Repost des Originaltitels: Ein neues Solana-basiertes KI + DePIN-Projekt: Eine kurze Analyse des bevorstehenden Tokenlaunch IO.NET

Einführung

Imunser letzter Bericht, haben wir erwähnt, dass im Vergleich zu den vorherigen beiden Zyklen der aktuelle Kryptowährungs-Bullenmarkt die neuen Geschäftsmodelle und Vermögensnarrative vermissen lässt. Künstliche Intelligenz (KI) ist eine der neuen Erzählungen im Web3-Raum in diesem Zyklus. Dieser Artikel geht auf das heiße KI-Projekt des Jahres, IO.NET, ein und ordnet Gedanken zu den folgenden zwei Fragen:

• Die Notwendigkeit von KI+Web3 in der kommerziellen Landschaft
• Die Notwendigkeit und Herausforderungen bei der Bereitstellung eines dezentralen Rechennetzwerks

Zweitens werde ich wichtige Informationen über das repräsentative Projekt im dezentralen KI-Berechnungsnetzwerk organisieren: IO.NET, einschließlich Produktgestaltung, Wettbewerbslandschaft und Projekthintergrund. Ich werde auch Spekulationen über die Bewertungskennzahlen des Projekts anstellen.

Die Einblicke auf Die Geschäftslogik hinter der Konvergenz von KI und Web3Teil lässt sich von „inspirierenDie Real Merge"von Michael Rinko, einem Forschungsanalysten bei Delphi Delphi. Diese Analyse assimiliert und referenziert Ideen aus seiner Arbeit, dem Leser wird dringend empfohlen, den Originalartikel zu lesen.

Bitte beachten Sie, dass dieser Artikel meine aktuelle Denkweise widerspiegelt und sich entwickeln kann. Die Meinungen hier sind subjektiv und es können Fehler in Fakten, Daten und logischem Denken auftreten. Dies ist keine finanzielle Beratung, aber Feedback und Diskussionen sind willkommen.

Der folgende Text ist der Haupttext.

1. Die Geschäftslogik hinter der Konvergenz von KI und Web3

1.1 2023: Das "Annus Mirabilis" für KI

Wenn man die Annalen der menschlichen Entwicklung betrachtet, wird deutlich, dass technologische Durchbrüche tiefgreifende Transformationen katalysieren - vom täglichen Leben über die Industrielandschaften bis hin zum Marsch der Zivilisation selbst.

In der Geschichte der Menschheit gibt es zwei bedeutende Jahre, nämlich 1666 und 1905, die heute als das "Annus Mirabilis" in der Wissenschaftsgeschichte gefeiert werden.

Das Jahr 1666 erhielt seinen Titel aufgrund von Isaac Newtons Kaskade wissenschaftlicher Durchbrüche. In einem einzigen Jahr begründete er den Bereich der Physik, der als Optik bekannt ist, gründete die mathematische Disziplin der Analysis und leitete das Gravitationsgesetz ab, das ein grundlegendes Gesetz der modernen Naturwissenschaft ist. Jeder dieser Beiträge war grundlegend für die wissenschaftliche Entwicklung der Menschheit im nächsten Jahrhundert und beschleunigte signifikant den Gesamtfortschritt der Wissenschaft.

Das andere wegweisende Jahr ist 1905, als ein gerade mal 26-jähriger Einstein in rascher Folge vier Artikel in den "Annalen der Physik" veröffentlichte, die den Photoeffekt, die Bühne für die Quantenmechanik; die Brownsche Bewegung, die einen entscheidenden Rahmen für die Analyse stochastischer Prozesse bildet; die Theorie der speziellen Relativität; und die Massen-Energie-Äquivalenz, verkörpert in der Gleichung E=MC^2, behandeln. Rückblickend wird jeder dieser Artikel als über dem durchschnittlichen Niveau der Physik-Nobelpreis-arbeit betrachtet - eine Auszeichnung, die Einstein selbst für seine Arbeit am Photoeffekt erhielt. Diese Beiträge haben die Menschheit gemeinsam mehrere Schritte auf dem Weg der Zivilisation vorangebracht.

Das Jahr 2023, das kürzlich hinter uns liegt, steht kurz davor, als ein weiteres "Wunderjahr" gefeiert zu werden, nicht zuletzt dank des Aufkommens von ChatGPT.

Die Betrachtung des Jahres 2023 als ein „Wunderjahr“ in der Geschichte der menschlichen Technologie geht nicht nur darum, die Fortschritte in der Verarbeitung und Generierung natürlicher Sprache durch ChatGPT anzuerkennen. Es geht auch darum, ein klares Muster im Fortschritt großer Sprachmodelle zu erkennen - die Erkenntnis, dass wir durch die Erweiterung von Modellparametern und Trainingsdatensätzen exponentielle Verbesserungen in der Modellleistung erzielen können. Darüber hinaus scheint es kurzfristig grenzenlos zu sein, vorausgesetzt, die Rechenleistung hält Schritt.

Diese Fähigkeit geht weit über das Verständnis von Sprache und die Generierung von Konversation hinaus; sie kann in verschiedenen wissenschaftlichen Bereichen weitreichend angewendet werden. Nehmen wir die Anwendung großer Sprachmodelle im biologischen Sektor als Beispiel:

• Im Jahr 2018 sagte die Nobelpreisträgerin für Chemie, Frances Arnold, während ihrer Preisverleihung: „Heute können wir praktisch jede DNA-Sequenz lesen, schreiben und bearbeiten, aber wir können sie nicht komponieren.“ Fünf Jahre später, im Jahr 2023, veröffentlichte ein Team von Forschern der Stanford University und Salesforce Research, einem auf KI spezialisierten Startup, in „Nature Biotechnology“ eine Studie. Unter Verwendung eines großen Sprachmodells, das aus GPT-3 entwickelt wurde, generierten sie einen völlig neuen Katalog von einer Million Proteinen. Darunter entdeckten sie zwei Proteine mit unterschiedlichen Strukturen, die beide mit einer antibakteriellen Funktion ausgestattet waren und möglicherweise den Weg für neue bakterielle Resistenzstrategien jenseits herkömmlicher Antibiotika ebneten. Dies bedeutet einen monumentalen Fortschritt bei der Überwindung der Hindernisse der Proteinherstellung mit Hilfe von KI.
• Vor diesem Zeitpunkt hatte der künstliche Intelligenzalgorithmus AlphaFold die Strukturen nahezu aller 2,14 Milliarden Proteintypen auf der Erde innerhalb von 18 Monaten vorhergesagt - ein Meilenstein, der die Errungenschaften der Strukturbiologen in der Geschichte um ein Vielfaches verstärkt.

Die Integration von KI-Modellen verspricht, Branchen drastisch zu transformieren. Von den harttechnischen Bereichen der Biotechnologie, Materialwissenschaft und Arzneimittelforschung bis zu den kulturellen Sphären des Rechts und der Künste steht eine transformative Welle bevor, die diese Bereiche umgestalten wird, wobei 2023 den Beginn von allem markiert.

Es ist allgemein anerkannt, dass das vergangene Jahrhundert einen exponentiellen Anstieg der menschlichen Fähigkeit zur Generierung von Wohlstand erlebt hat. Der rasche Fortschritt der KI-Technologien soll diesen Prozess beschleunigen.

Weltweiter Gesamt-BIP-Trend, Datenquelle: Weltbankgruppe

1.2 Verschmelzung von KI und Krypto

Um das inhärente Bedürfnis nach der Verschmelzung von KI und Krypto zu erfassen, lohnt es sich, zu betrachten, wie ihre unterschiedlichen Merkmale einander ergänzen.

Die Symbiose von KI und Krypto-Features

KI zeichnet sich durch drei Hauptqualitäten aus:

• Stochastizität: KI ist stochastisch, wobei ihr Inhaltsproduktionsmechanismus eine schwer zu replizierende, rätselhafte Blackbox ist, was ihre Ausgaben inhärent stochastisch macht.
• Ressourcenintensiv: KI ist eine ressourcenintensive Branche, die erhebliche Mengen an Energie, Chips und Rechenleistung erfordert.
• Menschliche Intelligenz: KI ist (bald) in der Lage, den Turing-Test zu bestehen, was es zunehmend schwieriger macht, zwischen Menschen und KI zu unterscheiden.*

_※ Am 30. Oktober 2023 enthüllten Forscher der University of California, San Diego, die Turing-Testergebnisse für GPT-3.5 und GPT-4.0. Letzteres erzielte einen Score von 41%, verfehlte knapp die Bestehensmarke von 50% um nur 9 Prozentpunkte, während Menschen auf dem gleichen Test 63% erreichten. Die Essenz dieses Turing-Tests liegt darin, wie viele Teilnehmer ihren Chatpartner als menschlich wahrnehmen. Ein Score über 50% zeigt an, dass die Mehrheit glaubt, mit einem Menschen zu interagieren und nicht mit einer Maschine, was bedeutet, dass die KI den Turing-Test erfolgreich bestanden hat, da mindestens die Hälfte der Menschen sie nicht von einem Menschen unterscheiden konnte.

Da KI den Weg für bahnbrechende Fortschritte in der menschlichen Produktivität ebnet, stellt sie gleichzeitig tiefgreifende Herausforderungen für unsere Gesellschaft dar, insbesondere:

• Wie man die Stochastizität von KI überprüft und kontrolliert, um sie zu einem Vorteil anstatt eines Fehlers zu machen
• Wie kann man die umfangreichen Anforderungen an Energie und Rechenleistung überbrücken, die KI erfordert
• Wie man zwischen Mensch und KI unterscheidet

Krypto- und Blockchain-Technologie könnte die ideale Lösung für die Herausforderungen bieten, die durch KI gekennzeichnet sind und drei Schlüsselmerkmale aufweisen:

• Determinism: Operationen basieren auf Blockchain, Code und Smart Contracts mit klaren Regeln und Grenzen. Eingaben führen zu vorhersehbaren Ergebnissen und gewährleisten ein hohes Maß an Determinismus.
• Effiziente Ressourcenallokation: Die Kryptoökonomie hat einen umfangreichen, globalen und freien Markt gefördert, der eine schnelle Preisgestaltung, Fundraising und Transfer von Ressourcen ermöglicht. Die Präsenz von Token beschleunigt zusätzlich die Marktanpassung von Angebot und Nachfrage und erreicht durch Anreize schnell eine kritische Masse.
• Vertrauenslosigkeit: Mit öffentlichen Hauptbüchern und Open-Source-Code kann jeder die Vorgänge leicht überprüfen und so ein „vertrauensloses“ System schaffen. Darüber hinaus gewährleistet die Zero-Knowledge (ZK)-Technologie, dass die Privatsphäre während dieser Überprüfungsprozesse gewahrt bleibt.

Um die Komplementarität zwischen KI und der Krypto-Wirtschaft zu demonstrieren, wollen wir uns drei Beispiele genauer ansehen.

Beispiel A: Überwindung der Stochastizität mit KI-Agenten, die von der Krypto-Wirtschaft betrieben werden

AI-Agenten sind intelligente Programme, die entwickelt wurden, um im Auftrag von Menschen Aufgaben gemäß ihren Anweisungen auszuführen. Fetch.AI ist ein bemerkenswertes Beispiel in diesem Bereich. Stellen Sie sich vor, wir beauftragen unseren KI-Agenten damit, eine finanzielle Operation wie "1000 $ in BTC investieren" durchzuführen. Der KI-Agent könnte zwei verschiedene Szenarien gegenüberstehen:

Szenario 1: Der Agent muss mit traditionellen Finanzinstituten (z. B. BlackRock) interagieren, um BTC ETFs zu kaufen, wobei er auf viele Kompatibilitätsprobleme mit zentralisierten Organisationen stößt, einschließlich KYC-Verfahren, Dokumentenprüfung, Anmeldevorgängen und Identitätsauthentifizierung, die derzeit alle erheblich belastend sind.

Szenario 2: Bei der Arbeit innerhalb der nativen Krypto-Wirtschaft wird der Prozess vereinfacht. Der Agent könnte die Transaktion direkt über Uniswap oder einen ähnlichen Handelsaggregator durchführen, Ihr Konto zum Anmelden und Bestätigen der Bestellung verwenden und folglich WBTC oder andere Varianten von eingewickeltem BTC erwerben. Dieses Verfahren ist effizient und optimiert. Im Wesentlichen handelt es sich dabei um die Funktion, die derzeit von verschiedenen Handelsrobotern wahrgenommen wird, die als grundlegende KI-Agenten mit Fokus auf Handelsaktivitäten agieren. Mit weiterer Entwicklung und Integration von KI werden diese Bots komplexere Handelsziele erreichen. Sie könnten beispielsweise 100 intelligente Geldadressen auf der Blockchain überwachen, ihre Handelsstrategien und Erfolgsquoten bewerten, 10% ihrer Mittel zur Nachahmung ihrer Trades über eine Woche zuweisen, den Betrieb einstellen, wenn die Renditen ungünstig sind, und die potenziellen Gründe für diese Strategien ableiten.

Künstliche Intelligenz gedeiht innerhalb von Blockchainsystemen, hauptsächlich weil die Regeln der Kryptowirtschaft explizit definiert sind und das System Ermöglichung von Berechtigungslosigkeit zulässt. Das Handeln nach klaren Richtlinien reduziert die Risiken, die mit der inhärenten Stochastizität von KI verbunden sind, erheblich. Zum Beispiel resultiert die Dominanz von KI über Menschen im Schach und Videospielen aus der Tatsache, dass diese Umgebungen geschlossene Sandkästen mit klaren Regeln sind. Im Gegensatz dazu waren Fortschritte im autonomen Fahren gradueller. Die Herausforderungen der offenen Welt sind komplexer, und unsere Toleranz für die unberechenbare Problemlösung von KI in solchen Szenarien ist deutlich geringer.

Beispiel B: Ressourcenkonsolidierung über Token-Anreize

Das beeindruckende globale Hash-Netzwerk, das BTC unterstützt und mit einer aktuellen Gesamthash-Rate von 576,70 EH/s prahlt, übertrifft die kumulative Rechenleistung aller Supercomputer eines Landes. Dieses Wachstum wird durch einfache und faire Anreize innerhalb des Netzwerks vorangetrieben.

BTC Hashrate-Trend, Quelle: https://www.coinwarz.com/

Darüber hinaus erkunden DePIN-Projekte wie Mobile Token-Anreize, um einen Markt sowohl auf der Angebots- als auch auf der Nachfrageseite zu fördern und Netzwerkeffekte zu erzeugen. Der bevorstehende Schwerpunkt dieses Artikels, IO.NET, ist eine Plattform, die darauf abzielt, die Rechenleistung von KI zu bündeln, in der Hoffnung, das latente Potenzial der KI-Rechenleistung durch ein Token-Modell zu erschließen.

Beispiel C: Nutzung von Open Source und ZK Proof zur Unterscheidung von Menschen und KI bei gleichzeitiger Wahrung der Privatsphäre

Worldcoin, ein Web3-Projekt, das von Sam Altman von OpenAI mitbegründet wurde, verwendet einen neuartigen Ansatz zur Identitätsprüfung. Unter Verwendung eines Hardwaregeräts namens Orb nutzt es die menschliche Iris-Biometrie, um mithilfe der Zero-Knowledge (ZK)-Technologie eindeutige und anonyme Hash-Werte zu erzeugen, die Menschen von KI unterscheiden. Im März 2024 begann das Web3-Kunstprojekt Drip, Worldcoin ID zu implementieren, um echte Menschen zu authentifizieren und Belohnungen zuzuweisen.

Worldcoin hat kürzlich seine Iris-Hardware, Orb, als Open Source veröffentlicht, um die Sicherheit und Privatsphäre biometrischer Daten zu gewährleisten.

Insgesamt ist die Kryptowirtschaft aufgrund der Determiniertheit von Code und Kryptographie, der Ressourcenkreisläufe und Finanzierungsvorteile, die durch erlaubnislose und tokenbasierte Mechanismen gebracht werden, sowie der vertrauenslosen Natur, die auf Open-Source-Code und öffentlichen Hauptbüchern basiert, zu einer bedeutenden potenziellen Lösung für die Herausforderungen geworden, denen die menschliche Gesellschaft mit KI gegenübersteht.

Die unmittelbarste und kommerziell anspruchsvollste Herausforderung ist der extreme Durst nach Rechenressourcen, der von KI-Produkten benötigt wird, der hauptsächlich durch einen erheblichen Bedarf an Chips und Rechenleistung angetrieben wird.

Das ist auch der Hauptgrund, warum verteilte Rechenleistungsprojekte während dieses Bullenmarktzyklus im gesamten KI-Sektor die Gewinne angeführt haben.

Der geschäftliche Imperativ für dezentrales Computing

KI erfordert erhebliche Rechenressourcen, die sowohl für das Training von Modellen als auch für Inferenzaufgaben erforderlich sind.

Es wurde ausführlich dokumentiert, dass bei der Schulung großer Sprachmodelle, sobald der Umfang der Datenparameter erheblich ist, diese Modelle unerwartete Fähigkeiten zeigen. Die exponentiellen Verbesserungen, die von einer ChatGPT-Generation zur nächsten zu beobachten sind, werden durch ein exponentielles Wachstum der Rechenanforderungen für das Modelltraining angetrieben.

Forschungen von DeepMind und der Stanford University zeigen, dass bei verschiedenen großen Sprachmodellen, wenn sie verschiedene Aufgaben bewältigen – sei es Berechnung, Persische Fragebeantwortung oder das Verständnis natürlicher Sprache – die Modelle nur zufälliges Raten approximieren, es sei denn, das Training beinhaltet signifikant hochskalierte Modellparameter (und somit auch Rechenlasten). Die Leistung bei jeder Aufgabe bleibt nahezu zufällig, bis die Rechenleistung 10^22 FLOPs erreicht. Über diesem kritischen Schwellenwert verbessert sich die Leistung bei jeder Sprachmodell drastisch.

Quelle: Aufkommende Fähigkeiten großer Sprachmodelle

Quelle: Aufkommende Fähigkeiten großer Sprachmodelle

Das Prinzip, mit großer Anstrengung Wunder zu vollbringen, sowohl theoretisch als auch in der Praxis bestätigt, inspirierte den Gründer von OpenAI, Sam Altman, einen ehrgeizigen Plan vorzuschlagen, 7 Billionen Dollar aufzubringen. Dieser Fonds soll eine Chipfabrik gründen, die die aktuellen Fähigkeiten von TSMC um das Zehnfache übertrifft (geschätzte Kosten: 1,5 Billionen Dollar), wobei die verbleibenden Mittel für die Chipproduktion und das Modelltraining vorgesehen sind.

Neben den Rechenanforderungen für das Training von KI-Modellen erfordern auch die Inferenzprozesse erhebliche Rechenleistung, wenn auch weniger als das Training. Dieser fortlaufende Bedarf an Chips und Rechenressourcen ist zu einer Standardrealität für Akteure im KI-Bereich geworden.

Im Gegensatz zu zentralisierten KI-Computing-Anbietern wie Amazon Web Services, Google Cloud Platform und Microsofts Azure bietet dezentrales KI-Computing mehrere überzeugende Mehrwerte:

• Zugänglichkeit: Der Zugriff auf Rechenchips über Dienste wie AWS, GCP oder Azure erfordert in der Regel Wochen, und die beliebtesten GPU-Modelle sind häufig nicht vorrätig. Darüber hinaus sind Verbraucher in der Regel an langwierige, rigide Verträge mit diesen großen Konzernen gebunden. Dagegen bieten verteilte Rechenplattformen flexible Hardwareoptionen mit verbesserter Zugänglichkeit.
• Kosteneffizienz: Durch die Nutzung ungenutzter Chips und die Einbeziehung von Token-Subventionen aus Netzwerkprotokollen für Chip- und Rechenleistungsanbieter können dezentrale Rechennetzwerke Rechenleistung zu reduzierten Kosten anbieten.
• Zensurresistenz: Die Versorgung mit hochmodernen Chips wird derzeit von großen Technologieunternehmen dominiert, und mit der verstärkten Überprüfung von KI-Computing-Services durch die US-Regierung wird die Möglichkeit, Rechenleistung auf dezentrale, flexible und uneingeschränkte Weise zu erhalten, zunehmend zu einer klaren Notwendigkeit. Dies ist ein Kernwertvorschlag von Web3-basierten Computing-Plattformen.

Wenn fossile Brennstoffe das Lebenselixier des Industriezeitalters waren, dann könnte Rechenleistung gut das Lebenselixier der neuen digitalen Ära sein, die durch KI eingeleitet wird, wodurch die Bereitstellung von Rechenleistung zu einer Infrastruktur für das KI-Zeitalter wird. Ähnlich wie sich Stablecoins als lebendige Derivate von Fiatwährungen im Web3-Zeitalter herausgebildet haben, könnte sich der verteilte Rechenmarkt zu einem aufstrebenden Segment innerhalb des schnell expandierenden KI-Computing-Marktes entwickeln?

Dies ist immer noch ein aufstrebender Markt, und es bleibt noch viel zu sehen. Allerdings könnten mehrere Faktoren möglicherweise die Erzählung oder die Markteinführung dezentraler Rechner vorantreiben:

• Persistente GPU-Versorgungsprobleme: Die anhaltenden Lieferengpässe bei GPUs könnten Entwickler dazu ermutigen, dezentrale Rechenplattformen zu erkunden.
• Regulatorische Expansion: Der Zugang zu KI-Computing-Diensten von großen Cloud-Plattformen erfordert gründliche KYC-Prozesse und Überprüfungen. Dies könnte zu einer größeren Akzeptanz dezentralisierter Computing-Plattformen führen, insbesondere in Regionen, die Beschränkungen oder Sanktionen unterliegen.
• Token Preisanreize: Steigerungen der Tokenpreise während Bullenmärkten könnten den Wert der Subventionen erhöhen, die von Plattformen für GPU-Anbieter angeboten werden, um mehr Anbieter auf den Markt zu locken, dessen Umfang zu erhöhen und die Kosten für Verbraucher zu senken.

Gleichzeitig sind auch die Herausforderungen, mit denen dezentrale Computing-Plattformen konfrontiert sind, recht offensichtlich:

Technische und technische Herausforderungen

• Proof of Work Probleme: Die Berechnungen in Deep-Learning-Modellen erfordern aufgrund der hierarchischen Struktur, bei der die Ausgabe jeder Schicht als Eingabe für die nächste verwendet wird, die Überprüfung der Gültigkeit der Berechnungen, was weder einfach noch effizient ist. Um dies zu bewältigen, müssen dezentrale Rechenplattformen entweder neue Algorithmen entwickeln oder approximative Verifizierungstechniken einsetzen, die eine probabilistische Gewährleistung der Ergebnisse anbieten, anstatt absoluter Determinismus.
• Parallelisierungsherausforderungen: Dezentralisierte Rechenplattformen greifen auf eine vielfältige Auswahl von Chip-Lieferanten zurück, von denen jeder in der Regel nur begrenzte Rechenleistung bietet. Die Fertigstellung der Schulungs- oder Inferenzaufgaben eines KI-Modells durch einen einzelnen Chip-Lieferanten ist praktisch unmöglich. Daher müssen Aufgaben aufgeteilt und mithilfe von Parallelisierung verteilt werden, um die Gesamtfertigstellungszeit zu verkürzen. Dieser Ansatz bringt jedoch mehrere Komplikationen mit sich, darunter wie Aufgaben aufgeteilt werden (insbesondere komplexe Deep-Learning-Aufgaben), Datenabhängigkeiten und die zusätzlichen Konnektivitätskosten zwischen den Geräten.
• Datenschutzprobleme: Wie kann man sicherstellen, dass die Daten und Modelle des Clients nicht an den Empfänger der Aufgaben weitergegeben werden?

Herausforderungen bei der regulatorischen Einhaltung

• Dezentrale Rechenplattformen können aufgrund ihrer genehmigungsfreien Natur auf den Angebot und Nachfragemärkten bestimmte Kunden als wichtiges Verkaufsargument ansprechen. Allerdings könnten diese Plattformen mit der Entwicklung von KI-Regulierungsrahmen zunehmend ins Visier staatlicher Prüfungen geraten. Darüber hinaus machen sich einige GPU-Anbieter Sorgen, ob ihre verleasten Rechenressourcen von sanktionierten Unternehmen oder Einzelpersonen genutzt werden.

Zusammenfassend sind die Hauptnutzer dezentraler Rechenplattformen größtenteils professionelle Entwickler oder kleine bis mittelständische Unternehmen. Im Gegensatz zu Kryptowährungs- und NFT-Investoren legen diese Kunden Wert auf die Stabilität und Kontinuität der von den Plattformen bereitgestellten Dienste, und die Preisgestaltung ist nicht unbedingt ihr Hauptanliegen. Dezentrale Rechenplattformen haben noch einen langen Weg vor sich, bevor sie eine weit verbreitete Akzeptanz von diesem anspruchsvollen Nutzerkreis gewinnen können.

Als nächstes werden wir uns eingehend mit den Details beschäftigen und eine Analyse von IO.NET durchführen, einem neuen dezentralen Rechenleistungsprojekt in diesem Zyklus. Wir werden es auch mit ähnlichen Projekten vergleichen, um seine potenzielle Marktbewertung nach dem Start abzuschätzen.

2. Dezentralisierte KI-Computing-Plattform: IO.NET

2.1 Projektübersicht

IO.NET ist ein dezentrales Rechennetzwerk, das einen zweiseitigen Markt um Chips herum aufgebaut hat. Auf der Angebotsseite gibt es global verteilte Rechenleistungen, hauptsächlich GPUs, aber auch CPUs und integrierte GPUs von Apple (iGPUs). Die Nachfrageseite besteht aus KI-Ingenieuren, die AI-Modelltraining oder Inferenzaufgaben abschließen möchten.

Die offizielle IO.NET-Website gibt ihre Vision an:

Unsere Mission

Das Zusammenführen von einer Million GPUs in einem DePIN - dezentralen physischen Infrastrukturnetzwerk.

Seine Mission ist es, Millionen von GPUs in sein DePIN-Netzwerk zu integrieren.

Im Vergleich zu herkömmlichen Cloud-KI-Computing-Services hebt diese Plattform mehrere wichtige Vorteile hervor:

• Flexible Konfiguration: KI-Entwickler haben die Freiheit, die erforderlichen Chips auszuwählen und zu einer auf ihre spezifischen Rechenaufgaben zugeschnittenen "Cluster" zusammenzustellen.
• Schnelle Bereitstellung: Im Gegensatz zu den langwierigen Genehmigungs- und Wartezeiten, die mit zentralen Anbietern wie AWS verbunden sind, kann die Bereitstellung auf dieser Plattform in nur Sekunden abgeschlossen werden, was einen sofortigen Beginn der Aufgabe ermöglicht.
• Kosteneffizienz: Die Servicekosten liegen um bis zu 90% unter denen, die von führenden Anbietern angeboten werden.

Darüber hinaus plant IO.NET, zukünftig zusätzliche Dienste anzubieten, wie z.B. einen KI-Modell-Store.

2.2 Produktmechanismus und Geschäftsmetriken

Produktmechanismen und Bereitstellungserfahrung

Ähnlich wie bei großen Plattformen wie Amazon Cloud, Google Cloud und Alibaba Cloud bietet IO.NET einen Computing-Dienst namens IO Cloud an. Dieser Dienst funktioniert über ein verteiltes und dezentrales Netzwerk von Chips, das die Ausführung von auf Python basierendem Machine-Learning-Code für KI- und Machine-Learning-Anwendungen unterstützt.

Das grundlegende Geschäftsmodul von IO Cloud heißt Clusters - selbstkoordinierende Gruppen von GPUs, die so konzipiert sind, dass sie Rechenaufgaben effizient bewältigen. KI-Ingenieure haben die Flexibilität, die Cluster an ihre spezifischen Anforderungen anzupassen.

Die Benutzeroberfläche von IO.NET ist äußerst benutzerfreundlich. Wenn Sie Ihren eigenen Chip-Cluster für KI-Berechnungsaufgaben bereitstellen möchten, navigieren Sie einfach zur Clusters-Seite auf der Plattform, wo Sie Ihren gewünschten Chip-Cluster mühelos entsprechend Ihren Anforderungen konfigurieren können.

Seiteninformation: https://cloud.io.net/cloud/clusters/create-cluster, das Gleiche unten

Zuerst müssen Sie Ihren Cluster-Typ auswählen, mit drei verfügbaren Optionen:

• Allgemein: Bietet eine allgemeine Umgebung, die für die frühen Phasen eines Projekts geeignet ist, in denen die spezifischen Ressourcenanforderungen noch nicht klar sind.
• Train: Ein Cluster, der speziell für das Training und Feintuning von Machine-Learning-Modellen entwickelt wurde. Diese Option bietet zusätzliche GPU-Ressourcen, eine höhere Speicherkapazität und/oder schnellere Netzwerkverbindungen, um diese intensiven Rechenaufgaben zu bewältigen.
• Inferenz: Ein Cluster, der für Inferenz mit geringer Latenz und hoher Last ausgelegt ist. Im Kontext des maschinellen Lernens bezieht sich Inferenz darauf, trainierte Modelle zur Vorhersage oder Analyse neuer Datensätze zu verwenden und Feedback bereitzustellen. Daher konzentriert sich diese Option darauf, Latenz und Durchsatz zu optimieren, um Echtzeit- oder nahezu Echtzeit-Datenverarbeitungsanforderungen zu unterstützen.

Als nächstes müssen Sie einen Lieferanten für Ihren Cluster auswählen. IO.NET hat Partnerschaften mit Render Network und dem Filecoin-Miner-Netzwerk, die es Benutzern ermöglichen, Chips von IO.NET oder den beiden anderen Netzwerken als Bezugsquelle für ihre Rechencluster auszuwählen. Dies positioniert IO.NET effektiv als Aggregator (Hinweis: Die Filecoin-Dienste sind vorübergehend offline). Es ist erwähnenswert, dass IO.NET derzeit über mehr als 200.000 GPUs online verfügbar hat, während Render Network über mehr als 3.700 GPUs verfügt.

Anschließend gelangen Sie zur Hardware-Auswahlphase Ihres Clusters. Derzeit listet IO.NET nur GPUs als verfügbare Hardwareoption auf, wobei CPUs oder Apples iGPUs (M1, M2 usw.) ausgeschlossen sind und die GPUs hauptsächlich aus NVIDIA-Produkten bestehen.

Unter den offiziell aufgeführten und verfügbaren GPU-Hardware-Optionen betrug die Gesamtzahl der online verfügbaren GPUs im IO.NET-Netzwerk basierend auf den von mir getesteten Daten an diesem Tag 206.001. Die GPU mit der höchsten Verfügbarkeit war die GeForce RTX 4090 mit 45.250 Einheiten, gefolgt von der GeForce RTX 3090 Ti mit 30.779 Einheiten.

Darüber hinaus sind 7.965 Einheiten des äußerst effizienten A100-SXM4-80GB-Chips (jeweils über 15.000 US-Dollar) online verfügbar, der für KI-Berechnungsaufgaben wie maschinelles Lernen, Deep Learning und wissenschaftliches Rechnen effizienter ist.

Der NVIDIA H100 80GB HBM3, der von Grund auf für KI entwickelt wurde (mit einem Marktpreis von über $40.000), bietet Schulungsleistung, die 3,3-mal höher und Inferenzleistung, die 4,5-mal höher ist als die des A100. Derzeit sind 86 Einheiten online verfügbar.

Sobald der Hardwaretyp für den Cluster ausgewählt wurde, müssen Benutzer weitere Details wie den geografischen Standort des Clusters, die Verbindungsgeschwindigkeit, die Anzahl der GPUs und die Dauer angeben.

Schließlich wird IO.NET basierend auf Ihren ausgewählten Optionen eine detaillierte Rechnung erstellen. Als Beispiel betrachten Sie die folgende Cluster-Konfiguration:

• Cluster Typ: Allgemein
• 16 A100-SXM4-80GB GPUs
• Verbindungsebene: High Speed
• Geografischer Standort: Vereinigte Staaten
• Dauer: 1 Woche

Die Gesamtrechnung für diese Konfiguration beträgt $3311.6, wobei der stündliche Mietpreis pro Karte $1.232 beträgt.

Der stündliche Mietpreis für eine einzelne A100-SXM4-80GB bei Amazon Web Services, Google Cloud und Microsoft Azure beträgt jeweils $5,12, $5,07 und $3,67 (Datenquelle:https://cloud-gpus.com/，tatsächlich Die Preise können je nach Vertragsdetails variieren).

Folglich bietet IO.NET im Hinblick auf die Kosten Rechenleistung zu Preisen an, die weit unter denen der etablierten Anbieter liegen. Darüber hinaus macht die Flexibilität bei Angebot und Beschaffung IO.NET zu einer attraktiven Wahl für viele Benutzer.

Geschäftsüberblick

Angebotsseite

Stand 4. April 2024 zeigen offizielle Zahlen, dass IO.NET eine Gesamt-GPU-Versorgung von 371.027 Einheiten und eine CPU-Versorgung von 42.321 Einheiten auf der Angebotsseite hatte. Darüber hinaus hatte Render Network als Partner zusätzlich 9.997 GPUs und 776 CPUs, die mit der Versorgung des Netzwerks verbunden waren.

Datenquelle: https://cloud.io.net/explorer/home, das gleiche unten

Zum Zeitpunkt der Abfassung waren 214.387 der mit IO.NET integrierten GPUs online, was einer Online-Rate von 57,8% entspricht. Die Online-Rate für GPUs von Render Network betrug 45,1%.

Was bedeutet diese Daten auf der Angebotsseite implizieren?

Um einen Benchmark zu liefern, lassen Sie uns Akash Network, ein erfahreneres dezentrales Rechenprojekt, einbeziehen.

Akash Network startete bereits 2020 sein Mainnet und konzentrierte sich zunächst auf dezentrale Dienste für CPUs und Speicher. Im Juni 2023 wurde ein Testnetz für GPU-Dienste eingeführt und im September desselben Jahres wurde dann das Mainnet für dezentrale GPU-Computing-Leistung gestartet.

Datenquelle: https://stats.akash.network/provider-graph/graphics-gpu

Laut offiziellen Daten von Akash bleibt die Gesamtzahl der mit dem Netzwerk verbundenen GPUs trotz des kontinuierlichen Wachstums auf der Angebotsseite seit dem Start seines GPU-Netzwerks nur bei 365.

Bei der Bewertung des Volumens der GPU-Versorgung übertrifft IO.NET bei weitem das Akash-Netzwerk und agiert auf einer deutlich größeren Skala. IO.NET hat sich als die größte Anbieterseite im dezentralen Sektor für GPU-Computingleistung etabliert.

Nachfrageseite

Auf der Nachfrageseite befindet sich IO.NET noch in den Anfangsphasen der Markterschließung, mit einem relativ geringen Gesamtvolumen an Berechnungsaufgaben, die in seinem Netzwerk ausgeführt werden. Die Mehrheit der GPUs ist online, aber untätig und zeigt eine Arbeitsbelastung von 0 %. Nur vier Chip-Typen - der A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S und H100 80GB HBM3 - sind aktiv an der Bearbeitung von Aufgaben beteiligt, und davon weist nur der A100 PCIe 80GB K8S eine Arbeitsbelastung von über 20 % auf.

Der offizielle Stresslevel des Netzwerks für den Tag lag bei 0%, was darauf hinweist, dass ein erheblicher Teil des GPU-Angebots derzeit online, aber im Leerlauf ist.

Finanziell hat IO.NET bis heute 586.029 $ an Servicegebühren angesammelt, davon wurden 3.200 $ an dem letzten Tag generiert.

Datenquelle: https://cloud.io.net/explorer/clusters

Die Finanzdaten zu Netzwerkabrechnungsgebühren, sowohl in Bezug auf Gesamt- als auch tägliche Transaktionsvolumina, stimmen eng mit denen von Akash überein. Es ist jedoch wichtig zu beachten, dass der Großteil des Umsatzes von Akash aus seinen CPU-Angeboten stammt, mit einem Bestand von über 20.000 CPUs.

Datenquelle: https://stats.akash.network/

Zusätzlich hat IO.NET detaillierte Daten für KI-Inferenzaufgaben offengelegt, die vom Netzwerk verarbeitet werden. Laut dem neuesten Bericht hat die Plattform erfolgreich über 230.000 Inferenzaufgaben verarbeitet und validiert, wobei der Großteil dieses Volumens von BC8.AI stammt, einem von IO.NET gesponserten Projekt.

Datenquelle: https://cloud.io.net/explorer/inferences

IO.NETs Angebot Seite expandiert effizient, getrieben von Erwartungen im Zusammenhang mit einem Airdrop und einer Community-Veranstaltung namens "Ignition." Diese Initiative hat schnell eine beträchtliche Menge an KI-Rechenleistung angezogen. Auf der Nachfrageseite bleibt die Expansion jedoch noch in den Anfängen, mit unzureichender organischer Nachfrage. Die Gründe für diese schleppende Nachfrage – ob aufgrund uninitiierter Verbraucheransprache oder instabiler Serviceerfahrungen, die zu einer begrenzten großflächigen Adoption führen – erfordern weitere Bewertung.

Angesichts der Herausforderungen, die darin bestehen, die Kluft in den KI-Rechenkapazitäten schnell zu schließen, erkunden viele KI-Ingenieure und -Projekte Alternativen, was möglicherweise das Interesse an dezentralen Dienstleistern steigert. Darüber hinaus hat IO.NET noch keine wirtschaftlichen Anreize oder Aktivitäten zur Steigerung der Nachfrage umgesetzt, und während das Produkterlebnis weiter verbessert wird, birgt das erwartete Gleichgewicht zwischen Angebot und Nachfrage vielversprechende Zukunftsaussichten.

2.3 Team-Hintergrund und Fundraising-Überblick

Teamprofil

Das Kernteam von IO.NET konzentrierte sich zunächst auf den quantitativen Handel. Bis Juni 2022 waren sie damit beschäftigt, institutionelle quantitative Handelssysteme für Aktien und Kryptowährungen zu erstellen. Getrieben von der Nachfrage des System-Backends nach Rechenleistung begann das Team, das Potenzial dezentralisierter Rechenleistung zu erkunden und sich letztendlich auf das spezifische Problem der Kostensenkung von GPU-Computing-Services zu konzentrieren.

Gründer & CEO: Ahmad Shadid

Vor der Gründung von IO.NET arbeitete Ahmad Shadid im Bereich der quantitativen Finanzen und des Finanzingenieurwesens und ist auch als Freiwilliger bei der Ethereum-Stiftung tätig.

CMO & Chief Strategy Officer: Garrison Yang

Garrison Yang ist im März 2024 offiziell IO.NET beigetreten. Davor war er VP für Strategie und Wachstum bei Avalanche und ist ein Alumnus der University of California, Santa Barbara.

COO: Tory Green

Tory Green fungiert als Chief Operating Officer von IO.NET. Zuvor war er COO von Hum Capital und Director of Business Development und Strategy bei Fox Mobile Group. Er absolvierte sein Studium an der Stanford University.

IO.NET's LinkedIn-Profil zeigt, dass das Team seinen Hauptsitz in New York, USA, mit einer Zweigstelle in San Francisco hat und über 50 Mitarbeiter beschäftigt.

Finanzierung Übersicht

IO.NET hat bisher nur eine öffentlich angekündigte Finanzierungsrunde bekannt gegeben - eine Serie A, die im März dieses Jahres mit einer Bewertung von 1 Milliarde US-Dollar abgeschlossen wurde, durch die sie erfolgreich 30 Millionen US-Dollar eingesammelt haben. Diese Runde wurde von Hack VC angeführt, mit Beteiligung anderer Investoren, darunter Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures und ArkStream Capital.

Bemerkenswert könnte die Investition der Aptos Foundation die Entscheidung des BC8.AI-Projekts beeinflusst haben, von der Verwendung von Solana für seine Abwicklungs- und Buchhaltungsprozesse auf die ebenso leistungsstarke Layer-1-Blockchain, Aptos, umzusteigen.

2.4 Bewertungsschätzung

Laut früheren Aussagen des Gründers und CEO Ahmad Shadid soll IO.NET seinen Token bis Ende April 2024 auf den Markt bringen.

IO.NET hat zwei Benchmark-Projekte, die als Referenz für die Bewertung dienen: Render Network und Akash Network, beide repräsentative dezentrale Rechenprojekte.

Es gibt zwei Hauptmethoden, um eine Schätzung der Marktkapitalisierung von IO.NET abzuleiten: 1. Das Preis-Umsatz-Verhältnis (P/S), das den FDV mit dem Umsatz vergleicht; 2. FDV-zu-Chip-Verhältnis (M/C-Verhältnis)

Wir werden damit beginnen, die potenzielle Bewertung mithilfe des Preis-Umsatz-Verhältnisses zu untersuchen:

Bei Betrachtung des Preis-Umsatz-Verhältnisses stellt Akash das konservative Ende des geschätzten Bewertungsspektrums von IO.NET dar, während Render einen High-End-Maßstab bietet und eine FDV von 1,67 Milliarden bis 5,93 Milliarden US-Dollar angibt.

Allerdings deuten die Aktualisierungen des Projekts IO.NET und seine überzeugendere Erzählung in Verbindung mit seiner kleineren anfänglichen Marktkapitalisierung und einer breiteren Versorgungsgrundlage darauf hin, dass sein FDV gut das von Render Network übertreffen könnte.

Wenn man einen anderen Bewertungsvergleichsperspektive betrachtet, nämlich das „FDV-zu-Chip-Verhältnis“.

Im Kontext eines Marktes, in dem die Nachfrage nach KI-Rechenleistung das Angebot übersteigt, ist das wichtigste Element dezentralisierter KI-Rechenleistungsnetzwerke das Ausmaß des GPU-Angebots. Daher können wir das „FDV-to-Chip-Verhältnis“ verwenden, das das Verhältnis des vollständig verwässerten Werts des Projekts zur Anzahl der Chips im Netzwerk ist, um den möglichen Bewertungsbereich von IO.NET abzuleiten und den Lesern eine Referenz zu geben.

Durch die Nutzung des Markt-zu-Chip-Verhältnisses zur Berechnung des Bewertungsbereichs von IO.NET bewegen wir uns zwischen 20,6 Milliarden und 197,5 Milliarden US-Dollar, wobei Render Network den oberen Maßstab und Akash Network den unteren setzt.

Enthusiasten des IO.NET-Projekts könnten dies als eine sehr optimistische Schätzung der Marktkapitalisierung betrachten.

Es ist wichtig, die aktuelle Vielzahl von Chips online für IO.NET zu berücksichtigen, die durch die Erwartungen an Luftabwürfe und Anreizaktivitäten angeregt wird. Die tatsächliche Online-Zählung des Angebots nach dem offiziellen Start des Projekts erfordert weiterhin Beobachtung.

Insgesamt könnten Bewertungen, die aus dem Preis-Umsatz-Verhältnis abgeleitet wurden, zuverlässigere Einblicke bieten.

IO.NET, auf Solana aufgebaut und mit der Konvergenz von KI und DePIN gesegnet, steht kurz vor dem Start seines Token. Die Spannung ist greifbar, während wir darauf warten, die Auswirkungen auf seine Marktkapitalisierung nach dem Start zu beobachten.

Referenz：

Dephi Digital: Die echte Fusion

Galaxy: Das Verständnis des Schnittpunkts von Krypto und KI

Aussage:

1. Dieser Artikel stammt aus [Gatepanews], und das Urheberrecht liegt beim ursprünglichen Autor [Alex Xu], wenn Sie Einwände gegen den Nachdruck haben, wenden Sie sich bitte anGate Learn Team , das Team wird es so schnell wie möglich gemäß den relevanten Verfahren bearbeiten.

2. Haftungsausschluss: Die Ansichten und Meinungen, die in diesem Artikel zum Ausdruck gebracht werden, repräsentieren nur die persönlichen Ansichten des Autors und stellen keine Anlageberatung dar.

3. Andere Sprachversionen des Artikels werden vom Gate Learn Team übersetzt und nicht erwähnt.Gate.io, der übersetzte Artikel darf nicht reproduziert, verteilt oder plagiiert werden.