เกิดในขอบเขต: เครือข่ายพลังคอมพิวเตอร์ที่กระจายอำนาจเป็นอย่างไรให้กับ Crypto และ AI?

ผู้เขียนต้นฉบับ: Jane Doe, Chen Li

ที่มาของข้อความ: Youbi Capital

1 จุดที่ AI และ Crypto ติดต่อกัน

ในวันที่ 23 พฤษภาคม บริษัทชิปยักษ์ชื่อใหญ่อย่าง NVIDIA ประกาศผลการเงินไตรมาสที่ 1 ปี 2025 รายงานการเงิน ผลการเงินแสดงให้เห็นว่ารายได้ของ NVIDIA ในไตรมาสแรกของปี 2025 มีมูลค่า 26 พันล้านดอลลาร์ โดยรายได้จากศูนย์ข้อมูลเพิ่มขึ้น 427% เมื่อเทียบกับปีที่ผ่านมา ถึง 22.6 พันล้านดอลลาร์ การเงินของ NVIDIA ที่สามารถช่วยให้ตลาดหุ้นอเมริกันเติบโตมากขึ้นแสดงให้เห็นถึงความต้องการในด้านพลังคอมพิวเตอร์ที่เพิ่มขึ้นของบริษัทเทคโนโลยีระดับโลกที่ต้องการเข้าร่วมการแข่งขันในด้าน AI ยิ่งเทคโนโลยีที่เป็นที่ยอมรับสูงสุดในการแข่งขัน AI ยิ่งมีแผนการเติบโตใหญ่ขึ้น และตามนั้น บริษัทเหล่านี้มีความต้องการในพลังคอมพิวเตอร์ที่เพิ่มขึ้นเป็นอย่างมาก ตามคาดการณ์ของ TrendForce ในปี 2024 คาดว่าความต้องการของหลายบริษัทใหญ่ 4 ของสหรัฐอเมริกา ได้แก่ Microsoft, Google, AWS และ Meta ที่ต้องการเซิร์ฟเวอร์ AI ระดับสูง โดยรวมแล้วคาดว่าจะเป็น 20.2%, 16.6%, 16% และ 10.8% ตามลำดับ รวมกันทั้งหมดกว่า 60%

ที่มาของรูปภาพ:

"ขาดชิป" เป็นคำหลักของปีในไม่กี่ปีที่ผ่านมา ในทางอื่น ๆ การฝึกอบรมและการอินเฟอเรนซ์ของโมเดลภาษาใหญ่ (LLM) ต้องการพลังการคำนวณอย่างมาก และตามการที่โมเดลเกี่ยวกับการเรียงลำดับได้ถูกทำซ้ำ ต้นทุนและความต้องการเพิ่มขึ้นอย่างพุ่งชน ... ในทางอื่น ๆ บริษัทขนาดใหญ่เช่น Meta จะซื้อชิปจำนวนมาก ทรัพยากรการคำนวณของโลกจะเอนทางไปที่ไอจีไอ ทำให้ธุรกิจขนาดเล็กมีความยากลำบากมากขึ้นที่จะได้รับทรัพยากรการคำนวณที่ต้องการ **ปัญหาที่ธุรกิจขนาดเล็กต้องเผชิญไม่เพียงเพียงจากความต้องการที่เพิ่มขึ้นทำให้ส่งผลให้ทรัพยากรชิปขาดแคลน แต่ยังเป็นเพราะความขัดแย้งทางโครงสร้างของการจัดหา ** ในขณะนี้ ยังมี GPU ที่ไม่ได้ใช้งานอยู่มากมาย เช่น ศูนย์ข้อมูลบางแห่งมีการใช้งานเพียง 12% - 18% เท่านั้น ประกอบด้วยทรัพยากรการคำนวณที่ไม่ได้ใช้งานมากที่มาจากการขุดเหมืองเพราะกำไรลดลง ** แม้ว่าทรัพยากรการคำนวณเหล่านี้ไม่ได้เหมาะสำหรับการใช้งานทางด้านการฝึกอบรม AI แต่ฮาร์ดแวร์ระดับผู้บริโภคในตลอดทางอื่นๆ เช่นการอินเฟอเรนซ์ AI, การเล่นเกมบนคลาวด์, การเล่นมือถือบนคลาวด์ ก็ยังสามารถสร้างประสิทธิภาพได้มากมาย โอกาสในการรวมกันและใช้ประโยชน์จากทรัพยากรการคำนวณเหล่านี้ยังมีขนาดใหญ่"

พลังงานตัวคำของ AI จาก crypto ในช่วงที่ตลาด crypto เงียบหายไปในช่วง 3 ปี ในที่สุดก็กลับมาพบกับตลาดกระทิงอีกครั้ง ราคาบิทคอยน์สร้างสรรค์สูงขึ้นอย่างต่อเนื่องและมี memecoin ต่าง ๆ กำเนิดขึ้นอย่างไม่รู้จบ ** แม้ AI และ Crypto จะเป็นคำส่งตัวที่ได้รับความนิยมในช่วงหลายปีที่ผ่านมา แต่ประสิทธิภาพของปัญหา AI และเทคโนโลยี Blockchain ดูเหมือนเป็นเส้นตรงที่ไม่มีจุดตัดกัน ** เดือนต้นปีนี้ Vitalik ได้เผยแพร่บทความชื่อ "The promise and challenges of crypto + AI applications" ซึ่งอธิบายถึงภาพลวงตาของ AI และ crypto ในอนาคต Vitalik กล่าวถึงความคิดที่มีกลุ่มมากมาย เช่น การใช้เทคโนโลยี Blockchain และ MPC เพื่อใช้ในการฝึกอบรมและการอ่านผลลัพธ์ของ AI อย่างมีความเชื่อถือ ซึ่งสามารถเปิดกล่องดำของการเรียนรู้เครื่องแบบ AI ให้ได้เป็นเช่นเดียวกัน ซึ่งประกอบไปด้วยความฝันเหล่านี้ยังมีอีกหลายอย่างที่ต้องพัฒนาต่อไป ** แต่หนึ่งในกรณีใช้ที่ Vitalik กล่าวถึง - การใช้ crypto เป็นกำลังเสริมให้กับ AI ก็เป็นทางเลือกที่สำคัญและสามารถทำได้ในระยะเวลาสั้น ๆ เครือข่ายความสามารถในการคำนวณที่กระจายอำนาจก็เป็นหนึ่งในสถานการณ์ที่เหมาะสมที่สุดสำหรับ AI + crypto ในขณะนี้

2 การกระจายอำนาจพลังคอมพิวเตอร์เครือข่าย

ขณะนี้มีโครงการหลายๆ โครงการที่กำลังพัฒนาบนทางเลือกของเครือข่ายพลังคอมพิวเตอร์ที่กระจายอำนาจ ตรรกะในระดับหน้ามุมของโครงการเหล่านี้คือ: การใช้ token เป็นแรงกระตุ้นให้ผู้ถือพลังคอมพิวเตอร์เข้าร่วมให้บริการพลังคอมพิวเตอร์ในเครือข่าย ทรัพยากรพลังคอมพิวเตอร์ที่แยกตัวออกมานี้สามารถรวมกันเป็นเครือข่ายพลังคอมพิวเตอร์ที่กระจายอำนาจในขนาดที่มีขนาดใหญ่ เพื่อเพิ่มการใช้ประโยชน์ในการใช้พลังคอมพิวเตอร์ที่ไม่ได้ใช้ และลดค่าใช้จ่ายในการตอบสนองความต้องการของลูกค้าในเรื่องของพลังคอมพิวเตอร์ ทำให้เกิดการชนะกันระหว่างผู้ซื้อและผู้ขาย.

เพื่อให้ผู้อ่านได้รับความเข้าใจโดยรวมของแทร็กนี้ในช่วงเวลาสั้น ๆ บทความนี้จะแยกส่วนโครงการเฉพาะและแทร็กทั้งหมดจากมุมมองทั้งระดับจุลภาคและมหภาคโดยมีเป้าหมายเพื่อให้ผู้อ่านมีมุมมองเชิงวิเคราะห์เพื่อทําความเข้าใจข้อได้เปรียบในการแข่งขันหลักของแต่ละโครงการและการพัฒนาโดยรวมของแทร็ก Decentralization Computing Power ผู้เขียนจะแนะนําและวิเคราะห์ห้าโครงการ: Aethir, io.net, Render Network, Akash Network, Gensyn และสรุปและประเมินสถานการณ์โครงการและติดตามการพัฒนา

จากมุมมองของกรอบการวิเคราะห์ หากโฟกัสไปที่เครือข่ายพลังคอมพิวเตอร์ที่กระจายอำนาจเฉพาะ พวกเราสามารถแยกออกมาเป็นสี่ส่วนสำคัญ

• Hardware Network : รวมทรัพยากรความสามารถของคอมพิวเตอร์ที่กระจายออกไปด้วยกัน ผ่านโหนดที่กระจายอยู่ทั่วโลกเพื่อให้มีการแบ่งปันและการทำงานที่สมดุลของทรัพยากรความสามารถ เป็นฐานการณ์ของเครือข่ายความสามารถแบบไม่มีศูนย์กลาง
• ตลาดทัศนคติ：การจับคู่ผู้ให้กำลังคำนวณและผู้ร้องขอผ่านกลไกการตั้งราคาและกลไกการค้นพบที่สมเหตุสมผลเพื่อให้บริการแพลตฟอร์มการซื้อขายที่ปลอดภัยเพื่อให้แน่ใจว่าการซื้อขายระหว่างฝ่ายขายและฝ่ายซื้อมีความโปร่งใส ยุติธรรม และเชื่อถือได้
• กลไกฉันทามติ：ใช้ในการตรวจสอบให้แน่ใจว่าโหนดภายในเครือข่ายทำงานได้อย่างถูกต้องและสมบูรณ์ กลไกฉันทามติใช้ในการตรวจสอบสองด้านหลัก 1) ตรวจสอบว่าโหนดทำงานอยู่หรือไม่ อยู่ในสถานะที่พร้อมรับงานได้ทุกเวลา 2) การพิสูจน์การทำงานของโหนด: โหนดนี้ได้รับงานแล้วทำงานได้อย่างถูกต้อง พลังคอมพิวเตอร์ไม่ถูกใช้ในวัตถุประสงค์อื่นๆ และไม่กำลังใช้งานกระบวนการและเธรด
• โทเค็นกระตุ้น：โมเดลโทเค็นถูกใช้เพื่อกระตุ้นผู้เข้าร่วมมากขึ้นในการให้บริการ / ใช้บริการ และจับโทเค็นเพื่อทำให้เกิดเอฟเฟ็กต์ของเครือข่ายนี้และบริหารผลประโยชน์ของชุมชน

ถ้ามองในมุมมองของการแข่งขันพลังคอมพิวเตอร์ที่กระจายอำนาจโดยรวม รายงานการวิจัยของ Blockworks ให้เฟรมเวิร์กที่ดีและเราสามารถแบ่งโครงการในสายงานนี้เป็น 3 ชั้นต่าง ๆ

• Bare metal layer: ชั้นข้อมูลโลหะเปล่า: เป็นชั้นพื้นฐานของสแต็กความสามารถในการคำนวณที่ไม่มีศูนย์กลาง มีหน้าที่หลักคือการเก็บรวบรวมทรัพยากรความสามารถในการคำนวณต้นฉบับและอนุญาตให้เรียกใช้ผ่าน API
• Orchestration layer: ชั้นควบคุมการดำเนินงาน หรือเรียกว่าชั้นกลาง คือชั้นกลางที่เป็นส่วนประกอบสำคัญของสแต็กการคำนวณซึ่งถูกกระจายตามระบบที่ไม่มีศูนย์กลาง หน้าที่หลักของชั้นควบคุมการดำเนินงานคือการประสานงานและการสรุปข้อมูล รวมถึงการกำหนดตารางการทำงาน การขยายตัว การดำเนินการ การทำซ้ำ การทดแทนความสามารถการเติบโต และการแบ่งเบาภาระงาน หน้าที่หลักของชั้นควบคุมการดำเนินงานคือการ "สรุป" ความซับซ้อนของการจัดการฮาร์ดแวร์ในระดับต่ำกว่า และให้ลูกค้าสุดท้ายได้รับการใช้งานที่สูงขึ้นและมีการเชื่อมต่อกับผู้ใช้งานเฉพาะบุคคล
• Aggregation layer: เป็นชั้นบนสุดของสแต็กการคำนวณที่กระจายอำนาจ หน้าที่หลักคือการรวมกันและให้บริการอินเตอร์เฟสเดียวสำหรับผู้ใช้เพื่อทำงานคำนวณหลายประเภทเช่นการฝึกอบรม AI การเรนเดอร์ zkML ฯลฯ สามารถมอบหมายงานการคำนวณให้กับหลายๆบริการคำนวณที่กระจายอำนาจได้

ที่มาของภาพ: Youbi Capital

โดยใช้กรอบการวิเคราะห์สองอย่างดังกล่าว เราจะทำการเปรียบเทียบโครงการ 5 โครงการที่เลือกไว้ในแนวนอน และประเมินผลจาก 4 มิติที่สำคัญ คือ ธุรกิจหลัก ตำแหน่งทางการตลาด สิ่งอำนวยความสะดวกฮาร์ดแวร์ และผลการเงิน

2.1 ธุรกิจหลัก

จากตัวตนเบื้องหลังมาดู ระบบเครือข่ายพลังคอมพิวเตอร์ที่ไม่มีศูนย์กลางเป็นระบบที่มีความเหมือนกันอย่างสูง นั่นคือใช้โทเค็นเป็นกระตุ้นให้ผู้ถือพลังคอมพิวเตอร์ว่างเปล่าให้บริการพลังคอมพิวเตอร์ ด้วยตนเอง อ้างอิงจากตัวตนเบื้องหลังนี้ เราสามารถเข้าใจธุรกิจหลักของโครงการที่แตกต่างกันได้จาก 3 แง่มุมที่แตกต่างกัน

• แหล่งที่มาของพลังการประมวลผลที่ไม่ได้ใช้งาน:

• มีแหล่งที่มาของพลังคอมพิวเตอร์ที่ไม่ได้ใช้งานบนตลาดสองแห่งหลัก คือ 1) ศูนย์ข้อมูล ผู้ค้าเหรียญหรือองค์กรอื่น ๆ ที่มีพลังคอมพิวเตอร์ที่ไม่ได้ใช้งาน และ 2) พลังคอมพิวเตอร์ที่ไม่ได้ใช้งานในมือผู้ใช้ทั่วไป พลังคอมพิวเตอร์ในศูนย์ข้อมูลมักเป็นฮาร์ดแวร์ระดับมืออาชีพ ในขณะที่ผู้ใช้ทั่วไปมักจะซื้อชิประดับการบริโภค
• Aethir、Akash Network และ Gensyn ได้รับพลังคอมพิวเตอร์จากธุรกิจ ข้อดีของการเก็บพลังคอมพิวเตอร์จากธุรกิจได้แก่: 1) ธุรกิจและศูนย์ข้อมูลมักมีฮาร์ดแวร์คุณภาพสูงและทีมดูแลรักษาที่มีความเชี่ยวชาญ ทำให้ทรัพยากรพลังคอมพิวเตอร์มีประสิทธิภาพและเชื่อถือได้มากขึ้น; 2) ทรัพยากรพลังคอมพิวเตอร์จากธุรกิจและศูนย์ข้อมูลมักมีลักษณะเดียวกันมากขึ้น และการบริหารจัดการและการตรวจสอบที่เน้นที่ทำให้การจัดการและการดูแลทรัพยากรมีประสิทธิภาพมากขึ้น อย่างไรก็ตาม วิธีการนี้ต้องการความต้องการจากฝ่ายโครงการ โดยต้องมีการติดต่อธุรกิจที่มีอำนาจด้านการควบคุมพลังคอมพิวเตอร์ ในเวลาเดียวกัน ความยืดหยุ่นและการกระจายอำนาจอาจได้รับผลกระทบอย่างมาก

• Render Network และ io.net มีเป้าหมายหลักในการสร้างแรงขับให้กับผู้ใช้ทั่วไปที่มีพลังคอมพิวเตอร์ที่ว่างอยู่ในมือ ประโยชน์ของการรวบรวมพลังคอมพิวเตอร์จากผู้ใช้ทั่วไปคือ: 1) พลังคอมพิวเตอร์ที่ว่างอยู่ในมือของผู้ใช้ทั่วไปมีค่าใช้จ่ายที่ต่ำกว่าและสามารถให้ทรัพยากรความสามารถในการคำนวณที่เศรษฐกิจมากขึ้น; 2) มีความยืดหยุ่นและการกระจายอำนาจของเครือข่ายที่สูงขึ้น ซึ่งเพิ่มประสิทธิภาพและความเสถียรของระบบ ข้อเสียของการรวบรวมทรัพยากรคอมพิวเตอร์จากผู้ใช้ทั่วไปคือ การกระจายทรัพยากรของผู้ใช้ทั่วไปที่แตกต่างกันและไม่เป็นไปตามหลักเกณฑ์ที่เดียวกัน การจัดการและการวางตารางงานกลายเป็นซับซ้อนและเพิ่มความยากในการดูแลระบบ นอกจากนี้ยังยากต่อการสร้างผลกระทบของเครือข่ายในระยะเริ่มแรกอย่างมาก (ยากที่จะเริ่มต้น) สุดท้าย อุปกรณ์ของผู้ใช้ทั่วไปอาจมีความเสี่ยงด้านความปลอดภัยมากขึ้น ซึ่งอาจทำให้เกิดการรั่วไหลข้อมูลและความเสี่ยงในการนำพลังคอมพิวเตอร์ไปใช้โดยไม่ถูกต้อง
• ผู้บริโภคพลังคอมพิวเตอร์

• จากมุมมองของผู้บริโภคแรงการคำนวณ ลูกค้าเป้าหมายหลักของ Aethir、io.net และ Gensyn คือ ธุรกิจ สำหรับลูกค้าทางธุรกิจ การเรนเดอร์ AI และเกมต้องการการคำนวณที่มีประสิทธิภาพสูง ซึ่งมีความต้องการความขึ้นอย่างมากสำหรับทรัพยากรการคำนวณ ซึ่งต้องใช้ GPU ระดับสูงหรือฮาร์ดแวร์ระดับมืออาชีพ นอกจากนี้ ลูกค้าทางธุรกิจต้องการความเสถียรภาพและความน่าเชื่อถือของทรัพยากรการคำนวณอย่างมาก จึงจำเป็นต้องมีข้อตกลงด้านระดับบริการที่มีคุณภาพสูง เพื่อให้โครงการสามารถทำงานอย่างปกติและให้การสนับสนุนทางเทคโนโลยีที่ทันเวลา ในเวลาเดียวกัน ค่าใช้จ่ายในการย้ายของลูกค้าทางธุรกิจสูงมาก หากเครือข่ายที่ไม่มีศูนย์กลางไม่มี SDK ที่เป็นที่เชื่อถือสำหรับโครงการที่ทำให้โครงการสามารถ deploy ได้อย่างรวดเร็ว ( เช่น Akash Network ต้องการผู้ใช้ทำการพัฒนาบนพอร์ตรีโมทัน ) ซึ่งจะทำให้มืออาชีพในการทำให้ลูกค้าย้ายโครงการได้ยากมาก หากไม่ได้รับประโยชน์จากราคาที่มีคุณภาพมาก ความต้องการในการย้ายโครงการของลูกค้าจะต่ำมาก01928374656574839201
• Render Network และ Akash Network ให้บริการพลังคอมพิวเตอร์สำหรับผู้ใช้งานทั่วไป ให้บริการแก่ผู้ใช้งาน C โดยต้องออกแบบอินเทอร์เฟซและเครื่องมือที่ใช้งานง่ายสำหรับผู้บริโภคเพื่อให้ได้ประสบการณ์การใช้บริการที่ดี และผู้บริโภคมีความไวต่อราคา ดังนั้นโครงการต้องให้ราคาที่แข่งขันได้

• ประเภทฮาร์ดแวร์

• ทรัพยากรฮาร์ดแวร์ที่พบบ่อยรวมถึง CPU、FPGA、GPU、ASIC และ SoC ฯลฯ ซึ่งมีความแตกต่างกันอย่างมีนัยสำคัญในเป้าหมายของการออกแบบ ลักษณะของประสิทธิภาพ และพื้นที่การประยุกต์ โดยสรุปแล้ว CPU มีความเชี่ยวชาญในงานคำนวณทั่วไป FPGA มีข้อได้เปรียบในการประมวลผลแบบขนานสูงและความสามารถในการโปรแกรม GPU แสดงผลที่ดีในการคำนวณแบบขนาน ASIC มีประสิทธิภาพสูงสุดในงานที่เฉพาะเจาะจง ส่วน SoC รวมรวมฟังก์ชันหลายอย่างไว้ในตัว สามารถใช้สำหรับแอปพลิเคชันที่มีการรวมรวมอย่างสูง การเลือกฮาร์ดแวร์ชนิดใดขึ้นอยู่กับความต้องการของแอปพลิเคชันที่เฉพาะ ความต้องการในเรื่องประสิทธิภาพ และการพิจารณาต้นทุน โปรเจกต์ที่เกี่ยวข้องกับพลังคอมพิวเตอร์ที่ไม่มีการกระจายอำนาจมักเก็บรวบรวมความสามารถในการคำนวณแบบขนานของ GPU ซึ่งได้รับการกำหนดโดยประเภทธุรกิจของโปรเจกต์และลักษณะของ GPU เนื่องจาก GPU มีความได้เปรียบที่เฉพาะเจาะจงในการฝึก AI การคำนวณแบบขนาน การเรนเดอร์มัลติมีเดีย ฯลฯ
• ** ถึงแม้ว่าโครงการเหล่านี้มักเกี่ยวข้องกับการรวม GPU แต่แอปพลิเคชันต่าง ๆ ก็มีความต้องการทางด้านฮาร์ดแวร์ที่แตกต่างกัน ดังนั้นฮาร์ดแวร์เหล่านี้มีการปรับปรุงที่ต่างกันตามความต้องการที่แตกต่างกัน เช่น พาราเลลลิสซึ่งเป็นความขึ้นต่อกันและการขึ้นต่อกันที่ต่างกัน หน่วยความจำ ค่าเครือข่ายเวลาแฝง และอื่น ๆ ต่าง ๆ ตัวอย่างเช่น ภารกิจการเรนเดอร์จริง ๆ มีความเหมาะสมกับ GPU ระดับผู้บริโภคมากกว่า GPU ใน data center ที่มีประสิทธิภาพสูง เนื่องจากการเรนเดอร์ต้องการการคำนวณที่สูง เช่นการติดตามแสง ชิประดับผู้บริโภคเช่น 4090 s ได้เสริม RT cores ส่วนพิเศษสำหรับงานการคำนวณการติดตามแสง AI training และ inference ต้องใช้ GPU ระดับมืออาชีพ เพราะฉะนั้น Render Network สามารถรวบรวม GPU ระดับผู้บริโภคเช่น RTX 3090 s และ 4090 s จากนั้น IO.NET จำเป็นต้องใช้ H 100 s และ A 100 s ที่เป็น GPU ระดับมืออาชีพเพิ่อตอบสนองความต้องการของบริษัทเริ่มต้นด้าน AI

2.2 ตำแหน่งตลาด

ในการกำหนดตำแหน่งของโครงการ ชั้น bare metal layer、orchestration layer และชั้นการรวมข้อมูล ต้องการการแก้ไขปัญหาหลัก จุดประสงค์ในการปรับปรุงและความสามารถในการรวบรวมค่าที่แตกต่างกัน

• ชั้นโลหะเบา เน้นการรวบรวมและใช้ประโยชน์จากทรัพยากรทางกายภาพ ชั้น Orchestration เน้นการตัดสินใจและปรับแต่งพลังคอมพิวเตอร์เพื่อให้เหมาะสมและเหมาะสมที่สุดตามความต้องการของกลุ่มลูกค้า ชั้นการรวบรวมเป็นทั่วไป ให้ความสำคัญกับการรวมและนามธรรมทรัพยากรที่แตกต่าง จากค่าของโซ่ค่าแรงจะเห็นได้ว่าโครงการแต่ละโครงการควรเริ่มต้นจากชั้นโลหะเบาและพยายามเคลื่อนตัวขึ้นไป
• จากมุมมองการจับค่าความคุ้มค่า เราสามารถพิจารณาจากชั้น bare metal layer ชั้น orchestration layer ถึงชั้น aggregation layer ความสามารถในการจับค่าความคุ้มค่าจะเพิ่มขึ้นทีละชั้น ชั้น aggregation layer สามารถจับค่าความคุ้มค่าได้มากที่สุด เนื่องจากเวที aggregation platform สามารถได้รับประโยชน์จากเครือข่ายที่มีข้อได้เปรียบมากที่สุด และยังสามารถเข้าถึงผู้ใช้ได้มากที่สุด เปรียบเสมือนทางเข้าของเครือข่ายที่กระจายอำนาจ ซึ่งทำให้เป็นตำแหน่งการจับค่าความคุ้มค่าสูงสุดในส่วนของการจัดการทรัพยากรความสามารถในการคำนวณทั้งหมด
• ในที่สุด ความยากลำบากในการสร้างแพลตฟอร์มการรวมรวมก็เป็นอย่างมาก โครงการต้องการการแก้ปัญหาทางเทคโนโลยีที่ซับซ้อน การจัดการทรัพยากรที่แตกต่างกัน ความเชื่อถือได้ของระบบและความสามารถในการขยายตัว เพียงพอ การทำให้เครือข่ายเป็นไปตามกฎของธรรมชาติ ความปลอดภัยและการคุ้มครองความเป็นส่วนตัว และการจัดการด้านดำเนินการที่ซับซ้อน ทั้งหมดเหล่านี้มักไม่ได้เป็นประโยชน์ต่อการเริ่มต้นของโครงการ และขึ้นอยู่กับสถานการณ์และเวลาของการพัฒนาในสายแข่งขัน ในขณะที่เลเยอร์การจัดการแบบ orchestration ยังไม่ได้พัฒนาอย่างเต็มที่และยังไม่ได้ครอบคลุมส่วนแบ่งตลาดที่แน่นอน การทำเลเยอร์การรวมรวมก็ไม่ได้เป็นสิ่งที่เป็นจริงมากนัก
• ณ ปัจจุบัน Aethir、Render Network、Akash Network และ Gensyn ถูกจัดอยู่ในชั้น Orchestration layer ซึ่งเป้าหมายของพวกเขาคือการให้บริการสำหรับกลุ่มเป้าหมายและลูกค้าโดยเฉพาะ ธุรกิจหลักของ Aethir ณ ปัจจุบันคือการเรียกให้บริการการเรนเดอร์เกมที่เป็นเรียบเริงและการให้เครื่องมือและสภาพแวดล้อมในการพัฒนาและการโฮสต์สำหรับลูกค้า B; ธุรกิจหลักของ Render Network คือการเรนเดอร์วิดีโอ ภารกิจของ Akash Network คือการให้บริการแพลตฟอร์มการซื้อขายที่คล้ายกับ Taobao และ Gensyn ได้ละเมิดศักดิ์ศรีในด้านการฝึกอบรมด้าน AI ตำแหน่งของ io.net คือ Aggregation layer แต่ฟังก์ชันที่ io ได้ทำให้ยังไม่สามารถพึ่งพาได้เชิงสมบูรณ์เท่าไร แม้ว่าได้เก็บเกี่ยวฮาร์ดแวร์ Render Network และ Filecoin ไว้แล้ว แต่การนำเสนอและการรวมทรัพยากรฮาร์ดแวร์ยังไม่เสร็จสมบูรณ์

2.3 โครงสร้างฮาร์ดแวร์

• ขณะนี้ไม่ทุกโครงการได้เผยแพร่ข้อมูลรายละเอียดของเครือข่าย โดยทั่วไป io.net explorer ทำอย่างดีที่สุดในเรื่องของ UI โดยที่คุณสามารถดูจำนวน GPU/CPU ชนิดราคาการกระจายการใช้งานของเครือข่ายรายได้ของโหนดและอื่นๆ ได้ แต่ในช่วงปลายเดือนเมษายน io.net ได้รับการโจมตีทางด้านหน้าโดยที่ io ไม่ได้ให้การรับรองสำหรับอินเทอร์เฟซ PUT/POST แฮ็กเกอร์ได้แก้ไขข้อมูลด้านหน้า สถานการณ์นี้เป็นการเตือนให้โครงการอื่นๆ ระบบความเป็นส่วนตัวและความน่าเชื่อถือของข้อมูลเครือข่าย
• จากจำนวน GPU และโมเดลที่ io.net เป็นชั้นรวมได้รับรวบรวม จะต้องเป็นจำนวนมากที่สุด Aethir ตามมา สถานการณ์ของฮาร์ดแวร์ในโครงการอื่นๆไม่ค่อยโปร่งใส จากโมเดล GPU สามารถเห็นได้ว่า io มีทั้ง GPU ระดับมืออาชีพเช่น A 100 และ GPU ระดับการบริโภคเช่น 4090 มากมาย ที่หลากหลาย เป็นไปตามตำแหน่งของ io.net io สามารถเลือก GPU ที่เหมาะสมที่สุดตามความต้องการงานเฉพาะ แต่ GPU ที่มีรุ่นและแบรนด์ที่แตกต่างกันอาจต้องใช้ไดรเวอร์และการตั้งค่าที่แตกต่างกัน และซอฟต์แวร์ต้องทำการปรับปรุงอย่างซับซ้อน ทำให้การจัดการและการบำรุงรักษาเป็นอย่างยาก ในปัจจุบันการแบ่งสิ่งที่ io ทำมีการเลือกโดยผู้ใช้เอง
• Aethir ปล่อยเครื่องขุดของตัวเองในเดือนพฤษภาคม Aethir Edge ที่รองรับการพัฒนาโดย Qualcomm กำลังเปิดตัวอย่างเป็นทางการ โดยมันจะทำลายวิธีการใช้งานของ GPU ที่กระจายไปยังหน่วยประมวลผลเฉพาะเจาะจงเดียว และนำพลังคอมพิวเตอร์ไปประยุกต์ใช้ที่จุดเด่น Aethir Edge จะรวมพลังคอมพิวเตอร์ในกลุ่ม H 100 ผสมกับบริการซอฟต์แวร์ AI ซึ่งสามารถใช้งานโมเดลการฝึกอบรมที่ดีแล้วเพื่อให้ผู้ใช้ได้รับบริการการคำนวณการตัดสินใจที่ตอบสนองต่อความต้องการในทุก ๆ ภาคต่าง ๆ โดยที่มีความคุ้มค่ามากกว่า
• จากมุมมองของการจัดหาและความต้องการ ในตัวอย่างของ Akash Network ข้อมูลสถิติแสดงให้เห็นว่า จำนวน CPU ประมาณ 16 k และจำนวน GPU มีอยู่ 378 ตัว ตามความต้องการในการเช่าเครือข่าย CPU และ GPU มีอัตราการใช้งานตามลำดับ 11.1% และ 19.3% ในนั้นมีอยู่เพียง GPU H 100 ที่มีอัตราการใช้งานสูง รุ่นอื่นๆ ส่วนใหญ่อยู่ในสถานะว่างเปล่า เงื่อนไขที่เจอคล้ายกับ Akash โดยรวม ความต้องการของเครือข่ายทั้งหมดไม่สูง นอกจากชิปยอดนิยมเช่น A 100, H 100 และอื่นๆ กำลังประมวลผลส่วนใหญ่อยู่ในสถานะว่างเปล่า
• จากมุมมองของความได้เปรียบในเรื่องราคา มีความแตกต่างไม่มากจากผู้ให้บริการดังกล่าวนอกเหนือจากผู้ให้บริการในตลาดคำนวณคลาวด์และผู้ให้บริการดังกล่าวไม่สามารถเห็นได้ชัดเจน

2.4 การแสดงผลการเงิน

• ไม่ว่าโมเดล token จะออกแบบอย่างไร แต่ tokenomics ที่เป็นสุขภาพต้องมีเงื่อนไขพื้นฐานต่อไปนี้: 1) ความต้องการของผู้ใช้สำหรับเครือข่ายต้องปรากฏในราคาของเหรียญ นั่นคือโทเค็นสามารถกัดค่าได้; 2) ผู้มีส่วนได้เสียทุกคนไม่ว่าจะเป็นนักพัฒนา โหนด ผู้ใช้จะได้รับสิ่งตอบแทนที่เป็นธรรมและยาวนาน; 3) รักษาการปกครองแบบกระจาย เพื่อหลีกเลี่ยงการถือครองโดยบุคคลภายใน; 4) การกำหนดเป้าหมายเหมาะสมสำหรับการกำหนดธุรกรรมเพื่อหลีกเลี่ยงผลกระทบจากการผันผวนของราคาเหรียญต่อความทนทานและความยืดหยุ่นของเครือข่าย
• หากแบ่งโครงสร้างโทเค็นอย่างกว้างขวางเป็น BME (การเผาและการสร้างแบบสมดุล) และ SFA (การเดิมพันเพื่อเข้าถึง) โมเดลสองรูปแบบนี้มีแรงกดดันที่เหลือเชื่อได้จากแหล่งที่มาที่แตกต่างกัน: โมเดล BME จะเผาโทเค็นหลังจากผู้ใช้ซื้อบริการ ดังนั้นแรงกดดันที่เหลือเชื่อของระบบมาจากความต้องการ ในขณะที่ SFA ต้องการผู้ให้บริการ / โหนดจำนวนโทเค็นที่เดิมพันเพื่อรับสิทธิ์ในการให้บริการ ดังนั้นแรงกดดันที่เหลือเชื่อมาจากการส่งมอบ ประโยชน์ของ BME อยู่ที่เหมาะสมกับสินค้าที่ไม่ได้มาตรฐาน แต่หากความต้องการของเครือข่ายไม่เพียงพอ อาจเผชิญกับแรงกดดันสินเชื่อต่อเนื่อง โมเดลโทเค็นของแต่ละโครงการมีความแตกต่างในรายละเอียด อย่างไรก็ตามโดยรวมแล้ว Aethir เอื้อต่อ SFA มากกว่า ในขณะที่ io.net Render Network และ Akash Network เอื้อต่อ BME มากกว่า Gensyn ยังไม่ทราบ
• จากมูลค่ารายได้เราสามารถเห็นถึงความต้องการของเครือข่ายโดยตรงในรายได้รวมของเครือข่าย (เราไม่ได้พูดถึงรายได้ของนักขุดเพราะนอกจากค่าตอบแทนที่ได้จากการทำภารกิจแล้วยังได้รับทุนจากโครงการด้วย) จากข้อมูลสาธารณะเราพบว่าค่า io.net มีค่าสูงที่สุด รายได้ของ Aethir อาจยังไม่ได้เผยแพร่ แต่จากข้อมูลสาธารณะเราพบว่าพวกเขาได้ประกาศว่าได้รับคำสั่งซื้อจากลูกค้า B หลายรายแล้ว
• จากราคาเหรียญ ณ ปัจจุบัน มีเพียง Render Network และ Akash Network เท่านั้นที่ได้ดำเนินการ ICO Aethir และ io.net ก็ได้ทำการเปิดตัวเหรียญเร็ว ๆ นี้ การ表现ของราคาต้องการการสังเกตอีกครั้ง ในบทความนี้จึงไม่ได้พูดถึงมากเกินไป แผนการของ Gensyn ยังไม่ชัดเจน จากทั้ง 2 โครงการที่ได้ทำการเปิดตัวเหรียญ และโครงการในสายอาชีพเดียวกัน แต่ไม่อยู่ในขอบเขตของบทความนี้ โดยรวมมาดู การ表现ของราคาในเครือข่ายพลังคอมพิวเตอร์ที่ไม่มีการกระจายอำนาจมีการ表现ที่โดดเด่นมาก แสดงให้เห็นถึงศักยภาพตลาดที่ใหญ่และความคาดหวังที่สูงจากชุมชนอย่างแน่นอน

2.5 สรุป

• การกระจายอำนาจพลังคอมพิวเตอร์เป็นสายแข่งที่พัฒนาอย่างรวดเร็ว มีโครงการมากมายที่สามารถให้บริการลูกค้าด้วยผลิตภัณฑ์และทำรายได้บางส่วนแล้ว สายแข่งได้เคลื่อนออกจากการบรรยายอย่างเดียวแล้ว เข้าสู่ขั้นตอนการพัฒนาที่สามารถให้บริการเบื้องต้น
• ปัญหาความไม่แข็งแรงของความต้องการเป็นปัญหาทั่วไปที่เครือข่ายพลังคอมพิวเตอร์ที่ไม่มีศูนย์กำหนดเผชิญอยู่ ความต้องการของลูกค้าในระยะยาวไม่ได้รับการตรวจสอบและขุดเจาะได้ดีพอ แต่ฝั่งความต้องการไม่ได้ส่งผลต่อราคาเหรียญแล้วหลายโครงการที่ออกเหรียญแล้วมีผลงานที่โดดเด่น
• AI เป็นเรื่องราวหลักของเครือข่ายพลังคอมพิวเตอร์ที่กระจายอำนาจ แต่ไม่ใช่ธุรกิจเดียวที่มีอยู่ นอกเหนือจากการใช้ในการฝึก AI และการอินเฟอร์เรนซ์ พลังคอมพิวเตอร์ยังสามารถใช้ในการเรียลไทม์เรนเดอร์เกมคลาวด์ บริการโทรศัพท์คลาวด์ เป็นต้น
• ระดับความแตกต่างของฮาร์ดแวร์ในเครือข่ายกำลังคำนวณสูงมาก คุณภาพและขนาดของเครือข่ายกำลังคำนวณต้องพัฒนาต่อไป
• สำหรับผู้ใช้ C ทั่วไป ค่าใช้จ่ายไม่ได้ถูกลดลงอย่างมีนัยสำคัญ สำหรับผู้ใช้ B นอกจากจะประหยัดค่าใช้จ่ายแล้ว ยังต้องพิจารณาถึงความเสถียรภาพของบริการ ความเชื่อถือได้ การสนับสนุนทางเทคนิค การปฏิบัติตามกฎหมาย และการสนับสนุนทางกฎหมายอื่น ๆ โดยโครงการ Web3 มักจะไม่ทำดีพอในเรื่องเหล่านี้

3 ข้อคิดท้าย

การเพิ่มขึ้นอย่างรวดเร็วของ AI นำมาซึ่งความต้องการที่มหาศาลของพลังคอมพิวเตอร์ ไม่มีเหตุผลที่จะไม่ยอมรับ ตั้งแต่ปี 2012 มานี้ ความต้องการของพลังคอมพิวเตอร์ที่ใช้ในงานฝึกฝนทางปัญญาประดิษฐ์กำลังเพิ่มขึ้นตามอัตราที่เป็นเลขยก โดยอัตราปัจจุบันคือทุก 3.5 เดือนเพิ่มขึ้น 1 เท่า (เมื่อเทียบกับกฎของมูอร์ที่เพิ่มขึ้นทุก 18 เดือน) ตั้งแต่ปี 2012 มานี้ ความต้องการของพลังคอมพิวเตอร์เพิ่มขึ้นมากกว่า 300,000 เท่า มากกว่ากฎของมูอร์ที่เพิ่มขึ้น 12 เท่า ตามการคาดการณ์ ตลาด GPU คาดว่าจะเติบโตด้วยอัตราเฉลี่ย 32% ต่อปีในอีก 5 ปีข้างหน้า จนกระทั่งเกิน 2,000 พันล้าน ดอลลาร์ การประมาณของ AMD สูงกว่า โดยบริษัทคาดการณ์ว่าจนถึงปี 2027 ตลาดชิป GPU จะเพิ่มขึ้นไปถึง 4,000 พันล้าน ดอลลาร์

แหล่งที่มาของรูปภาพ:

เนื่องจากการเติบโตอย่างรวดเร็วของปัญญาประดิษฐ์และโหลดงานที่ต้องการความสามารถในการคำนวณ (เช่นการแสดงภาพ AR/VR) ได้เปิดเผยปัญหาความไม่มีประสิทธิภาพทางโครงสร้างในการคำนวณทางฝั่งคลาวด์และตลาดคำนวณสายอันดับหนึ่ง ในทฤษฎีบทความคำนวณพลังงานที่กระจายจัดเป็นสัญลักษณ์สามารถให้การแก้ปัญหาที่มีความยืดหยุ่น ต้นทุนต่ำ และมีประสิทธิภาพสูงกว่าเทคนิคดั้งเดิม ซึ่งตอบสนองต่อความต้องการในตลาดที่ใหญ่ของทรัพยากรคำนวณ ดังนั้นการรวมระหว่าง crypto และ AI มีศักยภาพในตลาดอย่างมาก แต่ในเวลาเดียวกันก็เผชิญกับการแข่งขันที่เข้มข้นจากธุรกิจแบบดั้งเดิม เข้าสู่การทำธุรกิจที่ยากและสภาวะตลาดที่ซับซ้อน โดยรวมมาดูทั้งหมดใน crypto วงจรการแข่งขันระบบคำนวณที่กระจายจัดเป็นสัญลักษณ์เป็นหนึ่งในโดเมนตลาดที่มีโอกาสได้รับความต้องการจริง

ที่มาของรูปภาพ:

การมีแนวคิดที่ชัดเจนและมีเป้าหมายที่ชัดเจนแต่ก็มีการเดินทางที่ลำบาก หากต้องการที่จะประสบความสำเร็จตามเป้าหมายที่กล่าวมา ทางเรายังต้องแก้ไขปัญหาและท้าทายมากมาย สรุปคือ: ** ในขั้นตอนปัจจุบัน หากให้บริการคลาวด์แบบดั้งเดิมอย่างเดียว กำไรสุทธิของโครงการจะน้อยมาก จากด้านความต้องการ บริษัทขนาดใหญ่มักจะสร้างความสามารถในการคำนวณของตนเอง นักพัฒนา C ที่เป็นบริษัทเล็กทั้งหมดจะเลือกบริการคลาวด์ ส่วนตัว บริษัทขนาดกลางและเล็กที่จะใช้ทรัพยากรความสามารถในการคำนวณที่ไม่มีความจำเป็นต้องเชื่อถือในระบบที่กระจายอำนาจจริงหรือไม่ต้องการให้เป็นคงที่ต้องการการขุดและการยืนยันอีกต่อไป อีกด้านหนึ่ง AI เป็นตลาดที่กว้างขวางที่มีศักยภาพสูงและมีพื้นที่ในการออกแบบที่มากมาย ด้วยเหตุนี้เพื่อตลาดที่กว้างขวางขึ้น ผู้ให้บริการความสามารถในการคำนวณที่กระจายอำนาจในอนาคตยังจำเป็นต้องเปลี่ยนแปลงไปสู่บริการรูปแบบโมเดล / AI และสำรวจฉากการใช้ crypto + AI อีกมากมายเพื่อขยายขอบเขตโครงการในการสร้างค่าที่สามารถ

• ไม่มีความได้เปรียบทางราคา：จากการเปรียบเทียบข้อมูลก่อนหน้านี้ เราสามารถเห็นได้ว่า ความได้เปรียบทางราคาของเครือข่ายพลังคอมพิวเตอร์ที่กระจายอำนาจยังไม่ได้รับการสะท้อนออกมา สาเหตุที่เป็นไปได้อาจอยู่ที่ราคาของฮาร์ดแวร์ชิปที่ต้องการมากที่สุดเช่น H 100, A 100 ซึ่งมีกลไกตลาดที่กำหนดให้ราคาของอุปกรณ์เหล่านี้ไม่ถูกลง นอกจากนี้ เครือข่ายที่กระจายอำนาจอาจสามารถรวบรวมทรัพยากรพลังคอมพิวเตอร์ที่ไม่ได้ใช้งานอยู่ แต่ค่าใช้จ่ายที่ซ่อนอยู่เช่น ข้อเสียทางเศรษฐกิจขนาดใหญ่ที่เกิดจากความไม่มีมาตรฐาน ค่าใช้จ่ายสูงสุดในเครือข่ายและความซับซ้อนของการบริหารจัดการและดูแลรักษาอุปกรณ์ที่สูงมาก อาจทำให้ค่าใช้จ่ายในการขุดเงินเพิ่มขึ้น
• ความเฉพาะเจาะจงของการฝึกอบรม AI: การใช้วิธีการกระจายอำนาจในการฝึกอบรม AI ในขั้นตอนปัจจุบันมีอุปสรรคทางเทคโนโลยีที่มีขนาดใหญ่ ปัญหานี้สามารถเห็นได้อย่างชัดเจนจากกระบวนการทำงานของ GPU ในการฝึกโมเดลภาษาใหญ่ จากนั้น GPU จะรับชุดข้อมูลหลายรุ่นหลังจากการประมวลผลก่อนหน้านี้และคำนวณการส่งกลับและส่งกลับเพื่อสร้างความชันสูง จากนั้น GPU แต่ละตัวจะรวมความชันและอัปเดตพารามิเตอร์ของโมเดลเพื่อให้แน่ใจว่า GPU ทั้งหมดจะทำงานร่วมกัน กระบวนการนี้จะเกิดขึ้นอีกครั้งจนกว่าจะเสร็จสิ้นการฝึกอบรมทั้งหมดหรือถึงจำนวนรอบที่กำหนดไว้ กระบวนการนี้เกี่ยวข้องกับการส่งข้อมูลและการส่งกลับจำนวนมากและการสะท้อนรอยของข้อมูล ปัญหาเช่น วิธีใช้กับและการสังเคราะห์การใช้งาน การปรับปรุงแบนด์วิดท์และความล่าช้าการสื่อสารลดต่ำลง เป็นต้น โดยปัจจุบันการใช้เครือข่ายพลังคอมพิวเตอร์ที่กระจายอำนาจในการฝึกอบรม AI ยังไม่เป็นเรื่องจริง
• ความปลอดภัยข้อมูลและความเป็นส่วนตัว：ในกระบวนการฝึกโมเดลภาษาใหญ่ ขั้นตอนที่เกี่ยวข้องกับการประมวลผลและการส่งข้อมูล เช่น การจัดสรรข้อมูล การฝึกโมเดล พารามิเตอร์และการรวมค่าเกรเดียนต์ อาจมีผลต่อความปลอดภัยของข้อมูลและความเป็นส่วนตัว และความเป็นส่วนตัวของโมเดลภาษามีความสำคัญมากยิ่งกว่า หากไม่สามารถแก้ปัญหาความเป็นส่วนตัวของข้อมูลได้ ก็จะไม่สามารถขยายมาตรฐานจริงหน้าที่ฝ่ายต้องการได้

**จากมุมมองที่เป็นจริงที่สุด ระบบพลังคอมพิวเตอร์ที่กระจายอำนาจต้องให้ความสำคัญกับการค้นพบความต้องการในปัจจุบันและพื้นที่ตลาดในอนาคตพร้อมกัน การหาตำแหน่งผลิตภัณฑ์และกลุ่มเป้าหมายลูกค้าที่ถูกต้อง เช่น การเล็งเป้าที่โครงการที่ไม่ได้ใช้ AI หรือ Web3 แบบเฉพาะเจาะจง จากความต้องการที่เป็นขอบข่าย เริ่มต้นสร้างฐานผู้ใช้ในช่วงเริ่มต้น ในเวลาเดียวกัน ต้องค้นหาฉากที่ต่างๆที่เกิดจากการผสมผสานระหว่าง AI และ crypto ตามทุกที่ทุกเพียงเพราะ ค้นพบขอบเขตของเทคโนโลยี และทำให้บริการเปลี่ยนแปลงและอัพเกรด

ข้อมูลอ้างอิง

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