生まれたエッジ：分散化コンピューティングパワーネットワークがCryptoとAIにどのように力を与えるか？

原作者:ジェーン・ドウ、チェン・リー

ソース: Youbi Capital

1 AIと暗号資産の交差点

5月23日、チップメーカーのNVIDIAは2025会計年度第1四半期の財務報告を発表しました。財務報告によると、NVIDIAの第1四半期の売上高は260億ドルです。そのうち、データセンターの売上高は前年比で427%増の驚異的な226億ドルに達しました。** NVIDIAが単独で米国株式市場を救う財務パフォーマンスの背後には、世界のテクノロジーカンパニーがAI分野で競争するために爆発的に増加するコンピューティングパワーの需要が反映されています。トップクラスのテクノロジーカンパニーほど、AI分野への展開における野心も大きく、それに伴いコンピューティングパワーの需要も指数関数的に増加しています。** TrendForceの予測によると、2024年には米国の主要な4つのクラウドサービスプロバイダーであるMicrosoft、Google、AWS、Metaの上位AIサーバーへの需要が、それぞれ世界の需要の20.2%、16.6%、16%、10.8%を占め、合計で60%を超える見込みです。

画像クレジット:

「チップ不足」は、ここ数年続く年間のキーワードとなっています。一方で、大規模言語モデル（LLM）のトレーニングと推論には多大な算力のサポートが必要であり、さらにモデルの繰り返しに伴い、算力のコストと需要が指数関数的に増加しています。一方で、Metaのような大企業が大量のチップを調達するため、世界中の算力リソースがこれらのテクノロジージャイアントに集中し、小規模企業が必要な算力リソースをますます入手しにくくなっています。**小規模企業が直面している困難は、需要の急増によるチップ供給不足だけでなく、供給の構造的な矛盾からも生じています。**現在、供給側には未使用のGPUがたくさんあります。例えば、一部のデータセンターには未使用の算力がたくさんあります（利用率はわずか12%から18%）。また、暗号化マイニングにより利益が減少したため、多くの算力リソースが闲置しています。これらの算力はすべてAIトレーニングなどの専門的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、消費者向けハードウェアは他の領域でも、AI推論、クラウドゲームのレンダリング、クラウドフォンなどで依然として大きな役割を果たすことができます。これらの算力リソースを統合し活用する機会は非常に大きいです。

AIの視点を暗号通貨に移し、暗号市場は3年間静かでしたが、ついに新しいブルランが訪れ、ビットコインの価格が何度も過去最高値を更新し、さまざまなmemecoinが次々と登場しています。**AIと暗号通貨はこれら数年間バズワードとして注目されてきましたが、人工知能とブロックチェーンという2つの重要な技術はまるで並行線のようで、なかなか「交差点」を見つけることができませんでした。**今年初め、Vitalikは「The promise and challenges of crypto + AI applications」という記事を発表し、AIと暗号通貨の組み合わせの将来のシナリオについて議論しました。Vitalikは、ブロックチェーンやMPCなどの暗号技術を使用してAIの分散トレーニングと推論を行うことを含む多くのビジョンを提唱しました。これにより機械学習のブラックボックスを開くことができ、AIモデルをより信頼できるものにすることができます。**これらのビジョンを実現するにはまだ長い道のりがあります。しかし、Vitalikが言及した中で、AIに経済的インセンティブを与えるために暗号通貨を利用するというユースケースは、重要であり、短期間で実現可能な方向の1つです。分散化されたコンピューティングパワーネットワークは、現時点でAI+暗号通貨の最も適したシナリオの1つです。

2 分散化コンピューティングパワーネットワーク

現在、分散化された計算力ネットワークの競争路線において、多くのプロジェクトがすでに発展しています。これらのプロジェクトの基礎的なロジックは類似しており、トークンを利用して計算力を保有する人々をネットワークに参加させ、計算力サービスを提供します。これらの分散した計算力リソースを集めて、一定規模の分散化された計算力ネットワークを形成することができます。これにより、閑散としている計算力の利用率を高め、低コストで顧客の計算力ニーズを満たし、買い手と売り手の双方が共に勝利することができます。

読者がこのトラックについて全体的な理解を短時間で得るために、この記事では、マイクロとマクロの2つの視点から具体的なプロジェクトとトラック全体を解体し、読者にそれぞれのプロジェクトの中核的な競争優位性と分散化コンピューティングパワーのトラック全体の発展状況を理解するための分析視点を提供することを目的としています。筆者は、Aethir、io.net、Render Network、Akash Network、Gensynの5つのプロジェクトについて紹介し、分析し、プロジェクト状況とトラックの発展についてまとめて評価します。

分析フレームワークに基づいて、特定の分散化された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場合、それを4つの核心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：分散されたコンピューティングパワーのリソースを一つにまとめ、世界中のノードによる共有と負荷分散を実現することで、分散型のコンピューティングパワーネットワークの基盤層を形成します。
• バイラテラル市場：適正な価格設定メカニズムとディスカバリーメカニズムを通じて、コンピューティングパワーの提供者と需要者をマッチングし、安全な取引プラットフォームを提供し、供給と需要の両者の取引を透明、公正、信頼性があるものにします。
• 共识机制：ネットワーク内のノードが正しく動作し、作業を完了するために使用されます。共識メカニズムは、次の2つのレベルで監視されます： 1）ノードがオンラインで実行され、いつでもタスクを受け入れる準備ができているかどうかの監視；2）ノードの作業の証明：ノードがタスクを受け取った後、タスクを適切に完了し、コンピューティングパワーが他の目的に使用されず、プロセスとスレッドが占有されていないかの監視。
• トークン激励：トークンモデルは、より多くの参加者がサービスを提供 / 使用し、このネットワーク効果をトークンで捉え、コミュニティの利益を共有するために使用されます。

もし全体の分散化コンピューティングパワー競争を俯瞰すると、Blockworks Researchのレポートは、この競争のプロジェクトを3つの異なるレイヤーに分類する良い分析フレームを提供しています。

• Bare metal layer: 分散型コンピューティングスタックの基礎層で、主なタスクは元のコンピューティングパワー資源を収集し、API 呼び出し可能にすることです。
• オーケストレーションレイヤー：分散型コンピューティングスタックを構成する中間層で、主なタスクは調整と抽象化であり、コンピューティングパワーのスケジューリング、拡張、操作、負荷分散、容錯などを担当します。主な役割は、下位レベルのハードウェア管理の複雑さを「抽象化」し、特定の顧客にサービスを提供するために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：分散化計算スタックのトップレベルを構成し、主な役割は統合です。異なる計算タスク（AIトレーニング、レンダリング、zkMLなど）を一箇所で実行できるように、ユーザーに統一されたインターフェースを提供します。複数の分散化計算サービスの編成と配信を担当します。

画像ソース:Youbi Capital

上記の2つの分析フレームワークに基づいて、選択された5つのプロジェクトを横断的に比較し、コアビジネス、市場定位、ハードウェアインフラストラクチャ、財務パフォーマンスの4つのレベルから評価します。

2.1 コアビジネス

从底层逻辑来讲，分散化コンピューティングパワーネットワークは非常に均質化されており、すなわちトークンを利用してアイドル算力ホルダーを奨励して算力サービスを提供させる。この基本的なロジックに基づいて、プロジェクトのコアビジネスの違いを理解するためには、3つの側面の違いに注目することができます。

• 空いている計算能力のソース：

• 市場での未使用のコンピューティングパワーの主な2つのソースは次のとおりです：1）データセンターや鉱業会社などの企業からの未使用のコンピューティングパワー；2）個人の未使用のコンピューティングパワー。データセンターのコンピューティングパワーは通常、専門家レベルのハードウェアですが、個人は通常、消費者レベルのチップを購入します。
• **Aethir、Akash Network、およびGensynのコンピューティングパワーは、主に企業から収集されます。**企業からコンピューティングパワーを収集する利点は次のとおりです：1）企業とデータセンターは通常、品質の高いハードウェアと専門のメンテナンスチームを持っており、コンピューティングリソースのパフォーマンスと信頼性が高くなります。2）企業とデータセンターのコンピューティングリソースは、より均質化され、集中的な管理と監視により、リソースのスケジューリングとメンテナンスがより効率的に行われます。ただし、この方法にはプロジェクト側に高い要件があり、プロジェクト側はコンピューティングを把握している企業とのビジネスコンタクトを持つ必要があります。また、拡張性と分散化の程度には一定の影響があります。

• **Render Networkとio.netは、小売店から手持ちの余剰計算力を活用することを主な目的としています。**小売店から計算力を集める利点は次のとおりです：1）小売店の余剰計算力は明確なコストが低く、より経済的な計算力リソースを提供できます。2）ネットワークの拡張性と分散化のレベルが高いため、システムの柔軟性と信頼性が向上します。ただし、欠点として、小売店のリソースは広範囲に分散しており、統一性がないため、管理とスケジューリングが複雑になり、運用の難しさが増します。また、小売店の計算機はより多くのセキュリティリスクを抱えており、データ漏洩や計算力の乱用のリスクをもたらします。
• コンピューティングパワー消費者 +**算力消費者の観点から、Aethir、io.net、Gensyn のターゲット顧客は主に企業です。**B2Bの顧客にとって、AIやゲームのリアルタイムレンダリングには高性能な計算が必要です。このようなワークロードは、算力リソースに非常に高い要求を持ち、通常はハイエンドGPUまたは専門ハードウェアが必要です。さらに、B2Bの顧客は算力リソースの安定性と信頼性を非常に重視しており、プロジェクトの正常な運用とタイムリーな技術サポートを提供するために高品質のサービスレベルプロトコルが必要です。同時に、B2Bの顧客の移行コストは非常に高いため、分散化ネットワークには、プロジェクトが迅速にデプロイできる成熟したSDKがなければ、顧客を移行させるのは困難です（例：Akash Networkはユーザーがリモートポートに基づいて自身で開発する必要があります）。非常に顕著な価格優位性がない限り、顧客の移行意欲は非常に低いでしょう。

• Render Network と Akash Network は、主に一般消費者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。プロジェクトは、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、消費者に良い消費体験を提供する必要があります。また、消費者は価格に非常に敏感であるため、プロジェクトは競争力のある価格設定を提供する必要があります。

*ハードウェアタイプ

• 一般的な計算ハードウェアリソースには、CPU、FPGA、GPU、ASIC、SoCなどがあります。これらのハードウェアは、設計目標、パフォーマンス特性、およびアプリケーション領域において明確な違いがあります。要約すると、CPUは一般的な計算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の利点があり、GPUは並列計算に優れた性能を発揮します。ASICは特定のタスクにおいて最も効率的であり、SoCはさまざまな機能を一体化しており、高度に統合されたアプリケーションに適しています。どのハードウェアを選択するかは、具体的なアプリケーションの要件、パフォーマンス要件、およびコストの考慮に依存します。私たちが議論している分散化された計算力プロジェクトの多くは、GPUの計算力を集めることです。これは、プロジェクトの業務タイプとGPUの特性によるものです。なぜなら、GPUはAIトレーニング、並列計算、マルチメディアレンダリングなどにおいて独自の利点を持っているからです。
• **これらのプロジェクトはほとんどがGPUの統合に関連していますが、異なるアプリケーションはハードウェアの仕様に異なる要求を持っているため、これらのハードウェアには異質な最適化コアとパラメータがあります。**これらのパラメータには、並列性/シリアル依存関係、メモリ、レイテンシーなどが含まれます。たとえば、レンダリングのワークロードは実際には消費者向けのGPUに適しており、よりパフォーマンスの高いデータセンターGPUには適していません。なぜなら、レンダリングは光線追跡などを要求するためであり、4090sなどの消費者向けチップはRTコアを強化し、光線追跡タスクに特化した計算クラスの最適化を行っています。AIトレーニングと推論には専門レベルのGPUが必要です。したがって、Render Networkでは、RTX 3090sや4090sなどの消費者向けGPUを小売業者から集めることができますが、IO.NETでは、H100sやA100sなどの専門レベルのGPUがさらに必要です。AIスタートアップのニーズに応えるためです。

2.2 市場でのポジショニング

プロジェクトの位置付けに関して、ベアメタルレイヤー、オーケストレーションレイヤー、集約レイヤーが解決するべき核心的な問題、最適化の重点、および価値の獲得能力は異なります。

• Bare metal layer は物理的なリソースの収集と利用に注力し、Orchestration layer は計算能力のスケジューリングと最適化に注力し、物理ハードウェアを顧客グループの要件に基づいて最適に設計します。Aggregation layer は一般的な目的を持ち、さまざまなリソースの統合と抽象化に注力します。価値チェーンから見ると、各プロジェクトは bare metal 層から始め、上に向かって進化する必要があります。 ・価値の捕捉の観点から、ベアメタル層、オーケストレーション層、集約層において、能力は段階的に向上しています。 集約層は最も多くの価値を捕捉できる層であり、その理由は集約プラットフォームが最大のネットワーク効果を得られること、そして直接的に最も多くのユーザーに触れることができること、つまり、分散型ネットワークのトラフィック入口であることにあります。そのため、全体的なコンピューティングリソース管理スタックにおいて、最も高い価値の捕捉位置を占めることができます。
• それに応じて、アグリゲーションプラットフォームを構築することも最も困難です。プロジェクトは技術の複雑さ、異種リソースの管理、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、複雑な運用管理など、さまざまな問題を包括的に解決する必要があります。これらの課題はプロジェクトの立ち上げに不利であり、競技の発展状況と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まだ成熟して一定の市場シェアを獲得していない時点では、アグリゲーションレイヤーを実現することはあまり現実的ではありません。 *現在、**Aethir、Render Network、Akash Network、およびGensyn はすべてOrchestrationレイヤーに属しており、特定のターゲットと顧客にサービスを提供することを目指しています。**Aethirの主要な事業はクラウドゲームのリアルタイムレンダリングであり、B2Bの顧客に開発およびデプロイメント環境とツールを提供しています。Render Networkの主要事業はビデオレンダリングであり、Akash Networkの任務は淘宝に似た取引プラットフォームを提供することです。GensynはAIトレーニング領域に精通しています。io.netはAggregationレイヤーに位置していますが、現時点ではioが実装している機能はまだ完全なAggregationレイヤーの機能にはかなり遠いです。Render NetworkとFilecoinのハードウェアをすでに収集していますが、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

• 現在、すべてのプロジェクトがネットワークの詳細データを公開しているわけではありませんが、io.net explorerのUIは最も優れており、GPU/CPUの数、タイプ、価格、分布、ネットワーク使用量、ノード収益などのパラメータを確認できます。しかし、4月末にio.netのフロントエンドが攻撃を受け、ioがPUT/POSTのインターフェイスにAuthを設定していなかったため、ハッカーがフロントエンドデータを改ざんしました。これにより、他のプロジェクトのプライバシーとネットワークデータの信頼性に対する警告が発せられました。
• GPUの数とモデルに基づいて、io.netの集計層として、ハードウェアの数は最も多いはずです。Aethirはその後に続き、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。GPUモデルからは、ioにはプロフェッショナルなGPUであるA 100や、4090のようなコンシューマグレードのGPUなど、さまざまな種類があり、これはio.netの集約の位置づけに合致しています。ioは具体的なタスクの要件に応じて、最適なGPUを選択することができます。ただし、異なるモデルやブランドのGPUには、異なるドライバや設定が必要な場合があり、ソフトウェアも複雑な最適化が必要です。これは管理やメンテナンスの複雑さを増加させます。現在、ioのタスク割り当ては、主にユーザーが自己選択することに依存しています。
• Aethirは自身のマイニングリグをリリースしました。 5月には、QualcommサポートのもとAethir Edgeが正式に発売されました。これにより、ユーザーから離れた単一の中央集権型GPUクラスター展開を打破し、コンピューティングパワーをエッジに展開します。Aethir EdgeはH 100のクラスター算力を組み合わせ、AIシナリオに共同で役立ちます。トレーニング済みのモデルを展開し、最適なコストで推論計算サービスをユーザーに提供します。このソリューションはユーザーにより近づき、サービスはより迅速で、コスト効果も高くなります。
• 供給と需要の観点から、Akash Networkを例にとると、統計データによると、CPUの総量は約16kで、GPUの数は378個で、ネットワークのレンタル需要に基づいて、CPUとGPUの利用率はそれぞれ11.1％と19.3％です。特に専門のGPU H 100のレンタル率が比較的高く、他のモデルはほとんど使用されていません。他のネットワークもAkashと同様の状況に直面しており、全体的な需要は高くありません。A 100、H 100などの人気のあるチップ以外は、ほとんどの算力がアイドル状態です。
• 価格の優位性から見ると、他のクラウドコンピューティング市場の巨大な競争相手と比較して、他の伝統的なサービスプロバイダと比較してもコストの優位性は顕著ではありません。

2.4 財務実績

• どのように token モデルが設計されているかにかかわらず、健全な tokenomics は以下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価格に反映される必要があり、つまりトークンは価値を捕捉できるものである必要があります；2）開発者、ノード、ユーザーなどのすべての参加者が長期的かつ公平なインセンティブを得る必要があります；3）分散化されたガバナンスを確保し、内部関係者が過度に保有することを避ける必要があります；4）合理的なインフレとデフレメカニズム、トークンのリリースサイクルを確保し、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ることを避ける必要があります。
• 代币モデルを簡単にBME(燃焼と補充の均衡)とSFA(アクセスのためのステーク)に分けると、これら2つのモードのトークンデフレーション圧力の源泉は異なります：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を燃やすため、システムのデフレーション圧力は需要によって決定されます。一方、SFAはサービスプロバイダー/ノードがサービス提供資格を得るためにトークンをステークすることを要求するため、デフレーション圧力は供給によってもたらされます。BMEの利点は、非標準化商品により適していることです。しかし、ネットワークの需要が不足している場合、持続的なインフレーション圧力に直面する可能性があります。各プロジェクトのトークンモデルには細部での違いがありますが、全体として、AethirはSFAにより傾斜しており、io.net、Render Network、およびAkash NetworkはむしろBMEに傾斜しており、Gensynについてはまだわかりません。
• 収入の観点からは、ネットワークの需要量はネットワーク全体の収入に直接反映されます（ここではマイナーの収入については議論しません。なぜなら、マイナーはタスクの完了に対する報酬に加えて、プロジェクトからの補助金も得るからです）。公開されたデータから見る限り、io.netの数値が最も高いです。Aethirの収入はまだ公表されていませんが、公開情報からは、彼らが多くのB端クライアントとの契約を締結したことを発表しています。
• 価格の観点から言えば、現時点で ICO を実施したのは Render Network と Akash Network のみです。Aethir と io.net も最近になって通貨を発行しましたが、価格のパフォーマンスはさらなる観察が必要であり、ここでは詳細な議論は避けます。Gensyn の計画はまだ明確ではありません。2つのプロジェクトと同じ分野の通貨発行プロジェクトから総合的に見ると、分散化されたコンピューティングパワーネットワークは非常に目を引く価格のパフォーマンスを示しており、これは大きな市場潜在力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 まとめ

• 分散化コンピューティングパワーネットワークのトラックは全体的に急速に発展しており、多くのプロジェクトが製品に依存し、顧客にサービスを提供し、一定の収益を生み出しています。トラックは純粋な物語から脱却し、初期のサービスを提供できる発展段階に入りました。
• 需要の低迷は分散化されたコンピューティングパワーネットワークが直面する共通の問題です。長期的な顧客のニーズは十分に検証されずに掘り起こされていません。しかし、需要側は通貨価値にあまり影響を与えておらず、いくつかの既に発行されたプロジェクトは素晴らしいパフォーマンスを示しています。
• AIは分散化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、唯一のビジネスではありません。 AI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のリアルタイムレンダリング、クラウドフォンサービスなどにも利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の異質性は高く、コンピューティングパワーネットワークの品質と規模をさらに向上させる必要があります。
• C端ユーザーにとっては、コストの優位性はあまり明確ではありません。しかし、B端ユーザーにとっては、コスト削減だけでなく、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、さまざまな側面を考慮する必要がありますが、Web3のプロジェクトはこれらの側面で十分に対応していない場合が多いです。

3 終わりに

AIの爆発的な成長による計算力への巨大な需要は疑いの余地がありません。2012年以来、人工知能のトレーニングタスクで使用される計算力は指数関数的に増加しており、現在の速度は3.5ヶ月ごとに倍増しています（対照的に、モールの法則は18ヶ月ごとに倍増します）。2012年以来、計算力への需要は300,000倍以上増加し、モールの法則の12倍の成長を超えています。予測によると、GPU市場は今後5年間で年平均32％の成長率で2,000億ドルを超える規模になると予想されています。AMDの見積もりはさらに高く、同社は2027年までにGPUチップ市場が4,000億ドルに達すると予測しています。

画像クレジット:

人工知能や他の計算集約型ワークロード（例えばAR/VRのレンダリングなど）の急速な成長により、従来のクラウドコンピューティングや主要な計算市場における構造的な非効率性が露呈しています。理論上、分散コンピューティングリソースを活用することで、分散型算力ネットワークは柔軟で低コストかつ効率的なソリューションを提供し、市場の巨大なコンピューティング需要を満たすことができます。そのため、暗号化とAIの組み合わせは巨大な市場潜在力を持っていますが、同時に従来の企業との激しい競争、高い進入障壁、複雑な市場環境に直面しています。全体的に見れば、すべての暗号化分野を横断して、分散型算力ネットワークは暗号領域で最も実際の需要を得る可能性の高い垂直分野の1つです。

画像クレジット:

未来は明るいですが、道は曲がりくねっています。上記のビジョンを実現するには、多くの問題や課題を解決する必要があります。要約すると、単に従来のクラウドサービスを提供するだけでは、プロジェクトの利益率は非常に小さいです。需要側から見ると、大規模企業は一般的に自社でコンピューティングパワーを構築し、純粋なC端開発者の大部分はクラウドサービスを選択します。中小企業が分散化されたコンピューティングパワーネットワークリソースを実際に使用する安定した需要があるかどうかは、さらに掘り下げて検証する必要があります。また、AIは、非常に高い限界と想像力を持つ広大な市場です。より広範な市場のために、将来、分散化されたコンピューティングサービスプロバイダーは、モデル/ AIサービスに転換する必要があり、より多くの暗号+ AIの使用シナリオを探索して、プロジェクトが生み出すことができる価値を拡大する必要があります。ただし、現時点では、AI分野に進出するには、まだ多くの問題と課題があります。

• 価格優位性はあまり目立たない：以前のデータ比較から、分散化されたコンピューティングパワー・ネットワークのコスト優位性があまり表れていないことがわかります。需要が高い専用チップH100やA100などについて、市場メカニズムによってこの部分のハードウェアの価格が安くならないという可能性があります。また、分散化ネットワークは空きコンピューティングリソースを収集できるものの、分散化がもたらす規模の経済効果の欠如、高いネットワークや帯域幅のコスト、さらには大規模な管理と運用の複雑さなどの隠れたコストが、コンピューティングパワーのコストをさらに増加させる可能性があります。
• AIトレーニングの特殊性：分散化の方法を使用してAIトレーニングを行うことは、現在の段階では大きな技術的な制約があります。この制約は、GPUのワークフローから直感的に理解できます。大規模な言語モデルのトレーニングでは、GPUはまず前処理されたデータのバッチを受け取り、順方向および逆方向の計算を行って勾配を生成します。次に、各GPUは勾配を集約し、モデルパラメータを更新して、すべてのGPUが同期するようにします。このプロセスは、すべてのバッチのトレーニングが完了するか、予定されたエポック数に達するまで繰り返されます。このプロセスには、大量のデータ転送と同期が関与します。どのような並列化および同期の戦略を使用し、ネットワーク帯域幅と遅延を最適化し、通信コストを削減するかなどの問題は、まだ十分に解決されていません。現時点では、分散化されたコンピューティングパワーネットワークを使用してAIをトレーニングすることは現実的ではありません。
• データの安全性とプライバシー：大規模言語モデルのトレーニングプロセスでは、データ処理と転送に関与するさまざまなステップ（データ配布、モデルトレーニング、パラメータおよび勾配の集約など）がデータの安全性とプライバシーに影響を与える可能性があります。また、データのプライバシーは特に重要です。データのプライバシーの問題を解決できない場合、需要側での本格的な導入はできません。

最も現実的な視点から考えると、分散化されたコンピューティングパワーネットワークは、現在の需要の発掘と将来の市場空間を同時に考慮する必要があります。製品の位置づけとターゲット顧客を明確にし、AIやWeb3ネイティブのプロジェクトではなく、比較的マージンの需要に焦点を当てて、早期のユーザーベースを構築します。同時に、AIと暗号通貨の組み合わせのさまざまなシナリオを探索し、技術の最先端を追求し、サービスの変革とアップグレードを実現します。

リソース

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