Алекс Сюй, партнер по исследованиям Mint Ventures

Введение

В нашем последнем отчете мы упоминали, что по сравнению с двумя предыдущими циклами в нынешнем бычьем тренде криптовалюты отсутствуют новые бизнес-модели и описания активов. Искусственный интеллект (ИИ) — одно из новых повествований в пространстве Web3 в этом цикле. В этой статье мы углубимся в самый популярный проект года в области искусственного интеллекта, IO.NET, и систематизируем мысли по следующим двум вопросам:

• Необходимость AI+Web3 в коммерческой сфере

• Необходимость и проблемы развертывания децентрализованной вычислительной сети

Я организую ключевую информацию о репрезентативном проекте в децентрализованной вычислительной сети искусственного интеллекта: IO.NET, включая дизайн продукта, конкурентную среду и предысторию проекта. Я также выскажу предположения о показателях оценки проекта.

Анализ бизнес-логики, лежащей в основе конвергенции искусственного интеллекта и Web3, основан на книге «Настоящее слияние» Майкла Ринко, аналитика-исследователя Delphi Delphi. Этот анализ объединяет и ссылается на идеи из его работы, настоятельно рекомендуемой для дальнейшего чтения The Real Merge.

Обратите внимание, что эта статья отражает мое нынешнее мышление и может развиваться. Мнения здесь субъективны и могут быть ошибки в фактах, данных и логических рассуждениях. Это не финансовый совет, но отзывы и обсуждения приветствуются.

Бизнес-логика конвергенции искусственного интеллекта и Web3

2023 год: «Чудесный год» для ИИ

Размышляя над анналами человеческого развития, становится ясно, что технологические прорывы катализируют глубокие преобразования – от повседневной жизни до индустриальных ландшафтов и развития самой цивилизации.

В истории человечества есть два знаменательных года, а именно 1666 и 1905 годы, которые ныне отмечаются как «Annus Mirabilis» в истории науки.

1666 год получил свое название благодаря каскаду научных прорывов Исаака Ньютона. За один год он стал пионером в области физики, известной как оптика, основал математическую дисциплину исчисления и вывел закон гравитации, который является основополагающим законом современного естествознания. Любой из этих вкладов стал основополагающим для научного развития человечества в следующем столетии, значительно ускорив общий прогресс науки.

Другой знаменательный год — 1905 год, когда всего лишь 26-летний Эйнштейн опубликовал в «Аннален дер Физик» подряд четыре статьи, посвященные фотоэлектрическому эффекту и подготовившие почву для квантовой механики; Броуновское движение, обеспечивающее основу для анализа стохастических процессов; специальная теория относительности; и эквивалент массы-энергии, заключенный в уравнении E=MC^2. Оглядываясь назад, можно сказать, что каждая из этих статей превосходит средний уровень работ по физике, получивших Нобелевскую премию — награду, которую сам Эйнштейн получил за свою работу по фотоэлектрическому эффекту. Эти вклады в совокупности продвинули человечество на несколько шагов вперед на пути цивилизации.

2023 год, который недавно остался позади, будет отмечаться как еще один «Год чудес», во многом благодаря появлению ChatGPT.

Рассматривать 2023 год как «год чудес» в истории человеческих технологий — это не просто признание успехов, достигнутых в области обработки и генерации естественного языка с помощью ChatGPT. Речь также идет о признании четкой закономерности в развитии больших языковых моделей — осознании того, что, расширяя параметры модели и наборы обучающих данных, мы можем добиться экспоненциального повышения производительности модели. Более того, в краткосрочной перспективе она кажется безграничной, если предположить, что вычислительная мощность будет идти в ногу со временем.

Эта возможность выходит далеко за рамки понимания языка и создания диалога; его можно широко применять в различных научных областях. На примере применения больших языковых моделей в биологическом секторе:

• В 2018 году лауреат Нобелевской премии по химии Фрэнсис Арнольд заявила во время церемонии награждения: «Сегодня мы можем для всех практических целей читать, писать и редактировать любую последовательность ДНК, но не можем ее составить. Перенесемся на пять лет вперед, в 2023 год: команда исследователей из Стэнфордского университета и Salesforce Research, стартапа, ориентированного на искусственный интеллект, сделали публикацию в журнале «Nature Biotechnology». Используя большую языковую модель, усовершенствованную на основе GPT-3, они создали совершенно новый каталог из 1 миллиона белков. Среди них они обнаружили два белка с различной структурой, оба наделенные антибактериальной функцией, что потенциально прокладывает путь к новым стратегиям устойчивости бактерий, выходящим за рамки традиционных антибиотиков. Это означает колоссальный скачок в преодолении препятствий, связанных с созданием белка с помощью ИИ.

• До этого алгоритм искусственного интеллекта AlphaFold предсказал структуры почти всех 2,14 миллиардов типов белков на Земле за 18 месяцев — важная веха, которая в несколько раз увеличивает достижения структурных биологов на протяжении всей истории.

Интеграция моделей искусственного интеллекта обещает коренным образом преобразовать отрасли. От высокотехнологичных сфер биотехнологий, материаловедения и открытия лекарств до культурных сфер права и искусства — волна преобразований собирается изменить эти области, и 2023 год станет началом всего этого.

Широко признано, что в прошлом веке мы стали свидетелями экспоненциального роста способности человечества создавать богатство. Ожидается, что быстрое развитие технологий искусственного интеллекта ускорит этот процесс.

Тенденция глобального совокупного ВВП. Источник данных: Группа Всемирного банка.

Объединение ИИ и криптографии

Чтобы понять внутреннюю необходимость слияния искусственного интеллекта и криптографии, полезно посмотреть, как их отдельные функции дополняют друг друга.

Симбиоз искусственного интеллекта и криптофункций

ИИ отличается тремя основными качествами:

• Стохастичность: ИИ стохастичен, его механизм производства контента представляет собой трудно воспроизводимый загадочный черный ящик, что делает его результаты по своей сути стохастическими.

• Ресурсоемкость: ИИ — это ресурсоемкая отрасль, требующая значительного количества энергии, чипов и вычислительной мощности.

• Человеческий интеллект: ИИ (скоро будет) способен пройти тест Тьюринга, что делает различие между людьми и ИИ становится все труднее.

※ 30 октября 2023 года исследователи из Калифорнийского университета в Сан-Диего представили результаты теста Тьюринга для GPT-3.5 и GPT-4.0. Последний набрал 41%, едва не дотянув до проходного балла в 50% всего на 9 процентных пунктов, при этом люди набрали 63% в том же тесте. Суть этого теста Тьюринга заключается в том, сколько участников воспринимают своего собеседника как человека. Оценка выше 50% указывает на то, что большинство считает, что они взаимодействуют с человеком, а не с машиной, тем самым считая, что ИИ успешно прошел тест Тьюринга, поскольку по крайней мере половина людей не смогла отличить его от человека.

Поскольку ИИ прокладывает путь к революционному прогрессу в производительности труда человека, он одновременно ставит перед нашим обществом серьезные проблемы, а именно:

• Как проверить и контролировать стохастичность ИИ, превратив ее в преимущество, а не в недостаток

• Как удовлетворить огромные потребности в энергии и вычислительной мощности, необходимые ИИ

• Как отличить человека от ИИ

Технология криптографии и блокчейна может предложить идеальное решение проблем, связанных с ИИ, характеризующееся тремя ключевыми характеристиками:

• Детерминизм: операции основаны на блокчейне, коде и смарт-контрактах с четкими правилами и границами. Входные данные приводят к предсказуемым результатам, обеспечивая высокий уровень детерминизма.

• Эффективное распределение ресурсов. Криптоэкономика способствовала созданию огромного, глобального и свободного рынка, обеспечивающего быстрое ценообразование, сбор средств и передачу ресурсов. Наличие токенов еще больше ускоряет выравнивание спроса и предложения на рынке, быстро достигая критической массы за счет стимулирования.

• Отсутствие доверия. Благодаря общедоступным реестрам и открытому исходному коду каждый может легко проверять операции, создавая «ненадежную» систему. Кроме того, технология нулевого разглашения (ZK) дополнительно гарантирует сохранение конфиденциальности во время этих процессов проверки.

Чтобы продемонстрировать взаимодополняемость между ИИ и криптоэкономикой, давайте углубимся в три примера.

Пример A: Преодоление стохастичности с помощью агентов искусственного интеллекта, основанных на криптоэкономике

Агенты ИИ — это интеллектуальные программы, предназначенные для выполнения задач от имени людей в соответствии с их директивами, причем Fetch.AI является ярким примером в этой области. Представьте, что мы поручаем нашему ИИ-агенту выполнить финансовую операцию, например «инвестировать 1000 долларов в BTC». Агент ИИ может столкнуться с двумя различными сценариями:

Сценарий 1. Агенту необходимо взаимодействовать с традиционными финансовыми организациями (например, BlackRock) для покупки BTC ETF, сталкиваясь со многими проблемами совместимости с централизованными организациями, включая процедуры KYC, проверку документов, процессы входа в систему и аутентификацию личности. обременительно в настоящее время.

Сценарий 2: При работе в рамках собственной криптоэкономики процесс упрощается. Агент может напрямую выполнить транзакцию через Uniswap или аналогичный торговый агрегатор, используя вашу учетную запись для входа и подтверждения заказа и, следовательно, приобретая WBTC или другие варианты упакованных BTC. Эта процедура эффективна и упрощена. По сути, эту функцию в настоящее время выполняют различные торговые боты, выступающие в качестве базовых агентов искусственного интеллекта с упором на торговую деятельность. По мере дальнейшего развития и интеграции ИИ эти боты смогут выполнять более сложные торговые задачи. Например, они могут отслеживать 100 адресов умных денег в блокчейне, оценивать свои торговые стратегии и показатели успеха, выделять 10% своих средств на копирование своих сделок в течение недели, останавливать операции, если доходность неблагоприятна, и выявлять потенциальные причины эти стратегии.

ИИ процветает в системах блокчейнов, главным образом потому, что правила криптоэкономики четко определены, а система допускает отсутствие разрешений. Работа в соответствии с четкими инструкциями значительно снижает риски, связанные с присущей ИИ стохастичностью. Например, доминирование ИИ над людьми в шахматах и ​​видеоиграх обусловлено тем фактом, что эти среды представляют собой закрытые песочницы с простыми правилами. И наоборот, прогресс в области автономного вождения был более постепенным. Проблемы открытого мира более сложны, и наша терпимость к непредсказуемому решению проблем ИИ в таких сценариях заметно ниже.

Пример Б: Консолидация ресурсов посредством стимулирования токенов

Огромная глобальная хеш-сеть, поддерживающая BTC, с текущей общей скоростью хеширования 576,70 EH/s превосходит совокупную вычислительную мощность суперкомпьютеров любой страны. Этот рост поддерживается простыми и справедливыми стимулами внутри сети.

Тенденция хешрейта BTC

Более того, проекты DePIN, такие как Mobile, изучают стимулы в виде токенов для развития рынка как со стороны предложения, так и со стороны спроса, чтобы способствовать сетевому эффекту. Предстоящая тема этой статьи — IO.NET — платформа, предназначенная для объединения вычислительной мощности ИИ с надеждой раскрыть скрытый потенциал вычислительной мощности ИИ посредством модели токенов.

Пример C. Использование открытого исходного кода и ZK-доказательства для отличия людей от ИИ при одновременной защите конфиденциальности

Worldcoin, проект Web3, соучредителем которого является Сэм Альтман из OpenAI, использует новый подход к проверке личности. Используя аппаратное устройство, известное как Orb, он использует биометрические данные радужной оболочки глаза человека для создания уникальных и анонимных хеш-значений с помощью технологии нулевого разглашения (ZK), отличающей людей от искусственного интеллекта. В начале марта 2024 года арт-проект Web3 Drip приступил к внедрению Worldcoin ID для аутентификации реальных людей и распределения вознаграждений.

Worldcoin недавно открыла исходный код своего оборудования Orb, обеспечивающего безопасность и конфиденциальность биометрических данных.

В целом, благодаря детерминизму кода и криптографии, преимуществам обращения ресурсов и сбора средств, обеспечиваемым механизмами без разрешения и на основе токенов, а также не требующей доверия природы, основанной на открытом исходном коде и публичных реестрах, криптоэкономика стала важным потенциальным решением для проблемы, с которыми сталкивается человеческое общество с помощью ИИ.

Самая неотложная и коммерчески сложная проблема — это крайняя потребность в вычислительных ресурсах, необходимых для продуктов искусственного интеллекта, вызванная, прежде всего, значительной потребностью в чипах и вычислительной мощности.

Это также основная причина, почему проекты распределенных вычислительных мощностей привели к росту во время бычьего рыночного цикла в целом секторе искусственного интеллекта.

Бизнес-императив децентрализованных вычислений

ИИ требует значительных вычислительных ресурсов, необходимых как для обучения модели, так и для задач вывода.

При обучении больших языковых моделей было хорошо задокументировано, что, как только масштаб параметров данных становится значительным, эти модели начинают демонстрировать беспрецедентные возможности. Экспоненциальные улучшения, наблюдаемые от одного поколения ChatGPT к другому, обусловлены экспоненциальным ростом вычислительных требований для обучения модели.

Исследования DeepMind и Стэнфордского университета показывают, что в различных больших языковых моделях при выполнении различных задач — будь то вычисления, ответы на персидские вопросы или понимание естественного языка — модели лишь приближаются к случайному угадыванию, если только обучение не включает значительно увеличенные параметры модели (и как следствие, вычислительные нагрузки). Производительность любой задачи остается практически случайной до тех пор, пока объем вычислений не достигнет 10^22 FLOP. За пределами этого критического порога производительность задач резко возрастает в любой языковой модели.

*FLOPs относятся к операциям с плавающей запятой в секунду и являются мерой вычислительной производительности.

Новые возможности больших языковых моделей

Новые возможности больших языковых моделей

Принцип «достижения чудес большими усилиями» в области вычислительной мощности, как в теории, так и проверенный на практике, вдохновил основателя OpenAI Сэма Альтмана предложить амбициозный план по привлечению 7 триллионов долларов. Этот фонд предназначен для создания завода по производству чипов, который в десять раз превысит нынешние возможности TSMC (оценочная стоимость $1,5 трлн), а оставшиеся средства будут направлены на производство чипов и обучение моделей.

Помимо вычислительных требований для обучения моделей ИИ, процессы вывода также требуют значительной вычислительной мощности, хотя и меньшей, чем обучение. Постоянная потребность в чипах и вычислительных ресурсах стала стандартной реальностью для игроков в области искусственного интеллекта.

В отличие от поставщиков централизованных вычислений ИИ, таких как Amazon Web Services, Google Cloud Platform и Microsoft Azure, децентрализованные ИИ-вычисления предлагают несколько привлекательных преимуществ:

• Доступность. Получение доступа к вычислительным чипам через такие сервисы, как AWS, GCP или Azure, обычно занимает недели, а наиболее популярных моделей графических процессоров часто нет в наличии. Кроме того, потребители обычно связаны длительными и жесткими контрактами с этими крупными корпорациями. Платформы распределенных вычислений, с другой стороны, предоставляют гибкие возможности аппаратного обеспечения с расширенной доступностью.

• Экономическая эффективность: за счет использования простаивающих чипов и включения субсидий токенов сетевых протоколов для поставщиков чипов и вычислительной мощности децентрализованные вычислительные сети могут предлагать вычислительную мощность по сниженным ценам.

• Сопротивление цензуре. В настоящее время в поставках передовых чипов доминируют крупные технологические компании, а поскольку правительство США усиливает контроль над вычислительными услугами искусственного интеллекта, возможность получения вычислительной мощности децентрализованным, гибким и неограниченным образом становится все более популярной. явная необходимость. Это основная ценность вычислительных платформ на основе Web3.

Если ископаемое топливо было источником жизненной силы индустриальной эпохи, то вычислительная мощность вполне может стать источником жизненной силы новой цифровой эры, наступившей с появлением ИИ, превращая поставку вычислительной мощности в инфраструктуру для эпохи ИИ. Подобно тому, как стейблкоины стали мощным производным от бумажной валюты в эпоху Web3, может ли рынок распределенных вычислений превратиться в растущий сегмент на быстро расширяющемся рынке вычислений с использованием искусственного интеллекта?

Это все еще развивающийся рынок, и многое еще предстоит выяснить. Однако несколько факторов потенциально могут способствовать распространению или принятию на рынке децентрализованных вычислений:

• Постоянные проблемы с поставками графических процессоров. Постоянные ограничения поставок графических процессоров могут побудить разработчиков к изучению децентрализованных вычислительных платформ.

• Расширение регулирования: доступ к вычислительным услугам искусственного интеллекта с основных облачных платформ предполагает тщательные процессы KYC и проверку. Это может привести к более широкому внедрению децентрализованных вычислительных платформ, особенно в областях, где действуют ограничения или санкции.

• Стимулирование цен на токены. Увеличение цен на токены во время бычьих рынков может повысить ценность субсидий, предлагаемых платформами поставщикам графических процессоров, привлекая на рынок больше поставщиков, увеличивая его масштаб и снижая затраты для потребителей.

В то же время проблемы, с которыми сталкиваются децентрализованные вычислительные платформы, также вполне очевидны:

• Технические и инженерные проблемы

  • Проблемы с доказательством работы. Вычисления в моделях глубокого обучения из-за иерархической структуры, в которой выходные данные каждого слоя используются в качестве входных данных для следующего, проверка достоверности вычислений требует выполнения всей предшествующей работы, что не является ни простым, ни эффективным. Чтобы решить эту проблему, децентрализованным вычислительным платформам необходимо либо разработать новые алгоритмы, либо использовать методы приближенной проверки, обеспечивающие вероятностную гарантию результатов, а не абсолютный детерминизм.

  • Проблемы распараллеливания. Децентрализованные вычислительные платформы используют широкий спектр поставщиков микросхем, каждый из которых обычно предлагает ограниченную вычислительную мощность. Быстрое выполнение задач обучения или вывода модели искусственного интеллекта одним поставщиком чипов практически невозможно. Поэтому задачи необходимо декомпозировать и распределить с помощью распараллеливания, чтобы сократить общее время выполнения. Однако этот подход создает несколько сложностей, в том числе то, как разбиваются задачи (особенно сложные задачи глубокого обучения), зависимости данных и дополнительные затраты на подключение между устройствами.

  • Вопросы защиты конфиденциальности: Как можно гарантировать, что данные и модели клиента не будут раскрыты получателю заданий?

• Проблемы соблюдения нормативных требований

  • Децентрализованные вычислительные платформы, из-за их несанкционированного характера на рынках спроса и предложения, могут понравиться определенным клиентам в качестве ключевого аргумента в пользу продажи. Однако по мере развития нормативно-правовой базы в области ИИ эти платформы могут все чаще становиться объектами пристального внимания правительства. Более того, некоторые производители графических процессоров обеспокоены тем, используются ли их арендованные вычислительные ресурсы предприятиями или частными лицами, находящимися под санкциями.

Таким образом, основными пользователями децентрализованных вычислительных платформ являются в основном профессиональные разработчики или предприятия малого и среднего бизнеса. В отличие от инвесторов в криптовалюту и NFT, эти клиенты отдают приоритет стабильности и непрерывности услуг, предоставляемых платформами, и ценообразование не обязательно является их главной заботой. Децентрализованным вычислительным платформам предстоит пройти долгий путь, прежде чем они смогут завоевать широкое признание этой взыскательной пользовательской базы.

Далее мы углубимся в детали и проведем анализ IO.NET, нового проекта децентрализованной вычислительной мощности в этом цикле. Мы также сравним его с аналогичными проектами, чтобы оценить его потенциальную рыночную стоимость после запуска.

Децентрализованная вычислительная платформа искусственного интеллекта: IO.NET

Обзор проекта

IO.NET — это децентрализованная вычислительная сеть, создавшая двусторонний рынок микросхем. Со стороны предложения существуют глобально распределенные вычислительные мощности, в первую очередь графические процессоры, а также центральные процессоры и интегрированные графические процессоры Apple (iGPU). Сторона спроса состоит из инженеров ИИ, стремящихся выполнить обучение модели ИИ или задачи вывода.

Официальный сайт IO.NET излагает свое видение:

Наша миссия

Объединение миллиона графических процессоров в DePIN — децентрализованную сеть физической инфраструктуры.

По сравнению с традиционными сервисами облачных вычислений на основе искусственного интеллекта эта платформа имеет несколько ключевых преимуществ:

• Гибкая конфигурация: инженеры ИИ имеют свободу выбирать и собирать необходимые чипы в «кластер», адаптированный к их конкретным вычислительным задачам.

• Быстрое развертывание. В отличие от длительного времени утверждения и ожидания, связанного с централизованными поставщиками, такими как AWS, развертывание на этой платформе может быть завершено за считанные секунды, что позволяет немедленно приступить к выполнению задач.

• Экономическая эффективность: стоимость услуг до 90% ниже, чем у основных поставщиков.

Кроме того, IO.NET планирует в будущем запустить дополнительные сервисы, такие как магазин моделей искусственного интеллекта.

Механизм продукта и бизнес-показатели

Механизмы продукта и опыт развертывания

Подобно основным платформам, таким как Amazon Cloud, Google Cloud и Alibaba Cloud, IO.NET предлагает вычислительный сервис, известный как IO Cloud. Эта служба работает через распределенную и децентрализованную сеть микросхем, которая поддерживает выполнение кода машинного обучения на основе Python для приложений искусственного интеллекта и машинного обучения.

Базовый бизнес-модуль IO Cloud называется «Кластеры» — самокоординирующиеся группы графических процессоров, предназначенные для эффективного решения вычислительных задач. Инженеры ИИ имеют возможность настраивать кластеры в соответствии со своими конкретными потребностями.

Пользовательский интерфейс IO.NET очень удобен. Если вы хотите развернуть собственный кластер микросхем для вычислительных задач ИИ, просто перейдите на страницу «Кластеры» на платформе, где вы сможете легко настроить нужный кластер чипов в соответствии с вашими требованиями.

Страница кластера на IO.NET

Сначала вам нужно выбрать тип кластера, доступны три варианта:

1. Общее: обеспечивает общую среду, подходящую для ранних стадий проекта, когда конкретные требования к ресурсам еще не ясны.

2. Обучение: кластер, созданный специально для обучения и тонкой настройки моделей машинного обучения. Этот вариант предоставляет дополнительные ресурсы графического процессора, больший объем памяти и/или более быстрые сетевые соединения для выполнения этих интенсивных вычислительных задач.

3. Вывод: кластер, предназначенный для вывода с малой задержкой и работы с высокой нагрузкой. В контексте машинного обучения вывод означает использование обученных моделей для прогнозирования или анализа новых наборов данных и предоставления обратной связи. Таким образом, этот вариант направлен на оптимизацию задержки и пропускной способности для поддержки обработки данных в режиме реального времени или почти в реальном времени.

Далее вам необходимо выбрать поставщика для вашего кластера. IO.NET имеет партнерские отношения с Render Network и сетью майнеров Filecoin, что позволяет пользователям выбирать чипы из IO.NET или двух других сетей в качестве источника питания для своих вычислительных кластеров. Это фактически позиционирует IO.NET как агрегатор (примечание: сервисы Filecoin временно отключены). Стоит отметить, что в настоящее время в сети IO.NET доступно более 200 000 графических процессоров, а в Render Network — более 3700 доступных графических процессоров.

После этого вы перейдете к этапу выбора оборудования вашего кластера. В настоящее время IO.NET перечисляет в качестве доступного аппаратного обеспечения только графические процессоры, исключая центральные процессоры или iGPU Apple (M1, M2 и т. д.), причем графические процессоры в основном состоят из продуктов NVIDIA.

Среди официально перечисленных и доступных вариантов аппаратного обеспечения графических процессоров, согласно данным, проверенным мной в тот день, общее количество онлайн-графических процессоров, доступных в сети IO.NET, составило 206 001. Графическим процессором с самой высокой доступностью оказался GeForce RTX 4090 с 45 250 единицами, за которым следовала GeForce RTX 3090 Ti с 30 779 единицами.

Кроме того, в Интернете доступно 7965 единиц высокоэффективного чипа A100-SXM4-80GB (каждый по цене более 15 000 долларов США), который более эффективен для вычислительных задач искусственного интеллекта, таких как машинное обучение, глубокое обучение и научные вычисления.

NVIDIA H100 80 ГБ HBM3, изначально разработанная для искусственного интеллекта (рыночная цена превышает 40 000 долларов США), обеспечивает производительность обучения в 3,3 раза выше, а производительность вывода — в 4,5 раза выше, чем у A100. На данный момент в сети доступно 86 единиц.

После выбора типа оборудования для кластера пользователям необходимо будет указать дополнительные сведения, такие как географическое расположение кластера, скорость подключения, количество графических процессоров и продолжительность.

Наконец, IO.NET рассчитает подробный счет на основе выбранных вами опций. В качестве иллюстрации рассмотрим следующую конфигурацию кластера:

• Тип кластера: Общий

• 16 графических процессоров A100-SXM4-80 ГБ

• Уровень подключения: Высокая скорость

• Географическое положение: США.

• Продолжительность: 1 неделя

Общий счет за эту конфигурацию составляет 3311,6 долларов США, а почасовая стоимость аренды карты — 1,232 доллара США.

Стоимость почасовой аренды одного A100-SXM4-80GB в Amazon Web Services, Google Cloud и Microsoft Azure составляет 5,12, 5,07 и 3,67 долларов США соответственно (данные получены из Cloud GPU Comparison, фактические цены могут варьироваться в зависимости от деталей контракта).

Следовательно, когда дело доходит до стоимости, IO.NET предлагает вычислительную мощность чипов по ценам, намного более низким, чем у основных поставщиков. Кроме того, гибкость вариантов поставок и закупок делает IO.NET привлекательным выбором для многих пользователей.

Обзор бизнеса

Сторона предложения

По состоянию на 4 апреля 2024 года официальные данные показывают, что общий запас графических процессоров IO.NET составил 371 027 единиц, а объем поставок ЦП — 42 321 единица. Кроме того, Render Network в качестве партнера подключила к сети еще 9997 графических процессоров и 776 процессоров.

Источник данных: io.net.

На момент написания 214 387 графических процессоров, интегрированных с IO.NET, были подключены к сети, в результате чего уровень онлайн-активности составил 57,8%. Уровень онлайн-показа графических процессоров, полученных от Render Network, составил 45,1%.

Что означают эти данные со стороны предложения?

В качестве эталона давайте возьмем Akash Network, более опытный проект децентрализованных вычислений.

Akash Network запустила свою основную сеть еще в 2020 году, первоначально сосредоточившись на децентрализованных услугах для процессоров и хранилищ. В июне 2023 года компания развернула тестовую сеть для сервисов графических процессоров, а затем в сентябре того же года запустила основную сеть для децентрализованных вычислительных мощностей графических процессоров.

Мощность графического процессора сети Akash

Согласно официальным данным Akash, несмотря на то, что объем поставок постоянно растет с момента запуска сети графических процессоров, общее количество графических процессоров, подключенных к сети, остается всего 365.

При оценке объема поставок графических процессоров IO.NET значительно превосходит сеть Akash Network, работающую в гораздо большем масштабе. IO.NET зарекомендовала себя как крупнейший поставщик в секторе децентрализованных вычислений на графических процессорах.

Сторона спроса

С точки зрения спроса, IO.NET все еще находится на ранних стадиях освоения рынка, и в ее сети выполняется относительно небольшой общий объем вычислительных задач. Большинство графических процессоров находятся в сети, но простаивают, показывая процент рабочей нагрузки 0%. Только четыре типа чипов — A100 PCIe 80 ГБ K8S, RTX A6000 K8S, RTX A4000 K8S и H100 80 ГБ HBM3 — активно участвуют в задачах обработки, и среди них только A100 PCIe 80 ГБ K8S испытывает нагрузку выше 20%.

Официальный уровень нагрузки сети, зарегистрированный за день, составил 0%, что указывает на то, что значительная часть поставок графических процессоров в настоящее время находится в режиме онлайн, но простаивает.

В финансовом отношении на сегодняшний день IO.NET накопила 586 029 долларов США в качестве платы за обслуживание, из которых 3200 долларов США были получены в последний день.

Источник: io.net

Финансовые показатели, касающиеся комиссий за расчеты в сети, как с точки зрения общего, так и ежедневного объема транзакций, близко соответствуют показателям Akash. Однако важно отметить, что основная часть доходов Akash поступает от предложений процессоров, запасы которых превышают 20 000 процессоров.

Источник: Статистика сети Akash.

Кроме того, IO.NET раскрыла подробные данные для задач вывода ИИ, обрабатываемых сетью. Согласно последнему отчету, платформа успешно обработала и проверила более 230 000 задач вывода, хотя большая часть этого объема принадлежит BC8.AI, проекту, спонсируемому IO.NET.

Источник: io.net

Предложение IO.NET эффективно расширяется, что обусловлено ожиданиями, связанными с раздачей и событием сообщества, известным как «Ignition». Эта инициатива быстро привлекла значительное количество вычислительных мощностей искусственного интеллекта. Однако со стороны спроса расширение все еще находится в зачаточном состоянии из-за недостаточного органического спроса. Причины такого вялого спроса (будь то из-за неинициативных усилий по работе с потребителями или нестабильного опыта обслуживания, что приводит к ограниченному широкомасштабному внедрению) требуют дальнейшей оценки.

Учитывая проблемы, связанные с быстрым устранением разрыва в вычислительных возможностях ИИ, многие инженеры и проекты ИИ изучают альтернативы, что потенциально увеличивает интерес к децентрализованным поставщикам услуг. Более того, IO.NET еще не внедрила экономические стимулы или мероприятия для повышения спроса, и поскольку качество продукта продолжает улучшаться, ожидаемое равновесие между спросом и предложением обещает будущее.

История команды и обзор сбора средств

Профиль команды

Основная команда IO.NET изначально сосредоточилась на количественной торговле. Вплоть до июня 2022 года они занимались созданием количественных торговых систем институционального уровня для акций и криптовалют. Руководствуясь потребностями серверной части системы в вычислительной мощности, команда начала изучать потенциал децентрализованных вычислений и в конечном итоге сосредоточилась на конкретной проблеме снижения стоимости вычислительных услуг на графических процессорах.

Основатель и генеральный директор: Ахмад Шадид

До основания IO.NET Ахмад Шадид работал в области количественных финансов и финансового инжиниринга, а также является волонтером в Ethereum Foundation.

Директор по маркетингу и директор по стратегии: Гаррисон Ян

Гаррисон Янг официально присоединился к IO.NET в марте 2024 года. До этого он был вице-президентом по стратегии и росту в Avalanche и является выпускником Калифорнийского университета в Санта-Барбаре.

Главный операционный директор: Тори Грин

Тори Грин является главным операционным директором IO.NET. Ранее он был исполнительным директором Hum Capital и директором по развитию бизнеса и стратегии Fox Mobile Group. Он окончил Стэнфордский университет.

В профиле IO.NET на LinkedIn указано, что штаб-квартира команды находится в Нью-Йорке, США, с филиалом в Сан-Франциско, и в ней работают более 50 сотрудников.

Обзор финансирования

IO.NET публично объявила только об одном раунде финансирования — серии A, завершенной в марте этого года с оценкой в ​​1 миллиард долларов, в ходе которой они успешно привлекли 30 миллионов долларов. Этот раунд возглавил Hack VC при участии других инвесторов, включая Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures и ArkStream Capital.

Примечательно, что инвестиции Фонда Aptos могли повлиять на решение проекта BC8.AI перейти от использования Solana для процессов расчетов и учета к столь же высокопроизводительному блокчейну уровня 1 Aptos.

Оценка стоимости

Согласно предыдущим заявлениям основателя и генерального директора Ахмада Шадида, IO.NET планирует запустить свой токен к концу апреля 2024 года.

У IO.NET есть два эталонных проекта, которые служат ориентирами для оценки: Render Network и Akash Network, оба из которых являются типичными проектами децентрализованных вычислений.

Существует два основных метода оценки рыночной капитализации IO.NET:

1. Отношение цены к продажам (P/S), которое сравнивает FDV с выручкой;

2. Соотношение FDV-to-Chip (соотношение M/C)

Мы начнем с изучения потенциальной оценки с использованием соотношения цены к продажам:

Если рассматривать соотношение цены к продажам, то Akash представляет собой консервативную часть оценочного спектра IO.NET, в то время как Render представляет собой высококлассный эталон, предполагающий FDV в диапазоне от 1,67 до 5,93 миллиарда долларов США.

Однако, учитывая обновления проекта IO.NET, его более убедительное повествование в сочетании с меньшей начальной рыночной капитализацией и более широкой базой поставок позволяет предположить, что его FDV вполне может превзойти аналогичный показатель Render Network.

Обратимся к другой перспективе сравнения оценок, а именно к «отношению FDV к чипу».

В контексте рынка, где спрос на вычислительную мощность ИИ превышает предложение, наиболее важным элементом децентрализованных вычислительных сетей ИИ является масштаб поставок графических процессоров. Следовательно, мы можем использовать «Отношение FDV-to-Chip Ratio», которое представляет собой отношение полностью разбавленной стоимости проекта к количеству чипов в сети, чтобы сделать вывод о возможном диапазоне оценки IO.NET, предоставляя читателям справочную информацию. .

Используя соотношение рынка к чипам для расчета диапазона оценки IO.NET, мы получаем от 20,6 до 197,5 миллиардов долларов, при этом Render Network устанавливает верхний ориентир, а Akash Network — нижний.

Энтузиасты проекта IO.NET могут увидеть в этом весьма оптимистичную оценку рыночной капитализации.

Важно учитывать нынешнее огромное количество онлайн-чипов для IO.NET, стимулируемое ожиданиями раздачи и поощрительными мероприятиями. Фактический онлайн-подсчет поставок после официального запуска проекта по-прежнему требует наблюдения.

В целом, оценки, полученные на основе соотношения цены и продаж, могут дать более надежную информацию.

IO.NET, построенная на базе Solana и дополненная конвергенцией AI и DePIN, находится на пороге запуска своего токена. Ожидание ощутимо, поскольку мы готовы стать свидетелями влияния на его рыночную капитализацию после запуска.

Ссылка

• Настоящее слияние

• Понимание пересечения криптовалют и искусственного интеллекта