เกิดบน Edge: เครือข่ายพลังการประมวลผลแบบกระจายอำนาจเสริมพลังให้กับ Crypto และ AI ได้อย่างไร
ผู้เขียนต้นฉบับ: Jane Doe, Chen Li
ที่มา: Youbi Capital
1 จุดตัดของ AI และ Crypto
เมื่อวันที่ 23 พฤษภาคม บริษัทชิปยักษ์ใหญ่อย่าง Nvidia เปิดเผยรายงานทางการเงินประจำไตรมาสแรกของปีงบประมาณ 2025 รายงานทางการเงินแสดงให้เห็นว่ารายรับไตรมาสแรกของ Nvidia อยู่ที่ 26 พันล้านดอลลาร์สหรัฐ ในจำนวนนี้ รายรับของศูนย์ข้อมูลเพิ่มขึ้น 427% เมื่อเทียบกับปีที่แล้ว แตะที่ 22.6 พันล้านดอลลาร์สหรัฐอย่างน่าอัศจรรย์ ประสิทธิภาพทางการเงินที่อยู่เบื้องหลังความสามารถของ Nvidia ในการปกป้องตลาดหุ้นสหรัฐฯ เพียงอย่างเดียว สะท้อนให้เห็นถึงความต้องการพลังการประมวลผลที่เพิ่มขึ้นอย่างรวดเร็วจากบริษัทเทคโนโลยีระดับโลกเพื่อแข่งขันในเส้นทาง AI ยิ่งมีบริษัทเทคโนโลยีชั้นนำมากเท่าใด ความทะเยอทะยานในการติดตาม AI ก็มากขึ้นตามไปด้วย ความต้องการพลังการประมวลผลของบริษัทเหล่านี้ก็เพิ่มขึ้นอย่างทวีคูณเช่นกัน ตามการคาดการณ์ของ TrendForce ความต้องการเซิร์ฟเวอร์ AI ระดับไฮเอนด์จากผู้ให้บริการคลาวด์รายใหญ่สี่รายของสหรัฐอเมริกา ได้แก่ Microsoft, Google, AWS และ Meta คาดว่าจะคิดเป็น 20.2%, 16.6%, 16% และ 10.8% ของความต้องการทั่วโลกตามลำดับ 2567 รวมกว่า 60%
แหล่งที่มาของภาพ: https://investor.nvidia.com/financial-info/financial-reports/default.aspx
“ปัญหาการขาดแคลนชิป” กลายเป็นคำร้อนแรงแห่งปีในช่วงไม่กี่ปีที่ผ่านมา ในด้านหนึ่ง การฝึกอบรมและการอนุมานโมเดลภาษาขนาดใหญ่ (LLM) ต้องใช้พลังการประมวลผลจำนวนมาก และด้วยการวนซ้ำของโมเดล ต้นทุนและความต้องการพลังการประมวลผลจึงเพิ่มขึ้นอย่างมาก ในทางกลับกัน บริษัทขนาดใหญ่อย่าง Meta จะซื้อชิปจำนวนมาก และทรัพยากรการประมวลผลทั่วโลกก็หันไปหาบริษัทยักษ์ใหญ่ด้านเทคโนโลยีเหล่านี้ ทำให้ธุรกิจขนาดเล็กได้รับทรัพยากรการประมวลผลที่พวกเขาต้องการได้ยากขึ้น ความยากลำบากที่บริษัทขนาดเล็กต้องเผชิญไม่เพียงแต่มาจากอุปทานชิปไม่เพียงพอซึ่งเกิดจากความต้องการที่เพิ่มขึ้น แต่ยังมาจากความขัดแย้งทางโครงสร้างในอุปทานด้วย ปัจจุบันยังมี GPU ที่ไม่ได้ใช้งานจำนวนมากในด้านอุปทาน ตัวอย่างเช่น มีพลังการประมวลผลจำนวนมากในศูนย์ข้อมูลบางแห่ง (อัตราการใช้งานเพียง 12% – 18%) ในการขุด crypto การลดผลกำไรยังเหลือทรัพยากรมนุษย์จำนวนมากอีกด้วย แม้ว่าพลังการประมวลผลเหล่านี้อาจไม่เหมาะกับสถานการณ์การใช้งานระดับมืออาชีพ เช่น การฝึกอบรม AI แต่ฮาร์ดแวร์ระดับผู้บริโภคยังคงมีบทบาทอย่างมากในด้านอื่นๆ เช่น การอนุมาน AI การเรนเดอร์เกมบนคลาวด์ โทรศัพท์มือถือบนคลาวด์ เป็นต้น โอกาสในการบูรณาการและใช้ประโยชน์จากทรัพยากรคอมพิวเตอร์นี้มีมากมาย
เปลี่ยนความสนใจของเราจาก AI มาเป็น crypto หลังจากสามปีแห่งความเงียบงันในตลาด crypto ในที่สุดเราก็ได้นำไปสู่ตลาดกระทิงอีกครั้ง ราคาของ Bitcoin พุ่งแตะระดับสูงสุดใหม่ซ้ำแล้วซ้ำเล่า และมีมคอยน์ต่าง ๆ ก็ได้ปรากฏขึ้นอย่างไม่สิ้นสุด แม้ว่า AI และ Crypto จะกลายเป็นคำศัพท์ยอดนิยมในช่วงหลายปีที่ผ่านมา แต่ปัญญาประดิษฐ์และบล็อกเชนในฐานะที่เป็นเทคโนโลยีที่สำคัญสองอย่าง ก็เปรียบเสมือนเส้นขนานสองเส้นและยังไม่พบ "จุดตัด" เมื่อต้นปีนี้ Vitalik ตีพิมพ์บทความเรื่อง "คำมั่นสัญญาและความท้าทายของแอปพลิเคชัน crypto + AI" ซึ่งอภิปรายเกี่ยวกับสถานการณ์ในอนาคตของการรวม AI และ crypto Vitalik กล่าวถึงแนวคิดมากมายในบทความ รวมถึงการใช้เทคโนโลยีการเข้ารหัส เช่น บล็อกเชน และ MPC เพื่อกระจายการฝึกอบรมและการอนุมาน AI ซึ่งสามารถเปิดกล่องดำของการเรียนรู้ของเครื่อง ทำให้โมเดล AI น่าเชื่อถือมากขึ้น เป็นต้น ยังมีหนทางอีกยาวไกลก่อนที่นิมิตเหล่านี้จะเกิดขึ้นจริง แต่กรณีการใช้งานประการหนึ่งที่ Vitalik กล่าวถึง - การใช้แรงจูงใจทางเศรษฐกิจของ crypto เพื่อเสริมพลังให้กับ AI ก็เป็นทิศทางสำคัญที่สามารถรับรู้ได้ในเวลาอันสั้น เครือข่ายพลังการประมวลผลแบบกระจายอำนาจเป็นหนึ่งในสถานการณ์ที่เหมาะสมที่สุดสำหรับ AI + crypto ในขั้นตอนนี้
2 เครือข่ายพลังการประมวลผลแบบกระจายอำนาจ
ปัจจุบันมีหลายโครงการที่กำลังพัฒนาบนเครือข่ายพลังการประมวลผลแบบกระจายอำนาจ ตรรกะพื้นฐานของโครงการเหล่านี้คล้ายคลึงกันและสามารถสรุปได้ดังนี้: การใช้โทเค็นเพื่อส่งเสริมให้ผู้ถืออำนาจในการประมวลผลมีส่วนร่วมในเครือข่ายเพื่อให้บริการด้านพลังงานในการประมวลผล ทรัพยากรพลังงานในการประมวลผลที่กระจัดกระจายเหล่านี้สามารถรวบรวมไว้ในเครือข่ายพลังในการประมวลผลแบบกระจายอำนาจของบางพื้นที่ มาตราส่วน. ซึ่งไม่เพียงแต่สามารถปรับปรุงอัตราการใช้พลังการประมวลผลที่ไม่ได้ใช้งานเท่านั้น แต่ยังตอบสนองความต้องการพลังการประมวลผลของลูกค้าด้วยต้นทุนที่ต่ำลง บรรลุสถานการณ์ที่ได้ประโยชน์ทั้งสองฝ่ายสำหรับทั้งผู้ซื้อและผู้ขาย
เพื่อให้ผู้อ่านเข้าใจแทร็กนี้โดยรวมในระยะเวลาอันสั้น บทความนี้จะแยกโครงสร้างโปรเจ็กต์เฉพาะและแทร็กทั้งหมดจากสองมุมมอง: ไมโครและมาโคร โดยมีจุดมุ่งหมายเพื่อให้ผู้อ่านมีมุมมองเชิงวิเคราะห์เพื่อทำความเข้าใจแก่นกลาง ของแต่ละโครงการ ความได้เปรียบทางการแข่งขันและการพัฒนาโดยรวมของพลังการประมวลผลแบบกระจายอำนาจ ผู้เขียนจะแนะนำและวิเคราะห์ห้าโครงการ: Aethir, io.net, Render Network, Akash Network, Gensyn และสรุปและประเมินสถานะโครงการและติดตามการพัฒนา
จากกรอบการวิเคราะห์ หากเรามุ่งเน้นไปที่เครือข่ายพลังการประมวลผลแบบกระจายอำนาจที่เฉพาะเจาะจง เราสามารถแยกออกเป็นองค์ประกอบหลักสี่ส่วน:
เครือข่ายฮาร์ดแวร์ : ผสานรวมทรัพยากรการประมวลผลที่กระจัดกระจาย และบรรลุการแบ่งปันและการปรับสมดุลโหลดของทรัพยากรการประมวลผลผ่านโหนดที่กระจายอยู่ทั่วโลก เป็นเลเยอร์พื้นฐานของเครือข่ายการคำนวณแบบกระจายอำนาจ
ตลาดทวิภาคี : จับคู่ผู้ให้บริการพลังการประมวลผลกับความต้องการผ่านกลไกการกำหนดราคาที่สมเหตุสมผลและกลไกการค้นหา จัดเตรียมแพลตฟอร์มการซื้อขายที่ปลอดภัย และรับรองว่าธุรกรรมระหว่างฝ่ายอุปสงค์และอุปทานมีความโปร่งใส ยุติธรรม และน่าเชื่อถือ
กลไกฉันทามติ : ใช้เพื่อให้แน่ใจว่าโหนดภายในเครือข่ายทำงานอย่างถูกต้องและสมบูรณ์ กลไกฉันทามติส่วนใหญ่จะใช้ในการตรวจสอบสองระดับ: 1) การตรวจสอบว่าโหนดกำลังทำงานออนไลน์และอยู่ในสถานะใช้งานที่สามารถรับงานได้ตลอดเวลา 2) หลักฐานการทำงานของโหนด: หลังจากได้รับงานแล้วโหนดก็เสร็จสิ้นงาน ได้อย่างมีประสิทธิภาพและถูกต้อง และพลังการประมวลผลไม่ถูกบุกรุก กระบวนการและเธรดถูกครอบครองเพื่อวัตถุประสงค์อื่น
สิ่งจูงใจโทเค็น : โมเดลโทเค็นใช้เพื่อสนับสนุนให้ผู้เข้าร่วมมากขึ้นในการจัดหา/ใช้บริการ และใช้โทเค็นเพื่อจับภาพผลกระทบของเครือข่ายนี้และบรรลุการแบ่งปันรายได้ของชุมชน
หากคุณมองจากมุมสูงเกี่ยวกับเส้นทางการประมวลผลแบบกระจายอำนาจทั้งหมด รายงานการวิจัยของ Blockworks Research จะให้กรอบการวิเคราะห์ที่ดี เราสามารถแบ่งตำแหน่งโครงการของเส้นทางนี้ออกเป็นสามชั้นที่แตกต่างกัน
ชั้นโลหะเปลือย : ถือเป็นเลเยอร์พื้นฐานของสแต็กการประมวลผลแบบกระจายอำนาจ หน้าที่หลักคือการรวบรวมทรัพยากรการประมวลผลดิบและทำให้พร้อมใช้งานสำหรับการเรียก API
Orchestration Layer : เลเยอร์กลางที่ประกอบขึ้นเป็นสแต็กการประมวลผลแบบกระจายอำนาจ หน้าที่หลักคือการประสานงานและนามธรรม และมีหน้าที่รับผิดชอบในการกำหนดเวลา การขยาย การดำเนินการ การปรับสมดุลโหลด และความทนทานต่อข้อผิดพลาดของพลังการประมวลผล หน้าที่หลักคือการ "สรุป" ความซับซ้อนของการจัดการฮาร์ดแวร์พื้นฐาน มอบอินเทอร์เฟซผู้ใช้ขั้นสูงให้กับผู้ใช้ และให้บริการกลุ่มลูกค้าเฉพาะ
เลเยอร์การรวมกลุ่ม : ประกอบด้วยเลเยอร์บนสุดของสแต็กการคำนวณแบบกระจายอำนาจ มีหน้าที่รับผิดชอบในการจัดหาอินเทอร์เฟซแบบรวมที่อนุญาตให้ผู้ใช้ใช้งานการประมวลผลหลายรายการในที่เดียว เช่น การฝึกอบรม AI, การเรนเดอร์, zkML เป็นต้น . เทียบเท่ากับชั้นการประสานและการกระจายของบริการคอมพิวเตอร์แบบกระจายอำนาจหลายรายการ
แหล่งที่มาของภาพ: Youbi Capital
จากกรอบการวิเคราะห์ทั้งสองข้างต้น เราจะทำการเปรียบเทียบแนวนอนของโครงการที่เลือกทั้งห้าโครงการ และประเมินจากสี่ระดับ: ธุรกิจหลัก การวางตำแหน่งทางการตลาด สิ่งอำนวยความสะดวกด้านฮาร์ดแวร์ และประสิทธิภาพทางการเงิน
2.1 ธุรกิจหลัก
จากตรรกะพื้นฐาน เครือข่ายพลังการประมวลผลแบบกระจายอำนาจมีความเป็นเนื้อเดียวกันสูง กล่าวคือ โทเค็นถูกใช้เพื่อสนับสนุนผู้ถืออำนาจการประมวลผลที่ไม่ได้ใช้งานเพื่อให้บริการด้านพลังงานการประมวลผล เมื่อมุ่งเน้นไปที่ตรรกะพื้นฐานนี้ เราสามารถเข้าใจความแตกต่างในธุรกิจหลักของโครงการได้จากความแตกต่างสามประการ:
แหล่งที่มาของพลังการประมวลผลที่ไม่ได้ใช้งาน:
พลังการประมวลผลที่ไม่ได้ใช้งานในตลาดมีอยู่สองแหล่งหลัก: 1) พลังการประมวลผลที่ไม่ได้ใช้งานอยู่ในมือของศูนย์ข้อมูล คนงานเหมือง และองค์กรอื่นๆ 2) พลังการประมวลผลที่ไม่ได้ใช้งานอยู่ในมือของนักลงทุนรายย่อย พลังการประมวลผลในศูนย์ข้อมูลมักจะเป็นฮาร์ดแวร์ระดับมืออาชีพ ในขณะที่นักลงทุนรายย่อยมักจะซื้อชิประดับผู้บริโภค
Aethir, Akash Network และ Gensyn รวบรวมพลังการประมวลผลจากองค์กรเป็นหลัก ประโยชน์ของการรวบรวมพลังการประมวลผลจากองค์กรคือ: 1) องค์กรและศูนย์ข้อมูลมักจะมีฮาร์ดแวร์คุณภาพสูงและทีมบำรุงรักษามืออาชีพ และประสิทธิภาพและความน่าเชื่อถือของทรัพยากรการประมวลผลจะสูงกว่า 2) องค์กรและศูนย์ข้อมูลมีแนวโน้มที่จะมีทรัพยากรพลังงานการประมวลผลที่สูงกว่า การทำให้เป็นเนื้อเดียวกันและการจัดการและการตรวจสอบแบบรวมศูนย์ทำให้การกำหนดเวลาและการบำรุงรักษาทรัพยากรมีประสิทธิภาพมากขึ้น แต่ในทางกลับกัน วิธีการนี้มีข้อกำหนดที่สูงกว่าสำหรับฝั่งโปรเจ็กต์ ซึ่งกำหนดให้ฝั่งโปรเจ็กต์ต้องมีการติดต่อทางธุรกิจกับบริษัทที่ควบคุมพลังการประมวลผล ในขณะเดียวกัน ความสามารถในการปรับขนาดและการกระจายอำนาจจะได้รับผลกระทบในระดับหนึ่ง
Render Network และ io.net ส่งเสริมให้นักลงทุนรายย่อยจัดหาพลังการประมวลผลที่ไม่ได้ใช้งานเป็นหลัก ประโยชน์ของการรวบรวมพลังการประมวลผลจากนักลงทุนรายย่อยคือ: 1) ต้นทุนที่ชัดเจนของพลังการประมวลผลที่ไม่ได้ใช้งานของนักลงทุนรายย่อยลดลง ซึ่งสามารถให้ทรัพยากรพลังงานการประมวลผลที่ประหยัดมากขึ้น 2) เครือข่ายสามารถปรับขนาดและกระจายอำนาจได้มากขึ้น ซึ่งช่วยเพิ่มความยืดหยุ่นของระบบ และความแข็งแกร่ง ข้อเสียคือทรัพยากรการค้าปลีกมีการกระจายอย่างกว้างขวางและไม่สอดคล้องกัน ทำให้การจัดการและการกำหนดเวลาซับซ้อน ทำให้การดำเนินงานและการบำรุงรักษายากขึ้น และมันจะยากขึ้น (ยากขึ้นในการเริ่มต้น) ที่จะพึ่งพาพลังการประมวลผลของนักลงทุนรายย่อยเพื่อสร้างผลกระทบเริ่มต้นของเครือข่าย สุดท้ายนี้ อุปกรณ์ของนักลงทุนรายย่อยอาจมีความเสี่ยงด้านความปลอดภัยมากขึ้น ซึ่งอาจนำมาซึ่งความเสี่ยงของการรั่วไหลของข้อมูลและการใช้พลังการประมวลผลในทางที่ผิด
ผู้ใช้พลังงานคอมพิวเตอร์
จากมุมมองของผู้ใช้พลังประมวลผล ลูกค้าเป้าหมายของ Aethir, io.net และ Gensyn ส่วนใหญ่เป็นองค์กร สำหรับลูกค้าฝั่ง B การเรนเดอร์ AI และเกมแบบเรียลไทม์จำเป็นต้องมีข้อกำหนดการประมวลผลประสิทธิภาพสูง ปริมาณงานดังกล่าวมีความต้องการทรัพยากรการประมวลผลสูง โดยมักต้องใช้ GPU ระดับไฮเอนด์หรือฮาร์ดแวร์ระดับมืออาชีพ นอกจากนี้ ลูกค้า B-side มีความต้องการสูงในด้านความเสถียรและความน่าเชื่อถือของทรัพยากรการประมวลผล ดังนั้นพวกเขาจึงต้องจัดทำข้อตกลงระดับการบริการคุณภาพสูงเพื่อให้มั่นใจว่าการดำเนินงานปกติของโครงการและให้การสนับสนุนทางเทคนิคอย่างทันท่วงที ในเวลาเดียวกัน ค่าใช้จ่ายในการย้ายสำหรับลูกค้า B-side จะสูงมาก หากเครือข่ายแบบกระจายอำนาจไม่มี SDK ที่ครบกำหนดซึ่งช่วยให้ฝ่ายโครงการปรับใช้ได้อย่างรวดเร็ว (เช่น Akash Network ต้องการให้ผู้ใช้พัฒนาโดยใช้พอร์ตระยะไกล) จะทำให้ลูกค้าโยกย้ายได้ยาก หากไม่ใช่เพราะความได้เปรียบด้านราคาอย่างมีนัยสำคัญ ความเต็มใจของลูกค้าในการย้ายถิ่นฐานจะต่ำมาก
Render Network และ Akash Network ให้บริการด้านพลังงานประมวลผลแก่นักลงทุนรายย่อยเป็นหลัก เพื่อให้บริการสำหรับผู้ใช้ C-end โครงการจำเป็นต้องออกแบบอินเทอร์เฟซและเครื่องมือที่เรียบง่ายและใช้งานง่ายเพื่อให้ผู้บริโภคได้รับประสบการณ์การบริโภคที่ดี และผู้บริโภคมีความอ่อนไหวต่อราคา ดังนั้นโครงการต่างๆ จึงต้องเสนอราคาที่แข่งขันได้
ประเภทฮาร์ดแวร์
ทรัพยากรฮาร์ดแวร์การประมวลผลทั่วไป ได้แก่ CPU, FPGA, GPU, ASIC, SoC ฯลฯ ฮาร์ดแวร์เหล่านี้มีความแตกต่างกันอย่างมากในด้านเป้าหมายการออกแบบ คุณลักษณะด้านประสิทธิภาพ และขอบเขตการใช้งาน โดยสรุป CPU ดีกว่าในงานประมวลผลทั่วไป ข้อดีของ FPGA อยู่ที่การประมวลผลแบบขนานสูงและความสามารถในการตั้งโปรแกรมได้ GPU ทำงานได้ดีในการประมวลผลแบบขนาน ASIC มีประสิทธิภาพมากที่สุดในงานเฉพาะ และ SoC รวมฟังก์ชันต่างๆ ไว้ในที่เดียว เหมาะสำหรับการบูรณาการในระดับสูง การใช้งาน การเลือกฮาร์ดแวร์ขึ้นอยู่กับความต้องการของแอปพลิเคชันเฉพาะ ข้อกำหนดด้านประสิทธิภาพ และการพิจารณาด้านต้นทุน โครงการพลังการประมวลผลแบบกระจายอำนาจส่วนใหญ่ที่เราพูดคุยกันจะรวบรวมพลังการประมวลผล GPU ซึ่งกำหนดโดยประเภทธุรกิจของโครงการและคุณลักษณะของ GPU เนื่องจาก GPU มีข้อได้เปรียบที่ไม่เหมือนใครในการฝึก AI, การประมวลผลแบบขนาน, การเรนเดอร์มัลติมีเดีย ฯลฯ
แม้ว่าโปรเจ็กต์เหล่านี้ส่วนใหญ่เกี่ยวข้องกับการบูรณาการ GPU แต่แอปพลิเคชันที่แตกต่างกันก็มีข้อกำหนดที่แตกต่างกันสำหรับข้อกำหนดฮาร์ดแวร์ ดังนั้นฮาร์ดแวร์เหล่านี้จึงมีคอร์และพารามิเตอร์การปรับให้เหมาะสมที่แตกต่างกัน พารามิเตอร์เหล่านี้รวมถึงการพึ่งพาแบบขนาน/อนุกรม หน่วยความจำ เวลาแฝง ฯลฯ ตัวอย่างเช่น ปริมาณงานการเรนเดอร์จริงๆ แล้วเหมาะสมกับ GPU ระดับผู้บริโภคมากกว่า GPU สำหรับศูนย์ข้อมูลที่มีประสิทธิภาพดีกว่า เนื่องจากการเรนเดอร์มีข้อกำหนดสูงสำหรับ Ray Tracing เป็นต้น ชิประดับผู้บริโภค เช่น 4090 ได้ปรับปรุงคอร์ RT โดยเฉพาะสำหรับงาน Ray Tracing โดยเฉพาะ ทำการเพิ่มประสิทธิภาพการคำนวณ การฝึกอบรมและการอนุมาน AI ต้องใช้ GPU ระดับมืออาชีพ ดังนั้น Render Network จึงสามารถรวบรวม GPU ระดับผู้บริโภค เช่น RTX 3090 และ 4090 จากนักลงทุนรายย่อย ในขณะที่ IO.NET ต้องการ GPU ระดับมืออาชีพมากกว่า เช่น H 100 และ A 100 เพื่อตอบสนองความต้องการของสตาร์ทอัพ AI
2.2 การวางตำแหน่งทางการตลาด
ในส่วนของการวางตำแหน่งของโปรเจ็กต์นั้น ชั้น Bare Metal, ชั้น Orchestration และชั้น Aggregation มีปัญหาหลักที่แตกต่างกันในการแก้ไข การมุ่งเน้นการปรับให้เหมาะสม และความสามารถในการเก็บมูลค่า
เลเยอร์ Bare Metal มุ่งเน้นไปที่การรวบรวมและการใช้ทรัพยากรทางกายภาพ ในขณะที่เลเยอร์ Orchestration มุ่งเน้นไปที่การจัดกำหนดการและการเพิ่มประสิทธิภาพของพลังการประมวลผล และออกแบบฮาร์ดแวร์ทางกายภาพอย่างเหมาะสมที่สุดตามความต้องการของกลุ่มลูกค้า เลเยอร์การรวมมีวัตถุประสงค์ทั่วไปและมุ่งเน้นไปที่การบูรณาการและการสรุปทรัพยากรที่แตกต่างกัน จากมุมมองของห่วงโซ่คุณค่า แต่ละโครงการควรเริ่มต้นจากระดับโลหะเปลือยและไต่ระดับขึ้นไป
จากมุมมองของการจับมูลค่า ตั้งแต่ชั้นโลหะเปลือย ชั้นประสาน ไปจนถึงชั้นการรวมกลุ่ม ความสามารถในการจับมูลค่าจะเพิ่มขึ้นทีละชั้น เลเยอร์การรวมกลุ่มสามารถเก็บมูลค่าได้มากที่สุด เนื่องจากแพลตฟอร์มการรวมกลุ่มสามารถรับเอฟเฟกต์เครือข่ายที่ใหญ่ที่สุดและเข้าถึงผู้ใช้ส่วนใหญ่ได้โดยตรง ซึ่งเทียบเท่ากับทางเข้าการรับส่งข้อมูลของเครือข่ายกระจายอำนาจ ซึ่งครอบครองมูลค่าสูงสุดในสแต็กการจัดการทรัพยากรคอมพิวเตอร์ทั้งหมด ตำแหน่งการยึด
ในทำนองเดียวกัน การสร้างแพลตฟอร์มการรวมกลุ่มก็เป็นเรื่องยากที่สุดเช่นกัน ปัญหาอื่น ๆ ความท้าทายเหล่านี้ไม่เอื้อต่อการเริ่มโครงการโดยไม่ได้นัดหมาย และขึ้นอยู่กับการพัฒนาเส้นทางและจังหวะเวลา เมื่อชั้นการเรียบเรียงยังไม่โตพอที่จะจับส่วนแบ่งการตลาดได้ การสร้างชั้นการรวมตัวกันจึงไม่สมจริง
ปัจจุบัน Aethir, Render Network, Akash Network และ Gensyn ล้วนอยู่ในเลเยอร์ Orchestration และได้รับการออกแบบมาเพื่อตอบสนองเป้าหมายและกลุ่มลูกค้าที่เฉพาะเจาะจง ธุรกิจหลักในปัจจุบันของ Aethir คือการเรนเดอร์เกมบนคลาวด์แบบเรียลไทม์ และจัดหาสภาพแวดล้อมและเครื่องมือในการพัฒนาและการใช้งานบางอย่างสำหรับลูกค้า B-side ธุรกิจหลักของ Render Network คือการเรนเดอร์วิดีโอ และภารกิจของ Akash Network คือการจัดหาธุรกรรมที่คล้ายกับแพลตฟอร์ม Taobao และ Gensyn มีส่วนร่วมอย่างลึกซึ้งในด้านการฝึกอบรม AI io.net อยู่ในตำแหน่งที่เป็นเลเยอร์ Aggregation แต่ฟังก์ชันที่ io นำมาใช้นั้นยังห่างไกลจากฟังก์ชันที่สมบูรณ์ของเลเยอร์การรวมตัว แม้ว่าฮาร์ดแวร์ของ Render Network และ Filecoin จะถูกรวบรวมแล้ว แต่การรวมทรัพยากรฮาร์ดแวร์ที่เป็นนามธรรมกลับไม่ได้เกิดขึ้น ยังสร้างเสร็จ
2.3 สิ่งอำนวยความสะดวกด้านฮาร์ดแวร์
ปัจจุบัน ไม่ใช่ทุกโครงการที่เผยแพร่ข้อมูลเครือข่ายโดยละเอียด หากเทียบกันแล้ว UI ของ io.net explorer นั้นดีที่สุด คุณสามารถดูปริมาณ GPU/CPU ประเภท ราคา การจัดจำหน่าย การใช้งานเครือข่าย และรายได้ของโหนดด้านบน สำหรับพารามิเตอร์ อย่างไรก็ตาม เมื่อปลายเดือนเมษายน ส่วนหน้าของ io.net ถูกโจมตี เนื่องจาก io ไม่ได้ดำเนินการรับรองความถูกต้องบนอินเทอร์เฟซ PUT/POST แฮกเกอร์จึงเข้าไปยุ่งเกี่ยวกับข้อมูลส่วนหน้า สิ่งนี้ยังส่งเสียงเตือนถึงความน่าเชื่อถือของความเป็นส่วนตัวและข้อมูลเครือข่ายของโครงการอื่นๆ
ในแง่ของจำนวนและรุ่นของ GPU จำนวนฮาร์ดแวร์ที่ io.net รวบรวมเป็นเลเยอร์การรวมกลุ่มควรมากที่สุด Aethir ไม่ได้ตามหลังมากนัก และสถานการณ์ด้านฮาร์ดแวร์ของโปรเจ็กต์อื่นๆ ก็มีความโปร่งใสน้อยลง ดังที่เห็นได้จากรุ่น GPU นั้น io มีทั้ง GPU ระดับมืออาชีพ เช่น A 100 และ GPU ระดับผู้บริโภคเช่น 4090 มีหลายประเภทซึ่งสอดคล้องกับการวางตำแหน่งของการรวม io.net io สามารถเลือก GPU ที่เหมาะสมที่สุดตามความต้องการงานเฉพาะได้ อย่างไรก็ตาม GPU รุ่นและยี่ห้อที่แตกต่างกันอาจต้องใช้ไดรเวอร์และการกำหนดค่าที่แตกต่างกัน และซอฟต์แวร์ยังต้องการการปรับแต่งที่ซับซ้อนด้วย ซึ่งจะเพิ่มความซับซ้อนในการจัดการและบำรุงรักษา ปัจจุบันการจัดสรรงาน io ต่างๆ ขึ้นอยู่กับทางเลือกที่เป็นอิสระของผู้ใช้เป็นหลัก
Aethir ได้เปิดตัวเครื่องขุดของตัวเอง และในเดือนพฤษภาคม Aethir Edge ซึ่งพัฒนาโดยได้รับการสนับสนุนจาก Qualcomm ก็ได้เปิดตัวอย่างเป็นทางการ มันจะทำลายวิธีการปรับใช้คลัสเตอร์ GPU แบบรวมศูนย์เดียวที่อยู่ห่างไกลจากผู้ใช้ และปรับใช้พลังการประมวลผลไปที่ Edge Aethir Edge จะรวมพลังการประมวลผลแบบคลัสเตอร์ของ H 100 เพื่อร่วมกันรองรับสถานการณ์ AI โดยสามารถใช้โมเดลที่ได้รับการฝึกอบรมและให้บริการการประมวลผลแบบอนุมานแก่ผู้ใช้ในราคาที่เหมาะสมที่สุด โซลูชันนี้ใกล้ชิดกับผู้ใช้มากขึ้น มีบริการที่รวดเร็วกว่า และคุ้มค่ากว่า
จากมุมมองของอุปสงค์และอุปทาน โดยใช้ Akash Network เป็นตัวอย่าง สถิติแสดงให้เห็นว่าจำนวน CPU ทั้งหมดอยู่ที่ประมาณ 16k และจำนวน GPU คือ 378 ตามข้อกำหนดการเช่าเครือข่าย อัตราการใช้งานของ CPU และ GPU คือ 11.1 % และ 19.3% ตามลำดับ ในบรรดานั้นมีเพียง GPU ระดับมืออาชีพ H 100 เท่านั้นที่มีอัตราการเช่าค่อนข้างสูง ในขณะที่รุ่นอื่นๆ ส่วนใหญ่จะไม่ได้ใช้งาน สถานการณ์ที่เครือข่ายอื่นต้องเผชิญโดยทั่วไปเหมือนกับ Akash ความต้องการเครือข่ายโดยรวมไม่สูงนัก ยกเว้นชิปยอดนิยมเช่น A 100 และ H 100 พลังการประมวลผลอื่น ๆ ส่วนใหญ่ไม่ได้ใช้งาน
จากมุมมองของความได้เปรียบด้านราคา เมื่อเทียบกับผู้ให้บริการแบบดั้งเดิมอื่นๆ ยกเว้นยักษ์ใหญ่ในตลาดคลาวด์คอมพิวติ้ง ความได้เปรียบด้านต้นทุนไม่ได้โดดเด่น
2.4 ผลการดำเนินงานทางการเงิน
ไม่ว่ารูปแบบโทเค็นจะได้รับการออกแบบอย่างไร โทเค็นที่ดีจะต้องเป็นไปตามเงื่อนไขพื้นฐานต่อไปนี้: 1) ความต้องการของผู้ใช้สำหรับเครือข่ายจะต้องสะท้อนให้เห็นในราคาสกุลเงิน ซึ่งหมายความว่าโทเค็นสามารถบรรลุการจับมูลค่าได้ 2) ผู้เข้าร่วมแต่ละคน นักพัฒนา โหนด และผู้ใช้ล้วนต้องการสิ่งจูงใจในระยะยาวและยุติธรรม 3) รับประกันการกำกับดูแลแบบกระจายอำนาจเพื่อหลีกเลี่ยงการถือครองที่มากเกินไปโดยบุคคลภายใน 4) กลไกอัตราเงินเฟ้อและภาวะเงินฝืดที่สมเหตุสมผลและรอบการปล่อยโทเค็นเพื่อหลีกเลี่ยงความผันผวนของราคาสกุลเงินขนาดใหญ่ที่ส่งผลกระทบต่อเสถียรภาพ และความยั่งยืนของเครือข่าย
หากโมเดลโทเค็นถูกแบ่งอย่างกว้างๆ เป็น BME (สมดุลการเผาไหม้และมินท์) และ SFA (สัดส่วนการถือหุ้นสำหรับการเข้าถึง) แหล่งที่มาของแรงกดดันจากภาวะเงินฝืดของโทเค็นในทั้งสองโมเดลจะแตกต่างกัน: โมเดล BME จะเบิร์นโทเค็นหลังจากที่ผู้ใช้ซื้อบริการ ดังนั้นระบบ แรงกดดันจากภาวะเงินฝืดจะถูกกำหนดตามความต้องการ SFA กำหนดให้ผู้ให้บริการ/โหนดจำนำโทเค็นเพื่อให้ได้รับคุณสมบัติในการให้บริการ ดังนั้นแรงกดดันจากภาวะเงินฝืดจึงเกิดขึ้นจากอุปทาน ข้อดีของ BME คือเหมาะสำหรับสินค้าที่ไม่ได้มาตรฐานมากกว่า แต่หากความต้องการเครือข่ายไม่เพียงพอ ก็อาจเผชิญกับแรงกดดันเงินเฟ้ออย่างต่อเนื่อง โมเดลโทเค็นของแต่ละโครงการมีรายละเอียดแตกต่างกัน แต่โดยทั่วไปแล้ว Aethir นั้นมีอคติต่อ SFA มากกว่า ในขณะที่ io.net, Render Network และ Akash Network มีอคติต่อ BME มากกว่า และ Gensyn ยังไม่ทราบ
จากมุมมองของรายได้ ความต้องการของเครือข่ายจะสะท้อนโดยตรงในรายได้โดยรวมของเครือข่าย (รายได้ของนักขุดจะไม่ถูกกล่าวถึงในที่นี้ เนื่องจากนอกเหนือจากรางวัลสำหรับการทำงานให้เสร็จสิ้นแล้ว นักขุดยังได้รับเงินอุดหนุนจากโครงการอีกด้วย ) จากข้อมูลสาธารณะ io .net มีค่าสูงสุด แม้ว่ารายได้ของ Aethir จะยังไม่ได้ประกาศเมื่อพิจารณาจากข้อมูลสาธารณะ พวกเขาได้ประกาศว่าพวกเขาได้ลงนามในคำสั่งซื้อกับลูกค้า B-side จำนวนมาก
ในแง่ของราคาสกุลเงิน ปัจจุบันมีเพียง Render Network และ Akash Network เท่านั้นที่ดำเนินการ ICO Aethir และ io.net จะออกเหรียญในอนาคตอันใกล้นี้ จำเป็นต้องตรวจสอบประสิทธิภาพราคาเพิ่มเติมและจะไม่พูดคุยกันมากเกินไปที่นี่ แผนการของ Gensyn ไม่ชัดเจน เมื่อพิจารณาจากสองโครงการที่ออกเหรียญและโครงการที่ออกเหรียญในเส้นทางเดียวกันแต่ไม่รวมอยู่ในขอบเขตของบทความนี้ โดยทั่วไปแล้ว เครือข่ายพลังการคำนวณแบบกระจายอำนาจมีประสิทธิภาพด้านราคาที่สะดุดตามากซึ่งสะท้อนถึง ศักยภาพทางการตลาดขนาดใหญ่และความคาดหวังสูงจากชุมชนในระดับหนึ่ง
2.5 สรุป
เส้นทางเครือข่ายพลังการประมวลผลแบบกระจายอำนาจกำลังพัฒนาอย่างรวดเร็วโดยทั่วไป และมีหลายโครงการที่สามารถพึ่งพาผลิตภัณฑ์เพื่อให้บริการลูกค้าและสร้างรายได้จำนวนหนึ่ง แทร็กได้ย้ายออกจากการเล่าเรื่องที่บริสุทธิ์และเข้าสู่ขั้นตอนของการพัฒนาที่สามารถให้บริการเบื้องต้นได้
ความต้องการที่อ่อนแอเป็นปัญหาทั่วไปที่เครือข่ายคอมพิวเตอร์แบบกระจายอำนาจต้องเผชิญ และความต้องการของลูกค้าในระยะยาวยังไม่ได้รับการตรวจสอบและขุดค้นอย่างดี อย่างไรก็ตาม ฝั่งอุปสงค์ไม่ได้ส่งผลกระทบต่อราคาสกุลเงินมากนัก และหลายโครงการที่ออกเหรียญก็ดำเนินไปด้วยดี
AI เป็นเรื่องราวหลักของเครือข่ายคอมพิวเตอร์แบบกระจายอำนาจ แต่ไม่ใช่ธุรกิจเดียวเท่านั้น นอกจากจะใช้สำหรับการฝึกอบรมและการอนุมาน AI แล้ว พลังการประมวลผลยังสามารถใช้สำหรับการเรนเดอร์เกมบนคลาวด์ บริการมือถือบนคลาวด์ ฯลฯ แบบเรียลไทม์
เครือข่ายพลังการประมวลผลมีความหลากหลายของฮาร์ดแวร์ในระดับสูง และคุณภาพและขนาดของเครือข่ายพลังการประมวลผลจำเป็นต้องได้รับการปรับปรุงเพิ่มเติม
สำหรับผู้ใช้ C-end ความได้เปรียบด้านต้นทุนไม่ชัดเจนนัก สำหรับผู้ใช้ B-side นอกเหนือจากการประหยัดต้นทุนแล้ว พวกเขายังต้องพิจารณาความเสถียรของบริการ ความน่าเชื่อถือ การสนับสนุนทางเทคนิค การปฏิบัติตามข้อกำหนด และการสนับสนุนทางกฎหมาย ฯลฯ โดยทั่วไปแล้ว โปรเจ็กต์ Web3 ทำงานได้ไม่ดีในด้านเหล่านี้
3 ความคิดปิด
ไม่ต้องสงสัยเลยว่าการเติบโตอย่างรวดเร็วของ AI ได้นำมาซึ่งความต้องการพลังการประมวลผลมหาศาล พลังการประมวลผลที่ใช้ในการฝึกอบรม AI เพิ่มขึ้นอย่างทวีคูณตั้งแต่ปี 2555 โดยปัจจุบันเพิ่มขึ้นสองเท่าทุกๆ 3.5 เดือน (เทียบกับกฎของมัวร์ที่เพิ่มขึ้นสองเท่าทุกๆ 18 เดือน) ตั้งแต่ปี 2012 ความต้องการพลังการประมวลผลของผู้คนเพิ่มขึ้นมากกว่า 300,000 เท่า ซึ่งสูงกว่ากฎของ Moore's Law ที่เพิ่มขึ้นถึง 12 เท่า เป็นที่คาดการณ์ว่าตลาด GPU คาดว่าจะเติบโตด้วยอัตราการเติบโตต่อปีที่ 32% ในอีกห้าปีข้างหน้าจนเกินกว่า 200 พันล้านดอลลาร์สหรัฐ ประมาณการของ AMD นั้นสูงกว่านี้อีก โดยบริษัทคาดการณ์ว่าตลาดชิป GPU จะสูงถึง 400 พันล้านดอลลาร์ภายในปี 2570
แหล่งที่มาของภาพ: https://www.stateof.ai/
เนื่องจากการเติบโตอย่างรวดเร็วของปัญญาประดิษฐ์และเวิร์กโหลดที่เน้นการประมวลผลอื่นๆ (เช่น การเรนเดอร์ AR/VR) ได้เผยให้เห็นถึงความไร้ประสิทธิภาพเชิงโครงสร้างในการประมวลผลแบบคลาวด์แบบดั้งเดิมและตลาดการประมวลผลชั้นนำ ตามทฤษฎีแล้ว เครือข่ายพลังการประมวลผลแบบกระจายอำนาจสามารถมอบโซลูชันที่ยืดหยุ่น ต้นทุนต่ำ และมีประสิทธิภาพมากขึ้น โดยการใช้ทรัพยากรการประมวลผลที่ไม่ได้ใช้งานแบบกระจาย ซึ่งตอบสนองความต้องการทรัพยากรการประมวลผลขนาดใหญ่ของตลาด ดังนั้น การรวมกันของ crypto และ AI จึงมีศักยภาพทางการตลาดขนาดใหญ่ แต่ยังต้องเผชิญกับการแข่งขันที่รุนแรงกับองค์กรแบบดั้งเดิม อุปสรรคในการเข้าสู่ตลาดที่สูง และสภาพแวดล้อมทางการตลาดที่ซับซ้อน โดยทั่วไป เมื่อดูเส้นทาง crypto ทั้งหมดแล้ว เครือข่ายพลังการประมวลผลแบบกระจายอำนาจเป็นหนึ่งในสาขาแนวดิ่งที่มีแนวโน้มมากที่สุดในสาขา crypto ที่จะได้รับความต้องการที่แท้จริง
แหล่งที่มาของภาพ : https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
อนาคตสดใสแต่เส้นทางคดเคี้ยว เพื่อให้บรรลุวิสัยทัศน์ข้างต้น เรายังจำเป็นต้องแก้ไขปัญหาและความท้าทายมากมาย โดยสรุป: ในขั้นตอนนี้ ถ้าเราให้บริการคลาวด์แบบเดิม อัตรากำไรของโครงการจะมีน้อยมาก เมื่อวิเคราะห์จากด้านอุปสงค์ โดยทั่วไปแล้วองค์กรขนาดใหญ่จะสร้างพลังการประมวลผลของตนเอง และนักพัฒนาฝั่ง C ล้วนเลือกบริการคลาวด์ ไม่ว่าองค์กรขนาดเล็กและขนาดกลางที่ใช้ทรัพยากรเครือข่ายพลังการประมวลผลแบบกระจายอำนาจอย่างแท้จริงจะมีความต้องการที่มั่นคงหรือไม่นั้นจำเป็นต้องมีการสำรวจและการตรวจสอบเพิ่มเติม . ในทางกลับกัน AI เป็นตลาดที่กว้างใหญ่ซึ่งมีเพดานที่สูงมากและมีพื้นที่สำหรับจินตนาการ เพื่อเข้าถึงตลาดที่กว้างขึ้น ผู้ให้บริการพลังการประมวลผลแบบกระจายอำนาจจะต้องเปลี่ยนเป็นโมเดล/บริการ AI ในอนาคต และสำรวจ crypto + โซลูชัน AI ใช้สถานการณ์เพื่อเพิ่มมูลค่าที่โครงการสามารถสร้างได้ แต่ในปัจจุบันยังคงมีปัญหาและความท้าทายมากมายในการพัฒนาไปสู่ด้าน AI ต่อไป:
ความได้เปรียบด้านราคาไม่โดดเด่น : จะเห็นได้จากการเปรียบเทียบข้อมูลก่อนหน้านี้ว่าความได้เปรียบด้านต้นทุนของเครือข่ายพลังการประมวลผลแบบกระจายอำนาจไม่ได้สะท้อนให้เห็น สาเหตุที่เป็นไปได้ก็คือสำหรับชิประดับมืออาชีพอย่าง H 100 และ A 100 ซึ่งมีความต้องการสูง กลไกตลาด กำหนดว่าราคาของฮาร์ดแวร์ส่วนนี้จะไม่ถูก นอกจากนี้ แม้ว่าเครือข่ายแบบกระจายอำนาจสามารถรวบรวมทรัพยากรการประมวลผลที่ไม่ได้ใช้งาน แต่ต้นทุนแอบแฝง เช่น การขาดการประหยัดจากขนาดที่เกิดจากการกระจายอำนาจ ต้นทุนเครือข่ายและแบนด์วิธที่สูง และความซับซ้อนในการจัดการและการดำเนินงานและการบำรุงรักษาที่ดี จะเพิ่มต้นทุนพลังงานในการประมวลผลต่อไป
ความพิเศษของการฝึกอบรม AI : มีปัญหาคอขวดทางเทคนิคอย่างมากในการใช้วิธีการกระจายอำนาจสำหรับการฝึกอบรม AI ในขั้นตอนนี้ คอขวดนี้สามารถสะท้อนให้เห็นได้โดยสัญชาตญาณจากเวิร์กโฟลว์ GPU ในการฝึกโมเดลภาษาขนาดใหญ่ GPU จะได้รับชุดข้อมูลที่ประมวลผลล่วงหน้าแล้วทำการคำนวณการเผยแพร่ไปข้างหน้าและย้อนกลับเพื่อสร้างการไล่ระดับสี ถัดไป GPU แต่ละตัวจะรวมการไล่ระดับสีและอัปเดตพารามิเตอร์โมเดลเพื่อให้แน่ใจว่า GPU ทั้งหมดซิงโครไนซ์กัน กระบวนการนี้จะทำซ้ำจนกว่าการฝึกอบรมจะเสร็จสิ้นทุกชุดหรือถึงจำนวนยุคที่กำหนดไว้ล่วงหน้า กระบวนการนี้เกี่ยวข้องกับการถ่ายโอนและการซิงโครไนซ์ข้อมูลจำนวนมาก คำถามต่างๆ เช่น กลยุทธ์การทำงานแบบขนานและการซิงโครไนซ์ประเภทใดที่จะใช้ วิธีเพิ่มประสิทธิภาพแบนด์วิธและความล่าช้าของเครือข่าย และการลดต้นทุนการสื่อสาร ยังไม่ได้รับคำตอบที่ดีนัก ในขั้นตอนนี้ การใช้เครือข่ายพลังการประมวลผลแบบกระจายอำนาจเพื่อฝึก AI ไม่ใช่เรื่องจริง
ความปลอดภัยของข้อมูลและความเป็นส่วนตัว : ในระหว่างกระบวนการฝึกอบรมโมเดลภาษาขนาดใหญ่ ทุกแง่มุมที่เกี่ยวข้องกับการประมวลผลและการส่งข้อมูล เช่น การกระจายข้อมูล การฝึกโมเดล พารามิเตอร์และการรวมเกรเดียนต์ อาจส่งผลต่อความปลอดภัยของข้อมูลและความเป็นส่วนตัว และความเป็นส่วนตัวของข้อมูลแบบเหรียญความเป็นส่วนตัวมีความสำคัญมากกว่า หากคุณไม่สามารถแก้ปัญหาความเป็นส่วนตัวของข้อมูลได้ คุณจะไม่สามารถปรับขนาดในด้านอุปสงค์ได้
จากมุมมองที่สมจริงที่สุด เครือข่ายพลังการประมวลผลแบบกระจายอำนาจจำเป็นต้องคำนึงถึงทั้งการค้นพบความต้องการในปัจจุบันและพื้นที่ตลาดในอนาคต ระบุตำแหน่งผลิตภัณฑ์และกลุ่มลูกค้าเป้าหมาย เช่น การกำหนดเป้าหมายโปรเจ็กต์เนทิฟที่ไม่ใช่ AI หรือ Web3 ก่อน โดยเริ่มจากความต้องการที่ค่อนข้างน้อยและสร้างฐานผู้ใช้ในระยะแรก ในเวลาเดียวกัน เรายังคงสำรวจสถานการณ์ต่างๆ ของการผสมผสานระหว่าง AI และสกุลเงินดิจิทัล สำรวจขอบเขตทางเทคโนโลยี และตระหนักถึงการเปลี่ยนแปลงและการอัปเกรดบริการ
อ้างอิง
https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
IOS
Android