1 Pertemuan Kecerdasan Buatan dan Kripto

Pada 23 Mei, raksasa chip NVIDIA merilis laporan keuangan kuartal pertamanya tahun fiskal 2025. Laporan tersebut menunjukkan bahwa pendapatan kuartal pertama NVIDIA adalah $26 miliar. Di antaranya, pendapatan pusat data meningkat secara mengagumkan sebesar 427% dari tahun lalu menjadi $22,6 miliar. Kemampuan NVIDIA untuk secara mandiri meningkatkan kinerja keuangan pasar saham AS mencerminkan permintaan ledakan daya komputasi di antara perusahaan teknologi global yang bersaing di arena KI. Semakin banyak perusahaan teknologi kelas atas memperluas ambisi mereka dalam perlombaan KI, semakin besar permintaan mereka yang tumbuh secara eksponensial untuk daya komputasi. Menurut perkiraan TrendForce, pada 2024, permintaan untuk server KI kelas atas dari empat penyedia layanan awan AS utama—Microsoft, Google, AWS, dan Meta—diperkirakan akan secara kolektif mencakup lebih dari 60% permintaan global, dengan prediksi saham masing-masing sebesar 20,2%, 16,6%, 16%, dan 10,8%.

Sumber gambar: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

"Kekurangan chip" telah menjadi kata yang sering didengar dalam beberapa tahun terakhir. Di satu sisi, model bahasa besar (LLM) membutuhkan daya komputasi yang substansial untuk pelatihan dan inferensi. Saat model-model tersebut beriterasi, biaya dan permintaan untuk daya komputasi meningkat secara eksponensial. Di sisi lain, perusahaan-perusahaan besar seperti Meta membeli sejumlah besar chip, menyebabkan sumber daya komputasi global condong ke arah raksasa teknologi tersebut, menjadikannya semakin sulit bagi perusahaan kecil untuk memperoleh sumber daya komputasi yang diperlukan. Tantangan yang dihadapi oleh perusahaan kecil tidak hanya berasal dari kekurangan chip akibat lonjakan permintaan namun juga dari kontradiksi struktural dalam pasokan. Saat ini, masih ada sejumlah besar GPU yang menganggur di sisi pasokan; misalnya, beberapa pusat data memiliki sejumlah besar daya komputasi yang menganggur (dengan tingkat utilisasi serendah 12% hingga 18%), dan sumber daya daya komputasi yang signifikan juga menganggur dalam pertambangan terenkripsi akibat penurunan profitabilitas. Meskipun tidak semua daya komputasi ini cocok untuk aplikasi khusus seperti pelatihan kecerdasan buatan, perangkat keras kelas konsumen masih dapat memainkan peran yang signifikan di bidang lain seperti inferensi kecerdasan buatan, rendering game cloud, cloud phone, dll. Peluang untuk mengintegrasikan dan memanfaatkan sumber daya komputasi ini sangat besar.

Mengalihkan fokus dari AI ke crypto, setelah tiga tahun diam di pasar cryptocurrency, pasar bull lain akhirnya muncul. Harga Bitcoin telah berulang kali mencapai level tertinggi baru, dan berbagai koin meme terus bermunculan. Meskipun AI dan Crypto telah menjadi kata kunci dalam beberapa tahun terakhir, kecerdasan buatan dan blockchain sebagai dua teknologi penting tampak seperti garis paralel yang belum menemukan "persimpangan." Awal tahun ini, Vitalik menerbitkan sebuah artikel berjudul "Janji dan tantangan aplikasi crypto + AI," membahas skenario masa depan di mana AI dan crypto bertemu. Vitalik menguraikan banyak visi dalam artikel tersebut, termasuk menggunakan teknologi enkripsi blockchain dan MPC (multi-party computation) untuk pelatihan terdesentralisasi dan inferensi AI, yang dapat membuka kotak hitam pembelajaran mesin dan membuat model AI lebih tidak dapat dipercaya, di antara manfaat lainnya. Sementara mewujudkan visi ini akan membutuhkan upaya yang cukup besar, satu kasus penggunaan yang disebutkan oleh Vitalik — memberdayakan AI melalui insentif ekonomi kripto — adalah arah penting yang dapat dicapai dalam jangka pendek. Jaringan daya komputasi terdesentralisasi saat ini adalah salah satu skenario yang paling cocok untuk integrasi kripto AI +.

2 Jaringan Daya Komputasi Terdesentralisasi

Saat ini, ada banyak proyek yang sedang dikembangkan di ruang jaringan daya komputasi terdesentralisasi. Logika dasar dari proyek-proyek ini serupa dan dapat disimpulkan sebagai berikut: menggunakan token untuk memberi insentif kepada penyedia daya komputasi untuk berpartisipasi dalam jaringan dan menawarkan sumber daya komputasi mereka. Sumber daya komputasi yang tersebar ini dapat menggabungkan menjadi jaringan daya komputasi terdesentralisasi dengan skala yang signifikan. Pendekatan ini tidak hanya meningkatkan penggunaan daya komputasi yang tidak terpakai tetapi juga memenuhi kebutuhan komputasi klien dengan biaya yang lebih rendah, mencapai situasi saling menguntungkan bagi pembeli dan penjual.

Untuk memberikan pembaca pemahaman komprehensif tentang sektor ini dalam waktu singkat, artikel ini akan mendekonstruksi proyek-proyek spesifik dan seluruh bidang dari perspektif mikro dan makro. Tujuannya adalah untuk memberikan wawasan analitis bagi pembaca untuk memahami keunggulan kompetitif inti dari setiap proyek dan perkembangan keseluruhan sektor jaringan daya komputasi terdesentralisasi. Penulis akan memperkenalkan dan menganalisis lima proyek: Aethir, io.net, Jaringan Render, Jaringan Akash, dan Gensyn, serta merangkum dan mengevaluasi situasi dan perkembangan sektor.

Dalam hal kerangka analitis, berfokus pada jaringan daya komputasi terdesentralisasi tertentu, kita dapat memecahnya menjadi empat komponen inti:

• Jaringan Perangkat Keras: Mengintegrasikan sumber daya komputasi yang tersebar bersama melalui node yang tersebar secara global untuk memfasilitasi berbagi sumber daya dan keseimbangan beban membentuk lapisan dasar jaringan daya komputasi terdesentralisasi.
• Pasar Dua Pihak: Menghubungkan penyedia daya komputasi dengan pihak yang membutuhkan melalui mekanisme penetapan harga dan penemuan yang efektif, menyediakan platform perdagangan yang aman yang menjamin transaksi yang transparan, adil, dan dapat dipercaya bagi kedua belah pihak.
• Mekanisme Konsensus: Memastikan node dalam jaringan beroperasi dengan benar dan menyelesaikan tugas. Mekanisme konsensus memantau dua aspek: 1) Waktu aktif node untuk memastikan mereka aktif dan siap menerima tugas kapan saja. 2) Bukti penyelesaian tugas: Node secara efektif dan benar menyelesaikan tugas tanpa mengalihkan daya komputasi untuk tujuan lain, menduduki proses dan thread.
• Insentif Token: Model-token mendorong lebih banyak peserta untuk menyediakan/menggunakan layanan, menangkap efek jaringan dengan token untuk memfasilitasi berbagi manfaat komunitas.

Dari perspektif gambaran besar sektor daya komputasi terdesentralisasi, Blockworks Research menyediakan kerangka analitis yang kuat yang mengkategorikan proyek-proyek ke dalam tiga lapisan yang berbeda.

• Bare Metal Layer: Membentuk lapisan dasar dari tumpukan komputasi terdesentralisasi, bertanggung jawab untuk mengumpulkan sumber daya komputasi mentah dan membuatnya dapat diakses melalui panggilan API.
• Lapisan Orkestrasi: Merupakan lapisan tengah dari tumpukan komputasi terdesentralisasi, terutama berfokus pada koordinasi dan abstraksi. Ini menangani tugas-tugas seperti penjadwalan, penskalaan, operasi, penyeimbangan beban, dan toleransi kesalahan daya komputasi. Peran utamanya adalah untuk "abstrak" kompleksitas pengelolaan perangkat keras yang mendasarinya, menyediakan antarmuka pengguna yang lebih canggih yang disesuaikan dengan kebutuhan pelanggan tertentu.
• Lapisan Agregasi: Membentuk lapisan teratas dari tumpukan komputasi terdesentralisasi, terutama bertanggung jawab atas integrasi. Ini menyediakan antarmuka yang terpadu bagi pengguna untuk mengeksekusi berbagai tugas komputasi di satu tempat, seperti pelatihan kecerdasan buatan, rendering, zkML, dan lainnya. Lapisan ini bertindak sebagai lapisan orkestrasi dan distribusi untuk berbagai layanan komputasi terdesentralisasi.

Sumber gambar: Youbi Capital

Berdasarkan dua kerangka analisis yang disediakan, kami akan melakukan analisis komparatif dari lima proyek yang dipilih across empat dimensi: bisnis inti, posisi pasar, fasilitas perangkat keras, dan kinerja keuangan.

2.1 Inti Bisnis

Dari perspektif dasar, jaringan daya komputasi terdesentralisasi sangat homogen, memanfaatkan token untuk memberi insentif kepada penyedia daya komputasi yang menganggur untuk menawarkan layanan mereka. Berdasarkan logika dasar ini, kita dapat memahami perbedaan bisnis inti antar proyek dari tiga aspek:

• Sumber daya komputasi yang menganggur
  • Sumber daya komputasi yang tidak terpakai di pasar secara utama berasal dari dua kategori utama: 1) pusat data, perusahaan pertambangan, dan perusahaan lainnya; dan 2) pengguna individu. Pusat data biasanya memiliki perangkat keras berstandar profesional, sedangkan pengguna individu umumnya membeli chip berstandar konsumen.
  • Aethir, Jaringan Akash, dan Gensyn pada dasarnya mengumpulkan daya komputasi dari perusahaan. Manfaat dari mengambil sumber daya dari perusahaan termasuk: 1) perangkat keras berkualitas tinggi dan tim pemeliharaan profesional, yang menghasilkan kinerja dan keandalan sumber daya komputasi yang lebih tinggi; 2) homogenitas dan pengelolaan terpusat sumber daya komputasi di perusahaan dan pusat data, yang menghasilkan penjadwalan dan pemeliharaan yang lebih efisien. Namun, pendekatan ini membutuhkan tuntutan yang lebih tinggi dari tim proyek, yang memerlukan hubungan bisnis dengan perusahaan yang mengendalikan daya komputasi. Selain itu, skalabilitas dan desentralisasi mungkin sedikit terpengaruh.
  • Render Network dan io.net memberikan insentif kepada pengguna individu untuk menyediakan daya komputasi kosong mereka. Keuntungan dari menggunakan sumber daya individu termasuk: 1) biaya eksplisit yang lebih rendah untuk daya komputasi kosong dari individu, sehingga menyediakan sumber daya komputasi yang lebih ekonomis; 2) skalabilitas dan desentralisasi yang lebih tinggi dari jaringan, meningkatkan ketahanan dan kekokohan sistem. Namun, kerugiannya termasuk distribusi sumber daya yang luas dan heterogen di antara individu, yang mempersulit manajemen dan penjadwalan, meningkatkan tantangan operasional. Selain itu, mengandalkan daya komputasi individu untuk memulai efek jaringan dapat lebih sulit. Terakhir, perangkat yang dimiliki oleh individu dapat menimbulkan risiko keamanan yang lebih tinggi, yang berpotensi menyebabkan kebocoran data dan penyalahgunaan daya komputasi.
• Konsumen daya komputasi
  • Dari perspektif konsumen daya komputasi, Aethir, io.net, dan Gensyn terutama menargetkan perusahaan. Untuk klien B-end, seperti yang membutuhkan AI dan rendering game real-time, ada permintaan tinggi untuk sumber daya komputasi yang berkinerja tinggi, biasanya membutuhkan GPU kelas atas atau perangkat keras profesional. Selain itu, klien B-end memiliki persyaratan yang ketat untuk stabilitas dan keandalan sumber daya komputasi, memerlukan perjanjian tingkat layanan berkualitas tinggi untuk memastikan operasi proyek yang lancar dan dukungan teknis yang tepat waktu. Selain itu, biaya migrasi untuk klien B-end cukup besar. Jika jaringan terdesentralisasi kurang memiliki SDK yang matang untuk memfasilitasi implementasi cepat untuk proyek (misalnya, Jaringan Akash memerlukan pengembang untuk mengembangkan berdasarkan port remote), menjadi sulit untuk meyakinkan klien untuk bermigrasi. Kecuali ada keuntungan harga yang signifikan, kemauan klien untuk bermigrasi tetap rendah.
  • Render Network dan Akash Network secara utama melayani pengguna individual untuk layanan daya komputasi. Melayani konsumen akhir memerlukan proyek-proyek untuk merancang antarmuka dan alat yang sederhana dan ramah pengguna untuk memberikan pengalaman positif bagi konsumen. Selain itu, konsumen sangat peka terhadap harga, sehingga memerlukan strategi penetapan harga yang kompetitif dari proyek-proyek.
• Jenis Perangkat Keras
  • Sumber daya perangkat keras komputasi umum meliputi CPU, FPGA, GPU, ASIC, dan SoC. Jenis perangkat keras ini memiliki perbedaan signifikan dalam tujuan desain, karakteristik kinerja, dan area aplikasi. Secara ringkas, CPU unggul dalam tugas komputasi umum, FPGA menguntungkan untuk pemrosesan paralel tinggi dan programmability, GPU berkinerja baik dalam komputasi paralel, ASIC paling efisien untuk tugas tertentu, dan SoC mengintegrasikan berbagai fungsi ke dalam satu unit, cocok untuk aplikasi yang sangat terintegrasi. Pemilihan perangkat keras bergantung pada kebutuhan aplikasi spesifik, persyaratan kinerja, dan pertimbangan biaya.
  • Proyek daya komputasi terdesentralisasi yang kami bahas kebanyakan mengumpulkan daya komputasi GPU, yang ditentukan oleh jenis proyek dan karakteristik GPU. GPU memiliki keuntungan unik dalam pelatihan AI, komputasi paralel, rendering multimedia, dll. Meskipun proyek-proyek ini kebanyakan melibatkan integrasi GPU, aplikasi yang berbeda memiliki spesifikasi dan persyaratan perangkat keras yang berbeda, yang menghasilkan inti dan parameter optimasi heterogen. Parameter-parameter ini termasuk paralelisme/ketergantungan serial, memori, laten, dll. Sebagai contoh, beban kerja rendering sebenarnya lebih cocok untuk GPU kelas konsumen daripada GPU pusat data yang lebih tinggi kinerjanya karena rendering menuntut persyaratan yang tinggi untuk tugas seperti ray tracing. Chip kelas konsumen seperti 4090 ditingkatkan dengan RT core, yang dioptimalkan khusus untuk tugas ray tracing. Pelatihan dan inferensi AI memerlukan GPU kelas profesional. Dengan demikian, Jaringan Render dapat menggabungkan GPU kelas konsumen seperti RTX 3090 dan 4090 dari pengguna individu, sedangkan IO.NET memerlukan lebih banyak H100, A100, dan GPU kelas profesional lainnya untuk memenuhi kebutuhan startup AI.

2.2 Posisi Pasar

Dalam hal penempatan proyek, isu-isu inti yang perlu ditangani, fokus optimasi, dan kemampuan penangkapan nilai berbeda untuk lapisan logam tanpa hiasan, lapisan orkestrasi, dan lapisan agregasi.

• Lapisan logam polos berfokus pada pengumpulan dan pemanfaatan sumber daya fisik. Lapisan orkestrasi berkaitan dengan penjadwalan dan optimisasi daya komputasi, merancang konfigurasi fisik optimal dari perangkat keras sesuai dengan kebutuhan pelanggan. Lapisan agregasi adalah tujuan umum, fokus pada integrasi dan abstraksi sumber daya yang berbeda.
• Dari perspektif rantai nilai, setiap proyek seharusnya dimulai dari lapisan logam mentah dan berupaya naik ke atas. Dalam hal penangkapan nilai, kemampuan meningkat secara progresif dari lapisan logam mentah ke lapisan orkestrasi dan akhirnya ke lapisan agregasi. Lapisan agregasi dapat menangkap nilai paling besar karena platform agregasi dapat mencapai efek jaringan terbesar dan langsung mencapai sebagian besar pengguna, secara efektif bertindak sebagai titik masuk lalu lintas untuk jaringan terdesentralisasi, sehingga menduduki posisi penangkapan nilai tertinggi dalam seluruh tumpukan manajemen sumber daya komputasi.
• Secara bersesuaian, membangun platform agregasi adalah yang paling menantang. Sebuah proyek perlu secara komprehensif mengatasi kompleksitas teknis, manajemen sumber daya heterogen, kehandalan dan skalabilitas sistem, realisasi efek jaringan, perlindungan keamanan dan privasi, dan isu-isu manajemen operasional yang kompleks. Tantangan-tantangan ini tidak menguntungkan untuk memulai proyek dan bergantung pada situasi dan waktu perkembangan sektor. Tidak realistis untuk bekerja pada lapisan agregasi sebelum lapisan orkestrasi telah matang dan mendapatkan pangsa pasar yang signifikan.
• Saat ini, Aethir, Render Network, Akash Network, dan Gensyn termasuk dalam lapisan orkestrasi. Mereka bertujuan untuk menyediakan layanan untuk target dan kelompok pelanggan tertentu. Bisnis utama Aethir adalah rendering real-time untuk cloud gaming dan menyediakan lingkungan pengembangan dan alat-alat tertentu untuk pelanggan B-end; bisnis utama Render Network adalah rendering video; misi Akash Network adalah menyediakan platform pasar yang mirip dengan Taobao; dan Gensyn berfokus secara mendalam pada bidang pelatihan AI. IO.net menempatkan dirinya sebagai lapisan agregasi, tetapi fungsionalitas saat ini masih jauh dari lapisan agregasi yang lengkap. Meskipun telah mengumpulkan perangkat keras dari Render Network dan Filecoin, abstraksi dan integrasi sumber daya perangkat keras belum sepenuhnya diselesaikan.

2.3 Fasilitas Perangkat Keras

• Saat ini, belum semua proyek telah mengungkapkan data jaringan yang terperinci. Secara perbandingan, antarmuka penjelajah io.net adalah yang terbaik, menampilkan parameter seperti jumlah GPU/CPU, tipe, harga, distribusi, penggunaan jaringan, dan pendapatan node. Namun, pada akhir April, antarmuka depan io.net diserang karena kurangnya autentikasi untuk antarmuka PUT/POST, yang mengakibatkan peretas mengubah data antarmuka depan. Insiden ini telah menimbulkan kekhawatiran tentang privasi dan keandalan data jaringan untuk proyek lain juga.
• Dalam hal jumlah dan model GPU, io.net, sebagai lapisan agregasi, seharusnya memiliki hardware terbanyak secara logis. Aethir mengikuti dengan erat di belakang, sementara status hardware dari proyek lainnya kurang transparan. io.net memiliki berbagai macam GPU, termasuk GPU kelas profesional seperti A100 dan GPU kelas konsumen seperti 4090, sesuai dengan posisi agregasi io.net. Hal ini memungkinkan io untuk memilih GPU yang paling cocok berdasarkan kebutuhan tugas tertentu. Namun, model dan merek GPU yang berbeda mungkin memerlukan driver dan konfigurasi yang berbeda, dan perangkat lunak juga memerlukan optimasi kompleks, meningkatkan kompleksitas pengelolaan dan pemeliharaan. Saat ini, alokasi tugas io lebih banyak bergantung pada pemilihan pengguna sendiri.
• Aethir telah merilis mesin penambangan sendiri, dan pada bulan Mei, Aethir Edge, yang didukung oleh Qualcomm, secara resmi diluncurkan. Ini memutuskan hubungan dengan penempatan klaster GPU terpusat tunggal jauh dari pengguna, menempatkan daya komputasi ke tepi. Aethir Edge, dikombinasikan dengan daya komputasi klaster H100, melayani skenario AI, menempatkan model-model terlatih untuk menyediakan layanan komputasi inferensi dengan biaya optimal. Solusi ini lebih dekat dengan pengguna, lebih cepat dalam pelayanan, dan menawarkan efisiensi biaya yang lebih tinggi.
• Dari perspektif penawaran dan permintaan, mengambil Akash Network sebagai contoh, statistiknya menunjukkan total jumlah CPU sekitar 16 ribu dan 378 GPU. Berdasarkan permintaan sewa jaringan, tingkat pemanfaatan untuk CPU dan GPU masing-masing adalah 11,1% dan 19,3%. Hanya GPU kelas profesional H100 memiliki tingkat sewa yang relatif tinggi, sementara sebagian besar model lain tetap menganggur. Situasi ini umumnya serupa di jaringan lain, dengan permintaan jaringan secara keseluruhan rendah dan sebagian besar daya komputasi, kecuali untuk chip populer seperti A100 dan H100, tetap menganggur.
• Dalam hal keunggulan harga, dibandingkan dengan penyedia layanan tradisional, keunggulan biaya tidak signifikan kecuali melawan raksasa pasar komputasi awan.

2.4 Kinerja Keuangan

• Tidak peduli bagaimana model token dirancang, sebuah tokenomics yang sehat harus memenuhi kondisi dasar berikut: 1) Permintaan pengguna untuk jaringan harus tercermin dalam harga token, yang berarti bahwa token dapat menangkap nilai; 2) Semua peserta, baik pengembang, node, atau pengguna, perlu menerima insentif jangka panjang dan adil; 3) Memastikan tata kelola terdesentralisasi dan menghindari pemegang saham yang terlalu banyak oleh pihak dalam; 4) Mekanisme inflasi dan deflasi yang wajar dan jadwal pelepasan token untuk menghindari volatilitas harga yang signifikan yang memengaruhi stabilitas dan keberlanjutan jaringan.
• Jika kita secara umum mengkategorikan model token menjadi BME (keseimbangan pembakaran dan pencetakan) dan SFA (stake untuk akses), tekanan deflasi dari kedua model ini berasal dari sumber yang berbeda: Dalam model BME, token dibakar setelah pengguna membeli layanan, sehingga tekanan deflasi sistem ditentukan oleh permintaan. Dalam model SFA, penyedia layanan/node diharuskan mempertaruhkan token untuk memperoleh kualifikasi dalam menyediakan layanan, sehingga tekanan deflasi dibawa oleh penawaran. Keuntungan BME adalah bahwa itu lebih cocok untuk barang yang tidak standar. Namun, jika permintaan jaringan tidak mencukupi, mungkin menghadapi tekanan inflasi yang terus-menerus. Model token dari berbagai proyek berbeda dalam detailnya, tetapi secara umum, Aethir lebih condong ke arah SFA, sedangkan io.net, Render Network, dan Akash Network lebih condong ke arah BME. Model Gensyn masih tidak diketahui.
• Dalam hal pendapatan, permintaan jaringan akan tercermin langsung dalam pendapatan jaringan keseluruhan (tidak termasuk pendapatan penambang, karena penambang menerima imbalan atas penyelesaian tugas dan subsidi dari proyek). Menurut data yang tersedia secara publik, io.net memiliki nilai tertinggi. Meskipun pendapatan Aethir belum diungkapkan, informasi publik menunjukkan bahwa mereka telah mengumumkan penandatanganan pesanan dengan banyak pelanggan di sisi B.
• Terkait dengan harga token, hanya Render Network dan Akash Network yang telah melakukan ICO hingga saat ini. Aethir dan io.net juga baru-baru ini mengeluarkan token, tetapi performa harganya perlu diamati lebih lanjut dan tidak akan dibahas secara detail di sini. Rencana Gensyn masih belum jelas. Dari dua proyek yang telah mengeluarkan token dan proyek-proyek lain dalam sektor yang sama yang tidak dibahas di sini, jaringan daya komputasi terdesentralisasi telah menunjukkan performa harga yang sangat mengesankan, mencerminkan potensi pasar yang signifikan dan harapan tinggi dari komunitas sampai batas tertentu.

2.5 Ringkasan

• Sektor jaringan daya komputasi terdesentralisasi berkembang pesat, dengan banyak proyek yang sudah mampu melayani pelanggan melalui produk mereka dan menghasilkan beberapa pendapatan. Sektor ini telah melampaui narasi murni dan memasuki tahap di mana layanan awal dapat disediakan.
• Masalah umum yang dihadapi oleh jaringan daya komputasi terdesentralisasi adalah permintaan yang lemah, dengan kebutuhan pelanggan jangka panjang tidak tervalidasi dan dijelajahi dengan baik. Namun, tantangan dari sisi permintaan tidak signifikan mempengaruhi harga token, karena beberapa proyek yang telah menerbitkan token telah menunjukkan kinerja yang mengesankan.
• AI adalah narasi utama untuk jaringan daya komputasi terdesentralisasi tetapi bukan satu-satunya aplikasi. Selain pelatihan dan inferensi AI, daya komputasi juga dapat digunakan untuk rendering waktu nyata dalam game cloud, layanan seluler cloud, dan lainnya.
• Hardware dalam jaringan daya komputasi sangat heterogen, dan kualitas dan skala jaringan ini perlu ditingkatkan lebih lanjut. Bagi pengguna C-end, keuntungan biaya tidak terlalu signifikan. Bagi pengguna B-end, selain penghematan biaya, faktor-faktor seperti stabilitas layanan, keandalan, dukungan teknis, kepatuhan, dan dukungan hukum juga harus dipertimbangkan. Proyek Web3 umumnya tidak berkinerja baik dalam bidang-bidang ini.

3 Kesimpulan Akhir

Pertumbuhan eksponensial dalam AI secara tak terbantahkan telah menyebabkan permintaan besar terhadap daya komputasi. Sejak 2012, daya komputasi yang digunakan dalam tugas pelatihan AI telah tumbuh secara eksponensial, hampir menggandakan jumlahnya setiap 3,5 bulan (dalam perbandingan, Hukum Moore memprediksi penggandaan setiap 18 bulan). Sejak 2012, permintaan terhadap daya komputasi telah meningkat lebih dari 300.000 kali, jauh melebihi peningkatan 12 kali yang diprediksi oleh Hukum Moore. Ramalan memperkirakan bahwa pasar GPU akan tumbuh pada tingkat pertumbuhan tahunan komposit 32% selama lima tahun ke depan, mencapai lebih dari $200 miliar. Perkiraan AMD bahkan lebih tinggi, dengan perusahaan memprediksi bahwa pasar chip GPU akan mencapai $400 miliar pada tahun 2027.

Sumber gambar: https://www.stateof.ai/

Pertumbuhan besar-besaran kecerdasan buatan dan beban kerja yang mengintensifkan komputasi lainnya, seperti rendering AR/VR, telah mengekspos ketidakefisienan struktural di pasar komputasi awan tradisional dan terkemuka. Secara teori, jaringan daya komputasi terdesentralisasi dapat memanfaatkan sumber daya komputasi yang tidak terpakai secara terdistribusi untuk memberikan solusi yang lebih fleksibel, efektif biaya, dan efisien untuk memenuhi permintaan besar-besaran akan sumber daya komputasi.

Dengan demikian, kombinasi kripto dan AI memiliki potensi pasar yang sangat besar tetapi juga menghadapi persaingan sengit dengan perusahaan tradisional, hambatan masuk yang tinggi, dan lingkungan pasar yang kompleks. Secara keseluruhan, di antara semua sektor kripto, jaringan daya komputasi terdesentralisasi adalah salah satu vertikal paling menjanjikan di bidang kripto untuk memenuhi permintaan nyata.

Sumber gambar: https://vitalik.eth.limo/general/2024/01/30/cryptoai.html

Masa depan cerah, namun jalan menuju kesuksesan penuh tantangan. Untuk mencapai visi tersebut, kita perlu mengatasi berbagai masalah dan tantangan. Secara keseluruhan, pada tahap ini, hanya menyediakan layanan cloud tradisional menghasilkan margin keuntungan yang kecil untuk proyek-proyek.

Dari sisi permintaan, perusahaan besar biasanya membangun daya komputasinya sendiri, sedangkan sebagian besar pengembang individu cenderung memilih layanan cloud yang sudah mapan. Masih perlu ditelusuri dan diverifikasi apakah perusahaan kecil dan menengah, yang merupakan pengguna sebenarnya dari sumber daya jaringan daya komputasi terdesentralisasi, akan memiliki permintaan yang stabil.

Di sisi lain, Kecerdasan Buatan (AI) adalah pasar yang luas dengan potensi dan imajinasi yang sangat tinggi. Untuk memasuki pasar yang lebih luas ini, penyedia layanan daya komputasi terdesentralisasi di masa depan perlu beralih ke arah menawarkan model dan layanan AI, mengeksplorasi lebih banyak kasus penggunaan kripto + AI, dan memperluas nilai yang dapat diciptakan oleh proyek-proyek mereka. Namun, saat ini, masih banyak masalah dan tantangan yang perlu diatasi sebelum perkembangan lebih lanjut dalam bidang AI dapat dicapai:

• Keunggulan harga tidak terlalu menonjol: Membandingkan data sebelumnya mengungkapkan bahwa jaringan daya komputasi terdesentralisasi tidak menunjukkan keunggulan biaya yang signifikan. Hal ini mungkin disebabkan oleh mekanisme pasar yang menentukan bahwa chip khusus dengan permintaan tinggi seperti H100 dan A100 tidak dihargai dengan murah. Selain itu, kurangnya ekonomi skala dari desentralisasi, biaya jaringan dan bandwidth yang tinggi, dan kompleksitas manajemen dan operasi yang signifikan menambah biaya tersembunyi yang lebih meningkatkan biaya komputasi.
• Tantangan khusus dalam pelatihan AI: Melakukan pelatihan AI secara terdesentralisasi menghadapi hambatan teknis yang substansial saat ini. Hambatan ini secara visual terlihat dalam alur kerja GPU: selama pelatihan model bahasa yang besar, GPU pertama menerima batch data yang sudah diproses untuk propagasi maju dan mundur untuk menghitung gradien. GPU kemudian menggabungkan gradien dan memperbarui parameter model untuk memastikan sinkronisasi. Proses iteratif ini terus berlanjut sampai semua batch dilatih atau mencapai jumlah epoch yang ditentukan. Ini melibatkan transfer data dan sinkronisasi yang ekstensif. Pertanyaan-pertanyaan seperti strategi paralel dan sinkronisasi yang akan digunakan, bagaimana mengoptimalkan bandwidth jaringan dan latensi, dan bagaimana mengurangi biaya komunikasi masih belum terselesaikan. Saat ini, menggunakan jaringan daya komputasi terdesentralisasi untuk pelatihan AI adalah tidak praktis.
• Keamanan data dan kekhawatiran privasi: Dalam proses pelatihan model bahasa besar, setiap tahap yang melibatkan penanganan dan transmisi data - seperti alokasi data, pelatihan model, dan agregasi parameter dan gradien - dapat berdampak pada keamanan data dan privasi. Kekhawatiran privasi terutama penting dalam model yang melibatkan data sensitif. Tanpa menyelesaikan masalah privasi data, skalabilitas di sisi permintaan tidak memungkinkan.

Dari perspektif pragmatis, jaringan daya komputasi terdesentralisasi perlu menyeimbangkan eksplorasi permintaan saat ini dengan peluang pasar di masa depan. Sangat penting untuk mengidentifikasi posisi produk yang jelas dan audiens target. Awalnya berfokus pada proyek non-AI atau Web3 native, yang mengatasi permintaan yang relatif niche, dapat membantu membangun pangkalan pengguna awal. Secara bersamaan, eksplorasi terus-menerus berbagai skenario di mana AI dan kripto konvergen sangat penting. Hal ini melibatkan eksplorasi perbatasan teknologi dan peningkatan layanan untuk memenuhi kebutuhan yang berkembang. Dengan menyelaraskan penawaran produk secara strategis dengan permintaan pasar dan tetap berada di garis depan perkembangan teknologi, jaringan daya komputasi terdesentralisasi dapat efektif memposisikan diri untuk pertumbuhan dan relevansi pasar yang berkelanjutan.

Referensi

https://www.stateof.ai/

https://vitalik.eth.limo/general/2024/01/30/cryptoai.html

https://foresightnews.pro/article/detail/34368

https://app.blockworksresearch.com/unlocked/compute-de-pi-ns-paths-to-adoption-in-an-ai-dominated-market?callback=%2Fresearch%2Fcompute-de-pi-ns-paths-to-adoption-in-an-ai-dominated-market

https://research.web3caff.com/zh/archives/17351?ref=1554

Pernyataan:

1. Artikel ini direproduksi dari [ Youbi Capital], hak cipta menjadi milik penulis asli [Youbi], jika Anda memiliki keberatan terhadap penerbitan ulang, silakan hubungi Gerbang Belajartim, dan tim akan menanganinya sesegera mungkin sesuai dengan prosedur yang relevan.

2. Penafian: Pandangan dan opini yang terdapat dalam artikel ini hanya mewakili pandangan pribadi penulis dan tidak merupakan nasihat investasi apa pun.

3. Versi bahasa lain dari artikel diterjemahkan oleh tim Gate Learn dan tidak disebutkan dalam Gate.io, artikel terjemahan tidak boleh direproduksi, didistribusikan, atau diplagiat.