Sinh ra ở rìa: Mạng lực lượng tính toán phi tập trung làm thế nào để đưa sức mạnh cho Crypto và AI?

Tác giả gốc: Jane Doe, Chen Li

Nguồn gốc bài viết: Youbi Capital

1 Điểm giao của AI và Crypto

Ngày 23 tháng 5, Nhà sản xuất chip NVIDIA, đã công bố báo cáo tài chính quý 1 năm tài chính 2025. Báo cáo tài chính cho thấy doanh thu quý đầu tiên của NVIDIA đạt 26 tỷ đô la Mỹ. Trong đó, doanh thu từ trung tâm dữ liệu tăng lên đến 226 tỷ đô la Mỹ, tăng lên 427% so với cùng kỳ năm trước. Sức mạnh của NVIDIA trong việc cứu vớt hiệu suất tài chính của thị trường chứng khoán Mỹ phản ánh nhu cầu về khả năng tính toán đã bùng nổ của các công ty công nghệ toàn cầu để cạnh tranh trong cuộc đua trí tuệ nhân tạo (AI). Những công ty công nghệ hàng đầu càng quyết tâm hơn trong việc chiếm lĩnh đường đua AI, càng tăng nhanh nhu cầu về khả năng tính toán theo cấp số nhân. Dựa trên dự báo của TrendForce, nhu cầu về máy chủ AI cao cấp của bốn nhà cung cấp dịch vụ đám mây lớn nhất tại Mỹ năm 2024, bao gồm Microsoft, Google, AWS và Meta, được dự kiến sẽ chiếm 20,2%, 16,6%, 16% và 10,8% của nhu cầu toàn cầu, tổng cộng vượt quá 60%.

Nguồn ảnh:

"Thiếu chip" đã trở thành một từ nóng của năm trong những năm gần đây. Một mặt, việc đào tạo và suy luận các mô hình ngôn ngữ lớn (LLM) đòi hỏi rất nhiều Khả năng tính toán hỗ trợ; Và với sự lặp lại của mô hình, chi phí và nhu cầu của Khả năng tính toán tăng theo cấp số nhân. Mặt khác, các công ty lớn như Meta sẽ mua một lượng chip khổng lồ và nguồn lực Khả năng tính toán của thế giới đang nghiêng về phía những gã khổng lồ công nghệ này, khiến các doanh nghiệp nhỏ ngày càng khó có được nguồn lực Khả năng tính toán mà họ cần. Tình thế tiến thoái lưỡng nan mà các doanh nghiệp nhỏ phải đối mặt không chỉ đến từ nguồn cung chip không đủ do nhu cầu tăng cao, mà còn từ mâu thuẫn cơ cấu nguồn cung. **Hiện tại, vẫn còn một số lượng lớn GPU nhàn rỗi ở phía cung, ví dụ, một số trung tâm dữ liệu có số lượng Khả năng tính toán nhàn rỗi lớn (tỷ lệ sử dụng chỉ 12% – 18%) và một lượng lớn tài nguyên Khả năng tính toán nhàn rỗi trong mã hóa Khai thác do giảm lợi nhuận. **Mặc dù không phải tất cả các Khả năng tính toán này đều phù hợp với các tình huống ứng dụng chuyên nghiệp như đào tạo AI, phần cứng cấp người tiêu dùng vẫn có thể đóng một vai trò rất lớn trong các lĩnh vực khác, chẳng hạn như suy luận AI, kết xuất trò chơi đám mây, điện thoại đám mây và các lĩnh vực khác. Cơ hội để tích hợp và sử dụng phần tài nguyên Khả năng tính toán này là rất lớn. **

Chuyển trọng tâm từ AI sang tiền điện tử, sau ba năm im lặng trên thị trường mã hóa, một vòng Thị trường Bull khác cuối cùng đã mở ra, với giá Bitcoin đạt mức cao mới và nhiều memecoin khác nhau lần lượt xuất hiện. ** Mặc dù AI và Tiền điện tử đã phổ biến như một từ thông dụng trong nhiều năm, nhưng trí tuệ nhân tạo và Blockchain là hai công nghệ quan trọng giống như hai đường thẳng song song và chúng đã không tìm thấy "giao lộ" trong một thời gian long. Đầu năm nay, Vitalik đã xuất bản một bài báo có tiêu đề "Lời hứa và thách thức của các ứng dụng tiền điện tử + AI" thảo luận về tương lai của AI và tiền điện tử kết hợp. Vitalik đã đề cập đến những ý tưởng khao khát trong bài viết, bao gồm đào tạo và suy luận sử dụng các công nghệ mã hóa như blockchain và MPC để phân cấp AI, mở hộp đen của học máy và làm cho các mô hình AI trở nên đáng tin cậy hơn. Vẫn còn một con đường long để đi trước khi những tầm nhìn này được thực hiện. Nhưng một trong những trường hợp sử dụng được đề cập bởi Vitalik, sử dụng các ưu đãi kinh tế của tiền điện tử để cung cấp năng lượng cho AI, cũng là một hướng quan trọng có thể đạt được trong một khoảng thời gian short. Mạng Phi tập trung Khả năng tính toán là một trong những kịch bản phù hợp nhất cho AI + tiền điện tử ở giai đoạn này. **

2 Phi tập trung Khả năng tính toán mạng

Hiện tại, đã có nhiều dự án phát triển trên con đường mạng lưới khả năng tính toán phi tập trung. Cơ sở logic của những dự án này tương đồng, có thể tóm gọn thành: Sử dụng token để khuyến khích người giữ khả năng tính toán tham gia cung cấp dịch vụ khả năng tính toán cho mạng lưới, những tài nguyên khả năng tính toán phân tán này có thể kết hợp thành một mạng lưới khả năng tính toán phi tập trung có quy mô nhất định. Điều này không chỉ giúp tăng cường việc sử dụng khả năng tính toán không hoạt động, mà còn có thể đáp ứng nhu cầu khả năng tính toán của khách hàng với chi phí thấp hơn, thực hiện mục tiêu cùng có lợi cho cả người mua và người bán.

Để giúp độc giả có cái nhìn tổng quan về hành trình này trong thời gian ngắn, bài viết này sẽ phân tích dự án cụ thể và toàn bộ hành trình từ hai góc độ siêu nhỏ và siêu lớn, nhằm cung cấp cho độc giả một góc nhìn phân tích để hiểu rõ lợi thế cạnh tranh cốt lõi của mỗi dự án cũng như tình hình phát triển của toàn bộ hành trình tính toán phi tập trung. Tác giả sẽ giới thiệu và phân tích năm dự án: Aethir、io.net、Render Network、Akash Network、Gensyn và tổng kết và đánh giá tình hình dự án và phát triển hành trình.

Về khung phân tích, nếu tập trung vào một mạng khả năng tính toán phi tập trung cụ thể, chúng ta có thể phân tích thành bốn phần cấu thành cốt lõi:

• Mạng phần cứng: Tích hợp các nguồn lực tính toán phân tán lại với nhau, thực hiện chia sẻ và cân bằng tải nguồn lực tính toán thông qua các nút phân tán trên toàn cầu, đó là lớp cơ sở của mạng tính toán phi tập trung.
• Thị trường song phương: Kết hợp cơ chế xác định giá hợp lý và cơ chế khám phá để phù hợp nguồn cung và nhu cầu sức mạnh tính toán, cung cấp nền tảng giao dịch an toàn, đảm bảo tính minh bạch, công bằng và đáng tin cậy cho cả hai bên cung cấp và nhu cầu.
• Cơ chế đồng thuận: Được sử dụng để đảm bảo các nút trong mạng hoạt động đúng và hoàn thành công việc. Cơ chế đồng thuận được sử dụng chủ yếu để giám sát hai khía cạnh: 1) Giám sát xem các nút có đang hoạt động trực tuyến, ở trạng thái hoạt động có thể nhận nhiệm vụ bất cứ lúc nào không; 2) Chứng minh công việc của nút: Sau khi nhận nhiệm vụ, nút đã hoàn thành nhiệm vụ một cách đúng đắn và hiệu quả, không có khả năng tính toán bị sử dụng cho mục đích khác và chiếm giữ quá trình và luồng.
• Token Incentive: Mô hình Token được sử dụng để khuyến khích nhiều bên tham gia cung cấp / sử dụng dịch vụ hơn và bắt được hiệu ứng mạng này bằng token để chia sẻ lợi nhuận cộng đồng.

Nếu nhìn tổng thể của đường đua khả năng tính toán phi tập trung, báo cáo nghiên cứu của Blockworks cung cấp một khung phân tích tốt, chúng ta có thể chia các dự án trong đường đua này thành ba tầng khác nhau.

• Bare metal layer: Lớp cơ bản của hệ thống tính toán phi tập trung, nhiệm vụ chính là thu thập tài nguyên sức mạnh tính toán ban đầu và cho phép gọi chúng thông qua API. **Lớp điều phối **: Lớp giữa tạo thành ngăn xếp tính toán phi tập trung, nhiệm vụ chính là phối hợp và trừu tượng, chịu trách nhiệm lập lịch, mở rộng quy mô, vận hành, cân bằng tải và khả năng chịu lỗi của Khả năng tính toán. Vai trò chính là "trừu tượng" hóa sự phức tạp của quản lý phần cứng cấp thấp và cung cấp cho người dùng cuối giao diện người dùng tiên tiến hơn để phục vụ các phân khúc khách hàng cụ thể.
• Aggregation layer: Lớp tổng hợp là tầng trên cùng của ngăn xếp tính toán phi tập trung, nhiệm vụ chính của nó là tích hợp, cung cấp một giao diện thống nhất để người dùng có thể thực hiện nhiều tác vụ tính toán khác nhau tại một nơi, chẳng hạn như huấn luyện trí tuệ nhân tạo, kết xuất, zkML và nhiều hơn nữa. Tương đương với lớp phân phối và sắp xếp cho nhiều dịch vụ tính toán phi tập trung.

Nguồn ảnh: Youbi Capital

Dựa trên hai khung phân tích trên, chúng tôi sẽ so sánh ngang hàng năm giữa năm dự án đã chọn và đánh giá chúng từ bốn khía cạnh - vấn đề cốt lõi, định vị thị trường, cơ sở vật chất và hiệu suất tài chính.

2.1 Nhân tố cốt lõi

Từ cơ sở logic, mạng lực lượng tính toán phi tập trung là một mạng lưới cực kỳ đồng nhất, nghĩa là sử dụng token để khích lệ người dùng lực lượng tính toán không hoạt động cung cấp dịch vụ lực lượng tính toán. Xung quanh cơ sở logic này, chúng ta có thể hiểu sự khác biệt về nghiệp vụ cốt lõi của dự án từ ba khía cạnh khác nhau:

• Nguồn cung cấp khả năng tính toán không sử dụng:

• Trên thị trường, có hai nguồn chính để có được khả năng tính toán dư thừa: 1) khả năng tính toán dư thừa từ các trung tâm dữ liệu, các doanh nghiệp khai thác mỏ; 2) Khả năng tính toán dư thừa từ các nhà đầu tư lẻ. Khả năng tính toán từ trung tâm dữ liệu thường là phần cứng cấp chuyên nghiệp, trong khi nhà đầu tư lẻ thường mua các vi mạch cấp tiêu dùng.
• Khả năng tính toán chính của Aethir, Mạng Akash và Gensyn chủ yếu đến từ doanh nghiệp thu thập. Lợi ích của việc thu thập khả năng tính toán từ doanh nghiệp bao gồm: 1) Doanh nghiệp và trung tâm dữ liệu thường sở hữu phần cứng chất lượng cao hơn và đội ngũ bảo trì chuyên nghiệp, tài nguyên khả năng tính toán có hiệu suất và đáng tin cậy cao hơn; 2) Tài nguyên khả năng tính toán của doanh nghiệp và trung tâm dữ liệu thường đồng nhất hơn, và việc quản lý và giám sát tập trung giúp việc phân phối và bảo trì tài nguyên hiệu quả hơn. Tuy nhiên, cách làm này đòi hỏi yêu cầu cao đối với dự án, yêu cầu dự án có mối liên hệ thương mại với doanh nghiệp nắm giữ khả năng tính toán. Đồng thời, mức độ mở rộng và tính phi tập trung sẽ bị ảnh hưởng một cách nhất định.

• Render Network và io.net chủ yếu là để khích lệ người dùng cuối cung cung cấp khả năng tính toán không sử dụng trong tay họ. Lợi ích của việc thu thập khả năng tính toán từ người dùng cuối cung là: 1) Chi phí rõ ràng của khả năng tính toán không sử dụng của người dùng cuối cung thấp, có thể cung cấp tài nguyên khả năng tính toán kinh tế hơn; 2) Mở rộng và mức độ phi tập trung của mạng lưới cao hơn, gia tăng tính linh hoạt và độ bền của hệ thống. Tuy nhiên, nhược điểm là tài nguyên của người dùng cuối cùng phân tán rộng rãi và không đồng nhất, làm cho quản lý và lập lịch trở nên phức tạp, tăng cường khó khăn trong vận hành. Hơn nữa, phụ thuộc vào khả năng tính toán của người dùng cuối cùng để tạo ra hiệu ứng mạng ban đầu sẽ trở nên khó khăn hơn (khó khăn hơn trong việc khởi đầu). Cuối cùng, thiết bị của người dùng cuối cùng có thể có nhiều rủi ro an ninh hơn, có thể gây rò rỉ dữ liệu và nguy cơ khai thác khả năng tính toán.
• Khả năng tính toán của người tiêu dùng

• Đối với người tiêu dùng sức mạnh tính toán, khách hàng mục tiêu chính của Aethir, io.net, Gensyn là các doanh nghiệp. Đối với khách hàng B, AI và việc hiện thực hóa trò chơi thời gian thực đòi hỏi nhu cầu tính toán hiệu năng cao. Các tải công việc này yêu cầu tài nguyên tính toán rất cao, thường cần GPU cao cấp hoặc phần cứng chuyên nghiệp. Ngoài ra, khách hàng B yêu cầu tính ổn định và đáng tin cậy của tài nguyên tính toán, do đó phải cung cấp giao thức mức dịch vụ chất lượng cao, đảm bảo dự án hoạt động bình thường và cung cấp hỗ trợ kỹ thuật kịp thời. Đồng thời, khách hàng B có chi phí di chuyển cao, nếu mạng phi tập trung không có SDK đã trưởng thành để cho phép các bên dự án triển khai nhanh chóng (ví dụ như Akash Network yêu cầu người dùng tự phát triển dựa trên cổng từ xa), thì khó để khách hàng di chuyển. Nếu không có lợi thế giá cả đáng kể, ý định di chuyển của khách hàng rất thấp.
• Render Network và Akash Network chủ yếu cung cấp dịch vụ khả năng tính toán cho người tiêu dùng cuối. Để cung cấp dịch vụ cho người dùng cuối, dự án cần thiết kế giao diện và công cụ đơn giản và dễ sử dụng, mang lại trải nghiệm tiêu dùng tốt cho người tiêu dùng. Ngoài ra, người tiêu dùng rất nhạy cảm với giá cả, vì vậy dự án cần cung cấp giá cả cạnh tranh.

• Loại phần cứng

• Các tài nguyên phần cứng tính toán phổ biến bao gồm CPU, FPGA, GPU, ASIC và SoC. Những phần cứng này có sự khác biệt đáng kể về mục tiêu thiết kế, đặc tính hiệu suất và lĩnh vực ứng dụng. Nói chung, CPU tốt hơn trong các nhiệm vụ tính toán chung, FPGA có ưu điểm ở khả năng xử lý song song cao và tính có thể lập trình, GPU thể hiện sức mạnh trong tính toán song song, ASIC hiệu quả nhất trong các nhiệm vụ cụ thể, còn SoC tích hợp nhiều chức năng trong một, phù hợp với các ứng dụng tích hợp cao. Việc chọn loại phần cứng phụ thuộc vào nhu cầu cụ thể của ứng dụng, yêu cầu hiệu suất và xem xét chi phí. Các dự án khả năng tính toán phi tập trung mà chúng ta đang thảo luận đa phần thu thập sức mạnh tính toán GPU, điều này được quyết định bởi loại hình kinh doanh của dự án và đặc điểm của GPU. Bởi vì GPU có ưu điểm đặc biệt trong việc huấn luyện AI, tính toán song song, kỹ thuật dựng hình đa phương tiện, v.v.
• Mặc dù hầu hết các dự án này liên quan đến tích hợp GPU, nhưng các yêu cầu về cấu hình phần cứng khác nhau cho các ứng dụng khác nhau, vì vậy các phần cứng này có nhân tối ưu hóa và thông số khác nhau. Các thông số này bao gồm parallelism/serial dependencies, bộ nhớ, độ trễ, v.v. Ví dụ, khối lượng công việc vẽ màu thực tế thì phù hợp hơn với GPU dành cho người tiêu dùng hơn là GPU trung tâm dữ liệu có hiệu suất cao hơn, vì vẽ màu yêu cầu cao như vẽ ánh sáng, các vi xử lý chip tiêu dùng như 4090s đã được tăng cường với RT cores, được tối ưu hóa tính toán cho nhiệm vụ vẽ ánh sáng. AI training và inference thì cần GPU cấp chuyên nghiệp. Vì vậy, Render Network có thể thu thập GPU tiêu dùng như RTX 3090s và 4090s từ các nhà lẻ, trong khi IO.NET cần nhiều GPU cấp chuyên nghiệp như H 100s, A 100s để đáp ứng nhu cầu của các công ty khởi nghiệp AI.

2.2 Định vị thị trường

Với vị trí của dự án, các lớp bare metal, orchestration và aggregation cần giải quyết các vấn đề cốt lõi, tối ưu hóa và khả năng thu hút giá trị khác nhau.

• Bare metal layer theo dõi sự thu thập và sử dụng tài nguyên vật lý, Orchestration layer tập trung và tối đa hóa khả năng tính toán, thiết kế tổ chức và tối ắn hóa thiết bị lý vật lý theo nhu cầu của nhóm khách hàng. Aggregation layer là một mục đích chung, quan tâm đến việc tổng hợp và trữ tách tài nguyên khác nhau. Từ chuỗi giá trị, các dự án nên bắt đầu từ tầng bare metal, nổ lực phía trên.
• Từ quan điểm thu thập giá trị, khả năng thu thập giá trị từ lớp bare metal, lớp orchestration đến lớp tổng hợp tăng dần từng bước. Lớp tổng hợp có thể thu thập được nhiều giá trị nhất, bởi vì nền tảng tổng hợp có thể đạt được hiệu quả mạng lớn nhất và tiếp cận trực tiếp với nhiều người dùng nhất, tương đương với lối vào luồng mạng phi tập trung, do đó chiếm vị trí thu thập giá trị cao nhất trong toàn bộ ngăn xếp quản lý tài nguyên tính toán.
• Tương ứng, việc xây dựng một nền tảng tổng hợp cũng là một trong những khó khăn lớn nhất, dự án cần giải quyết toàn diện vấn đề về độ phức tạp của công nghệ, quản lý tài nguyên không đồng nhất, độ tin cậy và khả năng mở rộng của hệ thống, hiệu quả mạng lưới, an ninh và bảo vệ quyền riêng tư cũng như quản lý vận hành phức tạp và nhiều khía cạnh khác. Những thách thức này không thuận lợi cho việc khởi động dự án, và phụ thuộc vào tình hình và thời điểm phát triển của đường đua. Khi tầng orchestration chưa phát triển mạnh mẽ và chiếm một phần thị trường nhất định, việc thực hiện tầng tổng hợp không phải là điều hiển nhiên.
• Hiện tại, Aethir, Render Network, Akash Network và Gensyn đều thuộc Orchestration layer, mục tiêu của họ là cung cấp dịch vụ cho các mục tiêu cụ thể và nhóm khách hàng. Aethir hiện tại chuyên kinh doanh việc render trực tiếp cho trò chơi đám mây và cung cấp môi trường và công cụ phát triển và triển khai cho khách hàng B; Render Network chuyên kinh doanh việc render video, nhiệm vụ của Akash Network là cung cấp một nền tảng giao dịch tương tự như Taobao, trong khi Gensyn tập trung vào lĩnh vực huấn luyện trí tuệ nhân tạo. Vị trí của io.net là Aggregation layer, nhưng tính năng hiện tại của io vẫn còn khá xa so với tính năng hoàn chỉnh của aggregation layer, mặc dù đã thu thập được phần cứng của Render Network và Filecoin, nhưng việc trừu tượng và tích hợp tài nguyên phần cứng vẫn chưa hoàn thiện.

2.3 Cơ sở vật chất

• Hiện tại, không phải tất cả các dự án đều công bố dữ liệu chi tiết về mạng, tương đối thì giao diện UI của io.net explorer là tốt nhất, bạn có thể xem được các thông số như số lượng GPU/CPU, loại, giá cả, phân bố, lưu lượng mạng, thu nhập của các nút và nhiều thông số khác. Tuy nhiên vào cuối tháng 4, giao diện trước của io.net đã bị tấn công, vì io không có Auth cho các giao diện PUT/POST, hacker đã thay đổi dữ liệu trên giao diện trước. Điều này cũng đánh động chuông cảnh báo về sự riêng tư và độ tin cậy của dữ liệu mạng cho các dự án khác.
• Về số lượng GPU và model, io.net là lớp thu thập phần cứng có lẽ nhiều nhất. Aethir đứng sau, tình hình phần cứng của các dự án khác không rõ ràng như vậy. Từ mô hình GPU, chúng ta có thể thấy rằng io không chỉ có các GPU cấp chuyên nghiệp như A 100, mà còn có các GPU tiêu dùng như 4090, với nhiều loại khác nhau, điều này phù hợp với vị trí của io.net trong việc tổng hợp. io có thể chọn GPU phù hợp nhất tùy theo nhu cầu công việc cụ thể. Tuy nhiên, các GPU khác nhau về mô hình và thương hiệu có thể cần các trình điều khiển và cấu hình khác nhau, phần mềm cũng cần phải tối ưu hóa phức tạp, điều này tăng thêm sự phức tạp trong quản lý và bảo trì. Hiện tại, phân bố các loại nhiệm vụ của io chủ yếu do người dùng tự lựa chọn.
• Aethir đã phát hành máy khai thác riêng của họ, và vào tháng 5, Aethir Edge được phát hành chính thức với sự hỗ trợ phát triển từ Qualcomm. Nó sẽ phá vỡ cách triển khai tập trung duy nhất của cụm GPU rời xa người dùng và triển khai khả năng tính toán đến cạnh mạng. Aethir Edge sẽ kết hợp khả năng tính toán của cụm H 100, cung cấp dịch vụ cho các tình huống trí tuệ nhân tạo, nó có thể triển khai mô hình được đào tạo tốt nhất để cung cấp dịch vụ tính toán suy luận cho người dùng với chi phí tối ưu nhất. Giải pháp này gần gũi hơn với người dùng, dịch vụ nhanh hơn và có hiệu quả chi phí cao hơn.
• Xét về cung cầu, ví dụ như Akash Network, dữ liệu thống kê của nó cho thấy tổng lượng CPU khoảng 16k, số lượng GPU là 378, theo nhu cầu thuê mạng, tỷ lệ sử dụng CPU và GPU lần lượt là 11.1% và 19.3%. Trong đó chỉ có tỷ lệ sử dụng GPU chuyên nghiệp H 100 khá cao, các model khác phần lớn đang ở trạng thái không hoạt động. Tình hình mà các mạng khác đối mặt cũng tương tự Akash, tổng nhu cầu của mạng không cao, ngoại trừ các chip nóng như A 100, H 100, phần lớn khả năng tính toán đang ở trạng thái không hoạt động.
• Từ quan điểm ưu thế về giá cả, so với các ông lớn trong thị trường điện toán đám mây, ưu thế về chi phí so với các nhà cung cấp dịch vụ truyền thống khác không nổi bật.

2.4 Hiệu suất tài chính

• Bất kể mô hình token được thiết kế như thế nào, một tokenomics lành mạnh cần đáp ứng các điều kiện cơ bản sau đây: 1) Nhu cầu của người dùng với mạng lưới phản ánh trên giá trị của đồng token, có nghĩa là token có thể giữ giá trị; 2) Tất cả các bên tham gia, bao gồm nhà phát triển, nút và người dùng đều cần được khuyến khích công bằng lâu dài; 3) Đảm bảo quản trị phi tập trung, tránh người trong nội bộ nắm giữ quá nhiều; 4) Cơ chế lạm phát và thu hẹp hợp lý và chu kỳ phát hành token, tránh ảnh hưởng đến tính ổn định và bền vững của mạng do biến động giá lớn.
• Nếu chia mô hình token một cách tổng quát thành BME (cân bằng đốt và đúc) và SFA (gắn cọc để truy cập), thì áp lực thu hẹp token của hai mô hình này có nguồn gốc khác nhau: Mô hình BME sẽ đốt token sau khi người dùng mua dịch vụ, vì vậy áp lực thu hẹp của hệ thống phụ thuộc vào nhu cầu. Trong khi đó, SFA yêu cầu nhà cung cấp dịch vụ / nút thế chấp token để có được tư cách cung cấp dịch vụ, do đó áp lực thu hẹp là do nguồn cung mang lại. Lợi ích của BME là phù hợp hơn với các mặt hàng không chuẩn. Nhưng nếu nhu cầu mạng không đủ, có thể đối mặt với áp lực lạm phát liên tục. Mô hình token của từng dự án có sự khác biệt về chi tiết, nhưng nhìn chung, Aethir có hướng hơn về SFA, trong khi io.net, Render Network và Akash Network có hướng hơn về BME, Gensyn vẫn chưa rõ.
• Về thu nhập, nhu cầu của mạng sẽ phản ánh trực tiếp vào tổng thu nhập của mạng (không bàn về thu nhập của người khai thác vì ngoài phần thưởng nhận được từ việc hoàn thành nhiệm vụ, người khai thác còn có được sự hỗ trợ từ dự án). Theo dữ liệu công khai, giá trị của io.net là cao nhất. Mặc dù thu nhập của Aethir chưa được công bố, nhưng từ thông tin công khai, họ đã thông báo đã ký hợp đồng với nhiều khách hàng B.
• Về giá tiền, hiện chỉ có Render Network và Akash Network thực hiện ICO. Aethir và io.net cũng sẽ phát hành trong thời gian gần đây, hiệu suất giá cần được quan sát thêm, không đưa ra quá nhiều thảo luận ở đây. Kế hoạch của Gensyn vẫn chưa rõ. Tổng quan từ hai dự án phát hành tiền và các dự án đã phát hành trong cùng một lĩnh vực nhưng không được đề cập trong bài viết này, ** tổng quan, mạng tính toán phi tập trung đều có hiệu suất giá rất ấn tượng, một mức độ phản ánh tiềm năng thị trường lớn và kỳ vọng cao từ cộng đồng **.

2.5 Tổng kết

• Khả năng tính toán mạng lưới phi tập trung đã phát triển nhanh chóng và đã có nhiều dự án có thể dựa vào dịch vụ sản phẩm để phục vụ khách hàng và tạo ra một số thu nhập nhất định. Sân đua đã thoát khỏi giai đoạn chỉ là diễn biến câu chuyện mà đã đi vào giai đoạn phát triển có thể cung cấp dịch vụ ban đầu.
• Sự yếu đuối về nhu cầu là một vấn đề chung mà mạng lực lượng tính toán phi tập trung đang đối mặt, nhu cầu của khách hàng trong thời gian dài chưa được xác minh và khai thác tốt. Tuy nhiên, bên nhu cầu không ảnh hưởng quá nhiều đến giá tiền, một số dự án đã phát hành tiền đã có hiệu suất ấn tượng.
• AI là câu chuyện chính của mạng lưới khả năng tính toán phi tập trung, nhưng không phải là hoạt động duy nhất. Ngoài việc áp dụng cho đào tạo và suy luận trí tuệ nhân tạo, khả năng tính toán còn có thể được sử dụng cho dịch vụ trò chơi đám mây hiện trực tiếp, dịch vụ điện thoại di động đám mây và nhiều hơn nữa.
• Mức độ không đồng nhất về phần cứng của mạng lực tính cao, chất lượng và quy mô của mạng lực tính cần được nâng cao thêm.
• Đối với người dùng phía C, ưu điểm về chi phí không thực sự rõ ràng. Trong khi đối với người dùng phía B, ngoài việc tiết kiệm chi phí, họ cũng cần xem xét đến mặt ổn định, đáng tin cậy, hỗ trợ kỹ thuật, sự tuân thủ và hỗ trợ pháp luật, v.v., trong khi dự án Web3 nói chung không làm tốt trong những mặt này.

3 Kết luận

Sự gia tăng đột phá của trí tuệ nhân tạo đã tạo ra nhu cầu khổng lồ về khả năng tính toán, không thể phủ nhận được. Từ năm 2012 đến nay, khả năng tính toán được sử dụng trong các nhiệm vụ đào tạo trí tuệ nhân tạo đã tăng lên theo cấp số nhân, với tốc độ hiện tại là mỗi 3,5 tháng tăng gấp đôi (trong khi đó, định luật Moore là mỗi 18 tháng tăng gấp đôi). Từ năm 2012 đến nay, nhu cầu về khả năng tính toán tăng lên hơn 300.000 lần, vượt xa sự tăng lên 12 lần của định luật Moore. Theo dự báo, thị trường GPU dự kiến sẽ tăng trưởng với tỷ lệ tăng trưởng hàng năm là 32% trong năm 5 năm tới, lên đến hơn 200 tỷ đô la Mỹ. AMD ước tính cao hơn, cho rằng thị trường vi mạch GPU sẽ đạt 4000 tỷ đô la Mỹ vào năm 2027.

Nguồn ảnh:

Bởi vì sự bùng nổ tăng lên về trí tuệ nhân tạo và các khối lượng công việc tính toán mật độ cao khác (như việc tạo hình ảnh AR/VR), đã phơi bày vấn đề không hiệu quả cấu trúc trong thị trường tính toán truyền thống và hàng đầu. Lý thuyết, mạng lực lượng tính toán phi tập trung có thể cung cấp các giải pháp linh hoạt, chi phí thấp và hiệu quả hơn bằng cách sử dụng tài nguyên tính toán phân tán không hoạt động, từ đó đáp ứng nhu cầu lớn của thị trường về tài nguyên tính toán. Do đó, sự kết hợp giữa tiền điện tử và trí tuệ nhân tạo có tiềm năng thị trường lớn, nhưng đồng thời đối mặt với sự cạnh tranh gay gắt từ các doanh nghiệp truyền thống, rào cản vào cửa cao và môi trường thị trường phức tạp. Nói chung, xét về tất cả các hạng mục tiền điện tử, mạng lực lượng tính toán phi tập trung là một trong những lĩnh vực dọc có triển vọng nhất để thu được nhu cầu thực sự trong lĩnh vực tiền điện tử.

Nguồn ảnh:

Tương lai sáng sủa, con đường gập ghềnh. Để đạt được tầm nhìn trên, chúng ta còn phải giải quyết nhiều vấn đề và thách thức, tổng kết lại: **Trong giai đoạn hiện tại, nếu chỉ cung cấp dịch vụ đám mây truyền thống, biên lợi nhuận của dự án rất nhỏ. Phân tích từ phía nhu cầu, các doanh nghiệp lớn thường xây dựng sức mạnh tính toán của chính mình, hầu hết các nhà phát triển C đầu cuối sẽ chọn dịch vụ đám mây, việc các doanh nghiệp vừa và nhỏ thực sự sử dụng các nguồn tài nguyên mạng tính toán phi tập trung còn cần phải khai thác và xác minh nhu cầu ổn định. Một mặt khác, trí tuệ nhân tạo là một thị trường rộng lớn với tiềm năng và không gian tưởng tượng rất cao, để mở rộng thị trường, nhà cung cấp dịch vụ tính toán phi tập trung trong tương lai cũng cần chuyển đổi sang mô hình / dịch vụ trí tuệ nhân tạo, khám phá nhiều hơn về các tình huống sử dụng crypto + AI, mở rộng giá trị mà dự án có thể tạo ra. Nhưng hiện tại, để phát triển hơn nữa trong lĩnh vực trí tuệ nhân tạo vẫn còn nhiều vấn đề và thách thức: **

• Ưu điểm giá không nổi bật: So sánh dữ liệu trước đó, ta có thể thấy rằng ưu điểm về chi phí của mạng lực lượng tính toán phi tập trung không được thể hiện. Lý do có thể là do các vi mạch chuyên nghiệp có nhu cầu lớn như H 100, A 100 v.v., cơ chế thị trường quyết định giá cả phần cứng này sẽ không rẻ. Bên cạnh đó, mặc dù mạng phi tập trung có thể thu thập được tài nguyên lực lượng tính toán không sử dụng, nhưng những chi phí ẩn như thiếu hiệu quả kinh tế quy mô, chi phí mạng và băng thông cao, cũng như sự phức tạp trong quản lý và vận hành sẽ làm tăng chi phí lực lượng tính toán.
• Đặc thù của việc đào tạo trí tuệ nhân tạo：Sử dụng cách thức phi tập trung để tiến hành việc đào tạo trí tuệ nhân tạo hiện đang gặp phải rất nhiều rào cản về công nghệ. Rào cản này có thể thấy rõ trong quy trình làm việc của GPU, trong quá trình huấn luyện mô hình ngôn ngữ lớn, GPU trước tiên nhận các lô dữ liệu đã qua xử lý, thực hiện tính toán lan truyền tiến và lan truyền ngược để tạo ra độ dốc. Tiếp theo, mỗi GPU sẽ tổng hợp độ dốc và cập nhật các tham số mô hình, đảm bảo tất cả các GPU đồng bộ. Quá trình này sẽ lặp đi lặp lại liên tục cho đến khi hoàn thành huấn luyện tất cả các lô dữ liệu hoặc đạt số vòng lặp đã định sẵn. Quá trình này liên quan đến việc truyền và đồng bộ hóa dữ liệu lớn. Hiện tại, vấn đề về việc sử dụng chiến lược song song và đồng bộ hóa như thế nào, cách tối ưu băng thông mạng và trễ, giảm chi phí truyền thông vv.. vẫn chưa có câu trả lời tốt. Hiện tại, việc sử dụng mạng lực tính toán phi tập trung để đào tạo trí tuệ nhân tạo vẫn chưa thực tế.
• An toàn dữ liệu và quyền riêng tư: Trong quá trình huấn luyện mô hình ngôn ngữ lớn, các yếu tố liên quan đến xử lý và truyền dữ liệu như phân bổ dữ liệu, huấn luyện mô hình, tổng hợp tham số và gradient có thể ảnh hưởng đến an toàn và quyền riêng tư của dữ liệu. Và với tiền tệ riêng tư, quyền riêng tư của mô hình càng trở nên quan trọng hơn. Nếu không thể giải quyết vấn đề bảo mật dữ liệu, thì không thể thực sự mở rộng ở phía người dùng.

Từ một góc độ cực kỳ thực tế, một mạng lưới khả năng tính toán phi tập trung cần phải đồng thời cân nhắc đến khám phá nhu cầu hiện tại và không gian thị trường trong tương lai. Định vị sản phẩm và đối tượng khách hàng mục tiêu, ví dụ như đầu tiên nhắm vào các dự án không phải AI hoặc Web3 nguyên sinh, bắt đầu từ nhu cầu tương đối biên cạnh, xây dựng cơ sở người dùng sớm. Đồng thời, không ngừng khám phá các tình huống kết hợp AI và tiền điện tử, khám phá tận cùng công nghệ, thực hiện sự chuyển đổi và nâng cấp dịch vụ.

Tài liệu tham khảo

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