1 A Interseção de IA e Cripto

Em 23 de maio, o gigante dos chips NVIDIA divulgou seu relatório financeiro do primeiro trimestre do ano fiscal de 2025. O relatório mostrou que a receita do primeiro trimestre da NVIDIA foi de $26 bilhões. Dentre eles, a receita do centro de dados aumentou de forma impressionante em 427% em relação ao ano passado, atingindo $22,6 bilhões. A capacidade da NVIDIA de impulsionar sozinha o desempenho financeiro do mercado de ações dos EUA reflete a explosiva demanda por poder de computação entre as empresas de tecnologia global que competem na arena de IA. Quanto mais as empresas de tecnologia de ponta expandem suas ambições na corrida pela IA, maior é a demanda exponencialmente crescente por poder de computação. De acordo com a previsão da TrendForce, até 2024, a demanda por servidores de IA de alta qualidade dos quatro principais provedores de serviços de nuvem dos EUA - Microsoft, Google, AWS e Meta - deve representar coletivamente mais de 60% da demanda global, com participações previstas em 20,2%, 16,6%, 16% e 10,8%, respectivamente.

Fonte da imagem: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

"Escassez de chips" tem sido continuamente uma palavra da moda anual nos últimos anos. Por um lado, os grandes modelos de linguagem (LLMs) requerem um poder de computação substancial para treinamento e inferência. À medida que os modelos iteram, os custos e a demanda por poder de computação aumentam exponencialmente. Por outro lado, grandes empresas como o Meta compram quantidades massivas de chips, fazendo com que os recursos de computação globais se inclinem para esses gigantes da tecnologia, tornando cada vez mais difícil para pequenas empresas obter os recursos de computação necessários. Os desafios enfrentados pelas pequenas empresas decorrem não apenas da escassez de chips devido à demanda crescente, mas também de contradições estruturais no fornecimento. Atualmente, ainda há um grande número de GPUs ociosas no lado do fornecimento; por exemplo, alguns centros de dados têm uma grande quantidade de poder de computação ocioso (com taxas de utilização tão baixas quanto 12% a 18%), e recursos significativos de poder de computação também estão ociosos na mineração criptografada devido à redução da lucratividade. Embora nem todo esse poder de computação seja adequado para aplicações especializadas como treinamento de IA, hardware de consumo ainda pode desempenhar um papel significativo em outras áreas, como inferência de IA, renderização de jogos em nuvem, telefones em nuvem, etc. A oportunidade de integrar e utilizar esses recursos de computação é enorme.

Mudando o foco de IA para cripto, após um silêncio de três anos no mercado de criptomoedas, outro mercado em alta finalmente surgiu. Os preços do Bitcoin atingiram repetidamente novos recordes e várias moedas meme continuam a surgir. Embora IA e Cripto tenham sido palavras da moda nos últimos anos, inteligência artificial e blockchain como duas tecnologias importantes parecem ser linhas paralelas que ainda não encontraram uma 'interseção'. No início deste ano, Vitalik publicou um artigo intitulado 'A promessa e os desafios das aplicações de cripto + IA', discutindo cenários futuros em que IA e cripto convergem. Vitalik delineou muitas visões no artigo, incluindo o uso de blockchain e tecnologias de criptografia MPC (computação multi-partes) para treinamento descentralizado e inferência de IA, o que poderia abrir a caixa-preta do aprendizado de máquina e tornar os modelos de IA mais confiáveis, entre outros benefícios. Embora realizar essas visões exija esforço considerável, um caso de uso mencionado por Vitalik - capacitar IA por meio de incentivos cripto-econômicos - é uma direção importante que pode ser alcançada no curto prazo. As redes de poder de computação descentralizadas são atualmente um dos cenários mais adequados para a integração de IA + cripto.

2 Rede de Poder de Computação Descentralizada

Atualmente, existem inúmeros projetos em desenvolvimento no espaço da rede de poder de computação descentralizada. A lógica subjacente desses projetos é semelhante e pode ser resumida da seguinte forma: usando tokens para incentivar os provedores de poder de computação a participar da rede e oferecer seus recursos de computação. Esses recursos de computação dispersos podem se agregar em redes de poder de computação descentralizadas de escala significativa. Essa abordagem não apenas aumenta a utilização do poder de computação ocioso, mas também atende às necessidades de computação dos clientes a custos mais baixos, alcançando uma situação vantajosa para compradores e vendedores.

Para fornecer aos leitores uma compreensão abrangente deste setor em pouco tempo, este artigo irá desconstruir projetos específicos e o campo inteiro de perspectivas micro e macro. O objetivo é fornecer insights analíticos para os leitores entenderem as principais vantagens competitivas de cada projeto e o desenvolvimento geral do setor de rede de poder de computação descentralizado. O autor irá introduzir e analisar cinco projetos: Aethir, io.net, Render Network, Akash Network e Gensyn, e resumir e avaliar suas situações e o desenvolvimento do setor.

Em termos de estrutura analítica, focando em uma rede específica de poder de computação descentralizado, podemos dividi-la em quatro componentes principais:

• Rede de Hardware: Integrar recursos de computação dispersos por meio de nós distribuídos globalmente para facilitar o compartilhamento de recursos e o balanceamento de carga forma a camada fundamental das redes de poder de computação descentralizadas.
• Mercado Bilateral: Correspondendo provedores de poder de computação com demandantes por meio de mecanismos de preço e descoberta eficazes, fornecendo uma plataforma de negociação segura que garante transações transparentes, justas e confiáveis para ambos os lados.
• Mecanismo de Consenso: Garantindo que os nós dentro da rede operem corretamente e completem tarefas. O mecanismo de consenso monitora dois aspectos: 1) Tempo de atividade do nó para garantir que estejam ativos e prontos para aceitar tarefas a qualquer momento. 2) Prova de conclusão da tarefa: Os nós completam efetiva e corretamente as tarefas sem desviar o poder de computação para outros fins, ocupando processos e threads.
• Incentivos de Token: Os modelos de token incentivam mais participantes a fornecer/usar serviços, capturando efeitos de rede com tokens para facilitar o compartilhamento de benefícios da comunidade.

De uma perspectiva geral do setor de poder de computação descentralizado, a Blockworks Research fornece uma estrutura analítica robusta que categoriza projetos em três camadas distintas.

• Camada Bare Metal: Forma a camada fundamental da pilha de computação descentralizada, responsável por agregar recursos de computação brutos e torná-los acessíveis por meio de chamadas de API.
• Camada de orquestração: Constitui a camada intermediária da pilha de computação descentralizada, focada principalmente na coordenação e abstração. Ele lida com tarefas como agendamento, dimensionamento, operação, balanceamento de carga e tolerância a falhas de poder de computação. Seu principal papel é "abstrair" a complexidade do gerenciamento do hardware subjacente, fornecendo uma interface de usuário mais avançada e adaptada às necessidades específicas do cliente.
• Camada de Agregação: Forma a camada superior da pilha de computação descentralizada, principalmente responsável pela integração. Ele fornece uma interface unificada para os usuários executarem várias tarefas de computação em um só lugar, como treinamento de IA, renderização, zkML e muito mais. Essa camada atua como uma camada de orquestração e distribuição para vários serviços de computação descentralizada.

Fonte da imagem: Youbi Capital

Com base nos dois frameworks de análise fornecidos, faremos uma análise comparativa de cinco projetos selecionados em quatro dimensões: negócios principais, posicionamento de mercado, instalações de hardware e desempenho financeiro.

2.1 Negócio Principal

De uma perspectiva fundamental, as redes de poder de computação descentralizadas são altamente homogeneizadas, utilizando tokens para incentivar provedores de poder de computação ociosos a oferecer seus serviços. Com base nessa lógica fundamental, podemos entender as principais diferenças de negócios entre os projetos a partir de três aspectos:

• A fonte de poder de computação ocioso
  • As fontes de poder de computação ocioso no mercado vêm principalmente de duas categorias principais: 1) centros de dados, empresas de mineração e outras empresas; e 2) usuários individuais. Os centros de dados geralmente possuem hardware de nível profissional, enquanto os usuários individuais geralmente adquirem chips de nível de consumidor.
  • Aethir, Akash Network e Gensyn coletam principalmente poder de computação de empresas. Os benefícios de obter poder de computação de empresas incluem: 1) hardware de maior qualidade e equipes de manutenção profissional, resultando em maior desempenho e confiabilidade dos recursos de computação; 2) maior homogeneidade e gerenciamento centralizado de recursos de computação em empresas e centros de dados, resultando em agendamento e manutenção mais eficientes. No entanto, esse método requer maiores exigências das equipes de projeto, necessitando de relacionamentos comerciais com empresas que controlam o poder de computação. Além disso, a escalabilidade e a descentralização podem ser comprometidas em certa medida.
  • A Render Network e a io.net incentivam os usuários individuais a fornecerem seu poder de computação ocioso. As vantagens de obter recursos de indivíduos incluem: 1) custos explícitos mais baixos do poder de computação ocioso de indivíduos, proporcionando recursos de computação mais econômicos; 2) maior escalabilidade e descentralização da rede, aprimorando a resiliência e robustez do sistema. No entanto, as desvantagens incluem a distribuição generalizada e heterogênea de recursos entre os indivíduos, o que complica a gestão e a programação, aumentando os desafios operacionais. Além disso, contar com o poder de computação individual para iniciar efeitos de rede pode ser mais difícil. Por fim, os dispositivos de propriedade de indivíduos podem representar mais riscos de segurança, potencialmente levando a vazamentos de dados e uso indevido do poder de computação.
• Consumidor de poder de computação
  • Do ponto de vista dos consumidores de poder de computação, Aethir, io.net e Gensyn têm como alvo principalmente empresas. Para clientes do tipo B, como aqueles que precisam de renderização de jogos em tempo real e IA, há uma grande demanda por recursos de computação de alta performance, geralmente requerendo GPUs de alta qualidade ou hardware profissional. Além disso, os clientes do tipo B têm requisitos rigorosos de estabilidade e confiabilidade de recursos de computação, exigindo acordos de nível de serviço de alta qualidade para garantir operações de projeto suaves e suporte técnico oportuno. Além disso, os custos de migração para clientes do tipo B são substanciais. Se as redes descentralizadas não possuem SDKs maduros para facilitar a implantação rápida de projetos (por exemplo, a Akash Network requer que os usuários desenvolvam com base em portas remotas), é desafiador persuadir os clientes a migrarem. A menos que haja uma vantagem de preço significativa, a disposição dos clientes para migrar permanece baixa.
  • Render Network e Akash Network servem principalmente usuários individuais para serviços de poder de computação. Servir consumidores finais requer que os projetos projetem interfaces simples e amigáveis e ferramentas para proporcionar uma experiência positiva aos consumidores. Além disso, os consumidores são altamente sensíveis ao preço, exigindo estratégias de preços competitivas dos projetos.
• Tipo de hardware
  • Os recursos comuns de hardware de computação incluem CPU, FPGA, GPU, ASIC e SoC. Esses tipos de hardware possuem diferenças significativas em objetivos de design, características de desempenho e áreas de aplicação. Em resumo, as CPUs se destacam em tarefas de computação geral, as FPGAs são vantajosas para processamento paralelo de alta velocidade e programabilidade, as GPUs têm bom desempenho em computação paralela, os ASICs são mais eficientes em tarefas específicas e os SoCs integram múltiplas funções em uma única unidade, adequados para aplicações altamente integradas. A escolha do hardware depende das necessidades específicas da aplicação, requisitos de desempenho e considerações de custo.
  • Os projetos de poder de computação descentralizado que discutimos em sua maioria coletam poder de computação da GPU, o que é determinado pelo tipo de projeto e as características das GPUs. As GPUs têm vantagens únicas no treinamento de IA, computação paralela, renderização de multimídia, etc. Embora esses projetos envolvam principalmente a integração da GPU, diferentes aplicativos têm especificações de hardware e requisitos diferentes, resultando em núcleos e parâmetros de otimização heterogêneos. Esses parâmetros incluem dependências de paralelismo/serial, memória, latência, etc. Por exemplo, as cargas de trabalho de renderização são na verdade mais adequadas para GPUs de nível de consumo em vez de GPUs de centro de dados de alto desempenho, porque a renderização exige requisitos elevados para tarefas como ray tracing. Chips de nível de consumo como os 4090s são aprimorados com núcleos RT, especificamente otimizados para tarefas de ray tracing. O treinamento de IA e a inferência exigem GPUs de nível profissional. Assim, a Render Network pode agregar GPUs de nível de consumo como RTX 3090s e 4090s de usuários individuais, enquanto o IO.NET requer mais H100s, A100s e outras GPUs de nível profissional para atender às necessidades de startups de IA.

2.2 Posicionamento de mercado

Em termos de posicionamento do projeto, as questões centrais a serem abordadas, foco de otimização e capacidades de captura de valor diferem para a camada de metal nu, camada de orquestração e camada de agregação.

• A camada de metal nu concentra-se na coleta e utilização de recursos físicos. A camada de orquestração preocupa-se com o agendamento e otimização do poder de computação, projetando a configuração ótima do hardware físico de acordo com as necessidades do cliente. A camada de agregação é de uso geral, concentrando-se na integração e abstração de diferentes recursos.
• Do ponto de vista da cadeia de valor, cada projeto deve começar a partir da camada de metal bruto e se esforçar para subir. Em termos de captura de valor, a capacidade aumenta progressivamente da camada de metal bruto para a camada de orquestração e, finalmente, para a camada de agregação. A camada de agregação pode capturar o maior valor porque uma plataforma de agregação pode alcançar os maiores efeitos de rede e chegar diretamente aos usuários, atuando efetivamente como o ponto de entrada de tráfego para uma rede descentralizada, ocupando assim a posição de captura de valor mais alta em todo o stack de gerenciamento de recursos de computação.
• Correspondentemente, construir uma plataforma de agregação é o mais desafiador. Um projeto precisa abordar de forma abrangente a complexidade técnica, gerenciamento de recursos heterogêneos, confiabilidade e escalabilidade do sistema, realização do efeito de rede, segurança e proteção da privacidade, e questões complexas de gerenciamento operacional. Esses desafios são desfavoráveis para o início de um projeto e dependem da situação de desenvolvimento e timing do setor. É irrealista trabalhar na camada de agregação antes que a camada de orquestração tenha amadurecido e capturado uma parcela significativa do mercado.
• Atualmente, Aethir, Render Network, Akash Network e Gensyn pertencem à camada de orquestração. Eles visam fornecer serviços para alvos específicos e grupos de clientes. O principal negócio da Aethir é renderização em tempo real para jogos em nuvem e fornecer certos ambientes de desenvolvimento e implantação e ferramentas para clientes do tipo B; o principal negócio da Render Network é renderização de vídeo; a missão da Akash Network é fornecer uma plataforma de mercado semelhante ao Taobao; e a Gensyn concentra-se profundamente no campo de treinamento de IA. A IO.net se posiciona como uma camada de agregação, mas sua funcionalidade atual ainda está a alguma distância de uma camada de agregação completa. Embora tenha coletado hardware da Render Network e Filecoin, a abstração e integração de recursos de hardware ainda não foram concluídas.

2.3 Instalações de Hardware

• Atualmente, nem todos os projetos divulgaram dados de rede detalhados. Comparativamente, a interface do explorador da io.net é a melhor, exibindo parâmetros como quantidade, tipos, preços, distribuição, uso de rede e receita do nó. No entanto, no final de abril, o frontend da io.net foi atacado devido à falta de autenticação para interfaces PUT/POST, levando a hackers a adulterar os dados do frontend. Este incidente levantou preocupações sobre a privacidade e confiabilidade dos dados de rede para outros projetos também.
• Em termos de quantidade e modelos de GPU, a io.net, sendo uma camada de agregação, deveria logicamente ter o hardware mais avançado. Aethir segue de perto, enquanto o status de hardware de outros projetos é menos transparente. A io.net possui uma ampla variedade de GPUs, incluindo GPUs de nível profissional como a A100 e GPUs de nível de consumidor como a 4090, alinhando-se com a posição de agregação da io.net. Isso permite que a io selecione a GPU mais adequada com base nos requisitos específicos da tarefa. No entanto, diferentes modelos e marcas de GPU podem exigir drivers e configurações diferentes, e o software também precisa de uma otimização complexa, aumentando a complexidade de gerenciamento e manutenção. Atualmente, a alocação de tarefas da io depende principalmente da autoseleção do usuário.
• Aethir lançou sua própria máquina de mineração e, em maio, Aethir Edge, suportado pela Qualcomm, foi oficialmente lançado. Isso se afasta da implantação única de cluster de GPU centralizado longe dos usuários, implantando o poder de computação na borda. Aethir Edge, combinado com o poder de computação do cluster H100, atende a cenários de IA, implantando modelos treinados para fornecer serviços de computação de inferência a custos ótimos. Essa solução está mais próxima dos usuários, é mais rápida no serviço e oferece maior eficiência de custo.
• Do ponto de vista da oferta e da demanda, tomando a Akash Network como exemplo, suas estatísticas mostram um total de aproximadamente 16 mil CPUs e 378 GPUs. Com base na demanda de aluguel da rede, as taxas de utilização para CPU e GPU são de 11,1% e 19,3%, respectivamente. Apenas a GPU de nível profissional H100 tem uma taxa de aluguel relativamente alta, enquanto a maioria dos outros modelos permanece ociosa. Essa situação é geralmente semelhante em outras redes, com a demanda geral da rede sendo baixa e a maior parte do poder de computação, exceto pelos chips populares como A100 e H100, permanecendo ociosa.
• Em termos de vantagem de preço, em comparação com os provedores de serviços tradicionais, a vantagem de custo não é significativa, exceto em relação aos gigantes do mercado de computação em nuvem.

2.4 Desempenho Financeiro

• Independentemente de como o modelo de token é projetado, uma tokenomics saudável deve atender às seguintes condições básicas: 1) A demanda do usuário pela rede deve ser refletida no preço do token, ou seja, o token pode capturar valor; 2) Todos os participantes, sejam desenvolvedores, nós ou usuários, precisam receber incentivos de longo prazo e justos; 3) Garantir governança descentralizada e evitar posse excessiva por parte dos insiders; 4) Mecanismos razoáveis de inflação e deflação e cronogramas de lançamento de tokens para evitar volatilidade significativa no preço afetando a estabilidade e sustentabilidade da rede.
• Se categorizarmos amplamente os modelos de token em BME (equilíbrio de queima e cunhagem) e SFA (aposta para acesso), a pressão deflacionária desses dois modelos vem de fontes diferentes: No modelo BME, os tokens são queimados após os usuários comprarem serviços, então a pressão deflacionária do sistema é determinada pela demanda. No modelo SFA, os provedores de serviços/nós são obrigados a apostar tokens para obter a qualificação para fornecer serviços, então a pressão deflacionária é trazida pela oferta. A vantagem do BME é que é mais adequado para bens não padronizados. No entanto, se a demanda da rede for insuficiente, pode enfrentar pressão inflacionária contínua. Os modelos de token de vários projetos diferem em detalhes, mas em termos gerais, Aethir tende mais para SFA, enquanto io.net, Render Network e Akash Network tendem mais para BME. O modelo da Gensyn ainda é desconhecido.
• Em termos de receita, a demanda da rede será refletida diretamente na receita geral da rede (excluindo a renda dos mineradores, já que os mineradores recebem recompensas por completar tarefas e subsídios de projetos). De acordo com dados publicamente disponíveis, a io.net tem o maior valor. Embora a receita da Aethir ainda não tenha sido divulgada, as informações públicas indicam que eles anunciaram a assinatura de pedidos com muitos clientes do tipo B.
• Quanto aos preços dos tokens, apenas a Render Network e a Akash Network realizaram ICOs até agora. Aethir e io.net também emitiram recentemente tokens, mas seu desempenho de preço precisa ser observado com mais atenção e não será discutido em detalhes aqui. Os planos da Gensyn ainda estão pouco claros. Dos dois projetos que emitiram tokens e outros projetos no mesmo setor não discutidos aqui, as redes de poder de computação descentralizadas mostraram um desempenho de preço muito impressionante, refletindo o significativo potencial de mercado e as altas expectativas da comunidade em certa medida.

2.5 Resumo

• O setor de rede de poder de computação descentralizada está se desenvolvendo rapidamente, com muitos projetos já capazes de atender clientes por meio de seus produtos e gerar alguma receita. O setor avançou além da narrativa pura e entrou em uma fase em que serviços preliminares podem ser fornecidos.
• Um problema comum enfrentado pelas redes de poder de computação descentralizadas é a fraca demanda, com as necessidades de longo prazo do cliente não sendo bem validadas e exploradas. No entanto, os desafios do lado da demanda não impactaram significativamente os preços dos tokens, já que os poucos projetos que emitiram tokens mostraram um desempenho impressionante.
• IA é a principal narrativa para redes de poder de computação descentralizadas, mas não é a única aplicação. Além do treinamento e inferência de IA, o poder de computação também pode ser usado para renderização em tempo real em jogos em nuvem, serviços móveis em nuvem e muito mais.
• O hardware em redes de poder de computação é altamente heterogêneo, e a qualidade e escala dessas redes precisam de mais melhorias. Para os usuários do tipo C, a vantagem de custo não é muito significativa. Para os usuários do tipo B, além das economias de custo, também devem ser considerados fatores como estabilidade do serviço, confiabilidade, suporte técnico, conformidade e suporte legal. Projetos Web3 geralmente não se saem bem nessas áreas.

3 Reflexões Finais

O crescimento exponencial em AI, sem dúvida, levou a uma enorme demanda por poder de computação. Desde 2012, o poder computacional usado em tarefas de treinamento de AI tem crescido exponencialmente, dobrando aproximadamente a cada 3,5 meses (em comparação, a lei de Moore prevê uma duplicação a cada 18 meses). Desde 2012, a demanda por poder de computação aumentou mais de 300.000 vezes, superando em muito o aumento de 12 vezes previsto pela Lei de Moore. As previsões indicam que o mercado de GPU crescerá a uma taxa de crescimento anual composta de 32% nos próximos cinco anos, ultrapassando os US$ 200 bilhões. As estimativas da AMD são ainda maiores, com a empresa prevendo que o mercado de chip de GPU atingirá US$ 400 bilhões até 2027.

Fonte da imagem: https://www.stateof.ai/

O crescimento explosivo da inteligência artificial e de outras cargas de trabalho intensivas em computação, como renderização de AR / VR, expôs ineficiências estruturais na computação em nuvem tradicional e nos principais mercados de computação. Em teoria, as redes de poder de computação descentralizadas podem aproveitar recursos de computação inativos distribuídos para fornecer soluções mais flexíveis, econômicas e eficientes para atender à enorme demanda por recursos de computação.

Assim, a combinação de cripto e IA tem um enorme potencial de mercado, mas também enfrenta uma intensa concorrência com empresas tradicionais, barreiras de entrada elevadas e um ambiente de mercado complexo. Em geral, entre todos os setores cripto, as redes de poder de computação descentralizadas são uma das verticais mais promissoras no campo cripto para atender à demanda real.

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

O futuro é brilhante, mas o caminho é desafiador. Para alcançar a visão mencionada, precisamos enfrentar inúmeros problemas e desafios. Em resumo, nesta fase, simplesmente fornecer serviços de nuvem tradicionais resulta em uma margem de lucro pequena para os projetos.

Do lado da demanda, as grandes empresas geralmente constroem seu próprio poder de computação, enquanto a maioria dos desenvolvedores individuais tende a escolher serviços de nuvem estabelecidos. Ainda resta a ser explorado e verificado se as pequenas e médias empresas, os verdadeiros usuários dos recursos de rede de poder de computação descentralizado, terão demanda estável.

Por outro lado, a IA é um mercado vasto com potencial e imaginação extremamente altos. Para aproveitar este mercado mais amplo, os futuros provedores de serviços de poder de computação descentralizado precisarão fazer a transição para oferecer modelos e serviços de IA, explorar mais casos de uso de cripto + IA e expandir o valor que seus projetos podem criar. No entanto, atualmente, muitos problemas e desafios ainda precisam ser resolvidos antes que um maior desenvolvimento no campo da IA possa ser alcançado:

• Vantagem de preço não é proeminente: Comparando dados anteriores revela que as redes de poder de computação descentralizado não demonstram vantagens de custo significativas. Isso pode ser devido aos mecanismos de mercado que ditam que chips especializados de alta demanda, como H100 e A100, não são precificados baratamente. Além disso, a falta de economias de escala da descentralização, os altos custos de rede e largura de banda, e a significativa complexidade de gestão e operações adicionam custos ocultos que aumentam ainda mais os custos de computação.
• Desafios específicos no treinamento de IA: Realizar o treinamento de IA de forma descentralizada enfrenta substanciais gargalos técnicos no momento. Esses gargalos são visualmente evidentes no fluxo de trabalho da GPU: durante o treinamento de modelos de linguagem grandes, as GPUs primeiro recebem lotes de dados pré-processados para propagação para frente e para trás para calcular gradientes. As GPUs então agregam os gradientes e atualizam os parâmetros do modelo para garantir a sincronização. Esse processo iterativo continua até que todos os lotes sejam treinados ou um número especificado de épocas seja atingido. Isso envolve transferência extensiva de dados e sincronização. Questões como quais estratégias paralelas e de sincronização usar, como otimizar a largura de banda e a latência da rede e como reduzir os custos de comunicação permanecem em grande parte não resolvidas. Atualmente, usar redes de poder de computação descentralizado para o treinamento de IA é impraticável.
• Preocupações com segurança e privacidade de dados: No processo de treinamento de grandes modelos de linguagem, cada etapa envolvendo manipulação e transmissão de dados, como alocação de dados, treinamento de modelo e agregação de parâmetros e gradientes, pode impactar potencialmente a segurança e privacidade de dados. As preocupações com privacidade são especialmente críticas em modelos que envolvem dados sensíveis. Sem resolver questões de privacidade de dados, a escalabilidade do lado da demanda não é viável.

De uma perspectiva pragmática, uma rede de poder de computação descentralizada precisa equilibrar a exploração da demanda atual com as oportunidades de mercado futuras. É crucial identificar uma clara posição de produto e público-alvo. Inicialmente, concentrar-se em projetos não nativos de IA ou Web3, atendendo a demandas relativamente de nicho, pode ajudar a estabelecer uma base de usuários inicial. Ao mesmo tempo, a exploração contínua de vários cenários em que IA e cripto se convergem é essencial. Isso envolve explorar fronteiras tecnológicas e atualizar os serviços para atender às necessidades em constante evolução. Ao alinhar estrategicamente as ofertas de produtos com as demandas do mercado e estar na vanguarda dos avanços tecnológicos, as redes de poder de computação descentralizadas podem se posicionar efetivamente para um crescimento sustentado e relevância de mercado.

Referências

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

Declaração:

1. Este artigo é reproduzido a partir de [ Youbi Capital], o direito autoral pertence ao autor original [ Youbi], se você tiver alguma objeção à reprodução, por favor entre em contato com o Gate Learnequipe, e a equipe irá lidar com isso o mais rápido possível de acordo com os procedimentos relevantes.

2. Isenção de responsabilidade: 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 diferentes idiomas são traduzidas pela equipe do Gate Learn e não são mencionadas no texto.Gate.io, o artigo traduzido não pode ser reproduzido, distribuído ou plagiado.