Tác giả gốc: Jane Doe, Chen Li
Nguồn gốc: Youbi Capital
1 Sự giao thoa giữa AI và Crypto
Vào ngày 23 tháng 5, gã khổng lồ chip Nvidia đã công bố báo cáo tài chính quý đầu tiên cho năm tài chính 2025. Báo cáo tài chính cho thấy doanh thu quý đầu tiên của Nvidia là 26 tỷ USD. Trong đó, doanh thu của trung tâm dữ liệu tăng trưởng 427% so với năm ngoái, đạt con số đáng kinh ngạc là 22,6 tỷ USD. Hiệu quả tài chính đằng sau khả năng một mình cứu vãn thị trường chứng khoán Mỹ của Nvidia phản ánh nhu cầu bùng nổ về tỷ lệ băm từ các công ty công nghệ toàn cầu nhằm cạnh tranh trên con đường AI. Càng có nhiều công ty công nghệ hàng đầu, tham vọng của họ trong lĩnh vực AI càng lớn. Kéo theo đó, nhu cầu về tỷ lệ băm của các công ty này cũng tăng trưởng theo cấp số nhân. Theo dự báo của TrendForce, nhu cầu về máy chủ AI cao cấp từ bốn nhà cung cấp dịch vụ đám mây lớn của Mỹ: Microsoft, Google, AWS và Meta dự kiến sẽ lần lượt chiếm 20,2%, 16,6%, 16% và 10,8% nhu cầu toàn cầu trong 2024, tổng cộng trên 60%.
Nguồn hình ảnh: https://investor.nvidia.com/financial-info/financial-reports/default.aspx
“Thiếu chip” đã trở thành từ nóng trong năm trong những năm gần đây. Một mặt, việc đào tạo và suy luận các mô hình ngôn ngữ lớn (LLM) đòi hỏi lượng lớn tỷ lệ băm; và với việc lặp lại mô hình, chi phí và nhu cầu tỷ lệ băm tăng theo cấp số nhân. Mặt khác, các công ty lớn như Meta sẽ mua số lượng chip khổng lồ và tài nguyên tỷ lệ băm toàn cầu đang nghiêng về phía những gã khổng lồ công nghệ này, khiến các doanh nghiệp nhỏ ngày càng khó có được tài nguyên tỷ lệ băm mà họ cần. Những khó khăn mà các công ty nhỏ phải đối mặt không chỉ đến từ việc cung cấp chip không đủ do nhu cầu tăng cao mà còn đến từ những mâu thuẫn về cơ cấu trong nguồn cung. Hiện tại, crypto còn lượng lớn GPU nhàn rỗi ở phía cung. Ví dụ: có lượng lớn tỷ lệ băm khai thác rỗi ở một số trung tâm dữ liệu (tỷ lệ sử dụng chỉ là 12% – 18%). trước việc giảm lợi nhuận, lượng lớn tỷ lệ băm.Mặc dù không phải tất cả tỷ lệ băm này đều phù hợp với các kịch bản ứng dụng chuyên nghiệp như đào tạo AI, nhưng phần cứng cấp độ người tiêu dùng vẫn có thể đóng một vai trò to lớn trong các lĩnh vực khác, chẳng hạn như suy luận AI, kết xuất trò chơi trên đám mây, điện thoại di động đám mây, v.v. Cơ hội để tích hợp và sử dụng tài nguyên tỷ lệ băm này là rất lớn.
Chuyển sự chú ý của chúng tôi từ AI chuyển đến tiền điện tử, sau ba năm im lặng trong thị trường crypto, cuối cùng chúng tôi đã mở ra một thị trường bò khác. Giá Bitcoin đã liên tục đạt mức cao mới và nhiều memecoin khác nhau đã xuất hiện không ngừng. Mặc dù AI và Crypto đã trở thành những từ thông dụng phổ biến trong nhiều năm qua nhưng trí tuệ nhân tạo và blockchain, với tư cách là hai công nghệ quan trọng, giống như hai đường thẳng song song và vẫn chưa tìm được “điểm giao nhau”. Vào đầu năm nay, Vitalik đã xuất bản một bài báo có tiêu đề “Lời hứa và thách thức của ứng dụng tiền điện tử + AI”, thảo luận về kịch bản tương lai của việc kết hợp AI và tiền điện tử. Vitalik đã đề cập đến nhiều ý tưởng trong bài viết, bao gồm việc sử dụng các công nghệ crypto như blockchain và MPC để phi tập trung đào tạo và suy luận AI, có thể mở hộp đen của machine learning, khiến mô hình AI trở nên đáng tin cậy hơn, v.v. Vẫn còn một chặng đường dài trước khi viễn cảnh mong đợi này có thể trở thành hiện thực. Nhưng trong đó trong đó trường hợp sử dụng được Vitalik đề cập - sử dụng khích lệ kinh tế của tiền điện tử để trao quyền cho AI, cũng là một hướng quan trọng có thể thực hiện được trong thời gian ngắn. Mạng tỷ lệ băm phi tập trung là một trong những kịch bản phù hợp nhất cho AI + tiền điện tử ở giai đoạn này.
2 Tỷ lệ băm phi tập trung
Hiện tại, đã có nhiều dự án phát triển theo hướng mạng tỷ lệ băm phi tập trung . Logic cơ bản của các dự án này là tương tự nhau và có thể tóm tắt như sau: sử dụng mã thông báo khích lệ người nắm giữ tỷ lệ băm tham gia vào mạng để cung cấp dịch vụ tỷ lệ băm, những tài nguyên tỷ lệ băm phân tán này có thể được tập hợp thành một mạng tỷ lệ băm phi tập trung của một địa chỉ nhất định. tỉ lệ. Điều này không chỉ có thể cải thiện tỷ lệ sử dụng tỷ lệ băm nhàn rỗi mà còn đáp ứng nhu cầu tỷ lệ băm của khách hàng với chi phí thấp hơn, đạt được tình hình đôi bên cùng có lợi cho cả người mua và người bán.
Để giúp người đọc có thể nắm bắt tổng thể về con đường này trong một thời gian ngắn, bài viết này sẽ phân tích các dự án cụ thể và toàn bộ con đường này từ hai góc độ: vi mô và vĩ mô, nhằm cung cấp cho người đọc góc độ phân tích để hiểu cốt lõi. của từng dự án. Lợi thế cạnh tranh và sự phát triển chung của con đường tỷ lệ băm phi tập trung . Tác giả sẽ giới thiệu và phân tích 5 dự án: Aethir, io.net, Render Network, Akash Network , Gensyn , đồng thời tổng hợp, đánh giá hiện trạng dự án và theo dõi sự phát triển.
Từ khung phân tích, nếu chúng ta tập trung vào một mạng lưới tỷ lệ băm phi tập trung cụ thể, chúng ta có thể tách nó thành bốn thành phần cốt lõi:
Mạng phần cứng : Tỷ lệ băm tích hợp các tài nguyên tỷ lệ băm phân tán và thực hiện chia sẻ và cân bằng tải các tài nguyên tỷ lệ băm thông qua nút được phân phối trên toàn thế giới.
Thị trường song phương : Kết nối các nhà cung cấp tỷ lệ băm với người có nhu cầu thông qua cơ chế định giá và cơ chế khám phá hợp lý, cung cấp nền tảng giao dịch an toàn và đảm bảo rằng các giao dịch giữa các bên cung và cầu là minh bạch, công bằng và đáng tin cậy.
Cơ chế đồng thuận : được sử dụng để đảm bảo rằng nút trong mạng hoạt động chính xác và hoàn thành công việc của chúng. Cơ chế đồng thuận chủ yếu được sử dụng để giám sát hai cấp độ: 1) Giám sát xem nút có đang chạy trực tuyến hay không và ở trạng thái hoạt động có thể chấp nhận nhiệm vụ bất cứ lúc nào 2) Bằng chứng về hoạt động của nút : Sau khi nhận được nhiệm vụ , nút đã hoàn thành nhiệm vụ; một cách hiệu quả và chính xác, đồng thời tỷ lệ băm không bị ảnh hưởng. Các quy trình và luồng được sử dụng cho các mục đích khác.
Khích lệ token : Mô hình token được sử dụng để khích lệ nhiều người tham gia cung cấp/sử dụng dịch vụ hơn và sử dụng mã thông báo để nắm bắt hiệu ứng mạng này và đạt được chia sẻ lợi nhuận trong cộng đồng.
Nếu bạn có cái nhìn toàn cảnh phi tập trung đường ray tỷ lệ băm phi tập trung, báo cáo nghiên cứu của Blockworks Research cung cấp một khung phân tích tốt. Chúng ta có thể chia các vị trí dự án của đường đua này thành ba lớp khác nhau.
Lớp kim loại trần : tạo thành lớp cơ bản của ngăn xếp điện toán phi tập trung. Nhiệm vụ chính của nó là thu thập các tài nguyên tỷ lệ băm thô và cung cấp chúng cho các lệnh gọi API.
Lớp điều phối : Lớp giữa cấu thành ngăn xếp máy tính phi tập trung. Nhiệm vụ chính của nó là phối hợp và trừu tượng hóa, đồng thời chịu trách nhiệm lập kế hoạch, mở rộng , vận hành, cân bằng tải và khả năng chịu lỗi của tỷ lệ băm . Chức năng chính của nó là "trừu tượng hóa" sự phức tạp của việc quản lý phần cứng cơ bản, cung cấp cho người dùng cuối giao diện người dùng nâng cao hơn và phục vụ các nhóm khách hàng cụ thể.
Lớp tổng hợp : Nó tạo thành lớp trên cùng của ngăn xếp điện toán phi tập trung. Nhiệm vụ chính của nó là tích hợp. Nó chịu trách nhiệm cung cấp một giao diện hợp nhất cho phép người dùng thực hiện nhiều nhiệm vụ điện toán ở một nơi, chẳng hạn như đào tạo AI, kết xuất, zkML, v.v. . Tương đương với lớp điều phối và phân phối của nhiều dịch vụ điện toán phi tập trung.
Nguồn ảnh: Youbi Capital
Dựa trên hai khung phân tích trên, chúng tôi sẽ so sánh theo chiều ngang của năm dự án đã chọn và đánh giá chúng theo bốn cấp độ: việc kinh doanh cốt lõi, định vị thị trường, cơ sở vật chất phần cứng và hiệu quả tài chính .
2.1 Việc kinh doanh cốt lõi
Từ logic cơ bản, mạng tỷ lệ băm phi tập trung có tính đồng nhất cao, nghĩa là mã thông báo được sử dụng khích lệ người nắm giữ tỷ lệ băm nhàn rỗi cung cấp dịch vụ tỷ lệ băm. Tập trung vào logic cơ bản này, chúng ta có thể hiểu được sự khác biệt trong việc kinh doanh cốt lõi của dự án từ ba điểm khác biệt:
Nguồn tỷ lệ băm nhàn rỗi:
Có hai nguồn tỷ lệ băm nhàn rỗi chính trên thị trường: 1) Tỷ lệ băm nhàn rỗi trong tay các trung tâm dữ liệu, thợ mỏ và các doanh nghiệp khác; 2) Tỷ lệ băm nhàn rỗi trong tay nhà đầu tư bán lẻ . Tỷ lệ băm trong trung tâm dữ liệu thường là phần cứng cấp chuyên nghiệp, trong khi nhà đầu tư bán lẻ thường mua chip cấp tiêu dùng.
Tỷ lệ băm của Aethir, Akash Network và Gensyn chủ yếu được thu thập từ các doanh nghiệp. Lợi ích của việc thu thập tỷ lệ băm từ doanh nghiệp là: 1) Doanh nghiệp và trung tâm dữ liệu thường có đội ngũ bảo trì chuyên nghiệp và phần cứng chất lượng cao hơn, hiệu suất và độ tin cậy của tài nguyên tỷ lệ băm cao hơn; 2) Doanh nghiệp và trung tâm dữ liệu có xu hướng có nguồn tỷ lệ băm cao hơn; Đồng nhất hóa, quản lý và giám sát tập trung giúp lập kế hoạch và bảo trì tài nguyên hiệu quả hơn. Nhưng tương ứng, phương pháp này có yêu cầu cao hơn đối với phía dự án, đòi hỏi phía dự án phải có mối liên hệ kinh doanh với các công ty kiểm soát tỷ lệ băm. Đồng thời, mở rộng và phi tập trung sẽ bị ảnh hưởng ở một mức độ nhất định.
Mạng kết xuất và io.net chủ yếu khích lệ nhà đầu tư bán lẻ cung cấp tỷ lệ băm nhàn rỗi của họ. Lợi ích của việc thu thập tỷ lệ băm từ nhà đầu tư bán lẻ là: 1) Chi phí rõ ràng cho tỷ lệ băm nhàn rỗi của nhà đầu tư bán lẻ thấp hơn, có thể cung cấp tài nguyên tỷ lệ băm kinh tế hơn 2) Mạng có mở rộng và phi tập trung hơn, giúp nâng cao tính linh hoạt của hệ thống; và sự vững chắc. Điểm bất lợi là tài nguyên nhà đầu tư bán lẻ được phân bổ rộng rãi và không nhất quán, khiến việc quản lý và lập kế hoạch trở nên phức tạp, khiến việc vận hành và bảo trì trở nên khó khăn hơn. Và sẽ khó khăn hơn (khó khởi động hơn) khi dựa vào tỷ lệ băm nhà đầu tư bán lẻ để hình thành các hiệu ứng mạng ban đầu. Cuối cùng, thiết bị của nhà đầu tư bán lẻ có thể gặp nhiều rủi ro bảo mật hơn, điều này có thể mang đến rủi ro rò rỉ dữ liệu và lạm dụng tỷ lệ băm .
Người tiêu dùng tỷ lệ băm
Từ góc độ người tiêu dùng tỷ lệ băm, khách hàng mục tiêu của Aethir, io.net và Gensyn chủ yếu là các doanh nghiệp. Đối với khách hàng bên B, kết xuất thời gian thực của AI và trò chơi yêu cầu yêu cầu tính toán hiệu năng cao. Khối lượng công việc như vậy đòi hỏi rất cao về tài nguyên tỷ lệ băm, thường yêu cầu GPU cao cấp hoặc phần cứng cấp chuyên nghiệp. Ngoài ra, khách hàng bên B có yêu cầu cao về tính ổn định và độ tin cậy của tài nguyên tỷ lệ băm nên họ phải cung cấp các thỏa thuận mức dịch vụ chất lượng cao để đảm bảo dự án hoạt động bình thường và cung cấp hỗ trợ kỹ thuật kịp thời. Đồng thời, chi phí di chuyển đối với khách hàng bên B là rất cao Nếu mạng phi tập trung không có SDK hoàn thiện cho phép bên dự án triển khai nhanh chóng (ví dụ: Akash Network yêu cầu người dùng phát triển dựa trên các cổng từ xa). , khách hàng sẽ khó di chuyển. Nếu không có lợi thế đáng kể về giá, mức độ sẵn sàng di chuyển của khách hàng sẽ rất thấp.
Mạng kết xuất và Akash Network chủ yếu cung cấp dịch vụ tỷ lệ băm cho nhà đầu tư bán lẻ . Để cung cấp dịch vụ cho người dùng C-end, dự án cần thiết kế các giao diện và công cụ đơn giản, dễ sử dụng để mang đến cho người tiêu dùng trải nghiệm tiêu dùng tốt. Và người tiêu dùng rất nhạy cảm về giá nên các dự án cần đưa ra mức giá cạnh tranh.
Loại phần cứng
Các tài nguyên phần cứng máy tính phổ biến bao gồm CPU, FPGA, GPU, ASIC, SoC, v.v. Những phần cứng này khác nhau đáng kể về mục tiêu thiết kế, đặc tính hiệu suất và lĩnh vực ứng dụng. Tóm lại, CPU làm tốt hơn nhiệm vụ tính toán nói chung, ưu điểm của FPGA nằm ở khả năng xử lý và lập trình song song cao, GPU hoạt động tốt trong tính toán song song, ASIC hiệu quả nhất trong nhiệm vụ cụ thể và SoC tích hợp nhiều chức năng thành một, phù hợp cho các tích hợp cao. các ứng dụng. Việc lựa chọn phần cứng phụ thuộc vào nhu cầu của ứng dụng cụ thể, yêu cầu về hiệu suất và cân nhắc về chi phí. Hầu hết các dự án tỷ lệ băm phi tập trung mà chúng tôi thảo luận đều thu thập tỷ lệ băm GPU, được xác định bởi loại hình việc kinh doanh dự án và đặc điểm của GPU. Bởi vì GPU có những lợi thế riêng trong đào tạo AI, tính toán song song, kết xuất đa phương tiện, v.v.
Mặc dù hầu hết các dự án này đều liên quan đến tích hợp GPU, nhưng các ứng dụng khác nhau có các yêu cầu khác nhau về thông số kỹ thuật phần cứng, do đó các phần cứng này có các thông số và lõi tối ưu hóa không đồng nhất. Các tham số này bao gồm tính song song/phụ thuộc nối tiếp, bộ nhớ, độ trễ, v.v. Ví dụ: khối lượng công việc kết xuất thực sự phù hợp với GPU cấp độ người tiêu dùng hơn là GPU trung tâm dữ liệu có hiệu suất mạnh hơn, vì kết xuất có yêu cầu cao về dò tia, v.v. Các chip cấp độ người tiêu dùng như 4090 có lõi RT nâng cao dành riêng cho nhiệm vụ dò tia . Thực hiện tối ưu hóa tính toán. Đào tạo và suy luận AI yêu cầu GPU cấp độ chuyên nghiệp. Do đó, Render Network có thể thu thập các GPU cấp độ người tiêu dùng như RTX 3090 và 4090 từ nhà đầu tư bán lẻ, trong khi IO.NET cần nhiều GPU cấp độ chuyên nghiệp hơn như H 100s và A 100s để đáp ứng nhu cầu của các công ty khởi nghiệp AI.
2.2 Định vị thị trường
Về vị trí của dự án, lớp kim loại trần, lớp điều phối và lớp tổng hợp có các vấn đề cốt lõi khác nhau cần giải quyết, tập trung tối ưu hóa và khả năng nắm bắt giá trị.
Lớp Bare metal tập trung vào việc thu thập và sử dụng các tài nguyên vật lý, trong khi lớp Điều phối tập trung vào việc lập kế hoạch và tối ưu hóa tỷ lệ băm, đồng thời thiết kế tối ưu phần cứng vật lý theo nhu cầu của các nhóm khách hàng. Lớp Tổng hợp có mục đích chung và tập trung vào việc tích hợp và trừu tượng hóa các tài nguyên khác nhau. Từ góc độ Chuỗi giá trị, mỗi dự án nên bắt đầu từ cấp độ kim loại thô và phát triển dần dần.
Từ góc độ nắm bắt giá trị, từ lớp kim loại trần, lớp điều phối đến lớp tổng hợp, khả năng nắm bắt giá trị tăng lên từng lớp. Lớp tổng hợp có thể thu được nhiều giá trị nhất vì nền tảng tổng hợp có thể đạt được hiệu ứng mạng lớn nhất và tiếp cận trực tiếp với nhiều người dùng nhất. Nó tương đương với lối vào lưu lượng truy cập của mạng phi tập trung, do đó chiếm giá trị cao nhất trong toàn bộ ngăn xếp quản lý tài nguyên tỷ lệ băm. vị trí chụp.
Tương ứng, việc xây dựng một nền tảng tổng hợp cũng là khó khăn nhất. Dự án cần giải quyết toàn diện sự phức tạp về mặt kỹ thuật, quản lý tài nguyên không đồng nhất, độ tin cậy và mở rộng của hệ thống, thực hiện hiệu ứng mạng, bảo vệ an ninh và quyền riêng tư cũng như quản lý và bảo trì phức tạp. các vấn đề khác. Những thách thức này không có lợi cho việc khởi đầu dự án một cách nguội lạnh và phụ thuộc vào thời gian và sự phát triển của đường ray. Khi lớp điều phối chưa đủ trưởng thành để chiếm được một thị thị phần nhất định, việc xây dựng một lớp tổng hợp là không thực tế.
Hiện tại, Aethir, Render Network, Akash Network và Gensyn đều thuộc lớp Điều phối và chúng được thiết kế để phục vụ các mục tiêu và nhóm khách hàng cụ thể. Hoạt động việc kinh doanh chính hiện tại của Aethir là kết xuất thời gian thực cho các trò chơi trên đám mây và cung cấp các công cụ và hoàn cảnh phát triển và triển khai nhất định cho khách hàng bên B; Hoạt việc kinh doanh chính của Render Network là kết xuất video và nhiệm vụ của Akash Network là cung cấp nền tảng giao dịch. và Gensyn tham gia sâu vào lĩnh vực đào tạo AI. io.net được định vị là lớp Tổng hợp, nhưng các chức năng do io triển khai vẫn còn rất xa so với các chức năng hoàn chỉnh của lớp tổng hợp. Mặc dù phần cứng của Render Network và Filecoin đã được thu thập nhưng việc trừu tượng hóa và tích hợp tài nguyên phần cứng vẫn chưa có. vẫn chưa được hoàn thành.
2.3 Cơ sở vật chất phần cứng
Hiện tại, không phải tất cả các dự án đều công bố dữ liệu mạng chi tiết. Nói một cách tương đối, giao diện người dùng của io.net explorer là tốt nhất. Bạn có thể xem số lượng GPU/CPU, loại, giá cả, phân phối, mức sử dụng mạng và thu nhập nút ở trên. cho các tham số. Tuy nhiên, vào cuối tháng 4, front-end của io.net đã bị tấn công. Do io không thực hiện Auth trên giao diện PUT/POST nên hacker đã giả mạo dữ liệu front-end. Điều này cũng gióng lên hồi chuông cảnh báo về quyền riêng tư và độ tin cậy dữ liệu mạng của các dự án khác.
Xét về số lượng GPU và kiểu máy, io.net, với tư cách là lớp tổng hợp, sẽ thu thập lượng phần cứng lớn nhất. Aethir theo sát phía sau, còn các dự án khác có tình hình phần cứng kém minh bạch hơn. Có thể thấy từ mô hình GPU, io có cả GPU cấp chuyên nghiệp như A 100 và GPU cấp người tiêu dùng như 4090. Có nhiều loại, phù hợp với định vị của tập hợp io.net. io có thể chọn GPU phù hợp nhất dựa trên yêu cầu nhiệm vụ cụ thể. Tuy nhiên, các mẫu và nhãn hiệu GPU khác nhau có thể yêu cầu trình điều khiển và cấu hình khác nhau, đồng thời phần mềm cũng yêu cầu tối ưu hóa phức tạp, điều này làm tăng độ phức tạp của việc quản lý và bảo trì. Hiện tại, việc phân bổ nhiệm vụ io khác nhau chủ yếu phụ thuộc vào sự lựa chọn độc lập của người dùng.
Aethir đã phát hành máy khai thác của riêng mình và vào tháng 5, Aethir Edge, được phát triển với sự hỗ trợ từ Qualcomm, đã chính thức ra mắt. Nó sẽ phá vỡ phương thức triển khai cụm GPU tập trung duy nhất ở xa người dùng và triển khai tỷ lệ băm đến biên. Aethir Edge sẽ kết hợp tỷ lệ băm cụm của H 100 để cùng phục vụ các kịch bản AI. Nó có thể triển khai các mô hình đã được đào tạo và cung cấp cho người dùng các dịch vụ điện toán suy luận với chi phí tối ưu. Giải pháp này gần gũi hơn với người dùng, có dịch vụ nhanh hơn và tiết kiệm chi phí hơn.
Từ góc độ cung cầu, lấy Akash Network làm ví dụ, dữ liệu của nó cho thấy tổng số CPU xấp xỉ 16k và số lượng GPU là 378. Theo yêu cầu cho thuê mạng, tỷ lệ sử dụng CPU và GPU là 11,1 % và 19,3%. Trong đó, chỉ có GPU H 100 cấp chuyên nghiệp có giá thuê tương đối cao, trong khi hầu hết các model còn lại đều ở trạng thái nhàn rỗi. Tình trạng mà các mạng khác gặp phải nhìn chung cũng giống như Akash. Nhu cầu chung về mạng không cao. Ngoại trừ các chip phổ biến như A 100 và H 100, hầu hết tỷ lệ băm khác đều không hoạt động.
Từ góc độ lợi thế về giá, so với các nhà cung cấp dịch vụ truyền thống khác ngoại trừ những gã khổng lồ trên thị trường điện toán đám mây, lợi thế về chi phí không có gì nổi bật.
2.4 Hiệu quả tài chính
Cho dù mô hình mã thông báo được thiết kế như thế nào, hệ thống mã thông báo lành mạnh cần phải đáp ứng các điều kiện cơ bản sau: 1) Nhu cầu của người dùng đối với mạng cần được phản ánh bằng giá tiền tệ, nghĩa là token có thể đạt được giá trị nắm bắt 2) Mỗi người tham gia; , nhà phát triển, nút và người dùng đều cần khích lệ dài hạn và công bằng ; 3) Đảm bảo quản trị phi tập trung để tránh nắm giữ quá mức người trong nội bộ 4) Cơ chế lạm phát và giảm phát hợp lý cũng như chu kỳ phát hành token để tránh giá tiền tệ biến động trên quy mô lớn ảnh hưởng đến sự ổn định và tính bền vững của mạng.
Nếu mô hình token được chia rộng rãi thành BME (cân bằng đốt và đúc) và SFA (stake để truy cập), thì nguồn áp lực giảm phát mã token của hai mô hình này là khác nhau: mô hình BME sẽ đốt token sau khi người dùng mua dịch vụ, do đó hệ thống Áp lực giảm phát được xác định bởi nhu cầu. SFA yêu cầu các nhà cung cấp/ nút dịch vụ phải cam kết token đủ tư cách để cung cấp dịch vụ, do đó áp lực giảm phát là do nguồn cung gây ra. Ưu điểm của BME là phù hợp hơn với những hàng hóa chưa được tiêu chuẩn hóa. Nhưng nếu nhu cầu về mạng không đủ, nó có thể phải đối mặt với áp lực lạm phát tiếp tục. Các mô hình token của mỗi dự án khác nhau về chi tiết, nhưng nói chung, Aethir thiên về SFA hơn, trong khi io.net, Render Network và Akash Network thiên về BME hơn và Gensyn vẫn chưa được biết đến.
Từ góc độ thu nhập, nhu cầu của mạng sẽ được phản ánh trực tiếp vào thu nhập chung của mạng ( thu nhập của thợ đào sẽ không được thảo luận ở đây, vì ngoài phần thưởng khi hoàn thành nhiệm vụ , thợ đào còn nhận được trợ cấp từ các dự án. ) Từ dữ liệu công khai, io .net có giá trị cao nhất. Mặc dù thu nhập của Aethir vẫn chưa được công bố nhưng xét từ thông tin công khai, họ đã thông báo rằng họ đã ký đơn đặt hàng với nhiều khách hàng bên B.
Về giá tiền tệ, hiện chỉ có Render Network và Akash Network thực hiện ICO. Aethir và io.net cũng đã phát hành tiền xu trong thời gian tới. Hiệu suất giá cần được quan sát thêm và sẽ không được thảo luận quá nhiều ở đây. Kế hoạch của Gensyn không rõ ràng. Đánh giá từ hai dự án phát hành tiền xu và các dự án đã phát hành tiền xu trong cùng một lộ trình nhưng không nằm trong phạm vi của bài viết này, nhìn chung, mạng tỷ lệ băm phi tập trung có hiệu suất giá rất bắt mắt, điều này phản ánh ở một mức độ nhất định Tiềm năng thị trường lớn và kỳ vọng cao từ cộng đồng.
2.5 Tóm tắt
Đường đi của mạng tỷ lệ băm phi tập trung nói chung đang phát triển nhanh chóng và đã có nhiều dự án có thể dựa vào sản phẩm để phục vụ khách hàng và tạo ra một thu nhập nhất định. Bài hát đã rời xa câu chuyện thuần túy và bước vào giai đoạn phát triển nơi có thể cung cấp các dịch vụ sơ bộ.
Nhu cầu yếu là một vấn đề phổ biến mà các mạng tỷ lệ băm phi tập trung phải đối mặt và nhu cầu dài hạn của khách hàng chưa được xác minh và khai thác tốt. Tuy nhiên, phía cầu không ảnh hưởng quá nhiều đến giá tiền tệ và một số dự án phát hành tiền xu đã hoạt động tốt.
AI là câu chuyện chính của các mạng tỷ lệ băm phi tập trung , nhưng nó không phải là việc kinh doanh duy nhất. Ngoài việc được sử dụng để đào tạo và suy luận AI, tỷ lệ băm còn có thể được sử dụng để hiển thị thời gian thực các trò chơi trên đám mây, dịch vụ di động trên đám mây, v.v.
Mạng tỷ lệ băm có mức độ không đồng nhất về phần cứng cao, chất lượng và quy mô của mạng tỷ lệ băm cần được cải thiện hơn nữa.
Đối với người dùng C-end, lợi thế về chi phí không rõ ràng lắm. Đối với người dùng B-side, ngoài việc tiết kiệm chi phí, họ còn cần xem xét tính ổn định của dịch vụ, độ tin cậy, hỗ trợ kỹ thuật, tuân thủ và hỗ trợ pháp lý, v.v. Các dự án Web3 nhìn chung không làm tốt các khía cạnh này.
3 Suy nghĩ kết thúc
Không còn nghi ngờ gì nữa, tăng trưởng bùng nổ của AI đã mang đến nhu cầu rất lớn về tỷ lệ băm . Tỷ lệ băm được sử dụng trong nhiệm vụ đào tạo AI đã tăng trưởng theo cấp số nhân kể từ năm 2012, hiện tăng gấp đôi sau mỗi 3,5 tháng (so với Định luật Moore tăng gấp đôi sau mỗi 18 tháng). Kể từ năm 2012, nhu cầu về tỷ lệ băm của con người tăng trưởng hơn 300.000 lần, vượt xa tăng trưởng gấp 12 lần của Định luật Moore. Người ta dự đoán rằng thị trường GPU dự kiến tăng trưởng với tăng trưởng kép hàng năm là 32% trong 5 năm tới để vượt quá 200 tỷ USD. Ước tính của AMD thậm chí còn cao hơn, khi công ty dự đoán thị trường chip GPU sẽ đạt 400 tỷ USD vào năm 2027.
Nguồn hình ảnh: https://www.stateof.ai/
Bởi vì tăng trưởng bùng nổ của trí tuệ nhân tạo và các khối lượng công việc đòi hỏi nhiều tính toán khác (chẳng hạn như kết xuất AR/VR) đã bộc lộ sự thiếu hiệu quả về cấu trúc trong điện toán đám mây truyền thống và các thị trường điện toán hàng đầu. Về lý thuyết, mạng tỷ lệ băm phi tập trung có thể cung cấp các giải pháp linh hoạt, chi phí thấp và hiệu quả hơn bằng cách sử dụng các tài nguyên máy tính nhàn rỗi được phân phối, từ đó đáp ứng nhu cầu rất lớn của thị trường về tài nguyên máy tính. Do đó, sự kết hợp giữa tiền điện tử và AI có tiềm năng thị trường rất lớn nhưng nó cũng phải đối mặt với sự cạnh tranh khốc liệt với các doanh nghiệp truyền thống, rào cản gia nhập cao và hoàn cảnh thị trường phức tạp. Nhìn chung, nhìn vào tất cả các xu hướng về tiền điện tử, mạng tỷ lệ băm phi tập trung là một trong những lĩnh vực dọc hứa hẹn nhất trong lĩnh vực crypto để đạt được nhu cầu thực sự.
Nguồn hình ảnh : https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
Tương lai tươi sáng nhưng con đường lại quanh co. Để đạt được viễn cảnh mong đợi trên, chúng ta vẫn cần phải giải quyết nhiều vấn đề và thách thức. Tóm lại: ở giai đoạn này, nếu chỉ cung cấp dịch vụ đám mây truyền thống thì tỷ suất lợi nhuận của dự án sẽ rất nhỏ. Phân tích từ phía nhu cầu, các doanh nghiệp lớn thường xây dựng tỷ lệ băm của riêng họ và các nhà phát triển thuần túy bên C chủ yếu chọn dịch vụ đám mây. Liệu các doanh nghiệp vừa và nhỏ thực sự sử dụng tài nguyên mạng tỷ lệ băm phi tập trung có nhu cầu ổn định hay không, cần phải thăm dò và xác minh thêm. . Mặt khác, AI là một thị trường rộng lớn với trần cực kỳ cao và có chỗ cho trí tưởng tượng. Để tiếp cận thị trường rộng lớn hơn, các nhà cung cấp dịch vụ tỷ lệ băm phi tập trung cũng sẽ cần chuyển đổi sang các mô hình/dịch vụ AI trong tương lai và khám phá thêm về tiền điện tử + Giải pháp AI. Sử dụng các kịch bản để mở rộng giá trị mà dự án có thể tạo ra. Nhưng hiện tại, vẫn còn nhiều vấn đề và thách thức trong việc phát triển hơn nữa sang lĩnh vực AI:
Lợi thế về giá không nổi bật : Có thể thấy từ so sánh dữ liệu trước đó rằng lợi thế về chi phí của mạng tỷ lệ băm phi tập trung chưa được phản ánh. Nguyên nhân có thể là do đối với những con chip chuyên nghiệp như H 100, A 100 có nhu cầu cao thì cơ chế thị trường xác định giá của bộ phận phần cứng này sẽ không hề rẻ. Ngoài ra, mặc dù các mạng phi tập trung có thể thu thập các tài nguyên tỷ lệ băm nhàn rỗi, nhưng các chi phí tỷ lệ băm ẩn như thiếu quy mô kinh tế do phi tập trung mang lại, chi phí mạng và băng thông cao cũng như độ phức tạp về quản lý, vận hành và bảo trì sẽ tăng thêm.
Đặc thù của đào tạo AI : Có một nút thắt kỹ thuật rất lớn trong việc sử dụng các phương pháp phi tập trung cho đào tạo AI ở giai đoạn này. Nút thắt cổ chai này có thể được phản ánh một cách trực quan từ quy trình làm việc của GPU trong quá trình đào tạo mô hình ngôn ngữ lớn, trước tiên GPU sẽ nhận được lần dữ liệu được xử lý trước và thực hiện các phép tính lan truyền thuận và lan truyền ngược để tạo ra độ dốc. Tiếp theo, mỗi GPU tổng hợp độ dốc và cập nhật các tham số mô hình để đảm bảo rằng tất cả các GPU đều được đồng bộ hóa. Quá trình này sẽ được lặp lại cho đến khi quá trình đào tạo hoàn thành tất cả lần hoặc đạt đến số kỷ nguyên xác định trước. Quá trình này liên quan đến lượng lớn việc truyền và đồng bộ hóa dữ liệu . Các câu hỏi như sử dụng loại chiến lược song song và đồng bộ hóa nào, làm thế nào để tối ưu hóa băng thông và độ trễ mạng cũng như giảm chi phí liên lạc vẫn chưa được giải đáp thỏa đáng. Ở giai đoạn này, việc sử dụng mạng tỷ lệ băm phi tập trung để đào tạo AI là không thực tế.
Bảo mật và quyền riêng tư dữ liệu : Trong quá trình đào tạo các mô hình ngôn ngữ lớn, tất cả các khía cạnh liên quan đến xử lý và truyền dữ liệu, chẳng hạn như phân phối dữ liệu, đào tạo mô hình, tổng hợp tham số và độ dốc, có thể ảnh hưởng đến bảo mật và quyền riêng tư dữ liệu. Và quyền riêng tư của mô hình đồng xu về quyền riêng tư dữ liệu là quan trọng hơn. Nếu bạn không thể giải quyết vấn đề về quyền riêng tư dữ liệu , thì bạn thực sự không thể mở rộng quy mô về mặt nhu cầu.
Từ góc độ thực tế nhất, mạng tỷ lệ băm phi tập trung cần phải tính đến cả việc phát hiện nhu cầu hiện tại và không gian thị trường trong tương lai. Xác định định vị sản phẩm và nhóm khách hàng mục tiêu, chẳng hạn như nhắm mục tiêu trước tiên vào các dự án gốc không phải AI hoặc Web3, bắt đầu với những nhu cầu tương đối nhỏ và thiết lập cơ sở người dùng sớm. Đồng thời, chúng tôi tiếp tục khám phá các kịch bản khác nhau về sự kết hợp giữa AI và tiền điện tử, khám phá biên giới công nghệ và hiện thực hóa quá trình chuyển đổi và nâng cấp dịch vụ.
Tham khảo
https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
