Por Alex Xu, parceiro de pesquisa da Mint Ventures
Introdução
Em nosso último relatório, mencionamos que, em comparação com os dois ciclos anteriores, a atual alta das criptomoedas carece de novos modelos de negócios e narrativas de ativos. A Inteligência Artificial (IA) é uma das novas narrativas no espaço Web3 deste ciclo. Este artigo se aprofunda no projeto de IA mais importante do ano, IO.NET, e organiza reflexões sobre as duas questões a seguir:
A necessidade de AI+Web3 no cenário comercial
A necessidade e os desafios da implantação de uma rede de computação descentralizada
Organizarei informações importantes sobre o projeto representativo na rede descentralizada de computação de IA: IO.NET, incluindo design de produto, cenário competitivo e histórico do projeto. Também especularei sobre as métricas de avaliação do projeto.
Os insights sobre A lógica de negócios por trás da convergência da IA e da Web3 são inspirados em “The Real Merge”, de Michael Rinko, analista de pesquisa da Delphi Delphi. Esta análise assimila e referencia ideias de seu trabalho, altamente recomendado para leitura adicional The Real Merge.
Observe que este artigo reflete meu pensamento atual e pode evoluir. As opiniões aqui são subjetivas e podem haver erros em fatos, dados e raciocínio lógico. Este não é um conselho financeiro, mas feedback e discussões são bem-vindos.
A lógica de negócios por trás da convergência entre IA e Web3
2023: O “Ano Maravilhoso” para a IA
Refletindo sobre os anais do desenvolvimento humano, fica claro que os avanços tecnológicos catalisam transformações profundas – desde a vida quotidiana até às paisagens industriais e à marcha da própria civilização.
Na história da humanidade, existem dois anos significativos, nomeadamente 1666 e 1905, que são agora celebrados como o “Annus Mirabilis” na história da ciência.
O ano de 1666 ganhou esse título devido à cascata de descobertas científicas de Isaac Newton. Em um único ano, ele foi pioneiro no ramo da física conhecido como óptica, fundou a disciplina matemática do cálculo e derivou a lei da gravitação, que é uma lei fundamental da ciência natural moderna. Qualquer uma destas contribuições foi fundamental para o desenvolvimento científico da humanidade ao longo do século seguinte, acelerando significativamente o progresso geral da ciência.
O outro ano marcante é 1905, quando um simples Einstein de 26 anos publicou quatro artigos em rápida sucessão na “Annalen der Physik”, cobrindo o efeito fotoelétrico, preparando o terreno para a mecânica quântica; Movimento browniano, fornecendo uma estrutura fundamental para análise estocástica de processos; a teoria da relatividade especial; e a equivalência massa-energia, encapsulada na equação E=MC^2. Olhando para trás, considera-se que cada um destes artigos ultrapassa o nível médio dos trabalhos vencedores do Prémio Nobel em física – uma distinção que o próprio Einstein recebeu pelo seu trabalho sobre o efeito fotoelétrico. Estas contribuições impulsionaram colectivamente a humanidade em vários avanços na jornada da civilização.
O ano de 2023, que recentemente ficou para trás, está prestes a ser celebrado como mais um “Ano Milagroso”, graças em grande parte ao surgimento do ChatGPT.
Ver 2023 como um “Ano Milagroso” na história da tecnologia humana não se trata apenas de reconhecer os avanços alcançados no processamento e geração de linguagem natural pelo ChatGPT. Trata-se também de reconhecer um padrão claro no avanço de grandes modelos de linguagem – a percepção de que, ao expandir os parâmetros do modelo e treinar conjuntos de dados, podemos obter melhorias exponenciais no desempenho do modelo. Além disso, parece ilimitado no curto prazo, assumindo que o poder da computação acompanhe o ritmo.
Essa capacidade vai muito além da compreensão da linguagem e da geração de conversas; pode ser amplamente aplicado em vários campos científicos. Tomando como exemplo a aplicação de grandes modelos de linguagem no setor biológico:
Em 2018, a ganhadora do Prêmio Nobel de Química, Frances Arnold, disse durante sua cerimônia de premiação: “Hoje podemos, para todos os efeitos práticos, ler, escrever e editar qualquer sequência de DNA, mas não podemos compô-la. ” Avançando cinco anos para 2023, uma equipe de pesquisadores da Universidade de Stanford e da Salesforce Research, uma startup focada em IA, fez uma publicação na “Nature Biotechnology”. Utilizando um grande modelo de linguagem refinado a partir do GPT-3, eles geraram um catálogo inteiramente novo de 1 milhão de proteínas. Entre estas, descobriram duas proteínas com estruturas distintas, ambas dotadas de função antibacteriana, abrindo potencialmente caminho para novas estratégias de resistência bacteriana além dos antibióticos tradicionais. Isto significa um salto monumental na superação dos obstáculos da criação de proteínas com a ajuda da IA.
Antes disso, o algoritmo de inteligência artificial AlphaFold previu as estruturas de quase todos os 2,14 mil milhões de tipos de proteínas na Terra num período de 18 meses – um marco que amplifica as conquistas dos biólogos estruturais ao longo da história em várias magnitudes.
A integração de modelos de IA promete transformar drasticamente as indústrias. Desde os domínios da biotecnologia, da ciência dos materiais e da descoberta de medicamentos até às esferas culturais do direito e das artes, uma onda transformadora está prestes a remodelar estes campos, com 2023 a marcar o início de tudo.
É amplamente reconhecido que o século passado testemunhou um aumento exponencial na capacidade da humanidade de gerar riqueza. Espera-se que o rápido avanço das tecnologias de IA acelere este processo.
Tendência global do PIB total, fonte de dados: Grupo Banco Mundial
Mesclando IA e criptografia
Para compreender a necessidade inerente da fusão de IA e criptografia, é interessante observar como seus recursos distintos se complementam.
A simbiose de IA e recursos criptográficos
A IA se distingue por três qualidades principais:
Estocástica: a IA é estocástica, sendo seu mecanismo de produção de conteúdo uma caixa preta enigmática e difícil de replicar, tornando seus resultados inerentemente estocásticos.
Uso intensivo de recursos: a IA é uma indústria que faz uso intensivo de recursos, exigindo quantidades significativas de energia, chips e poder de computação.
Inteligência semelhante à humana: a IA é (em breve) capaz de passar no teste de Turing, tornando cada vez mais difícil distinguir entre humanos e IA.
※ Em 30 de outubro de 2023, pesquisadores da Universidade da Califórnia, em San Diego, divulgaram as pontuações dos testes de Turing para GPT-3.5 e GPT-4.0. Este último alcançou uma pontuação de 41%, perdendo por pouco a marca de 50% por apenas 9 pontos percentuais, com os humanos marcando 63% no mesmo teste. A essência deste teste de Turing reside em quantos participantes percebem que seu parceiro de bate-papo é humano. Uma pontuação acima de 50% indica que a maioria acredita estar interagindo com um ser humano, não com uma máquina, considerando assim que a IA passou com sucesso no teste de Turing, já que pelo menos metade das pessoas não conseguiu distingui-la de um ser humano.
À medida que a IA abre caminho para avanços inovadores na produtividade humana, introduz simultaneamente desafios profundos à nossa sociedade, especificamente:
Como verificar e controlar a estocasticidade da IA, transformando-a numa vantagem e não numa falha
Como colmatar os vastos requisitos de energia e poder computacional que a IA exige
Como distinguir entre humanos e IA
A tecnologia criptográfica e blockchain poderia oferecer a solução ideal para os desafios colocados pela IA, caracterizada por três atributos principais:
Determinismo: As operações são baseadas em blockchain, código e contratos inteligentes, com regras e limites claros. Os insumos levam a resultados previsíveis, garantindo um alto nível de determinismo.
Alocação eficiente de recursos: A criptoeconomia promoveu um mercado vasto, global e livre, permitindo preços, captação de recursos e transferência de recursos rápidos. A presença de tokens acelera ainda mais o alinhamento da oferta e da procura do mercado, alcançando rapidamente massa crítica através de incentivos.
Falta de confiança: com livros-razão públicos e código-fonte aberto, qualquer pessoa pode verificar facilmente as operações, criando um sistema “sem confiança”. Além disso, a tecnologia Zero-Knowledge (ZK) garante ainda mais que a privacidade seja mantida durante esses processos de verificação.
Para demonstrar a complementaridade entre a IA e a criptoeconomia, vamos nos aprofundar em três exemplos.
Exemplo A: Superando a estocasticidade com agentes de IA alimentados pela criptoeconomia
Os Agentes AI são programas inteligentes projetados para executar tarefas em nome de humanos de acordo com suas diretrizes, sendo Fetch.AI um exemplo notável neste domínio. Imagine que encarregamos nosso agente de IA de executar uma operação financeira, como “investir US$ 1.000 em BTC”. O agente de IA pode enfrentar dois cenários distintos:
Cenário 1: O agente é obrigado a interagir com entidades financeiras tradicionais (por exemplo, BlackRock) para comprar ETFs BTC, encontrando muitos problemas de compatibilidade com organizações centralizadas, incluindo procedimentos KYC, verificação de documentos, processos de login e autenticação de identidade, todos os quais são notavelmente atualmente oneroso.
Cenário 2: Ao operar na criptoeconomia nativa, o processo se torna simplificado. O agente poderia realizar a transação diretamente através do Uniswap ou agregador de negociação semelhante, utilizando sua conta para entrar e confirmar o pedido e, consequentemente, adquirir WBTC ou outras variantes de BTC embalado. Este procedimento é eficiente e simplificado. Essencialmente, esta é a função atualmente desempenhada por vários Trading Bots, atuando como agentes básicos de IA com foco em atividades comerciais. Com um maior desenvolvimento e integração da IA, estes bots cumprirão objectivos comerciais mais complexos. Por exemplo, eles podem monitorar 100 endereços de dinheiro inteligente no blockchain, avaliar suas estratégias de negociação e taxas de sucesso, alocar 10% de seus fundos para copiar suas negociações durante uma semana, interromper as operações se os retornos forem desfavoráveis e deduzir as razões potenciais para essas estratégias.
A IA prospera em sistemas blockchain, fundamentalmente porque as regras da criptoeconomia são explicitamente definidas e o sistema permite a não permissão. Operar sob diretrizes claras reduz significativamente os riscos associados à estocasticidade inerente à IA. Por exemplo, o domínio da IA sobre os humanos no xadrez e nos videojogos decorre do facto de estes ambientes serem caixas de areia fechadas com regras simples. Por outro lado, os avanços na condução autônoma têm sido mais graduais. Os desafios do mundo aberto são mais complexos e a nossa tolerância à imprevisível resolução de problemas da IA em tais cenários é marcadamente menor.
Exemplo B: Consolidação de recursos por meio de incentivos de token
A formidável rede global de hash que apoia o BTC, ostentando uma taxa de hash total atual de 576,70 EH/s, supera o poder de computação cumulativo dos supercomputadores de qualquer país. Este crescimento é impulsionado por incentivos simples e justos dentro da rede.
Tendência da taxa de hash BTC
Além disso, projetos DePIN como Mobile, estão a explorar incentivos simbólicos para cultivar um mercado tanto do lado da oferta como do lado da procura para promover efeitos de rede. O próximo foco deste artigo, IO.NET, é uma plataforma projetada para agregar o poder de computação de IA, na esperança de desbloquear o potencial latente do poder de computação de IA por meio de um modelo de token.
Exemplo C: aproveitando o código aberto e a prova ZK para diferenciar humanos da IA e, ao mesmo tempo, proteger a privacidade
Worldcoin, um projeto Web3 cofundado por Sam Altman da OpenAI, emprega uma nova abordagem para verificação de identidade. Utilizando um dispositivo de hardware conhecido como Orb, ele aproveita a biometria da íris humana para produzir valores de hash únicos e anônimos por meio da tecnologia Zero-Knowledge (ZK), diferenciando os humanos da IA. No início de março de 2024, o projeto de arte Web3 Drip começou a implementar o Worldcoin ID para autenticar humanos reais e alocar recompensas.
A Worldcoin abriu recentemente o código-fonte de seu hardware de íris, Orb, garantindo a segurança e a privacidade dos dados biométricos.
No geral, devido ao determinismo do código e da criptografia, às vantagens da circulação de recursos e da arrecadação de fundos trazidas por mecanismos sem permissão e baseados em tokens, juntamente com a natureza sem confiança baseada em código-fonte aberto e registros públicos, a criptoeconomia tornou-se uma solução potencial significativa para os desafios que a sociedade humana enfrenta com a IA.
O desafio mais imediato e comercialmente exigente é a extrema sede de recursos computacionais exigidos pelos produtos de IA, impulsionada principalmente por uma necessidade substancial de chips e poder computacional.
Esta é também a principal razão pela qual os projetos de poder de computação distribuída lideraram os ganhos durante este ciclo de alta do mercado no setor geral de IA.
O imperativo empresarial para a computação descentralizada
A IA requer recursos computacionais substanciais, necessários tanto para treinamento de modelos quanto para tarefas de inferência.
Está bem documentado no treinamento de grandes modelos de linguagem que, uma vez que a escala dos parâmetros de dados é substancial, esses modelos começam a exibir capacidades sem precedentes. As melhorias exponenciais observadas de uma geração ChatGPT para a próxima são impulsionadas por um crescimento exponencial nas demandas computacionais para treinamento de modelos.
Pesquisas da DeepMind e da Universidade de Stanford indicam que, em vários modelos de linguagem de grande porte, ao lidar com tarefas diferentes - seja computação, resposta a perguntas em persa ou compreensão de linguagem natural - os modelos apenas se aproximam de suposições aleatórias, a menos que o treinamento envolva parâmetros de modelo significativamente ampliados (e por extensão, cargas computacionais). O desempenho de qualquer tarefa permanece quase aleatório até que os esforços computacionais atinjam 10^22 FLOPs. Além desse limite crítico, o desempenho das tarefas melhora drasticamente em qualquer modelo de linguagem.
*FLOPs referem-se a operações de ponto flutuante por segundo, uma medida de desempenho computacional.
Habilidades emergentes de grandes modelos de linguagem
Habilidades emergentes de grandes modelos de linguagem
O princípio de “alcançar milagres com grande esforço” no poder computacional, tanto na teoria como verificado na prática, inspirou o fundador da OpenAI, Sam Altman, a propor um plano ambicioso para angariar 7 biliões de dólares. Este fundo destina-se a estabelecer uma fábrica de chips que excederia em dez vezes as capacidades atuais da TSMC (estimada em US$ 1,5 trilhão), com os fundos restantes alocados para produção de chips e treinamento de modelos.
Além das demandas computacionais do treinamento de modelos de IA, os processos de inferência também exigem um poder computacional considerável, embora menor que o treinamento. Esta necessidade contínua de chips e recursos computacionais tornou-se uma realidade padrão para os jogadores no campo da IA.
Em contraste com provedores de computação de IA centralizados, como Amazon Web Services, Google Cloud Platform e Azure da Microsoft, a computação de IA descentralizada oferece várias propostas de valor atraentes:
Acessibilidade: obter acesso a chips de computação por meio de serviços como AWS, GCP ou Azure normalmente leva semanas, e os modelos de GPU mais populares estão frequentemente esgotados. Além disso, os consumidores estão normalmente vinculados a contratos longos e rígidos com estas grandes empresas. As plataformas de computação distribuída, por outro lado, oferecem opções flexíveis de hardware com acessibilidade aprimorada.
Eficiência de custos: Ao aproveitar chips ociosos e incorporar subsídios de tokens de protocolos de rede para chips e provedores de energia computacional, as redes computacionais descentralizadas podem oferecer potência computacional a custos reduzidos.
Resistência à censura: O fornecimento de chips de ponta é atualmente dominado por grandes empresas de tecnologia e, com o governo dos Estados Unidos aumentando o escrutínio dos serviços de computação de IA, a capacidade de obter poder de computação de forma descentralizada, flexível e irrestrita está se tornando cada vez mais uma necessidade clara. Esta é uma proposta de valor central das plataformas de computação baseadas em web3.
Se os combustíveis fósseis foram a força vital da Era Industrial, então o poder da computação pode muito bem ser a força vital da nova era digital introduzida pela IA, tornando o fornecimento de energia computacional uma infra-estrutura para a era da IA. Da mesma forma que as stablecoins surgiram como um derivado vigoroso da moeda fiduciária na época da Web3, o mercado de computação distribuída poderia evoluir para um segmento florescente dentro do mercado de computação de IA em rápida expansão?
Este ainda é um mercado emergente e ainda há muito a ver. No entanto, vários factores poderiam potencialmente impulsionar a narrativa ou a adopção pelo mercado da computação descentralizada:
Desafios persistentes de fornecimento de GPU: As contínuas restrições de fornecimento de GPUs podem encorajar os desenvolvedores a explorar plataformas de computação descentralizadas.
Expansão regulatória: O acesso aos serviços de computação de IA a partir das principais plataformas de nuvem envolve processos e escrutínio completos de KYC. Isto poderia levar a uma maior adoção de plataformas informáticas descentralizadas, especialmente em áreas que enfrentam restrições ou sanções.
Incentivos aos preços dos tokens: Os aumentos nos preços dos tokens durante os mercados em alta poderiam aumentar o valor dos subsídios oferecidos aos fornecedores de GPU pelas plataformas, atraindo mais fornecedores para o mercado, aumentando a sua escala e reduzindo os custos para os consumidores.
Ao mesmo tempo, os desafios enfrentados pelas plataformas de computação descentralizadas também são bastante evidentes:
Desafios Técnicos e de Engenharia
Problemas de prova de trabalho: Os cálculos em modelos de aprendizagem profunda, devido à estrutura hierárquica onde a saída de cada camada é usada como entrada para a próxima, verificar a validade dos cálculos requer a execução de todo o trabalho anterior, o que não é simples nem eficiente. Para resolver isto, as plataformas de computação descentralizadas precisam de desenvolver novos algoritmos ou empregar técnicas de verificação aproximadas que ofereçam garantia probabilística dos resultados, em vez de determinismo absoluto.
Desafios de paralelização: As plataformas de computação descentralizadas recorrem a uma gama diversificada de fornecedores de chips, cada um deles normalmente oferecendo capacidade de computação limitada. Concluir rapidamente as tarefas de treinamento ou inferência de um modelo de IA por um único fornecedor de chip é quase impossível. Portanto, as tarefas devem ser decompostas e distribuídas usando paralelização para reduzir o tempo total de conclusão. Esta abordagem, no entanto, introduz diversas complicações, incluindo a forma como as tarefas são divididas (particularmente tarefas complexas de aprendizagem profunda), dependências de dados e custos adicionais de conectividade entre dispositivos.
Questões de proteção de privacidade: Como garantir que os dados e modelos do cliente não sejam divulgados ao destinatário das tarefas?
Desafios de conformidade regulatória
As plataformas informáticas descentralizadas, devido à sua natureza não autorizada nos mercados de oferta e procura, podem atrair determinados clientes como um importante ponto de venda. No entanto, à medida que os quadros regulamentares da IA evoluem, estas plataformas podem tornar-se cada vez mais alvos de escrutínio governamental. Além disso, alguns fornecedores de GPU estão preocupados se os seus recursos computacionais alugados estão sendo usados por empresas ou indivíduos sancionados.
Em resumo, os principais utilizadores de plataformas de computação descentralizadas são, na sua maioria, programadores profissionais ou pequenas e médias empresas. Ao contrário dos investidores em criptomoedas e NFT, estes clientes priorizam a estabilidade e continuidade dos serviços prestados pelas plataformas, e o preço não é necessariamente a sua principal preocupação. As plataformas de computação descentralizadas têm um longo caminho a percorrer antes de conseguirem obter ampla aceitação por parte desta base de utilizadores exigentes.
A seguir, nos aprofundaremos nos detalhes e realizaremos uma análise do IO.NET, um novo projeto de poder computacional descentralizado neste ciclo. Também o compararemos com projetos semelhantes para estimar a sua potencial valorização de mercado após o seu lançamento.
Plataforma descentralizada de computação de IA: IO.NET
Visão Geral do Projeto
IO.NET é uma rede de computação descentralizada que estabeleceu um mercado bilateral em torno de chips. Do lado da oferta, existem poderes de computação distribuídos globalmente, principalmente GPUs, mas também CPUs e GPUs integradas da Apple (iGPUs). O lado da demanda consiste em engenheiros de IA que buscam concluir o treinamento do modelo de IA ou tarefas de inferência.
O site oficial da IO.NET declara sua visão:
Nossa missão
Reunir um milhão de GPUs em uma DePIN – rede de infraestrutura física descentralizada.
Em comparação com os serviços tradicionais de computação de IA em nuvem, esta plataforma destaca várias vantagens importantes:
Configuração flexível: os engenheiros de IA têm a liberdade de selecionar e montar os chips necessários em um “cluster” adaptado às suas tarefas computacionais específicas.
Implantação rápida: Ao contrário dos longos tempos de aprovação e espera associados a provedores centralizados como a AWS, a implantação nesta plataforma pode ser concluída em apenas alguns segundos, permitindo o início imediato da tarefa.
Eficiência de custos: Os custos do serviço são até 90% inferiores aos oferecidos pelos principais fornecedores.
Além disso, a IO.NET planeja lançar serviços adicionais no futuro, como uma loja de modelos de IA.
Mecanismo de produto e métricas de negócios
Mecanismos de produto e experiência de implantação
Semelhante às principais plataformas como Amazon Cloud, Google Cloud e Alibaba Cloud, IO.NET oferece um serviço de computação conhecido como IO Cloud. Este serviço opera por meio de uma rede distribuída e descentralizada de chips que suporta a execução de código de aprendizado de máquina baseado em Python para IA e aplicativos de aprendizado de máquina.
O módulo de negócios básico do IO Cloud é chamado de Clusters —— grupos autocoordenados de GPUs projetados para lidar com tarefas de computação com eficiência. Os engenheiros de IA têm flexibilidade para personalizar os clusters para atender às suas necessidades específicas.
A interface do usuário do IO.NET é altamente amigável. Se você deseja implantar seu próprio cluster de chips para tarefas de computação de IA, basta navegar até a página Clusters na plataforma, onde você pode configurar facilmente o cluster de chips desejado de acordo com seus requisitos.
Página de cluster no IO.NET
Primeiro, você precisa selecionar o tipo de cluster, com três opções disponíveis:
Geral: fornece um ambiente geral, adequado para os estágios iniciais de um projeto onde os requisitos de recursos específicos ainda não estão claros.
Treinar: um cluster projetado especificamente para treinamento e ajuste fino de modelos de aprendizado de máquina. Esta opção fornece recursos adicionais de GPU, maior capacidade de memória e/ou conexões de rede mais rápidas para acomodar essas tarefas de computação intensivas.
Inferência: um cluster projetado para inferência de baixa latência e trabalho de alta carga. No contexto do aprendizado de máquina, a inferência refere-se ao uso de modelos treinados para prever ou analisar novos conjuntos de dados e fornecer feedback. Portanto, esta opção se concentra na otimização da latência e da taxa de transferência para dar suporte às necessidades de processamento de dados em tempo real ou quase em tempo real.
Em seguida, você precisa escolher um fornecedor para o seu cluster. A IO.NET possui parcerias com a Render Network e a rede de mineração Filecoin, permitindo aos usuários selecionar chips da IO.NET ou de outras duas redes como fonte de fornecimento para seus clusters de computação. Isso efetivamente posiciona o IO.NET como um agregador (nota: os serviços Filecoin estão temporariamente offline). É importante notar que o IO.NET tem atualmente mais de 200.000 GPUs disponíveis online, enquanto a Render Network tem mais de 3.700 GPUs disponíveis.
Em seguida, você prosseguirá para a fase de seleção de hardware do seu cluster. Atualmente, IO.NET lista apenas GPUs como opção de hardware disponível, excluindo CPUs ou iGPUs da Apple (M1, M2, etc.), com as GPUs consistindo principalmente em produtos NVIDIA.
Entre as opções de hardware de GPU oficialmente listadas e disponíveis, com base nos dados testados por mim naquele dia, o número total de GPUs on-line disponíveis na rede IO.NET foi de 206.001. A GPU com maior disponibilidade foi a GeForce RTX 4090, com 45.250 unidades, seguida pela GeForce RTX 3090 Ti, com 30.779 unidades.
Além disso, existem 7.965 unidades do chip altamente eficiente A100-SXM4-80GB (cada um com preço acima de US$ 15.000) disponíveis on-line, que é mais eficiente para tarefas de computação de IA, como aprendizado de máquina, aprendizado profundo e computação científica.
O NVIDIA H100 80GB HBM3, que foi projetado desde o início para IA (com um preço de mercado superior a US$ 40.000), oferece desempenho de treinamento 3,3 vezes maior e desempenho de inferência 4,5 vezes maior que o A100. Atualmente, são 86 unidades disponíveis online.
Depois que o tipo de hardware do cluster for escolhido, os usuários precisarão especificar mais detalhes, como a localização geográfica do cluster, a velocidade de conectividade, o número de GPUs e a duração.
Finalmente, IO.NET calculará uma fatura detalhada com base nas opções selecionadas. Como ilustração, considere a seguinte configuração de cluster:
Tipo de cluster: Geral
16 GPUs A100-SXM4-80GB
Nível de conectividade: alta velocidade
Localização geográfica: Estados Unidos
Duração: 1 semana
A conta total para esta configuração é de $ 3.311,6, com o preço de aluguel por hora por cartão sendo de $ 1.232.
O preço de aluguel por hora de um único A100-SXM4-80GB na Amazon Web Services, Google Cloud e Microsoft Azure é de US$ 5,12, US$ 5,07 e US$ 3,67, respectivamente (dados provenientes do Cloud GPU Comparison, os preços reais podem variar dependendo dos detalhes do contrato).
Conseqüentemente, quando se trata de custo, a IO.NET oferece poder de computação em chip a preços muito mais baixos do que os dos principais fornecedores. Além disso, a flexibilidade nas opções de fornecimento e aquisição torna o IO.NET uma escolha atraente para muitos usuários.
Visão Geral do Negócio
Lado da oferta
Em 4 de abril de 2024, os números oficiais revelam que o IO.NET tinha um fornecimento total de GPU de 371.027 unidades e um fornecimento de CPU de 42.321 unidades no lado do fornecimento. Além disso, a Render Network, como parceira, contou com mais 9.997 GPUs e 776 CPUs conectadas ao fornecimento da rede.
Fonte de dados: io.net
No momento em que este artigo foi escrito, 214.387 GPUs integradas ao IO.NET estavam online, resultando em uma taxa online de 57,8%. A taxa online para GPUs provenientes da Render Network foi de 45,1%.
O que implicam estes dados do lado da oferta?
Para fornecer uma referência, vamos trazer a Akash Network, um projeto de computação descentralizada mais experiente.
A Akash Network lançou sua rede principal já em 2020, inicialmente com foco em serviços descentralizados para CPUs e armazenamento. Ela lançou uma rede de teste para serviços de GPU em junho de 2023 e posteriormente lançou a rede principal para poder de computação de GPU descentralizada em setembro do mesmo ano.
Capacidade de GPU da rede Akash
De acordo com dados oficiais da Akash, embora o lado da oferta tenha crescido continuamente desde o lançamento da sua rede GPU, o número total de GPUs ligadas à rede permanece apenas 365.
Ao avaliar o volume de fornecimento de GPU, o IO.NET excede amplamente a Akash Network, operando em uma escala dramaticamente maior. IO.NET se estabeleceu como o maior fornecedor no setor descentralizado de poder de computação GPU.
Lado da Demanda
Do lado da procura, a IO.NET ainda está nas fases iniciais de cultivo do mercado, com um volume total relativamente pequeno de tarefas de computação a serem executadas na sua rede. A maioria das GPUs está online, mas ociosa, apresentando uma porcentagem de carga de trabalho de 0%. Apenas quatro tipos de chips – o A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S e H100 80GB HBM3 – estão ativamente envolvidos em tarefas de processamento e, entre eles, apenas o A100 PCIe 80GB K8S está enfrentando uma carga de trabalho acima de 20%.
O nível de estresse oficial da rede relatado para o dia foi de 0%, indicando que uma parte significativa do fornecimento de GPU está atualmente on-line, mas ociosa.
Financeiramente, a IO.NET acumulou US$ 586.029 em taxas de serviço até o momento, com US$ 3.200 desse total gerado no dia mais recente.
Fonte: io.net
Os dados financeiros relativos às taxas de liquidação de rede, tanto em termos de volumes totais como diários de transações, alinham-se estreitamente com os de Akash. No entanto, é importante observar que a maior parte da receita da Akash provém de suas ofertas de CPU, com um estoque superior a 20.000 CPUs.
Fonte: Estatísticas da Rede Akash
Além disso, a IO.NET divulgou dados detalhados para tarefas de inferência de IA processadas pela rede. Até o último relatório, a plataforma processou e validou com sucesso mais de 230.000 tarefas de inferência, embora a maior parte desse volume seja proveniente do BC8.AI, um projeto patrocinado pela IO.NET.
Fonte: io.net
O lado da oferta da IO.NET está se expandindo de forma eficiente, impulsionado pelas expectativas em torno de um lançamento aéreo e de um evento comunitário conhecido como “Ignição”. Esta iniciativa atraiu rapidamente uma quantidade significativa de poder de computação de IA. Do lado da procura, contudo, a expansão continua a ser incipiente, com uma procura orgânica insuficiente. As razões por detrás desta procura lenta – seja devido a esforços não iniciados de sensibilização dos consumidores ou a experiências de serviços instáveis que levam a uma adopção limitada em grande escala – requerem uma avaliação mais aprofundada.
Dados os desafios para colmatar rapidamente a lacuna nas capacidades de computação de IA, muitos engenheiros e projetos de IA estão a explorar alternativas, aumentando potencialmente o interesse em prestadores de serviços descentralizados. Além disso, a IO.NET ainda não implementou incentivos económicos ou atividades para impulsionar a procura e, à medida que a experiência do produto continua a melhorar, o equilíbrio previsto entre a oferta e a procura é uma promessa para o futuro.
Histórico da equipe e visão geral da arrecadação de fundos
Perfil da equipe
A equipe principal da IO.NET concentrou-se inicialmente na negociação quantitativa. Até junho de 2022, eles estavam empenhados na criação de sistemas de negociação quantitativa de nível institucional para ações e criptomoedas. Impulsionada pela demanda do back-end do sistema por poder computacional, a equipe começou a explorar o potencial da computação descentralizada e, por fim, concentrou-se na questão específica da redução do custo dos serviços de computação GPU.
Fundador e CEO: Ahmad Shadid
Antes de fundar a IO.NET, Ahmad Shadid trabalhou em finanças quantitativas e engenharia financeira, e também é voluntário na Fundação Ethereum.
CMO e Diretor de Estratégia: Garrison Yang
Garrison Yang ingressou oficialmente na IO.NET em março de 2024. Antes disso, ele foi vice-presidente de estratégia e crescimento da Avalanche e é ex-aluno da Universidade da Califórnia, Santa Bárbara.
COO: Tory Green
Tory Green atua como Diretor de Operações da IO.NET. Anteriormente, ele foi COO da Hum Capital e Diretor de Desenvolvimento de Negócios e Estratégia do Fox Mobile Group. Ele se formou na Universidade de Stanford.
O perfil da IO.NET no LinkedIn indica que a equipe está sediada em Nova York, EUA, com filial em São Francisco, e emprega mais de 50 funcionários.
Visão geral do financiamento
A IO.NET anunciou publicamente apenas uma rodada de financiamento – uma Série A concluída em março deste ano com uma avaliação de US$ 1 bilhão, por meio da qual arrecadou com sucesso US$ 30 milhões. Esta rodada foi liderada por Hack VC, com a participação de outros investidores, incluindo Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures e ArkStream Capital.
Notavelmente, o investimento da Fundação Aptos pode ter influenciado a decisão do projeto BC8.AI de mudar do uso de Solana para seus processos de liquidação e contabilidade para o blockchain de Camada 1 de alto desempenho, Aptos.
Estimativa de avaliação
De acordo com declarações anteriores do fundador e CEO Ahmad Shadid, a IO.NET deverá lançar seu token até o final de abril de 2024.
A IO.NET possui dois projetos de benchmark que servem de referência para avaliação: Render Network e Akash Network, ambos projetos representativos de computação descentralizada.
Existem dois métodos principais para obter uma estimativa do valor de mercado da IO.NET:
A relação Preço/Vendas (P/S), que compara o FDV com a receita;
Relação FDV para Chip (Relação M/C)
Começaremos examinando a avaliação potencial usando o índice Preço/Vendas:
Examinando a relação preço/vendas, Akash representa o extremo conservador do espectro de avaliação estimado da IO.NET, enquanto Render fornece uma referência de alto nível, postulando um FDV variando de US$ 1,67 bilhão a US$ 5,93 bilhões.
No entanto, dadas as atualizações do projeto IO.NET, a sua narrativa mais convincente, juntamente com a sua menor capitalização de mercado inicial e uma base de fornecimento mais ampla, sugerem que o seu FDV poderia muito bem ultrapassar o da Render Network.
Passando para outra perspectiva de comparação de avaliação, nomeadamente o “FDV-to-Chip Ratio”.
No contexto de um mercado onde a procura de poder de computação de IA excede a oferta, o elemento mais crucial das redes descentralizadas de computação de IA é a escala da oferta de GPU. Portanto, podemos usar o “FDV-to-Chip Ratio”, que é a razão entre o valor totalmente diluído do projeto e o número de chips dentro da rede, para inferir a possível faixa de avaliação do IO.NET, fornecendo aos leitores uma referência. .
Utilizar a relação market-to-chip para calcular a faixa de avaliação da IO.NET nos coloca entre US$ 20,6 bilhões e US$ 197,5 bilhões, com a Render Network estabelecendo o benchmark superior e a Akash Network o inferior.
Os entusiastas do projeto IO.NET podem ver isso como uma estimativa altamente otimista do valor de mercado.
É importante considerar o atual grande número de chips online para IO.NET, estimulados pelas expectativas de lançamento aéreo e atividades de incentivo. A contagem online real do fornecimento após o lançamento oficial do projeto ainda requer observação.
No geral, as avaliações derivadas do rácio preço/vendas poderiam oferecer informações mais fiáveis.
IO.NET, construído sobre Solana e agraciado com a convergência de AI e DePIN, está prestes a lançar seu token. A antecipação é palpável enquanto assistimos ao impacto na sua capitalização de mercado pós-lançamento.
Referência
A verdadeira fusão
Compreendendo a interseção entre criptografia e IA