1 A Interseção da IA e da Cripto

Em 23 de maio, o gigante dos chips NVIDIA lançou 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 impressionantes 427% em relação ao ano anterior, chegando a $22.6 bilhões. A capacidade da NVIDIA de impulsionar sozinha o desempenho financeiro do mercado de ações dos EUA reflete a demanda explosiva por poder de computação entre as empresas de tecnologia globais que competem na arena da IA. Quanto mais as empresas de tecnologia de primeira linha expandem suas ambições na corrida da 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 ponta dos quatro principais provedores de serviços em nuvem dos EUA - Microsoft, Google, AWS e Meta - deverá representar coletivamente mais de 60% da demanda global, com previsões de participação de 20,2%, 16,6%, 16% e 10,8%, respectivamente.

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

As "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 treino 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 derivam não apenas da escassez de chips devido à demanda crescente, mas também das contradições estruturais na oferta. Atualmente, ainda existe um grande número de GPUs inativas no lado da oferta; por exemplo, alguns data centers têm uma grande quantidade de poder de computação inativo (com taxas de utilização tão baixas quanto 12% a 18%), e recursos significativos de poder de computação também estão inativos na mineração criptografada devido à reduzida lucratividade. Embora nem todo esse poder de computação seja adequado para aplicações especializadas como treino de IA, o hardware de nível de consumidor ainda pode desempenhar um papel significativo em outras áreas, como inferência de IA, renderização de jogos na nuvem, telefones na nuvem, etc. A oportunidade de integrar e utilizar esses recursos de computação é enorme.

Desviando o foco da IA para a cripto, após um silêncio de três anos no mercado de criptomoedas, outro mercado em alta finalmente surgiu. Os preços do Bitcoin atingiram repetidamente novos máximos e várias moedas meme continuam a surgir. Embora IA e Cripto tenham sido palavras da moda nos últimos anos, a inteligência artificial e a blockchain, como duas tecnologias importantes, parecem 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 onde a IA e a cripto convergem. Vitalik delineou muitas visões no artigo, incluindo o uso de blockchain e tecnologias de criptografia MPC (computação de várias 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 um esforço considerável, um caso de uso mencionado por Vitalik — capacitar a IA por meio de incentivos cripto-econômicos — é uma direção importante que pode ser alcançada a curto prazo. As redes de poder de computação descentralizadas são atualmente um dos cenários mais adequados para a integração AI + cripto.

2 Rede de Poder de computação descentralizado

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: usar tokens para incentivar os fornecedores de poder de computação a participar na rede e oferecer seus recursos de computação. Esses recursos de computação dispersos podem agregar-se em redes de poder de computação descentralizadas de escala significativa. Esta abordagem não só aumenta a utilização do poder de computação ocioso, mas também satisfaz as 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 todo o campo a partir 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 apresentar 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, com foco em uma rede de poder de computação descentralizada específica, podemos dividi-la em quatro componentes principais:

• Rede de Hardware: Integrar recursos de computação dispersos através 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: Correspondência de fornecedores de poder de computação com demandantes através de mecanismos eficazes de preços e descoberta, fornecendo uma plataforma de negociação segura garantindo transações transparentes, justas e confiáveis para ambos os lados.
• Mecanismo de consenso: Garantir 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 a partilha de benefícios da comunidade.

De uma perspectiva geral do setor de poder de computação descentralizado, a Blockworks Research fornece um quadro analítico robusto que categoriza projetos em três camadas distintas.

• Camada de Hardware Dedicado: Forma a camada fundamental da pilha de computação descentralizada, responsável por agregar recursos de computação brutos e torná-los acessíveis através de chamadas de API.
• Camada de Orquestração: Constitui a camada intermediária da pilha de computação descentralizada, focada principalmente na coordenação e abstração. Lida com tarefas como agendamento, dimensionamento, operação, balanceamento de carga e tolerância a falhas de poder de computação. Seu papel principal é "abstrair" a complexidade de gerenciar o hardware subjacente, fornecendo uma interface de usuário mais avançada adaptada às necessidades específicas do cliente.
• Camada de Agregação: Forma a camada superior da pilha de computação descentralizada, principalmente responsável pela integração. 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. Esta camada atua como uma camada de orquestração e distribuição para vários serviços de computação descentralizada.

Fonte da imagem: Youbi Capital

Com base nos dois quadros de análise fornecidos, iremos realizar uma análise comparativa de cinco projetos selecionados em quatro dimensões: negócio central, posicionamento de mercado, infraestruturas de hardware e desempenho financeiro.

2.1 Negócio Principal

De uma perspetiva fundamental, as redes de poder de computação descentralizadas são altamente homogeneizadas, utilizando tokens para incentivar os fornecedores de poder de computação inativo a oferecerem seus serviços. Com base nesta lógica fundamental, podemos entender as diferenças principais de negócio entre 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 normalmente possuem hardware de qualidade profissional, enquanto os usuários individuais geralmente compram chips de consumo.
  • Aethir, Akash Network e Gensyn principalmente obtêm poder de computação de empresas. Os benefícios de obter de empresas incluem: 1) hardware de maior qualidade e equipes de manutenção profissionais, resultando em maior desempenho e confiabilidade de recursos de computação; 2) mais homogeneidade e gerenciamento centralizado de recursos de computação em empresas e centros de dados, resultando em agendamento e manutenção mais eficientes. No entanto, essa abordagem requer maiores exigências das equipes de projeto, exigindo relacionamentos comerciais com empresas que controlam o poder de computação. Além disso, escalabilidade e descentralização podem ser um pouco comprometidas.
  • Render Network e io.net incentivizam os utilizadores individuais a fornecerem o seu poder de computação inativo. As vantagens de recorrer a indivíduos incluem: 1) custos explícitos mais baixos do poder de computação inativo de indivíduos, proporcionando recursos de computação mais económicos; 2) maior escalabilidade e descentralização da rede, aumentando a resiliência e robustez do sistema. No entanto, as desvantagens incluem a distribuição generalizada e heterogênea de recursos entre indivíduos, o que complica a gestão e o agendamento, aumentando os desafios operacionais. Além disso, depender do poder de computação individual para iniciar efeitos de rede pode ser mais difícil. Por último, os dispositivos pertencentes a indivíduos podem representar mais riscos de segurança, podendo potencialmente levar a fugas de dados e má utilização 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 as empresas. Para os clientes do tipo B, como aqueles que necessitam de renderização de IA e jogos em tempo real, há uma grande demanda por recursos de computação de alto desempenho, geralmente requerendo GPUs de ponta ou hardware de nível profissional. Além disso, os clientes do tipo B têm requisitos rigorosos de estabilidade e confiabilidade dos 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 possuírem SDKs maduros para facilitar a implantação rápida de projetos (por exemplo, Akash Network requerendo que os usuários desenvolvam com base em portas remotas), torna-se desafiador persuadir os clientes a migrarem. A menos que haja uma vantagem de preço significativa, a disposição dos clientes em migrar permanece baixa.
  • Render Network e Akash Network servem principalmente usuários individuais para serviços de poder de computação. Atender consumidores finais requer projetos para projetar interfaces e ferramentas simples e amigáveis ​​ao usuário para proporcionar uma experiência positiva ao consumidor. Além disso, os consumidores são altamente sensíveis ao preço, necessitando de estratégias de preços competitivas por parte dos projetos.
• Tipo de hardware
  • Os recursos comuns de hardware de computação incluem CPU, FPGA, GPU, ASIC e SoC. Esses tipos de hardware têm 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 e programabilidade de alta performance, as GPUs têm bom desempenho em computação paralela, os ASICs são mais eficientes para tarefas específicas e os SoCs integram várias funções em uma unidade, adequados para aplicações altamente integradas. A escolha do hardware depende das necessidades específicas da aplicação, dos requisitos de desempenho e das considerações de custo.
  • Os projetos de poder de computação descentralizado que discutimos coletam principalmente poder de computação da GPU, que é determinado pelo tipo de projeto e pelas características das GPUs. As GPUs têm vantagens únicas no treinamento de IA, computação paralela, renderização de multimídia, etc. Embora esses projetos envolvam principalmente integração de GPU, diferentes aplicações têm especificações e requisitos de hardware 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 mais adequadas para GPUs de consumo do que para GPUs de centro de dados de alto desempenho, porque a renderização exige requisitos elevados para tarefas como o traçado de raios. Chips de consumo como os 4090s são aprimorados com núcleos RT, especificamente otimizados para tarefas de traçado de raios. O treinamento e a inferência de IA requerem GPUs de nível profissional. Assim, a Render Network pode agregar GPUs 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 no Mercado

Em termos de posicionamento do projeto, as questões principais a serem abordadas, o foco da otimização e as 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 a otimização do poder de computação, projetando a configuração ideal do hardware físico de acordo com as necessidades do cliente. A camada de agregação é de uso geral, focando 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 nu e esforçar-se para subir. Em termos de captura de valor, a capacidade aumenta progressivamente da camada de metal nu para a camada de orquestração e finalmente para a camada de agregação. A camada de agregação pode capturar o valor mais elevado porque uma plataforma de agregação pode alcançar os maiores efeitos de rede e chegar diretamente aos usuários, agindo 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.
• Consequentemente, construir uma plataforma de agregação é o mais desafiador. Um projeto precisa abordar de forma abrangente a complexidade técnica, a gestão de recursos heterogéneos, a fiabilidade e escalabilidade do sistema, a realização do efeito de rede, a segurança e proteção da privacidade, e questões complexas de gestão operacional. Estes desafios são desfavoráveis para o arranque a frio de um projeto e dependem da situação de desenvolvimento e do momento do setor. É irrealista trabalhar na camada de agregação antes de a camada de orquestração ter amadurecido e capturado uma quota de mercado significativa.
• 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 se concentra profundamente no campo de treinamento de IA. A IO.net se posiciona como uma camada de agregação, mas sua funcionalidade atual ainda está um pouco distante de uma camada de agregação completa. Embora tenha coletado hardware da Render Network e do Filecoin, a abstração e integração dos recursos de hardware ainda não foram concluídas.

2.3 Instalações de Hardware

• Atualmente, nem todos os projetos divulgaram dados detalhados da rede. Comparativamente, a interface do explorador de io.net é a melhor, exibindo parâmetros como quantidade de GPU/CPU, tipos, preços, distribuição, uso de rede e receita de nó. No entanto, no final de abril, a interface do io.net foi atacada devido à falta de autenticação para as interfaces PUT/POST, levando a que hackers adulterassem os dados da interface. Este incidente levantou preocupações sobre a privacidade e confiabilidade dos dados de rede para outros projetos também.
• Em termos de quantidade e modelos de GPUs, a io.net, sendo uma camada de agregação, deve ter logicamente o hardware mais abundante. 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 consumidor como a 4090, alinhando-se com a posição de agregação da io.net. Isso permite à io selecionar a GPU mais adequada com base nos requisitos específicos da tarefa. No entanto, modelos e marcas diferentes de GPUs podem exigir drivers e configurações diferentes, e o software também precisa de uma otimização complexa, aumentando a complexidade da gestão 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, o Aethir Edge, apoiado pela Qualcomm, foi oficialmente lançado. Isso se afasta da implantação de cluster de GPU centralizado único, longe dos usuários, implantando poder de computação na borda. O 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 com 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 procura, tomando a Akash Network como exemplo, suas estatísticas mostram um total de cerca de 16 mil CPUs e 378 GPUs. Com base na demanda de aluguel de 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 maioria do poder de computação, exceto por chips populares como o A100 e o H100, permanecendo ocioso.
• Em termos de vantagem de preço, comparado aos fornecedores de serviços tradicionais, a vantagem de custo não é significativa, exceto contra os gigantes do mercado de computação em nuvem.

2.4 Desempenho Financeiro

• Independentemente de como o modelo de token é projetado, uma tokenomics saudável deve satisfazer as 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 justos e de longo prazo; 3) Garantir governança descentralizada e evitar retenção excessiva por parte dos insiders; 4) Mecanismos razoáveis de inflação e deflação e cronogramas de liberação de tokens para evitar volatilidade significativa de preços que afetem a estabilidade e sustentabilidade da rede.
• Se categorizarmos amplamente os modelos de token em BME (equilíbrio de queima e geração) 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, portanto, a pressão deflacionária do sistema é determinada pela demanda. No modelo SFA, os provedores de serviços/nós precisam 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 de 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 global da rede (excluindo a renda dos mineradores, uma vez que os mineradores recebem recompensas por completar tarefas e subsídios de projetos). De acordo com dados disponíveis publicamente, io.net possui o maior valor. Embora a receita da Aethir ainda não tenha sido divulgada, informações públicas indicam que eles anunciaram a assinatura de pedidos com muitos clientes do tipo B.
• No que diz respeito aos preços dos tokens, apenas a Render Network e a Akash Network realizaram ICOs até agora. A Aethir e a io.net também emitiram recentemente tokens, mas o desempenho dos preços precisa ser observado com mais atenção e não será discutido em detalhe 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 descentralizadas de poder de computação mostraram um desempenho de preço muito impressionante, refletindo o significativo potencial de mercado e as altas expectativas da comunidade até certo ponto.

2.5 Resumo

• O setor de rede de poder de computação descentralizado está se desenvolvendo rapidamente, com muitos projetos já capazes de atender aos clientes por meio de seus produtos e gerar alguma receita. O setor avançou além da mera narrativa 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 dos clientes 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.
• A IA é a principal narrativa para redes de poder de computação descentralizado, 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 na nuvem, serviços móveis na nuvem e muito mais.
• O hardware nas redes de poder de computação é altamente heterogêneo, e a qualidade e escala dessas redes precisam de mais melhorias. Para usuários do tipo C, a vantagem de custo não é muito significativa. Para usuários do tipo B, além de economia de custos, também devem ser considerados fatores como estabilidade do serviço, confiabilidade, suporte técnico, conformidade e suporte jurídico. Os projetos Web3 geralmente não se saem bem nessas áreas.

3 Reflexões Finais

O crescimento exponencial da IA indubitavelmente levou a uma enorme demanda por poder de computação. Desde 2012, o poder computacional usado em tarefas de treinamento de IA 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. Previsões indicam que o mercado de GPUs crescerá a uma taxa de crescimento anual composta de 32% nos próximos cinco anos, atingindo mais de $200 bilhões. As estimativas da AMD são ainda maiores, com a empresa prevendo que o mercado de chips de GPU atingirá $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 nos mercados tradicionais de computação em nuvem e computação de ponta. Em teoria, as redes de poder de computação descentralizadas podem alavancar recursos de computação ociosos 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, altas barreiras de entrada e um ambiente de mercado complexo. No geral, entre todos os setores de cripto, as redes de poder de computação descentralizado são uma das verticais mais promissoras no campo da cripto para atender a demanda real.

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

O futuro é promissor, mas o caminho é desafiador. Para alcançar a visão mencionada acima, precisamos enfrentar inúmeros problemas e desafios. Em resumo, nesta fase, fornecer apenas 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 em nuvem estabelecidos. Ainda resta explorar e verificar se as pequenas e médias empresas, os verdadeiros usuários dos recursos da rede de poder de computação descentralizada, terão demanda estável.

Por outro lado, a IA é um mercado vasto com um potencial e imaginação extremamente elevados. Para entrar neste mercado mais amplo, os futuros fornecedores de serviços de poder de computação descentralizado precisarão fazer a transição para oferecer modelos e serviços de IA, explorando mais casos de uso de cripto + IA e expandindo o valor que seus projetos podem criar. No entanto, atualmente, muitos problemas e desafios ainda precisam ser abordados antes que o desenvolvimento adicional no campo da IA possa ser alcançado:

• Vantagem de preço não proeminente: Comparando dados anteriores revela que redes de poder de computação descentralizadas não demonstram vantagens de custo significativas. Isso pode ser devido a mecanismos de mercado que ditam que chips especializados de alta demanda, como H100 e A100, não são precificados de forma barata. Além disso, a falta de economias de escala da descentralização, altos custos de rede e largura de banda, e a complexidade significativa de gerenciamento e operações adicionam custos ocultos que aumentam ainda mais os custos de computação.
• Desafios específicos no treinamento de IA: Conduzir 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 a frente e para trás a fim de 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 de dados extensiva e sincronização. Questões como quais estratégias paralelas e de sincronização usar, como otimizar largura de banda e latência de rede e como reduzir os custos de comunicação permanecem amplamente não resolvidas. Atualmente, usar redes de poder de computação descentralizadas para o treinamento de IA é impraticável.
• Preocupações com segurança de dados e privacidade: No processo de treinamento de grandes modelos de linguagem, cada estágio envolvendo manipulação e transmissão de dados - como alocação de dados, treinamento do modelo e agregação de parâmetros e gradientes - pode potencialmente afetar a segurança e privacidade dos dados. As preocupações com privacidade são especialmente críticas em modelos que envolvem dados sensíveis. Sem resolver problemas de privacidade de dados, a escalabilidade no lado da demanda não é viável.

De uma perspectiva pragmática, uma rede descentralizada de poder de computação precisa equilibrar a exploração da demanda atual com as oportunidades futuras do mercado. É crucial identificar uma clara posição do produto e público-alvo. Inicialmente, focar 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 criptomoeda convergem é essencial. Isso envolve explorar fronteiras tecnológicas e atualizar serviços para atender às necessidades em constante evolução. Ao alinhar estrategicamente as ofertas de produtos com as demandas do mercado e permanecer na vanguarda dos avanços tecnológicos, as redes descentralizadas de poder de computação podem se posicionar de maneira eficaz para um crescimento sustentado e relevância no 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 tiver alguma objeção à reimpressão, entre em contato com oGate Aprenderequipe e a equipe lidará com isso o mais rápido possível de acordo com os procedimentos relevantes.

2. Aviso legal: As visões e opiniões expressas neste artigo representam apenas as visões pessoais do autor e não constituem qualquer conselho de investimento.

3. Outras versões do artigo são traduzidas pela equipe Gate Learn e não são mencionadas emGate.io, o artigo traduzido não pode ser reproduzido, distribuído ou plagiado.