1 تقاطع الذكاء الاصطناعي والعملة المشفرة

في 23 مايو ، أصدرت شركة NVIDIA العملاقة للرقائق تقريرها المالي للربع الأول من السنة المالية 2025. أظهر التقرير أن إيرادات NVIDIA في الربع الأول بلغت 26 مليار دولار. من بينها ، زادت إيرادات مراكز البيانات بنسبة مذهلة بلغت 427٪ عن العام الماضي لتصل إلى 22.6 مليار دولار. تعكس قدرة NVIDIA على تعزيز الأداء المالي لسوق الأسهم الأمريكية بمفردها الطلب الهائل على قوة الحوسبة بين شركات التكنولوجيا العالمية المتنافسة في الساحة الذكاء الاصطناعي. كلما وسعت شركات التكنولوجيا من الدرجة الأولى طموحاتها في سباق الذكاء الاصطناعي ، زاد طلبها المتزايد بشكل كبير على قوة الحوسبة. وفقا لتوقعات TrendForce ، بحلول عام 2024 ، من المتوقع أن يمثل الطلب على خوادم الذكاء الاصطناعي المتطورة من مزودي الخدمات السحابية الأربعة الرئيسيين في الولايات المتحدة - Microsoft و Google و AWS و Meta - مجتمعين أكثر من 60٪ من الطلب العالمي ، مع توقع أن تبلغ الأسهم 20.2٪ و 16.6٪ و 16٪ و 10.8٪ على التوالي.

مصدر الصورة: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

كان "نقص الرقائق" باستمرار كلمة طنانة سنوية في السنوات الأخيرة. من ناحية ، تتطلب نماذج اللغة الكبيرة (LLMs) قوة حوسبة كبيرة للتدريب والاستدلال. مع تكرار النماذج ، تزداد التكاليف والطلب على قوة الحوسبة بشكل كبير. من ناحية أخرى ، تشتري الشركات الكبيرة مثل Meta كميات هائلة من الرقائق ، مما يتسبب في ميل موارد الحوسبة العالمية نحو عمالقة التكنولوجيا هؤلاء ، مما يجعل من الصعب بشكل متزايد على الشركات الصغيرة الحصول على موارد الحوسبة اللازمة. لا تنبع التحديات التي تواجهها الشركات الصغيرة من نقص الرقائق بسبب ارتفاع الطلب فحسب ، بل تنبع أيضا من التناقضات الهيكلية في العرض. حاليا ، لا يزال هناك عدد كبير من وحدات معالجة الرسومات الخاملة على جانب العرض ؛ على سبيل المثال ، تمتلك بعض مراكز البيانات قدرا كبيرا من قوة الحوسبة الخاملة (مع معدلات استخدام منخفضة تصل إلى 12٪ إلى 18٪) ، كما أن موارد طاقة الحوسبة الكبيرة خاملة في التعدين المشفر بسبب انخفاض الربحية. على الرغم من أن كل قوة الحوسبة هذه ليست مناسبة للتطبيقات المتخصصة مثل التدريب الذكاء الاصطناعي ، إلا أن الأجهزة من فئة المستهلك لا تزال تلعب دورا مهما في مجالات أخرى مثل الاستدلال الذكاء الاصطناعي ، وعرض الألعاب السحابية ، والهواتف السحابية ، وما إلى ذلك. فرصة دمج واستخدام موارد الحوسبة هذه هائلة.

بتحويل التركيز من الذكاء الاصطناعي إلى العملات المشفرة ، بعد صمت دام ثلاث سنوات في سوق العملات المشفرة ، ظهر أخيرا سوق صاعد آخر. وصلت أسعار البيتكوين مرارا وتكرارا إلى مستويات قياسية جديدة ، وتستمر العديد من عملات الميمز في الظهور. على الرغم من أن الذكاء الاصطناعي و Crypto كانت كلمات طنانة في السنوات الأخيرة ، إلا أن الذكاء الاصطناعي و blockchain كتقنيتين مهمتين يبدوان كخطوط متوازية لم تجد بعد "تقاطعا". في وقت سابق من هذا العام ، نشر فيتاليك مقالا بعنوان "وعد وتحديات تطبيقات التشفير + الذكاء الاصطناعي" ، يناقش السيناريوهات المستقبلية حيث تتلاقى الذكاء الاصطناعي والتشفير. أوجز فيتاليك العديد من الرؤى في المقالة ، بما في ذلك استخدام تقنيات تشفير blockchain و MPC (الحوسبة متعددة الأطراف) للتدريب اللامركزي والاستدلال على الذكاء الاصطناعي ، والتي يمكن أن تفتح الصندوق الأسود للتعلم الآلي وتجعل نماذج الذكاء الاصطناعي أكثر ثقة ، من بين فوائد أخرى. في حين أن تحقيق هذه الرؤى سيتطلب جهدا كبيرا ، فإن إحدى حالات الاستخدام التي ذكرها فيتاليك - تمكين الذكاء الاصطناعي من خلال الحوافز الاقتصادية المشفرة - هي اتجاه مهم يمكن تحقيقه على المدى القصير. تعد شبكات طاقة الحوسبة اللامركزية حاليا واحدة من أنسب السيناريوهات لتكامل تشفير الذكاء الاصطناعي +.

شبكة القوة الحاسوبية المتمركزة 2

حاليا، هناك العديد من المشاريع التي تتطور في مجال شبكات القوة الحوسبة اللامركزية. المنطق الأساسي لهذه المشاريع متشابه ويمكن تلخيصه كالتالي: استخدام الرموز المميزة لتحفيز مقدمي القوة الحوسبة للمشاركة في الشبكة وتقديم مواردهم الحوسبية. يمكن أن تجمع هذه الموارد الحوسبية المتفرقة في شبكات القوة الحوسبة اللامركزية ذات مقياس كبير. هذا النهج لا يزيد فقط من استخدام القوة الحوسبة الخاملة ولكنه أيضا يلبي احتياجات الحوسبة للعملاء بتكاليف أقل، مما يحقق موقف رابح-رابح لكل من المشترين والبائعين.

لتزويد القراء بفهم شامل لهذا القطاع في وقت قصير، ستقوم هذه المقالة بتفكيك المشاريع المحددة والمجال بأسره من منظورين ميكرو وماكرو. الهدف هو توفير رؤى تحليلية للقراء لفهم المزايا التنافسية الأساسية لكل مشروع والتطور العام لقطاع شبكة القوة الحوسبة اللامركزية. سيقوم المؤلف بتقديم وتحليل خمسة مشاريع: Aethir، io.net، Render Network، Akash Network، وGensyn، وسيقوم بتلخيص وتقييم وضعها وتطور القطاع.

من حيث الإطار التحليلي، والتركيز على شبكة قوة الحوسبة اللامركزية المحددة، يمكننا تقسيمها إلى أربع مكونات أساسية:

• شبكة الأجهزة: تكامل موارد الحوسبة المتناثرة معًا من خلال العُقَد الموزعة عالميًا لتيسير مشاركة الموارد وتوازن الحمولة يشكل الطبقة الأساسية لشبكات القوة الحوسبة المركزية.
• السوق الثنائي: مطابقة مزودي قوة الحوسبة مع المطالبين من خلال آليات التسعير الفعالة والاكتشاف، وتوفير منصة تداول آمنة تضمن المعاملات الشفافة والعادلة والموثوقة لكلا الطرفين.
• آلية التوافق: ضمان عمل العقداء داخل الشبكة بشكل صحيح واستكمال المهام. تراقب آلية التوافق جانبين: 1) وقت التشغيل للعقداء لضمان نشاطهم واستعدادهم لقبول المهام في أي وقت. 2) دليل استكمال المهمة: يقوم العقداء بإكمال المهام بشكل فعال وصحيح دون تحويل قوة الحوسبة لأغراض أخرى، مشغلة العمليات والمواضيع.
• تحفيزات الرمز: تتحفز نماذج الرمز على المزيد من المشاركين لتوفير / استخدام الخدمات ، والتقاط آثار الشبكة مع الرموز لتسهيل مشاركة فوائد المجتمع.

من منظور نظرة عامة على قطاع طاقة الحوسبة اللامركزية ، توفر Blockworks Research إطارا تحليليا قويا يصنف المشاريع إلى ثلاث طبقات متميزة.

• الطبقة المعدنية الأساسية: تشكل الطبقة الأساسية للكومبيوتر اللامركزي، وتتحمل مسؤولية تجميع الموارد الحوسبية الخام وجعلها متاحة عبر مكالمات واجهة برمجة التطبيقات.
• طبقة التنسيق: تشكل الطبقة الوسطى من مكدس الحوسبة اللامركزية ، وتركز بشكل أساسي على التنسيق والتجريد. يتعامل مع مهام مثل الجدولة والقياس والتشغيل وموازنة الحمل والتسامح مع خطأ قوة الحوسبة. يتمثل دورها الرئيسي في "تجريد" تعقيد إدارة الأجهزة الأساسية ، مما يوفر واجهة مستخدم أكثر تقدما مصممة خصيصا لاحتياجات العملاء المحددة.
• الطبقة العليا: تشكل الطبقة العليا من تكديس الحوسبة اللامركزية، مسؤولة أساسا عن التكامل. وهي توفر واجهة موحدة للمستخدمين لتنفيذ مهام الحوسبة المتنوعة في مكان واحد، مثل تدريب الذكاء الاصطناعي، والتقديم، وzkML، والمزيد. تعمل هذه الطبقة كطبقة تنسيق وتوزيع لخدمات الحوسبة اللامركزية المتعددة.

مصدر الصورة: Youbi Capital

بناءً على الإطارين التحليليين المقدمين، سنقوم بإجراء تحليل مقارن لخمسة مشاريع مختارة عبر أربعة أبعاد: النشاط الأساسي، وضع السوق، وسائل الأجهزة، والأداء المالي.

2.1 النشاط الأساسي

من منظور أساسي، تكون شبكات قوة الحوسبة اللامركزية موحدة للغاية، حيث تستخدم الرموز لتحفيز مزودي الطاقة الحاسوبية الخاملة على تقديم خدماتهم. بناءً على هذه المنطقية الأساسية، يمكننا فهم الاختلافات الأساسية في الأعمال بين المشاريع من ثلاثة جوانب:

• مصدر الطاقة الحاسوبية الخاملة
  • مصادر الطاقة الحوسبة الخاملة في السوق تأتي أساسا من فئتين رئيسيتين: 1) مراكز البيانات وشركات التعدين والشركات الأخرى؛ و2) المستخدمين الفرديين. تمتلك مراكز البيانات عادةً أجهزة عتاد محترفة، بينما يشتري المستخدمون الفرديون عموماً رقائق عتاد للمستهلكين.
  • Aethir، شبكة Akash و Gensyn على الأرجح يجمعون قوة الحوسبة من الشركات. من فوائد الحصول على قوة الحوسبة من الشركات: 1) جودة أعلى للأجهزة وفرق صيانة محترفة، مما يؤدي إلى أداء أعلى وموثوقية أعلى للموارد الحوسبية؛ 2) مزيد من التجانس وإدارة مركزية للموارد الحوسبية في الشركات ومراكز البيانات، مما يؤدي إلى جدولة وصيانة أكثر كفاءة. ومع ذلك، يتطلب هذا النهج مطالب أعلى من فرق المشروع، مما يستلزم العلاقات التجارية مع الشركات التي تسيطر على قوة الحوسبة. بالإضافة إلى ذلك، قد يتم التضحية بقدرة التوسع واللامركزية إلى حد ما.
  • تقديم الشبكة io.net تحفيز المستخدمين الفرديين لتوفير قوة الحوسبة الخاملة الخاصة بهم. تشمل مزايا المصادر من الأفراد ما يلي: 1) انخفاض التكاليف الصريحة لقوة الحوسبة الخاملة من الأفراد ، مما يوفر موارد حوسبة أكثر اقتصادا ؛ 2) زيادة قابلية التوسع واللامركزية للشبكة ، مما يعزز مرونة النظام ومتانته. ومع ذلك ، تشمل العيوب التوزيع الواسع وغير المتجانس للموارد بين الأفراد ، مما يعقد الإدارة والجدولة ، مما يزيد من التحديات التشغيلية. علاوة على ذلك ، قد يكون الاعتماد على قوة الحوسبة الفردية لبدء تأثيرات الشبكة أكثر صعوبة. أخيرا ، قد تشكل الأجهزة التي يملكها الأفراد المزيد من المخاطر الأمنية ، مما قد يؤدي إلى تسرب البيانات وإساءة استخدام قوة الحوسبة.
• مستهلك قوة الحوسبة
  • من وجهة نظر مستهلكي طاقة الحوسبة ، تستهدف Aethir و io.net و Gensyn الشركات في المقام الأول. بالنسبة لعملاء B-end ، مثل أولئك الذين يحتاجون إلى عرض ألعاب الذكاء الاصطناعي وفي الوقت الفعلي ، هناك طلب كبير على موارد الحوسبة عالية الأداء ، والتي تتطلب عادة وحدات معالجة رسومات متطورة أو أجهزة احترافية. بالإضافة إلى ذلك ، لدى عملاء B-end متطلبات صارمة لاستقرار وموثوقية موارد الحوسبة ، مما يستلزم اتفاقيات مستوى خدمة عالية الجودة لضمان عمليات المشروع السلسة والدعم الفني في الوقت المناسب. علاوة على ذلك ، فإن تكاليف الترحيل لعملاء B-end كبيرة. إذا كانت الشبكات اللامركزية تفتقر إلى حزم SDK الناضجة لتسهيل النشر السريع للمشاريع (على سبيل المثال ، تتطلب شبكة Akash من المستخدمين التطوير بناء على المنافذ البعيدة) ، يصبح من الصعب إقناع العملاء بالترحيل. ما لم تكن هناك ميزة سعرية كبيرة ، تظل رغبة العميل في الهجرة منخفضة.
  • تخدم شبكة ريندر وشبكة أكاش في المقام الأول مستخدمين فرادى لخدمات قوة الحوسبة. يتطلب خدمة المستهلكين النهائيين (C-End) من المشاريع تصميم واجهات بسيطة وسهلة الاستخدام وأدوات لتقديم تجربة إيجابية للمستهلك. بالإضافة إلى ذلك، يتسم المستهلكون بحساسية شديدة للأسعار، مما يستلزم استراتيجيات تسعير تنافسية من المشاريع.
• نوع العتاد
  • تتضمن موارد أجهزة الحوسبة الشائعة وحدة المعالجة المركزية و FPGA و GPU و ASIC و SoC. تتميز أنواع الأجهزة هذه باختلافات كبيرة في أهداف التصميم وخصائص الأداء ومجالات التطبيق. باختصار ، تتفوق وحدات المعالجة المركزية في مهام الحوسبة العامة ، وتعتبر FPGAs مفيدة للمعالجة المتوازية العالية وقابلية البرمجة ، وتعمل وحدات معالجة الرسومات بشكل جيد في الحوسبة المتوازية ، وتكون ASICs أكثر كفاءة لمهام محددة ، وتدمج SoCs وظائف متعددة في وحدة واحدة ، ومناسبة للتطبيقات المتكاملة للغاية. يعتمد اختيار الأجهزة على احتياجات التطبيق المحددة ومتطلبات الأداء واعتبارات التكلفة.
  • تجمع مشاريع طاقة الحوسبة اللامركزية التي نناقشها في الغالب قوة حوسبة GPU ، والتي يتم تحديدها حسب نوع المشروع وخصائص وحدات معالجة الرسومات. تتمتع وحدات معالجة الرسومات بمزايا فريدة في التدريب الذكاء الاصطناعي والحوسبة المتوازية وعرض الوسائط المتعددة وما إلى ذلك. على الرغم من أن هذه المشاريع تتضمن في الغالب تكامل GPU ، إلا أن التطبيقات المختلفة لها مواصفات ومتطلبات مختلفة للأجهزة ، مما يؤدي إلى نوى ومعلمات تحسين غير متجانسة. تتضمن هذه المعلمات التوازي / التبعيات التسلسلية ، والذاكرة ، والكمون ، وما إلى ذلك. على سبيل المثال ، تعد أحمال عمل العرض في الواقع أكثر ملاءمة لوحدات معالجة الرسومات من فئة المستهلك بدلا من وحدات معالجة الرسومات لمركز البيانات عالية الأداء لأن العرض يتطلب متطلبات عالية لمهام مثل تتبع الأشعة. تم تحسين الرقائق من فئة المستهلك مثل 4090 بنوى RT ، والتي تم تحسينها خصيصا لمهام تتبع الأشعة. يتطلب التدريب الذكاء الاصطناعي والاستدلال وحدات معالجة رسومات احترافية. وبالتالي ، يمكن لشبكة Render Network تجميع وحدات معالجة الرسومات من فئة المستهلك مثل RTX 3090s و 4090s من المستخدمين الفرديين ، بينما يتطلب IO.NET المزيد من H100s و A100s ووحدات معالجة الرسومات الاحترافية الأخرى لتلبية احتياجات الشركات الناشئة الذكاء الاصطناعي.

2.2 تحديد الموضع في السوق

من حيث تحديد موقع المشروع ، فإن القضايا الأساسية التي يجب معالجتها ، وتركيز الأمثلة ، وقدرات الاستيلاء على القيمة تختلف بالنسبة لطبقة المعدن الأساسية وطبقة التنسيق وطبقة التجميع.

• تتركز طبقة المعدن الأساسية على جمع واستخدام الموارد الفيزيائية. تهتم طبقة التنسيق بجدولة وتحسين قوة الحوسبة ، وتصميم التكوين المثلى للأجهزة الفيزيائية وفقًا لاحتياجات العملاء. تعتبر طبقة التجميع عامة الاستخدام ، مع التركيز على تكامل وتجريد الموارد المختلفة.
• من منظور سلسلة القيم، يجب على كل مشروع أن يبدأ من طبقة الهيكل الأساسي وأن يسعى للصعود نحو الأعلى. من حيث الاستحواذ على القيمة، تزداد القدرة تدريجياً من طبقة الهيكل الأساسي إلى طبقة التنسيق وأخيراً إلى طبقة الإجمال. يمكن لطبقة الإجمال الاستحواذ على أكبر قيمة لأن منصة الإجمال يمكنها تحقيق أكبر تأثيرات شبكية والوصول مباشرة إلى أكبر عدد من المستخدمين، وبذلك تعمل بشكل فعال كنقطة دخول حركة المرور لشبكة متمركزة، وبالتالي تحتل أعلى موقع لاستحواذ القيمة في كامل مجموعة إدارة موارد الحوسبة.
• وعلى نحو مقابل، بناء منصة تجميع هو الأكثر تحديا. يحتاج المشروع إلى معالجة شاملة للتعقيد التقني، إدارة الموارد المتنوعة، موثوقية النظام وقابليته للتوسع، تحقيق تأثير الشبكة، وحماية الأمان والخصوصية، وقضايا إدارة التشغيل المعقدة. هذه التحديات غير مواتية لبدء المشروع من البداية وتعتمد على الوضع التنموي وتوقيت القطاع. من غير الواقعي العمل على طبقة التجميع قبل نضج طبقة التنظيم والحصول على حصة سوقية كبيرة.
• حاليًا، ينتمي Aethir و Render Network و Akash Network و Gensyn إلى طبقة التوجيه. هدفهم تقديم خدمات لأهداف محددة ومجموعات عملاء معينة. النشاط الرئيسي لشركة Aethir هو عرض الجرافيكس في الوقت الحقيقي لألعاب الفيديو وتوفير بيئات تطوير وأدوات معينة لعملائها في الجانب التطويري والنشر؛ أما النشاط الرئيسي لشبكة Render Network فهو عملية عرض الفيديو؛ بينما تهدف شبكة Akash Network إلى توفير منصة سوقية مماثلة لموقع تاوباو؛ وتركز شركة Gensyn بشكل كبير على مجال تدريب الذكاء الاصطناعي. تعتبر IO.net نفسها طبقة تجميع، ولكن وظائفها الحالية لا تزال بعيدة عن تلك الطبقة التجميعية الكاملة. على الرغم من جمعها للأجهزة من شبكة Render Network و Filecoin، إلا أن تجريد وتكامل الموارد الأجهزة لم يكتمل بعد.

2.3 مرافق الأجهزة

• حاليًا ، لم يكشف جميع المشاريع عن بيانات الشبكة التفصيلية. من الناحية المقارنة ، فإن واجهة المستكشف io.net هي الأفضل ، حيث تعرض معلمات مثل كمية وأنواع وأسعار وتوزيع واستخدام الشبكة وإيرادات العقدة. ومع ذلك ، في نهاية أبريل ، تعرضت واجهة المستخدم الأمامية لـ io.net لهجوم بسبب عدم توفر المصادقة لواجهات PUT/POST ، مما أدى إلى تلاعب المتسللين ببيانات الواجهة الأمامية. هذا الحادث أثار مخاوف بشأن خصوصية وموثوقية بيانات الشبكة للمشاريع الأخرى أيضًا.
• من حيث كمية ونماذج وحدات المعالجة الرسومية، يجب أن تكون io.net، كونها طبقة تجميع، تمتلك أكبر قدر من الأجهزة من الناحية المنطقية. يلي ذلك Aethir عن كثب، في حين أن حالة الأجهزة الأخرى أقل شفافية. io.net تمتلك مجموعة واسعة من وحدات المعالجة الرسومية، بما في ذلك وحدات المعالجة الرسومية عالية المستوى مثل A100 ووحدات المعالجة الرسومية للمستهلك مثل 4090، مما يتماشى مع وضع io.net كطبقة تجميع. وهذا يتيح ل io اختيار وحدة المعالجة الرسومية الأكثر ملاءمة استنادًا إلى متطلبات المهمة المحددة. ومع ذلك، قد تتطلب نماذج وعلامات تجارية مختلفة لوحدات المعالجة الرسومية تعريفات وتكوينات مختلفة، ويحتاج البرنامج أيضًا إلى تحسين معقد، مما يزيد من تعقيد الإدارة والصيانة. حاليًا، يعتمد تخصيص المهام لدى io بشكل رئيسي على اختيار المستخدم الذاتي.
• أصدرت Aethir جهاز التعدين الخاص بها، وفي مايو، تم إطلاق Aethir Edge، المدعومة بواسطة Qualcomm، بشكل رسمي. يعتبر هذا انفصالاً عن تجميع وحدات معالجة الرسومات المركزية المركزية الوحيدة بعيداً عن المستخدمين، حيث يتم نشر قوة الحوسبة إلى الحافة. يخدم Aethir Edge، بالاشتراك مع قوة حوسبة مجموعة H100، سيناريوهات الذكاء الاصطناعي، حيث يتم نشر النماذج المدربة لتوفير خدمات الحوسبة التكهنية بتكلفة أمثل. هذا الحل أقرب إلى المستخدمين، أسرع في الخدمة، ويوفر كفاءة تكلفة أعلى.
• من منظور العرض والطلب، مع اتخاذ شبكة Akash كمثال، تظهر إحصاءاتها إجمالي عدد وحدات المعالجة المركزية بحوالي 16 ألف وحدة و 378 وحدة معالجة رسومية. استنادًا إلى الطلب على تأجير الشبكة، نسب استخدام وحدات المعالجة المركزية والوحدات المعالجة الرسومية هي 11.1% و 19.3% على التوالي. تظهر أن وحدة المعالجة الرسومية H100 ذات الدرجة المهنية تحظى بمعدل تأجير مرتفع نسبيًا، بينما تظل معظم النماذج الأخرى غير مستخدمة. هذا الوضع متشابه بشكل عام في الشبكات الأخرى، حيث يكون الطلب الإجمالي على الشبكة منخفضًا وتظل معظم قدرات الحوسبة، باستثناء الشرائح الشهيرة مثل A100 و H100، غير مستخدمة.
• من حيث ميزة السعر، فإن التكلفة ليست ملحوظة مقارنة بمقدمي الخدمات التقليدية، باستثناء العمالقة في سوق الحوسبة السحابية.

2.4 الأداء المالي

• بغض النظر عن كيفية تصميم نموذج الرمز المميز، يجب أن تفي الرموز الاقتصادية الصحية بالشروط الأساسية التالية: 1) يجب أن يُعكس طلب المستخدمين للشبكة في سعر الرمز المميز، مما يعني أن يمكن للرمز المميز التقاط القيمة؛ 2) يحتاج جميع المشاركين، سواء المطورون أو العقد أو المستخدمون، إلى تلقي حوافز عادلة وطويلة الأمد؛ 3) ضمان الحوكمة اللامركزية وتجنب التمسك الزائد من قبل الأطراف الداخلية؛ 4) آليات معقولة للتضخم والتضخم وجداول إصدار الرموز المميزة لتجنب تقلبات الأسعار الكبيرة التي تؤثر على استقرار الشبكة واستدامتها.
• إذا قسمنا نماذج الرموز على نحو عام إلى BME (التوازن بين الحرق والطباعة) و SFA (الرهان للوصول)، فإن الضغط التضاؤلي لهاتين النموذجين يأتي من مصادر مختلفة: في نموذج BME، يتم حرق الرموز بعد شراء المستخدمين للخدمات، لذا يتم تحديد ضغط التضاؤل في النظام بواسطة الطلب. في نموذج SFA، يتعين على مزودي الخدمات / العقد الرهان على الرموز للحصول على مؤهلات لتقديم الخدمات، لذا يتم إحضار ضغط التضاؤل بواسطة العرض. ميزة BME هي أنها أكثر مناسبة للسلع غير الموحدة. ومع ذلك، إذا كان الطلب على الشبكة غير كافٍ، فقد تواجه ضغطا تضخميا مستمرا. تختلف نماذج الرموز لمختلف المشاريع في التفاصيل، ولكن بشكل عام، يميل Aethir أكثر نحو SFA، بينما io.net و Render Network و Akash Network يميلون أكثر نحو BME. نموذج Gensyn لا يزال مجهولًا.
• من حيث الإيرادات، ستنعكس الطلبات على الشبكة مباشرة في الإيرادات الشبكية الإجمالية (باستثناء دخل المنقبين، حيث يتلقى المنقبون مكافآت عند إكمال المهام ودعمًا من المشاريع). وفقًا للبيانات المتاحة للجمهور، يحقق io.net أعلى قيمة. على الرغم من أن إيرادات Aethir لم يتم الكشف عنها بعد، إلا أن المعلومات العامة تشير إلى أنهم أعلنوا عن توقيع طلبات مع العديد من العملاء B-End.
• بالنسبة لأسعار الرموز، فقط شبكة Render Network وشبكة Akash Network قامتا بإجراء عروض العملات الأولية حتى الآن. كما أصدرت Aethir و io.net مؤخرًا رموزًا، ولكن أداء أسعارها يحتاج إلى مراقبة إضافية ولن يتم مناقشته بالتفصيل هنا. خطط Gensyn غير واضحة بعد. من البروجيكتين التي قامتا بإصدار الرموز وغيرها من المشاريع في نفس القطاع غير المناقشة هنا، أظهرت شبكات الحوسبة اللامركزية أداءً سعريًا مثيرًا للإعجاب للغاية، مما يعكس الإمكانية السوقية الكبيرة والتوقعات العالية للمجتمع إلى حد ما.

2.5 ملخص

• يتطور قطاع شبكة القوة الحاسوبية المتمركزة بسرعة، حيث أصبحت العديد من المشاريع قادرة بالفعل على خدمة العملاء من خلال منتجاتها وتوليد بعض الإيرادات. لقد تجاوز القطاع المجرد السرد البحت ودخل مرحلة يمكن فيها تقديم الخدمات الأولية.
• مشكلة شائعة تواجه شبكات قوة الحوسبة اللامركزية هي الطلب الضعيف، حيث لم يتم التحقق واستكشاف احتياجات العملاء على المدى الطويل بشكل جيد. ومع ذلك، لم تؤثر التحديات الناتجة عن الطلب بشكل كبير على أسعار الرموز، حيث أظهرت المشاريع القليلة التي قامت بإصدار الرموز أداءً مثيرًا للإعجاب.
• الذكاء الاصطناعي هو السرد الرئيسي لشبكات الطاقة الحاسوبية المتمركزة ولكنه ليس التطبيق الوحيد. بالإضافة إلى تدريب واستنتاج الذكاء الاصطناعي، يمكن استخدام قوة الحوسبة أيضًا للتحقق في الوقت الحقيقي في ألعاب السحابة، وخدمات الجوال السحابية، والمزيد.
• تكنولوجيا الأجهزة في شبكات قوة الحوسبة متنوعة للغاية، وتحتاج جودة ومقياس هذه الشبكات إلى تحسينات إضافية. بالنسبة للمستخدمين النهائيين، لا يوجد فارق كبير في التكلفة. بالنسبة للمستخدمين الرجاليين، يجب أن يتم النظر في عوامل مثل مستوى الخدمة والموثوقية والدعم الفني والامتثال والدعم القانوني إلى جانب توفير التكاليف. عموما، لا تتميز مشاريع Web3 في هذه المجالات.

3 أفكار ختامية

نمو متسارع في الذكاء الاصطناعي أدى بلا جدال إلى طلب هائل على قوة الحوسبة. منذ عام 2012، زادت قوة الحوسبة المستخدمة في مهام تدريب الذكاء الاصطناعي بشكل متسارع، مضاعفة تقريبًا كل 3.5 شهر (بالمقارنة، يتوقع قانون مور مضاعفة كل 18 شهر). منذ عام 2012، زاد الطلب على قوة الحوسبة بأكثر من 300,000 مرة، متجاوزًا بكثير التضاعف بنسبة 12 مرة الذي توقعه قانون مور. تتوقع التوقعات أن ينمو سوق وحدات معالجة الرسومات بمعدل نمو سنوي مركب يبلغ 32% على مدى الخمس سنوات القادمة، ليصل إلى أكثر من 200 مليار دولار. تقديرات شركة AMD أعلى حتى، حيث تتوقع الشركة أن يصل سوق رقائق وحدات معالجة الرسومات إلى 400 مليار دولار بحلول عام 2027.

مصدر الصورة: https://www.stateof.ai/

شهد النمو الانفجاري للذكاء الاصطناعي والأعباء الحوسبية الأخرى، مثل إنتاج الواقع المعزز/الواقع الافتراضي، عدم كفاءة هياكلية في سوق الحوسبة التقليدية والأسواق الرائدة في مجال الحوسبة. في النظرية، يمكن لشبكات القوة الحوسبية اللامركزية أن تستفيد من موارد الحوسبة الشاغرة الموزعة لتوفير حلول أكثر مرونة وكفاءة وكفاءة لتلبية الطلب الضخم على موارد الحوسبة.

لذلك، تمتلك مزيج من مجال العملات الرقمية والذكاء الاصطناعي إمكانات سوقية هائلة ولكنها تواجه أيضًا منافسة مكثفة مع المؤسسات التقليدية، ومستويات دخول مرتفعة، وبيئة سوقية معقدة. بشكل عام، بين جميع قطاعات مجال العملات الرقمية، شبكات القوة الحوسبة اللامركزية هي واحدة من أكثر الرأسمالية العمودية الواعدة في مجال العملات الرقمية لتلبية الطلب الحقيقي.

مصدر الصورة: https://vitalik.eth.limo/general/2024/01/30/cryptoai.html

المستقبل مشرق، ولكن الطريق تحدي. لتحقيق الرؤية المذكورة، نحتاج إلى التعامل مع العديد من المشاكل والتحديات. وباختصار، في هذه المرحلة، تقديم خدمات السحابة التقليدية يؤدي إلى حافة ربح صغيرة للمشاريع.

من الجانب الطلب، يقوم الشركات الكبيرة عادة ببناء القوة الحاسوبية الخاصة بها، بينما يميل معظم المطورين الأفراد إلى اختيار خدمات الحوسبة السحابية الموثوقة. لا يزال يتعين استكشاف والتحقق من ما إذا كانت الشركات الصغيرة والمتوسطة، وهي المستخدمين الفعليين لموارد شبكة القوة الحاسوبية المفوضة، ستكون لديها طلب مستقر.

من ناحية أخرى ، الذكاء الاصطناعي هو سوق واسع بإمكانات وخيال هائلين. للاستفادة من هذا السوق الأوسع ، ستحتاج مزودات خدمات قوة الحوسبة المستقبلية إلى التحول نحو تقديم نماذج وخدمات ذكاء اصطناعي ، واستكشاف المزيد من حالات استخدام العملات الرقمية + الذكاء الاصطناعي ، وتوسيع القيمة التي يمكن أن تخلقها مشاريعهم. ومع ذلك ، في الوقت الحاضر ، لا يزال هناك العديد من المشاكل والتحديات التي يجب معالجتها قبل تحقيق مزيد من التطور في مجال الذكاء الاصطناعي:

• ليس لديها ميزة سعر ملحوظة: مقارنة البيانات السابقة تكشف أن شبكات القوة الحوسبة اللامركزية لا تظهر ميزات تكلفة كبيرة. قد يكون ذلك بسبب آليات السوق التي تحكم في أن رقائق الطلب المرتفعة المتخصصة مثل H100 و A100 ليست مُسعرة بشكل رخيص. بالإضافة إلى ذلك، فإن نقص الاقتصاديات نتيجة اللامركزية، وتكاليف الشبكة والنطاق الترددي العالية، وتعقيد إدارة وعمليات الخفية تضيف تكاليف مخفية تزيد من تكاليف الحوسبة.
• تحديات محددة في التدريب الذكاء الاصطناعي: يواجه إجراء التدريب الذكاء الاصطناعي بطريقة لامركزية اختناقات فنية كبيرة في الوقت الحاضر. هذه الاختناقات واضحة بصريا في سير عمل وحدة معالجة الرسومات: أثناء التدريب على نموذج اللغة الكبيرة ، تتلقى وحدات معالجة الرسومات أولا دفعات بيانات تمت معالجتها مسبقا للانتشار الأمامي والخلفي لحساب التدرجات. ثم تقوم وحدات معالجة الرسومات بتجميع التدرجات وتحديث معلمات النموذج لضمان المزامنة. تستمر هذه العملية التكرارية حتى يتم تدريب جميع الدفعات أو الوصول إلى عدد محدد من العصور. أنه ينطوي على نقل البيانات على نطاق واسع ومزامنة. لا تزال أسئلة مثل استراتيجيات التوازي والتزامن التي يجب استخدامها ، وكيفية تحسين عرض النطاق الترددي للشبكة وزمن الوصول ، وكيفية تقليل تكاليف الاتصالات دون حل إلى حد كبير. حاليا ، يعد استخدام شبكات طاقة الحوسبة اللامركزية للتدريب الذكاء الاصطناعي أمرا غير عملي.
• مخاوف أمان البيانات والخصوصية: في عملية تدريب النماذج اللغوية الكبيرة، يمكن أن تؤثر كل مرحلة تتضمن التعامل مع البيانات ونقلها - مثل تخصيص البيانات وتدريب النموذج وتجميع المعلمات والتدرجات - بشكل محتمل على أمان البيانات والخصوصية. تعد مخاوف الخصوصية أمرًا حرجًا بشكل خاص في النماذج التي تتضمن بيانات حساسة. من دون حل مشاكل خصوصية البيانات، فإن التوسع من جانب الطلب ليس ممكنًا.

من منظور عملي ، تحتاج شبكة طاقة الحوسبة اللامركزية إلى تحقيق التوازن بين استكشاف الطلب الحالي وفرص السوق المستقبلية. من الأهمية بمكان تحديد موضع واضح للمنتج والجمهور المستهدف. يمكن أن يساعد التركيز في البداية على المشاريع الأصلية غير الذكاء الاصطناعي أو Web3 ، ومعالجة الطلبات المتخصصة نسبيا ، في إنشاء قاعدة مستخدمين مبكرة. في الوقت نفسه ، يعد الاستكشاف المستمر للسيناريوهات المختلفة حيث تتلاقى الذكاء الاصطناعي والعملات المشفرة أمرا ضروريا. وهذا ينطوي على استكشاف الحدود التكنولوجية ورفع مستوى الخدمات لتلبية الاحتياجات المتطورة. من خلال مواءمة عروض المنتجات بشكل استراتيجي مع متطلبات السوق والبقاء في طليعة التطورات التكنولوجية ، يمكن لشبكات طاقة الحوسبة اللامركزية أن تضع نفسها بشكل فعال للنمو المستدام وأهمية السوق.

المراجع

https://www.stateof.ai/

https://vitalik.eth.limo/general/2024/01/30/cryptoai.html

https://foresightnews.pro/article/detail/34368

https://app.blockworksresearch.com/unlocked/compute-de-pi-ns-paths-to-adoption-in-an-ai-dominated-market?callback=%2Fresearch%2Fcompute-de-pi-ns-paths-to-adoption-in-an-ai-dominated-market

https://research.web3caff.com/zh/archives/17351?ref=1554

بيان:

1. تم نسخ هذه المقالة من [يوبي كابيتال]، حقوق النشر تنتمي للكاتب الأصلي [يوبي], إذا كان لديك أي اعتراضات على إعادة الطبع، يرجى التواصل معبوابة تعلمالفريق، وسيتولى الفريق ذلك في أقرب وقت ممكن وفقًا للإجراءات ذات الصلة.

2. تنويه: تعبر الآراء والآراء المعبر عنها في هذه المقالة فقط عن آراء الكاتب الشخصية ولا تشكل أي نصيحة استثمارية.

3. تم ترجمة النسخ الأخرى من المقال من قبل فريق Gate Learn ولم يتم ذكرها.بوابة.أيو، قد لا يتم استنساخ المقال المترجم أو توزيعه أو ارتكاب الانتحال.