1 Пересечение искусственного интеллекта и крипто

23 мая чиповый гигант NVIDIA опубликовал финансовый отчет за первый квартал 2025 финансового года. Отчет показал, что выручка NVIDIA в первом квартале составила $26 млрд. Среди них выручка центров обработки данных увеличилась на ошеломляющие 427% по сравнению с прошлым годом и достигла 22,6 миллиарда долларов. Способность NVIDIA в одиночку повышать финансовые показатели фондового рынка США отражает взрывной спрос на вычислительные мощности среди глобальных технологических компаний, конкурирующих на арене ИИ. Чем больше ведущих технологических компаний расширяют свои амбиции в гонке ИИ, тем больше их экспоненциально растущий спрос на вычислительные мощности. Согласно прогнозу TrendForce, ожидается, что к 2024 году спрос на высокопроизводительные ИИ-серверы со стороны четырех крупнейших поставщиков облачных услуг США — Microsoft, Google, AWS и Meta — в совокупности составит более 60% мирового спроса, при этом доля составит 20,2%, 16,6%, 16% и 10,8% соответственно.

Источник изображения: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

В последние годы «нехватка чипов» постоянно становится ежегодным модным словом. С одной стороны, большие языковые модели (LLM) требуют значительных вычислительных мощностей для обучения и логического вывода. По мере итерации моделей затраты и спрос на вычислительную мощность растут экспоненциально. С другой стороны, крупные компании, такие как Meta, закупают огромное количество чипов, в результате чего глобальные вычислительные ресурсы склоняются в сторону этих технологических гигантов, что делает все более трудным для малых предприятий получение необходимых вычислительных ресурсов. Проблемы, с которыми сталкиваются малые предприятия, связаны не только с дефицитом чипов из-за стремительного роста спроса, но и со структурными противоречиями в предложении. В настоящее время все еще существует большое количество простаивающих графических процессоров на стороне предложения; Например, некоторые дата-центры имеют большое количество простаивающих вычислительных мощностей (с коэффициентом использования от 12% до 18%), а значительные вычислительные ресурсы также простаивают при зашифрованном майнинге из-за снижения прибыльности. Хотя не вся эта вычислительная мощность подходит для специализированных приложений, таких как обучение ИИ, аппаратное обеспечение потребительского класса все же может играть значительную роль в других областях, таких как инференс ИИ, облачный игровой рендеринг, облачные телефоны и т. д. Возможности интеграции и использования этих вычислительных ресурсов огромны.

Сместив фокус с искусственного интеллекта на криптовалюту, после трехлетнего молчания на криптовалютном рынке наконец-то появился еще один бычий рынок. Цены на биткоин неоднократно достигали новых максимумов, а различные мем-монеты продолжают появляться. Несмотря на то, что в последние годы ИИ и криптовалюта стали модными словами, искусственный интеллект и блокчейн как две важные технологии кажутся параллельными линиями, которым еще предстоит найти «пересечение». Ранее в этом году Виталик опубликовал статью под названием «Перспективы и проблемы приложений крипто + ИИ», в которой обсуждались будущие сценарии, в которых ИИ и криптовалюта сближаются. Виталик изложил в статье множество концепций, в том числе использование блокчейна и технологий шифрования MPC (многосторонние вычисления) для децентрализованного обучения и вывода ИИ, что, среди прочего, может открыть черный ящик машинного обучения и сделать модели ИИ более надежными. Несмотря на то, что реализация этих концепций потребует значительных усилий, один из вариантов использования, упомянутый Виталиком, — расширение возможностей ИИ с помощью криптоэкономических стимулов — является важным направлением, которое может быть достигнуто в краткосрочной перспективе. Децентрализованные вычислительные сети в настоящее время являются одним из наиболее подходящих сценариев для интеграции AI + криптографии.

2 Вычислительная мощность децентрализованной сети

В настоящее время существует множество проектов, развивающихся в пространстве децентрализованной вычислительной мощности. Основная логика этих проектов схожа и может быть суммирована следующим образом: использование токенов для стимулирования провайдеров вычислительной мощности участвовать в сети и предоставлять свои вычислительные ресурсы. Эти разрозненные вычислительные ресурсы могут агрегироваться в децентрализованные сети вычислительной мощности значительного масштаба. Такой подход не только повышает использование простаивающей вычислительной мощности, но и удовлетворяет потребности клиентов в вычислениях по более низким затратам, достигая ситуации выигрыша для покупателей и продавцов.

Для того, чтобы предоставить читателям всестороннее понимание этого сектора в кратчайшие сроки, в данной статье будут деконструированы конкретные проекты и весь сектор с микро- и макроперспектив. Целью является предоставление аналитических идей для понимания основных конкурентных преимуществ каждого проекта и общего развития сектора децентрализованной вычислительной мощности. Автор представит и проанализирует пять проектов: Aethir, io.net, Render Network, Akash Network и Gensyn, а также подведет итоги и оценит их ситуацию и развитие сектора.

В терминах аналитической рамки, сосредотачивая внимание на конкретной децентрализованной сети вычислительной мощности, мы можем разбить ее на четыре основных компонента:

• Аппаратная сеть: Интеграция разрозненных вычислительных ресурсов через узлы, распределенные по всему миру для облегчения совместного использования ресурсов и балансировки нагрузки, является базовым уровнем децентрализованных сетей вычислительной мощности.
• Двусторонний рынок: Сопоставление поставщиков вычислительной мощности с потребителями с помощью эффективных механизмов ценообразования и обнаружения, обеспечение безопасной торговой платформы, гарантирующей прозрачные, справедливые и надежные сделки для обеих сторон.
• Механизм консенсуса: Обеспечение правильной работы узлов в сети и выполнение задач. Механизм консенсуса контролирует два аспекта: 1) Время работы узла, чтобы гарантировать, что они активны и готовы принимать задачи в любое время. 2) Доказательство завершения задачи: Узлы эффективно и правильно выполняют задачи без отклонения вычислительной мощности на другие цели, занимая процессы и потоки.
• Инцентивы токенов: Модели токенов стимулируют больше участников предоставлять/использовать услуги, захватывая сетевые эффекты с помощью токенов для облегчения распределения выгоды в сообществе.

С обзорной точки зрения сектора децентрализованной вычислительной мощности исследование Blockworks предоставляет прочную аналитическую основу, которая классифицирует проекты на три отдельных уровня.

• Слой Bare Metal: формирует базовый уровень децентрализованного стека вычислений, отвечает за агрегацию сырых вычислительных ресурсов и их доступность через вызовы API.
• Оркестрационный слой: Составляет средний уровень децентрализованного стека вычислительных мощностей, в основном сосредоточенный на координации и абстракции. Он обрабатывает такие задачи, как планирование, масштабирование, операции, балансировка нагрузки и устойчивость к сбоям вычислительной мощности. Его основная роль состоит в «абстрагировании» сложности управления базовым оборудованием, предоставляя более продвинутый пользовательский интерфейс, настроенный под конкретные потребности клиента.
• Слой агрегации: формирует верхний слой децентрализованного стека вычислений, в основном отвечает за интеграцию. Он предоставляет единый интерфейс для пользователей для выполнения различных вычислительных задач в одном месте, таких как обучение ИИ, рендеринг, zkML и многих других. Этот слой действует как слой оркестрации и распределения для нескольких децентрализованных вычислительных сервисов.

Источник изображения: Youbi Capital

Основываясь на двух предоставленных аналитических фреймворках, мы проведем сравнительный анализ пяти выбранных проектов по четырем измерениям: основной бизнес, позиционирование на рынке, аппаратные средства и финансовые показатели.

2.1 Основной бизнес

С точки зрения основ, децентрализованные сети вычислительной мощности являются высоко гомогенными, используя токены для стимулирования поставщиков простоя вычислительной мощности для предоставления своих услуг. Основываясь на этой основной логике, мы можем понимать основные различия в бизнесе между проектами с трех точек зрения:

• Источник простаивающей вычислительной мощности
  • Источники неиспользуемой вычислительной мощности на рынке в основном поступают из двух основных категорий: 1) центров обработки данных, компаний по добыче криптовалюты и других предприятий; и 2) отдельных пользователей. Центры обработки данных обычно обладают профессиональным оборудованием, тогда как отдельные пользователи обычно покупают чипы для потребителей.
  • Aethir, сеть Akash и Gensyn в основном собирают вычислительную мощность от предприятий. Преимущества использования ресурсов предприятий включают: 1) более высокое качество аппаратного обеспечения и профессиональные команды по обслуживанию, что приводит к повышенной производительности и надежности вычислительных ресурсов; 2) более однородное и централизованное управление вычислительными ресурсами в предприятиях и центрах обработки данных, что приводит к более эффективному планированию и обслуживанию. Однако этот подход требует более высоких требований со стороны проектных команд, что требует деловых отношений с предприятиями, управляющими вычислительной мощностью. Кроме того, масштабируемость и децентрализация могут быть отчасти скомпрометированы.
  • Render Network и io.net стимулируют отдельных пользователей предоставлять свои простаивающие вычислительные мощности. К преимуществам привлечения частных лиц относятся: 1) более низкие явные затраты на простаивающие вычислительные мощности у частных лиц, обеспечивающие более экономичные вычислительные ресурсы; 2) Более высокая масштабируемость и децентрализация сети, повышение отказоустойчивости и надежности системы. Однако к недостаткам можно отнести широкое и неоднородное распределение ресурсов между отдельными лицами, что усложняет управление и планирование, увеличивая операционные проблемы. Более того, полагаться на отдельные вычислительные мощности для инициирования сетевых эффектов может быть сложнее. Наконец, устройства, принадлежащие частным лицам, могут представлять большую угрозу безопасности, что может привести к утечке данных и неправильному использованию вычислительной мощности.
• Потребитель вычислительной мощности
  • С точки зрения потребителей вычислительной мощности, Aethir, io.net и Gensyn в первую очередь нацелены на предприятия. Для бизнес-клиентов, например, тех, которым требуется искусственный интеллект и игровой рендеринг в реальном времени, существует высокий спрос на высокопроизводительные вычислительные ресурсы, обычно требующие высокопроизводительных графических процессоров или оборудования профессионального уровня. Кроме того, клиенты B-end предъявляют высокие требования к стабильности и надежности вычислительных ресурсов, что обуславливает необходимость заключения высококачественных соглашений об уровне обслуживания для обеспечения бесперебойной работы проекта и своевременной технической поддержки. Кроме того, затраты на миграцию для B-end клиентов значительны. Если в децентрализованных сетях отсутствуют зрелые SDK для быстрого развертывания проектов (например, Akash Network требует от пользователей разработки на основе удаленных портов), становится сложно убедить клиентов мигрировать. Если нет значительного ценового преимущества, готовность клиентов к миграции остается низкой.
  • Render Network и Akash Network в первую очередь обслуживают отдельных пользователей для предоставления вычислительной мощности. Обслуживание конечных потребителей требует, чтобы проекты разрабатывали простые и удобные интерфейсы и инструменты для обеспечения позитивного опыта потребителя. Кроме того, потребители очень чувствительны к ценам, что требует от проектов конкурентоспособных ценовых стратегий.
• Тип аппаратного обеспечения
  • Общие вычислительные аппаратные ресурсы включают ЦП, ППГП, ГПУ, ASIC и SoC. Эти типы оборудования имеют значительные различия в целях проектирования, характеристиках производительности и областях применения. В общем, ЦП отлично справляются с общими вычислительными задачами, ППГП имеют преимущества для высокопараллельной обработки и программируемости, ГПУ хорошо справляются с параллельными вычислениями, ASIC наиболее эффективны для выполнения конкретных задач, а SoC интегрируют несколько функций в одну единицу, подходящую для высокоинтегрированных приложений. Выбор оборудования зависит от конкретных потребностей приложения, требований к производительности и учета затрат.
  • Обсуждаемые нами проекты децентрализованных вычислительных мощностей в основном собирают вычислительную мощность GPU, которая определяется типом проекта и характеристиками GPU. Графические процессоры обладают уникальными преимуществами в обучении ИИ, параллельных вычислениях, рендеринге мультимедиа и т. д. Хотя эти проекты в основном включают интеграцию с GPU, разные приложения имеют разные аппаратные спецификации и требования, что приводит к неоднородным ядрам и параметрам оптимизации. Эти параметры включают параллелизм/последовательные зависимости, память, задержку и т. д. Например, рабочие нагрузки рендеринга на самом деле больше подходят для графических процессоров потребительского класса, чем для высокопроизводительных графических процессоров центров обработки данных, поскольку рендеринг требует высоких требований к таким задачам, как трассировка лучей. Чипы потребительского класса, такие как 4090s, оснащены ядрами RT, специально оптимизированными для задач трассировки лучей. Для обучения и инференса ИИ требуются графические процессоры профессионального уровня. Таким образом, Render Network может агрегировать графические процессоры потребительского класса, такие как RTX 3090 и 4090, от отдельных пользователей, в то время как IO.NET требует большего количества графических процессоров H100, A100 и других графических процессоров профессионального уровня для удовлетворения потребностей стартапов в области искусственного интеллекта.

2.2 Позиционирование на рынке

С точки зрения позиционирования проекта, ключевые вопросы, которые нужно решать, фокус оптимизации и возможности захвата ценности отличаются для слоя голого металла, слоя оркестрации и слоя агрегации.

• Слой нативного металла фокусируется на сборе и использовании физических ресурсов. Слой оркестрации занимается планированием и оптимизацией вычислительной мощности, разработкой оптимальной конфигурации физического оборудования в соответствии с потребностями клиентов. Слой агрегации является универсальным и фокусируется на интеграции и абстракции различных ресурсов.
• С точки зрения цепочки ценности, каждый проект должен начинаться с уровня "голого металла" и стремиться подниматься вверх. В терминах захвата ценности способность прогрессивно увеличивается от уровня "голого металла" до уровня оркестрации и, наконец, до уровня агрегации. Уровень агрегации может захватывать наибольшую ценность, потому что платформа агрегации может достичь наибольших сетевых эффектов и напрямую достигнуть наибольшего числа пользователей, эффективно действуя как точка входа в трафик для децентрализованной сети, занимая таким образом самую высокооплачиваемую позицию захвата ценности во всей структуре управления вычислительными ресурсами.
• Соответственно, создание агрегационной платформы является наиболее сложной задачей. Проект должен всесторонне решать техническую сложность, управление гетерогенными ресурсами, надежность и масштабируемость системы, реализацию сетевого эффекта, защиту безопасности и конфиденциальности, а также сложные вопросы операционного управления. Эти вызовы неблагоприятны для холодного старта проекта и зависят от ситуации развития и времени сектора. Нереалистично работать на уровне агрегации до тех пор, пока уровень оркестрации не достигнет зрелости и не захватит значительную долю рынка.
• В настоящее время к оркестровому слою относятся Aethir, Render Network, Akash Network и Gensyn. Они стремятся предоставлять услуги для конкретных целевых групп и клиентов. Основным бизнесом Aethir является рендеринг в реальном времени для облачных игр, а также предоставление определенных сред и инструментов для разработки и развертывания для клиентов B-конца. Основным бизнесом Render Network является видео-рендеринг. Миссия Akash Network состоит в том, чтобы предоставить платформу-маркетплейс, аналогичную Taobao. Gensyn глубоко фокусируется на области обучения искусственного интеллекта. IO.net позиционируется как слой агрегации, но его текущая функциональность все еще находится на некотором расстоянии от полноценного слоя агрегации. Несмотря на то, что он собрал оборудование от Render Network и Filecoin, абстракция и интеграция аппаратных ресурсов еще не завершены.

2.3 Аппаратные средства

• В настоящее время не все проекты раскрывают подробные данные о сети. В сравнении, интерфейс исследователя io.net является лучшим, отображая параметры, такие как количество, типы, цены, распределение, использование сети и доход узла GPU/CPU. Однако в конце апреля интерфейс io.net был атакован из-за отсутствия аутентификации для интерфейсов PUT/POST, что привело к вмешательству хакеров в данные интерфейса. Этот инцидент вызвал беспокойство о конфиденциальности и надежности сетевых данных для других проектов.
• Что касается количества и моделей GPU, io.net, будучи агрегационным уровнем, логически должен иметь наибольшее количество оборудования. Aethir следует за ним, в то время как статус оборудования других проектов менее прозрачен. У io.net есть широкий выбор GPU, включая профессиональные GPU, такие как A100, и графические GPU, такие как 4090, соответствуя позиционированию агрегации io.net. Это позволяет io выбирать наиболее подходящий GPU в соответствии с конкретными требованиями задачи. Однако различные модели и бренды GPU могут требовать различных драйверов и конфигураций, а также программное обеспечение также требует сложной оптимизации, увеличивая сложность управления и обслуживания. В настоящее время распределение задач в io в основном зависит от самовыбора пользователя.
• Aethir выпустил собственный майнинговый компьютер, и в мае был официально запущен Aethir Edge, поддерживаемый Qualcomm. Это отходит от одиночного централизованного развертывания кластера GPU далеко от пользователей, развертывая вычислительную мощность на краю. Aethir Edge, в сочетании с вычислительной мощностью кластера H100, обслуживает сценарии искусственного интеллекта, развертывая обученные модели для предоставления услуг вывода вычислений по оптимальным затратам. Это решение ближе к пользователям, быстрее в обслуживании и предлагает более высокую эффективность затрат.
• С точки зрения спроса и предложения, на примере сети Akash Network можно заметить, что общее количество процессоров составляет около 16 тыс., а графических процессоров - 378. Исходя из спроса на аренду сети, коэффициент использования процессоров и графических процессоров составляет 11,1% и 19,3% соответственно. Только профессиональный графический процессор H100 имеет относительно высокий уровень аренды, в то время как большинство других моделей остаются неиспользуемыми. Эта ситуация в целом характерна для других сетей, с низким общим спросом на сеть и большинство вычислительной мощности, за исключением популярных чипов, таких как A100 и H100, остаются неиспользуемыми.
• В терминах ценового преимущества по сравнению с традиционными поставщиками услуг, преимущество по стоимости не является значительным, за исключением гигантов рынка облачных вычислений.

2.4 Финансовая производительность

• Независимо от того, как разработана модель токена, здоровая токеномика должна соответствовать следующим базовым условиям: 1) Пользовательский спрос на сеть должен отражаться в цене токена, то есть токен может захватывать ценность; 2) Все участники, будь то разработчики, узлы или пользователи, должны получать долгосрочные и справедливые стимулы; 3) Обеспечение децентрализованного управления и предотвращение чрезмерного удержания внутренними лицами; 4) Разумные механизмы инфляции и дефляции, расписание выпуска токенов, чтобы избежать значительных колебаний цены, влияющих на стабильность и устойчивость сети.
• Если мы широко классифицируем модели токенов на BME (равновесие сжигания и выпуска) и SFA (стейкинг для доступа), то дефляционное давление этих двух моделей исходит из разных источников: в модели BME токены сжигаются после покупки услуг пользователями, поэтому дефляционное давление системы определяется спросом. В модели SFA поставщики услуг / узлы должны ставить токены, чтобы получить квалификацию для предоставления услуг, поэтому дефляционное давление обусловлено предложением. Преимущество BME заключается в том, что оно более подходит для нестандартных товаров. Однако, если сетевой спрос недостаточен, он может столкнуться с продолжающимся инфляционным давлением. Модели токенов различных проектов различаются в деталях, но в общем, Aethir склоняется больше к SFA, в то время как io.net, Render Network и Akash Network склоняются больше к BME. Модель Gensyn пока неизвестна.
• С точки зрения доходов, спрос на сеть будет непосредственно отражаться на общем доходе сети (за исключением доходов майнеров, так как майнеры получают вознаграждение за выполнение задач и субсидии от проектов). Согласно общедоступным данным, у io.net самая высокая стоимость. Хотя доходы Aethir пока не были раскрыты, общедоступная информация указывает, что они объявили о заключении заказов с многими клиентами типа B.
• Что касается цен токенов, пока что только Render Network и Akash Network провели ICO. Aethir и io.net также недавно выпустили токены, но их ценовая динамика требует дальнейшего наблюдения и не будет здесь подробно обсуждаться. Планы Gensyn до сих пор неясны. Из двух проектов, выпустивших токены, и других проектов в том же секторе, не обсуждаемых здесь, децентрализованные сети вычислительной мощности продемонстрировали очень впечатляющую динамику цен, отражающую значительный потенциал рынка и высокие ожидания сообщества в определенной степени.

2.5 Резюме

• Сектор децентрализованной вычислительной мощности развивается быстро, и уже многие проекты способны обслуживать клиентов с помощью своих продуктов и приносить некоторый доход. Сектор вышел за пределы чисто рассказывающей характеристики и перешел в фазу, когда можно предоставлять предварительные услуги.
• Одной из распространенных проблем, с которыми сталкиваются децентрализованные сети вычислительной мощности, является слабый спрос, поскольку долгосрочные потребности клиентов не получили должного подтверждения и исследования. Тем не менее, проблемы со спросом не оказали значительного влияния на цены токенов, поскольку некоторые проекты, выпустившие токены, продемонстрировали впечатляющую производительность.
• Искусственный интеллект является основным направлением в децентрализованных сетях вычислительной мощности, но это не единственное применение. Помимо обучения и вывода искусственного интеллекта, вычислительную мощность можно использовать для реального времени рендеринга в облачных играх, облачных мобильных сервисах и многом другом.
• Аппаратное обеспечение в сетях вычислительной мощности является высоко гетерогенным, и качество и масштаб этих сетей требуют дальнейшего улучшения. Для конечных пользователей преимущество в стоимости не является очень значительным. Для корпоративных пользователей, помимо экономии затрат, также необходимо учитывать факторы, такие как стабильность обслуживания, надежность, техническая поддержка, соответствие требованиям и законодательная поддержка. Проекты Web3 обычно не проявляют себя хорошо в этих областях.

3 Заключительные мысли

Экспоненциальный рост в области искусственного интеллекта неоспоримо привел к огромному спросу на вычислительную мощность. С 2012 года вычислительная мощность, используемая в задачах обучения искусственного интеллекта, экспоненциально росла, удваиваясь примерно каждые 3,5 месяца (в сравнении законом Мура, который предсказывает удвоение каждые 18 месяцев). С 2012 года спрос на вычислительную мощность увеличился более чем в 300 000 раз, что значительно превышает предсказанное законом Мура удвоение в 12 раз. Прогнозы предсказывают, что рынок графических процессоров будет расти с темпом годового составного роста 32% в течение следующих пяти лет и достигнет более 200 миллиардов долларов. Оценки AMD еще выше, с компанией, предсказывающей, что рынок микросхем графических процессоров достигнет 400 миллиардов долларов к 2027 году.

Источник изображения: https://www.stateof.ai/

Взрывной рост искусственного интеллекта и других вычислительно интенсивных рабочих нагрузок, таких как визуализация AR/VR, выявил структурные неэффективности в традиционном облачном вычислении и ведущих рынках вычислений. В теории децентрализованные сети вычислительной мощности могут использовать распределенные неиспользуемые вычислительные ресурсы для предоставления более гибких, экономичных и эффективных решений, чтобы удовлетворить огромный спрос на вычислительные ресурсы.

Таким образом, сочетание крипто и ИИ имеет огромный рыночный потенциал, но также сталкивается с интенсивной конкуренцией со стороны традиционных предприятий, высокими барьерами входа и сложной рыночной средой. В целом, среди всех секторов крипто, децентрализованные сети вычислительной мощности являются одной из самых многообещающих вертикалей в крипто-сфере для удовлетворения реального спроса.

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

Будущее светлое, но дорога представляет собой непростой вызов. Для достижения упомянутой выше цели нам необходимо справиться с многочисленными проблемами и вызовами. В общем, на данном этапе предоставление традиционных облачных сервисов приводит к небольшой прибыльной марже для проектов.

Со стороны спроса крупные предприятия обычно создают собственную вычислительную мощность, в то время как большинство отдельных разработчиков предпочитают выбирать уже установленные облачные сервисы. Остается дальнейшее исследование и проверка, будет ли у стабильный спрос у малых и средних предприятий, действительных пользователей ресурсов децентрализованной сети вычислительной мощности.

С другой стороны, искусственный интеллект - это огромный рынок с чрезвычайно высоким потенциалом и воображением. Чтобы занять свою нишу на этом более широком рынке, будущим поставщикам децентрализованной вычислительной мощности потребуется перейти к моделям предложения и услуг искусственного интеллекта, исследовать больше случаев использования крипто + искусственный интеллект и расширять ценность, которую могут создавать их проекты. Однако на данный момент остается множество проблем и вызовов, которые необходимо решить перед дальнейшим развитием в области искусственного интеллекта:

• Преимущества цены не являются выдающимися: Сравнение предыдущих данных показывает, что децентрализованные сети вычислительной мощности не демонстрируют значительных экономических преимуществ. Это может быть связано с тем, что механизмы рынка диктуют, что высоко специализированные чипы, такие как H100 и A100, не продаются дешево. Кроме того, отсутствие экономии масштаба от децентрализации, высокие затраты на сеть и пропускную способность, а также значительная сложность управления и операций добавляют скрытые затраты, которые дополнительно увеличивают вычислительные затраты.
• Специфические проблемы обучения искусственного интеллекта: Проведение обучения искусственного интеллекта децентрализованным образом сталкивается с существенными техническими узкими местами в настоящее время. Эти узкие места визуально проявляются в рабочем процессе графических процессоров (GPU): во время обучения больших языковых моделей GPU сначала получают предварительно обработанные пакеты данных для прямого и обратного распространения, чтобы вычислить градиенты. Затем GPU агрегируют градиенты и обновляют параметры модели для обеспечения синхронизации. Этот итеративный процесс продолжается до тех пор, пока все пакеты не будут обучены или не будет достигнуто указанное количество эпох. Это включает обширную передачу данных и синхронизацию. Вопросы, такие как какие параллельные и синхронизационные стратегии использовать, как оптимизировать пропускную способность сети и задержку, и как уменьшить затраты на коммуникацию, остаются в значительной степени неразрешенными. В настоящее время использование децентрализованных сетей вычислительной мощности для обучения искусственного интеллекта является непрактичным.
• Проблемы безопасности данных и конфиденциальности: В процессе обучения больших языковых моделей каждый этап, связанный с обработкой и передачей данных — такие как выделение данных, обучение модели, агрегация параметров и градиентов — может потенциально повлиять на безопасность данных и конфиденциальность. Особенно критичны проблемы конфиденциальности в моделях, связанных с чувствительными данными. Без решения проблем конфиденциальности данных масштабирование со стороны спроса невозможно.

С прагматической точки зрения, децентрализованная вычислительная сеть должна сбалансировать текущее исследование спроса с будущими рыночными возможностями. Очень важно определить четкое позиционирование продукта и целевую аудиторию. Первоначальное сосредоточение внимания на проектах, не связанных с искусственным интеллектом или Web3, с учетом относительно нишевых потребностей, может помочь создать раннюю пользовательскую базу. В то же время необходимо непрерывное изучение различных сценариев, в которых сходятся ИИ и криптовалюта. Это включает в себя изучение технологических рубежей и модернизацию услуг для удовлетворения меняющихся потребностей. Стратегически согласовывая предложения продуктов с потребностями рынка и оставаясь на переднем крае технологических достижений, децентрализованные вычислительные сети могут эффективно позиционировать себя для устойчивого роста и востребованности на рынке.

Ссылки

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

Утверждение:

1. Эта статья воспроизводится из [Youbi Capital], авторские права принадлежат оригинальному автору [Юби], если у вас есть возражения к повторному изданию, пожалуйста, свяжитесь с Gate Learnкоманда, и команда обработает это как можно скорее в соответствии с соответствующими процедурами.

2. Отказ от ответственности: Мнения и взгляды, выраженные в этой статье, представляют только личные взгляды автора и не являются инвестиционным советом.

3. Другие языковые версии статьи переводятся командой Gate Learn и не упоминаются в Gate.ioПереведенная статья не может быть воспроизведена, распространена или использована в качестве плагиата.