Volver a publicar el título original: Un nuevo proyecto AI + DePIN basado en Solana: Un breve análisis del próximo lanzamiento de tokens IO.NET

Introducción

Ennuestro último informe, mencionamos que en comparación con los dos ciclos anteriores, la actual carrera alcista de las criptomonedas carece de los nuevos modelos de negocio y narrativas de activos. La Inteligencia Artificial (IA) es una de las narrativas novedosas en el espacio Web3 en este ciclo. Este artículo profundiza en el proyecto de IA candente del año, IO.NET, y organiza los pensamientos sobre las siguientes dos preguntas:

• La necesidad de AI+Web3 en el panorama comercial
• La necesidad y desafíos de implementar una red de computación descentralizada

En segundo lugar, organizaré información clave sobre el proyecto representativo en la red de computación de inteligencia artificial descentralizada: IO.NET, incluido el diseño del producto, el panorama competitivo y el contexto del proyecto. También especularé sobre las métricas de valoración del proyecto.

Las ideas sobre La lógica empresarial detrás de la convergencia de AI y Web3part draw inspiration from “La Fusión Real” por Michael Rinko, un analista de investigación en Delphi. Este análisis asimila y referencia ideas de su trabajo, se recomienda encarecidamente al lector que lea el artículo original.

Por favor, tenga en cuenta que este artículo refleja mi pensamiento actual y puede evolucionar. Las opiniones aquí son subjetivas y puede haber errores en hechos, datos y razonamiento lógico. Esto no es un consejo financiero, pero se aceptan comentarios y discusiones.

El siguiente es el texto principal.

1. La Lógica Empresarial Detrás de la Convergencia de AI y Web3

1.1 2023: El "Annus Mirabilis" para la IA

Reflexionando sobre los anales del desarrollo humano, está claro que los avances tecnológicos catalizan transformaciones profundas, desde la vida diaria hasta los paisajes industriales y la marcha de la propia civilización.

En la historia humana, hay dos años significativos, a saber, 1666 y 1905, que ahora se celebran como el "Annus Mirabilis" en la historia de la ciencia.

El año 1666 obtuvo su título debido a la cascada de descubrimientos científicos de Isaac Newton. En un solo año, fue pionero en la rama de la física conocida como óptica, fundó la disciplina matemática del cálculo y derivó la ley de la gravitación, que es una ley fundamental de la ciencia natural moderna. Cualquiera de estas contribuciones fue fundamental para el desarrollo científico de la humanidad en el próximo siglo, acelerando significativamente el progreso general de la ciencia.

El otro año emblemático es 1905, cuando un joven Einstein de apenas 26 años publicó cuatro trabajos en rápida sucesión en 'Annalen der Physik', abordando el efecto fotoeléctrico, sentando las bases para la mecánica cuántica; el movimiento browniano, proporcionando un marco fundamental para el análisis de procesos estocásticos; la teoría de la relatividad especial; y la equivalencia masa-energía, encapsulada en la ecuación E=MC^2. Mirando hacia atrás, cada uno de estos trabajos se considera que supera el nivel promedio del trabajo ganador del Premio Nobel en física, una distinción que Einstein recibió por su trabajo sobre el efecto fotoeléctrico. Estas contribuciones impulsaron colectivamente a la humanidad varios pasos hacia adelante en el viaje de la civilización.

El año 2023, recientemente detrás de nosotros, está listo para ser celebrado como otro “Año Milagroso”, en gran parte gracias a la aparición de ChatGPT.

Ver 2023 como un "año milagroso" en la historia de la tecnología humana no se trata solo de reconocer los avances realizados en el procesamiento y la generación del lenguaje natural por ChatGPT. También se trata de reconocer un patrón claro en el avance de los grandes modelos de lenguaje: la comprensión de que, al expandir los parámetros del modelo y entrenar conjuntos de datos, podemos lograr mejoras exponenciales en el rendimiento del modelo. Además, parece ilimitado a corto plazo, suponiendo que la potencia de cálculo siga el ritmo.

Esta capacidad se extiende mucho más allá de la comprensión del lenguaje y la generación de conversaciones; se puede aplicar ampliamente en varios campos científicos. Tomando la aplicación de modelos de lenguaje grandes en el sector biológico como ejemplo:

• En 2018, la Premio Nobel de Química, Frances Arnold, dijo durante su ceremonia de premiación: 'Hoy en día, para todos los propósitos prácticos, podemos leer, escribir y editar cualquier secuencia de ADN, pero no podemos componerla'. Avancemos cinco años hasta 2023, un equipo de investigadores de la Universidad de Stanford y Salesforce Research, una startup centrada en la IA, publicó un artículo en 'Biotechnology'. Utilizando un gran modelo de lenguaje refinado a partir de GPT-3, generaron un catálogo completamente nuevo de 1 millón de proteínas. Entre estas, descubrieron dos proteínas con estructuras distintas, ambas dotadas de función antibacteriana, abriendo potencialmente el camino para nuevas estrategias de resistencia bacteriana más allá de los antibióticos tradicionales. Esto significa un salto monumental en superar los obstáculos de la creación de proteínas con la asistencia de la IA.
• Antes de esto, el algoritmo de inteligencia artificial AlphaFold predijo las estructuras de casi todos los 2.14 mil millones de tipos de proteínas en la Tierra en 18 meses, un hito que amplifica los logros de los biólogos estructurales a lo largo de la historia por varias magnitudes.

La integración de modelos de IA promete transformar drásticamente las industrias. Desde los ámbitos de la tecnología dura de biotecnología, ciencia de materiales y descubrimiento de medicamentos hasta los ámbitos culturales de la ley y las artes, una ola transformadora está lista para remodelar estos campos, con 2023 marcando el comienzo de todo.

Es ampliamente reconocido que el siglo pasado ha sido testigo de un aumento exponencial en la capacidad de la humanidad para generar riqueza. Se espera que el rápido avance de las tecnologías de inteligencia artificial acelere este proceso.

Tendencia global del PIB total, Fuente de datos: Grupo del Banco Mundial

1.2 Fusionando IA y Cripto

Para comprender la necesidad inherente de la fusión de IA y criptomonedas, es perspicaz observar cómo sus características distintas se complementan entre sí.

La Simbiosis de las Características de la IA y la Criptomoneda

La IA se distingue por tres cualidades principales:

• Stochasticity: AI es estocástico, con su mecanismo de producción de contenido siendo una caja negra enigmática y difícil de replicar, lo que hace que sus salidas sean inherentemente estocásticas.
• Intensivo en recursos: la IA es una industria intensiva en recursos, que requiere cantidades significativas de energía, chips y potencia de computación.
• Inteligencia similar a la humana: la IA es (pronto) capaz de pasar la prueba de Turing, lo que hace cada vez más difícil distinguir entre humanos e IA.*

_※ _El 30 de octubre de 2023, investigadores de la Universidad de California, San Diego, revelaron las puntuaciones del test de Turing para GPT-3.5 y GPT-4.0. Este último obtuvo una puntuación del 41%, quedando apenas por debajo del umbral de aprobación del 50% por tan solo 9 puntos porcentuales, mientras que los humanos lograron un 63% en el mismo test. La esencia de este test de Turing radica en cuántos participantes perciben a su interlocutor como humano. Una puntuación superior al 50% indica que la mayoría cree que están interactuando con un humano, no con una máquina, considerando así que la IA ha pasado con éxito el test de Turing, ya que al menos la mitad de las personas no pudieron distinguirla de un humano.

A medida que la IA allana el camino para avances innovadores en la productividad humana, simultáneamente introduce desafíos profundos a nuestra sociedad, específicamente:

• Cómo verificar y controlar la estocasticidad de la IA, convirtiéndola en una ventaja en lugar de una falla
• Cómo abordar los amplios requisitos de energía y potencia informática que exige la IA
• Cómo distinguir entre humanos e IA

La tecnología criptográfica y de blockchain podría ofrecer la solución ideal a los desafíos planteados por la IA, caracterizada por tres atributos clave:

• Determinismo: Las operaciones se basan en blockchain, código y contratos inteligentes, con reglas y límites claros. Las entradas conducen a salidas predecibles, asegurando un alto nivel de determinismo.
• Asignación eficiente de recursos: La economía criptográfica ha fomentado un mercado vasto, global y libre, que permite una fijación rápida de precios, recaudación de fondos y transferencia de recursos. La presencia de tokens acelera aún más la alineación entre la oferta y la demanda del mercado, logrando rápidamente una masa crítica a través de la incentivación.
• Desconfianza: Con registros públicos y código abierto, cualquiera puede verificar fácilmente las operaciones, creando un sistema "sin confianza". Además, la tecnología de Conocimiento Cero (ZK) garantiza aún más que la privacidad se mantenga durante estos procesos de verificación.

Para demostrar la complementariedad entre la inteligencia artificial y la economía de criptomonedas, profundicemos en tres ejemplos.

Ejemplo A: Superando la Estocasticidad con Agentes de IA Potenciados por la Economía Cripto

Los agentes de inteligencia artificial son programas inteligentes diseñados para realizar tareas en nombre de los humanos de acuerdo con sus directivas, siendo Fetch.AI un ejemplo notable en este dominio. Imagina que encargamos a nuestro agente de IA la ejecución de una operación financiera, como "invertir $1000 en BTC". El agente de IA podría enfrentarse a dos escenarios distintos:

Escenario 1: Se requiere que el agente interactúe con entidades financieras tradicionales (por ejemplo, BlackRock) para comprar ETF de BTC, encontrando muchos problemas de compatibilidad con organizaciones centralizadas, incluidos los procedimientos KYC, verificación de documentos, procesos de inicio de sesión y autenticación de identidad, todos los cuales son notablemente engorrosos en la actualidad.

Escenario 2: Cuando se opera dentro de la economía cripto nativa, el proceso se simplifica. El agente podría llevar a cabo directamente la transacción a través de Uniswap u otro agregador de trading similar, utilizando su cuenta para iniciar sesión y confirmar el pedido, y adquiriendo consecuentemente WBTC u otras variantes de BTC envuelto. Este procedimiento es eficiente y simplificado. Básicamente, esta es la función actualmente proporcionada por varios Trading Bots, actuando como agentes de IA básicos con un enfoque en actividades comerciales. Con el desarrollo e integración adicionales de IA, estos bots cumplirán objetivos comerciales más intrincados. Por ejemplo, podrían monitorear 100 direcciones de dinero inteligente en la cadena de bloques, evaluar sus estrategias comerciales y tasas de éxito, asignar el 10% de sus fondos para copiar sus operaciones durante una semana, detener las operaciones si los rendimientos son desfavorables, y deducir las posibles razones de estas estrategias.

La inteligencia artificial prospera dentro de los sistemas blockchain, fundamentalmente porque las reglas de la economía criptográfica están definidas explícitamente y el sistema permite la desintermediación. Operar bajo pautas claras reduce significativamente los riesgos asociados a la estocasticidad inherente de la IA. Por ejemplo, la dominancia de la IA sobre los humanos en el ajedrez y los videojuegos se debe al hecho de que estos entornos son cajas cerradas con reglas sencillas. Por el contrario, los avances en la conducción autónoma han sido más graduales. Los desafíos del mundo real son más complejos y nuestra tolerancia a la resolución impredecible de problemas por parte de la IA en tales escenarios es considerablemente menor.

Ejemplo B: Consolidación de recursos a través de incentivos de tokens

La formidable red global de hash que respalda BTC, con una tasa de hash total actual de 576.70 EH/s, supera la potencia informática acumulativa de las supercomputadoras de cualquier país. Este crecimiento es impulsado por incentivos simples y justos dentro de la red.

Tendencia de la tasa de hash de BTC, fuente: https://www.coinwarz.com/

Además, proyectos como Mobile de DePIN están explorando incentivos de tokens para cultivar un mercado tanto en el lado de la oferta como en el lado de la demanda para fomentar efectos de red. El enfoque próximo de este artículo, IO.NET, es una plataforma diseñada para agregar potencia de cálculo de IA, con la esperanza de desbloquear el potencial latente de la potencia de cálculo de IA a través de un modelo de tokens.

Ejemplo C: Aprovechando el código abierto y la prueba ZK para diferenciar a los humanos de la IA mientras se protege la privacidad

Worldcoin, un proyecto Web3 cofundado por Sam Altman de OpenAI, emplea un enfoque novedoso para la verificación de identidad. Utilizando un dispositivo de hardware conocido como Orb, aprovecha la biometría del iris humano para producir valores hash únicos y anónimos a través de la tecnología de Conocimiento Cero (ZK), diferenciando humanos de la IA. A principios de marzo de 2024, el proyecto de arte Web3 Drip comenzó a implementar Worldcoin ID para autenticar humanos reales y asignar recompensas.

Worldcoin ha abierto recientemente su hardware iris, Orb, asegurando la seguridad y privacidad de los datos biométricos.

En general, debido al determinismo del código y la criptografía, las ventajas de circulación de recursos y recaudación de fondos que ofrecen los mecanismos sin permiso y basados en tokens, junto con la naturaleza sin confianza basada en código abierto y registros públicos, la economía cripto se ha convertido en una solución potencial significativa para los desafíos a los que se enfrenta la sociedad humana con la IA.

El desafío más inmediato y comercialmente exigente es la extrema sed de recursos computacionales requeridos por los productos de IA, impulsada principalmente por una necesidad sustancial de chips y potencia de cálculo.

Esta es también la razón principal por la que los proyectos de potencia informática distribuida han liderado las ganancias durante este ciclo alcista en el sector general de la IA.

La Imperativa de Negocios para la Computación Descentralizada

La inteligencia artificial requiere recursos computacionales sustanciales, necesarios tanto para el entrenamiento del modelo como para las tareas de inferencia.

Se ha documentado ampliamente en la formación de grandes modelos de lenguaje que una vez que la escala de los parámetros de datos es sustancial, estos modelos comienzan a mostrar capacidades sin precedentes. Las mejoras exponenciales vistas de una generación de ChatGPT a la siguiente son impulsadas por un crecimiento exponencial en las demandas computacionales para el entrenamiento del modelo.

La investigación de DeepMind y la Universidad de Stanford indica que, en diversos modelos de lenguaje grandes, al enfrentarse a diferentes tareas, ya sea computacionales, de respuesta a preguntas en persa o de comprensión del lenguaje natural, los modelos solo aproximan adivinanzas aleatorias a menos que el entrenamiento involucre parámetros del modelo significativamente escalados (y, por extensión, cargas computacionales). El rendimiento de cualquier tarea sigue siendo casi aleatorio hasta que los esfuerzos computacionales alcancen los 10^22 FLOPs. Más allá de este umbral crítico, el rendimiento de la tarea mejora drásticamente en cualquier modelo de lenguaje.

Fuente: Habilidades emergentes de modelos de lenguaje grandes

Fuente: Habilidades emergentes de modelos de lenguaje grandes

El principio de 'lograr milagros con gran esfuerzo' en la potencia de cálculo, tanto en teoría como verificado en la práctica, inspiró al fundador de OpenAI, Sam Altman, a proponer un plan ambicioso para recaudar $7 billones. Este fondo tiene la intención de establecer una fábrica de chips que excedería las capacidades actuales de TSMC en diez veces (estimada en $1.5 billones), con los fondos restantes asignados para la producción de chips y el entrenamiento de modelos.

Además de las demandas computacionales de entrenar modelos de IA, los procesos de inferencia también requieren una considerable potencia de cálculo, aunque menos que el entrenamiento. Esta necesidad continua de chips y recursos computacionales se ha convertido en una realidad estándar para los actores en el campo de la IA.

A diferencia de los proveedores centralizados de computación de IA como Amazon Web Services, Google Cloud Platform y Azure de Microsoft, la computación descentralizada de IA ofrece varias proposiciones de valor convincentes:

• Accesibilidad: Obtener acceso a chips informáticos a través de servicios como AWS, GCP o Azure generalmente requiere semanas, y los modelos de GPU más populares suelen estar frecuentemente agotados. Además, los consumidores suelen estar atados por contratos largos y rígidos con estas grandes corporaciones. Por otro lado, las plataformas de computación distribuida proporcionan opciones de hardware flexibles con una accesibilidad mejorada.
• Eficiencia de costos: Al aprovechar los chips inactivos e incorporar subsidios de tokens de los protocolos de red para proveedores de chips y potencia informática, las redes informáticas descentralizadas pueden ofrecer potencia informática a costos reducidos.
• Resistencia a la censura: Actualmente, el suministro de chips de última generación está dominado por grandes empresas tecnológicas, y con el gobierno de los Estados Unidos intensificando la supervisión de los servicios informáticos de inteligencia artificial, la capacidad de obtener potencia informática de manera descentralizada, flexible y sin restricciones se está convirtiendo cada vez más en una necesidad clara. Esta es una propuesta de valor central de las plataformas informáticas basadas en web3.

Si los combustibles fósiles fueron la sangre vital de la Era Industrial, entonces el poder de cómputo bien puede ser la sangre vital de la nueva era digital inaugurada por la IA, convirtiendo el suministro de energía informática en una infraestructura para la era de la IA. De manera similar a cómo las stablecoins han surgido como un derivado vigoroso de la moneda fiduciaria en la época de la Web3, ¿podría el mercado de cómputo distribuido evolucionar hacia un segmento próspero dentro del mercado de cómputo de IA en rápida expansión?

Este sigue siendo un mercado emergente y queda mucho por ver. Sin embargo, varios factores podrían potencialmente impulsar la narrativa o la adopción del mercado de la computación descentralizada:

• Desafíos persistentes en el suministro de GPU: Las restricciones continuas en el suministro de GPU podrían alentar a los desarrolladores a explorar plataformas de computación descentralizadas.
• Expansión regulatoria: Acceder a servicios de computación de IA de las principales plataformas en la nube implica procesos exhaustivos de KYC y escrutinio. Esto podría llevar a una mayor adopción de plataformas de computación descentralizadas, especialmente en áreas que enfrentan restricciones o sanciones.
• Incentivos de precio del token: los aumentos en los precios de los tokens durante los mercados alcistas podrían mejorar el valor de los subsidios ofrecidos a los proveedores de GPU por las plataformas, atrayendo a más vendedores al mercado, aumentando su escala y reduciendo los costos para los consumidores.

Al mismo tiempo, los desafíos enfrentados por las plataformas de computación descentralizada también son bastante evidentes:

Desafíos Técnicos y de Ingeniería

• Problemas de Prueba de Trabajo: Los cálculos en modelos de aprendizaje profundo, debido a la estructura jerárquica donde la salida de cada capa se utiliza como entrada para la siguiente, verificar la validez de los cálculos requiere ejecutar todo el trabajo previo, lo cual no es ni simple ni eficiente. Para abordar esto, las plataformas de computación descentralizada necesitan desarrollar nuevos algoritmos o emplear técnicas de verificación aproximada que ofrezcan garantía probabilística de resultados, en lugar de determinismo absoluto.
• Desafíos de la paralelización: Las plataformas informáticas descentralizadas se basan en una amplia gama de proveedores de chips, cada uno ofreciendo típicamente una potencia de cálculo limitada. Completar las tareas de entrenamiento o inferencia de un modelo de IA por un único proveedor de chips rápidamente es casi imposible. Por lo tanto, las tareas deben ser descompuestas y distribuidas utilizando la paralelización para acortar el tiempo total de finalización. Sin embargo, este enfoque introduce varias complicaciones, incluyendo cómo se desglosan las tareas (especialmente las tareas complejas de aprendizaje profundo), las dependencias de datos y los costos adicionales de conectividad entre dispositivos.
• Problemas de Protección de la Privacidad: ¿Cómo puede uno asegurarse de que los datos y modelos del cliente no sean revelados al destinatario de las tareas?

Desafíos de Cumplimiento Regulatorio

• Plataformas de computación descentralizada, debido a su naturaleza sin permisos en los mercados de oferta y demanda, pueden atraer a ciertos clientes como un punto de venta clave. Sin embargo, a medida que evolucionan los marcos regulatorios de la IA, estas plataformas pueden convertirse cada vez más en objetivos de escrutinio gubernamental. Además, algunos proveedores de GPU están preocupados por si sus recursos informáticos arrendados están siendo utilizados por empresas o individuos sancionados.

En resumen, los usuarios principales de las plataformas de computación descentralizada son principalmente desarrolladores profesionales o pequeñas y medianas empresas. A diferencia de los inversores en criptomonedas y NFT, estos clientes priorizan la estabilidad y continuidad de los servicios proporcionados por las plataformas, y el precio no es necesariamente su principal preocupación. Las plataformas de computación descentralizada tienen un largo camino por recorrer antes de poder ganar una aceptación generalizada de esta exigente base de usuarios.

A continuación, profundizaremos en los detalles y realizaremos un análisis de IO.NET, un nuevo proyecto de potencia informática descentralizada en este ciclo. También lo compararemos con proyectos similares para estimar su valoración de mercado potencial después de su lanzamiento.

2. Plataforma de computación de IA descentralizada: IO.NET

2.1 Descripción del proyecto

IO.NET es una red de computación descentralizada que ha establecido un mercado de dos lados en torno a los chips. En el lado de la oferta, hay potencias informáticas distribuidas globalmente, principalmente GPUs, pero también CPUs y GPUs integradas de Apple (iGPUs). El lado de la demanda está formado por ingenieros de IA que buscan completar tareas de entrenamiento o inferencia de modelos de IA.

El sitio web oficial de IO.NET establece su visión:

Nuestra Misión

Reuniendo un millón de GPUs en un DePIN - red de infraestructura física descentralizada.

Su misión es integrar millones de GPUs en su red DePIN.

Comparado con los servicios tradicionales de computación de IA en la nube, esta plataforma destaca varias ventajas clave:

• Configuración flexible: los ingenieros de IA tienen la libertad de seleccionar y ensamblar los chips necesarios en un "cluster" adaptado a sus tareas de computación específicas.
• Implementación Rápida: A diferencia de los largos tiempos de aprobación y espera asociados con proveedores centralizados como AWS, la implementación en esta plataforma puede completarse en solo segundos, lo que permite el inicio inmediato de la tarea.
• Eficiencia de costos: Los costos del servicio son hasta un 90% más bajos que los ofrecidos por los proveedores principales.

Además, IO.NET planea lanzar servicios adicionales en el futuro, como una tienda de modelos de IA.

2.2 Mecanismo del Producto y Métricas de Negocio

Mecanismos de productos y experiencia de implementación

Similar to major platforms like Amazon Cloud, Google Cloud, and Alibaba Cloud, IO.NET offers a computing service known as IO Cloud. This service operates through a distributed and decentralized network of chips that supports the execution of Python-based machine-learning code for AI and machine-learning applications.

El módulo básico de negocios de IO Cloud se llama Clusters——grupos auto-coordinados de GPUs diseñados para manejar eficientemente tareas de computación. Los ingenieros de IA tienen la flexibilidad de personalizar los clusters para satisfacer sus necesidades específicas.

La interfaz de usuario de IO.NET es muy amigable. Si estás buscando implementar tu propio clúster de chips para tareas de cómputo de IA, simplemente navega a la página de Clústeres en la plataforma, donde puedes configurar fácilmente tu clúster de chips deseado según tus requisitos.

Información de la página: https://cloud.io.net/cloud/clusters/create-cluster, lo mismo abajo

Primero, necesitas seleccionar tu tipo de clúster, con tres opciones disponibles:

• General: Proporciona un entorno general, adecuado para las primeras etapas de un proyecto donde los requisitos de recursos específicos aún no están claros.
• Entrenamiento: Un clúster diseñado específicamente para el entrenamiento y ajuste fino de modelos de aprendizaje automático. Esta opción proporciona recursos adicionales de GPU, una mayor capacidad de memoria y/o conexiones de red más rápidas para dar cabida a estas tareas de computación intensiva.
• Inferencia: Un clúster diseñado para inferencia de baja latencia y trabajo de alta carga. En el contexto del aprendizaje automático, la inferencia se refiere al uso de modelos entrenados para predecir o analizar nuevos conjuntos de datos y proporcionar retroalimentación. Por lo tanto, esta opción se centra en optimizar la latencia y el rendimiento para soportar necesidades de procesamiento de datos en tiempo real o casi en tiempo real.

A continuación, necesitas elegir un proveedor para tu clúster. IO.NET tiene asociaciones con Render Network y la red de mineros de Filecoin, lo que permite a los usuarios seleccionar chips de IO.NET u otras dos redes como fuente de suministro para sus clústeres informáticos. Esto posiciona efectivamente a IO.NET como un agregador (nota: los servicios de Filecoin están temporalmente fuera de línea). Cabe destacar que actualmente IO.NET tiene más de 200,000 GPUs disponibles en línea, mientras que Render Network tiene más de 3,700 GPUs disponibles.

A continuación, procederás a la fase de selección de hardware de tu clúster. En la actualidad, IO.NET solo enumera GPUs como opción de hardware disponible, excluyendo CPUs o iGPUs de Apple (M1, M2, etc.), con las GPUs compuestas principalmente por productos de NVIDIA.

Entre las opciones de hardware de GPU oficialmente listadas y disponibles, según los datos probados por mí en el día, el número total de GPUs en línea disponibles dentro de la red IO.NET fue de 206,001. La GPU con la mayor disponibilidad fue la GeForce RTX 4090, con 45,250 unidades, seguida por la GeForce RTX 3090 Ti, con 30,779 unidades.

Además, hay 7,965 unidades del chip altamente eficiente A100-SXM4-80GB (cada una con un precio superior a $15,000) disponibles en línea, que es más eficiente para tareas de computación de IA como el aprendizaje automático, el aprendizaje profundo y la computación científica.

El NVIDIA H100 80GB HBM3, que está diseñado desde cero para la inteligencia artificial (con un precio de mercado de más de $40,000), ofrece un rendimiento de entrenamiento que es 3.3 veces mayor y un rendimiento de inferencia que es 4.5 veces mayor que el A100. Actualmente, hay 86 unidades disponibles en línea.

Una vez que se haya elegido el tipo de hardware para el clúster, los usuarios deberán especificar más detalles como la ubicación geográfica del clúster, la velocidad de conectividad, el número de GPUs y la duración.

Finalmente, IO.NET calculará una factura detallada basada en las opciones seleccionadas. A modo de ilustración, considere la siguiente configuración de clúster:

• Tipo de clúster: General
• 16 A100-SXM4-80GB GPUs
• Tier de conectividad: Alta velocidad
• Ubicación geográfica: Estados Unidos
• Duración: 1 semana

El total de la factura para esta configuración es $3311.6, con el precio de alquiler por hora por tarjeta siendo $1.232.

El precio de alquiler por hora de un solo A100-SXM4-80GB en Amazon Web Services, Google Cloud y Microsoft Azure es de $5.12, $5.07 y $3.67 respectivamente (datos obtenidos dehttps://cloud-gpus.com/，actuallos precios pueden variar dependiendo de los detalles del contrato).

En consecuencia, en cuanto al costo, IO.NET ofrece potencia informática de chip a precios mucho más bajos que los de los proveedores principales. Además, la flexibilidad en las opciones de suministro y adquisición hace que IO.NET sea una opción atractiva para muchos usuarios.

Descripción del negocio

Lado de la oferta

A partir del 4 de abril de 2024, las cifras oficiales revelan que IO.NET tenía un suministro total de GPU de 371,027 unidades y un suministro de CPU de 42,321 unidades en el lado del suministro. Además, Render Network, como socio, tenía 9,997 GPU adicionales y 776 CPUs conectadas al suministro de la red.

Fuente de datos: https://cloud.io.net/explorer/home, lo mismo abajo

En el momento de la escritura, 214,387 de las GPUs integradas con IO.NET estaban en línea, lo que resultó en una tasa en línea del 57.8%. La tasa en línea para las GPUs provenientes de Render Network fue del 45.1%.

¿Qué implica estos datos en el lado de la oferta?

Para proporcionar un punto de referencia, vamos a traer a Akash Network, un proyecto de computación descentralizada más experimentado.

Akash Network lanzó su mainnet tan temprano como en 2020, centrándose inicialmente en servicios descentralizados para CPUs y almacenamiento. Lanzó una testnet para servicios de GPU en junio de 2023 y posteriormente lanzó la mainnet para potencia informática GPU descentralizada en septiembre del mismo año.

Fuente de datos: https://stats.akash.network/provider-graph/graphics-gpu

Según datos oficiales de Akash, aunque el lado de la oferta ha estado creciendo continuamente desde el lanzamiento de su red de GPU, el número total de GPUs conectadas a la red sigue siendo solo 365.

Al evaluar el volumen de suministro de GPU, IO.NET supera ampliamente a Akash Network, operando a una escala mucho más grande. IO.NET se ha establecido como el mayor proveedor en el sector descentralizado de potencia informática de GPU.

Demanda lateral

Desde el lado de la demanda, IO.NET todavía se encuentra en las primeras etapas de cultivo de mercado, con un volumen total relativamente pequeño de tareas de computación ejecutadas en su red. La mayoría de las GPUs están en línea pero inactivas, mostrando un porcentaje de carga de trabajo del 0%. Solo cuatro tipos de chips: el A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S y H100 80GB HBM3 están activamente involucrados en el procesamiento de tareas, y entre ellos, solo el A100 PCIe 80GB K8S está experimentando una carga de trabajo superior al 20%.

El nivel oficial de estrés de la red informado para el día se situó en el 0%, lo que indica que una parte significativa del suministro de GPU se encuentra actualmente en un estado en línea pero inactivo.

Financieramente, IO.NET ha acumulado $586,029 en tarifas de servicio hasta la fecha, con $3,200 de ese total generado en el día más reciente.

Fuente de datos: https://cloud.io.net/explorer/clusters

Las finanzas relacionadas con las tarifas de liquidación de la red, tanto en términos de volúmenes de transacciones totales como diarios, se alinean estrechamente con las de Akash. Sin embargo, es importante tener en cuenta que la mayor parte de los ingresos de Akash proviene de sus ofertas de CPU, con un inventario que supera los 20,000 CPUs.

Fuente de datos: https://stats.akash.network/

Además, IO.NET ha revelado datos detallados sobre tareas de inferencia de IA procesadas por la red. Según el último informe, la plataforma ha procesado y validado con éxito más de 230,000 tareas de inferencia, aunque la mayor parte de este volumen proviene de BC8.AI, un proyecto patrocinado por IO.NET.

Fuente de datos: https://cloud.io.net/explorer/inferences

La parte de la oferta de IO.NET se está expandiendo eficientemente, impulsada por las expectativas en torno a un airdrop y un evento comunitario conocido como "Ignition". Esta iniciativa ha atraído rápidamente una cantidad significativa de poder de cómputo de IA. Sin embargo, en el lado de la demanda, la expansión sigue siendo incipiente con una demanda orgánica insuficiente. Las razones detrás de esta demanda lenta, ya sea debido a esfuerzos de alcance al consumidor no iniciados o a experiencias de servicio inestables que conducen a una adopción limitada a gran escala, requieren una evaluación adicional.

Dadas las dificultades para cerrar rápidamente la brecha en las capacidades de computación de la IA, muchos ingenieros y proyectos de IA están explorando alternativas, lo que potencialmente aumenta el interés en los proveedores de servicios descentralizados. Además, IO.NET aún no ha implementado incentivos económicos o actividades para impulsar la demanda, y a medida que la experiencia del producto continúa mejorando, el equilibrio anticipado entre la oferta y la demanda promete un futuro alentador.

2.3 Antecedentes del equipo y descripción general de la recaudación de fondos

Perfil del equipo

El equipo principal de IO.NET inicialmente se centró en el trading cuantitativo. Hasta junio de 2022, se dedicaron a crear sistemas de trading cuantitativo a nivel institucional para acciones y criptomonedas. Impulsados por la demanda de potencia de cálculo del backend del sistema, el equipo comenzó a explorar el potencial de la computación descentralizada y finalmente se centró en el problema específico de reducir el costo de los servicios de computación de GPU.

Fundador y CEO: Ahmad Shadid

Antes de fundar IO.NET, Ahmad Shadid había trabajado en finanzas cuantitativas e ingeniería financiera, y también es voluntario en la Fundación Ethereum.

CMO & Chief Strategy Officer: Garrison Yang

Garrison Yang se unió oficialmente a IO.NET en marzo de 2024. Antes de eso, fue el VP de Estrategia y Crecimiento en Avalanche y es un ex alumno de la Universidad de California, Santa Bárbara.

COO: Tory Green

Tory Green se desempeña como Director de Operaciones de IO.NET. Anteriormente fue COO de Hum Capital y Director de Desarrollo Comercial y Estrategia en Fox Mobile Group. Se graduó de la Universidad de Stanford.

El perfil de LinkedIn de IO.NET indica que el equipo tiene su sede en Nueva York, EE. UU., con una oficina sucursal en San Francisco y emplea a más de 50 miembros del personal.

Visión general de financiamiento

IO.NET solo ha anunciado públicamente una ronda de financiación, una Serie A completada en marzo de este año con una valoración de $1 mil millones, a través de la cual recaudaron con éxito $30 millones. Esta ronda fue liderada por Hack VC, con la participación de otros inversores, incluyendo Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures y ArkStream Capital.

Notablemente, la inversión de la Fundación Aptos podría haber influido en la decisión del proyecto BC8.AI de cambiar de Solana para sus procesos de liquidación y contabilidad a la blockchain de alto rendimiento de Capa 1, Aptos.

2.4 Estimación de Valoración

Según las declaraciones anteriores del fundador y CEO Ahmad Shadid, IO.NET tiene previsto lanzar su token a finales de abril de 2024.

IO.NET tiene dos proyectos de referencia que sirven como referencia para la valoración: Render Network y Akash Network, ambos de los cuales son proyectos representativos de computación descentralizada.

Hay dos métodos principales para calcular la capitalización de mercado de IO.NET: 1. La relación precio-ventas (P/S), que compara el FDV con los ingresos; 2. Relación FDV-a-Chip (M/C Ratio)

Comenzaremos examinando la valoración potencial utilizando la relación precio-ventas:

Examinando la relación precio/ventas, Akash representa el extremo conservador del espectro de valoración estimado de IO.NET, mientras que Render proporciona un punto de referencia de alta gama, postulando un FDV que oscila entre $1.67 mil millones y $5.93 mil millones.

Sin embargo, dadas las actualizaciones del proyecto IO.NET, su narrativa más convincente, junto con su menor capitalización de mercado inicial y una base de suministro más amplia, sugieren que su FDV bien podría superar la de Render Network.

Volviendo a otra perspectiva de comparación de valoración, a saber, la "Relación FDV-a-Ratio de Chip".

En el contexto de un mercado donde la demanda de potencia informática de IA supera la oferta, el elemento más crucial de las redes informáticas de IA descentralizadas es la escala de suministro de GPU. Por lo tanto, podemos usar la “Relación FDV-a-Chip”, que es la relación entre el valor total diluido del proyecto y el número de chips dentro de la red, para inferir el rango de valoración posible de IO.NET, proporcionando a los lectores una referencia.

Utilizando la relación mercado-a-chip para calcular el rango de valoración de IO.NET nos sitúa entre $20.6 mil millones y $197.5 mil millones, con Render Network estableciendo el punto de referencia superior y Akash Network el inferior.

Los entusiastas del proyecto IO.NET podrían ver esto como una estimación muy optimista de la capitalización de mercado.

Es importante considerar la gran cantidad actual de fichas en línea para IO.NET, estimuladas por las expectativas de airdrop y las actividades de incentivos. La cantidad real en línea de la oferta después de que el proyecto se lance oficialmente aún requiere observación.

En general, las valoraciones derivadas del ratio precio-ventas podrían ofrecer ideas más fiables.

IO.NET, construido sobre Solana y agraciado con la convergencia de AI y DePIN, está al borde de su lanzamiento de tokens. La anticipación es palpable mientras esperamos para presenciar el impacto en su capitalización de mercado después del lanzamiento.

Referencia:

Dephi Digital: La Verdadera Fusión

Galaxia: Comprendiendo la intersección de la cripto y la IA

Declaración:

1. Este artículo está reproducido de [panews], y los derechos de autor pertenecen al autor original [Alex Xu]，si tiene alguna objeción a la reimpresión, por favor contacte Equipo Gate Learn , el equipo lo manejará tan pronto como sea posible de acuerdo con los procedimientos relevantes.

2. Descargo de responsabilidad: Las opiniones expresadas en este artículo representan únicamente las opiniones personales del autor y no constituyen ningún consejo de inversión.

3. Otras versiones del artículo en otros idiomas son traducidas por el equipo de Gate Learn y no se mencionan en Gate.io, el artículo traducido no puede ser reproducido, distribuido o plagiado.