Introdução

No meu artigo anterior, mencionei que, comparado aos dois ciclos anteriores, este ciclo de mercado de touros de criptomoedas carece de novas narrativas de negócios e ativos influentes. A IA é uma das poucas novas narrativas neste ciclo do campo Web3. Neste artigo, irei combinar o projeto de IA do ano, IO.NET, para ponderar sobre as duas questões seguintes:

1. A necessidade de AI+Web3 nos negócios

2. A necessidade e desafios dos serviços de computação distribuída

Além disso, vou organizar as informações chave do projeto representativo em computação distribuída de IA: o projeto IO.NET, incluindo a lógica do produto, situação competitiva e antecedentes do projeto. Também vou aprofundar a avaliação do projeto.

A parte deste artigo sobre a combinação de IA e Web3 foi inspirada por “The Real Merge” escrito pelo pesquisador da Delphi Digital, Michael Rinko. Algumas opiniões neste artigo são uma síntese e citação desse trabalho, e recomendo que os leitores consultem o original.

Este artigo representa os meus pensamentos provisórios até à sua publicação. A situação pode mudar no futuro, e os pontos de vista têm uma natureza fortemente subjetiva. Eles também podem conter erros factuais, de dados ou de raciocínio. Por favor, não utilize isto como conselho de investimento, e agradeço críticas e discussões dos meus colegas.

O seguinte é o texto principal.

1. Lógica de Negócios: A Interseção da IA e da Web3

1.1 2023: O Novo Ano "Milagroso" Criado pela IA

Olhando para trás na história da humanidade, uma vez que há uma ruptura na tecnologia, tudo, desde a vida diária individual, até várias paisagens industriais e até mesmo toda a civilização da humanidade, sofre mudanças revolucionárias.

Existem dois anos significativos na história da humanidade, nomeadamente 1666 e 1905, que agora são referidos como os dois grandes “anos milagrosos” na história da tecnologia.

O ano de 1666 é considerado um ano milagroso porque as conquistas científicas de Newton foram proeminentemente emergidas durante este tempo. Nesse ano, ele foi pioneiro no ramo da física conhecido como ótica, fundou o ramo matemático do cálculo e derivou a lei da gravidade, uma lei fundamental da ciência natural moderna. Cada uma dessas conquistas foi uma contribuição fundamental para o desenvolvimento científico da humanidade para o próximo século, acelerando significativamente o progresso geral da ciência.

O segundo ano milagroso foi 1905, quando Einstein, com apenas 26 anos, publicou quatro artigos seguidos na “Annals of Physics,” abrangendo o efeito fotoelétrico (lançando as bases da mecânica quântica), o movimento browniano (tornando-se uma referência crucial para a análise de processos estocásticos), a teoria da relatividade especial e a equação massa-energia (a famosa fórmula E=MC^2). Em avaliações subsequentes, cada um desses artigos foi considerado superior ao nível médio do Prêmio Nobel de Física (Einstein ele próprio também recebeu o Prêmio Nobel pelo seu artigo sobre o efeito fotoelétrico), e mais uma vez, a progressão histórica da civilização humana deu vários saltos gigantescos em frente.

O ano recentemente passado de 2023 provavelmente será chamado de outro “ano milagroso” por causa do ChatGPT.

Consideramos 2023 como mais um "ano milagroso" na história da tecnologia humana, não apenas devido aos avanços significativos que o GPT fez na compreensão e geração de linguagem natural, mas também porque a humanidade decifrou o padrão de crescimento de grandes modelos de linguagem a partir da evolução do GPT - ou seja, ao expandir os parâmetros do modelo e os dados de treinamento, as capacidades do modelo podem ser exponencialmente aprimoradas - e esse processo ainda não vê um gargalo a curto prazo (desde que haja poder computacional suficiente).

Esta capacidade vai muito além da compreensão da linguagem e da geração de diálogo e é amplamente utilizada em várias áreas tecnológicas. Por exemplo, no campo biológico em 2018, a laureada com o Prêmio Nobel de Química, Frances Arnold, afirmou durante a cerimônia de premiação: “Hoje, em aplicações práticas, podemos ler, escrever e editar qualquer sequência de DNA, mas ainda não somos capazes de compô-la.” Apenas cinco anos após o seu discurso, em 2023, investigadores da Universidade de Stanford e da Salesforce Research no Vale do Silício publicaram um artigo na revista “Nature Biotechnology.” Eles criaram 1 milhão de novas proteínas do zero utilizando um grande modelo de linguagem ajustado a partir do GPT3 e identificaram duas proteínas com estruturas distintas, ambas com capacidades antibacterianas, potencialmente tornando-se uma nova solução para combater bactérias para além dos antibióticos. Isso significa que o gargalo na “criação” de proteínas foi quebrado com a ajuda da IA.

Além disso, o algoritmo de IA AlphaFold previu as estruturas de quase todos os 214 milhões de proteínas na Terra em 18 meses, um feito que excede os resultados coletivos de todos os biólogos estruturais na história por centenas de vezes.

Com modelos baseados em IA em biotecnologia, ciência dos materiais, desenvolvimento de medicamentos e outras ciências exatas, bem como nas humanidades, como direito e arte, uma transformação revolucionária é inevitável, e 2023 é de fato o ano inaugural para todos esses avanços.

Como todos sabemos, no século passado, a criação de riqueza humana cresceu exponencialmente, e a rápida maturação da tecnologia de IA sem dúvida acelerará ainda mais esse processo.

Gráfico de tendência do PIB global, fonte de dados: Banco Mundial

1.2 A Integração de IA e Cripto

Para compreender fundamentalmente a necessidade de integrar IA e Cripto, podemos começar pelas suas características complementares.

Características complementares de IA e Cripto

A IA possui três atributos:

1. Aleatoriedade: A IA exibe aleatoriedade; o mecanismo por trás da sua produção de conteúdo é uma caixa-preta difícil de replicar e inspecionar, assim os resultados também são aleatórios.

2. Intenso em recursos: AI é uma indústria intensiva em recursos que requer quantidades significativas de energia, chips e poder computacional.

3. Inteligência semelhante à humana: Em breve, a IA será capaz de passar no teste de Turing, tornando assim difícil distinguir entre humanos e máquinas.

Em 30 de outubro de 2023, uma equipe de pesquisa da Universidade da Califórnia, San Diego, divulgou os resultados do teste de Turing para GPT-3.5 e GPT-4.0. O GPT-4.0 obteve 41%, apenas 9% abaixo da marca de aprovação de 50%, com os participantes humanos alcançando 63%. O significado deste teste de Turing é a percentagem de pessoas que acreditam que o seu interlocutor é humano. Se mais de 50% acreditarem, indica que pelo menos metade das pessoas considera a entidade conversacional como humana, não uma máquina, sendo assim considerada aprovada no teste de Turing.

Enquanto a IA cria nova produtividade revolucionária para a humanidade, seus três atributos também trazem desafios significativos para a sociedade humana, incluindo:

• Como verificar e controlar a aleatoriedade da IA, transformando a aleatoriedade de uma falha numa vantagem.

• Como satisfazer as necessidades significativas de energia e poder computacional da IA.

• Como diferenciar entre humanos e máquinas.

A economia cripto e blockchain pode muito bem ser o remédio para os desafios trazidos pela IA. A economia criptográfica tem as seguintes três características:

1. Determinismo: As operações comerciais baseiam-se em blockchain, código e contratos inteligentes, com regras e limites claros; a entrada dita o resultado, garantindo alta determinismo.

2. Alocação Eficiente de Recursos: A economia cripto construiu um enorme mercado global livre onde a formação de preços, angariação de fundos e circulação de recursos são muito rápidas. Devido à presença de tokens, os incentivos podem acelerar a combinação entre oferta e procura de mercado, atingindo mais rapidamente pontos críticos.

3. Sem confiança: Com registos públicos e código aberto, todos podem verificar facilmente as operações, levando a um sistema "sem confiança". Além disso, a tecnologia ZK (Zero-Knowledge) evita a exposição da privacidade durante a verificação.

Vamos ilustrar a complementaridade entre a IA e a economia cripto com três exemplos.

Exemplo A: Abordando a Aleatoriedade, Agentes de IA Baseados na Economia Cripto

Agentes de IA, como os da Fetch.AI, são projetados para agir com base na vontade humana e realizar tarefas em nome dos humanos. Se quisermos que nosso agente de IA lide com uma transação financeira, como "comprar $1000 de BTC", ele pode enfrentar duas situações:

• Cenário Um: É necessário interagir com instituições financeiras tradicionais (como a BlackRock) para comprar ETFs de BTC, enfrentando inúmeros problemas de compatibilidade com agentes de IA e instituições centralizadas, como KYC, revisão de documentação, login e verificação de identidade, que atualmente são bastante complicados.

• Cenário Dois: Opera com base na economia nativa de cripto, que é muito mais simples; pode executar transações diretamente através do Uniswap ou de uma plataforma de negociação agregada semelhante usando a assinatura da sua conta, completando a transação rapidamente e simplesmente para receber WBTC (ou outra forma embrulhada de BTC). Essencialmente, isto é o que vários bots de negociação já estão a fazer, embora focados exclusivamente na negociação por agora. À medida que a IA se integra e evolui, no futuro, os bots de negociação serão sem dúvida capazes de executar intenções de negociação mais complexas, como rastrear as estratégias de negociação e taxas de sucesso de 100 endereços de dinheiro inteligente na blockchain, executando transações semelhantes com 10% dos meus fundos ao longo de uma semana, e parando e resumindo as razões para o fracasso se os resultados forem insatisfatórios.

A IA tem um desempenho melhor dentro dos sistemas blockchain principalmente devido à clareza das regras cripto-económicas e ao acesso irrestrito ao sistema. Dentro destas regras definidas, os riscos potenciais trazidos pela aleatoriedade da IA são minimizados. Por exemplo, a IA já superou os humanos em jogos de cartas e videojogos devido ao sandbox claro e fechado de regras. No entanto, o progresso na condução autónoma é relativamente lento devido aos desafios do ambiente externo aberto, e somos menos tolerantes à aleatoriedade na resolução de problemas da IA em tais cenários.

Exemplo B: Moldar Recursos Através de Incentivos de Token**

A rede global por trás do BTC, com uma taxa de hash total atual de 576.70 EH/s, ultrapassa o poder computacional combinado de qualquer supercomputador de um país. O seu desenvolvimento é impulsionado por um incentivo de rede simples e justo.

Tendência da potência de computação da rede BTC, fonte: https://www.coinwarz.com/

Para além disso, projetos como o DePIN da Mobile estão a tentar moldar um mercado de oferta e procura através de incentivos em tokens, com o objetivo de alcançar efeitos de rede. O foco da seguinte discussão neste artigo, IO.NET, é uma plataforma concebida para agregar energia computacional de IA, esperando libertar mais potencial de IA através de um modelo de token.

Exemplo C: Código aberto, introdução de Provas de Conhecimento Zero (ZK) para diferenciar humanos de máquinas enquanto protege a privacidade

Como projeto Web3 envolvendo o fundador da OpenAI, Sam Altman, a Worldcoin utiliza um dispositivo de hardware chamado Orb, que gera um valor hash único e anônimo com base na biometria da íris humana através da tecnologia ZK para verificar a identidade e diferenciar humanos de máquinas. No início de março deste ano, o projeto de arte Web3 Drip começou a usar o ID da Worldcoin para verificar usuários humanos reais e distribuir recompensas.

Além disso, a Worldcoin recentemente tornou de código aberto o código do programa do seu hardware de reconhecimento de íris Orb, garantindo a segurança e privacidade dos dados biométricos do usuário.

Globalmente, a economia cripto tornou-se uma solução potencial significativa para os desafios colocados pela IA à sociedade humana, devido à certeza do código e da criptografia, às vantagens da circulação de recursos e angariação de fundos trazidas pelos mecanismos de token, e à natureza sem confiança baseada em código aberto e registos públicos.

O desafio mais urgente e comercialmente exigente é a extrema fome de recursos computacionais pelos produtos de IA, que gira em torno da enorme demanda por chips e poder computacional.

Esta é também a principal razão pela qual os projetos de computação distribuída lideraram o rasto geral de IA neste ciclo de mercado em alta.

A necessidade comercial da computação descentralizada

A IA requer recursos computacionais substanciais, tanto para treinar modelos como para inferência.

Na prática de treinar grandes modelos de linguagem, foi confirmado que, desde que a escala dos parâmetros de dados seja suficientemente grande, novas capacidades emergem que não estavam presentes anteriormente. Cada geração do GPT mostra um salto exponencial em capacidades comparado com seu antecessor, apoiado por um crescimento exponencial no volume computacional necessário para o treinamento do modelo.

Uma pesquisa realizada pela DeepMind e pela Universidade de Stanford mostra que diferentes modelos de linguagem grandes, ao enfrentar várias tarefas (cálculo, perguntas e respostas em persa, compreensão de linguagem natural, etc.), apresentam desempenhos semelhantes a respostas aleatórias até que o treinamento atinja menos de 10^22 FLOPS (FLOPS denotam operações de ponto flutuante por segundo, uma medida de desempenho computacional); no entanto, uma vez que a escala de parâmetros ultrapassa esse limiar crítico, o desempenho de qualquer tarefa melhora dramaticamente, independentemente do modelo de linguagem.

Fonte: Habilidades Emergentes de Modelos de Linguagem Grandes

Habilidades Emergentes de Modelos de Linguagem Grandes

É precisamente o princípio de "realizar milagres com grande poder de computação" e a sua verificação prática que levaram Sam Altman, o fundador da OpenAI, a propor a angariação de 7 triliões de dólares americanos para construir uma fábrica de chips avançada que é dez vezes maior do que a atual TSMC. Espera-se que 1,5 triliões de dólares sejam gastos nesta parte, com os fundos restantes utilizados para produção de chips e treino de modelos.

Para além da formação de modelos de IA, o processo de inferência dos próprios modelos também requer uma potência de computação substancial, embora inferior à necessária para a formação. Portanto, o desejo por chips e potência de computação tornou-se uma norma entre os concorrentes de IA.

Comparando com os fornecedores centralizados de computação de IA como a Amazon Web Services, Google Cloud Platform e Azure da Microsoft, as principais propostas de valor da computação de IA distribuída incluem:

• Acessibilidade: Acesso a chips de computação através de serviços de nuvem como AWS, GCP ou Azure geralmente demora semanas, e modelos populares de GPU estão frequentemente esgotados. Além disso, para obter energia de computação, os consumidores frequentemente precisam assinar contratos longos e inflexíveis com essas grandes empresas. Em contraste, plataformas de computação distribuída podem fornecer opções de hardware flexíveis com maior acessibilidade.
• Preços mais baixos: Ao utilizar chips inativos, juntamente com subsídios de tokens do protocolo de rede para fornecedores de chips e potência de computação, as redes de computação distribuída podem oferecer uma potência de computação mais acessível.
• Resistência à censura: Atualmente, os chips e suprimentos de computação de ponta são monopolizados por grandes empresas de tecnologia. Além disso, os governos liderados pelos Estados Unidos estão intensificando a fiscalização sobre os serviços de computação de IA. A capacidade de adquirir energia de computação de forma distribuída, flexível e gratuita está se tornando uma demanda clara, que é também uma proposta de valor central das plataformas de serviços de computação baseadas na web3.

Se os combustíveis fósseis foram a vida da era industrial, então a potência de cálculo provavelmente será a vida da nova era digital inaugurada pela IA, com o fornecimento de potência de cálculo tornando-se a infraestrutura da era da IA. Assim como as stablecoins se tornaram um ramo robusto da moeda fiduciária na era Web3, poderá o mercado de computação distribuída tornar-se um ramo de rápido crescimento do mercado de computação de IA?

Uma vez que este ainda é um mercado relativamente inicial, tudo ainda está sob observação. No entanto, os seguintes fatores poderiam potencialmente estimular a narrativa ou a adoção de mercado de computação distribuída:

• Tensão contínua entre oferta e procura de GPUs. A tensão em curso na oferta de GPUs pode encorajar alguns desenvolvedores a recorrer a plataformas de computação distribuída.
• Expansão regulamentar. Acesso a serviços de computação de IA de grandes plataformas de computação em nuvem requer KYC e escrutínio extensivo. Isso pode, em vez disso, encorajar a adoção de plataformas de computação distribuída, especialmente em regiões sujeitas a restrições e sanções.
• Incentivos de preço do Token. Os ciclos de mercado de alta e os preços crescentes do token aumentam o valor do subsídio para o lado do fornecimento de GPU, atraindo mais fornecedores para o mercado, aumentando o tamanho do mercado e reduzindo o preço de compra real para os consumidores.

No entanto, os desafios enfrentados pelas plataformas de computação distribuída também são bastante evidentes:

• Desafios Técnicos e de Engenharia
• Problemas de Prova de Trabalho: A computação para modelos de aprendizado profundo, devido à sua estrutura hierárquica onde a saída de cada camada serve como entrada para a próxima, requer a execução de todo o trabalho anterior para verificar a validade da computação. Isso não pode ser simples e efetivamente verificado. Para resolver este problema, as plataformas de computação distribuída precisam desenvolver novos algoritmos ou usar técnicas de verificação aproximadas, que podem fornecer garantias probabilísticas da correção dos resultados, em vez de certeza absoluta.
• Desafios de Paralelização: As plataformas de computação distribuída reúnem a longa cauda do fornecimento de chips, o que significa que dispositivos individuais só podem oferecer poder de computação limitado. Um único fornecedor de chips dificilmente pode concluir as tarefas de treino ou inferência de um modelo de IA de forma independente num curto período, portanto, as tarefas devem ser decompostas e distribuídas através da paralelização para encurtar o tempo total de conclusão. A paralelização também inevitavelmente enfrenta questões como a decomposição das tarefas (especialmente tarefas complexas de aprendizado profundo), dependência de dados e custos adicionais de comunicação entre dispositivos.
• Questões de Proteção da Privacidade: Como garantir que os dados e modelos da parte compradora não sejam expostos aos destinatários da tarefa?

Desafios de conformidade regulatória

• Devido à natureza não licenciada dos mercados de fornecimento e aquisição dupla de plataformas de computação distribuída, estas podem atrair certos clientes como pontos de venda. Por outro lado, podem tornar-se alvos de regulamentação governamental à medida que os padrões regulatórios de IA são refinados. Além disso, alguns fornecedores de GPU podem preocupar-se com o facto de os seus recursos computacionais alugados estarem a ser fornecidos a empresas ou indivíduos sancionados.

Globalmente, os consumidores de plataformas de computação distribuída são principalmente desenvolvedores profissionais ou instituições de pequeno a médio porte, ao contrário de investidores em criptomoedas e NFT que diferem em suas expectativas quanto à estabilidade e continuidade dos serviços oferecidos pelo protocolo. O preço pode não ser o seu principal motivo na tomada de decisões. Por enquanto, parece que as plataformas de computação distribuída ainda têm um longo caminho a percorrer para obter a aprovação de tais utilizadores.

Em seguida, iremos organizar e analisar as informações do projeto para um novo projeto de computação distribuída neste ciclo, IO.NET, e estimar sua possível avaliação de mercado após a listagem, com base nos concorrentes de mercado atuais nos setores de IA e computação distribuída.

2. Plataforma de Computação AI Distribuída: IO.NETPlataforma de Computação AI Distribuída: IO.NET

2.1 Posicionamento do Projeto

IO.NET é uma rede de computação descentralizada que estabeleceu um mercado bilateral centrado em chips. O lado da oferta é composto por chips (principalmente GPUs, mas também CPUs e iGPUs da Apple) distribuídos globalmente, enquanto o lado da procura é composto por engenheiros de inteligência artificial que procuram realizar tarefas de treino ou inferência de modelos de IA.

Conforme declarado no site oficial da IO.NET:

Nossa Missão

Reunir um milhão de GPUs em uma DePIN - rede de infraestrutura física descentralizada.

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

Comparado com os fornecedores de serviços de computação em nuvem AI existentes, a IO.NET enfatiza os seguintes pontos-chave de venda:

• Combinação Flexível: Os engenheiros de IA podem selecionar e combinar livremente os chips de que precisam para formar “Clusters” e completar suas tarefas de computação.
• Implantação Rápida: A implantação pode ser concluída em segundos, sem as semanas de aprovação e espera geralmente necessárias pelos provedores centralizados como a AWS.
• Serviço econômico: O custo dos serviços é 90% menor do que o dos fornecedores principais.

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

2.2 Mecanismo de Produto e Dados de Negócios

Mecanismo de Produto e Experiência de Implementação

Semelhante ao Amazon Cloud, Google Cloud e Alibaba Cloud, o serviço de computação fornecido pela IO.NET é chamado de IO Cloud. IO Cloud é uma rede distribuída e descentralizada de chips capaz de executar código de aprendizado de máquina baseado em Python e executar programas de IA e aprendizado de máquina.

O módulo básico de negócios da IO Cloud é chamado “Clusters”. Os Clusters são grupos de GPUs que podem coordenar autonomamente para concluir tarefas de computação. Os engenheiros de inteligência artificial podem personalizar os Clusters desejados com base nas suas necessidades.

A interface de produtos da IO.NET é altamente amigável para o usuário. Se você precisa implantar seus próprios Agrupamentos de Chips para completar tarefas de computação de IA, pode começar a configurar seus Agrupamentos de Chips desejados assim que entrar na página de produtos de Agrupamentos no site deles.

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

Primeiro, você precisa selecionar seu cenário de projeto, e atualmente, existem três tipos disponíveis:

1. Geral (Tipo genérico): Fornece um ambiente mais genérico, adequado para as fases iniciais do projeto quando as necessidades de recursos específicos são incertas.

2. Treino (Tipo de Treino): Projetado para o treino e ajuste fino de modelos de aprendizagem automática. Esta opção oferece recursos adicionais de GPU, maior capacidade de memória e/ou conexões de rede mais rápidas para lidar com estas tarefas computacionais intensivas.

3. Inferência (Tipo de inferência): Projetado para inferência de baixa latência e tarefas de alta carga. No contexto da aprendizagem de máquina, inferência refere-se ao uso de modelos treinados para prever ou analisar novos dados e fornecer feedback. Portanto, esta opção concentra-se na otimização da latência e da taxa de transferência para suportar as necessidades de processamento de dados em tempo real ou quase em tempo real.

Em seguida, precisa de escolher o fornecedor para os Clusters de chips. Atualmente, a IO.NET tem parcerias com a Rede Render e a rede de mineração do Filecoin, permitindo aos utilizadores escolher chips da IO.NET ou das outras duas redes como fornecedor dos seus Clusters de computação. A IO.NET atua como um agregador (embora, no momento da escrita, o serviço do Filecoin esteja temporariamente offline). Notavelmente, de acordo com a página de exibição, o número de GPUs online disponíveis para a IO.NET é superior a 200.000, enquanto que para a Rede Render é superior a 3.700.

Finalmente, você entra na fase de seleção de hardware do chip para os Clusters. Atualmente, a IO.NET lista apenas GPUs para seleção, excluindo CPUs ou iGPUs da Apple (M1, M2, etc.), e as GPUs apresentam principalmente produtos da NVIDIA.

Na lista oficial de opções de hardware GPU disponíveis, com base em dados testados pelo autor naquele dia, o número total de GPUs disponíveis online na rede IO.NET é de 206.001. Destes, o GeForce RTX 4090 tem a maior disponibilidade, com 45.250 unidades, seguido pelo GeForce RTX 3090 Ti, com 30.779 unidades.

Além disso, o chip A100-SXM4-80GB, que é mais eficiente para tarefas de computação de IA, como aprendizado de máquina, aprendizado profundo e computação científica (preço de mercado acima de $15,000), tem 7,965 unidades online.

O cartão gráfico NVIDIA H100 80GB HBM3, especificamente projetado desde o início para IA (preço de mercado acima de $40,000), tem um desempenho de treinamento 3,3 vezes maior que o A100 e um desempenho de inferência 4,5 vezes maior que o A100, com um total de 86 unidades online.

Após selecionar o tipo de hardware para Clusters, os usuários também precisam escolher a região, velocidade de comunicação, número de GPUs alugadas e duração do aluguel, entre outros parâmetros.

Finalmente, a IO.NET irá fornecer uma fatura com base na seleção abrangente. Por exemplo, na configuração dos Clusters do autor:

• Cenário geral da tarefa
• 16 chips A100-SXM4-80GB
• Conexão ultrarrápida
• Localizado nos EUA
• Período de aluguer de 1 semana

A conta total é de $3311.6, com um preço por hora por cartão de $1.232

Em comparação, os preços de aluguer por hora do A100-SXM4-80GB na Amazon Cloud, Google Cloud e Microsoft Azure são de $5.12, $5.07 e $3.67, respetivamente (fonte de dados: https://cloud-gpus.com/, os preços reais podem variar com base nos detalhes do contrato).

Assim, puramente em termos de preço, o poder de computação da IO.NET é significativamente mais barato do que o dos fabricantes mainstream, e as opções de fornecimento e aquisição são muito flexíveis, o que torna fácil começar.

Condições comerciais

Situação do lado da oferta

Até 4 de abril deste ano, de acordo com dados oficiais, a IO.NET tem um fornecimento total de 371.027 GPUs e 42.321 CPUs no lado do fornecimento. Além disso, a Render Network, como seu parceiro, também conectou 9.997 GPUs e 776 CPUs ao fornecimento da rede.

Origem dos dados: https://cloud.io.net/explorer/home, o mesmo abaixo

Na redação deste artigo, 214.387 das GPUs conectadas por IO.NET estão online, com uma taxa online de 57,8%. A taxa online para GPUs da Render Network é de 45,1%.

O que implicam os dados acima do lado da oferta?

Para fornecer uma comparação, vamos apresentar outro projeto de computação distribuída mais antigo, Akash Network, para contrastar. Akash Network lançou sua mainnet tão cedo quanto 2020, focando inicialmente em serviços distribuídos para CPUs e armazenamento. Em junho de 2023, lançou um testnet para serviços de GPU e foi ao ar com sua mainnet para poder de computação de GPU distribuído 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 continuado a crescer, o número total de GPUs conectadas à sua rede atingiu apenas 365 até à data.

Em termos de volume de fornecimento de GPU, a IO.NET é várias ordens de magnitude maior do que a Akash Network, tornando-a a maior rede de fornecimento na corrida de potência de computação distribuída de GPU.

Situação do lado da procura

No entanto, olhando para o lado da procura, o IO.NET ainda está numa fase inicial de cultivo de mercado, e o volume real de tarefas de computação realizadas usando o IO.NET não é grande. A maioria das GPUs online tem uma carga de trabalho de 0%, com apenas quatro tipos de chips - A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S e H100 80GB HBM3 - a lidar com tarefas. Exceto o A100 PCIe 80GB K8S, a carga de trabalho dos outros três chips é inferior a 20%.

O valor oficial de stress da rede divulgado no dia é de 0%, indicando que a maioria do fornecimento de chips está em estado de espera online. Entretanto, a IO.NET gerou um total de $586,029 em taxas de serviço, com o custo no último dia totalizando $3,200.

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

A escala dessas taxas de liquidação de rede, tanto em termos totais quanto em volume diário de transações, está na mesma ordem de grandeza que a Akash, embora a maior parte da receita da rede da Akash provenha do segmento de CPU, com mais de 20.000 CPUs fornecidos.

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

Além disso, a IO.NET divulgou dados sobre tarefas de inferência de IA processadas pela rede; até à data, processou e verificou mais de 230.000 tarefas de inferência, embora a maior parte deste volume tenha sido gerada por projetos patrocinados pela IO.NET, como BC8.AI.

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

Com base nos dados comerciais atuais, a expansão do lado do fornecimento da IO.NET está a progredir sem problemas, impulsionada pela expectativa de airdrops e um evento da comunidade apelidado de "Ignição", que rapidamente acumulou uma quantidade significativa de potência de computação de chips de IA. No entanto, a expansão do lado da procura ainda está numa fase inicial, com a procura orgânica atualmente insuficiente. Ainda está por avaliar se a atual falta de procura se deve ao facto de o alcance do consumidor ainda não ter começado, ou se é porque a experiência de serviço atual não é suficientemente estável, faltando assim uma adoção generalizada.

Considerando a dificuldade a curto prazo em superar a lacuna no poder de computação de IA, muitos engenheiros e projetos de IA estão buscando soluções alternativas, o que pode despertar interesse em provedores de serviços descentralizados. Além disso, uma vez que o IO.NET ainda não iniciou incentivos econômicos e de atividade para o lado da demanda, juntamente com a melhoria gradual da experiência do produto, a correspondência eventual entre oferta e demanda ainda é aguardada com otimismo.

2.3 Antecedentes da Equipa e Financiamento

Situação da equipe

A equipa principal da IO.NET inicialmente focou-se na negociação quantitativa, desenvolvendo sistemas de negociação quantitativa a nível institucional para ações e ativos criptográficos até junho de 2022. Impulsionada pela necessidade de potência de cálculo do sistema backend, a equipa começou a explorar as possibilidades da computação descentralizada, focando-se ultimamente na redução do custo dos serviços de computação GPU.

Fundador e CEO: Ahmad Shadid, que tem formação em finanças quantitativas e engenharia e também foi voluntário na Ethereum Foundation.

CMO & Chief Strategy Officer: Garrison Yang, que se juntou à IO.NET em março deste ano. Anteriormente, foi VP de Estratégia e Crescimento na Avalanche e formou-se na Universidade da Califórnia, Santa Bárbara.

COO: Tory Green, anteriormente COO na Hum Capital e Diretor de Desenvolvimento Corporativo e Estratégia na Fox Mobile Group, formou-se em Stanford.

De acordo com as informações do LinkedIn, a IO.NET tem sede em Nova Iorque, EUA, com uma filial em São Francisco, e a equipa tem mais de 50 membros.

Situação de financiamento

Até agora, a IO.NET só divulgou uma rodada de financiamento, que é a Série A concluída em março deste ano, avaliada em 1 bilhão de dólares. Levantou 30 milhões de dólares liderados pela Hack VC, com outros participantes, 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.

Vale a pena mencionar que talvez devido ao investimento da Fundação Aptos, o projeto BC8.AI, originalmente a liquidar contas na Solana, mudou-se para a blockchain de alto desempenho L1 Aptos.

2.4 Estimativa de Avaliação

Segundo o fundador e CEO da IO.NET, Ahmad Shadid, a empresa lançará o seu token no final de abril.

IO.NET tem dois projetos comparáveis para referência de avaliação: Render Network e Akash Network, ambos representativos de projetos de computação distribuída.

Existem duas formas de extrapolar a faixa de capitalização de mercado da IO.NET: 1. Rácio preço-vendas (P/S ratio), ou seja, rácio de capitalização de mercado/receita; 2. Rácio de capitalização de mercado por chip de rede.

Primeiro, vamos olhar para a extrapolação da valoração com base na taxa P/S:

Do ponto de vista do índice P/S, Akash pode servir como o limite inferior do intervalo de valoração da IO.NET, enquanto o Render atua como uma referência para a precificação de alta valoração. O intervalo de sua FDV (Valoração Total Diluída) é de 1,67 bilhões de dólares a 5,93 bilhões de dólares.

No entanto, considerando as atualizações ao projeto IO.NET, a sua narrativa mais quente, menor capitalização de mercado em circulação inicial e escala atualmente maior do lado da oferta, a probabilidade de o seu FDV exceder o da Render não é pequena.

A seguir, vamos analisar outra perspectiva de valoração, a "razão mercado-núcleo".

Num mercado onde a procura por potência de computação AI excede a oferta, o elemento mais crucial das redes distribuídas de potência de computação AI é a escala de oferta de GPU. Portanto, podemos usar a “relação mercado-núcleo,” a relação entre a capitalização de mercado total do projeto e o número de chips na rede, para extrapolar a gama de valoração possível do IO.NET para os leitores como uma referência de valor de mercado.

)

Se calculado com base na relação mercado-núcleo, com a Render Network como limite superior e a Akash Network como limite inferior, a faixa de FDV para IO.NET está entre USD 20.6 bilhões e USD 197.5 bilhões.

Os leitores que estão otimistas em relação ao projeto IO.NET considerariam esta uma estimativa de valor de mercado muito otimista.

Além disso, é necessário considerar que o número atual de fichas online da IO.NET pode ser estimulado pelas expectativas de airdrop e atividades de incentivo, e o número real online no lado do fornecimento ainda precisa ser observado após o lançamento oficial do projeto.

Portanto, no geral, a estimativa de valuation a partir da perspectiva da taxa P/S pode ser mais referencial.

IO.NET, como um projeto que combina IA, DePIN e o ecossistema Solana, aguarda com grande expectativa o seu desempenho no mercado pós-lançamento.

3. Informações de referência

• Dephi Digital：A verdadeira fusão
• Galáxia:Compreender a interseção entre Cripto e IA

Aviso Legal：

1. Este artigo é reproduzido a partir de [ mintventures]. Todos os direitos de autor pertencem ao autor originalIO.NET. Se houver objeções a esta reimpressão, entre em contato com o Gate Learnequipa e eles tratarão do assunto prontamente.
2. Aviso de responsabilidade: As opiniões expressas neste artigo são exclusivamente as do autor e não constituem qualquer conselho de investimento.
3. As traduções do artigo para outros idiomas são feitas pela equipe do Gate Learn. Salvo indicação em contrário, é proibido copiar, distribuir ou plagiar os artigos traduzidos.