1 Перетин штучного інтелекту та крипто

23 травня гігант мікросхем NVIDIA опублікував фінансовий звіт за перший квартал 2025 фінансового року. Звіт показав, що виручка NVIDIA за перший квартал склала $26 млрд. Серед них дохід дата-центрів зріс на приголомшливі 427% порівняно з минулим роком і досяг $22,6 млрд. Здатність NVIDIA одноосібно підвищувати фінансові показники фондового ринку США відображає вибуховий попит на обчислювальні потужності серед глобальних технологічних компаній, що конкурують на арені штучного інтелекту. Чим більше топові технологічні компанії розширюють свої амбіції в гонці штучного інтелекту, тим більший їхній експоненціально зростаючий попит на обчислювальні потужності. Згідно з прогнозом TrendForce, очікується, що до 2024 року попит на високоякісні сервери штучного інтелекту з боку чотирьох основних постачальників хмарних послуг США — Microsoft, Google, AWS і Meta — разом становитиме понад 60% світового попиту, а акції прогнозуються на рівні 20,2%, 16,6%, 16% і 10,8% відповідно.

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

«Дефіцит мікросхем» останніми роками постійно стає модним словом. З одного боку, великі мовні моделі (LLM) вимагають значних обчислювальних потужностей для навчання та висновків. У міру того, як моделі повторюються, витрати та попит на обчислювальні потужності експоненціально зростають. З іншого боку, великі компанії, такі як Meta, закуповують величезну кількість чіпів, що призводить до того, що глобальні обчислювальні ресурси схиляються в бік цих технологічних гігантів, що ускладнює малим підприємствам отримання необхідних обчислювальних ресурсів. Проблеми, з якими стикаються малі підприємства, пов'язані не лише з дефіцитом мікросхем через стрімке зростання попиту, а й зі структурними протиріччями в пропозиції. В даний час все ще існує велика кількість незадіяних графічних процесорів на стороні пропозиції; Наприклад, деякі центри обробки даних мають велику кількість незадіяних обчислювальних потужностей (з коефіцієнтом використання від 12% до 18%), а значні обчислювальні ресурси також простоюють у зашифрованому майнінгу через зниження прибутковості. Хоча не вся ця обчислювальна потужність підходить для спеціалізованих додатків, таких як навчання ШІ, апаратне забезпечення споживчого класу все одно може відігравати значну роль в інших областях, таких як висновки ШІ, візуалізація хмарних ігор, хмарні телефони тощо. Можливості для інтеграції та використання цих обчислювальних ресурсів величезні.

Змістивши фокус зі штучного інтелекту на криптовалюту, після трирічного мовчання на ринку криптовалют нарешті з'явився ще один бичачий ринок. Ціни на біткойн неодноразово досягали нових максимумів, а різні монети-меми продовжують з'являтися. Незважаючи на те, що в останні роки штучний інтелект і криптовалюта були модними словами, штучний інтелект і блокчейн як дві важливі технології здаються паралельними лініями, які ще не знайшли «перетину». На початку цього року Віталік опублікував статтю під назвою «Перспективи та виклики додатків крипто + штучного інтелекту», в якій обговорює майбутні сценарії, де ШІ та криптовалюта зійдуться. У статті Віталік виклав багато бачень, включаючи використання технологій шифрування блокчейну та MPC (багатосторонніх обчислень) для децентралізованого навчання та висновків ШІ, що може відкрити чорну скриньку машинного навчання та зробити моделі штучного інтелекту більш надійними, серед інших переваг. Хоча реалізація цих бачень вимагатиме значних зусиль, один із прикладів використання, згаданий Віталіком — розширення можливостей штучного інтелекту за допомогою криптоекономічних стимулів — є важливим напрямком, якого можна досягти в короткостроковій перспективі. Децентралізовані обчислювальні мережі в даний час є одним з найбільш підходящих сценаріїв для інтеграції AI + криптовалюта.

2 Децентралізована мережа обчислювальної потужності

Наразі існує безліч проєктів, які розвиваються в просторі децентралізованої обчислювальної потужності. Основна логіка цих проєктів схожа і може бути узагальнена таким чином: використання токенів для стимулювання постачальників обчислювальної потужності для участі в мережі та надання своїх обчислювальних ресурсів. Ці розсіяні обчислювальні ресурси можуть агрегуватися в децентралізовані мережі обчислювальної потужності значного масштабу. Цей підхід не лише збільшує використання простою обчислювальної потужності, але й задовольняє потреби клієнтів у обчисленнях за менші витрати, досягаючи виграшної ситуації як для покупців, так і для продавців.

Для того щоб надати читачам всебічне розуміння цього сектору за короткий проміжок часу, у цій статті будуть деконструйовані конкретні проекти та весь сектор як з мікро-, так і з макроперспективи. Мета полягає в наданні аналітичних уявлень для розуміння основних конкурентних переваг кожного проекту та загального розвитку сектору децентралізованої обчислювальної потужності. Автор представить та проаналізує п'ять проектів: Aethir, io.net, Render Network, Akash Network та Gensyn, та підсумує та оцінить їхню ситуацію та розвиток сектору.

З точки зору аналітичного каркасу, фокусуючись на конкретній децентралізованій обчислювальній мережі, ми можемо розібрати її на чотири основні компоненти:

• Мережа апаратного забезпечення: Інтеграція розсіяних обчислювальних ресурсів через вузли, розподілені по всьому світу, для сприяння спільному використанню ресурсів та балансуванню навантаження становить основний рівень мереж децентралізованої обчислювальної потужності.
• Дводольний ринок: Забезпечення відповідності постачальників обчислювальної потужності та замовників за допомогою ефективного ціноутворення та механізмів виявлення, забезпечення безпечної торгівельної платформи, що гарантує прозорі, справедливі та надійні угоди для обох сторін.
• Механізм консенсусу: Забезпечення правильної роботи вузлів у мережі та виконання завдань. Механізм консенсусу контролює два аспекти: 1) Время безвідмовної роботи вузла для забезпечення його активності та готовності приймати завдання у будь-який момент. 2) Доказ завершення завдання: Вузли ефективно та правильно виконують завдання без відхилення обчислювальної потужності на інші цілі, займання процесів та потоків.
• Стимули токенів: Моделі токенів стимулюють більше учасників надавати/використовувати послуги, захоплюючи мережеві ефекти з токенами для сприяння спільнотній користі.

З погляду загального огляду сектору децентралізованої обчислювальної потужності, дослідження Blockworks надає міцну аналітичну рамку, яка категоризує проекти на три різних рівня.

• Шар відкритого металу: Формує основний шар децентралізованого стека обчислювальних ресурсів, відповідає за агрегацію сирих обчислювальних ресурсів та забезпечення доступу до них за допомогою викликів API.
• Шар оркестрування: Складає середній рівень децентралізованого стеку обчислювальної потужності, переважно спрямований на координацію та абстракцію. Він вирішує завдання, такі як планування, масштабування, операція, балансування навантаження та стійкість до відмов обчислювальної потужності. Його основна роль полягає в тому, щоб «абстрагувати» складність управління базовим апаратним забезпеченням, надаючи більш розвинений інтерфейс користувача, пристосований до конкретних потреб клієнта.
• Шар агрегації: Утворює верхній шар децентралізованого стеку обчислювальної потужності, в основному відповідає за інтеграцію. Він забезпечує єдиний інтерфейс для користувачів для виконання різних обчислювальних завдань в одному місці, таких як навчання штучного інтелекту, рендеринг, zkML та інше. Цей шар діє як оркестраційний та розподільчий шар для кількох децентралізованих обчислювальних сервісів.

Джерело зображення: Youbi Capital

На основі двох наданих аналітичних рамок ми проведемо порівняльний аналіз п'яти вибраних проектів за чотирма вимірами: основний бізнес, позиціонування на ринку, апаратні засоби та фінансові показники.

2.1 Основний бізнес

З фундаментальної точки зору, децентралізовані мережі обчислювальної потужності мають високу гомогенізацію, використовуючи токени для стимулювання постачальників вільної обчислювальної потужності надавати свої послуги. На основі цієї фундаментальної логіки ми можемо зрозуміти основні різниці в бізнесі серед проектів з трьох аспектів:

• Джерело бездіяльної обчислювальної потужності
  • Джерелами бездіяльної обчислювальної потужності на ринку передусім є дві основні категорії: 1) центри обробки даних, майнінгові компанії та інші підприємства; та 2) окремі користувачі. Центри обробки даних зазвичай мають професійне обладнання, тоді як окремі користувачі, як правило, придбовують чіпи для споживачів.
  • Aethir, Akash Network і Gensyn в основному збирають обчислювальні потужності від підприємств. До переваг сорсингу з боку підприємств можна віднести: 1) більш якісне обладнання та професійні команди технічного обслуговування, що призводить до підвищення продуктивності та надійності обчислювальних ресурсів; 2) більш однорідність і централізоване управління обчислювальними ресурсами на підприємствах і в центрах обробки даних, що призводить до більш ефективного планування і обслуговування. Однак такий підхід вимагає більш високих вимог від проектних команд, що вимагає ділових відносин з підприємствами, які контролюють обчислювальні потужності. Крім того, масштабованість і децентралізація можуть бути дещо скомпрометовані.
  • Render Network і io.net стимулювати окремих користувачів надавати свої обчислювальні потужності, що простоюють. До переваг отримання від приватних осіб можна віднести: 1) нижчі явні витрати на незадіяні обчислювальні потужності у фізичних осіб, що забезпечує більш економічні обчислювальні ресурси; 2) Вища масштабованість і децентралізація мережі, підвищення стійкості та надійності системи. Однак до недоліків можна віднести широко поширений і неоднорідний розподіл ресурсів між окремими особами, що ускладнює управління і планування, збільшуючи операційні проблеми. Крім того, покладатися на окремі обчислювальні потужності для ініціювання мережевих ефектів може бути складніше. Нарешті, пристрої, що належать фізичним особам, можуть становити більше ризиків для безпеки, потенційно призводячи до витоку даних і неправильного використання обчислювальної потужності.
• Споживач обчислювальної потужності
  • З точки зору споживачів обчислювальної потужності, Aethir, io.net і Gensyn в першу чергу націлені на підприємства. Для клієнтів B-класу, наприклад, тих, кому потрібен штучний інтелект та рендеринг в іграх у реальному часі, існує високий попит на високопродуктивні обчислювальні ресурси, для яких зазвичай потрібні високоякісні графічні процесори або апаратне забезпечення професійного рівня. Крім того, B-end клієнти висувають жорсткі вимоги до стабільності та надійності обчислювальних ресурсів, що вимагає високоякісних угод про рівень обслуговування для забезпечення безперебійної роботи проекту та своєчасної технічної підтримки. Крім того, витрати на міграцію для B-end клієнтів є значними. Якщо децентралізованим мережам не вистачає зрілих SDK для полегшення швидкого розгортання для проєктів (наприклад, Akash Network вимагає від користувачів розробки на основі віддалених портів), стає складно переконати клієнтів перейти на міграцію. Якщо немає значної цінової переваги, готовність клієнтів до міграції залишається низькою.
  • Render Network та Akash Network в основному надають послуги обчислювальної потужності індивідуальним користувачам. Обслуговування споживачів C-кінця вимагає від проектів розробки простих та зручних інтерфейсів та інструментів, щоб забезпечити позитивний досвід споживачів. Крім того, споживачі мають високу чутливість до цін, що вимагає конкурентних стратегій ціноутворення від проектів.
• Тип обладнання
  • Загальні обчислювальні апаратні ресурси включають ЦП, ФПГА, ГПУ, ASIC і SoC. Ці типи апаратури мають значні відмінності в цілях проектування, характеристиках продуктивності та областях застосування. Узагальнюючи, ЦП відмінно підходять для загальних обчислювальних завдань, ФПГА мають переваги у високопаралельній обробці та програмованості, ГПУ добре виконують паралельні обчислення, ASIC найефективніші для конкретних завдань, а SoC поєднують кілька функцій в одну одиницю і підходять для високоінтегрованих застосувань. Вибір апаратури залежить від конкретних потреб застосування, вимог до продуктивності та витрат.
  • Проекти децентралізованих обчислювальних потужностей, які ми обговорюємо, в основному збирають обчислювальну потужність GPU, яка визначається типом проекту та характеристиками графічних процесорів. Графічні процесори мають унікальні переваги в навчанні штучного інтелекту, паралельних обчисленнях, рендерингу мультимедіа тощо. Хоча ці проекти в основному передбачають інтеграцію графічного процесора, різні програми мають різні апаратні специфікації та вимоги, що призводить до гетерогенних ядер оптимізації та параметрів. Ці параметри включають паралелізм/послідовні залежності, пам'ять, затримку тощо. Наприклад, робочі навантаження рендерингу насправді більше підходять для графічних процесорів споживчого класу, ніж для більш продуктивних графічних процесорів центрів обробки даних, оскільки рендеринг вимагає високих вимог до таких завдань, як трасування променів. Чипи споживчого класу, такі як 4090, посилені ядрами RT, спеціально оптимізованими для завдань трасування променів. Для навчання та висновків штучного інтелекту потрібні графічні процесори професійного рівня. Таким чином, Render Network може об'єднувати графічні процесори споживчого класу, такі як RTX 3090 і 4090, від окремих користувачів, тоді як IO.NET потрібно більше H100, A100 та інших графічних процесорів професійного рівня для задоволення потреб стартапів штучного інтелекту.

2.2 Позиціонування на ринку

Щодо позиціонування проекту, основні питання, які потрібно вирішити, фокус оптимізації та можливості захоплення цінності відрізняються для рівня металу, рівня оркестрування та рівня агрегації.

• Шар голого металу фокусується на зборі та використанні фізичних ресурсів. Шар оркестрації стосується планування та оптимізації обчислювальної потужності, проектування оптимальної конфігурації фізичного обладнання згідно з потребами клієнта. Шар агрегації є загальнопризначеним і фокусується на інтеграції та абстракції різних ресурсів.
• З точки зору ланцюжка створення вартості, кожен проект повинен починатися з голого шару металу і прагнути до зростання вгору. З точки зору захоплення вартості, можливості поступово зростають від шару голого металу до рівня оркестрації і, нарешті, до рівня агрегації. Рівень агрегації може отримати найбільшу цінність, оскільки платформа агрегації може досягти найбільших мережевих ефектів і безпосередньо охопити найбільшу кількість користувачів, ефективно діючи як точка входу трафіку для децентралізованої мережі, таким чином займаючи найвищу позицію захоплення цінності у всьому стеку управління обчислювальними ресурсами.
• Відповідно, побудова платформи агрегації є найбільш складною. Проект повинен комплексно вирішувати технічну складність, управління гетерогенними ресурсами, надійність і масштабованість системи, реалізацію мережевого ефекту, захист від несправностей та конфіденційність, а також складні проблеми управління операціями. Ці виклики несприятливі для початкового запуску проекту та залежать від ситуації розвитку та часу сектору. Нереалістично працювати над шаром агрегації до того, як шар оркестрації стане зрілим і захопить значну частку ринку.
• Наразі Aethir, Render Network, Akash Network і Gensyn належать до оркестраційного рівня. Вони мають на меті надавати послуги для конкретних цілей та груп клієнтів. Основною сферою діяльності Aethir є рендеринг у реальному часі для хмарного геймінгу та надання певних середовищ розробки та інструментів для клієнтів B-кінця; Основною сферою діяльності Render Network є відеорендеринг; Місією Akash Network є надання платформи маркетплейсу, схожої на Taobao; а Gensyn глибоко фокусується на сфері навчання ШІ. IO.net позиціонує себе як агрегаційний рівень, але його поточні можливості все ще далекі від повноцінного агрегаційного рівня. Незважаючи на те, що він зібрав апаратне забезпечення від Render Network та Filecoin, абстракція та інтеграція апаратних ресурсів ще не були завершені.

2.3 Апаратні засоби

• На даний момент не всі проекти оприлюднили докладні мережеві дані. Порівняно з іншими, інтерфейс io.net є найкращим, що відображає параметри, такі як кількість GPU/CPU, типи, ціни, розподіл, використання мережі та прибуток від вузла. Однак наприкінці квітня фронтенд io.net був атакований через відсутність автентифікації для інтерфейсів PUT/POST, що призвело до того, що зловмисники підробили дані фронтенду. Цей інцидент викликав стурбованість щодо конфіденційності та надійності мережевих даних для інших проектів також.
• Щодо кількості та моделей GPU io.net, як агрегаційного рівня, логічно, що в нього повинно бути найбільше обладнання. Aethir слідує за ним дуже близько, тоді як статус обладнання інших проектів менш прозорий. У io.net є великий вибір GPU, включаючи професійні GPU, такі як A100, і споживчі GPU, такі як 4090, що відповідає позиціонуванню агрегації io.net. Це дозволяє io вибирати найбільш підходящий GPU залежно від конкретних вимог до завдання. Однак різні моделі та бренди GPU можуть вимагати різних драйверів та конфігурацій, а також програмне забезпечення також потребує складної оптимізації, що збільшує складність управління та обслуговування. На даний момент розподіл завдань io в основному ґрунтується на самовиборі користувача.
• Aethir випустила свій власний гірничий комп'ютер, а в травні офіційно було запущено Aethir Edge, підтримане Qualcomm. Це відокремлюється від одиночного централізованого розгортання кластера GPU, що далеко від користувачів, розгортаючи обчислювальну потужність до краю. Aethir Edge, спільно з обчислювальною потужністю кластера H100, обслуговує сценарії штучного інтелекту, розгортаючи навчені моделі для надання обчислювальних послуг інференції за оптимальними витратами. Це рішення ближче до користувачів, швидше в обслуговуванні і пропонує вищу ефективність витрат.
• З точки зору попиту та пропозиції, на прикладі Akash Network, її статистика показує загальну кількість процесорів близько 16 тисяч і 378 графічних процесорів. Виходячи з попиту на оренду мережі, коефіцієнти використання CPU та GPU становлять 11,1% та 19,3% відповідно. Лише графічний процесор професійного рівня H100 має відносно високу орендну ставку, тоді як більшість інших моделей простоюють. Ця ситуація загалом схожа в інших мережах, при цьому загальний попит на мережу низький, а більшість обчислювальних потужностей, за винятком популярних чіпів, таких як A100 і H100, залишаються неактивними.
• З точки зору цінової переваги, порівняно з традиційними постачальниками послуг, перевага у вартості не є значною, за винятком гігантів ринку хмарних обчислень.

2.4 Фінансові показники

• Незалежно від того, як розроблена модель токена, здорова економіка токенів повинна відповідати наступним основним умовам: 1) Попит користувачів на мережу повинен відображатися у ціні токена, що означає, що токен може захоплювати значення; 2) Всі учасники, незалежно від того, чи це розробники, вузли або користувачі, повинні отримувати тривалі та справедливі стимули; 3) Забезпечити децентралізоване управління та уникнути надмірного утримання внутрішніми особами; 4) Розумні механізми інфляції та дефляції, графіки випуску токенів, щоб уникнути значних коливань ціни, що впливають на стабільність та життєздатність мережі.
• Якщо ми широко класифікуємо моделі токенів на BME (рівновагу згоряння і виготовлення) і SFA (стейк для доступу), то дефляційний тиск цих двох моделей виникає з різних джерел: У моделі BME токени згорають після того, як користувачі придбали послуги, тому дефляційний тиск системи визначається попитом. У моделі SFA постачальники послуг / вузли повинні ставити токени, щоб отримати кваліфікацію для надання послуг, тому дефляційний тиск зумовлений постачанням. Перевагою BME є те, що вона більш підходить для нестандартних товарів. Однак, якщо попит мережі недостатній, вона може зазнавати постійного інфляційного тиску. Моделі токенів різних проектів відрізняються деталями, але, загалом, Aethir нахиляється більше до SFA, тоді як io.net, Render Network і Akash Network нахиляються більше до BME. Модель Gensyn досі невідома.
• З погляду доходів попит мережі буде безпосередньо відображатися в загальних доходах мережі (за винятком доходів майнерів, оскільки майнери отримують винагороду за виконання завдань та субсидії від проектів). За загальнодоступними даними, io.net має найвищу вартість. Хоча доходи Aethir ще не були оприлюднені, відомості зазначають, що вони оголосили про підписання угод з багатьма клієнтами B-кінця.
• Щодо цін на токени, поки що ICO провели лише Render Network та Akash Network. Aethir та io.net також недавно випустили токени, але їхній курс потребує подальшого спостереження і не буде розглядатись детальніше тут. Плани Gensyn ще неясні. З двох проектів, що випустили токени, та інших проектів у тому ж секторі, про які тут не говоряться, децентралізовані мережі обчислювальної потужності продемонстрували дуже вражаючу курсову динаміку, відображаючи значний потенціал ринку та високі очікування спільноти до певної міри.

2.5 Огляд

• Сектор децентралізованої обчислювальної потужності розвивається швидко, і вже багато проєктів здатні обслуговувати клієнтів через свої продукти й генерувати певний дохід. Сектор вийшов за межі простої наративної розмови і увійшов у фазу, коли можуть надаватися попередні послуги.
• Однією зі спільних проблем, з якими стикаються децентралізовані мережі обчислювальної потужності, є слабкий попит, оскільки потреби клієнтів на довгостроковий період не були належним чином підтверджені та досліджені. Однак виклики з боку попиту не мають значного впливу на ціни токенів, оскільки кілька проектів, які випустили токени, показали вражаючу продуктивність.
• Штучний інтелект - це основна концепція для децентралізованих обчислювальних мереж, але не єдине застосування. Окрім тренування та інференції штучного інтелекту, обчислювальна потужність також може бути використана для реального часу в хмарному греймінгу, хмарних мобільних сервісах та інших сферах.
• Апаратне забезпечення в мережах обчислювальної потужності є високо гетерогенним, і якість та масштаб цих мереж потребують подальшого вдосконалення. Для користувачів C-кінця перевага вартості не є дуже значною. Для користувачів B-кінця, окрім економії коштів, також потрібно враховувати такі фактори, як стабільність обслуговування, надійність, технічна підтримка, відповідність і юридична підтримка. Проекти Web3, як правило, не проявляються добре у цих сферах.

3 Висновки

Експоненціальне зростання штучного інтелекту, безсумнівно, призвело до величезного попиту на обчислювальні потужності. З 2012 року обчислювальна потужність, що використовується в навчальних завданнях ШІ, зростає в геометричній прогресії, подвоюючись приблизно кожні 3,5 місяці (для порівняння, закон Мура передбачає подвоєння кожні 18 місяців). З 2012 року попит на обчислювальні потужності зріс більш ніж у 300 000 разів, що значно перевищує 12-кратне зростання, передбачене законом Мура. Прогнози передбачають, що ринок графічних процесорів зростатиме із сукупним річним темпом зростання 32% протягом наступних п'яти років, досягнувши понад 200 мільярдів доларів. Оцінки AMD ще вищі: компанія прогнозує, що ринок чіпів GPU досягне 400 мільярдів доларів до 2027 року.

Джерело зображення: https://www.stateof.ai/

Вибуховий ріст штучного інтелекту та інших обчислювально-інтенсивних завдань, таких як обробка AR/VR, розкриває структурні неефективності в традиційних ринках хмарних обчислень та провідних комп'ютерних ринках. У теорії, децентралізовані мережі обчислювальної потужності можуть використовувати розподілені незайняті обчислювальні ресурси для надання більш гнучких, вигідних та ефективних рішень для задоволення масштабного попиту на обчислювальні ресурси.

Отже, поєднання крипто та ШІ має великий ринковий потенціал, але також зіткнулося з жорсткою конкуренцією з боку традиційних підприємств, високими бар'єрами входу та складним ринковим середовищем. В цілому, серед усіх крипто-секторів, децентралізовані мережі обчислювальної потужності є одними з найбільш перспективних вертикалей в крипто-сфері, які задовольняють реальний попит.

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

Майбутнє світле, але дорога важка. Для досягнення зазначеної вище візії нам потрібно вирішити безліч проблем і викликів. Загалом, на цьому етапі просто надання традиційних хмарних послуг призводить до невеликого рівня прибутку для проектів.

З боку попиту великі підприємства зазвичай будують власну обчислювальну потужність, тоді як більшість індивідуальних розробників віддають перевагу встановленим хмарним сервісам. До цього моменту залишається дослідити та підтвердити, чи буде стійким попит малих та середніх підприємств, реальних користувачів ресурсів децентралізованої обчислювальної потужності.

З іншого боку, штучний інтелект - це великий ринок з надзвичайним потенціалом та уявою. Щоб отримати доступ до цього ширшого ринку, майбутні постачальники послуг децентралізованої обчислювальної потужності повинні переходити до пропозиційних моделей та послуг штучного інтелекту, досліджуючи більше випадків використання крипто + штучного інтелекту та розширюючи цінність, яку можуть створити їхні проекти. Однак наразі існують багато проблем та викликів, які потребують вирішення перед подальшим розвитком у галузі штучного інтелекту:

• Цінова перевага не є помітною: порівняння попередніх даних показує, що децентралізовані обчислювальні енергетичні мережі не демонструють значних переваг у витратах. Це може бути пов'язано з ринковими механізмами, які диктують, що спеціалізовані чіпи високого попиту, такі як H100 і A100, не коштують дешево. Крім того, відсутність економії на масштабі від децентралізації, високі витрати на мережу та пропускну здатність, а також значна складність управління та операцій додають приховані витрати, які ще більше збільшують обчислювальні витрати.
• Конкретні проблеми в навчанні ШІ: Проведення навчання ШІ децентралізованим способом наразі стикається зі значними технічними вузькими місцями. Ці вузькі місця візуально помітні в робочому процесі графічного процесора: під час навчання великих мовних моделей графічні процесори спочатку отримують попередньо оброблені пакети даних для прямого та зворотного поширення для обчислення градієнтів. Потім графічні процесори агрегують градієнти та оновлюють параметри моделі, щоб забезпечити синхронізацію. Цей ітераційний процес триває доти, доки не будуть навчені всі партії або не буде досягнуто певної кількості епох. Він передбачає широку передачу даних і синхронізацію. Такі питання, як те, які стратегії паралельного зв'язку та синхронізації використовувати, як оптимізувати пропускну здатність мережі та затримку, а також як зменшити витрати на зв'язок, залишаються значною мірою невирішеними. Наразі використання децентралізованих обчислювальних мереж для навчання ШІ є недоцільним.
• Проблеми безпеки даних та конфіденційності: Під час навчання великих мовних моделей кожний етап, пов'язаний із обробкою та передачею даних, такий як розподіл даних, навчання моделі, агрегація параметрів та градієнтів, може потенційно вплинути на безпеку та конфіденційність даних. Проблеми конфіденційності особливо критичні для моделей, які включають чутливі дані. Без вирішення проблем конфіденційності даних масштабування з боку попиту є неможливим.

З прагматичної перспективи, децентралізована мережа обчислювальної потужності повинна балансувати поточне дослідження попиту з майбутніми ринковими можливостями. Важливо визначити чітку позицію продукту та цільову аудиторію. Початковий фокус на проекти, що не є нативними до штучного інтелекту або Web3, та вирішення відносно нішевих потреб може допомогти встановити початкову користувальницьку базу. Одночасно, постійне дослідження різних сценаріїв злиття штучного інтелекту та криптовалют є важливим. Це передбачає дослідження технологічних фронтів та покращення послуг для задоволення зростаючих потреб. Шляхом стратегічного вирівнювання пропозицій продукту з ринковими вимогами та перебування в передовому ряді технологічних досягнень, децентралізовані мережі обчислювальної потужності можуть ефективно позиціонувати себе для стійкого зростання та релевантності на ринку.

Посилання

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

Заява:

1. Цю статтю відтворено з [Youbi Capital], авторське право належить оригінальному автору [Youbi], якщо у вас є будь-які заперечення щодо передруку, будь ласка, зв'яжіться з Ворота Вивчайтекоманда, і команда якнайшвидше розгляне це згідно відповідних процедур.

2. Увага: Погляди та думки, висловлені в цій статті, відображають лише особисті погляди автора і не становлять жодних інвестиційних порад.

3. Інші мовні версії статті перекладені командою Gate Learn і не згадуються в Gate.io, перекладена стаття не може бути відтворена, поширена або узята з чужого джерела.