Oleh Alex Xu, Mitra Riset di Mint Ventures
Perkenalan
Dalam laporan terakhir kami, kami menyebutkan bahwa dibandingkan dengan dua siklus sebelumnya, tren kenaikan mata uang kripto saat ini tidak memiliki model bisnis dan narasi aset baru. Kecerdasan Buatan (AI) adalah salah satu narasi baru di ruang Web3 pada siklus ini. Artikel ini menggali proyek AI terpopuler tahun ini, IO.NET, dan menyusun pemikiran tentang dua pertanyaan berikut:
Pentingnya AI+Web3 dalam lanskap komersial
Kebutuhan dan tantangan penerapan jaringan komputasi terdesentralisasi
Saya akan menyusun informasi penting tentang proyek representatif dalam jaringan komputasi AI terdesentralisasi: IO.NET, termasuk desain produk, lanskap kompetitif, dan latar belakang proyek. Saya juga akan berspekulasi tentang metrik penilaian proyek.
Wawasan tentang Logika Bisnis di Balik Konvergensi AI dan Web3 terinspirasi dari "The Real Merge" karya Michael Rinko, analis riset di Delphi Delphi. Analisis ini mengasimilasi dan merujuk ide-ide dari karyanya, sangat direkomendasikan untuk bacaan lebih lanjut The Real Merge.
Harap perhatikan bahwa artikel ini mencerminkan pemikiran saya saat ini dan dapat berubah. Pendapat di sini bersifat subjektif dan mungkin ada kesalahan dalam fakta, data, dan penalaran logis. Ini bukan nasihat keuangan, tetapi umpan balik dan diskusi akan diterima dengan senang hati.
Logika Bisnis di Balik Konvergensi AI dan Web3
2023: “Tahun yang Luar Biasa” bagi AI
Jika kita merenungkan sejarah perkembangan manusia, jelaslah bahwa terobosan teknologi memicu transformasi mendalam – dari kehidupan sehari-hari hingga lanskap industri dan kemajuan peradaban itu sendiri.
Dalam sejarah manusia, ada dua tahun penting, yaitu 1666 dan 1905, yang kini diperingati sebagai “Annus Mirabilis” dalam sejarah ilmu pengetahuan.
Tahun 1666 mendapatkan gelar tersebut berkat serangkaian terobosan ilmiah Isaac Newton. Dalam satu tahun, ia memelopori cabang fisika yang dikenal sebagai optik, mendirikan disiplin matematika kalkulus, dan merumuskan hukum gravitasi, yang merupakan hukum dasar ilmu pengetahuan alam modern. Salah satu dari kontribusi ini merupakan dasar bagi perkembangan ilmiah umat manusia selama abad berikutnya, yang secara signifikan mempercepat kemajuan ilmu pengetahuan secara keseluruhan.
Tahun penting lainnya adalah tahun 1905, ketika Einstein yang baru berusia 26 tahun menerbitkan empat makalah berturut-turut dalam “Annalen der Physik,” yang membahas efek fotolistrik, yang menjadi landasan bagi mekanika kuantum; gerak Brown, yang menyediakan kerangka penting untuk analisis proses stokastik; teori relativitas khusus; dan kesetaraan massa-energi, yang dirangkum dalam persamaan E=MC^2. Jika menengok ke belakang, masing-masing makalah ini dianggap melampaui tingkat rata-rata karya pemenang Hadiah Nobel dalam bidang fisika—sebuah kehormatan yang diterima Einstein sendiri atas karyanya tentang efek fotolistrik. Kontribusi ini secara kolektif mendorong umat manusia beberapa langkah maju dalam perjalanan peradaban.
Tahun 2023, yang baru saja berlalu, siap dirayakan sebagai “Tahun Keajaiban” lainnya, sebagian besar berkat munculnya ChatGPT.
Melihat 2023 sebagai "Tahun Keajaiban" dalam sejarah teknologi manusia bukan hanya tentang mengakui langkah maju yang dibuat dalam pemrosesan dan pembuatan bahasa alami oleh ChatGPT. Ini juga tentang mengenali pola yang jelas dalam kemajuan model bahasa besar—kesadaran bahwa dengan memperluas parameter model dan kumpulan data pelatihan, kita dapat mencapai peningkatan eksponensial dalam kinerja model. Selain itu, tampaknya tidak terbatas dalam jangka pendek, dengan asumsi daya komputasi terus berkembang.
Kemampuan ini jauh melampaui pemahaman bahasa dan pembuatan percakapan; kemampuan ini dapat diterapkan secara luas di berbagai bidang ilmiah. Mengambil contoh penerapan model bahasa yang besar di sektor biologi:
Pada tahun 2018, Pemenang Nobel dalam bidang Kimia, Frances Arnold, mengatakan selama upacara penganugerahannya, “Saat ini kita dapat membaca, menulis, dan mengedit urutan DNA apa pun untuk semua keperluan praktis, tetapi kita tidak dapat menyusunnya.” Maju cepat lima tahun ke tahun 2023, tim peneliti dari Universitas Stanford dan Salesforce Research, perusahaan rintisan yang berfokus pada AI, membuat publikasi di “Nature Biotechnology.” Dengan memanfaatkan model bahasa besar yang disempurnakan dari GPT-3, mereka menghasilkan katalog baru yang seluruhnya terdiri dari 1 juta protein. Di antara ini, mereka menemukan dua protein dengan struktur yang berbeda, keduanya diberkahi dengan fungsi antibakteri, yang berpotensi membuka jalan bagi strategi resistensi bakteri baru di luar antibiotik tradisional. Ini menandakan lompatan monumental dalam mengatasi rintangan pembuatan protein dengan bantuan AI.
Sebelumnya, algoritma kecerdasan buatan AlphaFold meramalkan struktur hampir semua 2,14 miliar jenis protein di Bumi dalam kurun waktu 18 bulan—sebuah tonggak sejarah yang memperkuat pencapaian para ahli biologi struktural sepanjang sejarah hingga beberapa kali lipat.
Integrasi model AI menjanjikan transformasi industri secara drastis. Dari ranah teknologi keras bioteknologi, ilmu material, dan penemuan obat hingga ranah budaya hukum dan seni, gelombang transformatif siap membentuk kembali bidang-bidang ini, dengan tahun 2023 menandai dimulainya semuanya.
Sudah diakui secara luas bahwa abad terakhir telah menyaksikan peningkatan eksponensial dalam kemampuan manusia untuk menghasilkan kekayaan. Kemajuan pesat teknologi AI diharapkan dapat mempercepat proses ini.
Tren Total PDB Global, Sumber Data: Grup Bank Dunia
Menggabungkan AI dan Kripto
Untuk memahami kebutuhan inheren akan penggabungan AI dan kripto, ada baiknya kita melihat bagaimana fitur-fitur unik mereka saling melengkapi.
Simbiosis AI dan Fitur Kripto
AI dibedakan berdasarkan tiga kualitas utama:
Stokastisitas: AI bersifat stokastik, dengan mekanisme produksi kontennya menjadi kotak hitam yang sulit ditiru dan penuh teka-teki, yang membuat keluarannya pada dasarnya stokastik.
Padat Sumber Daya: AI adalah industri yang padat sumber daya, membutuhkan sejumlah besar energi, chip, dan daya komputasi.
Kecerdasan Seperti Manusia: AI (akan segera) mampu lulus uji Turing, sehingga semakin sulit membedakan antara manusia dan AI.
※ Pada tanggal 30 Oktober 2023, peneliti dari University of California, San Diego, mengungkap skor uji Turing untuk GPT-3.5 dan GPT-4.0. Yang terakhir mencapai skor 41%, hanya kurang 9 poin persentase dari batas kelulusan 50%, sedangkan manusia mendapat skor 63% pada tes yang sama. Inti dari tes Turing ini terletak pada seberapa banyak peserta menganggap mitra obrolan mereka sebagai manusia. Skor di atas 50% menunjukkan bahwa mayoritas percaya bahwa mereka berinteraksi dengan manusia, bukan mesin, sehingga menganggap AI telah berhasil lulus uji Turing karena setidaknya setengah dari orang tidak dapat membedakannya dari manusia.
Ketika AI membuka jalan bagi kemajuan luar biasa dalam produktivitas manusia, pada saat yang sama ia juga memperkenalkan tantangan besar bagi masyarakat kita, khususnya:
Cara memverifikasi dan mengendalikan stokastisitas AI, mengubahnya menjadi keuntungan daripada kelemahan
Cara menjembatani kebutuhan besar akan energi dan daya komputasi yang dituntut oleh AI
Cara membedakan antara manusia dan AI
Teknologi kripto dan blockchain dapat menawarkan solusi ideal untuk tantangan yang ditimbulkan oleh AI, yang ditandai dengan tiga atribut utama:
Determinisme: Operasi didasarkan pada blockchain, kode, dan kontrak pintar, dengan aturan dan batasan yang jelas. Input mengarah pada output yang dapat diprediksi, memastikan tingkat determinisme yang tinggi.
Alokasi Sumber Daya yang Efisien: Ekonomi kripto telah mendorong pasar yang luas, global, dan bebas, yang memungkinkan penetapan harga, penggalangan dana, dan transfer sumber daya yang cepat. Kehadiran token semakin mempercepat penyelarasan penawaran dan permintaan pasar, dengan cepat mencapai massa kritis melalui pemberian insentif.
Tanpa kepercayaan: Dengan buku besar publik dan kode sumber terbuka, siapa pun dapat dengan mudah memverifikasi operasi, sehingga menciptakan sistem "tanpa kepercayaan". Lebih jauh lagi, teknologi Zero-Knowledge (ZK) memastikan bahwa privasi tetap terjaga selama proses verifikasi ini.
Untuk menunjukkan komplementaritas antara AI dan ekonomi kripto, mari kita bahas tiga contoh.
Contoh A: Mengatasi Stokastisitas dengan Agen AI yang Didukung oleh Ekonomi Kripto
Agen AI adalah program cerdas yang dirancang untuk menjalankan tugas atas nama manusia sesuai dengan arahan mereka, dengan Fetch.AI menjadi contoh penting dalam domain ini. Bayangkan kita menugaskan agen AI kita untuk menjalankan operasi keuangan, seperti "menginvestasikan $1000 dalam BTC." Agen AI dapat menghadapi dua skenario berbeda:
Skenario 1: Agen diharuskan berinteraksi dengan entitas keuangan tradisional (misalnya, BlackRock) untuk membeli ETF BTC, menghadapi banyak masalah kompatibilitas dengan organisasi terpusat, termasuk prosedur KYC, verifikasi dokumen, proses login, dan autentikasi identitas, yang semuanya sangat memberatkan saat ini.
Skenario 2: Saat beroperasi dalam ekonomi kripto asli, prosesnya menjadi lebih sederhana. Agen dapat langsung melakukan transaksi melalui Uniswap atau agregator perdagangan serupa, menggunakan akun Anda untuk masuk dan mengonfirmasi pesanan, dan akibatnya memperoleh WBTC atau varian lain dari wrapped BTC. Prosedur ini efisien dan efisien. Pada dasarnya, ini adalah fungsi yang saat ini dilayani oleh berbagai Trading Bot, yang bertindak sebagai agen AI dasar dengan fokus pada aktivitas perdagangan. Dengan pengembangan dan integrasi AI lebih lanjut, bot ini akan memenuhi tujuan perdagangan yang lebih rumit. Misalnya, mereka dapat memantau 100 alamat uang pintar di blockchain, menilai strategi perdagangan dan tingkat keberhasilan mereka, mengalokasikan 10% dari dana mereka untuk menyalin perdagangan mereka selama seminggu, menghentikan operasi jika pengembaliannya tidak menguntungkan, dan menyimpulkan alasan potensial untuk strategi ini.
AI berkembang pesat dalam sistem blockchain, terutama karena aturan ekonomi kripto didefinisikan secara eksplisit, dan sistem tersebut memungkinkan tidak adanya izin. Beroperasi di bawah pedoman yang jelas secara signifikan mengurangi risiko yang terkait dengan stokastisitas bawaan AI. Misalnya, dominasi AI atas manusia dalam permainan catur dan video berasal dari fakta bahwa lingkungan ini adalah kotak pasir tertutup dengan aturan yang lugas. Sebaliknya, kemajuan dalam mengemudi secara otonom lebih bertahap. Tantangan dunia terbuka lebih kompleks, dan toleransi kita terhadap pemecahan masalah AI yang tidak dapat diprediksi dalam skenario seperti itu jauh lebih rendah.
Contoh B: Konsolidasi Sumber Daya melalui Insentif Token
Jaringan hash global tangguh yang mendukung BTC, yang membanggakan total hash rate saat ini sebesar 576,70 EH/s, melampaui daya komputasi kumulatif yang dimiliki superkomputer negara mana pun. Pertumbuhan ini didorong oleh insentif yang sederhana dan adil dalam jaringan.
Tren Hashrate BTC
Selain itu, proyek DePIN seperti Mobile, tengah menjajaki insentif token untuk mengembangkan pasar baik di sisi penawaran maupun permintaan guna mendorong efek jaringan. Fokus artikel ini selanjutnya, IO.NET, adalah platform yang dirancang untuk menggabungkan daya komputasi AI, dengan harapan dapat membuka potensi laten daya komputasi AI melalui model token.
Contoh C: Memanfaatkan Open Source dan ZK Proof untuk Membedakan Manusia dari AI Sambil Melindungi Privasi
Worldcoin, proyek Web3 yang didirikan bersama oleh Sam Altman dari OpenAI, menggunakan pendekatan baru untuk verifikasi identitas. Dengan menggunakan perangkat keras yang dikenal sebagai Orb, proyek ini memanfaatkan biometrik iris mata manusia untuk menghasilkan nilai hash yang unik dan anonim melalui teknologi Zero-Knowledge (ZK), yang membedakan manusia dari AI. Pada awal Maret 2024, proyek seni Web3 Drip mulai menerapkan Worldcoin ID untuk mengautentikasi manusia asli dan mengalokasikan hadiah.
Worldcoin baru-baru ini membuka sumber perangkat keras irisnya, Orb, yang menjamin keamanan dan privasi data biometrik.
Secara keseluruhan, karena determinisme kode dan kriptografi, sirkulasi sumber daya dan keuntungan penggalangan dana yang dibawa oleh mekanisme tanpa izin dan berbasis token, di samping sifat tanpa kepercayaan berdasarkan kode sumber terbuka dan buku besar publik, ekonomi kripto telah menjadi solusi potensial yang signifikan untuk tantangan yang dihadapi masyarakat manusia dengan AI.
Tantangan yang paling mendesak dan menuntut secara komersial adalah kebutuhan yang amat besar akan sumber daya komputasi yang dibutuhkan oleh produk AI, yang terutama didorong oleh kebutuhan besar akan chip dan daya komputasi.
Ini juga merupakan alasan utama mengapa proyek daya komputasi terdistribusi telah memimpin keuntungan selama siklus pasar bullish di sektor AI secara keseluruhan.
Keharusan Bisnis untuk Komputasi Terdesentralisasi
AI membutuhkan sumber daya komputasi besar, yang diperlukan untuk pelatihan model dan tugas inferensi.
Telah terdokumentasikan dengan baik dalam pelatihan model bahasa besar bahwa begitu skala parameter data menjadi substansial, model ini mulai menunjukkan kemampuan yang belum pernah ada sebelumnya. Peningkatan eksponensial yang terlihat dari satu generasi ChatGPT ke generasi berikutnya didorong oleh pertumbuhan eksponensial dalam tuntutan komputasi untuk pelatihan model.
Penelitian dari DeepMind dan Universitas Stanford menunjukkan bahwa di berbagai model bahasa besar, saat menangani berbagai tugas—baik itu komputasi, menjawab pertanyaan bahasa Persia, atau pemahaman bahasa alami—model tersebut hanya mendekati tebakan acak kecuali pelatihan melibatkan parameter model yang ditingkatkan secara signifikan (dan sebagai tambahan, beban komputasi). Performa tugas apa pun tetap hampir acak hingga upaya komputasi mencapai 10^22 FLOP. Di luar ambang kritis ini, performa tugas meningkat drastis di semua model bahasa.
*FLOP merujuk pada operasi floating-point per detik, ukuran kinerja komputasi.
Kemampuan yang Muncul pada Model Bahasa Besar
Kemampuan yang Muncul pada Model Bahasa Besar
Prinsip "mencapai keajaiban dengan usaha keras" dalam daya komputasi, baik secara teori maupun yang telah terbukti dalam praktik, mengilhami pendiri OpenAI, Sam Altman, untuk mengusulkan rencana ambisius guna mengumpulkan $7 triliun. Dana ini dimaksudkan untuk membangun pabrik chip yang akan melampaui kemampuan TSMC saat ini hingga sepuluh kali lipat (diperkirakan menelan biaya $1,5 triliun), dengan dana yang tersisa dialokasikan untuk produksi chip dan pelatihan model.
Selain tuntutan komputasional untuk melatih model AI, proses inferensi juga memerlukan daya komputasi yang cukup besar, meskipun lebih sedikit daripada pelatihan. Kebutuhan berkelanjutan akan chip dan sumber daya komputasional ini telah menjadi kenyataan standar bagi para pelaku di bidang AI.
Berbeda dengan penyedia komputasi AI terpusat seperti Amazon Web Services, Google Cloud Platform, dan Microsoft Azure, komputasi AI terdesentralisasi menawarkan beberapa proposisi nilai yang menarik:
Aksesibilitas: Memperoleh akses ke chip komputasi melalui layanan seperti AWS, GCP, atau Azure biasanya memerlukan waktu berminggu-minggu, dan model GPU yang paling populer sering kali kehabisan stok. Selain itu, konsumen biasanya terikat kontrak yang panjang dan kaku dengan perusahaan-perusahaan besar ini. Di sisi lain, platform komputasi terdistribusi menyediakan opsi perangkat keras yang fleksibel dengan aksesibilitas yang ditingkatkan.
Efisiensi Biaya: Dengan memanfaatkan chip yang tidak terpakai dan menggabungkan subsidi token dari protokol jaringan untuk penyedia chip dan daya komputasi, jaringan komputasi yang terdesentralisasi dapat menawarkan daya komputasi dengan biaya yang lebih rendah.
Resistensi terhadap Sensor: Pasokan chip canggih saat ini didominasi oleh perusahaan teknologi besar, dan dengan pemerintah Amerika Serikat yang meningkatkan pengawasan terhadap layanan komputasi AI, kemampuan untuk memperoleh daya komputasi secara terdesentralisasi, fleksibel, dan tanpa batasan semakin menjadi kebutuhan yang jelas. Ini adalah proposisi nilai inti dari platform komputasi berbasis web3.
Jika bahan bakar fosil adalah urat nadi Era Industri, maka daya komputasi mungkin juga merupakan urat nadi era digital baru yang dipelopori oleh AI, menjadikan pasokan daya komputasi sebagai infrastruktur untuk era AI. Mirip dengan bagaimana stablecoin muncul sebagai turunan kuat mata uang fiat di era Web3, mungkinkah pasar komputasi terdistribusi berevolusi menjadi segmen yang berkembang pesat dalam pasar komputasi AI yang berkembang pesat?
Ini masih merupakan pasar yang sedang berkembang, dan masih banyak yang harus dilihat. Namun, beberapa faktor berpotensi mendorong narasi atau adopsi pasar komputasi terdesentralisasi:
Tantangan Pasokan GPU yang Berkelanjutan: Keterbatasan pasokan GPU yang berkelanjutan mungkin mendorong pengembang untuk mengeksplorasi platform komputasi terdesentralisasi.
Perluasan Regulasi: Mengakses layanan komputasi AI dari platform cloud utama melibatkan proses KYC dan pengawasan yang menyeluruh. Hal ini dapat mengarah pada adopsi platform komputasi terdesentralisasi yang lebih luas, terutama di area yang menghadapi pembatasan atau sanksi.
Insentif Harga Token: Kenaikan harga token selama pasar bullish dapat meningkatkan nilai subsidi yang ditawarkan kepada penyedia GPU oleh platform, menarik lebih banyak vendor ke pasar, meningkatkan skalanya, dan menurunkan biaya bagi konsumen.
Pada saat yang sama, tantangan yang dihadapi oleh platform komputasi terdesentralisasi juga cukup jelas:
Tantangan Teknis dan Rekayasa
Masalah Bukti Kerja: Perhitungan dalam model pembelajaran mendalam, karena struktur hierarkis tempat keluaran setiap lapisan digunakan sebagai masukan untuk lapisan berikutnya, memverifikasi validitas perhitungan memerlukan pelaksanaan semua pekerjaan sebelumnya, yang tidak sederhana maupun efisien. Untuk mengatasi hal ini, platform komputasi terdesentralisasi perlu mengembangkan algoritme baru atau menggunakan teknik verifikasi perkiraan yang menawarkan jaminan hasil probabilistik, bukan determinisme absolut.
Tantangan Paralelisasi: Platform komputasi terdesentralisasi memanfaatkan beragam pemasok chip, yang masing-masing biasanya menawarkan daya komputasi terbatas. Menyelesaikan tugas pelatihan atau inferensi model AI oleh satu pemasok chip dengan cepat hampir mustahil. Oleh karena itu, tugas harus diurai dan didistribusikan menggunakan paralelisasi untuk mempersingkat waktu penyelesaian secara keseluruhan. Namun, pendekatan ini menimbulkan beberapa komplikasi, termasuk bagaimana tugas dipecah (terutama tugas pembelajaran mendalam yang kompleks), ketergantungan data, dan biaya konektivitas tambahan antarperangkat.
Masalah Perlindungan Privasi: Bagaimana seseorang dapat memastikan bahwa data dan model klien tidak diungkapkan kepada penerima tugas?
Tantangan Kepatuhan Regulasi
Platform komputasi terdesentralisasi, karena sifatnya yang tanpa izin di pasar penawaran dan permintaan, dapat menarik pelanggan tertentu sebagai nilai jual utama. Namun, seiring berkembangnya kerangka regulasi AI, platform ini dapat semakin menjadi target pengawasan pemerintah. Selain itu, beberapa vendor GPU khawatir tentang apakah sumber daya komputasi sewaan mereka digunakan oleh bisnis atau individu yang dikenai sanksi.
Singkatnya, pengguna utama platform komputasi terdesentralisasi sebagian besar adalah pengembang profesional atau perusahaan kecil hingga menengah. Tidak seperti investor mata uang kripto dan NFT, klien ini memprioritaskan stabilitas dan keberlanjutan layanan yang disediakan oleh platform, dan harga belum tentu menjadi perhatian utama mereka. Platform komputasi terdesentralisasi masih harus menempuh perjalanan panjang sebelum dapat diterima secara luas oleh basis pengguna yang cerdas ini.
Selanjutnya, kami akan membahas detailnya dan melakukan analisis terhadap IO.NET, proyek daya komputasi terdesentralisasi baru dalam siklus ini. Kami juga akan membandingkannya dengan proyek serupa untuk memperkirakan potensi valuasi pasarnya setelah peluncurannya.
Platform Komputasi AI Terdesentralisasi: IO.NET
Gambaran Umum Proyek
IO.NET adalah jaringan komputasi terdesentralisasi yang telah membangun pasar dua sisi seputar chip. Di sisi pasokan, terdapat daya komputasi yang didistribusikan secara global, terutama GPU, tetapi juga CPU dan GPU terintegrasi Apple (iGPU). Sisi permintaan terdiri dari teknisi AI yang berusaha menyelesaikan tugas pelatihan atau inferensi model AI.
Situs web resmi IO.NET menyatakan visi mereka:
Misi Kami
Menyatukan satu juta GPU dalam DePIN – jaringan infrastruktur fisik terdesentralisasi.
Dibandingkan dengan layanan komputasi awan AI tradisional, platform ini menyoroti beberapa keunggulan utama:
Konfigurasi Fleksibel: Insinyur AI memiliki kebebasan untuk memilih dan merakit chip yang diperlukan ke dalam “kluster” yang disesuaikan dengan tugas komputasi spesifik mereka.
Penerapan Cepat: Tidak seperti waktu persetujuan dan tunggu yang lama seperti yang dibutuhkan penyedia terpusat seperti AWS, penerapan pada platform ini dapat diselesaikan hanya dalam hitungan detik, sehingga tugas dapat segera dimulai.
Efisiensi Biaya: Biaya layanan hingga 90% lebih rendah daripada biaya yang ditawarkan oleh penyedia utama.
Lebih jauh lagi, IO.NET berencana untuk meluncurkan layanan tambahan di masa yang akan datang, seperti toko model AI.
Mekanisme Produk dan Metrik Bisnis
Mekanisme Produk dan Pengalaman Penerapan
Mirip dengan platform utama seperti Amazon Cloud, Google Cloud, dan Alibaba Cloud, IO.NET menawarkan layanan komputasi yang dikenal sebagai IO Cloud. Layanan ini beroperasi melalui jaringan chip yang terdistribusi dan terdesentralisasi yang mendukung eksekusi kode pembelajaran mesin berbasis Python untuk aplikasi AI dan pembelajaran mesin.
Modul bisnis dasar IO Cloud disebut Cluster——kelompok GPU yang saling berkoordinasi yang dirancang untuk menangani tugas komputasi secara efisien. Insinyur AI memiliki fleksibilitas untuk menyesuaikan cluster agar memenuhi kebutuhan spesifik mereka.
Antarmuka pengguna IO.NET sangat ramah pengguna. Jika Anda ingin menggunakan kluster chip Anda sendiri untuk tugas komputasi AI, cukup navigasikan ke halaman Kluster pada platform, di mana Anda dapat dengan mudah mengonfigurasi kluster chip yang diinginkan sesuai dengan kebutuhan Anda.
Halaman Cluster di IO.NET
Pertama, Anda perlu memilih jenis klaster Anda, dengan tiga pilihan yang tersedia:
Umum: Menyediakan lingkungan umum, cocok untuk tahap awal proyek di mana persyaratan sumber daya spesifik belum jelas.
Train: Sebuah klaster yang dirancang khusus untuk pelatihan dan penyempurnaan model pembelajaran mesin. Opsi ini menyediakan sumber daya GPU tambahan, kapasitas memori yang lebih tinggi, dan/atau koneksi jaringan yang lebih cepat untuk mengakomodasi tugas komputasi intensif ini.
Inferensi: Sebuah klaster yang dirancang untuk inferensi latensi rendah dan pekerjaan dengan beban tinggi. Dalam konteks pembelajaran mesin, inferensi mengacu pada penggunaan model terlatih untuk memprediksi atau menganalisis kumpulan data baru dan memberikan umpan balik. Oleh karena itu, opsi ini berfokus pada pengoptimalan latensi dan throughput untuk mendukung kebutuhan pemrosesan data waktu nyata atau hampir waktu nyata.
Berikutnya, Anda perlu memilih pemasok untuk klaster Anda. IO.NET memiliki kemitraan dengan Render Network dan jaringan penambang Filecoin, yang memungkinkan pengguna untuk memilih chip dari IO.NET atau dua jaringan lain sebagai sumber pasokan untuk klaster komputasi mereka. Hal ini secara efektif memposisikan IO.NET sebagai agregator (catatan: layanan Filecoin untuk sementara tidak aktif). Perlu dicatat bahwa IO.NET saat ini memiliki lebih dari 200.000 GPU yang tersedia secara daring, sementara Render Network memiliki lebih dari 3.700 GPU yang tersedia.
Setelah ini, Anda akan melanjutkan ke tahap pemilihan perangkat keras klaster Anda. Saat ini, IO.NET hanya mencantumkan GPU sebagai opsi perangkat keras yang tersedia, tidak termasuk CPU atau iGPU Apple (M1, M2, dll.), dengan GPU yang utamanya terdiri dari produk NVIDIA.
Di antara opsi perangkat keras GPU yang terdaftar dan tersedia secara resmi, berdasarkan data yang saya uji pada hari itu, jumlah total GPU daring yang tersedia dalam jaringan IO.NET adalah 206.001. GPU dengan ketersediaan tertinggi adalah GeForce RTX 4090, dengan 45.250 unit, diikuti oleh GeForce RTX 3090 Ti, dengan 30.779 unit.
Lebih jauh lagi, ada 7.965 unit chip A100-SXM4-80GB yang sangat efisien (masing-masing dihargai di atas $15.000) yang tersedia daring, yang lebih efisien untuk tugas komputasi AI seperti pembelajaran mesin, pembelajaran mendalam, dan komputasi ilmiah.
NVIDIA H100 80GB HBM3, yang dirancang dari awal untuk AI (dengan harga pasar lebih dari $40.000), memberikan kinerja pelatihan yang 3,3 kali lebih besar dan kinerja inferensi yang 4,5 kali lebih tinggi daripada A100. Saat ini, ada 86 unit yang tersedia secara daring.
Setelah jenis perangkat keras untuk klaster dipilih, pengguna perlu menentukan rincian lebih lanjut seperti lokasi geografis klaster, kecepatan konektivitas, jumlah GPU, dan durasi.
Terakhir, IO.NET akan menghitung tagihan terperinci berdasarkan opsi yang Anda pilih. Sebagai ilustrasi, pertimbangkan konfigurasi kluster berikut:
Tipe Cluster: Umum
16 GPU A100-SXM4-80GB
Tingkat konektivitas: Kecepatan Tinggi
Lokasi geografis: Amerika Serikat
Durasi: 1 minggu
Total tagihan untuk konfigurasi ini adalah $3311.6, dengan harga sewa per jam per kartu sebesar $1.232.
Harga sewa per jam untuk satu A100-SXM4-80GB di Amazon Web Services, Google Cloud, dan Microsoft Azure masing-masing adalah $5,12, $5,07, dan $3,67 (data bersumber dari Cloud GPU Comparison, harga sebenarnya dapat bervariasi bergantung pada detail kontrak).
Akibatnya, dalam hal biaya, IO.NET menawarkan daya komputasi chip dengan harga yang jauh lebih rendah daripada harga yang ditawarkan oleh penyedia utama. Selain itu, fleksibilitas dalam opsi pasokan dan pengadaan menjadikan IO.NET pilihan yang menarik bagi banyak pengguna.
Tinjauan Bisnis
Sisi Pasokan
Hingga 4 April 2024, angka resmi mengungkapkan bahwa IO.NET memiliki total pasokan GPU sebanyak 371.027 unit dan pasokan CPU sebanyak 42.321 unit di sisi pasokan. Selain itu, Render Network, sebagai mitra, memiliki tambahan 9.997 GPU dan 776 CPU yang terhubung ke pasokan jaringan.
Sumber Data: io.net
Pada saat artikel ini ditulis, 214.387 GPU yang terintegrasi dengan IO.NET sedang online, sehingga menghasilkan rasio online sebesar 57,8%. Rasio online untuk GPU yang berasal dari Render Network adalah 45,1%.
Apa yang tersirat dari data pada sisi pasokan ini?
Untuk memberikan tolok ukur, mari kita hadirkan Akash Network, proyek komputasi terdesentralisasi yang lebih matang.
Akash Network meluncurkan mainnet-nya pada awal tahun 2020, awalnya berfokus pada layanan terdesentralisasi untuk CPU dan penyimpanan. Perusahaan meluncurkan testnet untuk layanan GPU pada bulan Juni 2023 dan kemudian meluncurkan mainnet untuk daya komputasi GPU terdesentralisasi pada bulan September di tahun yang sama.
Kapasitas GPU Jaringan Akash
Menurut data resmi dari Akash, meskipun sisi pasokan terus tumbuh sejak peluncuran jaringan GPU-nya, jumlah total GPU yang terhubung ke jaringan tetap hanya 365.
Saat mengevaluasi volume pasokan GPU, IO.NET jauh melampaui Akash Network, beroperasi pada skala yang jauh lebih besar. IO.NET telah memantapkan dirinya sebagai penyedia layanan terbesar di sektor daya komputasi GPU yang terdesentralisasi.
Sisi Permintaan
Dari sisi permintaan, IO.NET masih dalam tahap awal pengembangan pasar, dengan volume total tugas komputasi yang relatif kecil yang dijalankan di jaringannya. Mayoritas GPU sedang online tetapi tidak aktif, menunjukkan persentase beban kerja sebesar 0%. Hanya empat jenis chip—A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S, dan H100 80GB HBM3—yang secara aktif terlibat dalam tugas pemrosesan, dan di antara semuanya, hanya A100 PCIe 80GB K8S yang mengalami beban kerja di atas 20%.
Tingkat stres resmi jaringan yang dilaporkan pada hari itu berada di angka 0%, yang menunjukkan bahwa sebagian besar pasokan GPU saat ini sedang online tetapi tidak aktif.
Secara finansial, IO.NET telah mengumpulkan biaya layanan sebesar $586.029 hingga saat ini, dengan $3.200 dari total tersebut dihasilkan pada hari terakhir.
Sumber: io.net
Keuangan yang berkaitan dengan biaya penyelesaian jaringan, baik dalam hal total maupun volume transaksi harian, sangat sesuai dengan Akash. Namun, penting untuk dicatat bahwa sebagian besar pendapatan Akash berasal dari penawaran CPU-nya, dengan inventaris yang melebihi 20.000 CPU.
Sumber: Statistik Jaringan Akash
Selain itu, IO.NET telah mengungkapkan data terperinci untuk tugas inferensi AI yang diproses oleh jaringan. Berdasarkan laporan terbaru, platform tersebut telah berhasil memproses dan memvalidasi lebih dari 230.000 tugas inferensi, meskipun sebagian besar volume ini berasal dari BC8.AI, sebuah proyek yang disponsori oleh IO.NET.
Sumber: io.net
Sisi penawaran IO.NET berkembang secara efisien, didorong oleh ekspektasi seputar airdrop dan acara komunitas yang dikenal sebagai "Ignition." Inisiatif ini telah dengan cepat menarik sejumlah besar daya komputasi AI. Namun, di sisi permintaan, ekspansi masih baru dengan permintaan organik yang tidak mencukupi. Alasan di balik permintaan yang lamban ini—entah karena upaya penjangkauan konsumen yang belum dimulai atau pengalaman layanan yang tidak stabil yang menyebabkan adopsi skala besar yang terbatas—memerlukan evaluasi lebih lanjut.
Mengingat tantangan dalam menutup kesenjangan dalam kemampuan komputasi AI dengan cepat, banyak insinyur dan proyek AI mengeksplorasi alternatif, yang berpotensi meningkatkan minat pada penyedia layanan terdesentralisasi. Selain itu, IO.NET belum menerapkan insentif atau aktivitas ekonomi untuk meningkatkan permintaan, dan seiring dengan terus membaiknya pengalaman produk, keseimbangan yang diantisipasi antara penawaran dan permintaan memberikan harapan untuk masa depan.
Latar Belakang Tim dan Gambaran Umum Penggalangan Dana
Profil Tim
Tim inti IO.NET awalnya berfokus pada perdagangan kuantitatif. Hingga Juni 2022, mereka terlibat dalam pembuatan sistem perdagangan kuantitatif tingkat institusional untuk ekuitas dan mata uang kripto. Didorong oleh permintaan sistem backend untuk daya komputasi, tim mulai mengeksplorasi potensi komputasi terdesentralisasi dan akhirnya berfokus pada isu khusus pengurangan biaya layanan komputasi GPU.
Pendiri & CEO: Ahmad Shadid
Sebelum mendirikan IO.NET, Ahmad Shadid pernah bekerja di bidang keuangan kuantitatif dan rekayasa keuangan, dan dia juga seorang relawan di Ethereum Foundation.
CMO & Kepala Strategi: Garrison Yang
Garrison Yang resmi bergabung dengan IO.NET pada Maret 2024. Sebelumnya, ia adalah VP Strategi dan Pertumbuhan di Avalanche dan merupakan alumni Universitas California, Santa Barbara.
Kepala Operasional: Tory Green
Tory Green menjabat sebagai Chief Operating Officer IO.NET. Sebelumnya, ia menjabat sebagai COO Hum Capital dan Direktur Pengembangan dan Strategi Bisnis di Fox Mobile Group. Ia lulus dari Universitas Stanford.
Profil LinkedIn IO.NET menunjukkan bahwa tim tersebut berkantor pusat di New York, AS, dengan kantor cabang di San Francisco, dan mempekerjakan lebih dari 50 staf.
Ikhtisar Pendanaan
IO.NET baru mengumumkan satu putaran pendanaan secara publik—Seri A yang diselesaikan pada bulan Maret tahun ini dengan valuasi sebesar $1 miliar, yang berhasil mengumpulkan $30 juta. Putaran ini dipimpin oleh Hack VC, dengan partisipasi dari investor lain termasuk Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures, dan ArkStream Capital.
Khususnya, investasi dari Aptos Foundation mungkin telah memengaruhi keputusan proyek BC8.AI untuk beralih dari penggunaan Solana untuk proses penyelesaian dan akuntansinya ke blockchain Layer 1 yang berkinerja tinggi, Aptos.
Estimasi Penilaian
Menurut pernyataan sebelumnya oleh pendiri dan CEO Ahmad Shadid, IO.NET akan meluncurkan tokennya pada akhir April 2024.
IO.NET memiliki dua proyek patokan yang berfungsi sebagai acuan penilaian: Render Network dan Akash Network, keduanya merupakan proyek komputasi terdesentralisasi yang representatif.
Ada dua metode utama untuk mendapatkan estimasi kapitalisasi pasar IO.NET:
Rasio Harga terhadap Penjualan (P/S), yang membandingkan FDV dengan pendapatan;
Rasio FDV terhadap Chip (Rasio M/C)
Kita akan mulai dengan memeriksa potensi valuasi menggunakan rasio Harga terhadap Penjualan:
Jika kita tinjau rasio harga terhadap penjualan, Akash mewakili kisaran konservatif dari spektrum valuasi IO.NET, sedangkan Render memberikan patokan tertinggi, dengan memposisikan FDV berkisar antara $1,67 miliar hingga $5,93 miliar.
Namun, mengingat pembaruan pada proyek IO.NET, narasinya yang lebih menarik, ditambah dengan kapitalisasi pasar awal yang lebih kecil dan basis pasokan yang lebih luas, menunjukkan FDV-nya dapat melampaui Render Network.
Beralih ke perspektif perbandingan valuasi lainnya, yaitu “FDV-to-Chip Ratio”.
Dalam konteks pasar di mana permintaan daya komputasi AI melebihi pasokan, elemen terpenting dari jaringan komputasi AI terdesentralisasi adalah skala pasokan GPU. Oleh karena itu, kita dapat menggunakan "Rasio FDV-ke-Chip", yang merupakan rasio nilai proyek yang sepenuhnya diencerkan dengan jumlah chip dalam jaringan, untuk menyimpulkan kemungkinan kisaran valuasi IO.NET, yang memberikan referensi kepada pembaca.
Dengan menggunakan rasio pasar terhadap chip untuk menghitung kisaran valuasi IO.NET, kami menempatkannya di antara $20,6 miliar dan $197,5 miliar, dengan Render Network menetapkan patokan atas dan Akash Network menetapkan patokan bawah.
Penggemar proyek IO.NET mungkin melihat ini sebagai estimasi kapitalisasi pasar yang sangat optimis.
Penting untuk mempertimbangkan jumlah besar chip yang tersedia saat ini untuk IO.NET, yang dipicu oleh ekspektasi airdrop dan aktivitas insentif. Jumlah pasokan online yang sebenarnya setelah proyek diluncurkan secara resmi masih memerlukan pengamatan.
Secara keseluruhan, penilaian yang diperoleh dari rasio harga terhadap penjualan dapat menawarkan wawasan yang lebih dapat diandalkan.
IO.NET, yang dibangun di atas Solana dan dilengkapi dengan konvergensi AI dan DePIN, akan segera meluncurkan tokennya. Antisipasinya sangat terasa saat kita menunggu untuk menyaksikan dampaknya pada kapitalisasi pasar pasca peluncuran.
Referensi
Penggabungan yang Sebenarnya
Memahami Persinggungan Antara Kripto dan AI