Born on the Edge: 分散型コンピューティング パワー ネットワークはどのようにして暗号通貨と AI に力を与えますか?
原作者：ジェーン・ドウ、チェン・リー
出典：ようびキャピタル
1 AIと暗号の交差点
5月23日、半導体大手エヌビディアは2025会計年度の第1四半期財務報告書を発表した。財務報告書によると、Nvidia の第 1 四半期の収益は 260 億米ドルでした。そのうち、データセンターの収益は前年比427%増加し、なんと226億米ドルに達しました。米国株式市場を独力で救う Nvidia の能力の背後にある財務実績は、AI 分野で競争するための世界的なテクノロジー企業からのコンピューティング パワーに対する爆発的な需要を反映しています。トップクラスのテクノロジー企業が増えれば増えるほど、AI 分野での野心も大きくなり、それに応じて、これらの企業のコンピューティング能力に対する需要も急激に増加しています。 TrendForce の予測によると、米国の主要クラウド サービス プロバイダー 4 社 (Microsoft、Google、AWS、Meta) からのハイエンド AI サーバーの需要は、それぞれ世界需要の 20.2%、16.6%、16%、10.8% を占めると予想されています。 2024 年、合計 60% 以上。
画像ソース: https://investor.nvidia.com/financial-info/financial-reports/default.aspx
近年、「チップ不足」が今年のホットワードになっています。一方で、大規模言語モデル (LLM) のトレーニングと推論には大量の計算能力が必要であり、モデルの反復に伴ってコストと計算能力の需要が指数関数的に増加します。その一方で、メタのような大企業が大量のチップを購入することになり、世界のコンピューティングリソースがこれらのテクノロジー巨人に偏り、中小企業が必要なコンピューティングリソースを入手することがますます困難になっています。中小企業が直面している困難は、需要の急増によるチップ供給の不足だけでなく、供給の構造的な矛盾からも生じています。現在、供給側にはまだ多数のアイドル状態の GPU が存在します。たとえば、一部のデータセンターでは、使用率がわずか 12% ～ 18% であるためです。利益の減少に伴って、大量の人的資源も余ってしまいます。これらのコンピューティング能力のすべてが AI トレーニングなどのプロフェッショナルなアプリケーション シナリオに適しているわけではありませんが、コンシューマー グレードのハードウェアは、AI 推論、クラウド ゲーム レンダリング、クラウド携帯電話などの他の分野でも依然として大きな役割を果たすことができます。このコンピューティング リソースを統合して利用する機会は膨大です。
AI から仮想通貨に目を向けると、仮想通貨市場における 3 年間の沈黙を経て、ついにビットコインの価格は何度も最高値を更新し、さまざまなミームコインが際限なく出現しました。 AI と暗号化はここ数年で人気のバズワードになりましたが、人工知能とブロックチェーンは 2 つの重要なテクノロジーとして、2 本の平行線のようなものであり、まだ「交差点」を見つけていません。今年の初めに、Vitalik は「暗号通貨 + AI アプリケーションの約束と課題」というタイトルの記事を公開し、AI と暗号通貨を組み合わせる将来のシナリオについて議論しました。 Vitalik氏は記事の中で、ブロックチェーンやMPCなどの暗号化技術を使用してAIのトレーニングと推論を分散化し、機械学習のブラックボックスをオープンにし、AIモデルをよりトラストレスにするなど、多くのアイデアについて言及しました。これらのビジョンを実現するには、まだ長い道のりがあります。しかし、Vitalik 氏が言及したユースケースの 1 つである暗号通貨の経済的インセンティブを利用して AI を強化することも、短期間で実現できる重要な方向性です。分散型コンピューティング パワー ネットワークは、現段階で AI + 暗号通貨に最も適したシナリオの 1 つです。
2 分散型コンピューティング電力ネットワーク
現在、すでに多くのプロジェクトが分散型コンピューティングパワーネットワークの軌道に沿って開発されています。これらのプロジェクトの基礎となるロジックは類似しており、次のように要約できます。トークンを使用して、コンピューティング能力保有者がネットワークに参加してコンピューティング能力サービスを提供することを奨励することで、これらの分散したコンピューティング能力リソースを、特定の分散型コンピューティング能力ネットワークに集めることができます。規模。これにより、アイドル状態のコンピューティング能力の利用率が向上するだけでなく、顧客のコンピューティング能力のニーズを低コストで満たすことができ、買い手と売り手の双方に有利な状況を実現できます。
このトラックの全体像を短期間で理解できるように、この記事では特定のプロジェクトとトラック全体をミクロとマクロの 2 つの視点から分解し、核心を理解するための分析的な視点を読者に提供することを目的としています。各プロジェクトの競争上の優位性と分散型コンピューティングパワートラックの全体的な発展。著者は、 Aethir、io.net、Render Network、Akash Network、Gensyn の5 つのプロジェクトを紹介および分析し、プロジェクトの状況を要約および評価し、開発を追跡します。
分析フレームワークから、特定の分散型コンピューティング パワー ネットワークに焦点を当てると、それを 4 つのコア コンポーネントに分解できます。
ハードウェアネットワーク：分散したコンピューティングリソースを統合し、世界中に分散したノードを通じてコンピューティングリソースの共有と負荷分散を実現します。分散型コンピューティングネットワークの基本層です。
二国間市場: 合理的な価格設定メカニズムと検出メカニズムを通じてコンピューティングパワープロバイダーと需要者をマッチングし、安全な取引プラットフォームを提供し、供給当事者と需要当事者間の取引が透明性、公正かつ信頼できるものであることを保証します。
コンセンサスメカニズム: ネットワーク内のノードが正しく動作し、作業を完了することを保証するために使用されます。コンセンサスメカニズムは主に 2 つのレベルを監視するために使用されます。1) ノードがオンラインで実行されており、いつでもタスクを受け入れることができるアクティブな状態であるかどうかを監視します。2) ノードの作業の証明: タスクを受信した後、ノードがタスクを完了しました。効果的かつ正確に実行され、プロセスとスレッドが他の目的で占有されることはありませんでした。
トークン インセンティブ: トークン モデルは、より多くの参加者にサービスの提供/使用を奨励するために使用され、トークンを使用してこのネットワーク効果を獲得し、コミュニティの収益分配を実現します。
分散型コンピューティングパワートラック全体を俯瞰すると、Blockworks Research の調査レポートは優れた分析フレームワークを提供します。このトラックのプロジェクトの位置を 3 つの異なるレイヤーに分けることができます。
ベア メタル レイヤー: 分散コンピューティング スタックの基本レイヤーを構成します。その主なタスクは、生のコンピューティング リソースを収集し、API 呼び出しで使用できるようにすることです。
オーケストレーション層: 分散コンピューティング スタックを構成する中間層。その主なタスクは調整と抽象化であり、コンピューティング能力のスケジューリング、拡張、操作、負荷分散、フォールト トレランスを担当します。その主な機能は、基盤となるハードウェア管理の複雑さを「抽象化」し、より高度なユーザー インターフェイスをエンド ユーザーに提供し、特定の顧客グループにサービスを提供することです。
アグリゲーション レイヤー: 分散コンピューティング スタックの最上位レイヤーを構成し、ユーザーが AI トレーニング、レンダリング、zkML などの複数のコンピューティング タスクを 1 か所で実装できるようにする統合インターフェイスを提供します。 。複数の分散コンピューティング サービスのオーケストレーションおよび配布層に相当します。
画像出典：ようびキャピタル
上記2つの分析フレームワークに基づき、選定した5プロジェクトを水平比較し、コア事業、市場でのポジショニング、ハードウェア設備、財務実績の4つのレベルで評価します。
2.1 コア事業
基礎となるロジックから、分散型コンピューティング能力ネットワークは非常に均質です。つまり、トークンは、アイドル状態のコンピューティング能力保有者にコンピューティング能力サービスの提供を奨励するために使用されます。この基礎となるロジックに注目すると、次の 3 つの違いからプロジェクトの中核となるビジネスの違いを理解できます。
アイドル状態のコンピューティング能力の源:
市場にはアイドル状態のコンピューティング能力の主な供給源が 2 つあります。1) データセンター、マイナー、その他の企業が所有するアイドル状態のコンピューティング能力、2) 個人投資家が所有するアイドル状態のコンピューティング能力。データセンターのコンピューティング能力は通常、プロフェッショナルグレードのハードウェアですが、個人投資家は通常、消費者グレードのチップを購入します。
Aethir、Akash Network、Gensyn は主に企業からコンピューティング能力を収集しています。企業からコンピューティング能力を集める利点は次のとおりです。1) 企業とデータ センターには通常、高品質のハードウェアと専門のメンテナンス チームがあり、コンピューティング リソースのパフォーマンスと信頼性が高くなります。2) 企業とデータ センターは、より高いコンピューティング能力リソースを保有する傾向があります。均質化、集中管理と監視により、リソースのスケジュール設定とメンテナンスがより効率的になります。しかし、それに応じて、この方法はプロジェクト側の要件が高く、プロジェクト側がコンピューティング能力を管理する企業とビジネス上のつながりを持っている必要があります。同時に、スケーラビリティと分散化はある程度影響を受けます。
Render Network と io.net は主に、個人投資家がアイドル状態のコンピューティング能力を提供することを奨励しています。個人投資家からコンピューティング能力を集める利点は次のとおりです。1) 個人投資家のアイドル状態のコンピューティング能力の明示的なコストが低くなり、より経済的なコンピューティング リソースを提供できます。2) ネットワークがよりスケーラブルで分散化され、システムの柔軟性が向上します。堅牢性。欠点は、小売リソースが広範囲に分散しており、一貫性がないため、管理とスケジュールが複雑になり、運用と保守がより困難になることです。そして、初期のネットワーク効果を形成するために個人投資家のコンピューティング能力に依存することはより困難になります（キックスタートがより困難になります）。最後に、個人投資家のデバイスにはより多くのセキュリティ リスクがあり、データ漏洩やコンピューティング能力の悪用のリスクをもたらす可能性があります。
コンピューティング電力消費者
コンピューティングパワーの消費者の観点から見ると、Aethir、io.net、Gensyn の対象顧客は主に企業です。 B サイドの顧客にとって、AI とゲームのリアルタイム レンダリングには高性能コンピューティング要件が必要です。このようなワークロードはコンピューティング リソースに非常に負荷がかかり、多くの場合、ハイエンドの GPU またはプロフェッショナル グレードのハードウェアが必要になります。さらに、B サイドの顧客はコンピューティング リソースの安定性と信頼性に対して高い要件を持っているため、プロジェクトの正常な運用を保証し、タイムリーな技術サポートを提供するために高品質のサービス レベル アグリーメントを提供する必要があります。同時に、プロジェクト当事者が迅速に展開できる成熟した SDK が分散ネットワークにない場合、B サイドの顧客の移行コストは非常に高くなります (たとえば、Akash ネットワークではユーザーがリモート ポートに基づいて開発する必要があります)。 、顧客が移行するのは困難になります。大幅な価格上の利点がなければ、顧客の移行意欲は非常に低かったでしょう。
Render Network と Akash Network は主に個人投資家にコンピューティング パワー サービスを提供します。 C エンド ユーザーにサービスを提供するには、プロジェクトは、消費者に優れた消費エクスペリエンスを提供する、シンプルで使いやすいインターフェイスとツールを設計する必要があります。また、消費者は価格に敏感なので、プロジェクトは競争力のある価格を提供する必要があります。
ハードウェアの種類
一般的なコンピューティング ハードウェア リソースには、CPU、FPGA、GPU、ASIC、SoC などが含まれます。これらのハードウェアは、設計目標、パフォーマンス特性、アプリケーション分野において大きく異なります。要約すると、CPU は一般的なコンピューティング タスクに優れており、FPGA の利点は高い並列処理とプログラマビリティにあり、GPU は並列コンピューティングで優れたパフォーマンスを発揮し、ASIC は特定のタスクで最も効率的であり、SoC は複数の機能を 1 つに統合し、高度な統合に適しています。アプリケーション。ハードウェアの選択は、特定のアプリケーションのニーズ、パフォーマンス要件、およびコストの考慮事項によって異なります。私たちが議論する分散型コンピューティング能力プロジェクトのほとんどは、プロジェクトのビジネス タイプと GPU の特性によって決定される GPU コンピューティング能力を収集します。 GPU には AI トレーニング、並列コンピューティング、マルチメディア レンダリングなどにおいて独自の利点があるためです。
これらのプロジェクトのほとんどには GPU 統合が含まれていますが、アプリケーションごとにハードウェア仕様の要件が異なるため、これらのハードウェアには異種の最適化コアとパラメータがあります。これらのパラメータには、並列処理/シリアル依存関係、メモリ、待ち時間などが含まれます。たとえば、レンダリングにはレイ トレーシングなどに対する高い要件があるため、実際には、レンダリング ワークロードは、より強力なパフォーマンスを備えたデータセンター GPU よりもコンシューマ グレードの GPU に適しています。4090 などのコンシューマ グレードのチップには、レイ トレーシング タスク専用に強化された RT コアが搭載されています。計算の最適化を行いました。 AI のトレーニングと推論には、プロフェッショナル レベルの GPU が必要です。したがって、Render Network は個人投資家から RTX 3090 や 4090 などのコンシューマー グレードの GPU を集めることができますが、IO.NET は AI スタートアップのニーズを満たすために H 100 や A 100 などのよりプロフェッショナル グレードの GPU を必要としています。
2.2 市場での位置づけ
プロジェクトの位置付けに関しては、ベア メタル レイヤー、オーケストレーション レイヤー、アグリゲーション レイヤーには、解決すべき異なる中核的な問題、最適化の焦点、および価値の獲得機能があります。
ベアメタル層は物理リソースの収集と利用に重点を置き、オーケストレーション層はスケジューリングとコンピューティング能力の最適化に重点を置き、顧客グループのニーズに応じて物理ハードウェアを最適に設計します。集約層は汎用であり、さまざまなリソースの統合と抽象化に重点を置いています。バリューチェーンの観点から見ると、各プロジェクトはベアメタルレベルから始めて、段階的にステップアップしていく必要があります。
価値の獲得の観点から見ると、ベアメタル層、オーケストレーション層、アグリゲーション層に至るまで、価値を獲得する能力は層ごとに増加します。アグリゲーション層は、最大のネットワーク効果を獲得し、ほとんどのユーザーに直接到達できるため、分散型ネットワークのトラフィックの入り口に相当し、コンピューティング リソース管理スタック全体で最高の価値を占めるため、最大の価値を獲得できます。捕獲位置。
同様に、アグリゲーション プラットフォームの構築は、技術的な複雑さ、異種リソースの管理、システムの信頼性と拡張性、ネットワーク効果の実現、セキュリティとプライバシーの保護、複雑な運用と保守管理などを包括的に解決する必要があるのも最も困難です。その他の問題。これらの課題はプロジェクトのコールドスタートを助長するものではなく、トラックの開発とタイミングに依存します。オーケストレーション層が一定の市場シェアを獲得できるほど成熟していない場合、アグリゲーション層を構築するのは非現実的です。
現在、 Aethir、Render Network、Akash Network、Gensyn はすべてオーケストレーション層に属しており、特定の目標と顧客グループに対応するように設計されています。 Aethir の現在の主なビジネスは、クラウド ゲームのリアルタイム レンダリングと、B サイドの顧客向けの特定の開発環境および展開環境およびツールの提供です。Render Network の主なビジネスはビデオ レンダリングであり、Akash Network の使命は、淘宝網プラットフォームと同様のトランザクションを提供することです。 Gensyn は AI トレーニングの分野に深く関わっています。 io.netはアグリゲーション層として位置づけられていますが、ioが実装する機能はまだアグリゲーション層の完全な機能には程遠い状態です。レンダーネットワークやファイルコインのハードウェアは揃っていますが、ハードウェアリソースの抽象化と統合はまだできていません。まだ完成したまま。
2.3 ハードウェア設備
現時点では、すべてのプロジェクトが詳細なネットワーク データを公開しているわけではありません。比較的に、GPU/CPU の量、タイプ、価格、ネットワーク使用量、およびノード収入を確認できるのは io.net エクスプローラーの UI です。パラメータ用。しかし、4 月末に io.net のフロントエンドが攻撃され、io は PUT/POST インターフェイスで認証を実行しなかったため、ハッカーによってフロントエンドのデータが改ざんされました。これは、他のプロジェクトのプライバシーとネットワーク データの信頼性にも警鐘を鳴らしました。
GPU の数とモデルの点では、アグリゲーション レイヤーとして io.net に収集されるハードウェアの量が最も多くなるはずです。 Aethir もそれほど遅れをとっておらず、他のプロジェクトのハードウェア状況はあまり透明ではありません。 GPU モデルからもわかるように、io には A 100 などのプロフェッショナル グレードの GPU と 4090 などのコンシューマー グレードの GPU があり、io.net アグリゲーションの位置付けと一致する多くの種類があります。 io は、特定のタスク要件に基づいて最適な GPU を選択できます。ただし、GPU のモデルやブランドが異なれば、必要なドライバーや構成も異なる場合があり、ソフトウェアにも複雑な最適化が必要となるため、管理とメンテナンスの複雑さが増します。現時点では、さまざまな IO タスクの割り当ては主にユーザーの独立した選択に依存しています。
Aethir は独自のマイニング マシンをリリースしており、5 月には Qualcomm の支援を受けて開発された Aethir Edge が正式にリリースされました。これにより、ユーザーから遠く離れた単一の集中型 GPU クラスター展開方法が廃止され、コンピューティング能力がエッジに展開されます。 Aethir Edge は、H 100 のクラスター コンピューティング能力を組み合わせて AI シナリオを共同で処理し、最適なコストでユーザーに推論コンピューティング サービスを提供できます。このソリューションはユーザーに近く、より迅速なサービスを提供し、コスト効率が高くなります。
需要と供給の観点から、Akash Network を例にとると、その統計によると、CPU の総数は約 16,000 個、GPU の数は 378 個です。ネットワーク リース要件によると、CPU と GPU の使用率は 11.1 です。それぞれ % と 19.3% です。このうち、プロフェッショナル グレードの GPU H 100 だけが比較的レンタル率が高く、他のモデルのほとんどはアイドル状態です。他のネットワークが直面する状況は一般的に Akash と同じです。A 100 や H 100 などの人気のあるチップを除いて、ネットワークに対する全体的な需要は高くありません。
価格優位性の観点から見ると、クラウド コンピューティング市場の巨人を除く他の従来型サービス プロバイダーと比較すると、コスト優位性は際立ったものではありません。
2.4 財務実績
トークン モデルがどのように設計されているかに関係なく、健全なトークンノミクスは次の基本条件を満たす必要があります。 1) ネットワークに対するユーザーの需要が通貨価格に反映される必要があります。これは、トークンが価値を獲得できることを意味します。 、開発者、ノード、およびユーザーはすべて、長期的で公平なインセンティブを必要としています。 3) インサイダーによる過剰な保有を回避するための分散型ガバナンスを確保します。 4) 大規模な通貨価格の変動が安定性に影響を与えるのを避けるため、合理的なインフレとデフレのメカニズムとトークンのリリースサイクルを確保します。そしてネットワークの持続可能性。
トークンモデルが BME (バーンアンドミント均衡) と SFA (アクセスのためのステーク) に大別される場合、これら 2 つのモデルにおけるトークンデフレ圧力の原因は異なります。BME モデルはユーザーがサービスを購入した後にトークンをバーンするため、システムはデフレ圧力は需要によって決まります。 SFA では、サービスプロバイダー/ノードがサービスを提供する資格を取得するためにトークンを誓約する必要があるため、供給によってデフレ圧力が引き起こされます。 BME の利点は、非標準化商品により適していることです。しかし、ネットワークの需要が不十分であれば、継続的なインフレ圧力に直面する可能性がある。各プロジェクトのトークン モデルは細部で異なりますが、一般的に、 Aethir は SFA に偏り、io.net、Render Network、Akash Network は BME に偏っており、Gensyn はまだ知られていません。
収入の観点から見ると、ネットワークの需要はネットワーク全体の収入に直接反映されます (マイナーの収入についてはここでは説明しません。タスクの完了に対する報酬に加えて、マイナーはプロジェクトから補助金も受け取るためです)。 ) 公開データからは、io .net が最も高い値を示します。 Aethirの収益はまだ発表されていないが、公開情報から判断すると、多くのBサイド顧客と注文を締結したと発表している。
通貨価格に関しては、現在、Render Network と Akash Network のみが ICO を実施しています。 Aethir と io.net も近い将来コインを発行しますが、価格パフォーマンスについてはさらに観察する必要があるため、ここではあまり説明しません。ゲンシンの計画は不透明だ。コインを発行した 2 つのプロジェクトと、同じトラックでコインを発行したがこの記事の範囲には含まれていないプロジェクトから判断すると、一般に、分散型コンピューティング パワー ネットワークは非常に目を引く価格パフォーマンスを持っています。ある程度の巨大な市場潜在力とコミュニティからの高い期待。
2.5 概要
分散型コンピューティング パワー ネットワーク路線は一般的に急速に発展しており、製品に依存して顧客にサービスを提供し、一定の収入を生み出すことができるプロジェクトがすでに多くあります。このトラックは純粋な物語から離れ、予備サービスを提供できる開発段階に入りました。
需要の低迷は、分散型コンピューティング ネットワークが直面する一般的な問題ですが、長期的な顧客のニーズは十分に検証され、発掘されていません。ただし、需要側は通貨価格にあまり影響を与えておらず、コインを発行したいくつかのプロジェクトは好調に推移しています。
AI は分散型コンピューティング ネットワークの主要な物語ですが、それだけがビジネスではありません。コンピューティング能力は、AI のトレーニングと推論に使用されるだけでなく、クラウド ゲーム、クラウド モバイル サービスなどのリアルタイム レンダリングにも使用できます。
コンピューティング パワー ネットワークには高度なハードウェアの異質性があり、コンピューティング パワー ネットワークの品質と規模をさらに改善する必要があります。
C エンド ユーザーにとって、コスト上の利点はあまり明らかではありません。 B サイド ユーザーにとっては、コスト削減に加えて、サービスの安定性、信頼性、技術サポート、コンプライアンス、法的サポートなども考慮する必要があります。Web3 プロジェクトは通常、これらの側面でうまくいきません。
3 最後に
AI の爆発的な成長により、コンピューティング能力に対する膨大な需要が生じていることは疑いの余地がありません。 AI トレーニング タスクに使用されるコンピューティング能力は 2012 年以来急激に増加しており、現在は 3.5 か月ごとに 2 倍になっています (18 か月ごとに 2 倍になるというムーアの法則と比較して)。 2012 年以来、人々のコンピューティング能力に対する需要は 30 万倍以上に増加しており、ムーアの法則の 12 倍をはるかに上回っています。 GPU 市場は、今後 5 年間で年平均成長率 32% で成長し、2,000 億米ドルを超えると予測されています。 AMDの予測はさらに高く、同社はGPUチップ市場が2027年までに4000億ドルに達すると予測している。
画像出典：https://www.stateof.ai/
それは、人工知能やその他のコンピューティング集約型ワークロード (AR/VR レンダリングなど) の爆発的な増加により、従来のクラウド コンピューティングや主要なコンピューティング市場の構造的な非効率性が露呈したためです。理論的には、分散型コンピューティング パワー ネットワークは、分散されたアイドル状態のコンピューティング リソースを利用することで、より柔軟で低コストで効率的なソリューションを提供し、それによってコンピューティング リソースに対する市場の膨大な需要を満たすことができます。したがって、暗号通貨とAIの組み合わせには巨大な市場の可能性がありますが、同時に従来の企業との熾烈な競争、高い参入障壁、複雑な市場環境にも直面しています。一般に、すべての暗号化トラックを見ると、分散型コンピューティング パワー ネットワークは、暗号化分野で実需要を獲得する最も有望な垂直分野の 1 つです。
画像出典：https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
未来は明るいですが、その道は曲がりくねっています。上記のビジョンを達成するには、まだ多くの問題と課題を解決する必要があります。要約すると、現段階で従来のクラウド サービスを提供するだけでは、プロジェクトの利益率は非常に小さくなります。需要側から分析すると、大企業は一般に独自のコンピューティング能力を構築しており、純粋な C サイドの開発者は主にクラウド サービスを選択します。分散型コンピューティング能力ネットワーク リソースを実際に使用する中小企業が安定した需要を持つかどうかは、さらなる調査と検証が必要です。 。一方で、AI は非常に天井が高く想像力の余地がある広大な市場であり、より広範な市場に参入するためには、分散型コンピューティング パワー サービス プロバイダーも将来的にはモデル/AI サービスに変革し、より多くの暗号通貨を探索する必要があります。 AI ソリューション: シナリオを使用して、プロジェクトが生み出す価値を拡大します。しかし、現時点では、AI 分野へのさらなる発展には依然として多くの問題と課題があります。
価格の優位性は顕著ではない: 以前のデータ比較から、分散型コンピューティング パワー ネットワークのコストの優位性が反映されていないことがわかります。考えられる理由は、需要の高い H 100 や A 100 などのプロフェッショナル向けチップの場合、ハードウェアのこの部分の価格が安くないと市場メカニズムが判断しているためです。さらに、分散型ネットワークはアイドル状態のコンピューティング リソースを収集できますが、分散化によってもたらされる規模の経済の欠如、ネットワークと帯域幅のコストの高さ、管理と運用保守の複雑さなどの隠れたコストがさらに増加します。
AI トレーニングの特殊性: 現段階で AI トレーニングに分散型手法を使用するには、大きな技術的なボトルネックがあります。このボトルネックは、GPU ワークフローから直感的に反映されます。大規模な言語モデルのトレーニングでは、GPU はまず前処理されたデータ バッチを受け取り、順伝播と逆伝播の計算を実行して勾配を生成します。次に、各 GPU が勾配を集計し、モデル パラメーターを更新して、すべての GPU が同期されていることを確認します。このプロセスは、トレーニングがすべてのバッチを完了するか、所定のエポック数に達するまで繰り返されます。このプロセスには大量のデータ転送と同期が含まれます。どのような並列処理と同期戦略を使用するか、ネットワーク帯域幅と遅延を最適化する方法、通信コストを削減する方法などの質問にはまだ十分に答えられていません。現段階では、分散型コンピューティング パワー ネットワークを使用して AI をトレーニングすることは現実的ではありません。
データのセキュリティとプライバシー: 大規模な言語モデルのトレーニング プロセス中、データ分散、モデルのトレーニング、パラメーターと勾配の集計など、データの処理と送信に関わるすべての側面がデータのセキュリティとプライバシーに影響を与える可能性があります。そして、データプライバシーコインモデルのプライバシーはより重要です。データプライバシーの問題を解決できない場合、需要側を実際に拡張することはできません。
最も現実的な観点から見ると、分散型コンピューティング パワー ネットワークでは、現在の需要の発見と将来の市場スペースの両方を考慮する必要があります。製品のポジショニングとターゲット顧客グループを特定します。たとえば、非 AI または Web3 ネイティブ プロジェクトを最初にターゲットにし、比較的限界のあるニーズから始めて、早期のユーザー ベースを確立します。同時に、私たちは AI と暗号通貨の組み合わせのさまざまなシナリオを模索し続け、技術フロンティアを探索し、サービスの変革とアップグレードを実現します。
参考文献
https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
