1 AIと暗号資産の交差点

5月23日、チップ大手のNVIDIAは2025年度第1四半期の財務報告を公表しました。報告によると、NVIDIAの第1四半期の売上高は260億ドルでした。そのうち、データセンターの売上高は昨年比で驚異的な427％増の226億ドルに達しました。NVIDIAが一人で米国株式市場の財務パフォーマンスを押し上げる能力は、AI競技場で競い合う世界のテクノロジー企業の計算能力への爆発的な需要を反映しています。一流のテクノロジー企業がAIレースで野心を拡大するにつれて、指数関数的に成長する計算能力の需要も増大しています。TrendForceの予測によると、2024年までに、Microsoft、Google、AWS、Metaの4つの主要な米国クラウドサービスプロバイダーからのハイエンドAIサーバーの需要は、世界需要の60％以上を占め、それぞれ20.2％、16.6％、16％、10.8％のシェアが予測されています。

画像のソース：https://investor.nvidia.com/financial-info/financial-reports/default.aspx

「チップ不足」は、近年、毎年のように流行語となっています。一方で、大規模言語モデル(LLM)は、トレーニングと推論のためにかなりの計算能力を必要とします。モデルが反復されるにつれて、コンピューティング能力のコストと需要は指数関数的に増加します。一方、Metaのような大企業は大量のチップを購入しているため、世界のコンピューティングリソースはこれらのハイテク大手に傾き、中小企業が必要なコンピューティングリソースを入手することがますます困難になっています。中小企業が直面している課題は、需要の急増によるチップ不足だけでなく、供給の構造的な矛盾にも起因しています。現在、供給側にはまだ多数のアイドル状態のGPUがあります。たとえば、一部のデータセンターには大量のアイドル状態のコンピューティングパワーがあり(使用率は12%から18%と低い)、収益性の低下により、暗号化されたマイニングではかなりのコンピューティングパワーリソースもアイドル状態になっています。このコンピューティング能力のすべてがAIトレーニングなどの特殊なアプリケーションに適しているわけではありませんが、コンシューマーグレードのハードウェアは、AI推論、クラウドゲームレンダリング、クラウド電話などの他の分野で重要な役割を果たすことができます。これらのコンピューティングリソースを統合して活用する機会は膨大です。

AIから暗号資産に焦点を移し、暗号資産市場で3年間の沈黙が続いた後、ついに別の強気相場が出現しました。ビットコインの価格は繰り返し最高値を更新しており、さまざまなミームコインが出現し続けています。近年、AIと暗号資産がバズワードになっていますが、人工知能とブロックチェーンは、2つの重要なテクノロジーであり、まだ「交差点」を見つけていない平行線のように思えます。今年初め、ヴィタリックは「暗号+AIアプリケーションの約束と課題」と題する記事を発表し、AIと暗号が収束する将来のシナリオについて議論しました。ヴィタリック氏は記事の中で、ブロックチェーンとMPC(マルチパーティ計算)暗号化技術をAIの分散型トレーニングと推論に使用することで、機械学習のブラックボックスを開放し、AIモデルをより信頼できないものにするなど、多くのビジョンを概説しています。これらのビジョンを実現するには相当な努力が必要ですが、Vitalik氏が言及したユースケースの1つである、暗号経済的インセンティブによるAIの強化は、短期的に達成できる重要な方向性です。分散型コンピューティングパワーネットワークは、現在、AI+暗号統合に最も適したシナリオの1つです。

分散型コンピューティングパワーネットワーク2

現在、分散型コンピューティングパワーネットワークの領域で数多くのプロジェクトが開発されています。これらのプロジェクトの基本的なロジックは似ており、次のように要約することができます：トークンを使用して、コンピューティングパワープロバイダーがネットワークに参加し、自身のコンピューティングリソースを提供することを奨励します。これらの分散したコンピューティングリソースは、重要な規模の分散型コンピューティングパワーネットワークに結集することができます。このアプローチにより、アイドル状態のコンピューティングパワーの利用率が向上するだけでなく、低コストでクライアントの計算ニーズを満たすことができ、買い手と売り手の両方にとってのWin-Win状況を実現します。

このセクターについて、読者に包括的な理解を短期間で提供するために、この記事では、マイクロとマクロの両面から特定のプロジェクトと全体の分解を行います。目的は、読者が各プロジェクトの主要な競争上の優位性と分散型コンピューティングパワーネットワークセクター全体の開発を理解するための分析的なインサイトを提供することです。著者は、Aethir、io.net、Render Network、Akash Network、Gensynの5つのプロジェクトを紹介および分析し、それぞれの状況とセクターの開発をまとめて評価します。

分析フレームワークにおいて、特定の分散コンピューティングパワーネットワークに焦点を当てると、それを4つの中核的構成要素に分解することができます。

• ハードウェアネットワーク:リソースの共有と負荷分散を容易にするために、グローバルに分散したノードを介して分散したコンピューティングリソースを統合し、分散型コンピューティングパワーネットワークの基礎層を形成します。
• 二国間市場：効果的な価格設定および探索メカニズムを通じてコンピューティングパワープロバイダーと需要者をマッチングし、透明性、公正性、信頼性のある取引を両側に提供する安全な取引プラットフォーム。
• コンセンサスメカニズム：ネットワーク内のノードが正しく動作し、タスクを完了することを保証する。コンセンサスメカニズムは、2つの側面を監視します：1）ノードの稼働時間を監視し、いつでもアクティブでタスクを受け入れる準備ができていることを確認します。 2）タスク完了の証明：ノードが計算パワーを他の目的に転用せずに、プロセスとスレッドを占有することなく、効果的かつ正しくタスクを完了することを監視します。
• トークンインセンティブ：トークンモデルは、より多くの参加者にサービスの提供/利用を促し、トークンを使ってネットワーク効果を捉え、コミュニティの利益を共有することを促進します。

分散コンピューティングパワーセクターの概観から、Blockworks Researchは、プロジェクトを3つの異なるレイヤーに分類する堅牢な分析フレームワークを提供しています。

• Bare Metal Layer: 分散型コンピューティングスタックの基礎層を形成し、生のコンピューティングリソースを集約し、APIコールを介してアクセス可能にする責任を持つ。
• オーケストレーションレイヤー：分散コンピューティングスタックの中間層を構成し、主に調整と抽象化に焦点を当てています。スケジューリング、スケーリング、オペレーション、負荷分散、およびコンピューティングパワーの障害耐性などのタスクを処理します。その主な役割は、下位ハードウェアの管理の複雑さを「抽象化」し、特定の顧客ニーズに合わせたより高度なユーザーインターフェースを提供することです。
• 集約層：分散型コンピューティングスタックの最上位層であり、主に統合に責任を持ちます。AIトレーニング、レンダリング、zkMLなど、さまざまなコンピューティングタスクを1つの場所で実行するための統一されたインターフェースを提供します。この層は複数の分散型コンピューティングサービスのオーケストレーションと配布層として機能します。

画像出典：Youbi Capital

提供された2つの分析フレームワークに基づいて、コアビジネス、市場位置づけ、ハードウェア施設、財務パフォーマンスの4つの側面を横断する5つの選択されたプロジェクトの比較分析を行います。

2.1 コアビジネス

基礎的な観点から、分散型コンピューティングパワーネットワークは、アイドルのコンピューティングパワープロバイダーがサービスを提供するためにトークンを活用して高度に均質化されています。この基礎的な論理に基づいて、プロジェクト間の主要なビジネスの違いを3つの側面から理解することができます:

• アイドルコンピューティングパワーのソース
  • 市場のアイドルコンピューティングパワーの主なソースは、主に2つの主要なカテゴリから来ています：1）データセンター、マイニング会社、その他の企業、および2）個人ユーザー。 データセンターは通常、専門グレードのハードウェアを保有していますが、個人ユーザーは一般的に消費者グレードのチップを購入します。
  • Aethir、Akash Network、およびGensynは、主に企業からコンピューティングパワーを収集しています。企業からの収集の利点には、以下が含まれます。1）ハードウェアの品質が高く、専門のメンテナンスチームがあるため、コンピューティングリソースの性能と信頼性が向上します。2）企業内およびデータセンターでのコンピューティングリソースのより均質な管理と中央集権的な管理により、より効率的なスケジューリングとメンテナンスが可能になります。ただし、このアプローチには、コンピューティングパワーを制御する企業とのビジネス関係を必要とするため、プロジェクトチームにはより高い要求があります。また、スケーラビリティと分散化がやや犠牲になる可能性があります。
  • Render Networkとio.netは、個々のユーザーに対してアイドルなコンピューティングパワーの提供を促し、そのインセンティブを与えます。個人からの資源の調達の利点には次のようなものがあります：1）個人からのアイドルなコンピューティングパワーの明示的なコストが低くなり、より経済的なコンピューティングリソースが提供されます。2）ネットワークのスケーラビリティと分散化が高まり、システムの強靭性と頑健性が向上します。ただし、欠点としては、個人間での資源の広範で異種な分布があるため、管理とスケジューリングが複雑化し、運用上の課題が増加します。また、個人のコンピューティングパワーに依存してネットワーク効果を発揮することはより困難です。最後に、個人が所有するデバイスはより多くのセキュリティリスクをもたらし、データの漏洩やコンピューティングパワーの誤用が起こる可能性があります。
• コンピューティングパワーコンシューマー
  • コンピューティングパワーの消費者の観点からは、Aethir、io.net、およびGensynは主に企業を対象としています。AIやリアルタイムゲームのレンダリングを必要とするなどのBエンドのクライアントにとって、高性能なコンピューティングリソースに対する高い需要があり、通常、ハイエンドのGPUやプロフェッショナルグレードのハードウェアが必要です。さらに、Bエンドのクライアントはコンピューティングリソースの安定性と信頼性に厳しい要件を持っており、スムーズなプロジェクトの運用と適時な技術サポートを確保するために高品質のサービスレベル契約が必要です。また、Bエンドのクライアントにとって、移行コストはかなりのものです。分散型ネットワークがプロジェクトの迅速な展開を容易にするための成熟したSDKを欠いている場合（たとえば、Akash Networkがユーザーにリモートポートに基づいて開発する必要がある場合）、クライアントを移行させることは困難になります。大幅な価格優位性がない限り、クライアントの移行意欲は低いままです。
  • Render NetworkとAkash Networkは、主に個人ユーザー向けのコンピューティングパワーサービスを提供しています。Cエンドの消費者にサービスを提供するには、プロジェクトがシンプルで使いやすいインターフェースとツールを設計し、ポジティブな消費者体験を提供する必要があります。また、消費者は価格に敏感であるため、プロジェクトは競争力のある価格戦略が必要です。
• ハードウェアタイプ
  • 一般的なコンピューティングハードウェアリソースには、CPU、FPGA、GPU、ASIC、およびSoCがあります。これらのハードウェアタイプには、設計目標、性能特性、および応用領域において重要な違いがあります。要約すると、CPUは一般的なコンピューティングタスクに優れており、FPGAは高並列処理とプログラム可能性に優れています。また、GPUは並列コンピューティングで優れたパフォーマンスを発揮し、ASICは特定のタスクに最も効率的です。一方、SoCは複数の機能を1つのユニットに統合し、高度に統合されたアプリケーションに適しています。ハードウェアの選択は、特定のアプリケーションのニーズ、パフォーマンス要件、およびコストの考慮に依存します。
  • 私たちが議論する分散型コンピューティングパワープロジェクトは、主にプロジェクトの種類とGPUの特性によって決定されるGPUコンピューティングパワーを収集します。GPU には、AI トレーニング、並列コンピューティング、マルチメディア レンダリングなどにおいて独自の利点があります。これらのプロジェクトには主にGPU統合が含まれますが、アプリケーションごとにハードウェアの仕様と要件が異なるため、最適化コアとパラメーターが異種になります。これらのパラメーターには、並列処理/シリアル依存関係、メモリ、待機時間などが含まれます。たとえば、レンダリング ワークロードは、レイ トレーシングなどのタスクに高い要件を必要とするため、実際には、より高性能なデータセンター GPU よりもコンシューマー グレードの GPU に適しています。4090sのようなコンシューマグレードのチップは、レイトレーシングタスク用に特別に最適化されたRTコアで強化されています。AI のトレーニングと推論には、プロフェッショナル グレードの GPU が必要です。したがって、Render Network は、RTX 3090 や 4090 などのコンシューマー グレードの GPU を個々のユーザーから集約できますが、IO.NET では、AI スタートアップのニーズを満たすために、より多くの H100 や A100 などのプロフェッショナル グレードの GPU が必要です。

2.2 マーケットポジショニング

プロジェクトの位置づけに関して、ベアメタルレイヤー、オーケストレーションレイヤー、および集約レイヤーにおいて、対処すべき核心的な問題、最適化の焦点、および価値の捕捉能力は異なります。

• ベアメタル層は物理リソースの収集と利用に焦点を当てています。オーケストレーション層は、コンピューティングパワーのスケジューリングと最適化に関与し、顧客のニーズに応じて物理ハードウェアの最適構成を設計します。集約層は汎用性があり、異なるリソースの統合と抽象化に焦点を当てています。
• 価値連鎖の観点から、各プロジェクトは裸の金属層から始め、徐々に上昇を目指すべきです。価値の獲得に関しては、能力は裸の金属層からオーケストレーション層、最終的に集約層まで徐々に増加します。集約層は最も価値を捉えることができます。なぜなら、集約プラットフォームは最大のネットワーク効果を実現し、最も多くのユーザーに直接到達できるため、分散型ネットワークのトラフィックエントリーポイントとして実質的に最高の価値を捉える位置を占めることができるからです。
• それに応じて、集約プラットフォームの構築は最も困難です。プロジェクトは技術的複雑さ、異種リソース管理、システムの信頼性と拡張性、ネットワーク効果の実現、セキュリティとプライバシー保護、複雑な運用管理の問題に包括的に対処する必要があります。これらの課題はプロジェクトの冷たいスタートにとって不利であり、セクターの開発状況やタイミングに依存しています。オーケストレーションレイヤーが成熟し、相当な市場シェアを獲得してから、集約レイヤーに取り組むことは現実的ではありません。
• 現在、Aethir、Render Network、Akash Network、および Gensyn はオーケストレーション レイヤーに属しています。彼らは、特定のターゲットと顧客グループにサービスを提供することを目的としています。Aethir の主な事業は、クラウド ゲーム用のリアルタイム レンダリングと、B エンドの顧客向けの特定の開発および展開環境とツールの提供です。Render Networkの主な事業はビデオレンダリングです。Akash Networkの使命は、淘宝網に似たマーケットプレイスプラットフォームを提供することです。GensynはAIのトレーニング分野に深く焦点を当てています。IO.net は自身をアグリゲーション レイヤーとして位置付けていますが、現在の機能は完全なアグリゲーション レイヤーの機能からはまだ少し離れています。Render NetworkとFilecoinからハードウェアを収集しましたが、ハードウェアリソースの抽象化と統合はまだ完了していません。

2.3 ハードウェア施設

• 現在、すべてのプロジェクトが詳細なネットワークデータを公開しているわけではありません。比較的、io.netのエクスプローラUIが最も優れており、GPU/CPUの数量、タイプ、価格、配布、ネットワーク使用状況、ノード収益などのパラメータを表示しています。しかし、4月末には、PUT/POSTインターフェースの認証が不足していたため、io.netのフロントエンドが攻撃を受け、ハッカーによるフロントエンドデータの改ざんが行われました。この事件は、他のプロジェクトのネットワークデータのプライバシーと信頼性について懸念が高まっています。
• GPUの数量やモデルに関しては、io.netは集約レイヤーであり、論理的に最もハードウェアが豊富であるべきです。Aethirはそれに続きますが、他のプロジェクトのハードウェアの状況はあまり透明ではありません。io.netにはA100のようなプロフェッショナルグレードのGPUや4090のようなコンシューマグレードのGPUなど、さまざまな種類のGPUがあり、io.netの集約ポジショニングに合致しています。これにより、ioは特定のタスク要件に基づいて最適なGPUを選択することができます。ただし、異なるGPUモデルやブランドには異なるドライバや構成が必要であり、ソフトウェアも複雑な最適化が必要で、管理およびメンテナンスの複雑さが増します。現在、ioのタスク割り当ては主にユーザーの自己選択に依存しています。
• Aethirは独自のマイニングマシンをリリースし、5月にはQualcommのサポートを受けたAethir Edgeが正式にローンチされました。これにより、単一の中央集権型GPUクラスターのユーザーから遠く離れた展開から脱却し、コンピューティングパワーをエッジに展開しています。H100クラスターのコンピューティングパワーと組み合わせたAethir Edgeは、トレーニング済みモデルを展開して最適なコストで推論コンピューティングサービスを提供するAIシナリオに役立ちます。このソリューションはユーザーにより近く、サービスがより速く、より高いコスト効率を提供します。
• 供給と需要の観点から、Akash Networkを例に取ると、その統計によれば、CPU総数は約16,000、GPUは378台です。ネットワークのレンタル需要に基づくと、CPUとGPUの利用率はそれぞれ11.1%と19.3%です。プロフェッショナルグレードのGPU H100だけが比較的高いレンタル率を持っており、他のほとんどのモデルはアイドル状態です。この状況は一般的に他のネットワークでも類似しており、全体的なネットワーク需要が低く、A100やH100などの人気のあるチップを除いて、ほとんどのコンピューティングパワーがアイドル状態にあります。
• 価格優位性の観点では、従来のサービスプロバイダーと比較して、クラウドコンピューティング市場の巨人たちに対して以外は、コスト優位性はそれほど大きくありません。

2.4 金融パフォーマンス

• トークンモデルがどのように設計されているかに関係なく、健全なトークノミクスは次の基本条件を満たす必要があります: 1) ユーザーのネットワークへの需要はトークン価格に反映されなければならず、つまりトークンが価値を捉えることができること; 2) 開発者、ノード、またはユーザーなど、すべての参加者が長期的かつ公正なインセンティブを受け取る必要があります; 3) 分散型のガバナンスを確保し、内部者による過剰な保有を避けること; 4) 価格の大幅な変動がネットワークの安定性と持続可能性に影響を与えないようにするために、適切なインフレーションおよびデフレーションのメカニズム、そしてトークンのリリーススケジュールを確保すること。
• トークンモデルを広く分類すると、BME（バーン＆ミント均衡）とSFA（アクセス権のためのステーク）に大別されます。これら2つのモデルの通貨総量の減少圧力は異なる要因から発生します。BMEモデルでは、ユーザーがサービスを購入した後にトークンが焼却されるため、システムの通貨総量の減少圧力は需要によって決定されます。一方、SFAモデルでは、サービスプロバイダー/ノードはサービスを提供するための資格を得るためにトークンをステークする必要があります。そのため、通貨総量の減少圧力は供給によってもたらされます。BMEの利点は、非標準化された商品にはより適していることです。ただし、ネットワークの需要が不十分な場合、連続的な通貨総量の増加圧力に直面する可能性があります。様々なプロジェクトのトークンモデルは細部に違いがありますが、一般的に、AethirはSFAにより傾倒しており、一方、io.net、Render Network、およびAkash NetworkはBMEにより傾倒しています。Gensynのモデルはまだ分かっていません。
• 収益面では、ネットワークの需要は、全体的なネットワーク収益（マイナーの収入を除く。マイナーはタスクを完了するための報酬とプロジェクトからの補助金を受け取るため）に直接反映されます。公開されているデータによると、io.net が最も高い価値を持っています。Aethirの収益はまだ開示されていませんが、公開情報によると、彼らは多くのBエンド顧客との契約を発表しています。
• トークン価格に関して、現時点でICOを実施したのはRender NetworkとAkash Networkだけです。Aethirとio.netも最近トークンを発行しましたが、その価格動向はさらなる観察が必要であり、ここでは詳細には議論されません。Gensynの計画はまだ不明です。トークンを発行した2つのプロジェクトおよびここで詳しくは議論されていない同じセクターの他のプロジェクトから、分散型コンピューティングパワーネットワークは非常に印象的な価格動向を示しており、これは市場の大きなポテンシャルとコミュニティの高い期待をある程度反映しています。

2.5 サマリー

• 分散化されたコンピューティングパワーネットワークセクターは急速に発展しており、多くのプロジェクトがすでに製品を通じて顧客にサービスを提供し、いくらかの収益を生み出しています。このセクターは純粋な説明を超え、予備的なサービスを提供できる段階に入っています。
• 分散コンピューティングパワーネットワークが直面する一般的な問題は、需要が低く、長期的な顧客ニーズが十分に検証および探求されていないことです。ただし、需要側の課題はトークン価格にほとんど影響を与えておらず、トークンを発行したわずかなプロジェクトは印象的なパフォーマンスを示しています。
• AIは分散コンピューティングパワーネットワークの主要なナラティブですが、唯一の応用ではありません。AIのトレーニングや推論に加えて、コンピューティングパワーはクラウドゲーム、クラウドモバイルサービスなどでリアルタイムレンダリングにも使用されることがあります。
• コンピューティングパワーネットワークのハードウェアは非常に異質であり、これらのネットワークの品質と規模はさらなる改善が必要です。Cエンドユーザーにとっては、コストの利点はあまり大きくありません。Bエンドユーザーにとっては、コスト削減以外にも、サービスの安定性、信頼性、技術サポート、コンプライアンス、法的サポートなどの要因も考慮する必要があります。Web3プロジェクトは一般的にこれらの分野でうまく機能しません。

3つのまとめ

AIの指数関数的な成長は、計算パワーへの大規模な需要増加を不可否定にもたらしました。2012年以来、AIトレーニングタスクで使用される計算パワーは指数関数的に増加し、約3.5ヶ月ごとに倍増しています（対照的に、ムーアの法則は18ヶ月ごとの倍増を予測しています）。2012年以来、計算パワーへの需要は300,000倍以上増加し、ムーアの法則が予測する12倍増を大幅に上回っています。予測によると、GPU市場は次の5年間で年平均成長率32%で成長し、2000億ドルを超える見込みです。AMDの推定ではさらに高く、同社は2027年までにGPUチップ市場が4000億ドルに達すると予測しています。

画像のソース: https://www.stateof.ai/

人工知能やその他のコンピューティングパワーを必要とするワークロードの爆発的な成長は、従来のクラウドコンピューティングと主要なコンピューティング市場の構造的な非効率性を露呈しました。理論的には、分散型のコンピューティングパワーネットワークは、分散されたアイドルなコンピューティングリソースを活用して、コンピューティングリソースの巨大な需要に対応するより柔軟で費用効果の高い、効率的なソリューションを提供することができます。

このように、仮想通貨とAIの組み合わせは大きな市場の可能性を秘めていますが、従来の企業との激しい競争、高い参入障壁、複雑な市場環境にも直面しています。全体として、すべての暗号セクターの中で、分散型コンピューティングパワーネットワークは、実際の需要を満たすために暗号分野で最も有望な垂直分野の1つです。

画像の出典:https://vitalik.eth.limo/general/2024/01/30/cryptoai.html

未来は明るいが、道のりは挑戦的だ。上記のビジョンを実現するためには、数々の問題や課題に取り組む必要があります。要するに、この段階では、従来のクラウドサービスを提供するだけではプロジェクトには利益がほとんど生まれません。

需要側から見ると、大企業は通常、独自のコンピューティングパワーを構築しますが、ほとんどの個人開発者は既存のクラウドサービスを選ぶ傾向があります。分散型コンピューティングパワーネットワークリソースの実際のユーザーである中小企業が安定した需要を持つかどうかは、さらに探求され、検証される必要があります。

一方で、AIは非常に高い潜在力と想像力を持つ広範な市場です。このより広範な市場に参入するために、将来の分散型コンピューティングパワーサービスプロバイダは、モデルやAIサービスの提供に移行し、さらに暗号資産+AIの使用例を探求し、彼らのプロジェクトが創造できる価値を拡大する必要があります。しかし、現在、AI分野への更なる発展に向けて多くの問題や課題が解決される必要があります:

• 価格優位性は顕著ではありません：前のデータを比較すると、分散型コンピューティングパワーネットワークは顕著なコスト優位性を示していません。これは、H100やA100のような高需要の専門チップが安価に価格設定されていないという市場メカニズムによるものかもしれません。さらに、分散化による経済の規模の欠如、高いネットワークおよび帯域幅のコスト、および管理および運用の複雑さによる隠れたコストが計算コストをさらに増加させています。
• AIトレーニングの特定の課題：分散型のAIトレーニングを行う場合、現在はかなりの技術的なボトルネックが存在しています。これらのボトルネックは、GPUのワークフローで視覚的に明らかになります：大規模な言語モデルのトレーニング中、GPUはまず前処理されたデータバッチを受け取り、前方および後方伝播のための勾配を計算します。その後、GPUは勾配を集約し、モデルパラメータを更新して同期を確保します。この反復プロセスは、すべてのバッチがトレーニングされるか、指定されたエポック数に達するまで続きます。これには大量のデータ転送と同期が必要です。どの並列および同期戦略を使用するか、ネットワークの帯域幅とレイテンシを最適化する方法、および通信コストを削減する方法など、解決すべき問題はほとんどありません。現在、分散型のコンピューティングパワーネットワークをAIトレーニングに使用することは実用的ではありません。
• データセキュリティとプライバシー上の懸念：大規模言語モデルのトレーニングプロセスでは、データの扱いや伝送に関するすべての段階（データ割り当て、モデルトレーニング、パラメーターおよび勾配の集約など）が、データセキュリティとプライバシーに潜在的な影響を与える可能性があります。プライバシー上の懸念は、特に機密データを含むモデルでは特に重要です。データプライバシーの問題を解決しない場合、需要側のスケーリングは実現不可能です。

実用的な観点から見ると、分散型コンピューティングパワーネットワークは、現在の需要探索と将来の市場機会のバランスをとる必要があります。製品のポジショニングとターゲットオーディエンスを明確にすることが重要です。最初は非AIやWeb3ネイティブのプロジェクトに焦点を当て、比較的ニッチな需要に対応することで、早期のユーザーベースを確立することができます。同時に、AIと暗号が融合するさまざまなシナリオの継続的な調査が不可欠です。これには、技術のフロンティアを探求し、進化するニーズを満たすためにサービスをアップグレードすることが含まれます。分散型コンピューティングパワーネットワークは、製品提供を市場の需要に戦略的に合わせ、技術の進歩の最前線に立ち続けることで、持続的な成長と市場との関連性を効果的に高めることができます。

参照

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

ステートメント:

1. この記事は[から再生されました友笔资本], 著作権は元の著者に帰属します [Youbi], もし転載に異議がある場合は、お問い合わせください ゲート ラーンチームは、関連手続きに従ってできるだけ早く対応します。

2. 免責事項：この記事で表明されている見解や意見は、筆者個人のものであり、投資勧誘を意図したものではありません。

3. 他の言語版の記事はGate Learnチームによって翻訳され、言及されていませんGate.io、翻訳された記事は複製、配布、または盗作されることはありません。