Організація взаємодії між верхнім та нижнім потоками угод
З аналізу технічної архітектури, функціонального призначення та практичних випадків я розділю весь екосистему на такі рівні: рівень інфраструктури, проміжний рівень, рівень моделі та рівень застосування, а також розгляну його залежності:
1、інфраструктурний рівень
Інфраструктурний рівень надає децентралізовані базові ресурси (обчислювальну потужність, сховище, L1), включаючи протоколи обчислювальної потужності: Render, Akash, io.net і т. д .; протоколи сховища: Arweave, Filecoin, Storj і т. д .; L1: NEAR, Olas, Fetch.ai і т. д .
Протоколи рівня обчислювальної потужності підтримують навчання, виведення та роботу фреймворка; протоколи зберігання зберігають дані навчання, параметри моделі та записи взаємодії на ланцюжку; L1 оптимізує ефективність передачі даних за допомогою спеціалізованих вузлів, знижуючи затримку.
2、Проміжний рівень
Проміжний рівень - це міст між базовою інфраструктурою та додатками верхнього рівня, який надає інструменти для розробки фреймворків, послуги даних та захисту конфіденційності, серед протоколів маркування даних є: Grass, Masa, Vana тощо; є протоколи розробки фреймворків: Eliza, ARC, Swarms тощо; протоколи обчислень конфіденційності: Phala тощо.
Шар даних надає паливо для навчання моделі, фреймворк розробки залежить від обчислювальної потужності та зберігання на рівні інфраструктури, а рівень конфіденційності захищає безпеку даних під час навчання / виведення.
3、Модельний рівень
Модельний рівень використовується для розробки, навчання та розповсюдження моделей, включаючи відкриту платформу для навчання моделей: Bittensor.
Модельний шар залежить від обчислювальних потужностей на рівні базової інфраструктури та даних на рівні проміжного програмного забезпечення; модель розгортається на ланцюгу за допомогою розробленого фреймворку; ринок моделей постачає результати навчання на рівень застосунків.
4、Рівень застосування
Прикладний рівень - це продукт штучного інтелекту, спрямований на кінцевого користувача, включаючи агента: GOAT, AIXBT тощо; протокол DeFAI містить: Griffain, Buzz тощо.
Використання попередньо навченої моделі рівня додатків для виклику моделі рівня моделі; обчислення конфіденційності залежить від шару проміжного програмного забезпечення; складні додатки потребують реального часу обчислювальної потужності на рівні інфраструктури.
Другий, негативно впливає на децентралізовану потужність обчислень
За вибірковими даними близько 70% проектів Web3 AI фактично використовують OpenAI або централізовану хмарну платформу, лише 15% проектів використовують децентралізовані GPU (такі як модель підмереж Bittensor), решта 15% є гібридною архітектурою (локальна обробка чутливих даних, загальні завдання в хмарі).
Використання протоколу децентралізованої обчислювальної потужності далеко не відповідає очікуванням і не відображає його фактичну ринкову вартість. Низька використаність обумовлена триома причинами: розробники Web2 залишаються при використанні інструментів ланцюга Web3; децентралізована платформа GPU ще не забезпечила конкурентні переваги; деякі проекти використовують термін "децентралізований" для уникнення регулятивної перевірки даних, і фактично обчислювальна потужність все ще залежить від централізованого хмарного середовища.
AWS/GCP займають понад 90% ринкової частки в галузі штучного інтелекту, в той час як еквівалентна обчислювальна потужність Akash становить лише 0,2% від AWS. Централізовані хмарні платформи мають такі бар'єри як: кластерний управління, RDMA швидкісна мережа, еластичне масштабування; децентралізовані хмарні платформи мають вдосконалену версію веб3 з використанням вищезазначених технологій, але мають недоліки, такі як проблеми з затримкою: затримка у взаємодії розподілених вузлів в 6 разів більше, ніж у централізованої хмари; розрив в інструментальному ланцюжку: PyTorch/TensorFlow не підтримують децентралізоване планування.
DeepSeek за допомогою розрідженого навчання (Sparse Training) зменшує споживання обчислювальних ресурсів на 50%, динамічне обрізання моделей дозволяє навчати моделі з мільярдами параметрів на споживчих GPU. Очікується значне зниження попиту на високопродуктивні GPU в найближчий час, потенціал ринку розподіленого обчислення переоцінюється. Як показано на малюнку вище, до появи DeepSeek більшість протоколів та застосунків у галузі використовували платформи, такі як AWS, лише кілька випадків були розгорнуті в децентралізованій мережі GPU, ці випадки підкреслюють перевагу останніх у витратній потужності та не звертають увагу на затримку.
Ця ситуація може подальше погіршитися з появою DeepSeek. DeepSeek зняв обмеження для розробників довгого хвоста, ефективні моделі міркувань низької вартості будуть поширюватися з небаченою швидкістю, фактично, наразі вищезгадані централізовані хмарні платформи та багато країн вже почали впроваджувати DeepSeek, значне зниження вартості міркувань призведе до великої кількості фронтенд додатків, які мають великий попит на споживчі GPU. Зустрічаючи наближення великого ринку, централізовані хмарні платформи започаткують новий раунд боротьби за користувачів, конкуруючи не лише з лідерами галузі, але й з безліччю малих централізованих хмарних платформ. Найбільш прямий спосіб конкуренції - це зниження цін, можна передбачити, що 4090 в централізованих платформах зазнає зниження ціни, що є справжньою катастрофою для потужностей Web3. Коли ціна не є єдиним оборонним валом останніх, індустрія потужностей змушена знизити ціни, результатом буде те, що io.net, Render, Akash не зможуть витримати. Війна цін руйнуватиме останній верхній ліміт оцінки, зниження прибутку та втрата користувачів може призвести до смертельної спіралі, яка може змусити протоколи децентралізованих потужностей перейти на новий шлях.
Три, значення, яке приносить угода з верхніми та нижніми потоками
Я вважаю, що DeepSeek впливатиме на інфраструктурний рівень, рівень моделі та рівень застосування по-різному, з позитивного погляду:
Рівень додатків скористається значним зниженням вартості обробки, більше додатків зможуть надовго залишатися в мережі за низькою ціною та вчасно виконувати завдання;
Одночасно такі низькі витрати на модель, як DeepSeek, можуть дозволити складніше утворення SWARM протоколу DeFAI, де тисячі агентів використовуються для одного випадку, робота кожного агента буде дуже дрібною і чіткою, це значно підвищить користувацький досвід, уникне помилкового розбору та виконання введення користувача;
Розробники програмного забезпечення можуть налаштовувати модель, живити ціну AI-застосувань DeFi, дані та аналіз ланцюжків, дані управління протоколом без необхідності платити високі ліцензійні витрати.
Після випуску моделі DeepSeek значення відкритого рівня було доведено, високоякісні моделі відкриті для розвитку довгого хвоста можуть сприяти широкому розквіту розробки;
Протягом останніх трьох років високі обчислювальні можливості, побудовані навколо високопродуктивних GPU, були повністю зруйновані, розробники мають більше вибору, а відкриті моделі встановлюють напрямок, в майбутньому конкуренція між моделями штучного інтелекту буде визначатися не обчислювальною потужністю, алгоритмами, зміна віри стане кулею відправлення для розробників відкритих моделей;
Навколо конкретної підмережі DeepSeek виникає безліч, параметри моделі при однаковій обчислювальній потужності зростуть, до відкритої спільноти приєднається більше розробників.
З поганий впливу:
Неможливо оптимізувати затримку використання об'єктивно існуючого протоколу обчислювальної потужності в інфраструктурі;
І гібридна мережа, що складається з A100 та 4090, вимагає вищого рівня координації алгоритмів, що не є перевагою децентралізованої платформи.
Пробійте пухирець агента, DeFAI вирощує нове життя
Agent - остання надія на штучний інтелект у галузі, поява DeepSeek звільнила від обмежень обчислювальної потужності, намалювавши майбутню експлозію застосувань. Це мало б дуже позитивний вплив на гонку штучного інтелекту, але через тісний зв'язок з галуззю, американськими акціями та політикою ФРС, останній пузир виявився проколеним, і ринкова вартість гонки впала до мінімуму.
У хвилі злиття штучного інтелекту та галузі технічний прорив та гральна боротьба на ринку завжди йдуть поруч. Відтінок ринкової капіталізації від NVIDIA викликав ланцюгову реакцію, схожу на дзеркало для виганяння демонів, відображаючи глибокі проблеми у розповіді про штучний інтелект у галузі: від On-chain Agent до DeFAI Engine, під видимо повної екологічної картини сховані слабкі технічна база, вихолощена логіка цінностей, жорстока реальність керована капіталом. Під поверхнею процвітання екології на ланці приховані проблеми: велика кількість високооцінених токенів FDV борються за обмежену ліквідність, старі активи виживають завдяки емоціям FOMO, розробники втягнуті відсічення внутрішнього підриву PVP, що виснажує потенціал інновацій. Коли приріст капіталу та збільшення користувачів досягають стелі, вся галузь потрапляє в «безвихідне положення інноватора» - велике бажання прориву у розповіді, але важко вирватися зі скрутного залежності від шляхів. Цей розривний стан саме надає історичну можливість AI Agent: він не тільки є оновленням технічного набору інструментів, але й перебудовою парадигми створення цінностей.
Протягом останнього року все більше команд у галузі виявили, що традиційні моделі фінансування втрачають свою ефективність - схема передачі VC невеликого пакету акцій, сильний контроль та підвищення цін на біржі вже не може бути продовжена. Кишені VC стискаються, роздрібні гравці відмовляються від участі, великі біржі мають високі пороги для введення монет, за трьома тисками нова стратегія, що краще відповідає спекуляціям в медвежому ринку, починає виходити на передовий план: об'єднання з провідними KOL + обмежена кількість VC, велика кількість спільноти, низька капіталізація пуску.
Інноватори, які представляють Soon та Pump Fun, відкривають нові шляхи через 'спільноту запуску', де вони, спираючись на підтримку топових KOL, розподіляють 40%-60% токенів безпосередньо серед спільноти, запускаючи проекти з оцінкою нижче 10000000 доларів США FDV, та залучаючи кілька мільйонів доларів інвестицій. Ця модель будує консенсус FOMO за допомогою впливу KOL, дозволяючи команді забезпечити прибуток заздалегідь, одночасно забезпечуючи високу ліквідність в обмін на ринкову глибину. Хоча вони відмовляються від переваг короткострокового контролю, вони можуть викуповувати токени за низьку ціну в ринковому бар'єрі через механізм викупу за рахунок відповідності. По суті, це перенесення парадигми владної структури: від ігор удару бубном, де гравці - VC (інституції купують, виходять на біржу, роздрібні покупці покупають), до прозорої гри ціноутворення спільноти, де проект та спільнота утворюють новий вид симбіотичних відносин в умовах ліквідності. Коли галузь переходить до циклу прозорості, проекти, що настоюють на традиційній логіці контролю, можуть виявитися тінями епохи владних перетоків.
Короткострокова боль ринку саме підтверджує невербальність технічної довгостроковості. Коли штучний інтелектний агент зменшує вартість взаємодії ланцюжка на два порядки, коли автоматична модель продовжує оптимізувати ефективність коштів у протоколах DeFi, галузь може зустріти довгоочікуване масове прийняття. Ця зміна не базується на концепціях або капіталізації, а коріниться в технологічній проникності реальних потреб - схоже на те, як електрична революція не зупинилася через банкрутство лампових підприємств, агент врешті-решт стане справжньою золотою трасою після розриву міхура. А DeFAI, можливо, саме та плідна земля, де навколо низькі витрати розумового мислення можуть швидко з'явитися сотні агентів, які поєднуються в одну збірку. При рівнозначній обчислювальній потужності значне збільшення параметрів моделі може забезпечити більш повне налаштування агента епохи відкритої моделі, навіть у відповідь на складні вхідні команди користувача, може бути розкладено на окремий агент може виконати повністю завдання каналізації. Кожен агент оптимізує ланцюжкові операції, що може сприяти збільшенню загальної активності та підвищенню ліквідності протоколів DeFi. З DeFAI на чолі з'явиться більше складних продуктів DeFi, і це саме те місце, де з'являються нові можливості після розриву попереднього міхура.
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
DeepSeek впливає на протоколи, що виникають у верхньому та нижньому потоці Web3 AI
Автор оригіналу: Кевін, BlockBooster
Репост: Люк, Марс Фінанси
Організація взаємодії між верхнім та нижнім потоками угод
З аналізу технічної архітектури, функціонального призначення та практичних випадків я розділю весь екосистему на такі рівні: рівень інфраструктури, проміжний рівень, рівень моделі та рівень застосування, а також розгляну його залежності:
1、інфраструктурний рівень
Інфраструктурний рівень надає децентралізовані базові ресурси (обчислювальну потужність, сховище, L1), включаючи протоколи обчислювальної потужності: Render, Akash, io.net і т. д .; протоколи сховища: Arweave, Filecoin, Storj і т. д .; L1: NEAR, Olas, Fetch.ai і т. д .
Протоколи рівня обчислювальної потужності підтримують навчання, виведення та роботу фреймворка; протоколи зберігання зберігають дані навчання, параметри моделі та записи взаємодії на ланцюжку; L1 оптимізує ефективність передачі даних за допомогою спеціалізованих вузлів, знижуючи затримку.
2、Проміжний рівень
Проміжний рівень - це міст між базовою інфраструктурою та додатками верхнього рівня, який надає інструменти для розробки фреймворків, послуги даних та захисту конфіденційності, серед протоколів маркування даних є: Grass, Masa, Vana тощо; є протоколи розробки фреймворків: Eliza, ARC, Swarms тощо; протоколи обчислень конфіденційності: Phala тощо.
Шар даних надає паливо для навчання моделі, фреймворк розробки залежить від обчислювальної потужності та зберігання на рівні інфраструктури, а рівень конфіденційності захищає безпеку даних під час навчання / виведення.
3、Модельний рівень
Модельний рівень використовується для розробки, навчання та розповсюдження моделей, включаючи відкриту платформу для навчання моделей: Bittensor.
Модельний шар залежить від обчислювальних потужностей на рівні базової інфраструктури та даних на рівні проміжного програмного забезпечення; модель розгортається на ланцюгу за допомогою розробленого фреймворку; ринок моделей постачає результати навчання на рівень застосунків.
4、Рівень застосування
Прикладний рівень - це продукт штучного інтелекту, спрямований на кінцевого користувача, включаючи агента: GOAT, AIXBT тощо; протокол DeFAI містить: Griffain, Buzz тощо.
Використання попередньо навченої моделі рівня додатків для виклику моделі рівня моделі; обчислення конфіденційності залежить від шару проміжного програмного забезпечення; складні додатки потребують реального часу обчислювальної потужності на рівні інфраструктури.
Другий, негативно впливає на децентралізовану потужність обчислень
За вибірковими даними близько 70% проектів Web3 AI фактично використовують OpenAI або централізовану хмарну платформу, лише 15% проектів використовують децентралізовані GPU (такі як модель підмереж Bittensor), решта 15% є гібридною архітектурою (локальна обробка чутливих даних, загальні завдання в хмарі).
Використання протоколу децентралізованої обчислювальної потужності далеко не відповідає очікуванням і не відображає його фактичну ринкову вартість. Низька використаність обумовлена триома причинами: розробники Web2 залишаються при використанні інструментів ланцюга Web3; децентралізована платформа GPU ще не забезпечила конкурентні переваги; деякі проекти використовують термін "децентралізований" для уникнення регулятивної перевірки даних, і фактично обчислювальна потужність все ще залежить від централізованого хмарного середовища.
AWS/GCP займають понад 90% ринкової частки в галузі штучного інтелекту, в той час як еквівалентна обчислювальна потужність Akash становить лише 0,2% від AWS. Централізовані хмарні платформи мають такі бар'єри як: кластерний управління, RDMA швидкісна мережа, еластичне масштабування; децентралізовані хмарні платформи мають вдосконалену версію веб3 з використанням вищезазначених технологій, але мають недоліки, такі як проблеми з затримкою: затримка у взаємодії розподілених вузлів в 6 разів більше, ніж у централізованої хмари; розрив в інструментальному ланцюжку: PyTorch/TensorFlow не підтримують децентралізоване планування.
DeepSeek за допомогою розрідженого навчання (Sparse Training) зменшує споживання обчислювальних ресурсів на 50%, динамічне обрізання моделей дозволяє навчати моделі з мільярдами параметрів на споживчих GPU. Очікується значне зниження попиту на високопродуктивні GPU в найближчий час, потенціал ринку розподіленого обчислення переоцінюється. Як показано на малюнку вище, до появи DeepSeek більшість протоколів та застосунків у галузі використовували платформи, такі як AWS, лише кілька випадків були розгорнуті в децентралізованій мережі GPU, ці випадки підкреслюють перевагу останніх у витратній потужності та не звертають увагу на затримку.
Ця ситуація може подальше погіршитися з появою DeepSeek. DeepSeek зняв обмеження для розробників довгого хвоста, ефективні моделі міркувань низької вартості будуть поширюватися з небаченою швидкістю, фактично, наразі вищезгадані централізовані хмарні платформи та багато країн вже почали впроваджувати DeepSeek, значне зниження вартості міркувань призведе до великої кількості фронтенд додатків, які мають великий попит на споживчі GPU. Зустрічаючи наближення великого ринку, централізовані хмарні платформи започаткують новий раунд боротьби за користувачів, конкуруючи не лише з лідерами галузі, але й з безліччю малих централізованих хмарних платформ. Найбільш прямий спосіб конкуренції - це зниження цін, можна передбачити, що 4090 в централізованих платформах зазнає зниження ціни, що є справжньою катастрофою для потужностей Web3. Коли ціна не є єдиним оборонним валом останніх, індустрія потужностей змушена знизити ціни, результатом буде те, що io.net, Render, Akash не зможуть витримати. Війна цін руйнуватиме останній верхній ліміт оцінки, зниження прибутку та втрата користувачів може призвести до смертельної спіралі, яка може змусити протоколи децентралізованих потужностей перейти на новий шлях.
Три, значення, яке приносить угода з верхніми та нижніми потоками
Я вважаю, що DeepSeek впливатиме на інфраструктурний рівень, рівень моделі та рівень застосування по-різному, з позитивного погляду:
Рівень додатків скористається значним зниженням вартості обробки, більше додатків зможуть надовго залишатися в мережі за низькою ціною та вчасно виконувати завдання;
Одночасно такі низькі витрати на модель, як DeepSeek, можуть дозволити складніше утворення SWARM протоколу DeFAI, де тисячі агентів використовуються для одного випадку, робота кожного агента буде дуже дрібною і чіткою, це значно підвищить користувацький досвід, уникне помилкового розбору та виконання введення користувача;
Розробники програмного забезпечення можуть налаштовувати модель, живити ціну AI-застосувань DeFi, дані та аналіз ланцюжків, дані управління протоколом без необхідності платити високі ліцензійні витрати.
Після випуску моделі DeepSeek значення відкритого рівня було доведено, високоякісні моделі відкриті для розвитку довгого хвоста можуть сприяти широкому розквіту розробки;
Протягом останніх трьох років високі обчислювальні можливості, побудовані навколо високопродуктивних GPU, були повністю зруйновані, розробники мають більше вибору, а відкриті моделі встановлюють напрямок, в майбутньому конкуренція між моделями штучного інтелекту буде визначатися не обчислювальною потужністю, алгоритмами, зміна віри стане кулею відправлення для розробників відкритих моделей;
Навколо конкретної підмережі DeepSeek виникає безліч, параметри моделі при однаковій обчислювальній потужності зростуть, до відкритої спільноти приєднається більше розробників.
З поганий впливу:
Неможливо оптимізувати затримку використання об'єктивно існуючого протоколу обчислювальної потужності в інфраструктурі;
І гібридна мережа, що складається з A100 та 4090, вимагає вищого рівня координації алгоритмів, що не є перевагою децентралізованої платформи.
Пробійте пухирець агента, DeFAI вирощує нове життя
Agent - остання надія на штучний інтелект у галузі, поява DeepSeek звільнила від обмежень обчислювальної потужності, намалювавши майбутню експлозію застосувань. Це мало б дуже позитивний вплив на гонку штучного інтелекту, але через тісний зв'язок з галуззю, американськими акціями та політикою ФРС, останній пузир виявився проколеним, і ринкова вартість гонки впала до мінімуму.
У хвилі злиття штучного інтелекту та галузі технічний прорив та гральна боротьба на ринку завжди йдуть поруч. Відтінок ринкової капіталізації від NVIDIA викликав ланцюгову реакцію, схожу на дзеркало для виганяння демонів, відображаючи глибокі проблеми у розповіді про штучний інтелект у галузі: від On-chain Agent до DeFAI Engine, під видимо повної екологічної картини сховані слабкі технічна база, вихолощена логіка цінностей, жорстока реальність керована капіталом. Під поверхнею процвітання екології на ланці приховані проблеми: велика кількість високооцінених токенів FDV борються за обмежену ліквідність, старі активи виживають завдяки емоціям FOMO, розробники втягнуті відсічення внутрішнього підриву PVP, що виснажує потенціал інновацій. Коли приріст капіталу та збільшення користувачів досягають стелі, вся галузь потрапляє в «безвихідне положення інноватора» - велике бажання прориву у розповіді, але важко вирватися зі скрутного залежності від шляхів. Цей розривний стан саме надає історичну можливість AI Agent: він не тільки є оновленням технічного набору інструментів, але й перебудовою парадигми створення цінностей.
Протягом останнього року все більше команд у галузі виявили, що традиційні моделі фінансування втрачають свою ефективність - схема передачі VC невеликого пакету акцій, сильний контроль та підвищення цін на біржі вже не може бути продовжена. Кишені VC стискаються, роздрібні гравці відмовляються від участі, великі біржі мають високі пороги для введення монет, за трьома тисками нова стратегія, що краще відповідає спекуляціям в медвежому ринку, починає виходити на передовий план: об'єднання з провідними KOL + обмежена кількість VC, велика кількість спільноти, низька капіталізація пуску.
Інноватори, які представляють Soon та Pump Fun, відкривають нові шляхи через 'спільноту запуску', де вони, спираючись на підтримку топових KOL, розподіляють 40%-60% токенів безпосередньо серед спільноти, запускаючи проекти з оцінкою нижче 10000000 доларів США FDV, та залучаючи кілька мільйонів доларів інвестицій. Ця модель будує консенсус FOMO за допомогою впливу KOL, дозволяючи команді забезпечити прибуток заздалегідь, одночасно забезпечуючи високу ліквідність в обмін на ринкову глибину. Хоча вони відмовляються від переваг короткострокового контролю, вони можуть викуповувати токени за низьку ціну в ринковому бар'єрі через механізм викупу за рахунок відповідності. По суті, це перенесення парадигми владної структури: від ігор удару бубном, де гравці - VC (інституції купують, виходять на біржу, роздрібні покупці покупають), до прозорої гри ціноутворення спільноти, де проект та спільнота утворюють новий вид симбіотичних відносин в умовах ліквідності. Коли галузь переходить до циклу прозорості, проекти, що настоюють на традиційній логіці контролю, можуть виявитися тінями епохи владних перетоків.
Короткострокова боль ринку саме підтверджує невербальність технічної довгостроковості. Коли штучний інтелектний агент зменшує вартість взаємодії ланцюжка на два порядки, коли автоматична модель продовжує оптимізувати ефективність коштів у протоколах DeFi, галузь може зустріти довгоочікуване масове прийняття. Ця зміна не базується на концепціях або капіталізації, а коріниться в технологічній проникності реальних потреб - схоже на те, як електрична революція не зупинилася через банкрутство лампових підприємств, агент врешті-решт стане справжньою золотою трасою після розриву міхура. А DeFAI, можливо, саме та плідна земля, де навколо низькі витрати розумового мислення можуть швидко з'явитися сотні агентів, які поєднуються в одну збірку. При рівнозначній обчислювальній потужності значне збільшення параметрів моделі може забезпечити більш повне налаштування агента епохи відкритої моделі, навіть у відповідь на складні вхідні команди користувача, може бути розкладено на окремий агент може виконати повністю завдання каналізації. Кожен агент оптимізує ланцюжкові операції, що може сприяти збільшенню загальної активності та підвищенню ліквідності протоколів DeFi. З DeFAI на чолі з'явиться більше складних продуктів DeFi, і це саме те місце, де з'являються нові можливості після розриву попереднього міхура.