Allocation efficace des ressources : la crypto-économie a favorisé un vaste marché mondial et libre, permettant une tarification, une collecte de fonds et un transfert rapides des ressources. La présence de jetons accélère encore l’alignement de l’offre et de la demande du marché, atteignant rapidement une masse critique grâce à des incitations.

• Manque de confiance : grâce aux registres publics et au code open source, n’importe qui peut facilement vérifier les opérations, créant ainsi un système « sans confiance ». De plus, la technologie Zero-Knowledge (ZK) garantit en outre le maintien de la confidentialité pendant ces processus de vérification.

Pour démontrer la complémentarité entre l’IA et la crypto-économie, examinons trois exemples.

Exemple A : Surmonter la stochasticité avec des agents d'IA alimentés par la crypto-économie

Les agents IA sont des programmes intelligents conçus pour effectuer des tâches au nom des humains selon leurs directives, Fetch.AI étant un exemple notable dans ce domaine. Imaginez que nous chargeons notre agent IA d'exécuter une opération financière, telle que « investir 1 000 $ dans BTC ». L’agent IA pourrait être confronté à deux scénarios distincts :

Scénario 1 : L'agent doit interagir avec des entités financières traditionnelles (par exemple BlackRock) pour acheter des ETF BTC, rencontrant de nombreux problèmes de compatibilité avec les organisations centralisées, notamment les procédures KYC, la vérification des documents, les processus de connexion et l'authentification de l'identité, qui sont tous notamment pesante à l'heure actuelle.

Scénario 2 : Lorsque vous opérez dans la crypto-économie native, le processus devient simplifié. L'agent pourrait effectuer la transaction directement via Uniswap ou un agrégateur de trading similaire, en utilisant votre compte pour vous connecter et confirmer la commande, et par conséquent acquérir du WBTC ou d'autres variantes de BTC enveloppé. Cette procédure est efficace et rationalisée. Il s’agit essentiellement de la fonction actuellement assurée par divers robots de trading, agissant comme des agents d’IA de base axés sur les activités de trading. Avec le développement et l'intégration de l'IA, ces robots rempliront des objectifs commerciaux plus complexes. Par exemple, ils pourraient surveiller 100 adresses d’argent intelligent sur la blockchain, évaluer leurs stratégies de trading et leurs taux de réussite, allouer 10 % de leurs fonds pour copier leurs transactions sur une semaine, arrêter les opérations si les rendements sont défavorables et en déduire les raisons potentielles de cette situation. ces stratégies.

L’IA prospère dans les systèmes blockchain, essentiellement parce que les règles de la crypto-économie sont explicitement définies et que le système permet l’absence de permission. Opérer selon des directives claires réduit considérablement les risques liés à la stochasticité inhérente à l’IA. Par exemple, la domination de l’IA sur les humains dans les échecs et les jeux vidéo vient du fait que ces environnements sont des bacs à sable fermés avec des règles simples. À l’inverse, les progrès en matière de conduite autonome ont été plus progressifs. Les défis du monde ouvert sont plus complexes et notre tolérance à l’égard de la résolution imprévisible des problèmes de l’IA dans de tels scénarios est nettement plus faible.

Exemple B : Consolidation des ressources via des incitations symboliques

Le formidable réseau de hachage mondial qui soutient BTC, avec un taux de hachage total actuel de 576,70 EH/s, dépasse la puissance de calcul cumulée des superordinateurs de n’importe quel pays. Cette croissance est propulsée par des incitations simples et équitables au sein du réseau.

Tendance du hashrate BTC

De plus, les projets DePIN comme Mobile explorent des incitations symboliques pour cultiver un marché à la fois du côté de l’offre et du côté de la demande afin de favoriser les effets de réseau. Le prochain objectif de cet article, IO.NET, est une plate-forme conçue pour regrouper la puissance de calcul de l'IA, dans l'espoir de libérer le potentiel latent de la puissance de calcul de l'IA grâce à un modèle de jeton.

Exemple C : tirer parti de l'Open Source et de ZK Proof pour différencier les humains de l'IA tout en protégeant la confidentialité

Worldcoin, un projet Web3 cofondé par Sam Altman d'OpenAI, utilise une nouvelle approche de vérification d'identité. Utilisant un périphérique matériel appelé Orb, il exploite la biométrie de l'iris humain pour produire des valeurs de hachage uniques et anonymes via la technologie Zero-Knowledge (ZK), différenciant ainsi les humains de l'IA. Début mars 2024, le projet artistique Web3 Drip a commencé à implémenter Worldcoin ID pour authentifier de vrais humains et attribuer des récompenses.

Worldcoin a récemment mis en open source son matériel d'iris, Orb, garantissant la sécurité et la confidentialité des données biométriques.

Dans l’ensemble, en raison du déterminisme du code et de la cryptographie, des avantages en matière de circulation des ressources et de collecte de fonds apportés par les mécanismes sans autorisation et basés sur des jetons, ainsi que de la nature sans confiance basée sur le code open source et les registres publics, la crypto-économie est devenue une solution potentielle importante pour les défis auxquels la société humaine est confrontée avec l’IA.

Le défi le plus immédiat et le plus exigeant sur le plan commercial est la soif extrême de ressources informatiques requises par les produits d’IA, principalement motivée par un besoin substantiel de puces et de puissance de calcul.

C’est également la principale raison pour laquelle les projets de puissance de calcul distribuée ont mené les gains au cours de ce cycle de marché haussier dans l’ensemble du secteur de l’IA.

L’impératif commercial de l’informatique décentralisée

L’IA nécessite des ressources informatiques substantielles, nécessaires à la fois à la formation des modèles et aux tâches d’inférence.

Il a été bien documenté lors de la formation de grands modèles de langage qu'une fois que l'échelle des paramètres de données est importante, ces modèles commencent à présenter des capacités sans précédent. Les améliorations exponentielles observées d'une génération ChatGPT à la suivante sont dues à une croissance exponentielle des demandes informatiques pour la formation de modèles.

Des recherches menées par DeepMind et l'Université de Stanford indiquent que dans divers grands modèles de langage, lors de la gestion de différentes tâches (qu'il s'agisse de calcul, de réponse à des questions en persan ou de compréhension du langage naturel), les modèles ne font qu'approcher des suppositions aléatoires, à moins que la formation n'implique des paramètres de modèle considérablement augmentés (et par extension, charges de calcul). Les performances de toute tâche restent presque aléatoires jusqu'à ce que les efforts de calcul atteignent 10 ^ 22 FLOP. Au-delà de ce seuil critique, les performances des tâches s’améliorent considérablement quel que soit le modèle de langage.

*Les FLOP font référence aux opérations en virgule flottante par seconde, une mesure des performances informatiques.

Capacités émergentes des grands modèles de langage

Capacités émergentes des grands modèles de langage

Le principe de « réaliser des miracles avec de grands efforts » en matière de puissance de calcul, tant en théorie que vérifié dans la pratique, a inspiré le fondateur d’OpenAI, Sam Altman, à proposer un plan ambitieux visant à lever 7 000 milliards de dollars. Ce fonds est destiné à créer une usine de puces qui dépasserait de dix fois les capacités actuelles de TSMC (coût estimé à 1,5 billion de dollars), les fonds restants étant alloués à la production de puces et à la formation de modèles.

Outre les exigences informatiques liées à la formation des modèles d’IA, les processus d’inférence nécessitent également une puissance de calcul considérable, bien que inférieure à la formation. Ce besoin permanent de puces et de ressources informatiques est devenu une réalité courante pour les acteurs du domaine de l’IA.

Contrairement aux fournisseurs d’informatique d’IA centralisés comme Amazon Web Services, Google Cloud Platform et Azure de Microsoft, l’informatique d’IA décentralisée offre plusieurs propositions de valeur convaincantes :

• Accessibilité : accéder aux puces informatiques via des services comme AWS, GCP ou Azure prend généralement des semaines, et les modèles de GPU les plus populaires sont souvent en rupture de stock. De plus, les consommateurs sont généralement liés par des contrats longs et rigides avec ces grandes entreprises. Les plates-formes informatiques distribuées, en revanche, offrent des options matérielles flexibles avec une accessibilité améliorée.

• Rentabilité : en tirant parti des puces inutilisées et en intégrant des subventions symboliques provenant de protocoles réseau pour les fournisseurs de puces et de puissance de calcul, les réseaux informatiques décentralisés peuvent offrir une puissance de calcul à des coûts réduits.

• Résistance à la censure : l'offre de puces de pointe est actuellement dominée par de grandes entreprises technologiques, et avec le contrôle accru du gouvernement américain sur les services informatiques d'IA, la capacité d'obtenir de la puissance de calcul de manière décentralisée, flexible et sans restriction devient de plus en plus une nécessité évidente. Il s’agit d’une proposition de valeur fondamentale des plates-formes informatiques basées sur le Web3.

Si les combustibles fossiles étaient l’élément vital de l’ère industrielle, alors la puissance de calcul pourrait bien être l’élément vital de la nouvelle ère numérique inaugurée par l’IA, faisant de la fourniture de puissance de calcul une infrastructure pour l’ère de l’IA. De la même manière que les pièces stables sont devenues un dérivé vigoureux de la monnaie fiduciaire à l’époque du Web3, le marché de l’informatique distribuée pourrait-il évoluer vers un segment en plein essor au sein du marché de l’informatique de l’IA en expansion rapide ?

Il s’agit encore d’un marché émergent et il reste encore beaucoup à faire. Cependant, plusieurs facteurs pourraient potentiellement favoriser l’adoption par le marché de l’informatique décentralisée :

• Défis persistants en matière d’approvisionnement en GPU : les contraintes actuelles en matière d’approvisionnement en GPU pourraient encourager les développeurs à explorer les plates-formes informatiques décentralisées.

• Expansion de la réglementation : l'accès aux services informatiques d'IA à partir des principales plates-formes cloud implique des processus et un examen minutieux de KYC. Cela pourrait conduire à une plus grande adoption de plates-formes informatiques décentralisées, en particulier dans les zones confrontées à des restrictions ou à des sanctions.

• Incitations aux prix des jetons : l'augmentation des prix des jetons pendant les marchés haussiers pourrait augmenter la valeur des subventions offertes aux fournisseurs de GPU par les plates-formes, attirant davantage de fournisseurs sur le marché, augmentant sa taille et réduisant les coûts pour les consommateurs.

Dans le même temps, les défis auxquels sont confrontées les plates-formes informatiques décentralisées sont également évidents :

• Défis techniques et d'ingénierie

  • Problèmes de preuve de travail : les calculs dans les modèles d'apprentissage profond, en raison de la structure hiérarchique où la sortie de chaque couche est utilisée comme entrée pour la suivante, vérifier la validité des calculs nécessite d'exécuter tous les travaux préalables, ce qui n'est ni simple ni efficace. Pour résoudre ce problème, les plates-formes informatiques décentralisées doivent soit développer de nouveaux algorithmes, soit utiliser des techniques de vérification approximative offrant une assurance probabiliste des résultats, plutôt qu'un déterminisme absolu.

  • Défis de parallélisation : les plates-formes informatiques décentralisées s'appuient sur un large éventail de fournisseurs de puces, chacun offrant généralement une puissance de calcul limitée. Il est presque impossible de réaliser rapidement les tâches de formation ou d'inférence d'un modèle d'IA par un seul fournisseur de puces. Par conséquent, les tâches doivent être décomposées et distribuées à l’aide de la parallélisation pour raccourcir le temps d’exécution global. Cette approche introduit cependant plusieurs complications, notamment la manière dont les tâches sont réparties (en particulier les tâches complexes d'apprentissage en profondeur), les dépendances en matière de données et les coûts de connectivité supplémentaires entre les appareils.

  • Problèmes de protection de la vie privée : Comment garantir que les données et les modèles du client ne sont pas divulgués au destinataire des tâches ?

• Défis de conformité réglementaire

  • Les plates-formes informatiques décentralisées, en raison de leur nature sans autorisation sur les marchés de l'offre et de la demande, peuvent attirer certains clients comme argument de vente clé. Cependant, à mesure que les cadres réglementaires de l’IA évoluent, ces plateformes pourraient devenir de plus en plus la cible d’un contrôle gouvernemental. De plus, certains fournisseurs de GPU s'inquiètent de savoir si leurs ressources informatiques louées sont utilisées par des entreprises ou des particuliers sanctionnés.

En résumé, les principaux utilisateurs des plateformes informatiques décentralisées sont pour la plupart des développeurs professionnels ou des petites et moyennes entreprises. Contrairement aux investisseurs en cryptomonnaies et NFT, ces clients privilégient la stabilité et la continuité des services fournis par les plateformes, et la tarification n’est pas forcément leur première préoccupation. Les plates-formes informatiques décentralisées ont un long chemin à parcourir avant de pouvoir être largement acceptées par cette base d'utilisateurs exigeants.

Ensuite, nous entrerons dans les détails et effectuerons une analyse de IO.NET, un nouveau projet de puissance de calcul décentralisé de ce cycle. Nous le comparerons également avec des projets similaires pour estimer sa valorisation boursière potentielle après son lancement.

Plateforme informatique d'IA décentralisée : IO.NET

Aperçu du projet

IO.NET est un réseau informatique décentralisé qui a établi un marché biface autour des puces. Du côté de l’offre, il existe des puissances de calcul distribuées à l’échelle mondiale, principalement des GPU, mais aussi des CPU et des GPU intégrés d’Apple (iGPU). Le côté demande se compose d’ingénieurs en IA cherchant à effectuer des tâches de formation ou d’inférence sur des modèles d’IA.

Le site officiel IO.NET expose leur vision :

Notre mission

Rassembler un million de GPU dans un DePIN – réseau d’infrastructure physique décentralisé.

Par rapport aux services de cloud computing IA traditionnels, cette plateforme met en évidence plusieurs avantages clés :

• Configuration flexible : les ingénieurs en IA ont la liberté de sélectionner et d'assembler les puces nécessaires dans un « cluster » adapté à leurs tâches informatiques spécifiques.

• Déploiement rapide : contrairement aux longs délais d'approbation et d'attente associés aux fournisseurs centralisés tels qu'AWS, le déploiement sur cette plate-forme peut être effectué en quelques secondes seulement, permettant un démarrage immédiat des tâches.

• Rentabilité : les coûts des services sont jusqu'à 90 % inférieurs à ceux proposés par les fournisseurs traditionnels.

En outre, IO.NET prévoit de lancer des services supplémentaires à l'avenir, comme un magasin de modèles d'IA.

Mécanisme de produit et mesures commerciales

Mécanismes de produit et expérience de déploiement

Semblable aux principales plateformes comme Amazon Cloud, Google Cloud et Alibaba Cloud, IO.NET propose un service informatique appelé IO Cloud. Ce service fonctionne via un réseau distribué et décentralisé de puces qui prend en charge l'exécution de code d'apprentissage automatique basé sur Python pour les applications d'IA et d'apprentissage automatique.

Le module métier de base d'IO Cloud s'appelle Clusters : des groupes auto-coordonnés de GPU conçus pour gérer efficacement les tâches informatiques. Les ingénieurs en IA ont la possibilité de personnaliser les clusters pour répondre à leurs besoins spécifiques.

L'interface utilisateur de IO.NET est très conviviale. Si vous souhaitez déployer votre propre cluster de puces pour les tâches informatiques d'IA, accédez simplement à la page Clusters de la plate-forme, où vous pouvez facilement configurer le cluster de puces souhaité en fonction de vos besoins.

Page de cluster sur IO.NET

Tout d’abord, vous devez sélectionner votre type de cluster, avec trois options disponibles :

1. Général : fournit un environnement général, adapté aux premières étapes d'un projet où les besoins spécifiques en ressources ne sont pas encore clairs.

2. Train : un cluster conçu spécifiquement pour la formation et le réglage fin des modèles d'apprentissage automatique. Cette option fournit des ressources GPU supplémentaires, une capacité de mémoire plus élevée et/ou des connexions réseau plus rapides pour répondre à ces tâches informatiques intensives.

3. Inférence : un cluster conçu pour l'inférence à faible latence et le travail à charge élevée. Dans le contexte de l'apprentissage automatique, l'inférence fait référence à l'utilisation de modèles entraînés pour prédire ou analyser de nouveaux ensembles de données et fournir des commentaires. Par conséquent, cette option se concentre sur l’optimisation de la latence et du débit pour répondre aux besoins de traitement des données en temps réel ou quasi réel.

Ensuite, vous devez choisir un fournisseur pour votre cluster. IO.NET a des partenariats avec Render Network et le réseau de mineurs Filecoin, permettant aux utilisateurs de sélectionner des puces d'IO.NET ou de deux autres réseaux comme source d'approvisionnement pour leurs clusters informatiques. Cela positionne efficacement IO.NET en tant qu'agrégateur (remarque : les services Filecoin sont temporairement hors ligne). Il convient de noter que IO.NET dispose actuellement de plus de 200 000 GPU disponibles en ligne, tandis que Render Network propose plus de 3 700 GPU.

Suite à cela, vous passerez à la phase de sélection du matériel de votre cluster. Actuellement, IO.NET répertorie uniquement les GPU comme option matérielle disponible, à l'exclusion des processeurs ou des iGPU d'Apple (M1, M2, etc.), les GPU étant principalement constitués de produits NVIDIA.

Parmi les options matérielles GPU officiellement répertoriées et disponibles, sur la base des données que j'ai testées ce jour-là, le nombre total de GPU en ligne disponibles sur le réseau IO.NET était de 206 001. Le GPU le plus disponible était le GeForce RTX 4090, avec 45 250 unités, suivi du GeForce RTX 3090 Ti, avec 30 779 unités.

En outre, 7 965 unités de la puce très efficace A100-SXM4-80GB (chacune coûtant plus de 15 000 $) sont disponibles en ligne, ce qui est plus efficace pour les tâches informatiques d'IA telles que l'apprentissage automatique, l'apprentissage profond et le calcul scientifique.

Le NVIDIA H100 80 Go HBM3, conçu dès le départ pour l'IA (avec un prix de marché de plus de 40 000 $), offre des performances d'entraînement 3,3 fois supérieures et des performances d'inférence 4,5 fois supérieures à celles de l'A100. Actuellement, 86 unités sont disponibles en ligne.

Une fois le type de matériel du cluster choisi, les utilisateurs devront spécifier des détails supplémentaires tels que l'emplacement géographique du cluster, la vitesse de connectivité, le nombre de GPU et la durée.

Enfin, IO.NET calculera une facture détaillée en fonction des options sélectionnées. À titre d'illustration, considérons la configuration de cluster suivante :

• Type de cluster : Général

• 16 GPU A100-SXM4-80 Go

• Niveau de connectivité : Haute vitesse

• Situation géographique : États-Unis

• Durée : 1 semaine

La facture totale pour cette configuration est de 3 311,6 $, le prix horaire de location par carte étant de 1,232 $.

Le prix horaire de location d'un seul A100-SXM4-80 Go sur Amazon Web Services, Google Cloud et Microsoft Azure est respectivement de 5,12 $, 5,07 $ et 3,67 $ (données provenant de la comparaison des GPU Cloud, les prix réels peuvent varier en fonction des détails du contrat).

Par conséquent, en termes de coût, IO.NET propose une puissance de calcul sur puce à des prix bien inférieurs à ceux des fournisseurs traditionnels. De plus, la flexibilité des options d'approvisionnement et d'approvisionnement fait d'IO.NET un choix attrayant pour de nombreux utilisateurs.

Aperçu de l'entreprise

Côté de l'offre

Au 4 avril 2024, les chiffres officiels révèlent qu'IO.NET disposait d'une offre totale de GPU de 371 027 unités et d'une offre de CPU de 42 321 unités du côté de l'offre. De plus, Render Network, en tant que partenaire, disposait de 9 997 GPU et 776 CPU supplémentaires connectés à l’alimentation du réseau.

Source des données : io.net

Au moment de la rédaction de cet article, 214 387 GPU intégrés à IO.NET étaient en ligne, ce qui correspond à un taux de connexion en ligne de 57,8 %. Le taux en ligne pour les GPU provenant de Render Network était de 45,1 %.

Qu’impliquent ces données du côté de l’offre ?

Pour fournir une référence, introduisons Akash Network, un projet informatique décentralisé plus expérimenté.

Akash Network a lancé son réseau principal dès 2020, se concentrant initialement sur les services décentralisés pour les processeurs et le stockage. Il a déployé un réseau de test pour les services GPU en juin 2023, puis a lancé le réseau principal pour la puissance de calcul GPU décentralisée en septembre de la même année.

Capacité GPU du réseau Akash

Selon les données officielles d'Akash, même si l'offre n'a cessé de croître depuis le lancement de son réseau GPU, le nombre total de GPU connectés au réseau ne reste que de 365.

Lors de l'évaluation du volume de fourniture de GPU, IO.NET dépasse largement le réseau Akash, fonctionnant à une échelle considérablement plus grande. IO.NET s'est imposé comme le plus grand fournisseur dans le secteur de la puissance de calcul GPU décentralisé.

Côté de la demande

Du côté de la demande, IO.NET en est encore aux premiers stades de développement du marché, avec un volume total relativement faible de tâches de calcul exécutées sur son réseau. La majorité des GPU sont en ligne mais inactifs, affichant un pourcentage de charge de travail de 0 %. Seuls quatre types de puces – l'A100 PCIe 80 Go K8S, la RTX A6000 K8S, la RTX A4000 K8S et la H100 80 Go HBM3 – sont activement engagés dans les tâches de traitement, et parmi celles-ci, seule l'A100 PCIe 80 Go K8S connaît une charge de travail supérieure à 20 %.

Le niveau de stress officiel du réseau signalé pour la journée était de 0%, ce qui indique qu'une partie importante de l'offre de GPU est actuellement en ligne mais inactive.

Financièrement, IO.NET a accumulé 586 029 $ de frais de service à ce jour, dont 3 200 $ de ce total ont été générés le jour le plus récent.

Source : io.net

Les données financières concernant les frais de règlement du réseau, tant en termes de volumes de transactions totaux que quotidiens, s'alignent étroitement sur celles d'Akash. Cependant, il est important de noter que l’essentiel des revenus d’Akash provient de ses offres de processeurs, avec un inventaire dépassant les 20 000 processeurs.

Source : Statistiques du réseau Akash

De plus, IO.NET a divulgué des données détaillées sur les tâches d'inférence d'IA traitées par le réseau. Depuis le dernier rapport, la plateforme a traité et validé avec succès plus de 230 000 tâches d'inférence, bien que la majeure partie de ce volume provienne de BC8.AI, un projet sponsorisé par IO.NET.

Source : io.net

L’offre d’IO.NET se développe efficacement, motivée par les attentes entourant un parachutage et un événement communautaire connu sous le nom de « Ignition ». Cette initiative a rapidement attiré une quantité importante de puissance de calcul de l’IA. Du côté de la demande, cependant, l’expansion reste naissante avec une demande biologique insuffisante. Les raisons de cette demande atone, qu'elles soient dues à des efforts de sensibilisation des consommateurs non initiés ou à des expériences de service instables conduisant à une adoption limitée à grande échelle, nécessitent une évaluation plus approfondie.

Compte tenu des difficultés rencontrées pour combler rapidement l’écart en matière de capacités informatiques de l’IA, de nombreux ingénieurs et projets en IA explorent des alternatives, ce qui pourrait accroître l’intérêt pour les fournisseurs de services décentralisés. De plus, IO.NET n'a pas encore mis en œuvre d'incitations économiques ou d'activités pour stimuler la demande, et à mesure que l'expérience produit continue de s'améliorer, l'équilibre anticipé entre l'offre et la demande est prometteur pour l'avenir.

Contexte de l’équipe et aperçu de la collecte de fonds

Profil de l'équipe

L'équipe principale d'IO.NET s'est initialement concentrée sur le trading quantitatif. Jusqu’en juin 2022, ils étaient engagés dans la création de systèmes de trading quantitatifs au niveau institutionnel pour les actions et les crypto-monnaies. Poussée par la demande de puissance de calcul du backend du système, l’équipe a commencé à explorer le potentiel de l’informatique décentralisée et s’est finalement concentrée sur la question spécifique de la réduction du coût des services informatiques GPU.

Fondateur et PDG : Ahmad Shadid

Avant de fonder IO.NET, Ahmad Shadid a travaillé dans la finance quantitative et l'ingénierie financière, et il est également bénévole à la Fondation Ethereum.

CMO et directeur de la stratégie : Garrison Yang

Garrison Yang a officiellement rejoint IO.NET en mars 2024. Avant cela, il était vice-président de la stratégie et de la croissance chez Avalanche et est un ancien élève de l'Université de Californie à Santa Barbara.

Directeur de l'exploitation : Tory Green

Tory Green est le directeur de l'exploitation d'IO.NET. Il était auparavant COO de Hum Capital et directeur du développement commercial et de la stratégie chez Fox Mobile Group. Il est diplômé de l'Université de Stanford.

Le profil LinkedIn d'IO.NET indique que l'équipe a son siège à New York, aux États-Unis, avec une succursale à San Francisco, et emploie plus de 50 personnes.

Aperçu du financement

IO.NET n'a annoncé publiquement qu'un seul cycle de financement : une série A achevée en mars de cette année avec une valorisation de 1 milliard de dollars, grâce à laquelle ils ont réussi à lever 30 millions de dollars. Ce cycle a été mené par Hack VC, avec la participation d'autres investisseurs, notamment Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures et ArkStream Capital.

Notamment, l’investissement de la Fondation Aptos pourrait avoir influencé la décision du projet BC8.AI de passer de l’utilisation de Solana pour ses processus de règlement et de comptabilité à la blockchain de couche 1 tout aussi performante, Aptos.

Estimation de la valorisation

Selon les déclarations précédentes du fondateur et PDG Ahmad Shadid, IO.NET devrait lancer son jeton d'ici fin avril 2024.

IO.NET a deux projets de référence qui servent de références pour la valorisation : Render Network et Akash Network, qui sont tous deux des projets informatiques décentralisés représentatifs.

Il existe deux méthodes principales pour obtenir une estimation de la capitalisation boursière d’IO.NET :

1. Le ratio Prix/Ventes (P/S), qui compare le FDV au chiffre d'affaires ;

2. Rapport FDV/puce (rapport M/C)

Nous commencerons par examiner la valorisation potentielle à l’aide du ratio Prix/Ventes :

En examinant le ratio prix/ventes, Akash représente l’extrémité conservatrice du spectre de valorisation estimé d’IO.NET, tandis que Render fournit une référence haut de gamme, postulant un FDV allant de 1,67 milliard de dollars à 5,93 milliards de dollars.

Cependant, compte tenu des mises à jour du projet IO.NET, son récit plus convaincant, associé à sa capitalisation boursière initiale plus petite et à une base d'approvisionnement plus large, suggère que son FDV pourrait bien dépasser celui de Render Network.

Passons à une autre perspective de comparaison de valorisation, à savoir le « FDV-to-Chip Ratio ».

Dans le contexte d’un marché où la demande en puissance de calcul de l’IA dépasse l’offre, l’élément le plus crucial des réseaux informatiques décentralisés de l’IA est l’ampleur de l’offre de GPU. Par conséquent, nous pouvons utiliser le « ratio FDV-to-Chip », qui est le rapport entre la valeur entièrement diluée du projet et le nombre de puces au sein du réseau, pour déduire la plage de valorisation possible d'IO.NET, fournissant ainsi aux lecteurs une référence. .

L’utilisation du ratio marché/puce pour calculer la fourchette de valorisation d’IO.NET nous place entre 20,6 milliards de dollars et 197,5 milliards de dollars, Render Network définissant la référence supérieure et Akash Network la référence inférieure.

Les passionnés du projet IO.NET pourraient y voir une estimation très optimiste de la capitalisation boursière.

Il est important de considérer le grand nombre actuel de puces en ligne pour IO.NET, stimulé par les attentes de parachutages et les activités d'incitation. Le décompte réel en ligne de l’offre après le lancement officiel du projet nécessite encore d’être observé.

Dans l’ensemble, les valorisations dérivées du ratio cours/ventes pourraient offrir des informations plus fiables.

IO.NET, construit sur Solana et bénéficiant de la convergence de l'IA et de DePIN, est sur le point de lancer son token. L’anticipation est palpable alors que nous sommes témoins de l’impact sur sa capitalisation boursière après le lancement.

Référence

• La vraie fusion

• Comprendre l'intersection de la crypto et de l'IA