Repost do título original: Um Novo Projeto AI + DePIN baseado em Solana: Uma Breve Análise do Próximo Lançamento de Token IO.NET

Introdução

Emnosso último relatório, mencionamos que, comparado com os dois ciclos anteriores, o atual mercado em alta de criptomoedas está a perder os novos modelos de negócio e narrativas de ativos. A Inteligência Artificial (IA) é uma das novas narrativas no espaço Web3 deste ciclo. Este artigo aprofunda o projeto de IA quente do ano, IO.NET, e organiza os pensamentos sobre as duas seguintes questões:

• A necessidade de AI+Web3 no panorama comercial
• A necessidade e os desafios de implementar uma rede de computação descentralizada

Em segundo lugar, vou organizar informações-chave sobre o projeto representativo na rede de computação AI descentralizada: IO.NET, incluindo o design do produto, panorama competitivo e antecedentes do projeto. Também irei especular sobre as métricas de valoração do projeto.

Os insights sobre A Lógica de Negócios Por Trás da Convergência de IA e Web3parte inspira-se em “A Fusão Real" por Michael Rinko, um analista de pesquisa na Delphi Delphi. Esta análise assimila e referencia ideias do seu trabalho, sendo altamente recomendado ao leitor que leia o artigo original.

Por favor, note que este artigo reflete o meu pensamento atual e pode evoluir. As opiniões aqui são subjetivas e podem haver erros em fatos, dados e raciocínio lógico. Este não é um conselho financeiro, mas o feedback e as discussões são bem-vindos.

O seguinte é o texto principal.

1. A Lógica de Negócios Por Trás da Convergência de IA e Web3

1.1 2023: O “Annus Mirabilis” para a IA

Refletindo sobre os anais do desenvolvimento humano, é claro que as descobertas tecnológicas catalisam transformações profundas - desde a vida diária até as paisagens industriais e a marcha da própria civilização.

Na história da humanidade, existem dois anos significativos, nomeadamente 1666 e 1905, que agora são celebrados como o "Annus Mirabilis" na história da ciência.

O ano de 1666 ganhou o seu título devido à cascata de avanços científicos de Isaac Newton. Num único ano, ele pioneirou o ramo da física conhecido como ótica, fundou a disciplina matemática do cálculo e derivou a lei da gravitação, que é uma lei fundamental da ciência natural moderna. Qualquer uma destas contribuições foi fundamental para o desenvolvimento científico da humanidade ao longo do próximo século, acelerando significativamente o progresso geral da ciência.

O outro ano marcante é 1905, quando um jovem de apenas 26 anos, Einstein, publicou quatro artigos em rápida sucessão na “Annalen der Physik”, abordando o efeito fotoelétrico, preparando o terreno para a mecânica quântica; o movimento browniano, fornecendo um quadro fundamental para a análise de processos estocásticos; a teoria da relatividade especial; e a equivalência massa-energia, encapsulada na equação E=MC^2. Olhando para trás, cada um destes artigos é considerado ultrapassar o nível médio do trabalho vencedor do Prêmio Nobel em física - uma distinção que o próprio Einstein recebeu pelo seu trabalho sobre o efeito fotoelétrico. Estas contribuições impulsionaram coletivamente a humanidade vários passos adiante na jornada da civilização.

O ano de 2023, recentemente terminado, está prestes a ser celebrado como mais um 'Ano Milagroso', em grande parte devido ao surgimento do ChatGPT.

Ver 2023 como um “Ano Milagroso” na história da tecnologia humana não se trata apenas de reconhecer os avanços feitos no processamento e geração de linguagem natural pelo ChatGPT. Trata-se também de reconhecer um padrão claro no avanço de grandes modelos de linguagem — a percepção de que ao expandir os parâmetros do modelo e conjuntos de dados de treinamento, podemos alcançar melhorias exponenciais no desempenho do modelo. Além disso, parece ilimitado a curto prazo, desde que a potência de computação acompanhe.

Esta capacidade vai muito além da compreensão da linguagem e geração de conversas; pode ser amplamente aplicada em vários campos científicos. Tomando a aplicação de grandes modelos de linguagem no setor biológico como exemplo:

• Em 2018, a Nobel Laureate em Química, Frances Arnold, disse durante a cerimónia de entrega do prémio: 'Hoje em dia, podemos, para todos os efeitos práticos, ler, escrever e editar qualquer sequência de ADN, mas não a podemos compor.' Avancemos cinco anos até 2023, uma equipa de investigadores da Universidade de Stanford e da Salesforce Research, uma startup focada em IA, publicou um artigo na 'Nature Biotechnology.' Utilizando um grande modelo de linguagem refinado a partir do GPT-3, geraram um novo catálogo de 1 milhão de proteínas. Entre estas, descobriram duas proteínas com estruturas distintas, ambas dotadas de função antibacteriana, potencialmente abrindo caminho para novas estratégias de resistência bacteriana além dos antibióticos tradicionais. Isto representa um salto monumental na superação dos obstáculos da criação de proteínas com a assistência da IA.
• Antes disso, o algoritmo de inteligência artificial AlphaFold previu as estruturas de quase todos os 2.14 bilhões de tipos de proteínas na Terra em 18 meses - um marco que amplifica as conquistas dos biólogos estruturais ao longo da história por várias magnitudes.

A integração de modelos de IA promete transformar drasticamente as indústrias. Desde os reinos da biotecnologia, ciência dos materiais e descoberta de medicamentos até as esferas culturais do direito e das artes, uma onda transformadora está pronta para remodelar esses campos, com 2023 marcando o início de tudo.

É amplamente reconhecido que o último século testemunhou um aumento exponencial na capacidade da humanidade de gerar riqueza. O rápido avanço das tecnologias de IA espera-se que acelere este processo.

Tendência Global do PIB Total, Fonte de Dados: Grupo Banco Mundial

1.2 Fusão de IA e Cripto

Para compreender a necessidade inerente da fusão de IA e criptomoedas, é esclarecedor observar como as suas características distintas se complementam.

A Simbiose da IA e das Funcionalidades Cripto

A IA distingue-se por três qualidades principais:

• Estocasticidade: A IA é estocástica, com o seu mecanismo de produção de conteúdo a ser uma caixa preta enigmática e difícil de replicar, tornando os seus resultados inerentemente estocásticos.
• Intensivo em recursos: A IA é uma indústria intensiva em recursos, exigindo quantidades significativas de energia, chips e poder de computação.
• Inteligência semelhante à humana: A IA está (em breve) capaz de passar no teste de Turing, tornando cada vez mais difícil distinguir entre humanos e IA.*

_※ _Em 30 de outubro de 2023, os pesquisadores da Universidade da Califórnia, San Diego, revelaram as pontuações do teste de Turing para GPT-3.5 e GPT-4.0. Este último obteve uma pontuação de 41%, falhando por pouco a marca de aprovação de 50% por apenas 9 pontos percentuais, enquanto os humanos obtiveram 63% no mesmo teste. A essência deste teste de Turing reside em quantos participantes percebem o seu parceiro de chat como humano. Uma pontuação acima de 50% indica que a maioria acredita estar interagindo com um humano, não com uma máquina, considerando assim que a IA passou com sucesso no teste de Turing, já que pelo menos metade das pessoas não conseguiu distingui-la de um humano.

À medida que a IA abre caminho para avanços inovadores na produtividade humana, ao mesmo tempo introduz desafios profundos para a nossa sociedade, especificamente:

• Como verificar e controlar a estocasticidade da IA, transformando-a numa vantagem em vez de uma falha
• Como atender às vastas exigências de energia e poder de processamento que a IA exige
• Como distinguir entre humanos e IA

A tecnologia cripto e blockchain poderia oferecer a solução ideal para os desafios colocados pela IA, caracterizada por três atributos-chave:

• Determinismo: As operações são baseadas em blockchain, código e contratos inteligentes, com regras claras e limites. As entradas levam a resultados previsíveis, garantindo um alto nível de determinismo.
• Alocação eficiente de recursos: A economia cripto tem fomentado um mercado vasto, global e livre, permitindo uma fixação rápida de preços, angariação de fundos e transferência de recursos. A presença de tokens acelera ainda mais o alinhamento da oferta e procura no mercado, alcançando rapidamente massa crítica através da incentivação.
• Desconfiança: Com registos públicos e código aberto, qualquer pessoa pode verificar facilmente as operações, criando um sistema "sem confiança". Além disso, a tecnologia Zero-Knowledge (ZK) garante ainda mais que a privacidade seja mantida durante esses processos de verificação.

Para demonstrar a complementaridade entre IA e a economia cripto, vamos aprofundar em três exemplos.

Exemplo A: Superando a Estocasticidade com Agentes de IA Alimentados pela Economia Cripto

Os Agentes de IA são programas inteligentes projetados para realizar tarefas em nome dos humanos de acordo com suas diretrizes, sendo o Fetch.AI um exemplo notável neste domínio. Imagine que atribuímos a nossa agente de IA a execução de uma operação financeira, como 'investir $1000 em BTC'. O agente de IA poderia enfrentar dois cenários distintos:

Cenário 1: O agente é obrigado a interagir com entidades financeiras tradicionais (por exemplo, BlackRock) para comprar ETFs de BTC, enfrentando muitos problemas de compatibilidade com organizações centralizadas, incluindo procedimentos de KYC, verificação de documentos, processos de login e autenticação de identidade, todos os quais são notavelmente pesados atualmente.

Cenário 2: Ao operar dentro da economia cripto nativa, o processo torna-se simplificado. O agente poderia diretamente realizar a transação através do Uniswap ou de um agregador de negociação similar, utilizando sua conta para entrar e confirmar a ordem, e consequentemente adquirindo WBTC ou outras variantes de BTC embrulhado. Este procedimento é eficiente e simplificado. Essencialmente, esta é a função atualmente desempenhada por vários Trading Bots, atuando como agentes de IA básicos com foco em atividades de negociação. Com o desenvolvimento e integração adicionais de IA, esses bots cumprirão objetivos de negociação mais intrincados. Por exemplo, eles podem monitorar 100 endereços de dinheiro inteligente na blockchain, avaliar suas estratégias de negociação e taxas de sucesso, alocar 10% de seus fundos para copiar seus negócios ao longo de uma semana, interromper operações se os retornos forem desfavoráveis e deduzir as possíveis razões para essas estratégias.

A IA prospera nos sistemas de blockchain, fundamentalmente porque as regras da economia cripto são explicitamente definidas, e o sistema permite a falta de permissão. Operar sob diretrizes claras reduz significativamente os riscos ligados à estocasticidade inerente da IA. Por exemplo, a dominância da IA sobre humanos no xadrez e nos videogames advém do facto de que esses ambientes são caixas fechadas com regras diretas. Por outro lado, os avanços na condução autónoma têm sido mais graduais. Os desafios do mundo aberto são mais complexos, e nossa tolerância para a resolução de problemas imprevisível da IA em tais cenários é significativamente menor.

Exemplo B: Consolidação de Recursos via Incentivos de Token

A formidável rede global de hash que suporta o BTC, ostentando uma taxa de hash total atual de 576,70 EH/s, supera o poder computacional cumulativo de qualquer supercomputador de país. Este crescimento é impulsionado por incentivos simples e justos dentro da rede.

Tendência da Taxa de Hash BTC, fonte: https://www.coinwarz.com/

Além disso, projetos DePIN como o Mobile estão a explorar incentivos de tokens para cultivar um mercado tanto no lado da oferta como da procura, de forma a fomentar os efeitos de rede. O foco futuro deste artigo, IO.NET, é uma plataforma projetada para agregar poder de computação de IA, esperando desbloquear o potencial latente do poder de computação de IA através de um modelo de token.

Exemplo C: Alavancar o Open Source e a Prova ZK para Diferenciar Humanos de IA, Protegendo a Privacidade

Worldcoin, um projeto Web3 co-fundado por Sam Altman da OpenAI, adota uma abordagem inovadora para a verificação de identidade. Utilizando um dispositivo de hardware conhecido como Orb, ele aproveita a biometria do íris humana para produzir valores de hash únicos e anônimos via tecnologia Zero-Knowledge (ZK), diferenciando humanos de IA. No início de março de 2024, o projeto de arte Web3 Drip começou a implementar o Worldcoin ID para autenticar humanos reais e alocar recompensas.

A Worldcoin recentemente tornou open source seu hardware iris, Orb, garantindo a segurança e privacidade dos dados biométricos.

Em geral, devido ao determinismo do código e da criptografia, às vantagens de circulação de recursos e captação de fundos trazidas por mecanismos baseados em tokens e sem permissão, juntamente com a natureza sem confiança baseada em código aberto e livros-razão públicos, a economia criptográfica tornou-se uma solução potencial significativa para os desafios que a sociedade humana enfrenta com a IA.

O desafio mais imediato e comercialmente exigente é a sede extrema por recursos computacionais necessários pelos produtos de IA, impulsionados principalmente por uma necessidade substancial de chips e poder de processamento.

Esta é também a principal razão pela qual os projetos de computação distribuída têm liderado os ganhos durante este ciclo de mercado de touro no setor global de IA.

A Imperativa Empresarial para Computação Descentralizada

A IA requer recursos computacionais substanciais, necessários tanto para o treino do modelo como para as tarefas de inferência.

Tem sido bem documentado no treino de grandes modelos de linguagem que uma vez que a escala dos parâmetros de dados é substancial, estes modelos começam a exibir capacidades sem precedentes. As melhorias exponenciais vistas de uma geração ChatGPT para a próxima são impulsionadas por um crescimento exponencial nas exigências computacionais para o treino do modelo.

Pesquisas da DeepMind e da Universidade de Stanford indicam que, em diversos modelos de linguagem de grande escala, ao lidar com diferentes tarefas - seja computação, resposta a perguntas em persa ou compreensão de linguagem natural - os modelos apenas aproximam-se de um palpite aleatório, a menos que o treinamento envolva parâmetros do modelo significativamente ampliados (e, por extensão, cargas computacionais). O desempenho de qualquer tarefa permanece quase aleatório até que os esforços computacionais atinjam 10^22 FLOPs. Além desse limite crítico, o desempenho da tarefa melhora dramaticamente em qualquer modelo de linguagem.

Fonte: Capacidades Emergentes de Modelos de Linguagem de Grande Escala

Origem: Capacidades Emergentes de Modelos de Linguagem Grandes

O princípio de 'realizar milagres com grande esforço' em poder computacional, tanto na teoria como na prática verificada, inspirou o fundador da OpenAI, Sam Altman, a propor um plano ambicioso para angariar $7 triliões. Este fundo destina-se a estabelecer uma fábrica de chips que excederia as capacidades atuais da TSMC em dez vezes (estimado em $1,5 triliões), com os fundos restantes alocados para produção de chips e treino de modelos.

Para além das exigências computacionais do treino de modelos de IA, os processos de inferência também requerem considerável potência de computação, embora menos do que o treino. Esta necessidade contínua de chips e recursos computacionais tornou-se uma realidade padrão para os intervenientes no campo da IA.

Em contraste com os fornecedores centralizados de computação de IA como Amazon Web Services, Google Cloud Platform e Azure da Microsoft, a computação descentralizada de IA oferece várias proposições de valor convincentes:

• Acessibilidade: Ganhar acesso a chips de computação através de serviços como AWS, GCP, ou Azure normalmente requer semanas, e os modelos de GPU mais populares frequentemente estão esgotados. Além disso, os consumidores costumam estar vinculados a contratos longos e rígidos com estas grandes corporações. Por outro lado, as plataformas de computação distribuída fornecem opções de hardware flexíveis com uma acessibilidade melhorada.
• Eficiência de custos: Ao aproveitar chips inativos e incorporar subsídios de token de protocolos de rede para fornecedores de chips e potência de computação, as redes de computação descentralizadas podem oferecer potência de computação a custos reduzidos.
• Resistência à Censura: O fornecimento de chips de ponta é atualmente dominado por grandes empresas de tecnologia, e com o governo dos Estados Unidos intensificando a fiscalização dos serviços de computação de IA, a capacidade de obter poder computacional de forma descentralizada, flexível e sem restrições está se tornando cada vez mais uma necessidade clara. Esta é uma proposta de valor central das plataformas de computação baseadas na web3.

Se os combustíveis fósseis foram a vida da Era Industrial, então o poder de computação pode muito bem ser a vida da nova era digital inaugurada pela IA, tornando o fornecimento de poder de computação uma infraestrutura para a era da IA. Da mesma forma que as stablecoins surgiram como um derivado vigoroso da moeda fiduciária na época da Web3, poderá o mercado de computação distribuída evoluir para um segmento em crescimento dentro do mercado de computação de IA em rápido crescimento?

Este é ainda um mercado emergente, e muito ainda está por ver. No entanto, vários fatores poderiam potencialmente impulsionar a narrativa ou a adoção de mercado da computação descentralizada:

• Desafios persistentes no fornecimento de GPUs: As restrições contínuas no fornecimento de GPUs podem encorajar os desenvolvedores a explorar plataformas de computação descentralizadas.
• Expansão regulatória: Acesso aos serviços de computação de IA das principais plataformas de nuvem envolve processos KYC minuciosos e escrutínio. Isso poderia levar a uma maior adoção de plataformas de computação descentralizada, particularmente em áreas sujeitas a restrições ou sanções.
• Incentivos de Preço do Token: Aumentos nos preços do token durante mercados em alta poderiam aumentar o valor dos subsídios oferecidos aos fornecedores de GPU pelas plataformas, atraindo mais vendedores para o mercado, aumentando sua escala e reduzindo os custos para os consumidores.

Ao mesmo tempo, os desafios enfrentados pelas plataformas de computação descentralizada também são bastante evidentes:

Desafios Técnicos e de Engenharia

• Questões de Prova de Trabalho: As computações em modelos de aprendizagem profunda, devido à estrutura hierárquica onde a saída de cada camada é usada como entrada para a próxima, verificar a validade das computações requer a execução de todo o trabalho anterior, o que não é simples nem eficiente. Para lidar com isso, as plataformas de computação descentralizadas precisam desenvolver novos algoritmos ou empregar técnicas de verificação aproximada que ofereçam garantia probabilística de resultados, em vez de determinismo absoluto.
• Desafios de Paralelização: As plataformas de computação descentralizadas recorrem a uma vasta gama de fornecedores de chips, cada um oferecendo geralmente uma capacidade de computação limitada. Completar as tarefas de treino ou inferência de um modelo de IA por um único fornecedor de chips rapidamente é quase impossível. Portanto, as tarefas devem ser decompostas e distribuídas utilizando a paralelização para reduzir o tempo total de conclusão. No entanto, este método introduz várias complicações, incluindo a forma como as tarefas são divididas (particularmente tarefas complexas de aprendizagem profunda), dependências de dados e os custos adicionais de conectividade entre dispositivos.
• Questões de Proteção de Privacidade: Como garantir que os dados e modelos do cliente não sejam divulgados ao destinatário das tarefas?

Desafios de conformidade regulamentar

• Plataformas de computação descentralizadas, devido à sua natureza sem permissão nos mercados de oferta e procura, podem atrair certos clientes como um ponto de venda chave. No entanto, à medida que os quadros regulamentares de IA evoluem, essas plataformas podem cada vez mais tornar-se alvos de escrutínio governamental. Além disso, alguns fornecedores de GPU estão preocupados com o uso dos seus recursos de computação alugados por empresas ou indivíduos sancionados.

Em resumo, os principais utilizadores de plataformas de computação descentralizada são maioritariamente programadores profissionais ou pequenas e médias empresas. Ao contrário dos investidores em criptomoedas e NFT, estes clientes priorizam a estabilidade e continuidade dos serviços fornecidos pelas plataformas, e o preço não é necessariamente a sua principal preocupação. As plataformas de computação descentralizada têm um longo caminho a percorrer antes de poderem conquistar uma aceitação generalizada deste exigente grupo de utilizadores.

A seguir, iremos aprofundar nos detalhes e realizar uma análise da IO.NET, um novo projeto de computação descentralizada neste ciclo. Também iremos compará-lo com projetos similares para estimar a sua avaliação de mercado potencial após o seu lançamento.

2. Plataforma de Computação de IA Descentralizada: IO.NET

2.1 Visão Geral do Projeto

IO.NET é uma rede de computação descentralizada que estabeleceu um mercado de dois lados em torno de chips. Do lado da oferta, existem poderes de computação distribuídos globalmente, principalmente GPUs, mas também CPUs e GPUs integradas da Apple (iGPUs). O lado da procura é composto por engenheiros de IA que procuram completar tarefas de treino ou inferência de modelos de IA.

O site oficial da IO.NET declara a sua visão:

Nossa Missão

Ao juntar um milhão de GPUs num DePIN - rede de infraestrutura física descentralizada.

A sua missão é integrar milhões de GPUs na sua rede DePIN.

Comparado com os serviços tradicionais de computação de IA na nuvem, esta plataforma destaca várias vantagens-chave:

• Configuração Flexível: Os engenheiros de IA têm a liberdade de selecionar e montar os chips necessários em um 'cluster' adaptado às suas tarefas específicas de computação.
• Implementação Rápida: Ao contrário dos longos tempos de aprovação e espera associados a fornecedores centralizados como a AWS, a implementação nesta plataforma pode ser concluída em apenas segundos, permitindo o início imediato da tarefa.
• Eficiência de custos: Os custos do serviço são até 90% mais baixos do que os oferecidos pelos fornecedores tradicionais.

Além disso, a IO.NET planeia lançar serviços adicionais no futuro, como uma loja de modelos de IA.

2.2 Mecanismo do Produto e Métricas de Negócio

Mecanismos do Produto e Experiência de Implementação

Similar ao que acontece com as principais plataformas como a Amazon Cloud, Google Cloud e Alibaba Cloud, a IO.NET oferece um serviço de computação conhecido como IO Cloud. Este serviço opera através de uma rede distribuída e descentralizada de chips que suporta a execução de código de machine-learning baseado em Python para aplicações de IA e machine-learning.

O módulo básico de negócios da IO Cloud é chamado de Clusters - grupos auto-coordenados de GPUs projetados para lidar eficientemente com tarefas de computação. Os engenheiros de IA têm a flexibilidade de personalizar os clusters para atender às suas necessidades específicas.

A interface do usuário do IO.NET é altamente amigável. Se estiver a pensar em implementar o seu próprio cluster de chips para tarefas de computação de IA, basta navegar até à página de Clusters na plataforma, onde pode configurar facilmente o seu cluster de chips desejado de acordo com os seus requisitos.

Informações da página: https://cloud.io.net/cloud/clusters/create-cluster, o mesmo abaixo

Primeiro, você precisa selecionar o tipo de cluster, com três opções disponíveis:

• Geral: Fornece um ambiente geral, adequado para as fases iniciais de um projeto onde os requisitos específicos de recursos ainda não estão claros.
• Treino: Um cluster projetado especificamente para o treino e ajuste fino de modelos de aprendizagem de máquinas. Esta opção fornece recursos adicionais de GPU, maior capacidade de memória e/ou conexões de rede mais rápidas para acomodar essas tarefas de computação intensivas.
• Inferência: Um cluster projetado para inferência de baixa latência e trabalho de alta carga. No contexto de aprendizado de máquina, inferência refere-se ao uso de modelos treinados para prever ou analisar novos conjuntos de dados e fornecer feedback. Portanto, esta opção se concentra na otimização da latência e throughput para suportar necessidades de processamento de dados em tempo real ou quase em tempo real.

A seguir, você precisa escolher um fornecedor para o seu cluster. A IO.NET tem parcerias com a Render Network e a rede de mineradores de Filecoin, permitindo que os usuários selecionem chips da IO.NET ou de outras duas redes como a fonte de suprimento para seus clusters de computação. Isso posiciona efetivamente a IO.NET como um agregador (nota: os serviços do Filecoin estão temporariamente offline). Vale ressaltar que a IO.NET atualmente tem mais de 200.000 GPUs disponíveis online, enquanto a Render Network tem mais de 3.700 GPUs disponíveis.

Seguindo isto, irá avançar para a fase de seleção de hardware do seu cluster. Atualmente, a IO.NET lista apenas GPUs como opção de hardware disponível, excluindo CPUs ou iGPUs da Apple (M1, M2, etc.), sendo as GPUs principalmente produtos da NVIDIA.

Entre as opções de hardware de GPU oficialmente listadas e disponíveis, com base nos dados testados por mim no dia, o número total de GPUs online disponíveis dentro da rede IO.NET era de 206.001. A GPU com maior disponibilidade era a GeForce RTX 4090, com 45.250 unidades, seguida pela GeForce RTX 3090 Ti, com 30.779 unidades.

Além disso, existem 7.965 unidades do chip altamente eficiente A100-SXM4-80GB (cada uma com preço acima de $15.000) disponíveis online, o que é mais eficiente para tarefas de computação de IA como aprendizado de máquina, aprendizado profundo e computação científica.

O NVIDIA H100 80GB HBM3, projetado desde o início para IA (com um preço de mercado de mais de $40,000), oferece um desempenho de treino 3,3 vezes maior e um desempenho de inferência 4,5 vezes superior ao A100. Atualmente, existem 86 unidades disponíveis online.

Uma vez escolhido o tipo de hardware para o cluster, os utilizadores precisarão de especificar mais detalhes, como a localização geográfica do cluster, a velocidade de conectividade, o número de GPUs e a duração.

Finalmente, a IO.NET irá calcular uma fatura detalhada com base nas opções selecionadas. A título de ilustração, considere a seguinte configuração de cluster:

• Tipo de Cluster: Geral
• 16 A100-SXM4-80GB GPUs
• Nível de conectividade: Alta Velocidade
• Localização geográfica: Estados Unidos
• Duração: 1 semana

O total da fatura para esta configuração é $3311.6, com o preço de aluguer por hora por cartão a ser $1.232.

O preço de aluguer por hora de um único A100-SXM4-80GB na Amazon Web Services, Google Cloud e Microsoft Azure é de $5.12, $5.07 e $3.67, respetivamente (dados obtidos a partir dehttps://cloud-gpus.com/, atualos preços podem variar dependendo dos detalhes do contrato).

Consequentemente, quando se trata de custos, a IO.NET oferece poder computacional de chip a preços muito mais baixos do que os dos fornecedores principais. Além disso, a flexibilidade nas opções de fornecimento e aquisição torna a IO.NET uma escolha atraente para muitos utilizadores.

Visão Geral do Negócio

Lado da oferta

Em 4 de abril de 2024, as estatísticas oficiais revelam que a IO.NET tinha um fornecimento total de GPU de 371.027 unidades e um fornecimento de CPU de 42.321 unidades. Além disso, a Render Network, como parceira, tinha mais 9.997 GPUs e 776 CPUs conectadas ao fornecimento da rede.

Fonte de dados: https://cloud.io.net/explorer/home, o mesmo abaixo

No momento da escrita, 214.387 das GPUs integradas com IO.NET estavam online, resultando numa taxa online de 57,8%. A taxa online para as GPUs provenientes da Render Network era de 45,1%.

O que é que estes dados do lado da oferta implicam?

Para fornecer um ponto de referência, vamos trazer o Akash Network, um projeto de computação descentralizada mais experiente.

A Akash Network lançou sua mainnet tão cedo quanto 2020, focando inicialmente em serviços descentralizados para CPUs e armazenamento. Lançou um testnet para serviços de GPU em junho de 2023 e posteriormente lançou a mainnet para potência de computação GPU descentralizada em setembro do mesmo ano.

Fonte de dados: https://stats.akash.network/provider-graph/graphics-gpu

De acordo com dados oficiais da Akash, embora o lado da oferta tenha crescido continuamente desde o lançamento da sua rede de GPU, o número total de GPUs conectadas à rede permanece apenas 365.

Ao avaliar o volume de fornecimento de GPU, IO.NET excede em muito a Rede Akash, operando numa escala dramaticamente maior. A IO.NET estabeleceu-se como o maior fornecedor no setor descentralizado de potência de computação de GPU.

Lado da Procura

Do lado da procura, a IO.NET ainda está numa fase inicial de cultivo de mercado, com um volume total de tarefas de computação relativamente pequeno sendo executado na sua rede. A maioria das GPUs está online, mas inativa, mostrando uma percentagem de carga de trabalho de 0%. Apenas quatro tipos de chips - o A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S e H100 80GB HBM3 - estão ativamente envolvidos no processamento de tarefas, e destes, apenas o A100 PCIe 80GB K8S está a ter uma carga de trabalho acima de 20%.

O nível de stress oficial da rede reportado para o dia estava em 0%, indicando que uma parte significativa do fornecimento de GPU está atualmente online, mas em estado ocioso.

Financeiramente, a IO.NET acumulou $586,029 em taxas de serviço até à data, com $3,200 desse total gerado no dia mais recente.

Fonte de dados: https://cloud.io.net/explorer/clusters

Os dados financeiros relativos às taxas de liquidação da rede, tanto em termos de volumes totais como diários de transações, alinham-se de perto com os da Akash. No entanto, é importante notar que a maior parte da receita da Akash é proveniente das suas ofertas de CPU, com um inventário superior a 20.000 CPUs.

Fonte de dados: https://stats.akash.network/

Além disso, a IO.NET divulgou dados detalhados sobre tarefas de inferência de IA processadas pela rede. Segundo o último relatório, a plataforma processou e validou com sucesso mais de 230.000 tarefas de inferência, embora a maior parte desse volume provenha do BC8.AI, um projeto patrocinado pela IO.NET.

Fonte de dados: https://cloud.io.net/explorer/inferences

O lado do fornecimento da IO.NET está a expandir de forma eficiente, impulsionado pelas expectativas em torno de uma airdrop e de um evento comunitário conhecido como "Ignition". Esta iniciativa rapidamente atraiu uma quantidade significativa de potência de computação de IA. No entanto, do lado da procura, a expansão ainda está a dar os primeiros passos com uma procura orgânica insuficiente. As razões por trás desta procura lenta - seja devido a esforços de divulgação ao consumidor não iniciados ou a experiências de serviço instáveis que levam a uma adoção limitada em larga escala - requerem uma avaliação mais aprofundada.

Dadas as dificuldades em fechar rapidamente a lacuna nas capacidades de computação de IA, muitos engenheiros e projetos de IA estão a explorar alternativas, potencialmente aumentando o interesse em prestadores de serviços descentralizados. Além disso, a IO.NET ainda não implementou incentivos econômicos ou atividades para impulsionar a demanda e, à medida que a experiência do produto continua a melhorar, o equilíbrio esperado entre oferta e demanda promete um futuro promissor.

2.3 Antecedentes da Equipa e Visão Geral do Financiamento

Perfil da Equipa

A equipa principal da IO.NET inicialmente focou-se na negociação quantitativa. Até junho de 2022, estavam envolvidos na criação de sistemas de negociação quantitativa ao nível institucional para ações e criptomoedas. Impulsionada pela demanda de potência de computação do backend do sistema, a equipa começou a explorar o potencial da computação descentralizada e focou-se, em última análise, no problema específico de reduzir o custo dos serviços de computação GPU.

Fundador & CEO: Ahmad Shadid

Antes de fundar a IO.NET, Ahmad Shadid trabalhou em finanças quantitativas e engenharia financeira, e também é voluntário na Fundação Ethereum.

CMO & Chief Strategy Officer: Garrison Yang

Garrison Yang juntou-se oficialmente à IO.NET em março de 2024. Antes disso, foi o VP de Estratégia e Crescimento na Avalanche e é um ex-aluno da Universidade da Califórnia, Santa Bárbara.

COO: Tory Green

Tory Green serve como Diretor de Operações da IO.NET. Anteriormente, foi COO da Hum Capital e Diretor de Desenvolvimento de Negócios e Estratégia do Fox Mobile Group. Formou-se na Universidade de Stanford.

O perfil do LinkedIn da IO.NET indica que a equipa tem sede em Nova Iorque, EUA, com um escritório filial em São Francisco, e emprega mais de 50 membros da equipa.

Visão Geral do Financiamento

A IO.NET só anunciou publicamente uma ronda de financiamento—uma Série A concluída em março deste ano com uma avaliação de $1 bilião, através da qual conseguiram angariar com sucesso $30 milhões. Esta ronda foi liderada pela Hack VC, com a participação de outros investidores, incluindo Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures e ArkStream Capital.

De notar que o investimento da Fundação Aptos poderia ter influenciado a decisão do projeto BC8.AI de mudar de Solana para um blockchain de alto desempenho semelhante, Aptos, para os seus processos de liquidação e contabilidade.

2.4 Estimativa de Valuação

De acordo com declarações anteriores do fundador e CEO Ahmad Shadid, a IO.NET está programada para lançar seu token até o final de abril de 2024.

IO.NET tem dois projetos de referência que servem como referência para avaliação: Render Network e Akash Network, ambos dos quais são projetos de computação descentralizada representativos.

Existem dois métodos principais para obter uma estimativa da capitalização de mercado da IO.NET: 1. A taxa preço/vendas (P/S), que compara o FDV com a receita; 2. Taxa FDV/Chip (M/C Ratio)

Vamos começar por examinar a valoração potencial utilizando a relação Preço-Vendas:

Ao examinar o rácio preço/vendas, Akash representa o extremo conservador do espectro de avaliação estimado da IO.NET, enquanto o Render fornece uma referência de ponta, posicionando um FDV variando de $1.67 bilião a $5.93 bilião.

No entanto, dadas as atualizações ao projeto IO.NET, a sua narrativa mais cativante, juntamente com o seu menor limite de mercado inicial e uma base de oferta mais ampla, sugerem que o seu FDV poderá bem ultrapassar o da Render Network.

Olhando para outra perspectiva de comparação de valoração, nomeadamente a "Relação FDV-para-Chip".

No contexto de um mercado onde a demanda por poder de computação de IA excede a oferta, o elemento mais crucial das redes de computação de IA descentralizadas é a escala de oferta de GPU. Portanto, podemos usar a "Relação FDV-para-Chip," que é a relação do valor totalmente diluído do projeto com o número de chips dentro da rede, para inferir a faixa de valoração possível do IO.NET, fornecendo aos leitores uma referência.

Ao utilizar a relação mercado-chip para calcular a faixa de valoração da IO.NET, colocamo-nos entre 20,6 biliões e 197,5 biliões de dólares, com a Render Network a estabelecer o ponto de referência superior e a Akash Network o inferior.

Os entusiastas do projeto IO.NET podem ver isto como uma estimativa muito otimista da capitalização de mercado.

É importante considerar o atual vasto número de chips online para IO.NET, estimulado pelas expectativas de airdrop e atividades de incentivo. O número real online do fornecimento após o lançamento oficial do projeto ainda requer observação.

Globalmente, as avaliações derivadas do rácio preço-vendas poderiam oferecer perspetivas mais fiáveis.

IO.NET, construído sobre Solana e agraciado com a convergência de AI e DePIN, está prestes a lançar seu token. A antecipação é palpável enquanto aguardamos para testemunhar o impacto no seu limite de mercado pós-lançamento.

Referência:

Dephi Digital: A Verdadeira Fusão

Galáxia: Compreender a Interseção entre Cripto e IA

Declaração:

1. Este artigo é reproduzido a partir de [Gatepanews], e os direitos de autor pertencem ao autor original [Alex Xu], se tiver alguma objeção à reimpressão, por favor entre em contato Equipa Gate Learn , a equipa irá tratar disso o mais rapidamente possível de acordo com os procedimentos relevantes.

2. Aviso Legal: As opiniões expressas neste artigo representam apenas as opiniões pessoais do autor e não constituem qualquer conselho de investimento.

3. Outras versões do artigo em outros idiomas são traduzidas pela equipe Gate Learn e não são mencionadas em Gate.io, o artigo traduzido não pode ser reproduzido, distribuído ou plagiado.