Terlahir di Pinggiran: Bagaimana Jaringan Daya Komputasi Desentralisasi Memberdayakan Crypto dan AI?

Penulis asli: Jane Doe, Chen Li

Sumber teks: Youbi Capital

Titik Pertemuan Antar AI dan Crypto 1

Pada tanggal 23 Mei, raksasa chip, Nvidia, merilis laporan keuangan kuartal pertama tahun fiskal 2025. Laporan tersebut menunjukkan bahwa pendapatan Nvidia pada kuartal pertama mencapai 26 miliar dolar AS. Di antara itu, pendapatan pusat data tumbuh 427% dibandingkan tahun lalu, mencapai 22.6 miliar dolar AS yang menakjubkan. Kinerja keuangan Nvidia yang dapat menyelamatkan pasar saham AS secara mandiri mencerminkan permintaan daya komputasi yang meledak dari perusahaan teknologi global dalam persaingan di bidang kecerdasan buatan. Semakin unggul perusahaan teknologi, semakin besar ambisi mereka dalam merancang strategi di bidang kecerdasan buatan, dan seiring dengan itu, permintaan mereka terhadap daya komputasi juga meningkat secara eksponensial. Menurut perkiraan TrendForce, pada tahun 2024, keempat penyedia layanan awan utama di Amerika Serikat, yaitu Microsoft, Google, AWS, dan Meta, diperkirakan akan menyumbang 20,2%, 16,6%, 16%, dan 10,8% dari permintaan server AI tingkat tinggi di seluruh dunia, mencapai total lebih dari 60%.

Sumber gambar:

"Kelangkaan chip" terus menjadi kata kunci tahunan dalam beberapa tahun terakhir. Di satu sisi, pelatihan dan inferensi model bahasa besar (LLM) membutuhkan daya komputasi yang besar; dan dengan iterasi model, biaya dan permintaan daya komputasi meningkat secara eksponensial. Di sisi lain, perusahaan besar seperti Meta akan membeli sejumlah besar chip, sumber daya daya komputasi global condong ke raksasa teknologi ini, membuat perusahaan kecil semakin sulit mendapatkan daya komputasi yang mereka butuhkan. Tantangan yang dihadapi perusahaan kecil tidak hanya berasal dari pasokan chip yang tidak mencukupi akibat permintaan yang meningkat, tetapi juga dari kontradiksi yang terstruktur dalam pasokan. Saat ini, masih ada banyak GPU yang tidak terpakai di sisi pasokan, misalnya, beberapa pusat data memiliki daya komputasi yang banyak tidak terpakai (tingkat penggunaan hanya 12% - 18%), dan juga ada banyak daya komputasi yang tidak terpakai dalam penambangan kripto karena penurunan keuntungan. Meskipun daya komputasi ini tidak selalu cocok untuk aplikasi profesional seperti pelatihan AI, namun perangkat keras konsumen masih dapat memiliki peran yang besar dalam bidang lain seperti inferensi AI, render game cloud, ponsel cloud, dan sebagainya. Peluang untuk mengintegrasikan dan memanfaatkan sumber daya daya komputasi ini sangat besar.

Mengalihkan fokus dari AI ke crypto, setelah tiga tahun diam di pasar enkripsi, putaran Bull Market lainnya akhirnya diantarkan, dengan harga Bitcoin mencapai level tertinggi baru dan berbagai memecoin muncul satu demi satu. Meskipun AI dan Kripto telah populer sebagai kata kunci selama bertahun-tahun, kecerdasan buatan dan Blockchain sebagai dua teknologi penting seperti dua garis paralel, dan mereka belum menemukan "persimpangan" untuk waktu yang long. Awal tahun ini, Vitalik menerbitkan sebuah artikel berjudul "Janji dan tantangan aplikasi crypto + AI" yang membahas masa depan gabungan AI dan crypto. Vitalik menyebutkan ide-ide kerinduan dalam artikel tersebut, termasuk pelatihan dan inferensi yang menggunakan teknologi enkripsi seperti blockchain dan MPC untuk mendesentralisasikan AI, membuka kotak hitam pembelajaran mesin, dan membuat model AI lebih tidak dapat dipercaya. Masih ada cara long yang harus ditempuh sebelum visi ini terwujud. Tetapi salah satu kasus penggunaan yang disebutkan oleh Vitalik, menggunakan insentif ekonomi crypto untuk menggerakkan AI, juga merupakan arah penting yang dapat dicapai dalam jangka waktu yang short. Jaringan Desentralisasi Daya Komputasi adalah salah satu skenario yang paling cocok untuk AI + crypto pada tahap ini. **

2 Jaringan Daya Komputasi Desentralisasi

Saati ini, sudah banyak proyek yang berkembang di jalur jaringan daya komputasi desentralisasi. Logika dasar dari proyek-proyek ini mirip, dapat disimpulkan sebagai: memanfaatkan token untuk mendorong pemegang daya komputasi untuk berpartisipasi dalam menyediakan layanan daya komputasi jaringan, sumber daya daya komputasi yang tersebar ini dapat dikumpulkan menjadi jaringan daya komputasi desentralisasi yang memiliki skala tertentu. Dengan demikian, dapat meningkatkan tingkat pemanfaatan daya komputasi yang tidak terpakai, dan memenuhi kebutuhan daya komputasi pelanggan dengan biaya yang lebih rendah, sehingga mencapai kemenangan bersama bagi pembeli dan penjual.

Untuk memungkinkan pembaca memahami secara menyeluruh jalur ini dalam waktu singkat, artikel ini akan memecah proyek spesifik dan jalur keseluruhan dari dua sudut pandang, yaitu mikro dan makro, dengan tujuan memberikan sudut pandang analisis kepada pembaca untuk memahami keunggulan kompetitif inti dari setiap proyek dan perkembangan keseluruhan jalur daya komputasi desentralisasi. Penulis akan memperkenalkan dan menganalisis lima proyek: Aethir, io.net, Render Network, Akash Network, Gensyn, dan merangkum serta mengevaluasi kondisi proyek dan perkembangan jalur.

Dari kerangka analisis, jika difokuskan pada jaringan daya komputasi desentralisasi tertentu, kita dapat memecahnya menjadi empat bagian inti:

• Jaringan Perangkat Keras : Menggabungkan sumber daya daya komputasi yang terdesentralisasi melalui node-node yang tersebar di seluruh dunia untuk berbagi dan membagi beban daya komputasi, yang merupakan lapisan dasar dari jaringan daya komputasi yang terdesentralisasi.
• Pasar Dua Arah: Menghubungkan penyedia daya komputasi dengan pihak yang membutuhkan melalui mekanisme penetapan harga dan mekanisme penemuan yang tepat, menyediakan platform perdagangan yang aman, memastikan transaksi antara penawaran dan permintaan transparan, adil, dan terpercaya.
• Mekanisme Konsensus：digunakan untuk memastikan node di jaringan beroperasi dengan benar dan menyelesaikan tugas. Mekanisme konsensus utamanya digunakan untuk memantau dua hal: 1) memantau apakah node beroperasi online, berada dalam status aktif untuk menerima tugas kapan pun; 2) bukti kerja node: node tersebut berhasil dan benar-benar menyelesaikan tugas setelah menerimanya, daya komputasi tidak digunakan untuk tujuan lain dan mengganggu proses dan thread.
• Token Incentive: Model Token digunakan untuk mendorong lebih banyak pihak yang terlibat dalam menyediakan / menggunakan layanan, dan menangkap efek jaringan ini dengan token, untuk mencapai berbagi keuntungan komunitas.

Jika kita melihat secara keseluruhan lintasan daya komputasi yang terdesentralisasi, laporan riset dari Blockworks Research memberikan kerangka analisis yang baik, kita dapat membagi posisi proyek dalam lintasan ini menjadi tiga lapisan yang berbeda.

• Lapisan logam polos: Lapisan dasar dari tumpukan komputasi terdesentralisasi, tugas utamanya adalah mengumpulkan sumber daya daya komputasi asli dan membuatnya dapat dipanggil melalui API.
• Lapisan Orkestrasi: Ini adalah lapisan tengah dari tumpukan komputasi terdesentralisasi, tugas utamanya adalah mengkoordinasikan dan mengabstraksi, bertanggung jawab atas penjadwalan, perluasan, operasi, penyeimbangan beban, dan toleransi kesalahan dari Daya Komputasi. Peran utamanya adalah 'abstraksi' kompleksitas manajemen perangkat keras tingkat rendah, untuk menyediakan antarmuka pengguna yang lebih canggih bagi pengguna akhir, melayani kelompok pelanggan tertentu.
• Aggregation layer: Lapisan agregasi yang membentuk tumpukan komputasi desentralisasi, tugas utamanya adalah integrasi, bertanggung jawab untuk menyediakan antarmuka yang seragam sehingga pengguna dapat melakukan berbagai tugas komputasi di satu tempat, seperti pelatihan AI, rendering, zkML, dan lainnya. Seolah-olah lapisan pengaturan dan distribusi layanan komputasi desentralisasi yang beragam.

Sumber gambar: Youbi Capital

Berdasarkan dua kerangka analisis di atas, kami akan melakukan perbandingan horizontal terhadap lima proyek yang dipilih dan mengevaluasi mereka dari empat aspek - bisnis inti, posisi pasar, fasilitas keras, dan kinerja keuangan.

2.1 Core Business

Dari logika dasar, jaringan daya komputasi desentralisasi sangat homogen, yaitu dengan menggunakan token untuk mendorong pemegang daya komputasi yang tidak terpakai untuk menyediakan layanan daya komputasi. Berdasarkan logika dasar ini, kita dapat memahami perbedaan inti bisnis proyek dari tiga aspek yang berbeda:

• Sumber Daya Komputasi yang Tidak Digunakan:

• Ada dua sumber utama daya komputasi yang tidak terpakai di pasar: 1) pusat data, perusahaan pertambangan, dan lainnya memiliki daya komputasi yang tidak terpakai; 2) daya komputasi yang tidak terpakai di tangan pengguna individu. Daya komputasi dari pusat data biasanya menggunakan perangkat keras tingkat profesional, sementara pengguna individu biasanya membeli chip tingkat konsumen.
• Daya komputasi Aethir, Akash Network, dan Gensyn sebagian besar dikumpulkan dari perusahaan. Keuntungan mengumpulkan daya komputasi dari perusahaan termasuk: 1) Perusahaan dan pusat data umumnya memiliki perangkat keras berkualitas tinggi dan tim pemeliharaan profesional, sehingga sumber daya daya komputasi lebih unggul dalam kinerja dan keandalan; 2) Sumber daya daya komputasi dari perusahaan dan pusat data cenderung lebih seragam, dan pengelolaan dan pemantauan yang terpusat membuat penjadwalan dan pemeliharaan sumber daya lebih efisien. Namun demikian, pendekatan ini menuntut persyaratan yang lebih tinggi dari pihak proyek, memerlukan proyek untuk memiliki keterkaitan bisnis dengan perusahaan yang menguasai daya komputasi. Sementara itu, skalabilitas dan tingkat desentralisasi akan mengalami dampak dalam tingkat tertentu.

• Render Network dan io.net terutama memberikan insentif kepada pengguna individu untuk menyediakan daya komputasi yang tidak terpakai. Keuntungan mengumpulkan daya komputasi dari pengguna individu adalah: 1) Biaya eksplisit daya komputasi yang tidak terpakai pada pengguna individu lebih rendah, sehingga dapat menyediakan sumber daya komputasi yang lebih ekonomis; 2) Tingkat desentralisasi dan skalabilitas jaringan yang lebih tinggi meningkatkan elastisitas dan kestabilan sistem. Namun, kekurangannya adalah distribusi sumber daya pengguna individu yang tersebar luas dan tidak seragam, sehingga manajemen dan penjadwalan menjadi lebih kompleks dan meningkatkan kesulitan dalam pengoperasian. Selain itu, lebih sulit untuk menghasilkan efek jaringan awal yang bergantung pada daya komputasi pengguna individu (lebih sulit untuk memulai). Akhirnya, perangkat pengguna individu mungkin memiliki risiko keamanan yang lebih tinggi, yang dapat menyebabkan kebocoran data dan risiko penyalahgunaan daya komputasi.
• Daya Komputasi konsumen

• Dari sudut pandang konsumen daya komputasi, target klien Aethir, io.net, dan Gensyn adalah perusahaan. Untuk klien B2B, kebutuhan akan komputasi yang tinggi diperlukan dalam bidang AI dan rendering real-time game. Beban kerja semacam ini memerlukan sumber daya komputasi yang sangat tinggi, biasanya dalam bentuk GPU high-end atau perangkat keras profesional. Selain itu, klien B2B juga menuntut stabilitas dan keandalan sumber daya komputasi, sehingga perlu menyediakan perjanjian layanan yang berkualitas tinggi untuk memastikan kelancaran proyek dan memberikan dukungan teknis yang tepat waktu. Selain itu, biaya migrasi klien B2B sangat tinggi, jika tidak ada SDK yang matang di jaringan terdesentralisasi yang dapat memungkinkan pihak proyek untuk deployment yang cepat (seperti Akash Network yang memerlukan pengembangan berdasarkan port remote yang tersedia), maka sulit untuk membuat klien beralih. Kecuali ada keuntungan harga yang sangat signifikan, keinginan klien untuk beralih sangat rendah.
• Render Network dan Akash Network utamanya menyediakan layanan daya komputasi untuk pengguna individu. Untuk melayani pengguna di sisi konsumen, proyek harus merancang antarmuka dan alat yang sederhana dan mudah digunakan untuk memberikan pengalaman konsumen yang baik. Selain itu, konsumen sangat peka terhadap harga, sehingga proyek perlu menyediakan penetapan harga yang kompetitif.

• Jenis perangkat keras

• Sumber daya perangkat keras komputasi umum termasuk CPU, FPGA, GPU, ASIC, dan SoC. Perangkat keras ini memiliki perbedaan yang signifikan dalam tujuan desain, karakteristik kinerja, dan bidang aplikasi. Secara umum, CPU lebih baik dalam tugas komputasi umum, FPGA memiliki keunggulan dalam pemrosesan paralel tinggi dan dapat diprogram, GPU menonjol dalam komputasi paralel, ASIC memiliki efisiensi tertinggi dalam tugas tertentu, sedangkan SoC mengintegrasikan berbagai fungsi dalam satu kesatuan dan cocok untuk aplikasi yang sangat terintegrasi. Pemilihan perangkat keras bergantung pada kebutuhan aplikasi spesifik, persyaratan kinerja, dan pertimbangan biaya. Proyek daya komputasi desentralisasi yang kita diskusikan sebagian besar mengumpulkan daya komputasi GPU, hal ini ditentukan oleh jenis bisnis proyek dan karakteristik GPU. Karena GPU memiliki keunggulan unik dalam pelatihan kecerdasan buatan, komputasi paralel, rendering multimedia, dan sebagainya.
• Meskipun proyek-proyek ini sebagian besar melibatkan integrasi GPU, namun berbagai aplikasi memiliki persyaratan spesifikasi perangkat keras yang berbeda, sehingga perangkat keras ini memiliki inti dan parameter optimasi yang heterogen. Parameter-parameter ini termasuk parallelism/serial dependencies, memori, latensi, dan lain-lain. Misalnya, beban kerja render sebenarnya lebih cocok untuk GPU konsumen daripada GPU data center yang lebih kuat, karena render membutuhkan persyaratan tinggi seperti pelacakan sinar, dan chip konsumen seperti 4090 s telah meningkatkan inti RT yang dioptimalkan untuk tugas pelacakan sinar. Pelatihan dan inferensi AI membutuhkan GPU tingkat profesional. Oleh karena itu, Render Network dapat mengumpulkan GPU konsumen seperti RTX 3090 s dan 4090 s dari pedagang eceran, sedangkan IO.NET membutuhkan lebih banyak GPU tingkat profesional seperti H 100 s, A 100 s, untuk memenuhi kebutuhan perusahaan startup AI.

2.2 Posisi Pasar

Dalam hal penempatan proyek, lapisan logam polos, lapisan orkestrasi, dan lapisan agregasi memiliki perbedaan dalam masalah inti yang perlu dipecahkan, fokus optimalisasi, dan kemampuan penangkapan nilai.

• Bare metal layer ikuti adalah pengumpulan dan penggunaan sumber daya fisik, lapisan Orkestrasi memperhatikan penjadwalan dan optimalisasi daya komputasi, serta mendesain ulang perangkat keras fisik sesuai dengan kebutuhan kelompok pelanggan secara optimal. Lapisan Agregasi bersifat umum, memperhatikan integrasi dan abstraksi sumber daya yang berbeda. Dari rantai nilai, setiap proyek seharusnya dimulai dari lapisan bare metal dan berusaha untuk terus naik ke atas.
• Dari sudut pandang penangkapan nilai, kemampuan penangkapan nilai meningkat dari lapisan bare metal, lapisan orkestrasi hingga lapisan agregasi. Lapisan agregasi dapat menangkap nilai paling banyak, karena platform agregasi dapat mendapatkan efek jaringan terbesar dan dapat langsung mencapai pengguna terbanyak, seperti pintu masuk lalu lintas jaringan terdesentralisasi, sehingga menduduki posisi penangkapan nilai tertinggi dalam seluruh tumpukan manajemen sumber daya daya komputasi.
• Sebaliknya, kesulitan terbesar dalam membangun platform agregasi adalah bahwa proyek ini perlu menyelesaikan berbagai masalah seperti kompleksitas teknis, manajemen sumber daya heterogen, keandalan dan skalabilitas sistem, implementasi efek jaringan, keamanan dan perlindungan privasi, serta manajemen operasi yang kompleks. Tantangan-tantangan ini tidak menguntungkan untuk memulai proyek dan tergantung pada perkembangan dan saat dari industri ini. ** Menjadi lapisan orkestrasi tidaklah realistis jika lapisan ini belum berkembang matang dan mendapatkan pangsa pasar yang signifikan. **
• Saat ini, Aethir, Render Network, Akash Network, dan Gensyn semuanya termasuk Orchestration layer, yang bertujuan untuk menyediakan layanan untuk tujuan dan kelompok pelanggan tertentu. Aethir saat ini berfokus pada rendering real-time untuk game cloud, dan menyediakan lingkungan dan alat pengembangan dan penyebaran tertentu untuk pelanggan B; Render Network berfokus pada rendering video, tugas Akash Network adalah menyediakan platform perdagangan serupa dengan Taobao, sementara Gensyn berfokus pada bidang pelatihan AI. io.net berperan sebagai Aggregation layer, namun saat ini implementasi fitur yang telah dilakukan oleh io masih jauh dari lengkapnya fitur aggregation layer, meskipun sudah mengumpulkan perangkat keras Render Network dan Filecoin, abstraksi dan integrasi sumber daya keras belum selesai.

2.3 Fasilitas Perangkat Keras

• Saat ini, tidak semua proyek mengungkapkan data jaringan secara rinci. Secara relatif, UI io.net explorer adalah yang terbaik, di mana Anda dapat melihat jumlah GPU/CPU, jenis, harga, distribusi, penggunaan jaringan, pendapatan node, dan parameter lainnya. Namun, pada akhir April, antarmuka depan io.net mengalami serangan, karena io tidak melakukan otentikasi terhadap antarmuka PUT/POST, sehingga peretas mengubah data antarmuka depan. Hal ini juga memperingatkan tentang privasi dan keandalan data jaringan proyek lainnya.
• Dalam hal jumlah GPU dan model, io.net sebagai lapisan agregasi seharusnya mengumpulkan jumlah perangkat keras yang paling banyak. Aethir mengikuti di belakangnya, sedangkan kondisi perangkat keras proyek lainnya tidak begitu transparan. Dari segi model GPU, io memiliki berbagai jenis, mulai dari GPU kelas profesional seperti A 100 hingga GPU kelas konsumen seperti 4090, sesuai dengan posisi agregasi io.net. io dapat memilih GPU yang paling sesuai berdasarkan kebutuhan tugas yang spesifik. Namun, GPU dengan model dan merek yang berbeda mungkin memerlukan driver dan konfigurasi yang berbeda, serta perangkat lunak yang membutuhkan optimasi yang kompleks, yang meningkatkan kompleksitas pengelolaan dan pemeliharaan. Saat ini, alokasi tugas di io didasarkan pada pilihan pengguna sendiri.
• Aethir telah merilis Rig Penambangan mereka sendiri, pada bulan Mei, Aethir Edge yang dikembangkan dengan dukungan dari Qualcomm secara resmi diluncurkan. Ini akan mengubah cara penyebaran daya komputasi GPU yang terpusat jauh dari pengguna, dan mendeploy daya komputasi ke tepi jaringan. Aethir Edge akan menggabungkan daya komputasi cluster H 100 untuk melayani skenario kecerdasan buatan, di mana ia dapat mendeploy model-model yang telah dilatih, dan menyediakan layanan komputasi inferensi kepada pengguna dengan biaya optimal. Solusi ini lebih dekat dengan pengguna, lebih cepat dalam pelayanan, dan juga lebih efisien dari segi biaya.
• Dilihat dari pasokan dan permintaan, ambil contoh Akash Network, data statistiknya menunjukkan bahwa total CPU sekitar 16 k, jumlah GPU adalah 378, dengan tingkat penggunaan CPU dan GPU masing-masing adalah 11,1% dan 19,3%. ** Di antaranya hanya tingkat sewa GPU tingkat profesional H 100 yang cukup tinggi, sebagian besar model lainnya berada dalam keadaan tidak terpakai. Keadaan yang sama juga dihadapi oleh jaringan lainnya seperti Akash, permintaan keseluruhan jaringan tidak tinggi, kecuali untuk chip populer seperti A 100, H 100, sebagian besar daya komputasi berada dalam keadaan tidak terpakai. **
• Dilihat dari keuntungan harga, dibandingkan dengan pemain besar di pasar komputasi awan, keuntungan biaya tidak begitu menonjol dibandingkan dengan penyedia layanan tradisional lainnya.

2.4 Kinerja Keuangan

• Tidak peduli bagaimana desain model token, tokenomics yang sehat harus memenuhi beberapa kondisi dasar berikut: 1) Permintaan pengguna terhadap jaringan harus tercermin dalam harga koin, artinya token dapat menangkap nilainya; 2) Setiap peserta, baik developer, node, maupun pengguna, harus mendapatkan insentif yang adil dan berkelanjutan; 3) Menjamin pengelolaan yang terdesentralisasi untuk menghindari kepemilikan berlebihan oleh pihak internal; 4) Mekanisme inflasi dan deflasi yang wajar serta siklus pelepasan token, menghindari dampak fluktuasi harga yang besar terhadap kestabilan dan kelangsungan jaringan.
• Jika model token secara umum dibagi menjadi keseimbangan bakar dan cetak (BME) dan stake for access (SFA), sumber tekanan deflasi token dari dua mode ini berbeda: Model BME akan membakar token setelah pengguna membeli layanan, sehingga tekanan deflasi sistem ini ditentukan oleh permintaan. Sedangkan SFA meminta penyedia layanan / node untuk melakukan stake token untuk memenuhi syarat untuk menyediakan layanan, sehingga tekanan deflasi ini ditimbulkan oleh penawaran. Keuntungan BME adalah lebih cocok digunakan untuk barang-barang non-standar. Namun jika permintaan jaringan tidak mencukupi, mungkin akan menghadapi tekanan inflasi yang berkelanjutan. Detail dari model token setiap proyek memiliki perbedaan, namun secara keseluruhan, Aethir cenderung lebih ke SFA, sementara io.net, Render Network, dan Akash Network cenderung lebih ke BME, Gensyn belum diketahui.
• Dilihat dari pendapatan, permintaan jaringan akan tercermin langsung pada pendapatan keseluruhan jaringan (di sini tidak membahas pendapatan penambang, karena selain imbalan yang diterima dari menyelesaikan tugas, penambang juga menerima subsidi dari proyek). Dilihat dari data publik, nilai io.net adalah yang tertinggi. Meskipun pendapatan Aethir belum dipublikasikan, namun dari informasi publik, mereka telah mengumumkan telah menandatangani pesanan dengan banyak pelanggan B-to-B.
• Dari segi harga koin, saat ini hanya Render Network dan Akash Network yang melakukan ICO. Aethir dan io.net juga baru-baru ini meluncurkan koin, kinerja harganya perlu diamati lebih lanjut, tidak akan dibahas secara detail di sini. Rencana Gensyn masih belum jelas. Dari dua proyek yang meluncurkan koin dan proyek lain dalam jalur yang sama tetapi tidak dibahas dalam artikel ini, secara keseluruhan, jaringan daya komputasi desentralisasi memiliki kinerja harga yang sangat mengesankan, yang dalam beberapa hal mencerminkan potensi pasar yang besar dan harapan tinggi dari komunitas.

2.5 Kesimpulan

• Jaringan daya komputasi desentralisasi berkembang pesat, sudah banyak proyek yang dapat mengandalkan layanan produk untuk pelanggan dan menghasilkan pendapatan tertentu. Jalur ini telah keluar dari narasi murni dan memasuki tahap pengembangan yang dapat menyediakan layanan awal.
• Kelemahan permintaan adalah masalah umum yang dihadapi jaringan daya komputasi desentralisasi, di mana permintaan pelanggan jangka panjang belum diverifikasi dan dieksplorasi dengan baik. Namun, sisi permintaan tidak terlalu memengaruhi harga koin, beberapa proyek yang sudah mengeluarkan koin telah menunjukkan performa yang mengesankan.
• AI adalah narasi utama dari jaringan Daya Komputasi desentralisasi, namun bukan satu-satunya bisnis. Selain digunakan untuk pelatihan AI dan inferensi, Daya Komputasi juga dapat digunakan untuk rendering real-time permainan cloud, layanan ponsel cloud, dan lain-lain.
• Tingkat heterogenitas perangkat keras dalam jaringan kekuatan komputasi cukup tinggi, kualitas dan skala jaringan kekuatan komputasi perlu ditingkatkan lebih lanjut.
• Bagi pengguna C, keunggulan biaya tidak terlalu jelas. Namun bagi pengguna B, selain menghemat biaya, juga perlu mempertimbangkan stabilitas layanan, keandalan, dukungan teknis, kepatuhan, dan dukungan hukum, dan proyek Web3 umumnya kurang memadai dalam hal ini.

3 Penutupan pemikiran

Ledakan pertumbuhan kecerdasan buatan (AI) telah membawa tuntutan daya komputasi dalam jumlah besar yang tidak diragukan lagi. Sejak tahun 2012, daya komputasi yang digunakan dalam tugas pelatihan kecerdasan buatan mengalami pertumbuhan eksponensial, dengan tingkat pertumbuhan saat ini mencapai dua kali lipat setiap 3,5 bulan (dibandingkan dengan hukum Moore yang mengalami dua kali lipat setiap 18 bulan). Sejak tahun 2012, permintaan akan daya komputasi telah meningkat lebih dari 300.000 kali lipat, jauh melampaui pertumbuhan 12 kali lipat menurut hukum Moore. Diprediksi bahwa pasar GPU akan tumbuh dengan tingkat pertumbuhan tahunan komposit 32% hingga melebihi 200 miliar dolar AS dalam lima tahun mendatang. Perkiraan AMD bahkan lebih tinggi, dengan perkiraan perusahaan bahwa pasar chip GPU akan mencapai 400 miliar dolar AS pada tahun 2027.

Sumber gambar:

Karena ledakan pertumbuhan kecerdasan buatan dan beban kerja komputasi lainnya (seperti rendering AR/VR) telah mengungkapkan masalah efisiensi struktural di pasar komputasi awan tradisional dan terkemuka. Secara teoritis, jaringan daya komputasi desentralisasi dapat memberikan solusi yang lebih fleksibel, murah, dan efisien dengan memanfaatkan sumber daya komputasi terdistribusi yang tidak digunakan, untuk memenuhi tuntutan pasar akan daya komputasi yang besar. Oleh karena itu, kombinasi kripto dan kecerdasan buatan memiliki potensi pasar yang besar, tetapi juga menghadapi persaingan sengit dari perusahaan tradisional, ambang masuk yang tinggi, dan lingkungan pasar yang kompleks. Secara keseluruhan, melalui semua jalur kripto, jaringan daya komputasi desentralisasi adalah salah satu dari beberapa domain vertikal dalam domain enkripsi yang memiliki harapan besar untuk mendapatkan permintaan nyata.

Sumber gambar:

Masa depan cerah, tetapi jalan penuh dengan tantangan. Untuk mencapai visi tersebut, masih banyak masalah dan tantangan yang perlu diatasi. Pada saat ini, jika hanya menyediakan layanan cloud tradisional, profit margin proyek akan sangat kecil. Dari sisi permintaan, perusahaan besar biasanya membangun daya komputasi sendiri, sementara pengembang C-end murni kebanyakan memilih layanan cloud. Apakah akan ada permintaan stabil dari perusahaan kecil dan menengah yang benar-benar menggunakan sumber daya jaringan daya komputasi terdesentralisasi masih perlu dipelajari dan diverifikasi lebih lanjut. Di sisi lain, AI adalah pasar yang sangat luas dengan potensi tak terbatas. Untuk pasar yang lebih luas, penyedia layanan komputasi terdesentralisasi di masa depan juga perlu beralih ke layanan model / AI, mengeksplorasi lebih banyak skenario penggunaan crypto + AI, dan memperluas nilai yang dapat diciptakan oleh proyek. Namun, untuk berkembang lebih jauh ke bidang AI, masih banyak masalah dan tantangan yang harus diatasi:

• Keunggulan harga tidak menonjol: Perbandingan data sebelumnya menunjukkan bahwa keunggulan biaya jaringan daya komputasi desentralisasi belum tercermin. Kemungkinan alasan yang mungkin adalah untuk chip khusus dengan permintaan tinggi seperti H 100, A 100, mekanisme pasar menentukan bahwa harga perangkat keras ini tidak akan murah. Selain itu, meskipun jaringan desentralisasi dapat mengumpulkan sumber daya daya komputasi yang tidak terpakai, biaya tersembunyi seperti kurangnya efisiensi ekonomi skala, biaya jaringan dan bandwidth yang tinggi, serta kompleksitas manajemen dan operasional yang tinggi, akan semakin meningkatkan biaya daya komputasi.
• Keistimewaan AI training: Melakukan pelatihan AI secara desentralisasi saat ini menghadapi hambatan teknis yang besar. Hambatan ini dapat dilihat secara visual dalam alur kerja GPU, di mana dalam pelatihan model bahasa besar, GPU pertama menerima batch data yang telah diproses sebelumnya, melakukan perhitungan feedforward dan backpropagation untuk menghasilkan gradien. Selanjutnya, gradien dari setiap GPU akan dikumpulkan dan parameter model diperbarui untuk memastikan sinkronisasi di semua GPU. Proses ini akan terus diulang hingga semua batch selesai dilatih atau mencapai jumlah putaran yang ditentukan. Proses ini melibatkan transfer dan sinkronisasi data yang besar. Pertanyaannya adalah bagaimana strategi paralel dan sinkronisasi yang digunakan, bagaimana mengoptimalkan bandwidth dan latensi jaringan, serta mengurangi biaya komunikasi, semuanya belum mendapatkan jawaban yang memuaskan. Saat ini, menggunakan jaringan daya komputasi desentralisasi untuk melatih AI masih tidak realistis.
• Keamanan Data dan Privasi: Dalam proses pelatihan model bahasa besar, setiap lingkungan yang terlibat dalam pemrosesan dan pengiriman data, seperti alokasi data, pelatihan model, agregasi parameter dan gradien, dapat mempengaruhi keamanan dan privasi data. Dan privasi model data lebih penting lagi. Jika masalah privasi data tidak dapat diselesaikan, maka tidak mungkin untuk mengambil skala yang benar-benar signifikan pada sisi permintaan.

Dari sudut pandang yang paling realistis, sebuah jaringan daya komputasi desentralisasi perlu memperhatikan baik eksplorasi kebutuhan saat ini maupun ruang pasar di masa depan. Menemukan posisi produk dan khalayak target, misalnya dengan lebih dulu membidik proyek non-AI atau Web3 asli, memulai dari kebutuhan yang lebih tepi, dan membangun dasar pengguna awal. Sambil terus mengeksplorasi berbagai skenario gabungan AI dan crypto, mengeksplorasi garis depan teknologi, dan mewujudkan transformasi dan peningkatan layanan.

Referensi

caff.com/zh/archives/17351? ref= 1554