1 จุดตัดของ AI และ Crypto

เมื่อวันที่ 23 พฤษภาคม NVIDIA ยักษ์ใหญ่ด้านชิปได้เผยแพร่รายงานทางการเงินไตรมาสแรกของปีงบประมาณ 2025 รายงานแสดงให้เห็นว่ารายได้ไตรมาสแรกของ NVIDIA อยู่ที่ 26 พันล้านดอลลาร์ ในหมู่พวกเขารายได้จากศูนย์ข้อมูลเพิ่มขึ้น 427% จากปีที่แล้วเป็น 22.6 พันล้านดอลลาร์ ความสามารถของ NVIDIA ในการเพิ่มประสิทธิภาพทางการเงินของตลาดหุ้นสหรัฐฯ สะท้อนให้เห็นถึงความต้องการพลังการประมวลผลที่พุ่งสูงขึ้นในหมู่บริษัทเทคโนโลยีระดับโลกที่แข่งขันกันในเวที AI ยิ่งบริษัทเทคโนโลยีชั้นนําขยายความทะเยอทะยานในการแข่งขัน AI มากเท่าใด ความต้องการพลังการประมวลผลที่เพิ่มขึ้นอย่างทวีคูณก็ยิ่งมากขึ้นเท่านั้น ตามการคาดการณ์ของ TrendForce ภายในปี 2024 ความต้องการเซิร์ฟเวอร์ AI ระดับไฮเอนด์จากผู้ให้บริการคลาวด์รายใหญ่สี่รายของสหรัฐฯ ได้แก่ Microsoft, Google, AWS และ Meta คาดว่าจะมีสัดส่วนรวมกันมากกว่า 60% ของความต้องการทั่วโลก โดยคาดการณ์ว่าหุ้นจะอยู่ที่ 20.2%, 16.6%, 16% และ 10.8% ตามลําดับ

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

"การขาดแคลนชิป" เป็นคําศัพท์ประจําปีอย่างต่อเนื่องในช่วงไม่กี่ปีที่ผ่านมา ในอีกด้านหนึ่งโมเดลภาษาขนาดใหญ่ (LLMs) ต้องการพลังการประมวลผลที่สําคัญสําหรับการฝึกอบรมและการอนุมาน เมื่อแบบจําลองทําซ้ําต้นทุนและความต้องการพลังการประมวลผลจะเพิ่มขึ้นอย่างทวีคูณ ในทางกลับกัน บริษัท ขนาดใหญ่เช่น Meta ซื้อชิปจํานวนมากทําให้ทรัพยากรการประมวลผลทั่วโลกเอียงไปทางยักษ์ใหญ่ด้านเทคโนโลยีเหล่านี้ทําให้องค์กรขนาดเล็กได้รับทรัพยากรการประมวลผลที่จําเป็นได้ยากขึ้น ความท้าทายที่องค์กรขนาดเล็กต้องเผชิญไม่เพียง แต่เกิดจากการขาดแคลนชิปเนื่องจากอุปสงค์ที่พุ่งสูงขึ้น แต่ยังมาจากความขัดแย้งทางโครงสร้างในอุปทาน ปัจจุบันยังมี GPU ที่ไม่ได้ใช้งานจํานวนมากในด้านอุปทาน ตัวอย่างเช่นศูนย์ข้อมูลบางแห่งมีพลังการประมวลผลที่ไม่ได้ใช้งานจํานวนมาก (โดยมีอัตราการใช้ประโยชน์ต่ําถึง 12% ถึง 18%) และทรัพยากรพลังงานการประมวลผลที่สําคัญก็ไม่ได้ใช้งานในการขุดที่เข้ารหัสเนื่องจากความสามารถในการทํากําไรลดลง แม้ว่าพลังการประมวลผลทั้งหมดนี้จะไม่เหมาะสําหรับแอปพลิเคชันพิเศษเช่นการฝึกอบรม AI แต่ฮาร์ดแวร์ระดับผู้บริโภคยังคงมีบทบาทสําคัญในด้านอื่น ๆ เช่นการอนุมาน AI การเรนเดอร์เกมบนคลาวด์โทรศัพท์คลาวด์เป็นต้น โอกาสในการรวมและใช้ทรัพยากรคอมพิวเตอร์เหล่านี้มีมากมายมหาศาล

เปลี่ยนโฟกัสจาก AI เป็น crypto หลังจากเงียบไปสามปีในตลาดสกุลเงินดิจิทัลในที่สุดตลาดกระทิงอีกแห่งหนึ่งก็เกิดขึ้น ราคา Bitcoin ทําสถิติสูงสุดใหม่ซ้ําแล้วซ้ําอีก และเหรียญมีมต่างๆ ยังคงปรากฏขึ้นอย่างต่อเนื่อง แม้ว่า AI และ Crypto จะเป็นคําศัพท์ในช่วงไม่กี่ปีที่ผ่านมา แต่ปัญญาประดิษฐ์และบล็อกเชนเป็นสองเทคโนโลยีที่สําคัญดูเหมือนจะเป็นเส้นขนานที่ยังไม่พบ "ทางแยก" เมื่อต้นปีนี้ Vitalik ได้ตีพิมพ์บทความเรื่อง "คํามั่นสัญญาและความท้าทายของแอปพลิเคชัน crypto + AI" ซึ่งกล่าวถึงสถานการณ์ในอนาคตที่ AI และ crypto มาบรรจบกัน Vitalik สรุปวิสัยทัศน์มากมายในบทความรวมถึงการใช้เทคโนโลยีการเข้ารหัสบล็อกเชนและ MPC (การคํานวณหลายฝ่าย) สําหรับการฝึกอบรมแบบกระจายอํานาจและการอนุมานของ AI ซึ่งอาจเปิดกล่องดําของการเรียนรู้ของเครื่องและทําให้โมเดล AI เชื่อถือได้มากขึ้นรวมถึงประโยชน์อื่น ๆ ในขณะที่การตระหนักถึงวิสัยทัศน์เหล่านี้จะต้องใช้ความพยายามอย่างมาก แต่กรณีการใช้งานหนึ่งที่กล่าวถึงโดย Vitalik—การเพิ่มขีดความสามารถให้กับ AI ผ่านสิ่งจูงใจทางเศรษฐกิจคริปโต—เป็นทิศทางสําคัญที่สามารถทําได้ในระยะสั้น ปัจจุบันเครือข่ายพลังงานการประมวลผลแบบกระจายอํานาจเป็นหนึ่งในสถานการณ์ที่เหมาะสมที่สุดสําหรับการรวม AI + crypto

2 เครือข่ายพลังคอมพิวเตอร์ที่แบ่งออกเป็นสองส่วน

ในปัจจุบันมีโครงการจำนวนมากที่กำลังพัฒนาในพื้นที่ของเครือข่ายพลังคอมพิวเตอร์แบบกระจาย ตรรกะหลักของโครงการเหล่านี้คล้ายกันและสามารถสรุปได้ดังนี้: ใช้โทเค็นในการกระตุ้นผู้ให้พลังคอมพิวเตอร์ที่จะเข้าร่วมในเครือข่ายและให้บริการทรัพยากรคอมพิวเตอร์ของพวกเขา ทรัพยากรคอมพิวเตอร์ที่กระจายตัวนี้สามารถรวมกันเป็นเครือข่ายพลังคอมพิวเตอร์แบบกระจายที่มีขนาดใหญ่ วิธีนี้ไม่เพียงเพิ่มการใช้พลังคอมพิวเตอร์ที่ว่างเปล่า แต่ยังตอบสนองความต้องการด้านการคำนวณของลูกค้าในราคาที่ต่ำลง ทำให้ได้ผลกำไรสูงสุดทั้งสองฝ่าย

เพื่อให้ผู้อ่านมีความเข้าใจที่ครอบคลุมเกี่ยวกับภาคส่วนนี้ในเวลาอันสั้นบทความนี้จะแยกส่วนโครงการเฉพาะและสาขาทั้งหมดจากมุมมองทั้งระดับจุลภาคและมหภาค จุดมุ่งหมายคือการให้ข้อมูลเชิงลึกเชิงวิเคราะห์สําหรับผู้อ่านเพื่อทําความเข้าใจข้อได้เปรียบในการแข่งขันหลักของแต่ละโครงการและการพัฒนาโดยรวมของภาคเครือข่ายพลังงานคอมพิวเตอร์แบบกระจายอํานาจ ผู้เขียนจะแนะนําและวิเคราะห์ห้าโครงการ: Aethir, io.net, Render Network, Akash Network และ Gensyn และสรุปและประเมินสถานการณ์และการพัฒนาของภาค

ในเชิงเศรษฐศาสตร์การวิเคราะห์ โดยให้ความสำคัญกับเครือข่ายพลังคอมพิวเตอร์ที่กระจายอย่างเฉพาะเจาะจง เราสามารถแบ่งออกเป็นส่วนประกอบหลัก 4 ส่วน

• เครือข่ายฮาร์ดแวร์: การรวมทรัพยากรคอมพิวเตอร์ที่กระจายกันไปทั่วโลกผ่านโหนดที่กระจายอยู่ทั่วโลกเพื่อสนับสนุนการแบ่งปันทรัพยากรและการทำโหลดบาลานซ์เป็นระบบพื้นฐานของเครือข่ายพลังคอมพิวเตอร์ที่กระจายอย่างแบบกระจาย
• ตลาดสองฝั่ง: การจับคู่ผู้ให้บริการพลังคอมพิวเตอร์กับผู้ต้องการผ่านการตั้งราคาและกลไกการค้นหาที่มีประสิทธิภาพ ให้แพลตฟอร์มการซื้อขายที่มั่นคงและมีความโปร่งใส ยุติธรรม และน่าเชื่อถือสำหรับทั้งสองฝั่ง
• กลไกฉันทามติ: ตรวจสอบให้แน่ใจว่าโหนดภายในเครือข่ายทํางานอย่างถูกต้องและทํางานให้เสร็จสมบูรณ์ กลไกฉันทามติจะตรวจสอบสองด้าน: 1) เวลาทํางานของโหนดเพื่อให้แน่ใจว่ามีการใช้งานและพร้อมที่จะรับงานได้ตลอดเวลา 2) หลักฐานความสําเร็จของงาน: โหนดทํางานให้เสร็จอย่างมีประสิทธิภาพและถูกต้องโดยไม่ต้องเปลี่ยนพลังการคํานวณเพื่อวัตถุประสงค์อื่นครอบครองกระบวนการและเธรด
• โปรแกรมสะสมเหรียญ: โมเดลโทเค็นสะสมเหรียญสร้างสติให้ผู้เข้าร่วมมากขึ้นในการให้บริการ/ใช้บริการ และจับผลกระทบของเครือข่ายด้วยโทเค็นเพื่อส่งเสริมการแบ่งปันประโยชน์ในชุมชน

จากมุมมองภาพรวมของภาคการคำนวณที่ไม่มีศูนย์กลาง การวิจัย Blockworks มีกรอบการวิเคราะห์ที่มีประสิทธิภาพที่แบ่งโครงการเป็นสามชั้นdistinct.

• เลเยอร์เบร์เมทัล: ชั้นฐานของสแต็กการคำนวณที่กระจายอยู่ รับผิดชอบในการรวบรวมทรัพยากรคอมพิวเตอร์ขั้นพื้นฐานและทำให้เข้าถึงได้ผ่านการเรียกใช้ API
• Orchestration Layer: เป็นชั้นกลางของสแต็คการประมวลผลแบบกระจายอํานาจโดยเน้นที่การประสานงานและนามธรรมเป็นหลัก มันจัดการงานต่างๆเช่นการจัดกําหนดการการปรับขนาดการทํางานการปรับสมดุลโหลดและความทนทานต่อความผิดพลาดของพลังการประมวลผล บทบาทหลักคือ "นามธรรม" ความซับซ้อนของการจัดการฮาร์ดแวร์พื้นฐานโดยให้อินเทอร์เฟซผู้ใช้ขั้นสูงที่ปรับให้เหมาะกับความต้องการเฉพาะของลูกค้า
• ชั้นรวม: ชั้นนี้เป็นชั้นบนสุดของชั้นคอมพิวเตอร์ที่กระจายอย่างแยกต่างหาก มีหน้าที่หลักคือการรวมกัน มันให้การทำงานแบบเป็นหนึ่งเดียวสำหรับผู้ใช้ที่จะดำเนินการภารกิจทางคอมพิวเตอร์ต่าง ๆ ในที่เดียว อย่างเช่นการฝึกสอน AI, การเรนเดอร์, zkML, และอื่น ๆ ชั้นนี้ทำหน้าที่เป็นชั้นตัวกำหนดและการกระจายสำหรับบริการคอมพิวเตอร์ที่กระจายแบบหลายที่

Image source: Youbi Capital

โดยอิงตามกรอบการวิเคราะห์สองแบบที่ให้มา เราจะดำเนินการวิเคราะห์เปรียบเทียบของห้าโครงการที่เลือกไว้ในสี่มิติ: ธุรกิจหลัก ตำแหน่งทางการตลาด สิ่งอำนวยความสะดวกฮาร์ดแวร์ และประสิทธิภาพทางการเงิน

2.1 ธุรกิจหลัก

จากมุมมองพื้นฐาน ระบบเครือข่ายพลังคอมพิวเตอร์ที่กระจายอยู่ต่างมีความหลากหลายน้อยและใช้โทเค็นในการกระตุ้นผู้ให้บริการพลังคอมพิวเตอร์ที่ว่างเปล่าเพื่อให้บริการของพวกเขา โดยอิงตามตรรกะพื้นฐานนี้ เราสามารถเข้าใจความแตกต่างของธุรกิจหลักของโครงการจาก 3 ด้านได้แก่:

• แหล่งกำเนิดของพลังคอมพิวเตอร์ที่ไม่ได้ใช้งาน
  • แหล่งกำลังคำนวณที่ว่างเปล่าบนตลาดมาจากสองหมวดหลัก คือ 1) ศูนย์ข้อมูล บริษัททำเหมือง และองค์กรอื่น ๆ และ 2) ผู้ใช้รายบุคคล ศูนย์ข้อมูลมักครอบครองฮาร์ดแวร์ระดับมืออาชีพในขณะที่ผู้ใช้รายบุคคลมักซื้อชิประดับผู้บริโภค
  • Aethir, Akash Network และ Gensyn รวบรวมพลังการประมวลผลจากองค์กรเป็นหลัก ประโยชน์ของการจัดหาจากองค์กร ได้แก่ 1) ฮาร์ดแวร์ที่มีคุณภาพสูงขึ้นและทีมบํารุงรักษามืออาชีพซึ่งนําไปสู่ประสิทธิภาพและความน่าเชื่อถือที่สูงขึ้นของทรัพยากรคอมพิวเตอร์ 2) ความเป็นเนื้อเดียวกันมากขึ้นและการจัดการทรัพยากรการประมวลผลแบบรวมศูนย์ในองค์กรและศูนย์ข้อมูลส่งผลให้การจัดกําหนดการและการบํารุงรักษามีประสิทธิภาพมากขึ้น อย่างไรก็ตามวิธีการนี้ต้องการความต้องการที่สูงขึ้นจากทีมโครงการซึ่งจําเป็นต้องมีความสัมพันธ์ทางธุรกิจกับองค์กรที่ควบคุมพลังการประมวลผล นอกจากนี้ความสามารถในการปรับขนาดและการกระจายอํานาจอาจค่อนข้างถูกบุกรุก
  • Render Network และ io.net จูงใจผู้ใช้แต่ละรายให้มอบพลังการประมวลผลที่ไม่ได้ใช้งาน ข้อดีของการจัดหาจากบุคคล ได้แก่ 1) ลดต้นทุนที่ชัดเจนของพลังการประมวลผลที่ไม่ได้ใช้งานจากบุคคลให้ทรัพยากรคอมพิวเตอร์ที่ประหยัดมากขึ้น 2) ความสามารถในการปรับขนาดและการกระจายอํานาจของเครือข่ายที่สูงขึ้นช่วยเพิ่มความยืดหยุ่นและความทนทานของระบบ อย่างไรก็ตามข้อเสียรวมถึงการกระจายทรัพยากรอย่างกว้างขวางและแตกต่างกันระหว่างบุคคลซึ่งทําให้การจัดการและการจัดกําหนดการมีความซับซ้อนเพิ่มความท้าทายในการดําเนินงาน นอกจากนี้การพึ่งพาพลังการประมวลผลของแต่ละบุคคลเพื่อเริ่มต้นเอฟเฟกต์เครือข่ายอาจทําได้ยากขึ้น สุดท้ายอุปกรณ์ที่บุคคลเป็นเจ้าของอาจมีความเสี่ยงด้านความปลอดภัยมากขึ้นซึ่งอาจนําไปสู่การรั่วไหลของข้อมูลและการใช้พลังงานคอมพิวเตอร์ในทางที่ผิด
• ผู้บริโภคพลังคอมพิวเตอร์
  • จากมุมมองของผู้บริโภคพลังงานคอมพิวเตอร์ Aethir, io.net และ Gensyn มุ่งเป้าไปที่องค์กรเป็นหลัก สําหรับลูกค้า B-end เช่นลูกค้าที่ต้องการ AI และการเรนเดอร์เกมแบบเรียลไทม์มีความต้องการทรัพยากรการประมวลผลประสิทธิภาพสูงสูงซึ่งโดยทั่วไปจะต้องใช้ GPU ระดับไฮเอนด์หรือฮาร์ดแวร์ระดับมืออาชีพ นอกจากนี้ลูกค้า B-end ยังมีข้อกําหนดที่เข้มงวดสําหรับความเสถียรและความน่าเชื่อถือของทรัพยากรการประมวลผลซึ่งจําเป็นต้องมีข้อตกลงระดับบริการคุณภาพสูงเพื่อให้แน่ใจว่าการดําเนินโครงการเป็นไปอย่างราบรื่นและการสนับสนุนทางเทคนิคที่ทันเวลา นอกจากนี้ค่าใช้จ่ายในการย้ายข้อมูลสําหรับลูกค้า B-end นั้นมีความสําคัญ หากเครือข่ายแบบกระจายอํานาจขาด SDK ที่ครบถ้วนเพื่ออํานวยความสะดวกในการปรับใช้อย่างรวดเร็วสําหรับโครงการ (ตัวอย่างเช่น Akash Network ที่กําหนดให้ผู้ใช้พัฒนาตามพอร์ตระยะไกล) จะเป็นเรื่องยากที่จะโน้มน้าวให้ไคลเอ็นต์โยกย้าย เว้นแต่จะมีข้อได้เปรียบด้านราคาที่สําคัญความเต็มใจของลูกค้าในการโยกย้ายยังคงอยู่ในระดับต่ํา
  • Render Network และ Akash Network ให้บริการพลังคอมพิวเตอร์ให้กับผู้ใช้รายบุคคลเป็นหลัก การให้บริการแก่ผู้บริโภคที่อยู่ที่ปลายทางต้องการโครงการออกแบบอินเทอร์เฟซและเครื่องมือที่เรียบง่ายและใช้งานง่ายเพื่อสร้างประสบการณ์ที่ดีต่อผู้บริโภค นอกจากนี้ผู้บริโภคมีความไวต่อราคาสูง จึงจำเป็นต้องมีกลยุทธ์ราคาที่แข่งขันจากโครงการ
• ประเภทฮาร์ดแวร์
  • ทรัพยากรฮาร์ดแวร์ที่พบบ่อย ประกอบด้วย CPU, FPGA, GPU, ASIC, และ SoC พลังคอมพิวเตอร์เหล่านี้มีความแตกต่างมากในเป้าหมายการออกแบบ ลักษณะการทำงาน และพื้นที่ในการประยุกต์ใช้งาน สรุป CPU มีประสิทธิภาพในงานคอมพิวเตอร์ทั่วไป FPGAs มีความเป็นที่ได้รับการตอบรับสูงในการประมวลผลแบบขนานและสามารถโปรแกรมได้ GPUs ทำงานที่ดีในการประมวลผลแบบขนาน ASICs มีประสิทธิภาพสูงสุดสำหรับงานที่เฉพาะเจาะจง และ SoCs รวมฟังก์ชันหลายๆ อย่างเข้าไว้ในหน่วยเดียวที่เหมาะสำหรับการประยุกต์ใช้งานที่ผสมผสานอย่างสูง การเลือกฮาร์ดแวร์ขึ้นอยู่กับความต้องการของแอปพลิเคชันเฉพาะ ความต้องการประสิทธิภาพ และการพิจารณาต้นทุน
  • โครงการพลังงานการประมวลผลแบบกระจายอํานาจที่เราพูดถึงส่วนใหญ่รวบรวมพลังการประมวลผล GPU ซึ่งพิจารณาจากประเภทของโครงการและลักษณะของ GPU GPU มีข้อได้เปรียบที่ไม่เหมือนใครในการฝึกอบรม AI การประมวลผลแบบขนานการเรนเดอร์มัลติมีเดีย ฯลฯ แม้ว่าโครงการเหล่านี้ส่วนใหญ่เกี่ยวข้องกับการรวม GPU แต่แอปพลิเคชันที่แตกต่างกันมีข้อกําหนดและข้อกําหนดของฮาร์ดแวร์ที่แตกต่างกันส่งผลให้แกนและพารามิเตอร์การเพิ่มประสิทธิภาพแตกต่างกัน พารามิเตอร์เหล่านี้รวมถึงการพึ่งพาแบบขนาน / อนุกรมหน่วยความจําเวลาแฝง ฯลฯ ตัวอย่างเช่น การเรนเดอร์ปริมาณงานนั้นเหมาะสําหรับ GPU ระดับผู้บริโภคมากกว่า GPU ศูนย์ข้อมูลประสิทธิภาพสูง เนื่องจากการเรนเดอร์ต้องการความต้องการสูงสําหรับงานต่างๆ เช่น การติดตามเรย์ ชิประดับผู้บริโภคเช่น 4090s ได้รับการปรับปรุงด้วยแกน RT ซึ่งได้รับการปรับให้เหมาะสมสําหรับงาน Ray Tracing โดยเฉพาะ การฝึกอบรมและการอนุมาน AI ต้องใช้ GPU ระดับมืออาชีพ ดังนั้น Render Network จึงสามารถรวม GPU ระดับผู้บริโภคเช่น RTX 3090s และ 4090s จากผู้ใช้แต่ละรายในขณะที่ IO.NET ต้องการ H100s, A100s และ GPU ระดับมืออาชีพอื่น ๆ เพื่อตอบสนองความต้องการของสตาร์ทอัพ AI

2.2 การตำแหน่งทางการตลาด

ในเชิงการตำแหน่งโครงการ ปัญหาหลักที่จะต้องแก้ไข การใส่ใจในการปรับปรุง และความสามารถในการจับค่าแตกต่างกันสำหรับชั้นโลหะเปล่า ชั้นการจัดการ และชั้นการรวมรวม

• ชั้นเหล็กโล่งศูนย์รวมไปยังการเก็บรวบรวมและใช้งานทรัพยากรทางกายภาพ เลเยอร์ออร์เคสเทรชันให้ความสนใจกับการตั้งตารางเวลาและการปรับปรุงพลังคอมพิวเตอร์โดยออกแบบการกำหนดค่าที่เหมาะสมของฮาร์ดแวร์ทางกายภาพตามความต้องการของลูกค้า เลเยอร์การรวมรวมเป็นแบบทั่วไปโดยให้ความสนใจกับการสร้างความสอดคล้องและการแยกแยะทรัพยากรที่แตกต่างกัน
• จากมุมมองของโซ่ค่าความหมาย โครงการแต่ละรายการควรเริ่มต้นจากชั้นของโลหะเรียบร้อยและพยายามขึ้นไปด้านบน ในเชิงการยึดค่า ความสามารถจะเพิ่มขึ้นเรื่อย ๆ ตั้งแต่ชั้นโลหะเรียบร้อยไปยังชั้นการจัดเรียงและสุดท้ายคือชั้นการรวมข้อมูล ชั้นการรวมข้อมูลสามารถยึดค่าได้มากที่สุด เนื่องจากแพลตฟอร์มการรวมข้อมูลสามารถเพิ่มประสิทธิภาพของเครือข่ายมากที่สุดและสามารถเข้าถึงผู้ใช้มากที่สุดโดยตรง โดยการทำหน้าที่เป็นจุดเข้าสู่ระบบการจัดการทรัพยากรคอมพิวเตอร์แบบกระจาย จึงเป็นตำแหน่งในการยึดค่าที่สูงสุดในสแต็กการจัดการทรัพยากรคอมพิวเตอร์ทั้งหมด
• โดยสอดคล้องกันนั้น การสร้างแพลตฟอร์มรวมเป็นเรื่องที่ท้าทายที่สุด โครงการจำเป็นต้องแก้ไของความซับซ้อนทางเทคนิค การจัดการทรัพยากรที่หลากหลาย ความเชื่อถือในระบบและความสามารถในการขยายขนาด เรื่องผลกระทบของเครือข่าย การปกป้องความมั่นคงและความเป็นส่วนตัว และปัญหาการบริหารจัดการที่ซับซ้อน อุปสรรคเหล่านี้ไม่เอื้ออำนวยต่อการเริ่มต้นโปรเจคและขึ้นอยู่กับสถานการณ์และเวลาในการพัฒนาในกลุ่มธุรกิจ ไม่สมควรที่จะทำงานในระดับการรวมก่อนที่ระดับการจัดระเบียบจะเจริญรุ่งเรืองและเก็บรวมส่วนแบ่งตลาดที่สำคัญ
• ปัจจุบัน Aethir, Render Network, Akash Network และ Gensyn อยู่ในเลเยอร์การประสาน พวกเขามุ่งมั่นที่จะให้บริการสําหรับเป้าหมายเฉพาะและกลุ่มลูกค้า ธุรกิจหลักของ Aethir คือการเรนเดอร์แบบเรียลไทม์สําหรับการเล่นเกมบนคลาวด์และมอบสภาพแวดล้อมและเครื่องมือการพัฒนาและการปรับใช้บางอย่างสําหรับลูกค้า B-end ธุรกิจหลักของ Render Network คือการเรนเดอร์วิดีโอ ภารกิจของ Akash Network คือการจัดหาแพลตฟอร์มตลาดที่คล้ายกับ Taobao และ Gensyn มุ่งเน้นไปที่สาขาการฝึกอบรม AI อย่างลึกซึ้ง IO.net วางตําแหน่งตัวเองเป็นเลเยอร์การรวม แต่ฟังก์ชันการทํางานในปัจจุบันยังคงห่างไกลจากเลเยอร์การรวมที่สมบูรณ์ แม้ว่าจะรวบรวมฮาร์ดแวร์จาก Render Network และ Filecoin แต่นามธรรมและการรวมทรัพยากรฮาร์ดแวร์ยังไม่เสร็จสมบูรณ์

2.3 สิ่งอำนวยความสะดวกฮาร์ดแวร์

• ปัจจุบันไม่ใช่ทุกโครงการที่เปิดเผยข้อมูลเครือข่ายโดยละเอียด เมื่อเทียบกับ UI explorer ของ io.net นั้นดีที่สุดโดยแสดงพารามิเตอร์เช่นปริมาณ GPU / CPU ประเภทราคาการกระจายการใช้งานเครือข่ายและรายได้ของโหนด อย่างไรก็ตามเมื่อปลายเดือนเมษายนส่วนหน้าของ io.net ถูกโจมตีเนื่องจากขาดการตรวจสอบสิทธิ์สําหรับอินเทอร์เฟซ PUT / POST ซึ่งนําไปสู่แฮกเกอร์ที่ปลอมแปลงข้อมูลส่วนหน้า เหตุการณ์นี้ทําให้เกิดความกังวลเกี่ยวกับความเป็นส่วนตัวและความน่าเชื่อถือของข้อมูลเครือข่ายสําหรับโครงการอื่น ๆ เช่นกัน
• ในแง่ของปริมาณและรุ่น GPU io.net ซึ่งเป็นเลเยอร์การรวมควรมีฮาร์ดแวร์มากที่สุดอย่างมีเหตุผล Aethir ติดตามอย่างใกล้ชิดในขณะที่สถานะฮาร์ดแวร์ของโครงการอื่น ๆ มีความโปร่งใสน้อยกว่า io.net มี GPU ที่หลากหลายรวมถึง GPU ระดับมืออาชีพเช่น A100 และ GPU ระดับผู้บริโภคเช่น 4090 ซึ่งสอดคล้องกับตําแหน่งการรวมของ io.net สิ่งนี้ช่วยให้ io สามารถเลือก GPU ที่เหมาะสมที่สุดตามความต้องการของงานเฉพาะ อย่างไรก็ตาม GPU รุ่นและแบรนด์ที่แตกต่างกันอาจต้องการไดรเวอร์และการกําหนดค่าที่แตกต่างกันและซอฟต์แวร์ยังต้องการการเพิ่มประสิทธิภาพที่ซับซ้อนเพิ่มความซับซ้อนในการจัดการและการบํารุงรักษา ปัจจุบันการจัดสรรงานของ io ส่วนใหญ่ขึ้นอยู่กับการเลือกด้วยตนเองของผู้ใช้
• Aethir ได้ปล่อยเครื่องขุดเหมืองของตัวเอง และในเดือนพฤษภาคม Aethir Edge ที่ได้รับการสนับสนุนจาก Qualcomm ได้เปิดตัวอย่างเป็นทางการ สิ่งนี้เป็นการเปลี่ยนแปลงจากการจัดการของ GPU แบบกลุ่มที่เซ็นทรัลไลซ์เดียว ไกลจากผู้ใช้ โดยการจัดการพลังคอมพิวเตอร์ไปยังขอบเขต Aethir Edge ที่รวมกับพลังคอมพิวเตอร์คลัสเตอร์ H100 ให้บริการสู่ฉากการใช้งาน AI โดยการจัดการแบบฝึกอบรมโมเดลเพื่อให้บริการคอมพิวเตอร์โดยประสิทธิภาพที่สูงที่สุด สิ่งนี้ใกล้ชิดกับผู้ใช้มากขึ้น ให้บริการได้เร็วขึ้น และมีประสิทธิภาพทางค่าใช้จ่ายที่สูง
• จากมุมมองของอุปสงค์และอุปทานโดยใช้ Akash Network เป็นตัวอย่างสถิติแสดงจํานวน CPU ทั้งหมดประมาณ 16k และ 378 GPU อัตราการใช้ CPU และ GPU อยู่ที่ 11.1% และ 19.3% ตามลําดับ เฉพาะ GPU H100 ระดับมืออาชีพเท่านั้นที่มีอัตราการเช่าค่อนข้างสูงในขณะที่รุ่นอื่น ๆ ส่วนใหญ่ยังคงไม่ได้ใช้งาน สถานการณ์นี้โดยทั่วไปจะคล้ายกันในเครือข่ายอื่น ๆ โดยความต้องการเครือข่ายโดยรวมอยู่ในระดับต่ําและพลังการประมวลผลส่วนใหญ่ยกเว้นชิปยอดนิยมเช่น A100 และ H100 ยังคงไม่ได้ใช้งาน
• ในเชิงประโยชน์ของราคา การเปรียบเทียบกับผู้ให้บริการบริการดั้งเดิม ข้อดีทางราคาไม่มีความสำคัญเลย ยกเว้นกับฮีโร่ของตลาดคอมพิวเตอร์คลาวด์

2.4 ประสิทธิภาพทางการเงิน

• ไม่ว่ารูปแบบโทเค็นจะได้รับการออกแบบอย่างไรโทเค็นโนมิกส์ที่ดีจะต้องเป็นไปตามเงื่อนไขพื้นฐานต่อไปนี้: 1) ความต้องการของผู้ใช้สําหรับเครือข่ายจะต้องสะท้อนให้เห็นในราคาโทเค็นซึ่งหมายความว่าโทเค็นสามารถจับมูลค่าได้ 2) ผู้เข้าร่วมทุกคนไม่ว่าจะเป็นนักพัฒนาโหนดหรือผู้ใช้จําเป็นต้องได้รับสิ่งจูงใจในระยะยาวและเป็นธรรม 3) รับรองการกํากับดูแลแบบกระจายอํานาจและหลีกเลี่ยงการถือครองโดยคนวงในมากเกินไป 4) กลไกเงินเฟ้อและภาวะเงินฝืดที่เหมาะสมและกําหนดการปล่อยโทเค็นเพื่อหลีกเลี่ยงความผันผวนของราคาอย่างมีนัยสําคัญซึ่งส่งผลต่อเสถียรภาพและความยั่งยืนของเครือข่าย
• หากเราจัดหมวดหมู่โมเดลโทเค็นอย่างกว้าง ๆ เป็น BME (ความสมดุลของการเผาไหม้และเหรียญกษาปณ์) และ SFA (เงินเดิมพันสําหรับการเข้าถึง) แรงกดดันจากภาวะเงินฝืดของทั้งสองรุ่นนี้มาจากแหล่งที่แตกต่างกัน: ในโมเดล BME โทเค็นจะถูกเผาหลังจากผู้ใช้ซื้อบริการดังนั้นแรงกดดันจากภาวะเงินฝืดของระบบจะถูกกําหนดโดยความต้องการ ในรูปแบบ SFA ผู้ให้บริการ/โหนดจะต้องเดิมพันโทเค็นเพื่อรับคุณสมบัติในการให้บริการ ดังนั้นแรงกดดันจากภาวะเงินฝืดจึงมาจากอุปทาน ข้อดีของ BME คือเหมาะสําหรับสินค้าที่ไม่ได้มาตรฐาน อย่างไรก็ตามหากความต้องการเครือข่ายไม่เพียงพออาจเผชิญกับแรงกดดันด้านเงินเฟ้ออย่างต่อเนื่อง รูปแบบโทเค็นของโครงการต่างๆมีรายละเอียดแตกต่างกัน แต่โดยทั่วไปแล้ว Aethir เอนเอียงไปทาง SFA มากขึ้นในขณะที่ io.net, Render Network และ Akash Network เอนเอียงไปทาง BME มากขึ้น โมเดลของ Gensyn ยังไม่เป็นที่ทราบแน่ชัด
• ในเชิงรายได้ ความต้องการของเครือข่ายจะสะท้อนโดยตรงในรายได้รวมของเครือข่าย (ยกเว้นรายได้ของผู้ขุดเหมือง เนื่องจากผู้ขุดเหมืองได้รับรางวัลจากการทำงานและรับทุนสนับสนุนจากโครงการ) โดยจากข้อมูลสาธารณะที่มี io.net มีค่าสูงสุด แม้ว่ารายได้ของ Aethir ยังไม่ได้เปิดเผย ข้อมูลสาธารณะระบุว่าพวกเขาได้ประกาศที่ได้รับคำสั่งจากลูกค้าปลายทาง B หลายรายการ
• เกี่ยวกับราคาโทเค็นมีเพียง Render Network และ Akash Network เท่านั้นที่ดําเนินการ ICO จนถึงตอนนี้ Aethir และ io.net เพิ่งออกโทเค็น แต่ประสิทธิภาพของราคาของพวกเขาจะต้องสังเกตเพิ่มเติมและจะไม่กล่าวถึงในรายละเอียดที่นี่ แผนการของเจนซินยังไม่ชัดเจน จากสองโครงการที่ออกโทเค็นและโครงการอื่น ๆ ในภาคเดียวกันที่ไม่ได้กล่าวถึงที่นี่เครือข่ายพลังการประมวลผลแบบกระจายอํานาจได้แสดงประสิทธิภาพของราคาที่น่าประทับใจมากซึ่งสะท้อนให้เห็นถึงศักยภาพทางการตลาดที่สําคัญและความคาดหวังสูงของชุมชนในระดับหนึ่ง

2.5 สรุป

• sectors พลังคอมพิวเตอร์แบบกระจายกำลัง กำลังพัฒนาอย่างรวดเร็ว โดยมีโครงการหลายรายที่สามารถให้บริการกับลูกค้าผ่านผลิตภัณฑ์ของพวกเขาและสร้างรายได้บางส่วนได้แล้ว ส่วนนี้ได้เคลื่อนไปเกินแนวเรื่องราวและเข้าสู่ขั้นตอนที่บริการเบื้องต้นสามารถให้บริการได้
• ปัญหาทั่วไปที่ต้องเผชิญกับเครือข่ายพลังงานการประมวลผลแบบกระจายอํานาจคือความต้องการที่อ่อนแอโดยความต้องการของลูกค้าในระยะยาวไม่ได้รับการตรวจสอบและสํารวจอย่างดี อย่างไรก็ตาม ความท้าทายด้านอุปสงค์ไม่ได้ส่งผลกระทบต่อราคาโทเค็นอย่างมีนัยสําคัญ เนื่องจากโครงการไม่กี่โครงการที่ออกโทเค็นได้แสดงประสิทธิภาพที่น่าประทับใจ
• AI เป็นเนื้อเรื่องหลักสำหรับเครือข่ายพลังคอมพิวเตอร์ที่ไม่ได้เป็นแอปพลิเคชันเดียว นอกจากการฝึก AI และการอ้างอิง พลังคอมพิวเตอร์ยังสามารถใช้สำหรับการเรนเดอร์แบบเรียลไทม์ในเกมคลาวด์ เซอร์วิสโทรศัพท์มือถือคลาวด์ และอื่น ๆ
• ฮาร์ดแวร์ในเครือข่ายพลังงานคอมพิวเตอร์มีความแตกต่างกันอย่างมากและคุณภาพและขนาดของเครือข่ายเหล่านี้จําเป็นต้องได้รับการปรับปรุงเพิ่มเติม สําหรับผู้ใช้ C-end ข้อได้เปรียบด้านต้นทุนไม่สําคัญมากนัก สําหรับผู้ใช้ B-end นอกเหนือจากการประหยัดต้นทุนแล้วยังต้องพิจารณาปัจจัยต่างๆเช่นความเสถียรของบริการความน่าเชื่อถือการสนับสนุนทางเทคนิคการปฏิบัติตามข้อกําหนดและการสนับสนุนทางกฎหมาย โครงการ Web3 โดยทั่วไปทํางานได้ไม่ดีในพื้นที่เหล่านี้

3 ความคิดสรุป

การเติบโตแบบทวีคูณของ AI ได้นําไปสู่ความต้องการพลังการประมวลผลจํานวนมากอย่างปฏิเสธไม่ได้ ตั้งแต่ปี 2012 พลังการคํานวณที่ใช้ในงานฝึกอบรม AI เติบโตขึ้นอย่างทวีคูณโดยเพิ่มขึ้นเป็นสองเท่าทุกๆ 3.5 เดือน (ในการเปรียบเทียบกฎของมัวร์คาดการณ์ว่าจะเพิ่มขึ้นเป็นสองเท่าทุก ๆ 18 เดือน) ตั้งแต่ปี 2012 ความต้องการพลังการประมวลผลเพิ่มขึ้นมากกว่า 300,000 เท่า ซึ่งมากกว่าการเพิ่มขึ้น 12 เท่าที่คาดการณ์โดยกฎของมัวร์ การคาดการณ์คาดการณ์ว่าตลาด GPU จะเติบโตในอัตราการเติบโตต่อปีแบบทบต้นที่ 32% ในอีกห้าปีข้างหน้าโดยมีมูลค่ามากกว่า 200 พันล้านดอลลาร์ การประมาณการของ AMD นั้นสูงขึ้นโดย บริษัท คาดการณ์ว่าตลาดชิป GPU จะสูงถึง 400 พันล้านดอลลาร์ภายในปี 2027

Image source: https://www.stateof.ai/

การเติบโตของปัจจัยปัญญาประดิษฐ์และงานที่ใช้พลังคอมพิวเตอร์อื่น ๆ เช่นการแสดงผล AR/VR ได้เปิดเผยความไม่เพียงพอในประสิทธิภาพทางโครงสร้างในการคอมพิวเตอร์คลาวด์แบบเดิมและตลาดคอมพิวเตอร์ชั้นนำ ในทฤษฎี ระบบเครือข่ายพลังคอมพิวเตอร์ที่กระจายออกไปสามารถใช้ทรัพยากรคอมพิวเตอร์ที่ไม่ได้ใช้งานเพื่อให้บริการทางเลือกที่ยืดหยุ่นมากขึ้น มีความคุ้มค่าและมีประสิทธิภาพมากขึ้นเพื่อตอบสนองความต้องการทรัพยากรคอมพิวเตอร์ที่มหาศาล

ดังนั้น การผสมรวมระหว่างคริปโตและ AI มีศักยภาพทางตลาดมากมาย แต่ก็เผชิญกับการแข่งขันอย่างแรงกับองค์กรเดิม มีอุปสรรค์สูง และสภาพแวดล้อมทางตลาดที่ซับซ้อน โดยรวมแล้ว ในทุกๆ กลุ่มภาคสนามคริปโต ระบบเครือข่ายพลังคอมพิวเตอร์แบบกระจายเป็นหนึ่งในกลุ่มที่มีศักยภาพมากที่สุดในฟิลด์คริปโตเพื่อตอบสนองความต้องการจริง

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

อนาคตสดใส แต่ถนนที่ต้องผ่านมีอุปสรรคมาก เพื่อที่จะบรรลุวิสัยทัศน์ดังกล่าว เราต้องจัดการกับปัญหาและอุปสรรคหลายอย่าง สรุปแล้ว ในขั้นตอนนี้ การให้บริการคลาวด์แบบดั้งเดิมเท่านั้น ส่งผลให้มีกำไรสุทธิเล็กน้อยสำหรับโครงการ

จากด้านความต้องการ บริษัทใหญ่ๆ โดยทั่วไปจะสร้างพลังคอมพิวเตอร์ของตนเอง ในขณะที่นักพัฒนาบุคคลทั่วไปมักจะเลือกใช้บริการคลาวด์ที่ได้รับการยอมรับแล้ว ยังคงต้องสำรวจและตรวจสอบอีกว่า องค์กรขนาดกลางและเล็ก ๆ ผู้ใช้จริงของทรัพยากรเครือข่ายพลังคอมพิวเตอร์แบบกระจาย จะมีความต้องการที่เสถียรหรือไม่

อีกด้านหนึ่ง AI เป็นตลาดที่กว้างขว้างมีศักยภาพและจินตนาการสูงมาก ในการเข้าถึงตลาดที่กว้างกว่านี้ ผู้ให้บริการพลังคอมพิวเตอร์แบบกระจายในอนาคตจะต้องเปลี่ยนแปลงในทิศทางของการนำเสนอรูปแบบและบริการ AI การสำรวจศึกษาเคสการใช้งานของคริปโต + AI มากขึ้นและการขยายความคุ้มค่าที่โครงการของพวกเขาสามารถสร้างได้ อย่างไรก็ตาม ณ ปัจจุบันยังมีปัญหาและความท้าทายมากมายที่ยังคงต้องแก้ไขก่อนที่จะสามารถพัฒนาไปสู่สนาม AI ได้อีกเพิ่มขึ้น:

• ข้อได้เปรียบด้านราคาไม่โดดเด่น: การเปรียบเทียบข้อมูลก่อนหน้านี้แสดงให้เห็นว่าเครือข่ายพลังงานการประมวลผลแบบกระจายอํานาจไม่ได้แสดงให้เห็นถึงข้อได้เปรียบด้านต้นทุนที่สําคัญ นี่อาจเป็นเพราะกลไกตลาดที่กําหนดว่าชิปพิเศษที่มีความต้องการสูงเช่น H100 และ A100 ไม่ได้มีราคาถูก นอกจากนี้การขาดการประหยัดต่อขนาดจากการกระจายอํานาจต้นทุนเครือข่ายและแบนด์วิดท์ที่สูงและความซับซ้อนที่สําคัญของการจัดการและการดําเนินงานเพิ่มต้นทุนแอบแฝงที่เพิ่มต้นทุนการประมวลผล
• ความท้าทายเฉพาะในการฝึกอบรม AI: การดําเนินการฝึกอบรม AI ในลักษณะกระจายอํานาจต้องเผชิญกับปัญหาคอขวดทางเทคนิคที่สําคัญในปัจจุบัน ปัญหาคอขวดเหล่านี้เห็นได้ชัดเจนในเวิร์กโฟลว์ GPU: ในระหว่างการฝึกอบรมแบบจําลองภาษาขนาดใหญ่ GPU จะได้รับชุดข้อมูลที่ประมวลผลล่วงหน้าก่อนสําหรับการเผยแพร่ไปข้างหน้าและข้างหลังเพื่อคํานวณการไล่ระดับสี จากนั้น GPU จะรวมการไล่ระดับสีและอัปเดตพารามิเตอร์ของโมเดลเพื่อให้แน่ใจว่ามีการซิงโครไนซ์ กระบวนการทําซ้ํานี้จะดําเนินต่อไปจนกว่าแบทช์ทั้งหมดจะได้รับการฝึกอบรมหรือถึงจํานวนยุคที่ระบุ มันเกี่ยวข้องกับการถ่ายโอนข้อมูลและการซิงโครไนซ์ที่กว้างขวาง คําถามเช่นกลยุทธ์แบบขนานและการซิงโครไนซ์ที่จะใช้วิธีเพิ่มประสิทธิภาพแบนด์วิดท์เครือข่ายและเวลาแฝงและวิธีลดต้นทุนการสื่อสารส่วนใหญ่ยังไม่ได้รับการแก้ไข ปัจจุบันการใช้เครือข่ายพลังงานการประมวลผลแบบกระจายอํานาจสําหรับการฝึกอบรม AI นั้นทําไม่ได้
• ความปลอดภัยของข้อมูลและปัญหาความเป็นส่วนตัว: ในกระบวนการฝึกโมเดลภาษาขนาดใหญ่ ทุกขั้นตอนที่เกี่ยวข้องกับการจัดการข้อมูลและการส่งข้อมูล - เช่น การจัดสรรข้อมูล การฝึกโมเดล และการรวมพารามิเตอร์และค่าเกรเดียน - อาจส่งผลกระทบต่อความปลอดภัยของข้อมูลและความเป็นส่วนตัวได้ ปัญหาความเป็นส่วนตัวมีความสำคัญอย่างยิ่งในโมเดลที่เกี่ยวข้องกับข้อมูลที่เป็นสิทธิส่วนบุคคล โดยไม่ได้แก้ปัญหาความเป็นส่วนตัวของข้อมูล การขยายขนาดทางด้านความต้องการก็ไม่เป็นไปได้

จากมุมมองในทางปฏิบัติเครือข่ายพลังงานการประมวลผลแบบกระจายอํานาจจําเป็นต้องสร้างสมดุลระหว่างการสํารวจความต้องการในปัจจุบันกับโอกาสทางการตลาดในอนาคต สิ่งสําคัญคือต้องระบุตําแหน่งผลิตภัณฑ์และกลุ่มเป้าหมายที่ชัดเจน เริ่มแรกมุ่งเน้นไปที่โครงการที่ไม่ใช่ AI หรือ Web3 native ซึ่งตอบสนองความต้องการเฉพาะกลุ่มสามารถช่วยสร้างฐานผู้ใช้ในช่วงต้นได้ ในขณะเดียวกันการสํารวจสถานการณ์ต่าง ๆ อย่างต่อเนื่องที่ AI และ crypto มาบรรจบกันเป็นสิ่งจําเป็น สิ่งนี้เกี่ยวข้องกับการสํารวจพรมแดนทางเทคโนโลยีและการอัพเกรดบริการเพื่อตอบสนองความต้องการที่เปลี่ยนแปลงไป ด้วยการปรับการนําเสนอผลิตภัณฑ์อย่างมีกลยุทธ์ให้สอดคล้องกับความต้องการของตลาดและอยู่ในระดับแนวหน้าของความก้าวหน้าทางเทคโนโลยีเครือข่ายพลังงานการประมวลผลแบบกระจายอํานาจสามารถวางตําแหน่งตัวเองได้อย่างมีประสิทธิภาพเพื่อการเติบโตอย่างยั่งยืนและความเกี่ยวข้องของตลาด

การอ้างอิง

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

คำแถลง

1. บทความนี้เป็นการเผยแพร่จาก [Youbi Capital], ลิขสิทธิ์เป็นของผู้​เขียนต้นฉบับ [ที่Youbi], หากคุณมีคำปรึกษาใด ๆ เกี่ยวกับการนำเสนอใหม่ โปรดติดต่อ เกตเรียนทีมและทีมจะดำเนินการกับมันโดยเร็วที่สุดตามขั้นตอนที่เกี่ยวข้อง

2. คำประกาศ: มุมมองและความคิดเห็นที่แสดงในบทความนี้แทนเพียงความคิดเห็นส่วนตัวของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำทางการลงทุนใด ๆ

3. เวอร์ชันภาษาอื่น ๆ ของบทความถูกแปลโดยทีม Gate Learn และไม่ได้กล่าวถึงในGate.ioบทความที่ถูกแปลอาจไม่สามารถทำสำเนา แจกจ่าย หรือลอกเลียน