ولد في الحافة: كيف يمكن لشبكات الحوسبة غير المركزية أن تمكّن Crypto و AI؟

المؤلف الأصلي: جين دوي، تشين لي

مصدر المقال: Youbi Capital

1 نقطة تقاطع بين الذكاء الاصطناعي والعملات المشفرة

في 23 مايو، أعلنت NVIDIA، العملاقة في مجال الشرائح الإلكترونية، عن نتائجها المالية للربع الأول من السنة المالية 2025. وبلغت إيرادات الربع الأول من السنة المالية لشركة NVIDIA 26 مليار دولار، حيث ارتفعت إيرادات مركز البيانات بنسبة 427٪ عن العام الماضي لتصل إلى 22.6 مليار دولار، وهو رقم مدهش. تعكس النتائج المالية المذهلة لشركة NVIDIA قدرتها الفريدة على إنقاذ سوق الأسهم الأمريكية، وتعكس أيضًا ارتفاعاً مطردًا في الطلب على القوة الحاسوبية من قبل شركات التكنولوجيا العالمية الرائدة التي تنافس في سباق الذكاء الاصطناعي. كلما كانت الشركات التكنولوجية الرائدة أكثر طموحًا في استراتيجية الذكاء الاصطناعي، زادت احتياجاتها للقوة الحاسوبية بشكل متسارع. وفقًا لتوقعات TrendForce، يُتوقع أن تشكل احتياجات أربعة من كبريات مزودي خدمات الحوسبة السحابية في الولايات المتحدة (مايكروسوفت وجوجل و AWS وميتا) لخوادم الذكاء الاصطناعي على المستوى العالي حوالي 20.2٪ و 16.6٪ و 16٪ و 10.8٪ من الطلب العالمي بمجموع يزيد عن 60٪.

مصدر الصورة:

"نقص الشرائح" استمر في أن يكون مصطلحًا ساخنًا لعدة سنوات متتالية. من جهة، يحتاج تدريب نماذج اللغة الكبيرة (LLM) والاستدلال إلى دعم قوة الحوسبة كبيرة؛ ومع تطور النموذج، تزداد تكلفة القوة الحسابية والطلب بشكل متسارع. من ناحية أخرى، شركات كبيرة مثل Meta ستقوم بشراء كميات هائلة من الشرائح، مما يجعل موارد القوة الحسابية العالمية تميل نحو هذه العمالقة التكنولوجية، مما يجعل من الصعب على الشركات الصغيرة الحصول على الموارد اللازمة لها. المأزق الذي تواجهه الشركات الصغيرة لا يأتي فقط من نقص المعروض الناجم عن زيادة الطلب، بل يأتي أيضًا من التناقض الهيكلي في المعروض. حاليًا، لا يزال هناك الكثير من وحدات معالجة الرسومات (GPU) الشاغرة على الجانب العرضي، على سبيل المثال، هناك الكثير من قوة الحساب الشاغرة في بعض مراكز البيانات (معدل الاستخدام يتراوح بين 12% - 18%)، ويتم تخصيص كميات كبيرة من موارد القوة الحسابية في التعدين الرقمي بسبب انخفاض الربح. على الرغم من أن هذه القوة الحسابية ليست جميعها مناسبة لتطبيقات الذكاء الاصطناعي التدريبية وما شابه، إلا أن الأجهزة الاستهلاكية في مجالات أخرى مثل استدلال الذكاء الاصطناعي وتقديم الألعاب السحابية والهواتف السحابية وما شابه لا تزال قادرة على القيام بدور كبير. فرصة تكامل واستخدام هذه الجزء من موارد القوة الحسابية هي هائلة.

بتحويل التركيز من الذكاء الاصطناعي إلى العملات المشفرة ، بعد ثلاث سنوات من الصمت في سوق التشفير ، دخلت أخيرا جولة أخرى من سوق الثيران ، حيث وصلت أسعار بيتكوين إلى مستويات قياسية جديدة وظهرت العديد من memecoins واحدة تلو الأخرى. ** على الرغم من أن الذكاء الاصطناعي و مجال العملات الرقمية كانت شائعة ككلمة طنانة لسنوات عديدة ، إلا أن الذكاء الاصطناعي و البلوكتشين كتقنيتين مهمتين يشبهان خطين متوازيين ، ولم يجدوا "تقاطعا" لفترة طويل. في وقت سابق من هذا العام ، نشر فيتاليك مقالا بعنوان "وعد وتحديات تطبيقات التشفير + الذكاء الاصطناعي" ناقش مستقبل الذكاء الاصطناعي والتشفير مجتمعين. ذكر فيتاليك أفكارا مشتاقة في المقالة ، بما في ذلك التدريب والاستدلال الذي يستخدم تقنيات التشفير مثل blockchain و MPC لتحقيق اللامركزية الذكاء الاصطناعي ، وفتح الصندوق الأسود للتعلم الآلي ، وجعل نماذج الذكاء الاصطناعي أكثر ثقة. لا يزال هناك طريق طويل يجب قطعه قبل أن تتحقق هذه الرؤى. لكن إحدى حالات الاستخدام التي ذكرها فيتاليك ، باستخدام الحوافز الاقتصادية للعملات المشفرة لتشغيل الذكاء الاصطناعي ، هي أيضا اتجاه مهم يمكن تحقيقه في فترة زمنية قصير. تعد اللامركزية قوة الحوسبة الشبكة واحدة من أنسب السيناريوهات لتشفير الذكاء الاصطناعي + في هذه المرحلة. **

2 شبكة القوة الحاسوبية غير المركزية

حاليا، هناك العديد من المشاريع التي تتطور في مجال شبكات الحوسبة اللامركزية. الأساسيات الخاصة بهذه المشاريع متشابهة، يمكن تلخيصها بأنه: استخدام الرمز المميز لتحفيز محتفظي القوة الحوسبة على المشاركة في تقديم خدمات الحوسبة عبر الشبكة، يمكن تجميع هذه الموارد المتفرقة للقوة الحوسبة لتشكيل شبكة حوسبة لامركزية ذات مقياس معين. وبهذه الطريقة يمكن رفع معدل استخدام القوة الحوسبة الخاملة، وكذلك تلبية احتياجات العملاء من القوة الحوسبة بتكلفة أقل، مما يحقق مكاسب لكل من البائع والمشتري.

لكي يحصل القراء على فهم شامل لهذا المجال في وقت قصير، سيقوم هذا المقال بتحليل المشاريع الفردية والمجال بشكل عام من منظورين ميكرو وماكرو، بهدف توفير وجهة نظر تحليلية للقراء لفهم النقاط الرئيسية لكل مشروع وكذلك الوضع التطويري لمجال قوة الحوسبة اللامركزية. سيقوم المؤلف بتقديم وتحليل خمس مشاريع: Aethir، io.net، Render Network، Akash Network، Gensyn، وسيقوم بتلخيص وتقييم حالة المشاريع وتطور المجال.

من الناحية التحليلية ، إذا تم التركيز على شبكة قوة الحوسبة المركزية المحددة ، فيمكننا تقسيمها إلى أربعة مكونات رئيسية:

• شبكة الأجهزة : يجمع موارد الحوسبة الموزعة معًا، ويحقق مشاركة وتوازن الحمل لموارد الحوسبة من خلال العقد المنتشرة في جميع أنحاء العالم، وهي الطبقة الأساسية لشبكة الحوسبة غير المركزية.
• السوق الثنائي : من خلال آلية تسعير واكتشاف معقولة ، يتم توصيل مقدمي قوة الحوسبة بالطلبة ، وتوفير منصة تداول آمنة ، وضمان شفافية وعدالة وموثوقية تداول العرض والطلب.
• آلية الإجماع : تستخدم لضمان تشغيل العقد الذي يعمل بشكل صحيح وإكمال العمل. تُستخدم آلية الإجماع بشكل رئيسي لمراقبة جانبين: 1) مراقبة ما إذا كان العقد يعمل عبر الإنترنت وهو في حالة نشطة يمكنها قبول المهام في أي وقت ؛ 2) إثبات عمل العقد: بعد تلقي العقد للمهمة ، أكمل العقد بشكل صحيح المهمة ولم يتم استخدام قوة الحوسبة لأغراض أخرى واحتلت العمليات والخيوط.
• عملة عرض：نموذج العملة المشفرة يستخدم لتحفيز المزيد من المشاركين على تقديم / استخدام الخدمات، والتقاط هذا التأثير الشبكي بواسطة الرمز المميز، لتحقيق مشاركة الأرباح في المجتمع.

إذا نظرنا إلى مضمار قوة الحوسبة غير المركزية بشكل عام، فإن تقرير بلوكوركس يقدم إطار تحليلي جيد للغاية، حيث يمكننا تقسيم مواقع المشاريع في هذا المضمار إلى ثلاث طبقات مختلفة.

• Bare metal layer: طبقة النظام المعدني: تشكل الطبقة الأساسية للتراص الحسابي غير المركزي، والمهمة الرئيسية لها هي جمع موارد القوة الحسابية الأصلية وجعلها قابلة للاستدعاء عبر واجهة برمجة التطبيقات (API). ** طبقة التنسيق **: الطبقة الوسطى التي تشكل مكدس الحوسبة اللامركزية ، والمهمة الرئيسية هي التنسيق والتجريد ، المسؤولة عن الجدولة ، والتوسع ، والتشغيل ، وموازنة الحمل ، والتسامح مع الأخطاء في قوة الحوسبة. يتمثل الدور الرئيسي في "تجريد" تعقيد إدارة الأجهزة منخفضة المستوى وتزويد المستخدمين النهائيين بواجهة مستخدم أكثر تقدما لخدمة شرائح محددة من العملاء.
• طبقة التجميع: هي الطبقة العليا لتكوين كومة الحوسبة غير المركزية، وهي مسؤولة بشكل رئيسي عن التكامل وتوفير واجهة موحدة تسمح للمستخدمين بتنفيذ مهام حوسبة متنوعة في مكان واحد، مثل التدريب الذكاء الاصطناعي، والتقديم، وzkML وغيرها. فهي تعتبر ترتيبًا وتوزيعًا لعدة خدمات حوسبة غير مركزية.

مصدر الصورة: Youbi Capital

وفقًا للإطارين التحليليين أعلاه، سنقوم بعمل مقارنة أفقية لخمس مشاريع مختارة ونقوم بتقييمها من أربعة جوانب - الأعمال الأساسية وتحديد السوق والبنية التحتية والأداء المالي.

2.1 الأعمال الأساسية

من الناحية المنطقية الأساسية، يعتبر شبكة قوة الحوسبة اللامركزية موحدة إلى حد كبير، أي أنها تستخدم رمزًا لتحفيز مالكي القوة الحاسوبية الشاغرة لتقديم خدمات الحوسبة. استنادًا إلى هذه المنطقية الأساسية، يمكننا فهم اختلافات الأعمال الأساسية للمشروع من ثلاثة جوانب مختلفة:

• مصدر قوة الحوسبة الشاغرة:

• هناك مصدران رئيسيان للقوة الحوسبة الشاغرة على السوق: 1) مراكز البيانات، وتجار التعدين وغيرهم من الشركات التي تمتلك قوة حوسبة شاغرة؛ 2) قوة الحوسبة الشاغرة في أيدي المستخدمين الفرديين. قوة الحوسبة في مراكز البيانات عادة ما تكون من الأجهزة عالية المستوى، بينما يقوم المستخدمون الفرديون عادةً بشراء رقائق من فئة الاستهلاك.
• يتم جمع قوة الحوسبة الرئيسية لـ Aethir و Akash Network و Gensyn من الشركات. فوائد جمع قوة الحوسبة من الشركات هي: 1) عادة ما تمتلك الشركات ومراكز البيانات أجهزة عالية الجودة وفرق صيانة محترفة، مما يجعل موارد قوة الحوسبة أكثر أداءً وموثوقية؛ 2) غالبًا ما تكون موارد قوة الحوسبة للشركات ومراكز البيانات أكثر تجانسًا، وإدارتها ورصدها المركزي يجعل جدولة الموارد وصيانتها أكثر كفاءة. ولكن في المقابل، يتطلب هذا النهج مستوى عالٍ من المتطلبات من جانب الفريق المشارك، حيث يحتاج الفريق المشارك إلى إقامة علاقات تجارية مع الشركات التي تتحكم في قوة الحوسبة. وفي الوقت نفسه، قد يتأثر مستوى التوسع واللامركزية إلى حد ما.

• Render Network و io.net هما أساسًا لتشجيع المستخدمين العاديين على توفير قوة الحوسبة الشاغرة في أيديهم. يتمثل فائدة جمع قوة الحوسبة من المستخدمين العاديين فيما يلي: 1) تكلفة قوة الحوسبة الشاغرة لدى المستخدمين العاديين منخفضة نسبيًا، مما يتيح توفير موارد قوة الحوسبة بتكلفة أقل؛ 2) يتمتع الشبكة بمرونة ومقدرة على التوسع ودرجة عالية من اللامركزية، مما يعزز مرونة واستقرار النظام. ومع ذلك، يوجد عيب في توزيع موارد المستخدمين العاديين بشكل واسع وغير موحد، مما يجعل إدارة وجدولة هذه الموارد صعبة ويزيد من صعوبة الصيانة والتشغيل. بالإضافة إلى ذلك، يمكن أن تكون أجهزة المستخدمين العاديين عرضة للمزيد من المخاطر الأمنية، مما يزيد من خطر تسرب البيانات وسوء استخدام قوة الحوسبة.
• قوة الحوسبة المستهلكة

• من وجهة نظر مستهلكي قوة الحساب، العملاء المستهدفون لـ Aethir و io.net و Gensyn هم في الغالب الشركات. بالنسبة لعملاء القطاع B، يحتاجون إلى قدرة حساب عالية للذكاء الاصطناعي والجرافيكس المتقدمة في الألعاب. هذه الأحمال العمل تتطلب موارد قوة الحساب عالية جدًا وعادة ما تتطلب وحدة معالجة رسومات قوية أو أجهزة متخصصة. بالإضافة إلى ذلك، يتطلب عملاء القطاع B استقرارًا وموثوقية في موارد قوة الحساب، وبالتالي يجب توفير اتفاقية مستوى الخدمة عالية الجودة لضمان سير المشروع بشكل طبيعي وتقديم الدعم التقني في الوقت المناسب. في الوقت نفسه، يكون لدى عملاء القطاع B تكلفة عالية للترحيل، إذا لم يكن لديهم SDK ناضج يمكنهم من نقل المشروع بسرعة على الشبكة غير المركزية (مثل شبكة Akash التي تتطلب من المستخدمين تطويرها بناءً على المنفذ البعيد)، فمن الصعب جدًا أن يتم ترحيل العملاء. إذا لم يكن لديهم ميزة سعر واضحة جدًا، فإن رغبة العملاء في الترحيل ستكون ضعيفة جدًا. +تقدم شبكتا Render Network و Akash Network خدمات الحوسبة السحابية للمستخدمين النهائيين. تقدم الخدمة للمستخدمين النهائيين وتحتاج المشروع إلى تصميم واجهة وأدوات سهلة الاستخدام لتوفير تجربة استهلاكية جيدة. ونظرًا لحساسية المستهلكين للأسعار ، يجب أن يقدم المشروع تسعيرًا تنافسيًا.

• نوع الجهاز +تشمل الموارد الحاسوبية الشائعة وحدات المعالجة المركزية ووحدات المعالجة الميدانية ووحدات معالجة الرسومات ووحدات التطبيقات المتخصصة ونظام على شريحة واحدة وما إلى ذلك. هذه الأجهزة تختلف بشكل كبير في أهداف التصميم والخصائص الأدائية ومجالات التطبيق. بشكل عام، تعمل وحدة المعالجة المركزية بشكل أفضل في المهام الحسابية العامة، بينما تتميز وحدة المعالجة الميدانية المبرمجة بالمعالجة المتوازية العالية والبرمجة. وحدة معالجة الرسومات تتفوق في الحساب المتوازي، بينما تعمل وحدة التطبيقات المتخصصة بكفاءة أعلى في المهام المحددة، ويجمع نظام على شريحة واحدة بين مجموعة كبيرة من الميزات وهو مناسب للتطبيقات المدمجة. يتوقف اختيار الجهاز الذي يجب استخدامه على احتياجات التطبيق المحددة ومتطلبات الأداء والتكلفة المتاحة. يتعلق مشاريع القوة الحوسبة غير المركزية التي نناقشها بشكل كبير بجمع قوة الحوسبة GPU، وقد تم اتخاذ هذا القرار بناءً على نوعية مشاريع الأعمال وميزات GPU. لأن GPU لديها مزايا فريدة في التدريب الذكي والحوسبة المتوازية والتقنيات المتعددة الوسائط.

• **على الرغم من أن هذه المشاريع تتضمن بشكل رئيسي تكامل وحدة معالجة الرسومات (GPU) ، إلا أنها تتطلب متطلبات مختلفة للمواصفات الأجهزة لتطبيقات مختلفة ، وبالتالي فإن هذه الأجهزة لها نوى ومعلمات متنوعة للتحسين. ** تشمل هذه المعلمات التوازن / التبعية التسلسلية ، والذاكرة ، والتأخير ، وما إلى ذلك. على سبيل المثال ، فإن حمولة العمل الخاصة بعمليات الرسومات في الواقع أكثر مناسبة لوحدات معالجة الرسومات الموجهة للمستهلكين بدلاً من وحدات معالجة الرسومات في مراكز البيانات ، لأن عمليات الرسومات تتطلب متطلبات عالية مثل تتبع الأشعة ، وقد قامت شرائح المستهلك مثل 4090 s بتعزيز نوى RT ، وهو محسّن خصيصًا لمهام تتبع الأشعة. بينما يحتاج التدريب والاستدلال الذكاء الاصطناعي إلى وحدات معالجة الرسومات على مستوى احترافي. لذلك يمكن لشبكة Render أن تجمع بطاقات GPU من المتاجر بالتجزئة مثل RTX 3090 s و 4090 s ، بينما يحتاج IO.NET إلى المزيد من بطاقات GPU على مستوى احترافي مثل H 100 s و A 100 s لتلبية احتياجات شركات الذكاء الاصطناعي الناشئة.

2.2 تحديد السوق

بالنسبة لتحديد موقع المشروع ، فإن طبقة المعدن الخام وطبقة التنظيم وطبقة التجميع تحتاج إلى حل مشاكل مختلفة وتركيز محسن وقدرة على الاستفادة من القيمة.

• يركز طبقة المعدن الخام على جمع واستخدام الموارد الفيزيائية، طبقة Orchestration تركز على جدولة وتحسين القوة الحسابية، وتقوم بتصميم الأجهزة الفيزيائية بحسب احتياجات العملاء بشكل مثالي. طبقة الجمع هي عامة الغرض، وتركز على تكامل وتجريد الموارد المختلفة. من وجهة نظر سلسلة القيمة، يجب على المشاريع المختلفة السعي إلى الارتقاء من طبقة المعدن الخام ومضاعفة الجهود نحو الأعلى.
• من وجهة نظر الاستيلاء على القيمة، فإن قدرة الاستيلاء على القيمة تزيد تدريجياً من طبقة الحديد الخام، إلى طبقة التنظيم، ثم إلى طبقة التجميع. طبقة التجميع قادرة على الاستيلاء على أكبر قيمة، والسبب في ذلك هو أن منصة التجميع قادرة على الحصول على أكبر تأثير شبكي، كما أنها قادرة على الوصول مباشرة إلى أكبر عدد من المستخدمين، مما يعادل مدخل حركة الشبكة المتمركزة، مما يجعلها تحتل أعلى موقع للاستيلاء على القيمة في كامل كومة إدارة قوة الحوسبة.
• وبالمثل ، يعتبر بناء منصة تجميع صعوبة كبيرة ، حيث يتعين على المشروع معالجة مجموعة متنوعة من المشاكل بما في ذلك تعقيد التكنولوجيا ، وإدارة الموارد الغير متجانسة ، وموثوقية النظام وقابلية التوسع ، وتحقيق الأثر الشبكي ، والأمان وحماية الخصوصية ، وإدارة العمليات المعقدة وغيرها. هذه التحديات لا تساعد على بدء المشروع بسرعة ، وتعتمد على حالة ووقت تطور السوق. ** في حالة عدم نضج طبقة التنسيق ، من غير الواقعي إنشاء طبقة تجميع. **
• حاليًا، تنتمي Aethir و Render Network و Akash Network و Gensyn جميعًا إلى طبقة التنسيق، حيث تهدف إلى تقديم خدمات لهدف وفئة عملاء محددين. يعمل Aethir حاليًا كنشاط تجاري رئيسي لتقديم الرسومات في الوقت الحقيقي لألعاب السحابة وتوفير بيئة وأدوات تطوير ونشر معينة للعملاء من الفئة B؛ تعمل Render Network كنشاط تجاري رئيسي في تقديم خدمات تقديم الفيديو؛ مهمة Akash Network هي توفير منصة تجارة مشابهة لـ Taobao؛ بينما Gensyn يتخصص في مجال تدريب الذكاء الاصطناعي. تعمل io.net كطبقة تجميع، ولكن حاليًا لا يزال هناك فجوة بين وظائف io المنفذة ووظائف الطبقة التجميعية الكاملة، على الرغم من جمع معدات Render Network و Filecoin، لم يتم الانتهاء من التجريد والتكامل لموارد الأجهزة بعد.

2.3 تجهيزات الأجهزة

• حالياً، ليس جميع المشاريع قامت بنشر بيانات شبكة مفصلة، ومن الناحية النسبية، فإن واجهة io.net explorer هي الأفضل، يمكن رؤية عدد ونوع وسعر وتوزيع واستخدام الشبكة وإيرادات العقد ومعلومات أخرى. ولكن في نهاية أبريل، تعرضت واجهة io.net لهجوم، بسبب عدم قيام io بتأمين واجهة PUT/POST، قام الهاكر بتزوير بيانات الواجهة. هذا يدق ناقوس الخطر بالنسبة لخصوصية المشاريع الأخرى وموثوقية بيانات الشبكة.
• من حيث عدد ونموذج وحدات GPU ، يجب أن يكون io.net كمجموعة جمع أكثر جمعًا للأجهزة ، ويأتي Aethir في المرتبة التالية ، ولا تكون حالة أجهزة المشاريع الأخرى واضحة بنفس القدر. يمكن رؤية نماذج GPU من io وهي متنوعة ، فهي تمتلك GPU متخصصة مثل A 100 و GPU للاستهلاك مثل 4090 ، وهذا متنوع يتماشى مع توجيه io.net للجمع. يمكن لـ io اختيار أفضل GPU وفقًا لمتطلبات المهمة المحددة. ومع ذلك ، قد تحتاج وحدات GPU ذات النماذج والعلامات التجارية المختلفة إلى تشغيلات وتكوينات مختلفة ، ويجب تحسين البرنامج بشكل معقد أيضًا ، مما يزيد من تعقيد الإدارة والصيانة. حاليًا ، تعتمد توزيعات المهام المختلفة لـ io بشكل رئيسي على اختيار المستخدم.
• أصدر Aethir جهاز تعدين خاص به في مايو ، وفي ذلك الوقت ، تم إطلاق Aethir Edge المدعوم من قبل Qualcomm بشكل رسمي. سيكسر هذا الطراز النمط المركزي الوحيد لتجميع وحدات المعالجة الرسومية البعيدة عن المستخدم وينشر القوة الحسابية على الحافة. سيعمل Aethir Edge مع قوة حسابية مجمعة من نوع H 100 لتقديم خدمات الذكاء الاصطناعي ، حيث يمكن نشر النماذج المدربة وتوفير خدمات الحوسبة الاستنتاجية بأفضل تكلفة للمستخدمين. يعمل هذا الحل على تقديم خدمة أقرب للمستخدمين بشكل أسرع ، وبكفاءة أعلى أيضًا.
• من وجهة نظر العرض والطلب ، وعلى سبيل المثال ، يشير بيانات الإحصاءات الخاصة بـ Akash Network إلى أن إجمالي الوحدات المركزية المركزية (CPU) يبلغ حوالي 16 كيلو ، وعدد وحدات المعالجة الرسومية (GPU) هو 378 ، وفقًا لاحتياجات استئجار الشبكة ، فإن استخدام وحدات المعالجة المركزية (CPU) ووحدات المعالجة الرسومية (GPU) يبلغ 11.1% و 19.3% على التوالي. ** بينما يعد معدل استخدام GPU الاحترافي H100 عاليًا ، فإن معظم النماذج الأخرى تواجه حالة خمول. تواجه الشبكات الأخرى حالة مشابهة لشبكة Akash بشكل عام ، حيث لا يوجد الكثير من الطلب الشامل على قوة الحوسبة ، باستثناء الشرائح الشائعة مثل A100 و H100 ، ومعظم القدرات الحسابية الأخرى في حالة خمول. **
• من حيث الميزة التنافسية في السعر ، فإنه لا يوجد ميزة كبيرة في التكلفة مقارنة بمزودي الخدمة التقليدية الأخرى ، باستثناء العمالقة في سوق الحوسبة السحابية.

2.4 الأداء المالي

• بغض النظر عن تصميم نموذج الرمز المميز، يجب أن تلبي الاقتصاديات الرمز المميز الصحية بعض الشروط الأساسية التالية: 1) يجب أن تعكس احتياجات المستخدمين للشبكة في سعر العملة، وهذا يعني أنه يمكن القبض على قيمة الرمز المميز؛ 2) يجب أن يحصل جميع المشاركين، سواء المطورين أو العقد أو المستخدمين، على حوافز عادلة طويلة الأمد؛ 3) ضمان حكم لامركزي، وتجنب احتياطيات الأشخاص الداخليين الزائدة؛ 4) آليات التضخم والانكماش المناسبة وفترات إصدار الرموز المميزة لتجنب تأثير سعر العملة الكبير على استدامة واستقرار الشبكة.
• إذا قسمنا نموذج الرمز بشكل عام إلى توازن حرق وطبع (BME) وتوزيع المكافآت للوصول (SFA) ، فإن الضغط على تضاؤل العرض للرموز في هاتين الطريقتين يأتي من مصادر مختلفة: يتم حرق الرموز في نموذج BME بعد شراء المستخدمين للخدمة ، وبالتالي يتم تحديد ضغط التضاؤل على النظام بناءً على الطلب. بينما يتطلب نموذج SFA من مقدمي الخدمات / العقد أن يقوموا بتكديس الرموز للحصول على استحقاق تقديم الخدمة ، وبالتالي يتم تحديد ضغط التضاؤل بواسطة العرض. يعتبر نموذج BME مفيدًا بشكل أكبر للسلع غير المعيارية. ومع ذلك ، إذا كان الطلب على الشبكة غير كافٍ ، فقد تواجه ضغوط التضخم المستمرة. هناك اختلافات في تفاصيل نماذج الرموز لكل مشروع ، ومع ذلك ، بشكل عام ، يميل Aethir نحو نموذج SFA ، بينما يميل io.net و Render Network و Akash Network نحو نموذج BME ، ولا يزال Gensyn غير معروف.
• من الناحية الدخل، ستنعكس كمية الطلب على الشبكة مباشرة في الدخل الإجمالي للشبكة (هنا لا نناقش دخل المعدن، لأن المعدن بالإضافة إلى الأجر الذي يحصل عليه من إكمال المهمة، لديه أيضًا منحة من المشروع.) من البيانات العامة، يبدو أن قيمة io.net هي الأعلى. على الرغم من أن دخل Aethir لم يتم الإعلان عنه بعد، إلا أنه من المعلومات العامة يبدو أنهم قد أعلنوا عن توقيع العديد من الطلبات مع عملاء B النهائيين.
• من ناحية سعر العملة ، فإنه حتى الآن فقط Render Network و Akash Network قد أجروا ICO. Aethir و io.net أيضًا قاموا بإصدار عملات مؤخرًا ، ويحتاج أداء الأسعار إلى مزيد من المراقبة ، ولا يتم مناقشتها كثيرًا هنا. لا يزال الخطة الخاصة بـ Gensyn غير واضحة. بشكل عام ، بناءً على المشاريع الاثنين التي قامت بإصدار العملات والمشاريع التي تم إصدار العملات لها في نفس المجال ولكن لم يتم تضمينها في نطاق هذه المقالة ، ** يوجد أداء سعر مذهل لشبكات القوة المحسوبة بشكل لا محيد ، مما يعكس إلى حد كبير الإمكانات الهائلة للسوق وتوقعات المجتمع العالية.**

2.5 التلخيص

• تطورت شبكة القوة الحاسوبية غير المركزية بسرعة عامة، ولديها العديد من المشاريع التي يمكن أن تعتمد على خدمات المنتج وتوليد بعض الدخل. لقد تجاوزت المرحلة الروائية البحتة ودخلت مرحلة التطوير التي يمكن تقديم خدمات أولية فيها.
• الطلب الضعيف هو مشكلة شائعة تواجه شبكة الحوسبة غير المركزية، حيث لم يتم التحقق واستغلال الطلب العملاء لفترة طويلة بشكل جيد. ومع ذلك، لم يؤثر الجانب الطلب بشكل كبير على سعر العملة، حيث أظهرت بعض المشاريع التي تم إصدار العملات لها أداءً مشرقًا.
• يعد الذكاء الاصطناعي قوة الحوسبة اللامركزية الرئيسية ، ولكنه ليس النشاط الوحيد. بالإضافة إلى استخدامه في تدريب وتفسير الذكاء الاصطناعي ، يمكن استخدام قوة الحوسبة أيضًا في تقديم الألعاب عبر الإنترنت بتقنية السحابة وخدمات الهاتف السحابية وغيرها.
• مستوى تشتت أجهزة شبكة القوة الحسابية عالٍ ، ويجب تحسين جودة شبكة القوة الحسابية ونطاقها بشكل أكبر.
• بالنسبة للمستخدمين من النهاية C ، ليس هناك اختلاف كبير في التكلفة. ومن ناحية المستخدمين من النهاية B ، بالإضافة إلى توفير التكلفة ، يجب أيضًا أن ينظروا في استقرار الخدمة وموثوقيتها ودعمها التقني والامتثال والدعم القانوني وما إلى ذلك ، وعمل مشاريع Web3 ليست جيدة بما فيه الكفاية في هذه الجوانب.

3 أفكار ختامية

ليس هناك شك في الطلب الهائل على قوة الحوسبة الناتجة عن النمو الكبير للذكاء الاصطناعي. منذ عام 2012، تتزايد قوة الحوسبة المستخدمة في مهام تدريب الذكاء الاصطناعي بشكل تصاعدي، حيث تتضاعف كل 3.5 شهر (بينما تتضاعف وفقًا لقانون مور كل 18 شهرًا). منذ عام 2012، ازداد الطلب على قوة الحوسبة بأكثر من 300,000 مرة، وهو أعلى بكثير من نمو قانون مور البالغ 12 مرة. وتشير التوقعات إلى أن سوق وحدات معالجة الرسومات (GPU) من المتوقع أن تنمو بمعدل نمو سنوي مركب يبلغ 32٪ خلال الخمس سنوات المقبلة لتصل إلى أكثر من 200 مليار دولار. وتقدر AMD بأن السوق ستكون أعلى، حيث تتوقع الشركة أن يصل حجم سوق شرائح GPU إلى 400 مليار دولار بحلول عام 2027.

مصدر الصورة:

نظرًا للنمو الكبير في الذكاء الاصطناعي وأعباء العمل الكثيفة للحوسبة الأخرى (مثل رسم AR/VR)، فقد تكشفت مشكلة الكفاءة الهيكلية المنخفضة في سوق الحوسبة السحابية التقليدية والحوسبة الرائدة. من النظرية ، يمكن لشبكة القوة الحوسبية غير المركزية أن توفر حلولًا أكثر مرونة وكفاءة وتكلفة منخفضة من خلال استغلال موارد الحوسبة الموزعة الشاغرة لتلبية الطلب الهائل على موارد الحوسبة. لذا ، لدمج العملة المشفرة مع الذكاء الاصطناعي لديه إمكانات سوقية كبيرة ، ولكنه في نفس الوقت يواجه منافسة شرسة من الشركات التقليدية وعتبة دخول عالية وبيئة سوقية معقدة. بشكل عام ، يعتبر شبكة القوة الحوسبية غير المركزية واحدة من المجالات الرأسية في مجال العملات المشفرة التي لديها أمل كبير في الحصول على طلب حقيقي.

مصدر الصورة:

المستقبل مشرق والطريق ملتوٍ. لتحقيق الرؤية المذكورة ، نحن بحاجة إلى حل العديد من المشاكل والتحديات. بشكل عام ، إذا قدمنا خدمات الحوسبة السحابية التقليدية بشكل منفرد في الوقت الحالي ، فإن هامش الربح للمشروع يكون صغيرًا. من الجانب الطلبي ، يعتاد الشركات الكبيرة على بناء القوة الحاسوبية بأنفسهم ، وغالبًا ما يختار المطورون المستقلون الخدمات السحابية ، ويتعين الكشف عن مدى الطلب الثابت على موارد الشبكة المتمحورة حول القوة الحاسوبية المتمحورة حول الأعمال التجارية الصغيرة والمتوسطة. من ناحية أخرى ، تعد AI سوقاً واسعة للغاية لديها حدود عالية ومساحة للتخيل. من أجل سوق أوسع ، يحتاج مزودو خدمات الحوسبة اللامركزية في المستقبل إلى التحول إلى نماذج / خدمات AI واستكشاف مزيد من سيناريوهات استخدام crypto + AI لتوسيع القيمة التي يمكن للمشروع إنشاؤها. ومع ذلك ، لا تزال هناك العديد من المشاكل والتحديات التي يجب حلها للتطور إلى مجال AI في المستقبل.

• ليست لديها ميزة تكلفة بارزة: يمكن أن يظهر تحليل البيانات السابقة أن تكلفة قوة الحوسبة للشبكة غير المركزية لم تحظى بالتمثيل. قد يكون السبب المحتمل في ذلك هو أنه بالنسبة للرقائق المتخصصة مثل H 100 و A 100 التي تتطلب الطلب الكبير، يحدد الآلية السوقية أن أسعار هذا الجزء من الأجهزة لن تكون رخيصة. بالإضافة إلى ذلك، على الرغم من أن الشبكة غير المركزية يمكنها جمع موارد القوة الحاسوبية الشاغرة، إلا أن نقص الآثار الاقتصادية للمقياس الناجمة عن اللامركزية، وتكاليف الشبكة العالية وتكاليف النطاق الترددي، وتكاليف الإدارة والصيانة الكبيرة والتعقيد الناتج عن اللامركزية ستزيد بشكل إضافي من تكلفة قوة الحوسبة.
• الخصوصية في تدريب الذكاء الاصطناعي : يواجه تدريب الذكاء الاصطناعي بطريقة لامركزية في الوقت الحالي عقبات تقنية هائلة. يمكن رؤية هذه العقبة بشكل مباشر في سير عمل وحدة معالجة الرسومات (GPU)، حيث يستقبل أولاً دُفعات البيانات المعالجة مسبقًا ويقوم بحساب الانتشار الأمامي والانتشار الخلفي لتوليد الميل. بعد ذلك، تقوم كل GPU بتجميع الميل وتحديث معلمات النموذج لضمان تزامن جميع وحدات معالجة الرسومات. سيتم تكرار هذه العملية باستمرار حتى اكتمال تدريب جميع الدُفعات أو حتى الوصول إلى عدد الأدوار المحدد. يشمل هذا العملية كميات كبيرة من نقل البيانات والتزامن. حاليًا، لم يتم العثور على إجابات جيدة بعد حول كيفية استخدام استراتيجيات موازية وتزامنية وكيفية تحسين عرض النطاق الترددي للشبكة ووقت الإستجابة وخفض تكلفة الاتصال، وما إلى ذلك. في الوقت الحالي، يظل استخدام شبكة قوة الحوسبة غير مركزية لتدريب الذكاء الاصطناعي غير واقعي.
• أمان البيانات والخصوصية : أثناء عملية تدريب النموذج اللغوي الكبير ، قد تؤثر جميع العمليات المتعلقة بمعالجة البيانات ونقلها ، مثل توزيع البيانات ، وتدريب النموذج ، وتجميع المعلمات والمرتبات ، على أمان البيانات والخصوصية. وبالإضافة إلى ذلك ، فإن خصوصية نماذج البيانات تزداد أهمية. إذا لم يتم حل مشكلة الخصوصية الخاصة بالبيانات ، فلن يكون من الممكن تحقيق التوسع الحقيقي في الطلب.

من وجهة نظر واقعية، يحتاج شبكة قوة الحوسبة اللامركزية إلى موازنة متطلبات الاستكشاف الحالية والفرص السوقية المستقبلية. يجب تحديد موقع المنتج والجمهور المستهدف، مثل استهداف المشاريع غير الأصلية للذكاء الاصطناعي أو ويب 3.0 أولاً ، والبدء من الاحتياجات الحافة لإقامة قاعدة مستخدمين في وقت مبكر. في الوقت نفسه ، يجب استكشاف مختلف سيناريوهات دمج الذكاء الاصطناعي والعملات المشفرة ، واستكشاف الحافة التكنولوجية ، وتحقيق تحويل وترقية الخدمات.

مرجع

caff.com/zh/archives/17351؟ المرجع = 1554