Maaaring Maging Coordination Layer ang Crypto para sa Artipisyal na Katalinuhan

Ang mga pag-unlad sa generative AI sa nakalipas na 12 buwan ay nagsimulang baguhin ang paraan ng pamumuhay at pagtatrabaho ng mga tao. Ginagamit ang mga modelo ng wika upang bumuo ng mga legal na estratehiya sa mga kaso sa korte; ang mga modelo ng pagsasabog ng imahe ay ginagamit upang dagdagan ang mga daloy ng trabaho ng mga pangunahing entertainment studio; at ang mga pagsulong ng computer vision ay nagdulot ng mga fleet ng self-driving na mga kotse sa mga kalsada.

Mahusay na nauunawaan na ang pangunahing bottleneck sa pag-scale ng mga system na ito ay ang pag-access sa mga mapagkukunan ng pagkalkula. Ang mga oras ng paghihintay at oras-oras na mga rate para sa mga spot instance ng Nvidia's A100 at H100 chips ay patuloy na tumataas sa buong 2023, at ang kapasidad ng produksyon ng chip ay hindi na KEEP sa demand. Ang patuloy na kakulangan ng mga graphics card ay nagmumula sa isang perpektong bagyo ng mga hadlang sa mga materyales, pagkagambala sa supply chain, tumataas na demand, mga geopolitical na tensyon, at ang mahabang ikot ng produksyon likas sa paggawa ng mga kumplikadong GPU. Bukod pa rito, ang mga pangunahing materyales, tulad ng advanced na silicon na ginagamit sa GPU chips, mga espesyal na substrate para sa mga PCB, at memory chips, ay nahaharap din sa mga kakulangan sa gitna ng mga imbalances ng supply at demand.

Ang mga kita ng datacenter na nauugnay sa mga workload ng AI ay tinatayang $100 bilyon noong 2023. Ang mga datacenter ay nangangailangan ng napakalaking upfront capex sa anyo ng lupa, kuryente, at enterprise-grade hardware. Ang mga bagong data center ay umaasa sa panlabas na financing para sa pag-setup at pagpapatakbo, ngunit mataas ang mga rate at mahigpit ang kapital. Ang mga modelo ng AI ay tumataas sa laki at pagiging kumplikado, at bagama't ang presyo sa bawat unit ng computational performance ay humihina sa kalahati bawat tatlumpung buwan, ang mga kinakailangan sa compute na partikular sa AI ay dumodoble bawat anim na buwan. Nasa track ang demand dagdagan ang mga order ng magnitude nang mas mabilis kaysa sa supply.

Ito ay isang bagay na pinapangarap ng mga mamumuhunan: isang tectonic na pagbabago sa inobasyon na nakakaapekto sa halos bawat negosyo sa magdamag, na hinihimok ng isang limitadong mapagkukunan at tumataas na demand, na nagiging sanhi ng pagtaas ng mga presyo ng mga bilihin. Ang pagbabalik ng YTD ng NVIDIA na 231.5% sa nakalipas na 12 buwan ay isang perpektong proxy para dito — ngunit kahit na nabigo iyon na kumatawan sa pagkakataong nasa kamay. Nasa early innings pa tayo ng AI renaissance. Ang bawat kumpanya ng Fortune 500 ay inaalam ang kanilang diskarte sa AI sa ngayon, at ang demand na nakikita natin ngayon ay hindi malapit sa demand na makikita natin bukas. Ang AI ay magpapalaki at magpapalipat-lipat sa mga manggagawa, magtutulak ng produktibidad, at sa panimula ay bubuo sa kung paano gumagana ang mga negosyo. Compute ay ang bagong langis.

Ang mga GPU ay ang pera ng AI, at narito ang mga DePIN upang ihatid ito

May sagot sa lalong malawak na problema sa compute shortage: maghanap ng hindi nagamit na supply.

Isang bagong anyo ng Crypto network, na tinatawag na "Decentralized Physical Infrastructure Networks," o "DePINs" sa madaling salita, ay darating upang iligtas. Tinatayang mayroon 1.5 bilyon malayang magagamit ang mga consumer GPU sa buong mundo, at isa pa anim na milyong datacenter GPU sa mga datacenter na naka-deploy sa buong mundo sa labas ng mga hyperscaler (AWS, GCP, Azure, Oracle). Ang mga consumer hardware card ay kadalasang may maihahambing na computational throughput sa mga enterprise grade card.

Read More: Jeff Wilser - Ang Crypto-AI ba ay Talagang Match Made in Heaven?

Halimbawa, ang consumer-grade RTX 3090 ay may kakayahang 83 FP32 TFLOPS samantalang ang enterprise-grade A100 ay mayroon lamang 19.5 FP32 TFLOPS. Sa kasalukuyan, may tapos na 330 milyong consumer-grade GPU sa mga personal na computer (mga manlalaro, designer, video editor, ETC.) at mga datacenter na maaaring dalhin online. Ang problema, sa kasaysayan ay T naging posible na bigyan ng insentibo o i-coordinate ang mga magkakaibang GPU na ito sa mga magagamit na kumpol.

Kamakailan, dalubhasa, mga DePIN na nakatuon sa AI, gaya ng Render Network at IO.net, ay nalutas na ang problemang ito. Una, binibigyan nila ang mga nakatagong GPU operator ng mga insentibo upang mag-ambag ng kanilang mga mapagkukunan sa isang nakabahaging network kapalit ng mga gantimpala. Pangalawa, gumagawa sila ng isang desentralisadong networking layer na kumakatawan sa magkakaibang mga GPU bilang mga kumpol na magagamit ng mga developer ng AI. Ang mga desentralisadong compute marketplace na ito ay nag-aalok na ngayon ng daan-daang libong compute mapagkukunan ng iba't ibang uri, na gumagawa ng bagong paraan upang ipamahagi ang mga workload ng AI sa isang dating hindi available na cohort ng kwalipikadong hardware.

Bilang karagdagan sa paglikha ng bagong supply ng GPU, ang mga network ng DePIN ay kadalasang mas mura – hanggang 90% na mas mura – kaysa sa tradisyunal na cloud provider. Nakakamit nila ang mga gastos na ito sa pamamagitan ng pag-outsourcing ng koordinasyon ng GPU at overhead sa blockchain. Ang mga cloud provider ay nagmamarka ng mga gastos sa imprastraktura dahil mayroon silang mga gastos sa empleyado, pagpapanatili ng hardware, at overhead ng datacenter. Ang mga network ng DePIN ay wala sa mga gastos na iyon, kaya maaari nilang ipasa ang mga gastos sa pagkalkula sa halos halaga (na may mga hindi gaanong bayad sa koordinasyon ng network sa itaas) sa mga end customer.

Habang tinitingnan namin ang susunod na taon, inaasahan namin na ang mga desentralisadong network na ito ay lalabas bilang ONE sa mga pangunahing manlalaro sa karera ng AI. Kulang na lang ang mga GPU (halos hindi gaanong abot-kayang mga GPU) sa ngayon para ibigay ang pangangailangan ng bawat pangunahing kumpanya sa mundo.

Ang mga GPU ay ang pera ng AI, at narito ang mga DePIN upang ihatid ito.