1 L'intersection de l'IA et de la Crypto

Le 23 mai, le géant des puces NVIDIA a publié son rapport financier du premier trimestre de l'exercice 2025. Le rapport a montré que le chiffre d'affaires du premier trimestre de NVIDIA était de 26 milliards de dollars. Parmi ceux-ci, les revenus du centre de données ont augmenté de manière spectaculaire de 427 % par rapport à l'année dernière pour atteindre 22,6 milliards de dollars. La capacité de NVIDIA à booster à elle seule la performance financière du marché boursier américain reflète la demande explosive de puissance de calcul parmi les sociétés technologiques mondiales en concurrence dans le domaine de l'IA. Plus les sociétés technologiques de premier ordre élargissent leurs ambitions dans la course à l'IA, plus leur demande de puissance de calcul croît de manière exponentielle. Selon les prévisions de TrendForce, d'ici 2024, la demande de serveurs d'IA haut de gamme des quatre principaux fournisseurs de services cloud américains - Microsoft, Google, AWS et Meta - devrait représenter collectivement plus de 60 % de la demande mondiale, avec des parts prévues à 20,2 %, 16,6 %, 16 % et 10,8 %, respectivement.

Source de l'image : https://investor.nvidia.com/financial-info/financial-reports/default.aspx

Les "pénuries de puces" sont continuellement un mot à la mode depuis quelques années. D'une part, les grands modèles linguistiques (LLM) nécessitent une puissance de calcul substantielle pour la formation et l'inférence. À mesure que les modèles itèrent, les coûts et la demande de puissance de calcul augmentent de manière exponentielle. D'autre part, de grandes entreprises comme Meta achètent des quantités massives de puces, faisant pencher les ressources informatiques mondiales vers ces géants de la technologie, rendant de plus en plus difficile pour les petites entreprises d'obtenir les ressources informatiques nécessaires. Les défis auxquels sont confrontées les petites entreprises découlent non seulement de la pénurie de puces due à une demande croissante, mais aussi de contradictions structurelles dans l'approvisionnement. Actuellement, il y a encore un grand nombre de GPU inactifs du côté de l'offre; par exemple, certains centres de données disposent d'une grande quantité de puissance de calcul inutilisée (avec des taux d'utilisation aussi bas que 12 % à 18 %), et d'importantes ressources de puissance de calcul sont également inactives dans le minage crypté en raison d'une rentabilité réduite. Bien que toute cette puissance de calcul ne convienne pas à des applications spécialisées telles que la formation en IA, le matériel grand public peut encore jouer un rôle important dans d'autres domaines tels que l'inférence en IA, le rendu de jeux en nuage, les téléphones en nuage, etc. L'opportunité d'intégrer et d'utiliser ces ressources informatiques est énorme.

Déplaçant le focus de l'IA vers la crypto, après trois années de silence sur le marché des cryptomonnaies, un autre marché haussier a finalement émergé. Les prix du Bitcoin ont régulièrement atteint de nouveaux sommets, et diverses cryptomonnaies mèmes continuent d'apparaître. Bien que l'IA et la Crypto aient été des mots à la mode ces dernières années, l'intelligence artificielle et la blockchain, en tant que deux technologies importantes, semblent être des lignes parallèles qui n'ont pas encore trouvé d'« intersection ». Plus tôt cette année, Vitalik a publié un article intitulé « Les promesses et les défis des applications crypto + IA », discutant de scénarios futurs où l'IA et la crypto convergent. Vitalik a décrit de nombreuses visions dans l'article, notamment l'utilisation de la blockchain et des technologies de chiffrement MPC (calcul multipartite) pour l'entraînement décentralisé et l'inférence de l'IA, ce qui pourrait ouvrir la boîte noire de l'apprentissage automatique et rendre les modèles d'IA plus fiables, entre autres avantages. Bien que la réalisation de ces visions nécessitera des efforts considérables, un cas d'utilisation mentionné par Vitalik - autonomiser l'IA grâce à des incitations cryptonomiques - est une direction importante qui peut être atteinte à court terme. Les réseaux de puissance de calcul décentralisée sont actuellement l'un des scénarios les plus adaptés à l'intégration de l'IA + crypto.

2 Réseau de puissance de calcul décentralisé

Actuellement, de nombreux projets se développent dans l'espace du réseau de puissance de calcul décentralisé. La logique sous-jacente de ces projets est similaire et peut être résumée comme suit : utiliser des jetons pour inciter les fournisseurs de puissance de calcul à participer au réseau et à offrir leurs ressources de calcul. Ces ressources de calcul dispersées peuvent s'agréger en des réseaux de puissance de calcul décentralisés d'une ampleur significative. Cette approche non seulement augmente l'utilisation de la puissance de calcul inutilisée, mais répond également aux besoins de calcul des clients à moindre coût, réalisant une situation gagnant-gagnant pour les acheteurs et les vendeurs.

Pour fournir aux lecteurs une compréhension complète de ce secteur en peu de temps, cet article déconstruira des projets spécifiques et l'ensemble du domaine à la fois du point de vue micro et macro. L'objectif est de fournir des informations analytiques pour que les lecteurs comprennent les avantages concurrentiels clés de chaque projet et le développement général du secteur du réseau de puissance de calcul décentralisée. L'auteur présentera et analysera cinq projets : Aethir, io.net, Render Network, Akash Network et Gensyn, et résumera et évaluera leur situation et le développement du secteur.

En termes de cadre analytique, en se concentrant sur un réseau de puissance de calcul décentralisé spécifique, nous pouvons le décomposer en quatre composants principaux :

• Réseau matériel : L'intégration de ressources informatiques dispersées à travers des nœuds distribués mondialement pour faciliter le partage des ressources et l'équilibrage de la charge forme la couche fondamentale des réseaux de puissance de calcul décentralisée.
• Marché bilatéral : Mise en relation des fournisseurs de puissance de calcul avec les demandeurs grâce à des mécanismes de tarification et de découverte efficaces, fournissant une plateforme de trading sécurisée garantissant des transactions transparentes, équitables et dignes de confiance pour les deux parties.
• Mécanisme de consensus : garantir que les nœuds du réseau fonctionnent correctement et accomplissent les tâches. Le mécanisme de consensus surveille deux aspects : 1) La disponibilité des nœuds pour s'assurer qu'ils sont actifs et prêts à accepter des tâches à tout moment. 2) Preuve d'achèvement des tâches : les nœuds accomplissent efficacement et correctement les tâches sans détourner la puissance de calcul à d'autres fins, occupant ainsi les processus et les threads.
• Incitations aux jetons: Les modèles de jetons incitent davantage de participants à fournir/utiliser des services, capturant les effets de réseau avec des jetons pour faciliter le partage des avantages communautaires.

D'un point de vue global du secteur de la puissance de calcul décentralisée, Blockworks Research fournit un cadre analytique robuste qui catégorise les projets en trois couches distinctes.

• Couche Bare Metal : Forme la couche fondamentale de la pile informatique décentralisée, responsable de l'agrégation des ressources de calcul brutes et de leur accessibilité via des appels d'API.
• Couche d'orchestration: Constitue la couche intermédiaire de la pile de calcul décentralisée, principalement axée sur la coordination et l'abstraction. Elle gère des tâches telles que la planification, l'évolutivité, le fonctionnement, l'équilibrage de charge et la tolérance aux pannes de la puissance de calcul. Son rôle principal est de "abstraire" la complexité de la gestion du matériel sous-jacent, en fournissant une interface utilisateur plus avancée adaptée aux besoins spécifiques des clients.
• Couche d'agrégation : Forme la couche supérieure de la pile de calcul décentralisée, principalement responsable de l'intégration. Elle fournit une interface unifiée aux utilisateurs pour exécuter diverses tâches de calcul en un seul endroit, telles que l'entraînement en IA, le rendu, zkML et plus encore. Cette couche agit comme une couche d'orchestration et de distribution pour plusieurs services de calcul décentralisés.

Source de l'image : Youbi Capital

Sur la base des deux cadres d'analyse fournis, nous réaliserons une analyse comparative de cinq projets sélectionnés selon quatre dimensions : activité principale, positionnement sur le marché, installations matérielles et performances financières.

2.1 Activité principale

D'un point de vue fondamental, les réseaux de puissance de calcul décentralisés sont hautement homogénéisés, utilisant des jetons pour inciter les fournisseurs de puissance de calcul inutilisée à offrir leurs services. Sur la base de cette logique fondamentale, nous pouvons comprendre les différences commerciales fondamentales entre les projets selon trois aspects :

• La source de puissance de calcul inutilisée
  • Les sources de puissance de calcul inutilisée sur le marché proviennent principalement de deux catégories principales : 1) centres de données, entreprises minières et autres entreprises ; et 2) utilisateurs individuels. Les centres de données possèdent généralement du matériel de qualité professionnelle, tandis que les utilisateurs individuels achètent généralement des puces grand public.
  • Aethir, Akash Network et Gensyn rassemblent principalement la puissance de calcul auprès des entreprises. Les avantages de se sourcer auprès des entreprises incluent : 1) du matériel de meilleure qualité et des équipes de maintenance professionnelles, conduisant à des performances et une fiabilité plus élevées des ressources de calcul ; 2) une homogénéité et une gestion centralisée plus importantes des ressources de calcul dans les entreprises et les centres de données, ce qui se traduit par une planification et une maintenance plus efficaces. Cependant, cette approche exige des exigences plus élevées de la part des équipes de projet, nécessitant des relations commerciales avec les entreprises qui contrôlent la puissance de calcul. De plus, la scalabilité et la décentralisation peuvent être quelque peu compromises.
  • Render Network et io.net encouragent les utilisateurs individuels à fournir leur puissance de calcul inutilisée. Les avantages de s'approvisionner auprès d'individus comprennent: 1) des coûts explicites plus bas de la puissance de calcul inutilisée des individus, fournissant des ressources informatiques plus économiques; 2) une plus grande scalabilité et décentralisation du réseau, améliorant la résilience et la robustesse du système. Cependant, les inconvénients comprennent la distribution répandue et hétérogène des ressources parmi les individus, ce qui complique la gestion et la planification, entraînant des défis opérationnels accrus. De plus, compter sur la puissance de calcul individuelle pour initier des effets réseau peut être plus difficile. Enfin, les appareils détenus par des individus peuvent présenter plus de risques de sécurité, pouvant potentiellement entraîner des fuites de données et une utilisation abusive de la puissance de calcul.
• Consommateur de puissance de calcul
  • Du point de vue des consommateurs de puissance de calcul, Aethir, io.net et Gensyn ciblent principalement les entreprises. Pour les clients de la fin B, tels que ceux qui ont besoin d'IA et de rendu de jeux en temps réel, il y a une forte demande de ressources informatiques performantes, nécessitant généralement des GPU haut de gamme ou du matériel de qualité professionnelle. De plus, les clients de la fin B ont des exigences strictes en matière de stabilité et de fiabilité des ressources informatiques, ce qui nécessite des accords de niveau de service de haute qualité pour garantir le bon déroulement des projets et un support technique rapide. De plus, les coûts de migration pour les clients de la fin B sont importants. Si les réseaux décentralisés manquent de SDK matures pour faciliter le déploiement rapide des projets (par exemple, Akash Network exige que les utilisateurs développent en fonction des ports distants), il devient difficile de convaincre les clients de migrer. À moins qu'il n'y ait un avantage significatif en termes de prix, la volonté des clients de migrer reste faible.
  • Le réseau Render et le réseau Akash servent principalement les utilisateurs individuels pour des services de puissance de calcul. Servir les consommateurs de bout en bout nécessite que les projets conçoivent des interfaces et des outils simples et conviviaux pour offrir une expérience positive aux consommateurs. De plus, les consommateurs sont très sensibles au prix, ce qui nécessite des stratégies de tarification compétitives de la part des projets.
• Type de matériel
  • Les ressources matérielles informatiques courantes comprennent le CPU, le FPGA, le GPU, l'ASIC et le SoC. Ces types de matériel présentent des différences significatives en termes d'objectifs de conception, de caractéristiques de performance et de domaines d'application. En résumé, les CPU excellent dans les tâches de calcul général, les FPGA sont avantageux pour le traitement parallèle élevé et la programmabilité, les GPU se comportent bien dans le calcul parallèle, les ASIC sont les plus efficaces pour des tâches spécifiques, et les SoC intègrent de multiples fonctions dans une seule unité, adaptée aux applications hautement intégrées. Le choix du matériel dépend des besoins spécifiques de l'application, des exigences de performance et des considérations de coût.
  • Les projets de puissance de calcul décentralisée dont nous discutons collectent principalement la puissance de calcul GPU, qui est déterminée par le type de projet et les caractéristiques des GPU. Les GPU ont des avantages uniques dans la formation à l'IA, le calcul parallèle, le rendu multimédia, etc. Bien que ces projets impliquent principalement une intégration GPU, les différentes applications ont des spécifications matérielles et des exigences différentes, ce qui se traduit par une optimisation hétérogène des cœurs et des paramètres. Ces paramètres comprennent la parallélisme/dépendances sérielles, la mémoire, la latence, etc. Par exemple, les charges de travail de rendu sont en fait plus adaptées aux GPU grand public qu'aux GPU de centre de données plus performants, car le rendu exige des exigences élevées pour des tâches telles que le lancer de rayons. Les puces grand public telles que les 4090 sont améliorées avec des cœurs RT, spécifiquement optimisées pour les tâches de lancer de rayons. La formation à l'IA et l'inférence nécessitent des GPU de qualité professionnelle. Ainsi, le Réseau de Rendu peut agréger des GPU grand public comme les RTX 3090 et 4090 auprès d'utilisateurs individuels, tandis que IO.NET nécessite davantage de H100, A100 et d'autres GPU de qualité professionnelle pour répondre aux besoins des start-ups en IA.

2.2 Positionnement sur le marché

En termes de positionnement du projet, les problèmes centraux à résoudre, les points d'optimisation et les capacités de capture de valeur diffèrent pour la couche de métal nu, la couche d'orchestration et la couche d'agrégation.

• La couche de métal nu se concentre sur la collecte et l'utilisation des ressources physiques. La couche d'orchestration est concernée par la planification et l'optimisation de la puissance de calcul, en concevant la configuration optimale du matériel physique en fonction des besoins des clients. La couche d'agrégation est polyvalente, axée sur l'intégration et l'abstraction de différentes ressources.
• D'un point de vue de la chaîne de valeur, chaque projet devrait commencer par la couche de métal nu et s'efforcer de monter. En termes de capture de valeur, la capacité augmente progressivement de la couche de métal nu à la couche d'orchestration et enfin à la couche d'agrégation. La couche d'agrégation peut capturer la plus grande valeur car une plateforme d'agrégation peut atteindre les plus grands effets de réseau et atteindre directement le plus grand nombre d'utilisateurs, agissant efficacement comme le point d'entrée du trafic pour un réseau décentralisé, occupant ainsi la position de capture de valeur la plus élevée dans l'ensemble de la pile de gestion des ressources informatiques.
• De même, la création d'une plateforme d'agrégation est la tâche la plus difficile. Un projet doit aborder de manière exhaustive la complexité technique, la gestion des ressources hétérogènes, la fiabilité et la capacité du système, la réalisation de l'effet réseau, la sécurité et la protection de la vie privée, ainsi que les problèmes complexes de gestion opérationnelle. Ces défis ne sont pas favorables au démarrage d'un projet et dépendent de la situation de développement et du timing du secteur. Il est irréaliste de travailler sur la couche d'agrégation avant que la couche d'orchestration n'ait atteint sa maturité et capturé une part de marché significative.
• Actuellement, Aethir, Render Network, Akash Network et Gensyn appartiennent à la couche d'orchestration. Ils visent à fournir des services pour des cibles spécifiques et des groupes de clients. Le principal domaine d'activité d'Aethir est le rendu en temps réel pour les jeux en nuage et la fourniture de certains environnements de développement et déploiement ainsi que des outils pour les clients de la face B; le principal domaine d'activité de Render Network est le rendu vidéo; la mission d'Akash Network est de fournir une plateforme de marché similaire à Taobao; et Gensyn se concentre profondément sur le domaine de la formation en IA. IO.net se positionne comme une couche d'agrégation, mais sa fonctionnalité actuelle est encore quelque peu éloignée de celle d'une couche d'agrégation complète. Bien qu'il ait collecté du matériel de Render Network et de Filecoin, l'abstraction et l'intégration des ressources matérielles ne sont pas encore complètes.

2.3 Installations matérielles

• Actuellement, tous les projets n'ont pas divulgué de données réseau détaillées. En comparaison, l'interface utilisateur de l'explorateur de io.net est la meilleure, affichant des paramètres tels que la quantité, les types, les prix, la distribution, l'utilisation du réseau et les revenus des nœuds GPU/CPU. Cependant, fin avril, le frontend de io.net a été attaqué en raison du manque d'authentification pour les interfaces PUT/POST, ce qui a conduit à ce que les hackers altèrent les données du frontend. Cet incident a soulevé des préoccupations quant à la confidentialité et à la fiabilité des données réseau pour d'autres projets également.
• En termes de quantité et de modèles de GPU, io.net, en tant que couche d'agrégation, devrait logiquement disposer du matériel le plus important. Aethir suit de près, tandis que l'état du matériel des autres projets est moins transparent. io.net dispose d'une grande variété de GPU, y compris des GPU de qualité professionnelle comme l'A100 et des GPU grand public comme le 4090, ce qui correspond à la position d'agrégation de io.net. Cela permet à io de sélectionner le GPU le plus adapté en fonction des exigences spécifiques de la tâche. Cependant, différents modèles et marques de GPU peuvent nécessiter différents pilotes et configurations, et le logiciel nécessite également une optimisation complexe, ce qui augmente la complexité de la gestion et de la maintenance. Actuellement, l'allocation des tâches de io repose principalement sur la sélection par l'utilisateur.
• Aethir a lancé sa propre machine minière, et en mai, Aethir Edge, soutenu par Qualcomm, a été officiellement lancé. Cela se détache du déploiement de grappe GPU centralisée unique loin des utilisateurs, déployant la puissance de calcul sur le bord. Aethir Edge, combiné à la puissance de calcul du cluster H100, sert à des scénarios d'IA, en déployant des modèles entraînés pour fournir des services de calcul d'inférence à des coûts optimaux. Cette solution est plus proche des utilisateurs, plus rapide dans le service et offre une efficacité accrue en termes de coûts.
• D'un point de vue de l'offre et de la demande, prenons l'exemple du réseau Akash, ses statistiques montrent un nombre total de CPU d'environ 16k et 378 GPU. En fonction de la demande de location du réseau, les taux d'utilisation des CPU et des GPU sont respectivement de 11,1% et 19,3%. Seul le GPU de qualité professionnelle H100 a un taux de location relativement élevé, tandis que la plupart des autres modèles restent inactifs. Cette situation est généralement similaire sur d'autres réseaux, avec une demande globale de réseau faible et la plupart de la puissance de calcul, à l'exception des puces populaires comme l'A100 et le H100, restant inutilisée.
• En termes d'avantage de prix, par rapport aux fournisseurs de services traditionnels, l'avantage coût n'est pas significatif sauf contre les géants du marché de l'informatique en nuage.

2.4 Performance financière

• Peu importe comment le modèle de jeton est conçu, une économie de jeton saine doit répondre aux conditions de base suivantes : 1) La demande des utilisateurs pour le réseau doit se refléter dans le prix du jeton, ce qui signifie que le jeton peut capturer de la valeur ; 2) Tous les participants, qu'il s'agisse de développeurs, de nœuds ou d'utilisateurs, doivent recevoir des incitations à long terme et équitables ; 3) Assurer une gouvernance décentralisée et éviter une détention excessive par les initiés ; 4) Mécanismes raisonnables d'inflation et de déflation et calendriers de libération de jetons pour éviter une volatilité significative des prix affectant la stabilité et la durabilité du réseau.
• Si nous classons largement les modèles de jetons en BME (équilibre de combustion et de frappe) et SFA (mise en jeu pour accéder), la pression déflationniste de ces deux modèles provient de sources différentes: dans le modèle BME, les jetons sont brûlés après que les utilisateurs ont acheté des services, donc la pression déflationniste du système est déterminée par la demande. Dans le modèle SFA, les fournisseurs de services / noeuds doivent miser des jetons pour obtenir la qualification pour fournir des services, de sorte que la pression déflationniste est apportée par l'offre. L'avantage de BME est qu'il est plus adapté aux biens non standardisés. Cependant, si la demande du réseau est insuffisante, il peut faire face à une pression inflationniste continue. Les modèles de jetons de différents projets diffèrent dans les détails, mais en général, Aethir penche davantage vers SFA, tandis que io.net, Render Network et Akash Network penchent davantage vers BME. Le modèle de Gensyn est encore inconnu.
• En termes de revenus, la demande du réseau se reflétera directement dans le revenu global du réseau (à l'exclusion des revenus des mineurs, car les mineurs reçoivent des récompenses pour avoir accompli des tâches et des subventions de la part des projets). Selon les données disponibles publiquement, io.net a la plus grande valeur. Bien que le revenu d'Aethir n'ait pas encore été divulgué, des informations publiques indiquent qu'ils ont annoncé la conclusion de contrats avec de nombreux clients de type B.
• En ce qui concerne les prix des jetons, seuls Render Network et Akash Network ont jusqu'à présent mené des ICO. Aethir et io.net ont également récemment émis des jetons, mais leurs performances en termes de prix doivent être davantage observées et ne seront pas discutées en détail ici. Les plans de Gensyn sont encore flous. Parmi les deux projets qui ont émis des jetons et les autres projets du même secteur dont il n'est pas question ici, les réseaux de puissance de calcul décentralisée ont montré des performances en termes de prix très impressionnantes, ce qui reflète le potentiel de marché significatif et les attentes élevées de la communauté dans une certaine mesure.

2.5 Résumé

• Le secteur du réseau de puissance de calcul décentralisé se développe rapidement, avec de nombreux projets déjà capables de servir les clients grâce à leurs produits et de générer des revenus. Le secteur est passé au-delà de la simple narration et a entamé une phase où des services préliminaires peuvent être fournis.
• Un problème courant rencontré par les réseaux de puissance de calcul décentralisés est une demande faible, avec des besoins à long terme des clients qui ne sont pas bien validés et explorés. Cependant, les défis du côté de la demande n'ont pas eu un impact significatif sur les prix des jetons, car les rares projets qui ont émis des jetons ont montré des performances impressionnantes.
• L'IA est le principal récit des réseaux de puissance de calcul décentralisés, mais ce n'est pas la seule application. En plus de la formation et de l'inférence de l'IA, la puissance de calcul peut également être utilisée pour le rendu en temps réel dans les jeux en nuage, les services mobiles en nuage, et plus encore.
• Le matériel dans les réseaux de puissance de calcul est très hétérogène, et la qualité et l'échelle de ces réseaux doivent être améliorées. Pour les utilisateurs finaux C, l'avantage de coût n'est pas très significatif. Pour les utilisateurs finaux B, en plus des économies de coûts, des facteurs tels que la stabilité du service, la fiabilité, le support technique, la conformité et le soutien juridique doivent également être pris en compte. Les projets Web3 ne sont généralement pas performants dans ces domaines.

3 Closing Thoughts

La croissance exponentielle de l'IA a indéniablement conduit à une demande massive de puissance de calcul. Depuis 2012, la puissance de calcul utilisée dans les tâches d'apprentissage de l'IA augmente de manière exponentielle, doublant environ tous les 3,5 mois (en comparaison, la loi de Moore prévoit un doublement tous les 18 mois). Depuis 2012, la demande de puissance de calcul a augmenté de plus de 300 000 fois, dépassant largement l'augmentation de 12 fois prévue par la loi de Moore. Les prévisions prévoient que le marché des GPU augmentera à un taux de croissance annuel composé de 32% au cours des cinq prochaines années, atteignant plus de 200 milliards de dollars. Les estimations d'AMD sont encore plus élevées, la société prévoyant que le marché des puces GPU atteindra 400 milliards de dollars d'ici 2027.

Source de l'image : https://www.stateof.ai/

La croissance explosive de l'intelligence artificielle et d'autres charges de travail intensives en calcul, telles que le rendu AR/VR, a mis en évidence les inefficacités structurelles des marchés traditionnels de l'informatique en nuage et de l'informatique de pointe. En théorie, les réseaux de puissance de calcul décentralisés peuvent exploiter les ressources de calcul inutilisées réparties pour fournir des solutions plus flexibles, rentables et efficaces afin de répondre à la demande massive de ressources de calcul.

Ainsi, la combinaison de la crypto et de l'IA a un énorme potentiel de marché mais fait également face à une concurrence intense avec les entreprises traditionnelles, des barrières à l'entrée élevées et un environnement de marché complexe. Dans l'ensemble, parmi tous les secteurs de la crypto, les réseaux de puissance de calcul décentralisés sont l'une des verticales les plus prometteuses dans le domaine de la crypto pour répondre à la demande réelle.

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

L'avenir est prometteur, mais la route est difficile. Pour atteindre la vision susmentionnée, nous devons résoudre de nombreux problèmes et défis. En résumé, à cette étape, fournir simplement des services cloud traditionnels entraîne une faible marge bénéficiaire pour les projets.

Du côté de la demande, les grandes entreprises construisent généralement leur propre puissance de calcul, tandis que la plupart des développeurs individuels choisissent des services cloud établis. Il reste à explorer et à vérifier si les petites et moyennes entreprises, les véritables utilisateurs des ressources de réseau de puissance de calcul décentralisée, auront une demande stable.

D'autre part, l'IA est un marché vaste avec un potentiel et une imagination extrêmement élevés. Pour exploiter ce marché plus large, les futurs fournisseurs de services de puissance de calcul décentralisée devront passer à des modèles et services d'IA, explorer davantage de cas d'utilisation de crypto + IA et développer la valeur que leurs projets peuvent créer. Cependant, à l'heure actuelle, de nombreux problèmes et défis restent à résoudre avant de pouvoir progresser davantage dans le domaine de l'IA:

• Avantage de prix non saillant : La comparaison des données précédentes révèle que les réseaux de puissance de calcul décentralisée ne présentent pas d'avantages de coûts significatifs. Cela peut être dû au fait que les mécanismes du marché dictent que des puces spécialisées à forte demande telles que H100 et A100 ne sont pas bon marché. De plus, le manque d'économies d'échelle de la décentralisation, les coûts élevés de réseau et de bande passante, et la complexité significative de la gestion et des opérations ajoutent des coûts cachés qui augmentent encore les coûts de calcul.
• Des défis spécifiques dans la formation de l'IA : La réalisation de la formation de l'IA de manière décentralisée rencontre actuellement d'importants goulots d'étranglement techniques. Ces goulots d'étranglement sont visuellement évidents dans le flux de travail du GPU : lors de la formation de grands modèles de langage, les GPU reçoivent d'abord des lots de données prétraitées pour la propagation avant et arrière afin de calculer les gradients. Les GPU agrègent ensuite les gradients et mettent à jour les paramètres du modèle pour assurer la synchronisation. Ce processus itératif se poursuit jusqu'à ce que tous les lots soient formés ou qu'un nombre spécifié d'époques soit atteint. Il implique un transfert de données et une synchronisation étendus. Des questions telles que les stratégies de parallélisme et de synchronisation à utiliser, comment optimiser la bande passante et la latence du réseau, et comment réduire les coûts de communication restent largement non résolues. Actuellement, l'utilisation de réseaux de puissance de calcul décentralisés pour la formation de l'IA est impraticable.
• Préoccupations concernant la sécurité et la confidentialité des données : Dans le processus de formation des grands modèles de langage, chaque étape impliquant la manipulation et la transmission des données, comme l'allocation des données, la formation du modèle, et l'agrégation des paramètres et des gradients, peut potentiellement affecter la sécurité et la confidentialité des données. Les préoccupations concernant la confidentialité sont particulièrement critiques dans les modèles impliquant des données sensibles. Sans résoudre les problèmes de confidentialité des données, l'extension du côté de la demande n'est pas réalisable.

D'un point de vue pragmatique, un réseau de puissance de calcul décentralisée doit équilibrer l'exploration de la demande actuelle avec les opportunités futures du marché. Il est crucial d'identifier une position produit claire et un public cible. En se concentrant initialement sur des projets non-AI ou Web3 natifs, répondant à des demandes relativement de niche, peut aider à établir une base d'utilisateurs précoce. Parallèlement, l'exploration continue de différents scénarios où l'IA et la crypto se rejoignent est essentielle. Cela implique d'explorer les frontières technologiques et de mettre à niveau les services pour répondre aux besoins en constante évolution. En alignant stratégiquement les offres de produits sur les demandes du marché et en restant à la pointe des avancées technologiques, les réseaux de puissance de calcul décentralisée peuvent se positionner efficacement pour une croissance durable et une pertinence sur le marché.

Références

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

Déclaration :

1. Cet article est reproduit à partir de [Youbi Capital], les droits d'auteur appartiennent à l'auteur original [ Youbi], if you have any objections to the reprint, please contact thePorte d’apprentissagel'équipe, et l'équipe s'en occupera dès que possible selon les procédures pertinentes.

2. Avertissement : Les points de vue et opinions exprimés dans cet article ne représentent que les points de vue personnels de l'auteur et ne constituent en aucun cas des conseils en matière d'investissement.

3. Les autres versions linguistiques de l'article sont traduites par l'équipe Gate Learn et ne sont pas mentionnées dansGate.io, l'article traduit ne peut être reproduit, distribué ou plagié.