1 Sự giao thoa của AI và Tiền điện tử

Vào ngày 23 tháng 5, ông lớn chip NVIDIA đã phát hành báo cáo tài chính quý đầu tiên của năm tài chính 2025. Báo cáo cho thấy doanh thu quý đầu tiên của NVIDIA là 26 tỷ đô la. Trong đó, doanh thu trung tâm dữ liệu tăng mạnh 427% so với năm ngoái, đạt 22,6 tỷ đô la. Khả năng của NVIDIA để tăng cường hiệu suất tài chính của thị trường chứng khoán Mỹ một mình phản ánh nhu cầu nổ lực về khả năng tính toán giữa các công ty công nghệ toàn cầu cạnh tranh trong lĩnh vực trí tuệ nhân tạo. Càng nhiều công ty công nghệ hàng đầu mở rộng tham vọng trong cuộc đua trí tuệ nhân tạo, nhu cầu về khả năng tính toán của họ cũng tăng mạnh theo cấp số nhân. Theo dự báo của TrendForce, đến năm 2024, nhu cầu về máy chủ trí tuệ nhân tạo cao cấp từ bốn nhà cung cấp dịch vụ đám mây Mỹ lớn—Microsoft, Google, AWS, và Meta—dự kiến sẽ chiếm hơn 60% tổng cầu toàn cầu, với dự báo cổ phần lần lượt là 20,2%, 16,6%, 16%, và 10,8%.

Nguồn ảnh: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

"Tình trạng thiếu chip" liên tục là từ thông dụng hàng năm trong những năm gần đây. Một mặt, các mô hình ngôn ngữ lớn (LLM) đòi hỏi sức mạnh tính toán đáng kể để đào tạo và suy luận. Khi các mô hình lặp lại, chi phí và nhu cầu về sức mạnh tính toán tăng theo cấp số nhân. Mặt khác, các công ty lớn như Meta mua số lượng lớn chip, khiến tài nguyên điện toán toàn cầu nghiêng về phía những gã khổng lồ công nghệ này, khiến các doanh nghiệp nhỏ ngày càng khó có được tài nguyên điện toán cần thiết. Những thách thức mà các doanh nghiệp nhỏ phải đối mặt không chỉ xuất phát từ tình trạng thiếu chip do nhu cầu tăng vọt mà còn từ những mâu thuẫn về cấu trúc trong nguồn cung. Hiện tại, vẫn còn một số lượng lớn GPU nhàn rỗi ở phía cung; Ví dụ: một số trung tâm dữ liệu có một lượng lớn sức mạnh tính toán nhàn rỗi (với tỷ lệ sử dụng thấp từ 12% đến 18%) và tài nguyên sức mạnh tính toán đáng kể cũng không hoạt động trong khai thác được mã hóa do giảm lợi nhuận. Mặc dù không phải tất cả sức mạnh tính toán này đều phù hợp với các ứng dụng chuyên biệt như đào tạo AI, nhưng phần cứng cấp người tiêu dùng vẫn có thể đóng một vai trò quan trọng trong các lĩnh vực khác như suy luận AI, kết xuất trò chơi trên đám mây, điện thoại đám mây, v.v. Cơ hội để tích hợp và sử dụng các tài nguyên máy tính này là rất lớn.

Chuyển trọng tâm từ AI sang tiền điện tử, sau ba năm im lặng trên thị trường tiền điện tử, một thị trường tăng giá khác cuối cùng đã xuất hiện. Giá Bitcoin đã nhiều lần đạt mức cao mới và nhiều đồng tiền meme khác nhau tiếp tục xuất hiện. Mặc dù AI và Crypto đã là những từ thông dụng trong những năm gần đây, trí tuệ nhân tạo và blockchain là hai công nghệ quan trọng dường như là những đường song song vẫn chưa tìm thấy "giao lộ". Đầu năm nay, Vitalik đã xuất bản một bài báo có tiêu đề "Lời hứa và thách thức của các ứng dụng tiền điện tử + AI", thảo luận về các kịch bản trong tương lai nơi AI và tiền điện tử hội tụ. Vitalik đã phác thảo nhiều tầm nhìn trong bài viết, bao gồm sử dụng công nghệ mã hóa blockchain và MPC (tính toán đa bên) để đào tạo phi tập trung và suy luận AI, có thể mở ra hộp đen của học máy và làm cho các mô hình AI trở nên đáng tin cậy hơn, trong số các lợi ích khác. Mặc dù việc hiện thực hóa những tầm nhìn này sẽ đòi hỏi nỗ lực đáng kể, một trường hợp sử dụng được đề cập bởi Vitalik – trao quyền cho AI thông qua các ưu đãi kinh tế tiền điện tử – là một hướng quan trọng có thể đạt được trong ngắn hạn. Mạng điện toán phi tập trung hiện là một trong những kịch bản phù hợp nhất để tích hợp AI + tiền điện tử.

2 Mạng Lực lượng tính toán phi tập trung

Hiện nay, có nhiều dự án đang phát triển trong lĩnh vực mạng lưới khả năng tính toán phân tán. Logic cơ bản của những dự án này tương tự và có thể được tóm tắt như sau: sử dụng token để khích lệ nhà cung cấp khả năng tính toán tham gia vào mạng lưới và cung cấp tài nguyên tính toán của họ. Những tài nguyên tính toán phân tán này có thể tập trung thành mạng lưới khả năng tính toán phân tán có quy mô đáng kể. Phương pháp này không chỉ tăng cường việc sử dụng khả năng tính toán không hoạt động mà còn đáp ứng nhu cầu tính toán của khách hàng với chi phí thấp hơn, đạt được tình huống đôi bên đều có lợi cho người mua và người bán.

Để cung cấp cho độc giả hiểu biết toàn diện về lĩnh vực này trong thời gian ngắn, bài viết này sẽ phân tích các dự án cụ thể và toàn bộ lĩnh vực từ cả hai góc nhìn cụ thể và tổng quan. Mục tiêu là cung cấp các thông tin phân tích để độc giả hiểu được những lợi thế cạnh tranh cốt lõi của mỗi dự án và phát triển tổng thể của lĩnh vực mạng lực tính toán phi tập trung. Tác giả sẽ giới thiệu và phân tích năm dự án: Aethir, io.net, Render Network, Akash Network và Gensyn, và tổng kết và đánh giá tình hình của chúng và sự phát triển của lĩnh vực.

Về khung phân tích, tập trung vào một mạng lưới khả năng tính toán phi tập trung cụ thể, chúng ta có thể chia nhỏ nó thành bốn thành phần cốt lõi:

• Mạng phần cứng: Tích hợp các nguồn tài nguyên tính toán phân tán khắp thế giới thông qua các nút để tạo ra mạng lưới khả năng tính toán phi tập trung, nhằm tăng cường chia sẻ tài nguyên và cân bằng công việc.
• Thị trường song phương: Kết hợp nhà cung cấp khả năng tính toán với người yêu cầu thông qua các cơ chế định giá và khám phá hiệu quả, cung cấp nền tảng giao dịch an toàn đảm bảo giao dịch minh bạch, công bằng và đáng tin cậy cho cả hai bên.
• Cơ chế đồng thuận: Đảm bảo các nút trong mạng hoạt động chính xác và hoàn thành nhiệm vụ. Cơ chế đồng thuận theo dõi hai khía cạnh: 1) Thời gian hoạt động của nút để đảm bảo chúng hoạt động và sẵn sàng chấp nhận nhiệm vụ bất kỳ lúc nào. 2) Chứng minh hoàn thành nhiệm vụ: Các nút hoàn thành nhiệm vụ một cách hiệu quả và chính xác mà không sử dụng sức mạnh tính toán cho mục đích khác, chiếm dụng các quy trình và luồng.
• Incentives: Mô hình token khuyến khích nhiều người tham gia cung cấp/sử dụng dịch vụ, bắt kịp hiệu ứng mạng với token để tạo điều kiện cho việc chia sẻ lợi ích cộng đồng.

Từ quan điểm tổng quan về lĩnh vực khả năng tính toán phi tập trung, Blockworks Research cung cấp một khung phân tích mạnh mẽ phân loại dự án thành ba tầng lớp khác nhau.

• Bare Metal Layer: Forms the foundational layer of the decentralized computing stack, responsible for aggregating raw computing resources and making them accessible via API calls.
• Lớp điều phối: Tạo thành lớp giữa của ngăn xếp điện toán phi tập trung, chủ yếu tập trung vào sự phối hợp và trừu tượng. Nó xử lý các tác vụ như lập kế hoạch, mở rộng quy mô, vận hành, cân bằng tải và khả năng chịu lỗi của sức mạnh tính toán. Vai trò chính của nó là "trừu tượng" sự phức tạp của việc quản lý phần cứng cơ bản, cung cấp giao diện người dùng tiên tiến hơn phù hợp với nhu cầu cụ thể của khách hàng.
• Lớp Tổng hợp: Được hình thành ở lớp trên cùng của ngăn xếp tính toán phi tập trung, chịu trách nhiệm chính về tích hợp. Nó cung cấp một giao diện thống nhất cho người dùng thực hiện các nhiệm vụ tính toán khác nhau tại cùng một nơi, chẳng hạn như đào tạo trí tuệ nhân tạo, kết xuất, zkML và nhiều hơn nữa. Lớp này hoạt động như một lớp chỉ huy và phân phối cho nhiều dịch vụ tính toán phi tập trung.

Nguồn ảnh: Youbi Capital

Dựa trên hai khung phân tích được cung cấp, chúng tôi sẽ tiến hành phân tích so sánh của năm dự án đã chọn qua bốn khía cạnh: lĩnh vực kinh doanh chính, vị trí trên thị trường, cơ sở vật chất và hiệu suất tài chính.

2.1 Nhân tố Chính

Từ một góc độ cơ bản, mạng lưới sức mạnh tính toán phi tập trung rất đồng nhất, sử dụng token để thúc đẩy nhà cung cấp sức mạnh tính toán không hoạt động cung cấp dịch vụ của họ. Dựa trên logic cơ bản này, chúng ta có thể hiểu sự khác biệt về kinh doanh cốt lõi giữa các dự án từ ba khía cạnh:

• Nguồn cung cấp khả năng tính toán không hoạt động
  • Nguồn lực tính toán trống trên thị trường chủ yếu đến từ hai loại chính: 1) trung tâm dữ liệu, các công ty khai thác mỏ và các doanh nghiệp khác; và 2) người dùng cá nhân. Trung tâm dữ liệu thường sở hữu phần cứng chuyên nghiệp, trong khi người dùng cá nhân thường mua chip dành cho người tiêu dùng.
  • Aethir, Mạng Akash và Gensyn chủ yếu thu thập khả năng tính toán từ doanh nghiệp. Các lợi ích của việc thu thập từ doanh nghiệp bao gồm: 1) phần cứng chất lượng cao hơn và đội ngũ bảo trì chuyên nghiệp, dẫn đến hiệu suất và đáng tin cậy cao hơn của tài nguyên tính toán; 2) tính đồng nhất và quản lý tập trung hơn về tài nguyên tính toán trong doanh nghiệp và trung tâm dữ liệu, dẫn đến lịch trình và bảo trì hiệu quả hơn. Tuy nhiên, cách tiếp cận này đòi hỏi yêu cầu cao hơn từ các nhóm dự án, đòi hỏi mối quan hệ kinh doanh với các doanh nghiệp kiểm soát khả năng tính toán. Ngoài ra, tính mở rộng và phân tán có thể bị ảnh hưởng một cách đáng kể.
  • Render Network và io.net khuyến khích người dùng cá nhân cung cấp khả năng tính toán không hoạt động của họ. Các lợi ích khi sử dụng từ người cá nhân bao gồm: 1) giảm chi phí rõ ràng của khả năng tính toán không hoạt động từ người cá nhân, cung cấp nguồn tài nguyên tính toán kinh tế hơn; 2) tăng tính mở rộng và phân cấp cao của mạng, tăng cường sự cứng cỏi và khả năng chống chịu của hệ thống. Tuy nhiên, nhược điểm bao gồm sự phân bố rộng rãi và không đồng nhất của tài nguyên giữa người cá nhân, làm phức tạp quản lý và lập lịch, tăng thách thức vận hành. Hơn nữa, phụ thuộc vào khả năng tính toán của người cá nhân để khởi đầu hiệu ứng mạng có thể khó khăn hơn. Cuối cùng, các thiết bị sở hữu bởi người cá nhân có thể tạo ra nhiều rủi ro về an ninh, có thể dẫn đến rò rỉ dữ liệu và lạm dụng khả năng tính toán.
• Người tiêu dùng sức mạnh tính toán
  • Từ quan điểm của người tiêu dùng điện toán, Aethir, io.net và Gensyn chủ yếu nhắm vào các doanh nghiệp. Đối với các máy khách B-end, chẳng hạn như những máy khách yêu cầu AI và kết xuất trò chơi thời gian thực, có nhu cầu cao về tài nguyên điện toán hiệu suất cao, thường yêu cầu GPU cao cấp hoặc phần cứng cấp chuyên nghiệp. Ngoài ra, khách hàng B-end có các yêu cầu nghiêm ngặt về tính ổn định và độ tin cậy của tài nguyên máy tính, đòi hỏi các thỏa thuận cấp độ dịch vụ chất lượng cao để đảm bảo hoạt động dự án suôn sẻ và hỗ trợ kỹ thuật kịp thời. Hơn nữa, chi phí di chuyển cho khách hàng B-end là đáng kể. Nếu các mạng phi tập trung thiếu SDK trưởng thành để tạo điều kiện triển khai nhanh chóng cho các dự án (ví dụ: Mạng Akash yêu cầu người dùng phát triển dựa trên các cổng từ xa), việc thuyết phục khách hàng di chuyển trở nên khó khăn. Trừ khi có lợi thế đáng kể về giá, sự sẵn sàng di chuyển của khách hàng vẫn còn thấp.
  • Render Network và Akash Network chủ yếu phục vụ người dùng cá nhân cho dịch vụ khả năng tính toán. Để phục vụ người tiêu dùng cuối C, các dự án cần thiết kế giao diện và công cụ đơn giản và thân thiện với người dùng để mang đến trải nghiệm tích cực cho người tiêu dùng. Ngoài ra, người tiêu dùng rất nhạy cảm với giá cả, đòi hỏi các dự án phải áp dụng các chiến lược giá cạnh tranh.
• Loại phần cứng
  • Các tài nguyên phần cứng tính toán thông thường bao gồm CPU, FPGA, GPU, ASIC và SoC. Các loại phần cứng này có sự khác biệt đáng kể về mục tiêu thiết kế, đặc tính hiệu suất và lĩnh vực ứng dụng. Tóm lại, CPU xuất sắc trong các nhiệm vụ tính toán chung, FPGA có ưu thế trong xử lý song song cao và tính khả lập trình, GPU thực hiện tốt trong tính toán song song, ASIC hiệu quả nhất cho các nhiệm vụ cụ thể, và SoC tích hợp nhiều chức năng vào một đơn vị, phù hợp cho các ứng dụng tích hợp cao. Sự lựa chọn phần cứng phụ thuộc vào nhu cầu ứng dụng cụ thể, yêu cầu hiệu suất và xem xét chi phí.
  • Các dự án sức mạnh tính toán phi tập trung mà chúng ta thảo luận chủ yếu thu thập sức mạnh tính toán GPU, được xác định bởi loại dự án và đặc điểm của GPU. GPU có những ưu điểm độc đáo trong đào tạo AI, điện toán song song, kết xuất đa phương tiện, v.v. Mặc dù các dự án này chủ yếu liên quan đến tích hợp GPU, các ứng dụng khác nhau có thông số kỹ thuật và yêu cầu phần cứng khác nhau, dẫn đến các lõi và thông số tối ưu hóa không đồng nhất. Các tham số này bao gồm tính song song / phụ thuộc nối tiếp, bộ nhớ, độ trễ, v.v. Ví dụ: khối lượng công việc kết xuất thực sự phù hợp hơn với GPU cấp tiêu dùng hơn là GPU trung tâm dữ liệu hiệu suất cao hơn vì kết xuất đòi hỏi yêu cầu cao đối với các tác vụ như dò tia. Các chip cấp tiêu dùng như 4090s được tăng cường với lõi RT, được tối ưu hóa đặc biệt cho các tác vụ dò tia. Đào tạo và suy luận AI yêu cầu GPU cấp chuyên nghiệp. Do đó, Render Network có thể tổng hợp các GPU cấp tiêu dùng như RTX 3090s và 4090 từ người dùng cá nhân, trong khi IO.NET yêu cầu nhiều H100, A100 và các GPU cấp chuyên nghiệp khác để đáp ứng nhu cầu của các công ty khởi nghiệp AI.

2.2 Định vị thị trường

Về vị trí dự án, các vấn đề cốt lõi cần giải quyết, tập trung tối ưu hóa và khả năng thu thập giá trị khác nhau cho lớp kim loại nguyên chất, lớp điều hòa và lớp tổng hợp.

• Lớp kim loại nguyên khối tập trung vào việc thu thập và sử dụng tài nguyên vật lý. Lớp điều hợp quan tâm đến lịch trình và tối ưu hóa khả năng tính toán, thiết kế cấu hình lý tưởng của phần cứng vật lý theo nhu cầu của khách hàng. Lớp tổng hợp là đa dụng, tập trung vào tích hợp và trừu tượng hóa các tài nguyên khác nhau.
• Từ quan điểm chuỗi giá trị, mỗi dự án nên bắt đầu từ lớp bare metal và cố gắng tiến lên. Về việc thu được giá trị, khả năng tăng dần từ lớp bare metal đến lớp orchestration và cuối cùng là lớp aggregation. Lớp aggregation có thể thu được giá trị lớn nhất vì một nền tảng aggregation có thể đạt được hiệu ứng mạng lớn nhất và trực tiếp đến được số người dùng lớn nhất, hiệu quả như điểm nhập lưu lượng cho mạng phi tập trung, do đó chiếm vị trí thu giữ giá trị cao nhất trong toàn bộ ngăn xếp quản lý tài nguyên tính toán.
• Tương ứng, việc xây dựng một nền tảng tổng hợp là một công việc khó khăn nhất. Một dự án cần phải giải quyết toàn diện các vấn đề phức tạp về công nghệ, quản lý tài nguyên đa dạng, đáng tin cậy và mở rộng, hiện thực hóa hiệu ứng mạng, bảo vệ an toàn và riêng tư, và các vấn đề quản lý hoạt động phức tạp. Những thách thức này không thuận lợi cho sự khởi đầu lạnh của một dự án và phụ thuộc vào tình hình phát triển và thời gian của ngành. Việc làm việc trên tầng tổng hợp trước khi tầng điều hợp đã trưởng thành và chiếm được một thị phần đáng kể là không thực tế.
• Hiện tại, Aethir, Mạng Render, Mạng Akash và Gensyn thuộc về lớp điều hợp. Họ nhằm mục tiêu cung cấp dịch vụ cho các mục tiêu cụ thể và nhóm khách hàng. Doanh nghiệp chính của Aethir là kỹ thuật dựng hình thời gian thực cho game đám mây và cung cấp môi trường và công cụ phát triển và triển khai cụ thể cho khách hàng B cuối; Doanh nghiệp chính của Mạng Render là dựng hình video; Sứ mệnh của Mạng Akash là cung cấp một nền tảng thị trường tương tự như Taobao; và Gensyn tập trung sâu vào lĩnh vực đào tạo trí tuệ nhân tạo. IO.net định vị chính mình là một lớp tổng hợp, nhưng chức năng hiện tại của nó vẫn còn cách xa so với một lớp tổng hợp hoàn chỉnh. Mặc dù nó đã thu thập phần cứng từ Mạng Render và Filecoin, việc trừu tượng hóa và tích hợp tài nguyên phần cứng vẫn chưa hoàn thành.

2.3 Cơ sở vật chất phần cứng

• Hiện tại, không phải tất cả các dự án đều tiết lộ dữ liệu mạng chi tiết. So với các dự án khác, giao diện người dùng của io.net là tốt nhất, hiển thị các thông số như số lượng GPU/CPU, loại, giá cả, phân phối, sử dụng mạng và doanh thu node. Tuy nhiên, vào cuối tháng 4, giao diện người dùng của io.net đã bị tấn công do thiếu xác thực cho các giao diện PUT/POST, dẫn đến hacker can thiệp vào dữ liệu giao diện người dùng. Sự việc này đã đặt ra những lo ngại về quyền riêng tư và đáng tin cậy của dữ liệu mạng cho các dự án khác.
• Về số lượng và mô hình GPU, io.net, là một lớp tổng hợp, hợp lý nhất nên có nhiều phần cứng nhất. Aethir đứng sau gần nhất, trong khi tình trạng phần cứng của các dự án khác ít minh bạch hơn. io.net có nhiều loại GPU khác nhau, bao gồm cả GPU chuyên nghiệp như A100 và GPU dành cho người tiêu dùng như 4090, phù hợp với vị trí tổng hợp của io.net. Điều này cho phép io chọn GPU phù hợp nhất dựa trên yêu cầu công việc cụ thể. Tuy nhiên, các mô hình và thương hiệu GPU khác nhau có thể yêu cầu các trình điều khiển và cấu hình khác nhau, và phần mềm cũng cần tối ưu hóa phức tạp, tăng độ phức tạp của quản lý và bảo trì. Hiện tại, phân bổ nhiệm vụ của io chủ yếu dựa trên việc người dùng tự chọn.
• Aethir đã phát hành máy đào riêng của mình, và vào tháng 5, Aethir Edge được hỗ trợ bởi Qualcomm đã chính thức ra mắt. Điều này tách rời khỏi việc triển khai cụm GPU trung tâm duy nhất xa người dùng, triển khai khả năng tính toán đến viền. Aethir Edge, kết hợp với khả năng tính toán cụm H100, phục vụ các kịch bản trí tuệ nhân tạo, triển khai các mô hình đã được huấn luyện để cung cấp dịch vụ tính toán suy luận với chi phí tối ưu. Giải pháp này gần gũi hơn với người dùng, phục vụ nhanh hơn và mang lại hiệu suất chi phí cao hơn.
• Từ góc độ cung cầu, lấy Akash Network làm ví dụ, thống kê của nó cho thấy tổng số CPU là khoảng 16k và 378 GPU. Dựa trên nhu cầu cho thuê mạng, tỷ lệ sử dụng cho CPU và GPU lần lượt là 11,1% và 19,3%. Chỉ có GPU H100 chuyên nghiệp có tỷ lệ cho thuê tương đối cao, trong khi hầu hết các mẫu khác vẫn đang trống không. Tình trạng này nói chung tương tự trên các mạng khác, với tổng nhu cầu mạng thấp và hầu hết khả năng tính toán, ngoại trừ các chip phổ biến như A100 và H100, vẫn đang trống không.
• Về lợi thế giá, so với các nhà cung cấp dịch vụ truyền thống, lợi thế chi phí không đáng kể ngoại trừ các công ty khổng lồ trên thị trường tính toán đám mây.

2.4 Hiệu suất tài chính

• Bất kể cách mô hình token được thiết kế, một tokenomics lành mạnh phải đáp ứng những điều kiện cơ bản sau: 1) Nhu cầu của người dùng đối với mạng lưới phải được phản ánh trong giá trị của token, có nghĩa là token có thể thu được giá trị; 2) Tất cả các thành viên, bao gồm nhà phát triển, node và người dùng, cần nhận được động cơ lâu dài và công bằng; 3) Đảm bảo quản trị phi tập trung và tránh việc nắm giữ quá mức bởi người trong cuộc; 4) Cơ chế lạm phát và giảm phát hợp lý và lịch trình phát hành token để tránh tình trạng biến động giá lớn ảnh hưởng đến sự ổn định và bền vững của mạng lưới.
• Nếu chúng ta phân loại rộng rãi các mô hình mã thông báo thành BME (cân bằng đốt và đúc) và SFA (cổ phần để truy cập), áp lực giảm phát của hai mô hình này đến từ các nguồn khác nhau: Trong mô hình BME, mã thông báo được đốt sau khi người dùng mua dịch vụ, do đó áp lực giảm phát của hệ thống được xác định bởi nhu cầu. Trong mô hình SFA, các nhà cung cấp dịch vụ / nút được yêu cầu đặt cọc mã thông báo để có đủ điều kiện cung cấp dịch vụ, do đó, áp lực giảm phát do nguồn cung mang lại. Ưu điểm của BME là phù hợp hơn với hàng hóa không được tiêu chuẩn hóa. Tuy nhiên, nếu nhu cầu mạng không đủ, nó có thể phải đối mặt với áp lực lạm phát liên tục. Các mô hình mã thông báo của các dự án khác nhau khác nhau về chi tiết, nhưng nói chung, Aethir nghiêng nhiều hơn về SFA, trong khi io.net, Render Network và Akash Network nghiêng nhiều hơn về BME. Mô hình của Gensyn vẫn chưa được biết.
• Về doanh thu, nhu cầu mạng sẽ phản ánh trực tiếp vào tổng doanh thu mạng (trừ thu nhập của máy đào, vì các máy đào nhận phần thưởng cho việc hoàn thành nhiệm vụ và được hỗ trợ từ các dự án). Theo dữ liệu công khai, io.net có giá trị cao nhất. Mặc dù doanh thu của Aethir chưa được tiết lộ, thông tin công khai cho biết họ đã công bố ký kết đơn hàng với nhiều khách hàng B-end.
• Đối với giá token, chỉ Render Network và Akash Network đã tiến hành ICO cho đến nay. Aethir và io.net cũng vừa phát hành token gần đây, nhưng hiệu suất giá của họ cần phải được quan sát kỹ hơn và sẽ không được thảo luận chi tiết ở đây. Kế hoạch của Gensyn vẫn chưa rõ ràng. Từ hai dự án đã phát hành token và các dự án khác trong cùng ngành không được thảo luận ở đây, các mạng tính toán phi tập trung đã cho thấy hiệu suất giá rất ấn tượng, phản ánh tiềm năng thị trường đáng kể và kỳ vọng cao của cộng đồng đến một mức độ nào đó.

2.5 Tóm tắt

• Sektor mạng khả năng tính toán phi tập trung đang phát triển nhanh chóng, với nhiều dự án đã có khả năng phục vụ khách hàng thông qua sản phẩm của họ và tạo ra một số doanh thu. Ngành đã vượt qua giai đoạn kể chuyện thuần túy và vào giai đoạn có thể cung cấp các dịch vụ sơ bộ.
• Một vấn đề phổ biến mà các mạng khả năng tính toán phi tập trung đối mặt là nhu cầu yếu, với nhu cầu của khách hàng lâu dài không được xác nhận và khám phá tốt. Tuy nhiên, các thách thức từ phía người tiêu dùng không ảnh hưởng đáng kể đến giá token, vì ít dự án đã phát hành token đã cho thấy hiệu suất ấn tượng.
• AI là câu chuyện chính cho các mạng lưới khả năng tính toán phân tán nhưng không phải là ứng dụng duy nhất. Bên cạnh việc huấn luyện và suy luận AI, khả năng tính toán cũng có thể được sử dụng để hiển thị thời gian thực trong trò chơi đám mây, dịch vụ di động đám mây và nhiều hơn nữa.
• Phần cứng trong mạng lưới khả năng tính toán là rất đa dạng, và chất lượng và quy mô của những mạng lưới này cần được cải thiện thêm. Đối với người dùng C-end, lợi thế về chi phí không quá đáng kể. Đối với người dùng B-end, ngoài việc tiết kiệm chi phí, cần xem xét thêm các yếu tố như sự ổn định dịch vụ, đáng tin cậy, hỗ trợ kỹ thuật, tuân thủ và hỗ trợ pháp lý. Các dự án Web3 thường không hoạt động tốt trong những lĩnh vực này.

3 Closing Thoughts

Sự tăng trưởng mũ của Trí tuệ nhân tạo (AI) đã dẫn đến nhu cầu khổng lồ về khả năng tính toán. Kể từ năm 2012, khả năng tính toán được sử dụng trong các nhiệm vụ đào tạo AI tăng mũ theo cấp số nhân, tăng gấp đôi khoảng mỗi 3,5 tháng (so với dự đoán của Luật Moore về việc tăng gấp đôi mỗi 18 tháng). Kể từ năm 2012, nhu cầu về khả năng tính toán đã tăng hơn 300.000 lần, vượt xa dự đoán tăng gấp 12 của Luật Moore. Dự đoán cho rằng thị trường GPU sẽ tăng trưởng với tỷ lệ tăng trưởng hàng năm đạt 32% trong vòng 5 năm tới, đạt hơn 200 tỷ đô la. Ước tính của AMD còn cao hơn, với công ty dự đoán thị trường chip GPU sẽ đạt 400 tỷ đô la vào năm 2027.

Nguồn hình ảnh: https://www.stateof.ai/

Sự phát triển mạnh mẽ của trí tuệ nhân tạo và các tải công việc tính toán khác như AR/VR đã làm lộ ra những không hiệu quả cấu trúc trong việc tính toán đám mây truyền thống và thị trường tính toán hàng đầu. Về lý thuyết, mạng lực lượng tính toán phi tập trung có thể tận dụng tài nguyên tính toán không sử dụng phân tán để cung cấp các giải pháp linh hoạt, hiệu quả và tiết kiệm chi phí hơn để đáp ứng nhu cầu khổng lồ về tài nguyên tính toán.

Do đó, sự kết hợp của tiền điện tử và trí tuệ nhân tạo có tiềm năng thị trường rất lớn, nhưng cũng đối mặt với sự cạnh tranh gay gắt với các doanh nghiệp truyền thống, rào cản đầu vào cao và môi trường thị trường phức tạp. Tổng thể, trong tất cả các lĩnh vực tiền điện tử, các mạng lưới tính toán phi tập trung là một trong những phân ngành tiềm năng nhất trong lĩnh vực tiền điện tử để đáp ứng nhu cầu thực tế.

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

Tương lai rất tươi sáng, nhưng con đường rất thách thức. Để đạt được tầm nhìn được đề cập ở trên, chúng ta cần giải quyết nhiều vấn đề và thách thức. Tóm lại, ở giai đoạn này, việc cung cấp dịch vụ đám mây truyền thống đơn giản chỉ mang lại lợi nhuận nhỏ cho các dự án.

Từ phía nhu cầu, các doanh nghiệp lớn thường xây dựng khả năng tính toán riêng của họ, trong khi hầu hết các nhà phát triển cá nhân thì thường chọn các dịch vụ đám mây đã được thiết lập. Việc có thể khám phá và xác minh thêm xem liệu các doanh nghiệp vừa và nhỏ, những người sử dụng thực sự của tài nguyên mạng lưới khả năng tính toán phi tập trung, có nhu cầu ổn định hay không, vẫn còn phải được khám phá.

Tuy nhiên, hiện tại còn nhiều vấn đề và thách thức cần được giải quyết trước khi có thể phát triển thêm trong lĩnh vực AI:

• Lợi thế về giá không nổi bật: So sánh dữ liệu trước đây cho thấy mạng lực tính phi tập trung không có lợi thế về chi phí đáng kể. Điều này có thể do cơ chế thị trường quy định các chip chuyên dụng cao cầu như H100 và A100 không được định giá rẻ. Ngoài ra, thiếu lợi thế về quy mô từ phi tập trung, chi phí mạng và băng thông cao, cùng với sự phức tạp đáng kể về quản lý và vận hành gây ra các chi phí ẩn khác làm tăng chi phí tính toán.
• Những thách thức cụ thể trong việc huấn luyện trí tuệ nhân tạo: Việc tiến hành huấn luyện trí tuệ nhân tạo theo cách phi tập trung đang đối mặt với những chướng ngại kỹ thuật đáng kể hiện nay. Những chướng ngại này rõ ràng hình thành trong quy trình làm việc của GPU: trong quá trình huấn luyện mô hình ngôn ngữ lớn, GPU đầu tiên nhận các lô dữ liệu đã được xử lý trước để thực hiện lan truyền và lan truyền ngược để tính toán độ dốc. GPU sau đó tổng hợp các độ dốc và cập nhật các tham số mô hình để đảm bảo đồng bộ. Quá trình lặp này tiếp tục cho đến khi tất cả các lô được huấn luyện hoặc đạt đến một số lượng epoch cụ thể. Nó liên quan đến việc truyền dữ liệu và đồng bộ hóa một cách rộng lớn. Những câu hỏi như việc sử dụng chiến lược song song và đồng bộ hóa nào, cách tối ưu hóa băng thông và độ trễ mạng và cách giảm thiểu chi phí giao tiếp vẫn chưa được giải quyết một cách toàn diện. Hiện nay, việc sử dụng mạng lưới khả năng tính toán phi tập trung cho việc huấn luyện trí tuệ nhân tạo là không thực tế.
• Mối quan tâm về bảo mật và quyền riêng tư dữ liệu: Trong quá trình huấn luyện các mô hình ngôn ngữ lớn, mọi giai đoạn liên quan đến xử lý và truyền dữ liệu - như phân bổ dữ liệu, huấn luyện mô hình và tổng hợp thông số và độ dốc - đều có thể ảnh hưởng tiềm ẩn đến bảo mật và quyền riêng tư dữ liệu. Mối lo ngại về quyền riêng tư đặc biệt quan trọng trong các mô hình liên quan đến dữ liệu nhạy cảm. Mà không giải quyết được vấn đề quyền riêng tư dữ liệu, việc mở rộng từ phía nhu cầu là không khả thi.

Từ góc độ thực tế, một mạng lưới sức mạnh tính toán phi tập trung cần phải cân bằng việc thăm dò nhu cầu hiện tại với các cơ hội thị trường trong tương lai. Điều quan trọng là xác định vị trí sản phẩm rõ ràng và đối tượng mục tiêu. Ban đầu tập trung vào các dự án gốc không phải AI hoặc Web3, giải quyết các nhu cầu tương đối thích hợp, có thể giúp thiết lập cơ sở người dùng sớm. Đồng thời, việc khám phá liên tục các kịch bản khác nhau trong đó AI và tiền điện tử hội tụ là điều cần thiết. Điều này liên quan đến việc khám phá các biên giới công nghệ và nâng cấp các dịch vụ để đáp ứng nhu cầu phát triển. Bằng cách sắp xếp chiến lược các dịch vụ sản phẩm với nhu cầu thị trường và luôn đi đầu trong các tiến bộ công nghệ, các mạng lưới điện toán phi tập trung có thể định vị hiệu quả bản thân để tăng trưởng bền vững và phù hợp với thị trường.

Tài liệu tham khảo

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

Tuyên bố:

1. Bài viết này được sao chép từ [Youbi Capital], bản quyền thuộc về tác giả gốc [Youbi], if you have any objections to the reprint, please contact the Gate Họcđội, và đội sẽ xử lý nó càng sớm càng tốt theo thủ tục liên quan.

2. Miễn trừ trách nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ đại diện cho quan điểm cá nhân của tác giả và không đại diện cho bất kỳ lời khuyên đầu tư nào.

3. Các phiên bản ngôn ngữ khác của bài viết được dịch bởi nhóm Gate Learn và không được đề cập trong Gate.ioBài dịch có thể không được sao chép, phân phối hoặc đạo văn.