Рожденный на краю: как децентрализованная сеть вычислительной мощности дает силу криптовалютам и искусственному интеллекту?

Автор оригинала: Jane Doe, Чэнь Ли

Источник: Youbi Capital

1 точка пересечения между искусственным интеллектом и криптовалютой

23 мая чип-гигант NVIDIA опубликовал отчет о финансовых результатах за первый квартал финансового года 2025. Отчет показывает, что выручка NVIDIA в первом квартале составила 26 миллиардов долларов. В частности, выручка от центров обработки данных выросла на 427% по сравнению с прошлым годом и достигла удивительных 22,6 миллиарда долларов. Успешные финансовые показатели NVIDIA на фоне спасения финансового рынка США отражают рост потребности в вычислительной мощности, вызванный глобальной борьбой технологических компаний за лидерство в сфере искусственного интеллекта. Чем более ведущие технологические компании амбициозны в стратегии в области искусственного интеллекта, тем больше их потребность в вычислительной мощности растет в геометрической прогрессии. Согласно прогнозам TrendForce, к 2024 году четыре основных облачных сервисных провайдера в США - Microsoft, Google, AWS и Meta - ожидаются, что их потребность в высокопроизводительных AI-серверах составит соответственно 20,2%, 16,6%, 16% и 10,8% от мирового спроса, что в совокупности превышает 60%.

Источник изображения:

«Нехватка чипов» стала горячей темой последних лет. С одной стороны, обучение и вывод больших языковых моделей (LLM) требуют значительной вычислительной мощности; и с ростом итераций модели затраты и потребности в вычислительной мощности экспоненциально возрастают. С другой стороны, крупные компании, такие как Meta, закупают огромные объемы чипов, и глобальные вычислительные ресурсы все больше перекосились в пользу этих техногигантов, что делает малым предприятиям все труднее получить необходимые вычислительные ресурсы. Проблемы, с которыми сталкиваются малые предприятия, вызваны не только недостатком чипов из-за взрывного спроса, но и структурными противоречиями в предложении. На данный момент на стороне предложения все еще существует множество простаивающих GPU, например, некоторые центры обработки данных имеют значительный простой вычислительной мощности (используемость составляет всего 12% - 18%), в результате снижения прибыли в майнинге высвобождается большое количество вычислительных ресурсов. Хотя эта вычислительная мощность не всегда подходит для профессиональных приложений, таких как обучение искусственного интеллекта, но потребительское оборудование все еще может играть огромную роль в других областях, таких как вывод искусственного интеллекта, облачный гейминг, облачные телефоны и т. д. Возможности интеграции и использования этих вычислительных ресурсов огромны.

Переключившись с ИИ на криптовалюту, после трехлетнего затишья на криптовалютном рынке наконец-то наступил новый бычий рынок, цены на биткойн неоднократно достигали новых высот, и появилось множество мемкойнов. Хотя ИИ и криптовалюта стали популярными терминами в последние годы, искусственный интеллект и блокчейн, как две важные технологии, кажутся параллельными линиями и все еще не нашли точку соприкосновения. В начале этого года Виталик опубликовал статью под названием «The promise and challenges of crypto + AI applications», в которой обсуждался будущий сценарий совмещения ИИ и криптовалюты. В статье Виталик упоминает много фантастических идей, включая использование блокчейна и MPC и других шифровальных технологий для осуществления децентрализованного обучения и вывода ИИ, что позволит раскрыть черный ящик машинного обучения и сделать модель ИИ более надежной. Однако для реализации этих идей еще предстоит пройти долгий путь. Но одним из участков, упомянутых Виталиком, является использование экономического стимула криптовалюты для усиления ИИ, что является важным и может быть реализовано в короткие сроки. Децентрализованная сеть вычислительной мощности является одним из наиболее подходящих сценариев совмещения ИИ и криптовалюты в настоящее время.

2 Децентрализация сети вычислительной мощности

На данный момент уже существует много проектов, развивающихся в сфере децентрализованных сетей вычислительной мощности. Основная логика этих проектов заключается в следующем: использование токенов для стимулирования держателей вычислительной мощности для участия в сети и предоставления услуг вычислительной мощности. Эти разрозненные ресурсы вычислительной мощности могут быть объединены в децентрализованную сеть вычислительной мощности определенного масштаба. Таким образом, можно повысить использование простаивающей вычислительной мощности и удовлетворить потребности клиентов в вычислительной мощности с более низкими затратами, обеспечивая выгоду для обеих сторон - продавца и покупателя.

Для того чтобы читатель мог ознакомиться с общей картиной этого трека в кратчайшие сроки, в этой статье будут рассмотрены конкретные проекты и весь трек с микро- и макро- уровней, с целью предоставить читателю аналитический взгляд на понимание основных конкурентных преимуществ каждого проекта и общую ситуацию с развитием вычислительной мощности децентрализованного трека. Автор представит и проанализирует пять проектов: Aethir, io.net, Render Network, Akash Network, Gensyn, а также сделает общий вывод и оценку ситуации с проектами и развитием трека.

С точки зрения аналитической рамки, если сосредоточиться на конкретной сети децентрализованной вычислительной мощности, мы можем разложить ее на четыре основных составляющих:

• Аппаратная сеть: объединение распределенных вычислительных ресурсов с помощью узлов, распределенных по всему миру, для обеспечения совместного использования и балансировки нагрузки ресурсов вычислительной мощности является основным уровнем децентрализованной вычислительной сети.
• Двусторонний рынок: С помощью разумного механизма ценообразования и механизма поиска соответствия обеспечивается соответствие между поставщиками и потребителями вычислительной мощности, предоставляется безопасная торговая платформа, обеспечивающая прозрачность, справедливость и доверие в торговле между сторонами предложения и спроса.
• Механизм консенсуса: используется для обеспечения правильной работы узлов в сети и выполнения работы. Механизм консенсуса используется для контроля двух аспектов: 1) контроль работы узлов, находящихся в активном состоянии и готовых принять задачу в любой момент; 2) доказательство работы узла: после получения задачи узел успешно выполнил ее, вычислительная мощность не использовалась для других целей и не приводила к занятию процессов и потоков.
• Токенная инцентивация：Модель токена используется для поощрения большего числа участников предоставлять / использовать услуги, а также захватывать этот сетевой эффект с помощью токена, реализуя общее распределение выгод в сообществе.

Если мы рассмотрим всю дорожку вычислительной мощности в контексте децентрализации, исследование Blockworks предоставляет хорошую аналитическую основу, которую мы можем разделить на три различных уровня этого проекта.

• Bare metal layer: базовый уровень децентрализованного стека вычислительных ресурсов, основная задача которого заключается в сборе первичных вычислительных мощностей и их доступности для вызова через API.
• Слой оркестрации: это промежуточный слой в децентрализованном вычислительном стеке, основная задача которого - координация и абстрагирование, отвечает за планирование, масштабирование, управление, балансировку нагрузки и обеспечение отказоустойчивости вычислительной мощности и т. д. Основная функция - «абстрагирование» сложности управления нижележащим оборудованием, предоставляя конечным пользователям более высокоуровневый пользовательский интерфейс, обслуживающий определенную группу клиентов.
• Aggregation layer: верхний уровень децентрализованного стека вычислений, основная задача - интеграция, обеспечение единого интерфейса, который позволяет пользователям выполнить несколько вычислительных задач в одном месте, таких как обучение искусственного интеллекта, рендеринг, zkML и т. д. Это своего рода слой оркестрации и распределения для нескольких децентрализованных вычислительных сервисов.

Источник изображения: Youbi Capital

Согласно этим двум аналитическим рамкам, мы проведем горизонтальное сравнение пяти выбранных проектов и оценим их с четырех точек зрения - основной бизнес, рыночная позиция, аппаратные средства и финансовые показатели.

2.1 Основные бизнес-процессы

С точки зрения базовой логики, децентрализованная сеть вычислительной мощности является высокодисперсной, то есть использует токены для поощрения держателей неиспользуемой вычислительной мощности к предоставлению услуг вычислительной мощности. Исходя из этой базовой логики, мы можем понять различия в основном бизнесе проекта с трех точек зрения.

• Источники неиспользуемой вычислительной мощности:

• На рынке вычислительных мощностей есть два основных источника: 1) вакантные вычислительные мощности в руках предприятий, таких как центры обработки данных и майнинговые компании; 2) вакантные вычислительные мощности в руках розничных пользователей. Вычислительные мощности в центрах обработки данных обычно представлены профессиональным оборудованием, в то время как розничные пользователи обычно покупают чипы потребительского уровня.
• Вычислительная мощность Aethir, Akash Network и Gensyn основным образом получается от предприятий. Преимущества сбора вычислительной мощности от предприятий заключаются в следующем: 1) у предприятий и центров обработки данных обычно есть более качественное оборудование и профессиональные команды по обслуживанию, что обеспечивает более высокую производительность и надежность вычислительных ресурсов; 2) ресурсы вычислительной мощности предприятий и центров обработки данных обычно более однородны, и их централизованное управление и мониторинг делают планирование и обслуживание ресурсов более эффективными. Однако, это требует более высоких требований к проекту, так как требуется наличие коммерческих контактов между проектом и предприятиями, которые владеют вычислительной мощностью. В то же время, масштабируемость и уровень децентрализации могут быть до определенной степени затронуты.

• Render Network и io.net в основном стимулируют отдельных пользователей предоставлять свою неиспользуемую вычислительную мощность. Преимущества сбора вычислительной мощности у отдельных пользователей заключаются в следующем: 1) Низкая явная стоимость неиспользуемой вычислительной мощности у отдельных пользователей позволяет предоставлять более экономичные ресурсы вычислительной мощности; 2) Большая масштабируемость и децентрализация сети повышают упругость и надежность системы. Однако недостатками являются широкое распределение и неоднородность ресурсов отдельных пользователей, что усложняет управление и планирование, а также затрудняет достижение первоначального эффекта сети (затрудняет запуск). Наконец, устройства отдельных пользователей могут иметь больше угроз безопасности, что может привести к утечке данных и злоупотреблению вычислительной мощностью.
• Потребители вычислительной мощности

• **С точки зрения потребителей вычислительной мощности, Aethir, io.net, Gensyn в основном ориентированы на предприятия.**Для клиентов B2B требуется высокопроизводительные вычисления для ИИ и реального времени в играх. Эти нагрузки требуют очень высоких вычислительных ресурсов, обычно требуются высокопроизводительные GPU или профессиональное оборудование. Кроме того, клиенты B2B имеют очень высокие требования к стабильности и надежности вычислительных ресурсов, поэтому необходимо предоставить высококачественные уровни сервиса, чтобы гарантировать нормальное выполнение проектов и обеспечить своевременную техническую поддержку. В то же время переход клиентов B2B связан с высокими затратами, и если у децентрализованной сети нет зрелого набора инструментов разработки SDK, который позволит разработчикам быстро развертывать проекты (например, Akash Network требует, чтобы пользователи сами разрабатывали на удаленных портах), то будет очень сложно убедить клиентов перейти. Если нет явного конкурентного преимущества в цене, то у клиентов будет очень низкое желание переходить.
• Render Network и Akash Network в основном предоставляют услуги вычислительной мощности для розничных клиентов. Для пользователей C-класса необходимо разработать простой и удобный интерфейс и инструменты, чтобы обеспечить потребителям хороший опыт потребления. Поскольку потребители очень чувствительны к ценам, проект должен предоставить конкурентоспособное ценообразование.

• Тип оборудования

• Распространенными вычислительными аппаратными ресурсами являются процессоры (CPU), программируемые матрицы (FPGA), графические процессоры (GPU), микросхемы специального назначения (ASIC) и системы на кристалле (SoC). Эти устройства имеют существенные различия в целях разработки, характеристиках производительности и областях применения. В целом, CPU хорошо справляется с общими вычислительными задачами, FPGA обладает преимуществами высокопараллельной обработки и программируемости, GPU проявляет себя отлично в параллельных вычислениях, ASIC обеспечивает наивысшую эффективность в определенных задачах, а SoC объединяет несколько функций в одном устройстве и применяется в высокоинтегрированных приложениях. Выбор конкретного оборудования зависит от требований конкретного приложения, производительности и затрат. Мы обсуждаем множество проектов по децентрализованной вычислительной мощности, которые в основном собирают вычислительные мощности GPU, что обусловлено характеристиками проекта и GPU. Поскольку GPU обладает уникальными преимуществами в области обучения искусственного интеллекта, параллельных вычислений, мультимедийного рендеринга и т. д. +Хотя большинство этих проектов связаны с интеграцией GPU, требования к аппаратному обеспечению для разных приложений различны, поэтому у этих аппаратных средств есть гетерогенные оптимизационные ядра и параметры. Эти параметры включают параллелизм/последовательные зависимости, память, задержку, и т.д. Например, нагрузка на рендеринг на самом деле более подходит для потребительских GPU, а не для более производительных GPU центров обработки данных, потому что рендеринг требует высоких требований к трассировке лучей и т.д., а потребительские чипы, такие как 4090s, усилены RT-ядрами, специально оптимизированными для вычислительных задач трассировки лучей. AI-тренировка и вывод, напротив, требуют профессиональных GPU. Таким образом, Render Network может собирать GPU потребительского уровня, такие как RTX 3090s и 4090s, от розничных продавцов, тогда как IO.NET нуждается в большем количестве профессиональных GPU, таких как H 100s, A 100s и т.д., чтобы удовлетворить потребности стартапов в области искусственного интеллекта.

2.2 Рыночная позиция

Для определения позиционирования проекта необходимо различать основные проблемы, ключевые точки оптимизации и способы захвата ценности слоя bare metal, оркестровочного слоя и слоя агрегации.

• Bare metal layer следует сбору и использованию физических ресурсов, слой Orchestration layer уделяет внимание планированию и оптимизации вычислительной мощности, агрегирующий слой является общим, фокусируясь на интеграции и абстрагировании различных ресурсов. С точки зрения цепочки создания ценности, каждый проект должен начинаться с уровня bare metal и стремиться к постоянному улучшению.
• **С точки зрения захвата ценности, способность захвата ценности увеличивается по слоям от bare metal layer через orchestration layer до aggregation layer.**Aggregation layer способен захватывать наибольшее количество ценности, потому что платформа агрегации может получить максимальный сетевой эффект, а также непосредственно привлечь максимальное количество пользователей, что эквивалентно входу трафика в децентрализованную сеть, таким образом занимая самое высокое положение в захвате ценности во всей стопке управления вычислительной мощностью.
• В связи с этим, самое сложное - построить платформу для агрегации, проекту необходимо решить целый ряд проблем, связанных с технической сложностью, управлением гетерогенными ресурсами, надежностью и масштабируемостью системы, обеспечением сетевого эффекта, безопасностью и защитой конфиденциальности, а также сложным управлением операцией. Эти вызовы не способствуют запуску проекта в холодном режиме и зависят от развития рынка и момента. ** Когда оркестровый слой еще не занял определенную долю рынка, создание слоя агрегации является нереальным. **
• В настоящее время Aethir, Render Network, Akash Network и Gensyn являются частью слоя Orchestration и направлены на оказание услуг конкретной целевой аудитории и клиентов. Основная деятельность Aethir заключается в предоставлении услуг рендеринга в режиме реального времени для облачных игр и предоставлении среды разработки и инструментов для клиентов B2B. Основной деятельностью Render Network является видеорендеринг, Akash Network предоставляет платформу для торговли, а Gensyn специализируется на области AI-обучения. io.net работает на уровне слоя агрегации, но на данный момент функциональность, реализованная io, не полностью соответствует функциональности слоя агрегации. Несмотря на то, что они уже собрали оборудование Render Network и Filecoin, процесс абстрагирования и интеграции ресурсов оборудования еще не завершен.

2.3 Аппаратное обеспечение

• В настоящее время не все проекты публикуют подробные данные о сети, относительно io.net explorer UI делает это лучше всего, на нем можно увидеть количество и типы GPU/CPU, цены, распределение, объем сетевого трафика, доход узлов и другие параметры. Однако в конце апреля фронтэнд io.net был атакован, поскольку io не выполнял проверку подлинности для интерфейсов PUT/POST, хакеры изменяли данные на фронтэнде. Это также подняло вопросы о конфиденциальности и надежности данных в других проектах.
• По количеству GPU и моделям io.net, являющийся агрегационным слоем, должен собирать наибольшее количество оборудования. Aethir следует за ним, а оборудование других проектов не так прозрачно. На основе модели GPU мы видим, что io имеет как профессиональные GPU, такие как A 100, так и потребительские GPU, такие как 4090, с большим разнообразием, что соответствует позиционированию io.net как агрегатора. io может выбирать наиболее подходящий GPU в зависимости от конкретных требований задачи. Однако различные модели и бренды GPU могут требовать разных драйверов и настроек, а также комплексной оптимизации программного обеспечения, что увеличивает сложность управления и обслуживания. В настоящее время распределение задач io осуществляется в основном на основе выбора пользователя.
• Aethir выпустил свой собственный Риг для майнинга, а в мае официально запустил Aethir Edge, разработанный с поддержкой от Qualcomm. Он разобьет централизованную кластеризацию GPU, которая далека от пользователей, и развернет мощности на краю. Aethir Edge объединит кластерную вычислительную мощность H 100, чтобы обслуживать сценарии искусственного интеллекта. Он может развернуть обученные модели, чтобы обеспечить услуги вычисления вывода пользователям по наилучшей цене. Это решение более близко к пользователям, обслуживание более быстрое, а цена более выгодная.
• С точки зрения предложения и спроса, возьмем, к примеру, сеть Akash Network, статистические данные которой показывают, что общее количество CPU составляет около 16 k, количество GPU - 378 штук, исходя из потребностей в аренде ресурсов сети, использование CPU и GPU составляет 11.1% и 19.3% соответственно. Из них только использование профессионального GPU H 100 довольно высокое, в то время как большинство других моделей находятся в простое. Ситуация с другими сетями в целом аналогична Akash, общий спрос на ресурсы не высок, за исключением популярных чипов, таких как A 100, H 100, большинство вычислительных мощностей находятся в простое.
• С точки зрения конкурентоспособности цен, по сравнению с гигантами рынка облачных вычислений, она не обладает явным преимуществом по себестоимости по сравнению с другими традиционными поставщиками услуг.

2.4 Финансовая производительность

Независимо от того, как разработана модель токена, здоровая токеномика должна удовлетворять следующим основным условиям: 1) спрос пользователей на сеть должен отражаться в цене токена, то есть токен может захватывать ценность; 2) все участники, будь то разработчики, узлы или пользователи, должны получать долгосрочные честные стимулы; 3) обеспечение децентрализованного управления, избежание чрезмерного удержания внутренними лицами; 4) разумный механизм инфляции и дефляции, цикл выпуска токена, избегание значительных колебаний цены токена, влияющих на стабильность и устойчивость сети.

• Если грубо разделить модель токенов на BME (сжигание и выпуск в равновесии) и SFA (ставка за доступ), то источники давления на дефляцию для этих двух режимов токенов различны: модель BME сжигает токены после покупки услуги пользователями, поэтому давление на дефляцию системы определяется спросом. В то время как SFA требует от поставщиков услуг / узлов залог токенов для получения квалификации на предоставление услуг, поэтому давление на дефляцию обусловлено предложением. Преимущества BME заключаются в том, что она более подходит для нестандартных товаров. Но если спрос в сети недостаточен, возможно, возникнет давление на постоянную инфляцию. Модели токенов различаются в деталях для различных проектов, но в целом Aethir склоняется к SFA, в то время как io.net, Render Network и Akash Network склоняются к BME, и о модели Gensyn пока неизвестно.
• По доходам спрос сети напрямую отражается на общем доходе сети (здесь не обсуждаются доходы майнеров, потому что майнеры, помимо вознаграждения за выполнение заданий, получают также субсидии от проекта). На основании общедоступных данных io.net имеет наивысшее значение. Хотя доходы Aethir еще не были опубликованы, но из общедоступной информации следует, что они объявили о заключении заказов с многими клиентами B2B.
• По цене монет на данный момент только Render Network и Akash Network провели ICO. Aethir и io.net также выпустили монеты недавно, их ценовая динамика требует дальнейшего наблюдения, здесь не будем проводить излишних дискуссий. Планы Gensyn пока не ясны. Исходя из двух проектов, выпустивших монеты, а также других проектов в этой же сфере, но не обсуждаемых в этой статье, в целом можно сказать, что децентрализованные сети вычислительной мощности показывают очень хорошую динамику цен, что в определенной степени отражает огромный рыночный потенциал и высокие ожидания сообщества.

2.5 Заключение

• Сеть вычислительной мощности с децентрализацией развивается очень быстро, уже есть много проектов, которые могут обслуживать клиентов с помощью своих продуктов и приносить определенный доход. Путь уже вышел за рамки простого повествования и перешел в стадию развития, где можно предоставлять первоначальные услуги.
• Недостаток спроса является общей проблемой децентрализованной сети вычислительной мощности, долгосрочные потребности клиентов не были должным образом проверены и освоены. Однако спрос на криптовалюту не сильно влияет, и несколько уже выпущенных проектов показывают впечатляющие результаты.
• AI - основной повествовательный элемент децентрализованной сети вычислительной мощности, но не единственный бизнес. Помимо применения в области обучения и вывода AI, вычислительная мощность также может использоваться для реального времени облачного гейминга, облачного мобильного сервиса и т. д.
• Сложность аппаратной части сети вычислительной мощности довольно высока, и качество и масштаб сети вычислительной мощности требуют дальнейшего улучшения.
• Для пользователей C, преимущество стоимости не настолько очевидно. А для пользователей B, помимо экономии затрат, необходимо также учитывать стабильность, надежность, техническую поддержку, соответствие и юридическую поддержку и т. д., в то время как проекты Web3 в целом не справляются с этими аспектами достаточно хорошо.

3 Заключительные мысли

Взрывной рост спроса на вычислительную мощность, вызванный всплеском искусственного интеллекта, не вызывает сомнений. С 2012 года вычислительная мощность, используемая для задач обучения искусственного интеллекта, растет экспоненциально, удваиваясь каждые 3.5 месяца (в сравнении, закон Мура удваивается каждые 18 месяцев). С 2012 года спрос на вычислительную мощность вырос более чем в 300 000 раз, что значительно превышает рост по закону Мура в 12 раз. Согласно прогнозам, рынок GPU ожидается вырасти с темпом годового составного роста 32% до более чем 2000 миллиардов долларов в течение следующих пяти лет. Прогнозы AMD еще более оптимистичны, поскольку компания ожидает, что к 2027 году рынок чипов GPU достигнет 4000 миллиардов долларов.

Источник изображения:

Разработки в области искусственного интеллекта и других вычислительно-интенсивных нагрузок, таких как рендеринг AR/VR, выявили структурные неэффективности в традиционных облачных вычислениях и на рынке ведущих вычислительных решений. Теоретически, децентрализованная сеть мощности вычислений может предложить более гибкое, экономичное и эффективное решение, используя распределенные неиспользуемые ресурсы вычислений, чтобы удовлетворить огромный спрос на вычислительные ресурсы на рынке. Таким образом, комбинация криптовалюты и искусственного интеллекта имеет огромный потенциал на рынке, но также сталкивается с ожесточенной конкуренцией с традиционными предприятиями, высоким порогом входа и сложной рыночной средой. В целом, среди всех криптовалютных трасс, децентрализованная сеть мощности вычислений является одним из наиболее перспективных вертикальных секторов в криптографии, который имеет реальный спрос.

Источник изображения:

Будущее светлое, но путь извилистый. Чтобы достичь вышеупомянутой цели, нам нужно решить множество проблем и вызовов. В настоящем этапе, если просто предоставлять традиционные облачные услуги, маржа прибыли проекта будет очень мала. С точки зрения спроса, крупные предприятия обычно создают свою вычислительную мощность, в то время как большинство обычных разработчиков выбирают облачные услуги. Необходимо дальнейшее исследование и проверка стабильного спроса от малых и средних предприятий на ресурсы децентрализованной вычислительной мощности. С другой стороны, искусственный интеллект представляет собой огромный рынок с высоким потенциалом и пространством для воображения. Чтобы занять большую долю рынка, будущие поставщики вычислительной мощности также должны переходить к моделям/услугам искусственного интеллекта, исследовать больше сценариев использования криптовалюты + искусственного интеллекта, расширять потенциал проекта. Однако на данный момент есть множество проблем и вызовов для дальнейшего развития в области искусственного интеллекта.

• Недостаточное преимущество в цене: Из сравнения предыдущих данных видно, что стоимостное преимущество децентрализованной вычислительной сети не проявляется. Возможная причина заключается в том, что для специализированных чипов H 100, A 100 и других, которые имеют большой спрос, рыночные механизмы определяют, что стоимость этого оборудования не будет низкой. Кроме того, хотя децентрализованная сеть может использовать неиспользуемые вычислительные ресурсы, недостаток экономии масштаба, высокие затраты на сеть и пропускную способность, а также значительные управленческие и операционные сложности, связанные с децентрализацией, увеличивают затраты на вычислительные мощности.
• Особенности обучения искусственного интеллекта: В настоящее время существует огромный технический пробел при использовании децентрализованного подхода к обучению искусственного интеллекта. Этот пробел можно наглядно продемонстрировать на примере рабочего процесса графического процессора (GPU), который принимает предварительно обработанные пакеты данных для передачи вперед и обратное распространение для вычисления градиента. Затем каждый GPU агрегирует градиенты и обновляет параметры модели, чтобы гарантировать их синхронизацию. Этот процесс повторяется до тех пор, пока не завершится обучение всех пакетов или не достигнуто запланированное количество эпох. В этом процессе требуется большой объем передачи и синхронизации данных. Вопросы, связанные с выбором параллельных и синхронизационных стратегий, оптимизацией пропускной способности сети и задержкой, снижением стоимости связи и другими проблемами, до сих пор не имеют оптимальных решений. В настоящее время использование децентрализованной вычислительной мощности для обучения искусственного интеллекта не является практичным.
• Безопасность данных и конфиденциальность: в процессе обучения больших языковых моделей различные этапы обработки и передачи данных, такие как распределение данных, обучение модели, агрегация параметров и градиентов, могут повлиять на безопасность данных и конфиденциальность. Кроме того, конфиденциальность данных имеет особое значение для моделей конфиденциальности. Если не удается решить проблему конфиденциальности данных, то невозможно реальное масштабирование по запросу.

С точки зрения практической пользы, децентрализованная сеть вычислительной мощности должна учитывать как текущие потребности, так и потенциальные рыночные возможности в будущем. Необходимо определить позиционирование продукта и целевую аудиторию, например, начать с не AI- или Web3-ориентированных проектов, начать с решения более специфических потребностей и создать начальную базу пользователей. В то же время необходимо исследовать различные сценарии совмещения искусственного интеллекта и криптовалюты, исследовать передовые технологии и реализовать трансформацию и обновление услуг.

Справочные материалы

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