Born on the Edge: 如何通過分散式計算能力網絡增強加密貨幣和人工智能的力量？
本文將從微觀和宏觀兩個角度對特定項目和整個領域進行拆解，旨在為讀者提供分析見解，以了解每個項目的核心競爭優勢以及去中心化算力領域的整體發展。作者將介紹並分析五個項目：Aethir、io.net、Render Network、Akash Network 和 Gensyn，並總結和評估它們的現狀以及該領域的發展。1 人工智能和加密貨幣的交匯點
在5月23日，芯片巨头NVIDIA发布了其2025财年第一季度财务报告。报告显示，NVIDIA第一季度营收达到260亿美元。其中，数据中心收入同比去年增长了427%，达到226亿美元。NVIDIA独自推动美国股市的财务表现，反映了全球科技公司在人工智能领域的爆炸性计算能力需求。越来越多的顶级科技公司在AI竞赛中扩大其野心，其对计算能力的需求呈指数增长。根据TrendForce的预测，到2024年，美国四家主要云服务提供商（微软、谷歌、亚马逊和Meta）对高端AI服务器的需求预计将占全球需求的60%以上，预计分别占20.2%、16.6%、16%和10.8%。
圖片來源: https://investor.nvidia.com/financial-info/financial-reports/default.aspx
“芯片短缺”在近年一直是一个年度热词。一方面，大型语言模型（LLM）在训练和推理过程中需要大量的计算力。随着模型的迭代，计算力的成本和需求呈指数增长。另一方面，像 Meta 这样的大公司购买了大量的芯片，导致全球的计算资源倾向于这些科技巨头，使得小企业越来越难以获得必要的计算资源。小企业面临的挑战不仅来自于因需求激增导致的芯片短缺，还来自于供应方面的结构性矛盾。目前，供应端仍然有大量闲置的图形处理器（GPU）；例如，一些数据中心存在大量闲置的计算力（利用率低至12%至18%），由于盈利能力下降，加密挖矿也有大量的闲置计算力资源。虽然并非所有这些计算力都适用于专用应用程序如人工智能训练，但消费级硬件在其他领域如人工智能推理、云游戏渲染、云手机等方面仍然可以发挥重要作用。整合和利用这些计算资源的机会是巨大的。
在加密貨幣市場沉寂了三年之後，焦點從人工智慧轉向加密，另一個牛市終於出現了。比特幣價格屢創新高，各種模因幣不斷湧現。儘管人工智慧和加密近年來一直是流行語，但人工智慧和區塊鏈作為兩項重要技術似乎是平行的，尚未找到“交叉點”。今年早些時候，Vitalik發表了一篇題為“加密+人工智慧應用的前景和挑戰”的文章，討論了人工智慧和加密融合的未來場景。Vitalik在文章中概述了許多願景，包括使用區塊鏈和MPC（多方計算）加密技術進行AI的分散訓練和推理，這可以打開機器學習的黑匣子，使AI模型更加不可信，以及其他好處。雖然實現這些願景需要付出相當大的努力，但Vitalik提到的一個用例——通過加密經濟激勵賦予人工智慧權力——是一個可以在短期內實現的重要方向。去中心化算力網路是目前最適合AI+加密集成的場景之一。
2 分散式算力網絡
目前，有許多項目在去中心化計算能力網絡空間中發展。這些項目的基本邏輯類似，可以總結為使用代幣激勵計算能力提供者參與網絡並提供他們的計算資源。這些分散的計算資源可以聚合成重要規模的去中心化計算能力網絡。這種方法不僅增加了閒置計算能力的利用率，還以較低的成本滿足了客戶的計算需求，實現了買家和賣家的雙贏局面。
為了在短時間內為讀者提供全面的了解，本文將從微觀和宏觀的角度，解構具體的項目和整個領域。旨在為讀者提供分析性的見解，以了解每個項目的核心競爭優勢和分散式計算能力網絡行業的整體發展。作者將介紹和分析五個項目：Aethir，io.net，Render Network，Akash Network和Gensyn，並總結和評估它們的情況和行業的發展。
就分析框架而言，著重於特定的去中心化算力網絡，我們可以將其分解為四個核心組件：
- 硬件網絡：通過在全球範圍內分佈節點將分散的計算資源整合在一起，以促進資源共享和負載平衡，形成了去中心化計算能力網絡的基礎層。
- 雙邊市場：通過有效的定價和發現機制將算力供應商與需求者相匹配，提供安全的交易平臺，確保雙方交易透明、公平、可信。
- 共識機制：確保網路內的節點正常運行並完成任務。共識機制監控兩個方面：1）節點正常運行時間，以確保它們處於活動狀態並隨時準備接受任務。2）任務完成證明：節點有效、正確地完成任務，不會將計算能力轉移到其他目的，佔用進程和線程。
- 代幣激勵: 代幣模型鼓勵更多參與者提供/使用服務，利用代幣捕捉網絡效應，以促進社區利益共享。
從去中心化計算能力部門的概述角度來看，Blockworks Research提供了一個強大的分析框架，將專案分為三個不同的層次。
- 裸金屬層：形成去中心化計算堆疊的基礎層，負責聚合原始運算資源並通過 API 呼叫使其可訪問。
- 編排層：構成去中心化計算堆疊的中間層，主要側重於協調和抽象。它處理調度、擴展、操作、負載均衡和計算能力容錯等任務。它的主要作用是「抽象」管理底層硬體的複雜性，提供針對特定客戶需求量身定製的更高級的用戶介面。
- 聚合層：是分散式計算框架的頂層，主要負責集成。它為用戶提供了一個統一的界面，讓他們可以在一個地方執行各種計算任務，例如AI訓練，渲染，zkML等。這一層作為多個分散式計算服務的編排和分發層。
圖片來源：Youbi Capital
根據提供的兩個分析框架，我們將對五個選定的項目在核心業務、市場定位、硬體設施和財務表現四個維度進行比較分析。
2.1 核心業務
從基礎的角度來看，去中心化的計算能力網絡高度同質化，利用代幣激勵閒置的計算能力提供者提供服務。基於這種基礎邏輯，我們可以從三個方面理解項目之間的核心業務差異：
- 閒置算力的來源
- 市場上閒置算力的來源主要來自兩個主要類別：1）數據中心，礦業公司和其他企業；和2）個人用戶。數據中心通常擁有專業級硬件，而個人用戶通常購買消費級芯片。
- Aethir、Akash Network和Gensyn主要從企業獲取算力。從企業獲取算力的好處包括：1）更高質量的硬件和專業維護團隊，提高計算資源的性能和可靠性；2）企業和數據中心中計算資源的更多同質性和集中管理，從而實現更高效的調度和維護。然而，這種方法對項目團隊提出了更高的要求，需要與控制算力的企業建立商業關係。此外，可擴展性和去中心化可能會受到一定程度的影響。
- Render Network 和 io.net 鼓勵個人用戶提供閒置的計算能力。從個人獲取計算能力的優勢包括：1）個人閒置計算能力的顯性成本較低，提供更經濟的計算資源；2）網絡的可擴展性和去中心化程度更高，增強系統的彈性和健壯性。然而，這種方法的缺點包括個人資源的廣泛和異構分佈，使管理和調度變得複雜，增加了運營挑戰。此外，依賴個人的計算能力來引發網絡效應可能更加困難。最後，個人擁有的設備可能帶來更多的安全風險，可能導致數據泄露和計算能力的濫用。
- 算力消費者
- 從算力消費者的角度來看，Aethir、io.net和Gensyn主要針對企業。對於需要人工智能和實時遊戲渲染等服務的B端客戶來說，對高性能計算資源有很高的需求，通常需要高端GPU或專業級硬件。此外，B端客戶對計算資源的穩定性和可靠性有著嚴格的要求，需要高品質的服務水平協議來確保項目運營的順利進行和及時的技術支持。此外，B端客戶的遷移成本也是相當大的。如果去中心化網絡缺乏成熟的SDK來為項目快速部署（例如，Akash Network要求用戶基於遠程端口進行開發），則很難說服客戶進行遷移。除非有顯著的價格優勢，客戶的遷移意願仍然很低。
- Render Network和Akash Network主要為個人用戶提供計算能力服務。為C端消費者提供服務需要項目設計簡單易用的界面和工具，以提供良好的消費者體驗。此外，消費者對價格非常敏感，需要項目制定競爭力強的定價策略。
- 硬件類型
- 常見的計算硬體資源包括CPU、FPGA、GPU、ASIC和SoC。這些硬體類型在設計目標、性能特徵和應用領域上有顯著的差異。總的來說，CPU擅長於一般的計算任務，FPGA在高度並行處理和可程式化方面有優勢，GPU在並行計算方面表現良好，ASIC對於特定任務最有效率，SoC將多個功能集成到一個單元中，適用於高度集成的應用。硬體的選擇取決於特定應用需求、性能要求和成本考慮。
- 我們討論的去中心化算力專案大多收集GPU算力，這是由專案類型和GPU的特性決定的。GPU在AI訓練、並行計算、多媒體渲染等方面具有獨特的優勢。雖然這些專案大多涉及GPU集成，但不同的應用有不同的硬體規格和要求，導致優化內核和參數異構。這些參數包括並行度/串行依賴性、記憶體、延遲等。例如，渲染工作負載實際上更適合消費級 GPU，而不是更高性能的數據中心 GPU，因為渲染對光線追蹤等任務的要求很高。消費級晶元（如 4090s）採用 RT 內核進行增強，專門針對光線追蹤任務進行了優化。AI 訓練和推理需要專業級 GPU。因此，渲染網路可以聚合來自個人使用者的消費級 GPU，如 RTX 3090 和 4090，而 IO.NET 需要更多的 H100、A100 和其他專業級 GPU 來滿足 AI 初創公司的需求。
2.2 市場定位
就項目定位、需要解決的核心問題、優化重點和價值捕獲能力而言，裸金屬層、管控層和聚合層有所不同。
- 裸金屬層專注於物理資源的收集和利用。編排層關注計算能力的排程和優化，根據客戶需求設計物理硬體的最佳配置。匯總層是通用的，專注於整合和抽象不同的資源。
- 從價值鏈的角度來看，每個項目應該從裸金屬層開始，並努力向上提升。在價值捕獲方面，能力從裸金屬層逐漸增強到管控層，最終到聚合層。聚合層能夠捕獲最多的價值，因為聚合平台能夠實現最大的網絡效應，直接觸及最多的用戶，有效地充當去中心化網絡的流量入口，從而佔據整個計算資源管理堆棧中的最高價值捕獲位置。
- 相应地，建立聚合平台是最具挑戰性的。一個項目需要全面解決技術複雜性、異質資源管理、系統可靠性和可擴展性、網絡效應實現、安全和隱私保護，以及複雜的運營管理問題。這些挑戰對一個項目的冷啟動不利，取決於行業的發展狀況和時機。在管絃樂層成熟並佔據重要市場份額之前，開發聚合層是不現實的。
- 目前，Aethir、Render Network、Akash Network 和 Gensyn 屬於管弦樂層。 它們旨在為特定目標和客戶群提供服務。 Aethir 的主要業務是為雲遊戲提供實時渲染，並為 B 端客戶提供特定的開發和部署環境和工具； Render Network 的主要業務是視頻渲染； Akash Network 的使命是提供類似於淘寶的市場平台； Gensyn 則深入專注於人工智能培訓領域。 IO.net 定位自己為匯聚層，但其當前功能與完整匯聚層還有一定距離。 雖然它已收集了來自 Render Network 和 Filecoin 的硬件，但硬件資源的抽象和整合尚未完成。
2.3 硬件設施
- 目前，並非所有的項目都披露了詳細的網絡數據。相比之下，io.net的探索者UI是最好的，顯示了GPU/CPU的數量、類型、價格、分佈、網絡使用情況和節點收入等參數。然而，四月底時，由於PUT/POST接口缺乏驗證，io.net的前端遭到了攻擊，導致黑客篡改了前端數據。這一事件引起了人們對其他項目的網絡數據隱私和可靠性的擔憂。
- 就GPU數量和型號而言，io.net作為一個聚合層，應該邏輯上擁有最多的硬件。Aethir緊隨其後，而其他項目的硬件狀態則不太透明。io.net擁有各種不同的GPU，包括像A100這樣的專業級GPU和4090這樣的消費級GPU，符合io.net的聚合定位。這使得io根據特定的任務需求選擇最合適的GPU成為可能。然而，不同的GPU型號和品牌可能需要不同的驅動程序和配置，軟件也需要進行複雜的優化，增加了管理和維護的複雜性。目前，io的任務分配主要依賴於用戶自選。
- Aethir已經推出了自家的挖礦機，而Aethir Edge在五月由Qualcomm支持下正式推出。這樣一來，就不再侷限於單一集中式GPU集群遠離用戶的部署方式，將算力部署到邊緣。Aethir Edge和H100集群計算能力結合，可應用於AI場景，部署訓練好的模型以提供具有最佳成本效益的推理計算服務。這個解決方案更貼近用戶、服務速度更快，並提供更高的成本效益。
- 從供需的角度來看，以Akash Network為例，其統計數據顯示總CPU數約為16k，GPU則有378個。根據網絡租賃需求，CPU和GPU的利用率分別為11.1%和19.3%。只有專業級GPU H100的租賃率相對較高，而大多數其他型號則處於空閒狀態。這種情況在其他網絡中普遍存在，整體網絡需求低迷，除了像A100和H100這樣的熱門芯片外，大部分算力處於閒置狀態。
- 就價格優勢而言，與傳統服務提供商相比，成本優勢除了對抗雲計算市場巨頭之外並不顯著。
2.4 財務表現
- 無論代幣模型設計如何，健康的代幣經濟學必須滿足以下基本條件：1）網絡的用戶需求必須反映在代幣價格中，意味著代幣能夠捕獲價值；2）所有參與者，無論是開發人員、節點還是用戶，都需要獲得長期和公平的激勵；3）確保去中心化治理，避免內部人士持有過多；4）合理的通脹和通縮機制以及代幣發行計劃，避免顯著價格波動影響網絡穩定性和可持續性。
- 如果我們將代幣模型廣泛分為BME（燃燒和鑄造均衡）和SFA（權益參與），那麼這兩種模型的通縮壓力來自不同的來源：在BME模型中，用戶購買服務後代幣被燒毀，因此系統的通縮壓力取決於需求。在SFA模型中，服務提供者/節點需要抵押代幣才能獲得提供服務的資格，因此通縮壓力來自供應。BME的優點在於它更適合非標準化商品。然而，如果網絡需求不足，它可能面臨持續的通貨膨脹壓力。各個項目的代幣模型在細節上有所不同，但一般來說，Aethir更傾向於SFA，而io.net、Render Network和Akash Network更傾向於BME。Gensyn的模型仍然未知。
- 就收入而言，網絡需求將直接反映在整體網絡收入中（不包括礦工收入，因為礦工完成任務並且項目補貼可以獲得獎勵）。根據公開數據，io.net 的價值最高。雖然 Aethir 的收入尚未公開，但公開信息顯示他們已宣布與許多 B 端客戶簽訂訂單。
- 關於代幣價格，目前僅 Render Network 和 Akash Network 進行了 ICO。 Aethir 和 io.net 最近也發行了代幣，但它們的價格表現還需要進一步觀察，這裡不會進行詳細討論。 Gensyn 的計劃目前還不明確。 從發行代幣的兩個項目和這裡未討論的同一領域的其他項目來看，去中心化的計算能力網絡表現出了非常令人印象深刻的價格表現，這反映了相當大的市場潛力和社區的高期望。
2.5 摘要
- 去中心化的算力網絡行業正在迅速發展，許多項目已經能夠通過其產品為客戶提供服務並產生一些收入。該行業已經超越了純粹的敘述，進入了可以提供初步服務的階段。
- 去中心化计算力网络所面临的一个常见问题是需求不强，长期客户需求没有得到很好的验证和探索。然而，需求方面的挑战并没有对代币价格产生重大影响，因为发行代币的项目很少，但它们表现出令人印象深刻的性能。
- 人工智慧是分散式計算能力網絡的主要敘述，但不是唯一的應用。除了人工智慧訓練和推理外，計算能力還可用於雲遊戲的實時渲染、雲移動服務等等。
- 計算力網絡中的硬件高度異質化，這些網絡的質量和規模需要進一步改善。對於C端用戶來說，成本優勢不是非常顯著。對於B端用戶來說，除了成本節省外，還必須考慮服務穩定性、可靠性、技術支援、合規性和法律支援等因素。Web3項目在這些方面通常表現不佳。
3 結語
人工智能的指數增長無疑導致了對算力的巨大需求。自2012年以來，用於人工智能訓練任務的計算能力呈指數級增長，大約每3.5個月翻倍（相比之下，摩爾定律預測每18個月翻倍）。自2012年以來，對算力的需求增加了超過30萬倍，遠超過摩爾定律預測的12倍增長。預測顯示，GPU市場在未來五年將以32％的復合年增長率增長，達到超過2000億美元。AMD的估計甚至更高，該公司預測到2027年，GPU芯片市場將達到4000億美元。
人工智慧和其他計算密集型工作負載（如AR/VR渲染）的爆炸性增長，已暴露了傳統雲計算和主導計算市場的結構效率低下。從理論上講，分散式計算能力網絡可以利用分佈式閒置計算資源，提供更靈活、成本效益高和高效的解決方案，以滿足對計算資源的巨大需求。
因此，加密和人工智慧的結合具有巨大的市場潛力，但也面臨著與傳統企業的激烈競爭、高准入門檻和複雜的市場環境。總體而言，在所有加密行業中，分散式計算能力網路是加密領域最有前途的垂直領域之一，可以滿足實際需求。
圖片來源：https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
未來是光明的，但道路是艱辛的。要實現上述願景，我們需要解決眾多的問題和挑戰。總結而言，在這個階段，僅提供傳統的雲服務對於項目來說利潤空間很小。
從需求方面來看，大型企業通常建立自己的算力，而大多數個人開發者則傾向於選擇已建立的雲服務。關於中小型企業，即去中心化算力網絡資源的真正用戶，是否會有穩定的需求仍有待進一步探索和驗證。
另一方面，人工智能是一個潛力巨大且想像力極高的廣闊市場。為了進入這個更廣泛的市場，未來的去中心化算力服務提供商需要轉向提供模型和人工智能服務，探索更多加密貨幣+人工智能的應用案例，並擴大他們的項目所能創造的價值。然而，目前還有許多問題和挑戰需要解決，才能進一步發展人工智能領域：
- 價格優勢不突出：比較以前的數據顯示，去中心化的算力網絡並沒有顯示出明顯的成本優勢。這可能是由於市場機制決定了像 H100 和 A100 這樣的高需求專用芯片並不便宜。此外，去中心化缺乏規模經濟，高網絡和帶寬成本，以及重要的管理和運營複雜性增加了隱藏成本，進一步增加了計算成本。
- AI訓練中的特定挑戰：目前以分散方式進行AI訓練面臨著實質的技術瓶頸。這些瓶頸在GPU工作流程中明顯可見：在大型語言模型訓練期間，GPU首先接收預處理的數據批次以進行前向和後向傳播以計算梯度。然後GPU聚合梯度並更新模型參數以確保同步。這種迭代過程持續進行，直到所有批次被訓練或達到指定的時代數為止。它涉及大量的數據傳輸和同步。目前，使用去中心化的計算能力網絡進行AI訓練是不切實際的，而關於使用哪些並行和同步策略，如何優化網絡帶寬和延遲，以及如何降低通信成本等問題仍然未得到解決。
- 數據安全和隱私問題：在大型語言模型的訓練過程中，涉及數據處理和傳輸的每個階段（如數據分配、模型訓練、參數和梯度聚合）都可能對數據安全和隱私產生影響。隱私問題在涉及敏感數據的模型中尤其關鍵。在解決數據隱私問題之前，需求方的擴展是不可行的。
從實用的角度來看，去中心化的算力網絡需要在當前需求的開發與未來市場機遇之間取得平衡。確定清晰的產品定位和目標受眾至關重要。最初專注於非人工智能或Web3原生項目，滿足相對小眾的需求，有助於建立早期用戶群體。同時，持續探索人工智能和加密貨幣融合的各種場景至關重要。這涉及探索技術前沿並升級服務以滿足不斷變化的需求。通過將產品供應與市場需求戰略性地對齊，並始終處於技術發展的前沿，去中心化的算力網絡可以有效地為持續增長和市場關注度定位自己。
參考
https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
https://foresightnews.pro/article/detail/34368
https://research.web3caff.com/zh/archives/17351?ref=1554
聲明：
相關文章
Gate 研究：比特幣反彈 3.5%，以太坊落後，Dinari 和 Pell Network TVL 暴增
Gate 研究院：GT 代幣價格創歷史新高，以太坊主網質押量超 5,400 萬枚
Born on the Edge: 如何通過分散式計算能力網絡增強加密貨幣和人工智能的力量？
1 人工智能和加密貨幣的交匯點
在5月23日，芯片巨头NVIDIA发布了其2025财年第一季度财务报告。报告显示，NVIDIA第一季度营收达到260亿美元。其中，数据中心收入同比去年增长了427%，达到226亿美元。NVIDIA独自推动美国股市的财务表现，反映了全球科技公司在人工智能领域的爆炸性计算能力需求。越来越多的顶级科技公司在AI竞赛中扩大其野心，其对计算能力的需求呈指数增长。根据TrendForce的预测，到2024年，美国四家主要云服务提供商（微软、谷歌、亚马逊和Meta）对高端AI服务器的需求预计将占全球需求的60%以上，预计分别占20.2%、16.6%、16%和10.8%。
圖片來源: https://investor.nvidia.com/financial-info/financial-reports/default.aspx
“芯片短缺”在近年一直是一个年度热词。一方面，大型语言模型（LLM）在训练和推理过程中需要大量的计算力。随着模型的迭代，计算力的成本和需求呈指数增长。另一方面，像 Meta 这样的大公司购买了大量的芯片，导致全球的计算资源倾向于这些科技巨头，使得小企业越来越难以获得必要的计算资源。小企业面临的挑战不仅来自于因需求激增导致的芯片短缺，还来自于供应方面的结构性矛盾。目前，供应端仍然有大量闲置的图形处理器（GPU）；例如，一些数据中心存在大量闲置的计算力（利用率低至12%至18%），由于盈利能力下降，加密挖矿也有大量的闲置计算力资源。虽然并非所有这些计算力都适用于专用应用程序如人工智能训练，但消费级硬件在其他领域如人工智能推理、云游戏渲染、云手机等方面仍然可以发挥重要作用。整合和利用这些计算资源的机会是巨大的。
在加密貨幣市場沉寂了三年之後，焦點從人工智慧轉向加密，另一個牛市終於出現了。比特幣價格屢創新高，各種模因幣不斷湧現。儘管人工智慧和加密近年來一直是流行語，但人工智慧和區塊鏈作為兩項重要技術似乎是平行的，尚未找到“交叉點”。今年早些時候，Vitalik發表了一篇題為“加密+人工智慧應用的前景和挑戰”的文章，討論了人工智慧和加密融合的未來場景。Vitalik在文章中概述了許多願景，包括使用區塊鏈和MPC（多方計算）加密技術進行AI的分散訓練和推理，這可以打開機器學習的黑匣子，使AI模型更加不可信，以及其他好處。雖然實現這些願景需要付出相當大的努力，但Vitalik提到的一個用例——通過加密經濟激勵賦予人工智慧權力——是一個可以在短期內實現的重要方向。去中心化算力網路是目前最適合AI+加密集成的場景之一。
2 分散式算力網絡
目前，有許多項目在去中心化計算能力網絡空間中發展。這些項目的基本邏輯類似，可以總結為使用代幣激勵計算能力提供者參與網絡並提供他們的計算資源。這些分散的計算資源可以聚合成重要規模的去中心化計算能力網絡。這種方法不僅增加了閒置計算能力的利用率，還以較低的成本滿足了客戶的計算需求，實現了買家和賣家的雙贏局面。
為了在短時間內為讀者提供全面的了解，本文將從微觀和宏觀的角度，解構具體的項目和整個領域。旨在為讀者提供分析性的見解，以了解每個項目的核心競爭優勢和分散式計算能力網絡行業的整體發展。作者將介紹和分析五個項目：Aethir，io.net，Render Network，Akash Network和Gensyn，並總結和評估它們的情況和行業的發展。
就分析框架而言，著重於特定的去中心化算力網絡，我們可以將其分解為四個核心組件：
- 硬件網絡：通過在全球範圍內分佈節點將分散的計算資源整合在一起，以促進資源共享和負載平衡，形成了去中心化計算能力網絡的基礎層。
- 雙邊市場：通過有效的定價和發現機制將算力供應商與需求者相匹配，提供安全的交易平臺，確保雙方交易透明、公平、可信。
- 共識機制：確保網路內的節點正常運行並完成任務。共識機制監控兩個方面：1）節點正常運行時間，以確保它們處於活動狀態並隨時準備接受任務。2）任務完成證明：節點有效、正確地完成任務，不會將計算能力轉移到其他目的，佔用進程和線程。
- 代幣激勵: 代幣模型鼓勵更多參與者提供/使用服務，利用代幣捕捉網絡效應，以促進社區利益共享。
從去中心化計算能力部門的概述角度來看，Blockworks Research提供了一個強大的分析框架，將專案分為三個不同的層次。
- 裸金屬層：形成去中心化計算堆疊的基礎層，負責聚合原始運算資源並通過 API 呼叫使其可訪問。
- 編排層：構成去中心化計算堆疊的中間層，主要側重於協調和抽象。它處理調度、擴展、操作、負載均衡和計算能力容錯等任務。它的主要作用是「抽象」管理底層硬體的複雜性，提供針對特定客戶需求量身定製的更高級的用戶介面。
- 聚合層：是分散式計算框架的頂層，主要負責集成。它為用戶提供了一個統一的界面，讓他們可以在一個地方執行各種計算任務，例如AI訓練，渲染，zkML等。這一層作為多個分散式計算服務的編排和分發層。
圖片來源：Youbi Capital
根據提供的兩個分析框架，我們將對五個選定的項目在核心業務、市場定位、硬體設施和財務表現四個維度進行比較分析。
2.1 核心業務
從基礎的角度來看，去中心化的計算能力網絡高度同質化，利用代幣激勵閒置的計算能力提供者提供服務。基於這種基礎邏輯，我們可以從三個方面理解項目之間的核心業務差異：
- 閒置算力的來源
- 市場上閒置算力的來源主要來自兩個主要類別：1）數據中心，礦業公司和其他企業；和2）個人用戶。數據中心通常擁有專業級硬件，而個人用戶通常購買消費級芯片。
- Aethir、Akash Network和Gensyn主要從企業獲取算力。從企業獲取算力的好處包括：1）更高質量的硬件和專業維護團隊，提高計算資源的性能和可靠性；2）企業和數據中心中計算資源的更多同質性和集中管理，從而實現更高效的調度和維護。然而，這種方法對項目團隊提出了更高的要求，需要與控制算力的企業建立商業關係。此外，可擴展性和去中心化可能會受到一定程度的影響。
- Render Network 和 io.net 鼓勵個人用戶提供閒置的計算能力。從個人獲取計算能力的優勢包括：1）個人閒置計算能力的顯性成本較低，提供更經濟的計算資源；2）網絡的可擴展性和去中心化程度更高，增強系統的彈性和健壯性。然而，這種方法的缺點包括個人資源的廣泛和異構分佈，使管理和調度變得複雜，增加了運營挑戰。此外，依賴個人的計算能力來引發網絡效應可能更加困難。最後，個人擁有的設備可能帶來更多的安全風險，可能導致數據泄露和計算能力的濫用。
- 算力消費者
- 從算力消費者的角度來看，Aethir、io.net和Gensyn主要針對企業。對於需要人工智能和實時遊戲渲染等服務的B端客戶來說，對高性能計算資源有很高的需求，通常需要高端GPU或專業級硬件。此外，B端客戶對計算資源的穩定性和可靠性有著嚴格的要求，需要高品質的服務水平協議來確保項目運營的順利進行和及時的技術支持。此外，B端客戶的遷移成本也是相當大的。如果去中心化網絡缺乏成熟的SDK來為項目快速部署（例如，Akash Network要求用戶基於遠程端口進行開發），則很難說服客戶進行遷移。除非有顯著的價格優勢，客戶的遷移意願仍然很低。
- Render Network和Akash Network主要為個人用戶提供計算能力服務。為C端消費者提供服務需要項目設計簡單易用的界面和工具，以提供良好的消費者體驗。此外，消費者對價格非常敏感，需要項目制定競爭力強的定價策略。
- 硬件類型
- 常見的計算硬體資源包括CPU、FPGA、GPU、ASIC和SoC。這些硬體類型在設計目標、性能特徵和應用領域上有顯著的差異。總的來說，CPU擅長於一般的計算任務，FPGA在高度並行處理和可程式化方面有優勢，GPU在並行計算方面表現良好，ASIC對於特定任務最有效率，SoC將多個功能集成到一個單元中，適用於高度集成的應用。硬體的選擇取決於特定應用需求、性能要求和成本考慮。
- 我們討論的去中心化算力專案大多收集GPU算力，這是由專案類型和GPU的特性決定的。GPU在AI訓練、並行計算、多媒體渲染等方面具有獨特的優勢。雖然這些專案大多涉及GPU集成，但不同的應用有不同的硬體規格和要求，導致優化內核和參數異構。這些參數包括並行度/串行依賴性、記憶體、延遲等。例如，渲染工作負載實際上更適合消費級 GPU，而不是更高性能的數據中心 GPU，因為渲染對光線追蹤等任務的要求很高。消費級晶元（如 4090s）採用 RT 內核進行增強，專門針對光線追蹤任務進行了優化。AI 訓練和推理需要專業級 GPU。因此，渲染網路可以聚合來自個人使用者的消費級 GPU，如 RTX 3090 和 4090，而 IO.NET 需要更多的 H100、A100 和其他專業級 GPU 來滿足 AI 初創公司的需求。
2.2 市場定位
就項目定位、需要解決的核心問題、優化重點和價值捕獲能力而言，裸金屬層、管控層和聚合層有所不同。
- 裸金屬層專注於物理資源的收集和利用。編排層關注計算能力的排程和優化，根據客戶需求設計物理硬體的最佳配置。匯總層是通用的，專注於整合和抽象不同的資源。
- 從價值鏈的角度來看，每個項目應該從裸金屬層開始，並努力向上提升。在價值捕獲方面，能力從裸金屬層逐漸增強到管控層，最終到聚合層。聚合層能夠捕獲最多的價值，因為聚合平台能夠實現最大的網絡效應，直接觸及最多的用戶，有效地充當去中心化網絡的流量入口，從而佔據整個計算資源管理堆棧中的最高價值捕獲位置。
- 相应地，建立聚合平台是最具挑戰性的。一個項目需要全面解決技術複雜性、異質資源管理、系統可靠性和可擴展性、網絡效應實現、安全和隱私保護，以及複雜的運營管理問題。這些挑戰對一個項目的冷啟動不利，取決於行業的發展狀況和時機。在管絃樂層成熟並佔據重要市場份額之前，開發聚合層是不現實的。
- 目前，Aethir、Render Network、Akash Network 和 Gensyn 屬於管弦樂層。 它們旨在為特定目標和客戶群提供服務。 Aethir 的主要業務是為雲遊戲提供實時渲染，並為 B 端客戶提供特定的開發和部署環境和工具； Render Network 的主要業務是視頻渲染； Akash Network 的使命是提供類似於淘寶的市場平台； Gensyn 則深入專注於人工智能培訓領域。 IO.net 定位自己為匯聚層，但其當前功能與完整匯聚層還有一定距離。 雖然它已收集了來自 Render Network 和 Filecoin 的硬件，但硬件資源的抽象和整合尚未完成。
2.3 硬件設施
- 目前，並非所有的項目都披露了詳細的網絡數據。相比之下，io.net的探索者UI是最好的，顯示了GPU/CPU的數量、類型、價格、分佈、網絡使用情況和節點收入等參數。然而，四月底時，由於PUT/POST接口缺乏驗證，io.net的前端遭到了攻擊，導致黑客篡改了前端數據。這一事件引起了人們對其他項目的網絡數據隱私和可靠性的擔憂。
- 就GPU數量和型號而言，io.net作為一個聚合層，應該邏輯上擁有最多的硬件。Aethir緊隨其後，而其他項目的硬件狀態則不太透明。io.net擁有各種不同的GPU，包括像A100這樣的專業級GPU和4090這樣的消費級GPU，符合io.net的聚合定位。這使得io根據特定的任務需求選擇最合適的GPU成為可能。然而，不同的GPU型號和品牌可能需要不同的驅動程序和配置，軟件也需要進行複雜的優化，增加了管理和維護的複雜性。目前，io的任務分配主要依賴於用戶自選。
- Aethir已經推出了自家的挖礦機，而Aethir Edge在五月由Qualcomm支持下正式推出。這樣一來，就不再侷限於單一集中式GPU集群遠離用戶的部署方式，將算力部署到邊緣。Aethir Edge和H100集群計算能力結合，可應用於AI場景，部署訓練好的模型以提供具有最佳成本效益的推理計算服務。這個解決方案更貼近用戶、服務速度更快，並提供更高的成本效益。
- 從供需的角度來看，以Akash Network為例，其統計數據顯示總CPU數約為16k，GPU則有378個。根據網絡租賃需求，CPU和GPU的利用率分別為11.1%和19.3%。只有專業級GPU H100的租賃率相對較高，而大多數其他型號則處於空閒狀態。這種情況在其他網絡中普遍存在，整體網絡需求低迷，除了像A100和H100這樣的熱門芯片外，大部分算力處於閒置狀態。
- 就價格優勢而言，與傳統服務提供商相比，成本優勢除了對抗雲計算市場巨頭之外並不顯著。
2.4 財務表現
- 無論代幣模型設計如何，健康的代幣經濟學必須滿足以下基本條件：1）網絡的用戶需求必須反映在代幣價格中，意味著代幣能夠捕獲價值；2）所有參與者，無論是開發人員、節點還是用戶，都需要獲得長期和公平的激勵；3）確保去中心化治理，避免內部人士持有過多；4）合理的通脹和通縮機制以及代幣發行計劃，避免顯著價格波動影響網絡穩定性和可持續性。
- 如果我們將代幣模型廣泛分為BME（燃燒和鑄造均衡）和SFA（權益參與），那麼這兩種模型的通縮壓力來自不同的來源：在BME模型中，用戶購買服務後代幣被燒毀，因此系統的通縮壓力取決於需求。在SFA模型中，服務提供者/節點需要抵押代幣才能獲得提供服務的資格，因此通縮壓力來自供應。BME的優點在於它更適合非標準化商品。然而，如果網絡需求不足，它可能面臨持續的通貨膨脹壓力。各個項目的代幣模型在細節上有所不同，但一般來說，Aethir更傾向於SFA，而io.net、Render Network和Akash Network更傾向於BME。Gensyn的模型仍然未知。
- 就收入而言，網絡需求將直接反映在整體網絡收入中（不包括礦工收入，因為礦工完成任務並且項目補貼可以獲得獎勵）。根據公開數據，io.net 的價值最高。雖然 Aethir 的收入尚未公開，但公開信息顯示他們已宣布與許多 B 端客戶簽訂訂單。
- 關於代幣價格，目前僅 Render Network 和 Akash Network 進行了 ICO。 Aethir 和 io.net 最近也發行了代幣，但它們的價格表現還需要進一步觀察，這裡不會進行詳細討論。 Gensyn 的計劃目前還不明確。 從發行代幣的兩個項目和這裡未討論的同一領域的其他項目來看，去中心化的計算能力網絡表現出了非常令人印象深刻的價格表現，這反映了相當大的市場潛力和社區的高期望。
2.5 摘要
- 去中心化的算力網絡行業正在迅速發展，許多項目已經能夠通過其產品為客戶提供服務並產生一些收入。該行業已經超越了純粹的敘述，進入了可以提供初步服務的階段。
- 去中心化计算力网络所面临的一个常见问题是需求不强，长期客户需求没有得到很好的验证和探索。然而，需求方面的挑战并没有对代币价格产生重大影响，因为发行代币的项目很少，但它们表现出令人印象深刻的性能。
- 人工智慧是分散式計算能力網絡的主要敘述，但不是唯一的應用。除了人工智慧訓練和推理外，計算能力還可用於雲遊戲的實時渲染、雲移動服務等等。
- 計算力網絡中的硬件高度異質化，這些網絡的質量和規模需要進一步改善。對於C端用戶來說，成本優勢不是非常顯著。對於B端用戶來說，除了成本節省外，還必須考慮服務穩定性、可靠性、技術支援、合規性和法律支援等因素。Web3項目在這些方面通常表現不佳。
3 結語
人工智能的指數增長無疑導致了對算力的巨大需求。自2012年以來，用於人工智能訓練任務的計算能力呈指數級增長，大約每3.5個月翻倍（相比之下，摩爾定律預測每18個月翻倍）。自2012年以來，對算力的需求增加了超過30萬倍，遠超過摩爾定律預測的12倍增長。預測顯示，GPU市場在未來五年將以32％的復合年增長率增長，達到超過2000億美元。AMD的估計甚至更高，該公司預測到2027年，GPU芯片市場將達到4000億美元。
人工智慧和其他計算密集型工作負載（如AR/VR渲染）的爆炸性增長，已暴露了傳統雲計算和主導計算市場的結構效率低下。從理論上講，分散式計算能力網絡可以利用分佈式閒置計算資源，提供更靈活、成本效益高和高效的解決方案，以滿足對計算資源的巨大需求。
因此，加密和人工智慧的結合具有巨大的市場潛力，但也面臨著與傳統企業的激烈競爭、高准入門檻和複雜的市場環境。總體而言，在所有加密行業中，分散式計算能力網路是加密領域最有前途的垂直領域之一，可以滿足實際需求。
圖片來源：https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
未來是光明的，但道路是艱辛的。要實現上述願景，我們需要解決眾多的問題和挑戰。總結而言，在這個階段，僅提供傳統的雲服務對於項目來說利潤空間很小。
從需求方面來看，大型企業通常建立自己的算力，而大多數個人開發者則傾向於選擇已建立的雲服務。關於中小型企業，即去中心化算力網絡資源的真正用戶，是否會有穩定的需求仍有待進一步探索和驗證。
另一方面，人工智能是一個潛力巨大且想像力極高的廣闊市場。為了進入這個更廣泛的市場，未來的去中心化算力服務提供商需要轉向提供模型和人工智能服務，探索更多加密貨幣+人工智能的應用案例，並擴大他們的項目所能創造的價值。然而，目前還有許多問題和挑戰需要解決，才能進一步發展人工智能領域：
- 價格優勢不突出：比較以前的數據顯示，去中心化的算力網絡並沒有顯示出明顯的成本優勢。這可能是由於市場機制決定了像 H100 和 A100 這樣的高需求專用芯片並不便宜。此外，去中心化缺乏規模經濟，高網絡和帶寬成本，以及重要的管理和運營複雜性增加了隱藏成本，進一步增加了計算成本。
- AI訓練中的特定挑戰：目前以分散方式進行AI訓練面臨著實質的技術瓶頸。這些瓶頸在GPU工作流程中明顯可見：在大型語言模型訓練期間，GPU首先接收預處理的數據批次以進行前向和後向傳播以計算梯度。然後GPU聚合梯度並更新模型參數以確保同步。這種迭代過程持續進行，直到所有批次被訓練或達到指定的時代數為止。它涉及大量的數據傳輸和同步。目前，使用去中心化的計算能力網絡進行AI訓練是不切實際的，而關於使用哪些並行和同步策略，如何優化網絡帶寬和延遲，以及如何降低通信成本等問題仍然未得到解決。
- 數據安全和隱私問題：在大型語言模型的訓練過程中，涉及數據處理和傳輸的每個階段（如數據分配、模型訓練、參數和梯度聚合）都可能對數據安全和隱私產生影響。隱私問題在涉及敏感數據的模型中尤其關鍵。在解決數據隱私問題之前，需求方的擴展是不可行的。
從實用的角度來看，去中心化的算力網絡需要在當前需求的開發與未來市場機遇之間取得平衡。確定清晰的產品定位和目標受眾至關重要。最初專注於非人工智能或Web3原生項目，滿足相對小眾的需求，有助於建立早期用戶群體。同時，持續探索人工智能和加密貨幣融合的各種場景至關重要。這涉及探索技術前沿並升級服務以滿足不斷變化的需求。通過將產品供應與市場需求戰略性地對齊，並始終處於技術發展的前沿，去中心化的算力網絡可以有效地為持續增長和市場關注度定位自己。
參考
https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
https://foresightnews.pro/article/detail/34368
https://research.web3caff.com/zh/archives/17351?ref=1554
聲明：
相關文章
Gate 研究：比特幣反彈 3.5%，以太坊落後，Dinari 和 Pell Network TVL 暴增