원작자: Jane Doe, Chen Li
원본 출처: Youbi Capital
1 AI와 암호화폐의 교차점
5월 23일, 거대 칩 엔비디아(Nvidia)는 2025회계연도 1분기 재무 보고서를 발표했습니다. 재무 보고서에 따르면 엔비디아의 1분기 매출은 260억 달러였습니다. 이 중 데이터센터 매출은 지난해 대비 427% 증가해 226억 달러라는 놀라운 금액을 기록했다. 단독으로 미국 주식 시장을 구할 수 있는 Nvidia의 능력 뒤에 숨은 재정적 성과는 AI 트랙에서 경쟁하기 위해 글로벌 기술 기업의 해시레이트 에 대한 폭발적인 수요를 반영합니다. 최고의 기술 기업이 많을수록 AI 트랙에 대한 야망이 커집니다. 그에 따라 이들 기업의 해시레이트 에 대한 수요도 기하급수적으로 증가했습니다. TrendForce의 예측에 따르면 미국의 4대 클라우드 서비스 제공업체인 Microsoft, Google, AWS, Meta의 고급 AI 서버에 대한 수요는 각각 2020년 전 세계 수요의 20.2%, 16.6%, 16%, 10.8%를 차지할 것으로 예상됩니다. 2024년, 총 60% 이상.
이미지 출처: https://investor.nvidia.com/financial-info/financial-reports/default.aspx
"칩 부족"은 최근 몇 년 동안 올해의 뜨거운 단어가 되었습니다. 한편으로, 대규모 언어 모델(LLM)의 훈련 및 추론에는 대량 해시레이트 필요하며 모델이 반복됨에 따라 해시레이트 비용과 수요가 기하급수적으로 증가합니다. 반면 Meta와 같은 대기업은 막대한 양의 칩을 구매할 것이며 글로벌 해시레이트 자원은 이러한 거대 기술 기업에 기울어져 중소기업이 필요한 해시레이트 자원을 확보하기가 점점 더 어려워지고 있습니다. 중소기업이 직면한 어려움은 수요 급증으로 인한 칩 공급 부족뿐만 아니라 공급의 구조적 모순에서도 비롯된다. 현재 공급 측면에는 여전히 대량 의 유휴 GPU가 있습니다. 예를 들어 일부 데이터 센터에는 유휴 해시레이트 대량 있습니다(암호화폐 채굴 에서는 활용률이 12%~18%에 불과합니다). 이익 감소로 인해 유휴 컴퓨팅 능력도 대량 해시레이트.이러한 해시레이트 모두 AI 훈련과 같은 전문 애플리케이션 시나리오에 적합한 것은 아니지만 소비자급 하드웨어는 AI 추론, 클라우드 게임 렌더링, 클라우드 휴대폰 등과 같은 다른 분야에서 여전히 큰 역할을 할 수 있습니다. 이 해시레이트 리소스를 통합하고 활용할 수 있는 기회는 엄청납니다.
AI에서 암호화폐로 관심을 돌린 후, 암호화폐 시장에서 3년간의 침묵 끝에 우리는 마침내 또 다른 불장(Bull market) 맞이했습니다. 비트코인 가격은 계속해서 최고치를 경신했고, 다양한 밈코인이 끊임없이 등장했습니다. AI와 암호화폐는 지난 수년간 인기 있는 유행어가 되었지만, 두 가지 중요한 기술인 인공지능과 블록체인은 두 개의 평행선과 같으며 아직 '교차점'을 찾지 못했습니다. 올해 초 Vitalik은 "암호화 + AI 애플리케이션의 약속과 과제"라는 제목의 기사를 게재하여 AI와 암호화폐 결합의 미래 시나리오를 논의했습니다. Vitalik은 기사에서 블록체인 및 MPC와 같은 암호화 기술을 사용하여 AI 훈련 및 추론을 탈중앙화 기계 학습의 블랙박스를 열 수 있고 AI 모델을 더욱 신뢰할 수 없게 만드는 등 많은 아이디어를 언급했습니다. 이러한 비전이 실현되려면 아직 갈 길이 멀다. 그러나 Vitalik이 언급한 사용 사례 중 하나인 암호화폐의 경제적 인센티브를 사용하여 AI에 힘을 실어주는 것 역시 단기간에 실현될 수 있는 중요한 방향입니다. 탈중앙화 해시레이트 네트워크는 현 단계에서 AI + 암호화폐에 가장 적합한 시나리오 중 하나입니다.
2 탈중앙화 해시레이트 네트워크
현재 탈중앙화 해시레이트 네트워크를 기반으로 개발 중인 프로젝트가 이미 많이 있습니다. 이러한 프로젝트의 기본 논리는 유사하며 다음과 같이 요약할 수 있습니다. 해시레이트 보유자가 네트워크에 참여하여 해시레이트 서비스를 제공하도록 장려하기 위해 토큰을 사용하면 분산된 해시레이트 자원을 특정 탈중앙화 해시레이트 네트워크로 모을 수 있습니다. 규모. 이를 통해 유휴 해시레이트 의 활용률을 향상시킬 수 있을 뿐만 아니라 고객의 해시레이트 요구 사항을 저렴한 비용으로 충족하여 구매자와 판매자 모두에게 윈윈(win-win) 상황을 달성할 수 있습니다.
독자가 짧은 시간 내에 이 트랙을 전반적으로 이해할 수 있도록 이 기사에서는 특정 프로젝트와 전체 트랙을 미시적 관점과 거시적 관점의 두 가지 관점에서 분해하여 독자에게 핵심을 이해하는 분석적 관점을 제공하는 것을 목표로 합니다. 각 프로젝트의 경쟁 우위와 탈중앙화 해시레이트 트랙의 전반적인 개발. 저자는 Aethir, io.net, Render Network, Akash Network, Gensyn의 다섯 가지 프로젝트를 소개하고 분석하고 프로젝트 현황과 개발 과정을 요약하고 평가할 것입니다.
분석 프레임 에서 특정 탈중앙화 해시레이트 네트워크에 초점을 맞추면 이를 네 가지 핵심 구성 요소로 분해할 수 있습니다.
하드웨어 네트워크 : 분산된 해시레이트 자원을 통합하고 전 세계에 분산된 노드를 통해 해시레이트 자원의 공유 및 로드 밸런싱을 달성합니다. 탈중앙화 해시레이트 네트워크의 기본 계층입니다.
양자 시장 : 합리적인 가격 책정 메커니즘과 발견 메커니즘을 통해 해시레이트 제공자와 수요자를 연결하고, 안전한 거래 플랫폼을 제공하며, 공급과 수요 당사자 간의 거래가 투명하고 공정하며 신뢰할 수 있도록 보장합니다.
합의 메커니즘 : 네트워크 내의 노드가 올바르게 작동하고 작업을 완료하는지 확인하는 데 사용됩니다. 합의 메커니즘은 주로 두 가지 수준을 모니터링하는 데 사용됩니다. 1) 노드가 온라인에서 실행 중인지, 언제든지 작업을 수락할 수 있는 활성 상태인지 모니터링 2) 노드 작업 증명: 작업을 받은 후 노드가 작업을 완료했습니다. 효과적이고 올바르게 처리되었으며 해시레이트 저하되지 않았습니다. 프로세스와 스레드가 다른 목적으로 사용되었습니다.
토큰 인센티브 : 토큰 모델은 더 많은 참여자가 서비스를 제공/사용하도록 장려하는 데 사용되며 토큰을 사용하여 이러한 네트워크 효과를 포착하고 커뮤니티 수익 공유를 달성합니다.
탈중앙화 해시레이트 트랙을 조감하면 Blockworks Research의 연구 보고서는 좋은 분석 프레임 제공합니다. 이 트랙의 프로젝트 위치를 세 가지 다른 계층으로 나눌 수 있습니다.
베어메탈 레이어 : 탈중앙화 컴퓨팅 스택의 기본 레이어를 구성합니다. 주요 작업은 원시 해시레이트 리소스를 수집하여 API 호출에 사용할 수 있도록 하는 것입니다.
오케스트레이션 계층 : 탈중앙화 컴퓨팅 스택을 구성하는 중간 계층입니다. 주요 작업은 조정 및 추상화이며 해시레이트 의 스케줄링, 확장, 운영, 로드 밸런싱 및 내결함성을 담당합니다. 주요 기능은 기본 하드웨어 관리의 복잡성을 "추상화"하고 최종 사용자에게 고급 사용자 인터페이스를 제공하며 특정 고객 그룹에 서비스를 제공하는 것입니다.
집계 레이어 : 탈중앙화 컴퓨팅 스택의 최상위 레이어를 구성합니다. 주요 작업은 사용자가 AI 훈련, 렌더링, zkML 등과 같은 여러 컴퓨팅 작업을 한 곳에서 구현할 수 있는 통합 인터페이스를 제공하는 역할을 합니다. . 여러 탈중앙화 컴퓨팅 서비스의 오케스트레이션 및 배포 계층과 동일합니다.
이미지 출처: 유비캐피탈
위의 두 가지 분석 프레임 기반으로 선택된 5개 프로젝트를 수평적으로 비교하고 핵심 업무, 시장 포지셔닝, 하드웨어 시설 및 재무 성과의 4가지 수준에서 평가합니다.
2.1 핵심 업무
기본 논리에서 볼 때 탈중앙화 해시레이트 네트워크는 매우 동질적입니다. 즉, 토큰은 유휴 해시레이트 보유자가 해시레이트 서비스를 제공하도록 장려하는 데 사용됩니다. 이 기본 논리에 초점을 맞추면 다음 세 가지 차이점에서 프로젝트의 핵심 업무 의 차이점을 이해할 수 있습니다.
유휴 해시레이트 의 출처:
시장에는 두 가지 주요 유휴 해시레이트 있습니다. 1) 데이터 센터, 채굴자 및 기타 기업의 유휴 해시레이트 2) 개인 투자자 의 유휴 해시레이트. 데이터 센터의 해시레이트 일반적으로 전문가급 하드웨어인 반면, 개인 투자자 일반적으로 소비자급 칩을 구매합니다.
Aethir, Akash Network 및 Gensyn은 주로 기업에서 해시레이트 수집합니다. 기업에서 해시레이트 수집하면 다음과 같은 이점이 있습니다. 1) 기업과 데이터 센터는 일반적으로 더 높은 품질의 하드웨어와 전문 유지 관리 팀을 보유하고 있으며 해시레이트 리소스의 성능과 안정성은 더 높습니다. 2) 기업과 데이터 센터는 더 높은 해시레이트 리소스를 보유하는 경향이 있습니다. .균질화, 중앙 집중식 관리 및 모니터링을 통해 리소스 예약 및 유지 관리가 더욱 효율적으로 이루어집니다. 그러나 이에 따라 이 방법은 프로젝트 측에 대한 요구 사항이 더 높으며, 이를 위해서는 프로젝트 측이 해시레이트 제어하는 회사와 비즈니스 연결을 가져야 합니다. 동시에 확장성과 탈중앙화 어느 정도 영향을 받을 것입니다.
Render Network와 io.net은 주로 개인 투자자 유휴 해시레이트 제공하도록 권장합니다. 개인 투자자 로부터 해시레이트 수집하면 다음과 같은 이점이 있습니다. 1) 개인 투자자 의 유휴 해시레이트 에 대한 명시적인 비용이 낮아져 보다 경제적인 해시레이트 리소스를 제공할 수 있습니다. 2) 네트워크가 더욱 확장 가능하고 탈중앙화 시스템 유연성이 향상됩니다. 그리고 견고성. 단점은 개인 투자자 자원이 광범위하게 분산되어 있고 일관성이 없기 때문에 관리 및 일정 관리가 복잡해지고 운영 및 유지 관리가 더욱 어려워진다는 것입니다. 그리고 초기 네트워크 효과를 형성하기 위해 개인 투자자 해시레이트 에 의존하는 것이 더 어려울 것입니다(킥스타트가 더 어려울 것입니다). 마지막으로, 개인 투자자 의 장치에는 더 많은 보안 위험이 있을 수 있으며, 이로 인해 데이터 유출 및 해시레이트 오용의 리스크 발생할 수 있습니다.
해시레이트 소비자
해시레이트 소비자의 관점에서 볼 때 Aethir, io.net 및 Gensyn의 대상 고객은 주로 기업입니다. B측 고객의 경우 AI 및 게임 실시간 렌더링에는 고성능 컴퓨팅이 필요합니다. 이러한 워크로드는 해시레이트 리소스를 극도로 요구하며 종종 고급 GPU 또는 전문가급 하드웨어가 필요합니다. 또한 B-side 고객은 해시레이트 리소스의 안정성과 신뢰성에 대한 요구 사항이 높기 때문에 프로젝트의 정상적인 운영을 보장하고 적시에 기술 지원을 제공하기 위해 고품질 서비스 수준 계약을 제공해야 합니다. 동시에 B측 고객의 마이그레이션 비용은 매우 높습니다. 탈중앙화 네트워크에 프로젝트 당사자가 신속하게 배포할 수 있는 성숙한 SDK가 없는 경우(예: Akash 네트워크는 사용자가 원격 포트를 기반으로 개발해야 함) , 고객이 마이그레이션하기 어려울 것입니다. 상당한 가격 이점이 없었다면 고객의 마이그레이션 의향은 매우 낮았을 것입니다.
Render Network와 Akash Network는 주로 개인 투자자 에게 해시레이트 서비스를 제공합니다. C-side 사용자에게 서비스를 제공하기 위해 프로젝트는 소비자에게 좋은 소비 경험을 제공할 수 있는 간단하고 사용하기 쉬운 인터페이스와 도구를 설계해야 합니다. 그리고 소비자는 가격에 민감하므로 프로젝트는 경쟁력 있는 가격을 제공해야 합니다.
하드웨어 유형
일반적인 컴퓨팅 하드웨어 리소스에는 CPU, FPGA, GPU, ASIC, SoC 등이 포함됩니다. 이러한 하드웨어는 설계 목표, 성능 특성 및 응용 분야에서 크게 다릅니다. 요약하자면, CPU는 일반적인 컴퓨팅 작업에 더 좋고, FPGA의 장점은 높은 병렬 처리 및 프로그래밍 가능성에 있으며, GPU는 병렬 컴퓨팅에서 잘 수행되고, ASIC은 특정 작업에 가장 효율적이며, SoC는 여러 기능을 하나로 통합하여 고도로 통합된 작업에 적합합니다. 응용 프로그램. 하드웨어 선택은 특정 애플리케이션의 요구 사항, 성능 요구 사항 및 비용 고려 사항에 따라 달라집니다. 우리가 논의하는 대부분의 탈중앙화 해시레이트 프로젝트는 GPU 해시레이트 수집하며, 이는 프로젝트 업무 유형과 GPU의 특성에 따라 결정됩니다. GPU는 AI 훈련, 병렬 컴퓨팅, 멀티미디어 렌더링 등에 고유한 이점을 갖고 있기 때문입니다.
이러한 프로젝트의 대부분은 GPU 통합을 포함하지만 애플리케이션마다 하드웨어 사양에 대한 요구 사항이 다르므로 이러한 하드웨어에는 이기종 최적화 코어와 매개변수가 있습니다. 이러한 매개변수에는 병렬성/직렬 종속성, 메모리, 대기 시간 등이 포함됩니다. 예를 들어 렌더링 워크로드는 실제로 더 강력한 성능을 갖춘 데이터 센터 GPU보다 소비자급 GPU에 더 적합합니다. 왜냐하면 렌더링에는 광선 추적 등에 대한 요구 사항이 높기 때문입니다. 4090s와 같은 소비자급 칩은 특별히 광선 추적 작업을 위해 향상된 RT 코어를 가지고 있습니다. .계산을 최적화했습니다. AI 훈련 및 추론에는 전문가 수준의 GPU가 필요합니다. 따라서 Render Network는 개인 투자자 로부터 RTX 3090 및 4090과 같은 소비자급 GPU를 수집할 수 있는 반면, IO.NET은 AI 스타트업의 요구를 충족하기 위해 H 100 및 A 100과 같은 전문가급 GPU가 더 필요합니다.
2.2 시장 포지셔닝
프로젝트 포지셔닝과 관련하여 베어 메탈 계층, 오케스트레이션 계층 및 집계 계층에는 해결해야 할 핵심 문제, 최적화 초점 및 가치 포착 기능이 다릅니다.
Bare Metal 계층은 물리적 자원의 수집 및 활용에 중점을 두고 있으며, Orchestration 계층은 해시레이트 의 스케줄링 및 최적화에 중점을 두고 고객 그룹의 요구에 따라 물리적 하드웨어를 최적으로 설계합니다. 집계 계층은 일반적인 용도로 사용되며 다양한 리소스의 통합 및 추상화에 중점을 둡니다. 가치 사슬 관점에서 볼 때 각 프로젝트는 베어메탈 수준에서 시작하여 계속 진행되어야 합니다.
베어메탈 레이어, 오케스트레이션 레이어, 집계 레이어 등 가치 포착의 관점에서 가치 포착 능력은 계층별로 증가합니다. 집계 계층은 집계 플랫폼이 가장 큰 네트워크 효과를 얻을 수 있고 가장 많은 사용자에게 직접 도달할 수 있기 때문에 가장 큰 가치를 포착할 수 있습니다. 이는 탈중앙화 네트워크의 트래픽 입구와 동일하므로 전체 해시레이트 자원 관리 스택에서 가장 높은 가치를 차지합니다. 캡처 위치.
이에 따라 집합 플랫폼을 구축하는 것이 가장 어려운 작업이기도 합니다. 이 프로젝트는 기술적 복잡성, 이기종 리소스 관리, 시스템 안정성 및 확장성, 네트워크 효과 실현, 보안 및 개인 정보 보호, 복잡한 운영 및 유지 관리 등을 종합적으로 해결해야 합니다. 다른 문제. 이러한 과제는 프로젝트의 초기 시작에 도움이 되지 않으며 선로 개발 및 타이밍에 따라 달라집니다. 오케스트레이션 레이어가 특정 시장 점유율 확보할 만큼 충분히 성숙하지 않은 경우 집계 레이어를 구축하는 것은 비현실적입니다.
현재 Aethir, Render Network, Akash Network 및 Gensyn은 모두 오케스트레이션 계층에 속하며 특정 목표와 고객 그룹을 제공하도록 설계되었습니다. Aethir의 현재 주요 업무 은 클라우드 게임을 위한 실시간 렌더링이며 B측 고객을 위한 특정 개발 및 배포 환경과 도구를 제공하는 것입니다. Render Network의 주요 업무 은 비디오 렌더링이며 Akash Network의 임무는 Taobao 플랫폼과 유사한 거래를 제공하는 것입니다. Gensyn은 AI 훈련 분야에 깊이 관여하고 있습니다. io.net은 Aggregation 레이어로 자리잡고 있지만, io가 구현하는 기능은 여전히 Aggregation 레이어의 완전한 기능과는 거리가 멀습니다. Render Network와 Filecoin의 하드웨어는 모아졌지만 하드웨어 리소스의 추상화와 통합은 아직 이루어지지 않았습니다. 아직 완료되었습니다.
2.3 하드웨어 시설
현재 모든 프로젝트가 상세한 네트워크 데이터를 공개하지는 않습니다. 상대적으로 보면 io.net 탐색기의 UI가 가장 좋습니다. 위에서 GPU/CPU 수량, 유형, 가격, 분포, 네트워크 사용량 및 노드 수입을 볼 수 있습니다. 매개변수용. 그러나 4월 말에는 io.net의 프런트엔드가 공격을 받았습니다. io가 PUT/POST 인터페이스에서 Auth를 수행하지 않았기 때문에 해커는 프런트엔드 데이터를 변조했습니다. 이는 또한 다른 프로젝트의 개인 정보 보호 및 네트워크 데이터 신뢰성에 대한 경각심을 불러일으켰습니다.
GPU 수와 모델 수 측면에서 보면 집합 계층인 io.net이 가장 많은 양의 하드웨어를 수집해야 합니다. Aethir는 크게 뒤쳐져 있지 않으며 다른 프로젝트의 하드웨어 상황은 덜 투명합니다. GPU 모델에서 볼 수 있듯이 io에는 A 100과 같은 전문가급 GPU와 4090과 같은 소비자급 GPU가 모두 있습니다. io.net 집계의 포지셔닝과 일치하는 많은 유형이 있습니다. io는 특정 작업 요구 사항에 따라 가장 적합한 GPU를 선택할 수 있습니다. 그러나 다양한 모델과 브랜드의 GPU에는 다양한 드라이버와 구성이 필요할 수 있으며 소프트웨어에도 복잡한 최적화가 필요하므로 관리 및 유지 관리가 더 복잡해집니다. 현재 다양한 io 작업 할당은 주로 사용자의 독립적인 선택에 따라 달라집니다.
Aethir는 자체 채굴기를 출시했으며, 지난 5월에는 Qualcomm의 지원을 받아 개발된 Aethir Edge가 공식 출시되었습니다. 사용자로부터 멀리 떨어진 단일 중앙 집중식 GPU 클러스터 배포 방식을 깨고 해시레이트 엣지에 배포합니다. Aethir Edge는 H 100의 클러스터 해시레이트 결합하여 AI 시나리오를 공동으로 제공하고 훈련된 모델을 배포하고 사용자에게 최적의 비용으로 추론 컴퓨팅 서비스를 제공할 수 있습니다. 이 솔루션은 사용자에게 더 가깝고, 더 빠른 서비스를 제공하며, 더 비용 효율적입니다.
수요와 공급의 관점에서 Akash Network를 예로 들면 통계에 따르면 총 CPU 수는 약 16,000개이고 GPU 수는 378개입니다. 네트워크 임대 요구 사항에 따르면 CPU 및 GPU 활용률은 11.1입니다. %와 19.3%입니다. 그 중 전문가급 GPU H 100만 상대적으로 렌탈율이 높고, 나머지 모델은 대부분 유휴 상태다. 다른 네트워크가 직면한 상황은 일반적으로 Akash와 동일합니다. A 100 및 H 100과 같은 이슈 칩을 제외하면 대부분의 다른 해시레이트 네트워크에 대한 수요가 높지 않습니다.
가격 우위 측면에서 보면 클라우드 컴퓨팅 시장의 거대 기업을 제외한 다른 기존 서비스 제공업체에 비해 비용 우위가 눈에 띄지 않습니다.
2.4 재무 성과
토큰 모델이 어떻게 설계되든 건전한 토큰경제학은 다음과 같은 기본 조건을 충족해야 합니다. 1) 네트워크에 대한 사용자 수요는 통화 가격에 반영되어야 하며, 이는 토큰이 가치 포착을 달성할 수 있음을 의미합니다. , 개발자, 노드 및 사용자는 모두 장기적이고 공정한 인센티브가 필요합니다. 3) 내부인사 과도한 보유를 방지하기 위해 탈중앙화 거버넌스를 보장합니다. 4) 대규모 변동을 방지하기 위한 합리적인 인플레이션 및 디플레이션 메커니즘과 토큰 출시 주기가 안정성에 영향을 미칩니다. 그리고 네트워크의 지속 가능성.
토큰 모델이 BME(소각 및 발행 균형)와 SFA(접근 지분)로 크게 나누어지면 이 두 모델의 토큰 디플레이션 압력의 원인은 다릅니다. BME 모델은 사용자가 서비스를 구매한 후 토큰을 소각하므로 시스템은 디플레이션 압력은 수요에 따라 결정됩니다. SFA는 서비스 제공자/노드가 서비스 제공 자격을 얻기 위해 토큰을 스테이킹 요구하므로 공급으로 인해 디플레이션 압력이 발생합니다. BME의 장점은 비표준 제품에 더 적합하다는 것입니다. 그러나 네트워크 수요가 충분하지 않을 경우 지속적인 인플레이션 압력에 직면할 수 있습니다. 각 프로젝트의 토큰 모델은 세부적으로 다르지만 일반적으로 Aethir는 SFA에 더 편향된 반면 io.net, Render Network 및 Akash Network는 BME에 더 편향되어 있으며 Gensyn은 아직 알려지지 않았습니다.
소득의 관점에서 볼 때, 네트워크의 수요는 네트워크의 전체 소득에 직접적으로 반영됩니다. 광부는 작업 완료에 대한 보상 외에도 프로젝트로부터 보조금을 받기 때문에 여기서는 광부의 소득에 대해 논의하지 않습니다. ) 공개데이터 중 io.net의 값이 가장 높습니다. Aethir의 수익은 아직 발표되지 않았지만 공개 정보로 판단하면 많은 B-side 고객과 주문을 체결했다고 발표했습니다.
통화 가격 측면에서 현재 Render Network와 Akash Network만이 ICO를 수행했습니다. Aethir와 io.net도 가까운 시일 내에 코인을 발행할 예정입니다. 가격 대비 성능은 더 지켜봐야 하며 여기서는 너무 많이 논의하지 않겠습니다. Gensyn의 계획은 불분명합니다. 코인을 발행한 두 프로젝트와 동일한 트랙에서 코인을 발행했지만 이 기사의 범위에 포함되지 않은 프로젝트로 판단하면 일반적으로 탈중앙화 해시레이트 네트워크는 매우 눈길을 끄는 가격 성능을 가지고 있습니다. 어느 정도 거대한 시장 잠재력과 커뮤니티의 높은 기대.
2.5 요약
일반적으로 탈중앙화 해시레이트 네트워크 트랙은 빠르게 발전하고 있으며 제품을 사용하여 고객에게 서비스를 제공하고 일정 금액의 수입을 창출할 수 있는 프로젝트가 이미 많이 있습니다. 트랙은 순수한 서사에서 벗어나 사전 서비스를 제공할 수 있는 개발 단계에 들어섰다.
약한 수요는 탈중앙화 해시레이트 네트워크가 직면한 일반적인 문제이며, 장기적인 고객 요구 사항은 잘 검증되고 마이닝되지 않았습니다. 그러나 수요 측면에서는 화폐 가격에 큰 영향을 미치지 않았으며, 코인을 발행한 여러 프로젝트가 좋은 성과를 거두었습니다.
AI는 탈중앙화 해시레이트 네트워크의 주요 서사이지만 이것이 유일한 업무 는 아닙니다. AI 훈련과 추론에 활용되는 것 외에도 해시레이트 클라우드 게임, 클라우드 모바일 서비스 등의 실시간 렌더링에도 활용될 수 있다.
해시레이트 네트워크는 하드웨어 이질성이 높으며, 해시레이트 네트워크의 품질과 규모는 더욱 향상되어야 합니다.
C-end 사용자의 경우 비용 이점이 그다지 명확하지 않습니다. B-side 사용자의 경우 비용 절감 외에도 서비스 안정성, 신뢰성, 기술 지원, 규정 준수 및 법적 지원 등도 고려해야 합니다. Web3 프로젝트는 일반적으로 이러한 측면에서 잘 수행되지 않습니다.
3 마무리 생각
AI의 폭발적인 성장으로 인해 해시레이트 에 대한 엄청난 수요가 발생했다는 것은 의심의 여지가 없습니다. AI 훈련 작업에 사용되는 해시레이트 2012년부터 기하급수적으로 증가하여 현재 3.5개월마다 두 배로 증가하고 있습니다(18개월마다 두 배로 증가한다는 무어의 법칙과 비교). 2012년 이후 해시레이트 에 대한 사람들의 수요는 30만 배 이상 증가해 무어의 법칙의 12배 증가를 훨씬 뛰어넘었습니다. GPU 시장은 향후 5년간 연평균 32%씩 성장해 2000억 달러를 넘어설 것으로 예상된다. AMD의 추정치는 훨씬 더 높으며, 회사는 GPU 칩 시장이 2027년까지 4,000억 달러에 이를 것으로 예측하고 있습니다.
이미지 출처: https://www.stateof.ai/
인공 지능 및 기타 컴퓨팅 집약적인 워크로드(예: AR/VR 렌더링)의 폭발적인 성장으로 인해 기존 클라우드 컴퓨팅 및 주요 컴퓨팅 시장에서 구조적 비효율성이 노출되었기 때문입니다. 이론적으로 분산형 해시레이트 네트워크는 분산된 유휴 컴퓨팅 리소스를 활용하여 보다 유연하고 저렴하며 효율적인 솔루션을 제공함으로써 컴퓨팅 리소스에 대한 시장의 엄청난 수요를 충족할 수 있습니다. 따라서 암호화폐와 AI의 결합은 거대한 시장 잠재력을 가지고 있지만 기존 기업과의 치열한 경쟁, 높은 진입 장벽 및 복잡한 시장 환경에 직면해 있습니다. 일반적으로 모든 암호화 트랙을 살펴보면 탈중앙화 해시레이트 네트워크는 암호화폐 분야에서 실제 수요를 얻을 수 있는 가장 유망한 수직 분야 중 하나입니다.
이미지 출처 : https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
미래는 밝지만 가는 길은 험난하다. 위의 비전을 달성하려면 여전히 많은 문제와 과제를 해결해야 합니다. 요약하자면, 이 단계에서 단순히 전통적인 클라우드 서비스를 제공한다면 프로젝트의 이익 마진은 매우 작을 것입니다. 수요 측면에서 분석해 보면 대기업은 일반적으로 자체 해시레이트 구축하고 순수 C 측 개발자는 대부분 클라우드 서비스를 선택합니다. 탈중앙화 해시레이트 네트워크 리소스를 실제로 사용하는 중소기업이 안정적인 수요를 가질지는 추가 탐색과 검증이 필요합니다. . 반면, AI 해시레이트 천장 탈중앙화 매우 높고 상상의 여지가 있는 광대한 시장입니다. AI 솔루션 시나리오를 활용해 프로젝트가 창출할 수 있는 가치를 확장하세요. 그러나 현재 AI 분야로의 발전에는 여전히 많은 문제와 과제가 있습니다.
가격 우위가 눈에 띄지 않음 : 이전 데이터 비교에서 탈중앙화 해시레이트 네트워크의 비용 우위가 반영되지 않았음을 알 수 있습니다. 가능한 이유는 수요가 많은 H 100 및 A 100과 같은 전문 칩의 경우 시장 메커니즘에서 하드웨어의 이 부분의 가격이 저렴하지 않을 것이라고 판단하기 때문입니다. 또한 탈중앙화 네트워크는 유휴 해시레이트 리소스를 수집할 수 있지만 탈중앙화 로 인한 규모의 경제 부족, 높은 네트워크 및 대역폭 비용, 엄청난 관리 및 운영 및 유지 관리 복잡성과 같은 숨겨진 비용은 해시레이트 비용을 더욱 증가시킵니다.
AI 훈련의 특수성 : 현 단계에서 AI 훈련을 위해 탈중앙화 방법을 사용하는 데는 엄청난 기술적 병목 현상이 있습니다. 이러한 병목 현상은 GPU 워크플로에서 직관적으로 반영될 수 있습니다. 대규모 언어 모델 훈련에서 GPU는 먼저 전처리된 데이터 배치를 수신하고 순방향 전파 및 역방향 전파 계산을 수행하여 그라디언트를 생성합니다. 다음으로, 각 GPU는 기울기를 집계하고 모델 매개변수를 업데이트하여 모든 GPU가 동기화되도록 합니다. 훈련이 모든 배치를 완료하거나 미리 결정된 에포크 수에 도달할 때까지 이 프로세스가 반복됩니다. 이 프로세스에는 대량 데이터 전송 및 동기화가 포함됩니다. 어떤 종류의 병렬성과 동기화 전략을 사용할지, 네트워크 대역폭과 지연을 최적화하는 방법, 통신 비용을 절감할 방법 등의 질문에 대해서는 아직 제대로 답변되지 않았습니다. 현 단계에서는 탈중앙화 해시레이트 네트워크를 사용하여 AI를 훈련시키는 것은 현실적이지 않습니다.
데이터 보안 및 개인정보 보호 : 대규모 언어 모델의 교육 과정에서 데이터 배포, 모델 교육, 매개변수 및 그래디언트 집계 등 데이터 처리 및 전송과 관련된 모든 측면이 데이터 보안 및 개인정보 보호에 영향을 미칠 수 있습니다. 그리고 데이터 프라이버시 코인 모델 프라이버시가 더 중요합니다. 데이터 개인 정보 보호 문제를 해결할 수 없다면 실제로 수요 측면에서 확장할 수 없습니다.
가장 현실적인 관점에서 볼 때 탈중앙화 해시레이트 네트워크는 현재 수요 발견과 미래 시장 공간을 모두 고려해야 합니다. 제품 포지셔닝을 식별하고 AI가 아닌 프로젝트나 Web3 네이티브 프로젝트를 먼저 대상으로 하고 상대적으로 한계가 있는 요구 사항부터 시작하여 초기 사용자 기반을 구축하는 등 대상 고객 그룹을 식별합니다. 동시에 우리는 AI와 암호화폐의 결합에 대한 다양한 시나리오를 계속 탐색하고, 기술 영역을 탐구하며, 서비스의 변화와 업그레이드를 실현합니다.
참고자료
https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
