1 Yapay Zeka ve Kripto'nun Kesişimi

23 Mayıs'ta yonga devi NVIDIA, 2025 mali yılının ilk çeyreğine ait finansal raporunu yayınladı. Rapor, NVIDIA'nın ilk çeyrek gelirinin 26 milyar dolar olduğunu gösterdi. Bunun içinde, veri merkezi geliri geçen yıla göre %427 artarak 22.6 milyar dolara ulaştı. NVIDIA'nın tek başına ABD borsasının finansal performansını artırma yeteneği, AI arenasında rekabet eden küresel teknoloji şirketleri arasında bilgi işlem gücüne yönelik patlayıcı talebi yansıtıyor. Üst düzey teknoloji şirketleri, AI yarışındaki hırslarını genişlettikçe, bilgi işlem gücüne olan üstel olarak artan talepleri de artıyor. TrendForce'un tahminine göre, 2024 yılına kadar dört büyük ABD bulut hizmeti sağlayıcısından yüksek kaliteli AI sunucularına olan talebin —Microsoft, Google, AWS ve Meta— küresel talebin %60'ından fazlasını oluşturması bekleniyor, sırasıyla %20.2, %16.6, %16 ve %10.8 oranlarında tahmin ediliyor.

Görüntü kaynağı: https://investor.nvidia.com/financial-info/financial-reports/default.aspx

"Çip kıtlığı" son yıllarda sürekli bir kavram haline geldi. Bir yandan, büyük dil modelleri (LLM'ler), eğitim ve çıkarım için önemli bilgi işlem gücü gerektirir. Modeller tekrarlandıkça, bilgi işlem gücü maliyetleri ve talebi üstel olarak artar. Diğer yandan, Meta gibi büyük şirketler, küresel bilgi işlem kaynaklarını bu teknoloji devlerine doğru eğip büyük miktarlarda çip satın alarak küçük işletmelerin gerekli bilgi işlem kaynaklarını elde etmelerini giderek zorlaştırır. Küçük işletmelerin karşılaştığı zorluklar, sadece talebin hızla artması nedeniyle çip kıtlığından değil, aynı zamanda arzda yapısal çelişkilerden kaynaklanmaktadır. Şu anda, arz tarafında hala birçok boş GPU bulunmaktadır; örneğin, bazı veri merkezleri düşük kullanım oranlarına sahip (yüzde 12 ila 18 arasında), ve azalmış karlılık nedeniyle şifreli madencilikte de önemli bilgi işlem kaynakları boştur. Tüm bu bilgi işlem gücünün AI eğitimi gibi özelleşmiş uygulamalar için uygun olmadığını belirtmek gerekir, tüketici sınıfı donanım hala AI çıkarımı, bulut oyunu işleme, bulut telefonlar vb. gibi diğer alanlarda önemli bir rol oynayabilir. Bu bilgi işlem kaynaklarını entegre etme ve kullanma fırsatı muazzamdır."

Kripto para piyasasında üç yıllık bir sessizliğin ardından odağı yapay zekadan kriptoya kaydırarak, nihayet başka bir boğa piyasası ortaya çıktı. Bitcoin fiyatları art arda yeni zirvelere ulaştı ve çeşitli meme coinler ortaya çıkmaya devam ediyor. AI ve Crypto son yıllarda moda sözcükler olsa da, iki önemli teknoloji olarak yapay zeka ve blok zinciri henüz bir "kesişme" bulmamış paralel çizgiler gibi görünüyor. Bu yılın başlarında Vitalik, yapay zeka ve kriptonun birleştiği gelecek senaryolarını tartışan "Kripto + yapay zeka uygulamalarının vaadi ve zorlukları" başlıklı bir makale yayınladı. Vitalik, makalede, diğer faydaların yanı sıra, makine öğreniminin kara kutusunu açabilecek ve yapay zeka modellerini daha güvenilmez hale getirebilecek, merkezi olmayan eğitim ve yapay zeka çıkarımı için blok zinciri ve MPC (çok taraflı hesaplama) şifreleme teknolojilerinin kullanılması da dahil olmak üzere birçok vizyonun ana hatlarını çizdi. Bu vizyonları gerçekleştirmek önemli ölçüde çaba gerektirecek olsa da, Vitalik'in bahsettiği bir kullanım durumu olan kripto-ekonomik teşvikler yoluyla yapay zekayı güçlendirmek, kısa vadede ulaşılabilecek önemli bir yöndür. Merkezi olmayan bilgi işlem güç ağları, şu anda AI + kripto entegrasyonu için en uygun senaryolardan biridir.

2 Dağıtılmış Bilgi İşlem Gücü Ağı

Şu anda, merkezi olmayan bilgi işlem gücü ağı alanında gelişen birçok proje bulunmaktadır. Bu projelerin temel mantığı benzerdir ve şu şekilde özetlenebilir: ağa katılmak ve bilgi işlem kaynaklarını sunmak için bilgi işlem gücü sağlayıcılarını teşvik etmek için jetonları kullanmak. Bu dağınık bilgi işlem kaynakları, önemli ölçekte merkezi olmayan bilgi işlem güç ağlarına toplanabilir. Bu yaklaşım, sadece boş bilgi işlem gücünün kullanımını artırmakla kalmaz, aynı zamanda daha düşük maliyetlerle müşterilerin bilgi işlem ihtiyaçlarını karşılar ve hem alıcılar hem de satıcılar için kazan-kazan durumunu başarır.

Okuyuculara kısa sürede bu sektör hakkında kapsamlı bir anlayış sağlamak için, bu makale, mikro ve makro perspektiflerden belirli projeleri ve tüm alanı ayrıştıracaktır. Amaç, okuyuculara her projenin temel rekabet avantajlarını ve merkezi olmayan bilgi işlem gücü ağı sektörünün genel gelişimini anlamaları için analitik görüşler sağlamaktır. Yazar, Aethir, io.net, Render Network, Akash Network ve Gensyn projelerini tanıtacak, analiz edecek ve durumlarını ve sektörün gelişimini özetleyecek ve değerlendirecektir.

Analitik çerçeve açısından, belirli bir merkezi olmayan bilgi işlem gücü ağına odaklanarak, bunu dört temel bileşene ayırabiliriz:

• Donanım Ağı: Küresel olarak dağıtılmış düğümler aracılığıyla dağıtılmış bilgi işlem kaynaklarının bir araya getirilerek kaynak paylaşımını ve yük dengelemeyi kolaylaştırmak için oluşturulan temel katmanı oluşturur.
• İkili Piyasa: Bilgi İşlem Gücü sağlayıcılarını etkili fiyatlandırma ve keşif mekanizmaları aracılığıyla talep edenlerle eşleştirerek, her iki taraf için de şeffaf, adil ve güvenilir işlemleri sağlayan güvenli bir ticaret platformu.
• Konsensüs Mekanizması: Ağdaki düğümlerin doğru bir şekilde çalışmasını ve görevleri tamamlamasını sağlar. Konsensüs mekanizması, iki yönü izler: 1) Düğümün etkin ve her zaman görevleri kabul etmeye hazır olduğundan emin olmak için düğüm çalışma süresini izler. 2) Görev tamamlama kanıtı: Düğümler, bilgi işlem gücünü başka amaçlar için yönlendirmeden, işlemleri ve iş parçacıklarını meşgul etmeden görevleri etkili ve doğru bir şekilde tamamlar.
• Token Teşvikleri: Token modelleri, daha fazla katılımcının hizmet sağlamasını/kullanmasını teşvik eder ve topluluk faydası paylaşımını kolaylaştırmak için tokenlarla ağı yakalar.

Dağıtılmış bilgi işlem gücü sektörünün genel bir bakış açısından, Blockworks Research, projeleri üç farklı katmana kategorize eden sağlam bir analitik çerçeve sunmaktadır.

• Bare Metal Layer: Dağıtık bilgi işlem yığınının temel katmanını oluşturur, ham bilgi işlem kaynaklarını bir araya getirir ve API çağrıları aracılığıyla erişilebilir hale getirir.
• Orkestrasyon Katmanı: Merkezi olmayan bilgi işlem yığınının orta katmanını oluşturur, başlıca koordinasyon ve soyutlama üzerine odaklanmıştır. Zamanlama, ölçeklendirme, işletme, yük dengeleme ve hesaplama gücünün hata toleransı gibi görevleri yönetir. Temel rolü, alttaki donanımın yönetim karmaşıklığını 'soyutlayarak', belirli müşteri ihtiyaçlarına uygun daha gelişmiş bir kullanıcı arayüzü sağlamaktır.
• Toplama Katmanı: Merkezi olmayan bilgi işlem yığınının üst katmanını oluşturur ve öncelikle entegrasyonla ilgilenir. AI eğitimi, renderleme, zkML ve daha fazlası gibi çeşitli bilgi işlem görevlerini tek bir yerde gerçekleştirmek için kullanıcılara birleşik bir arayüz sağlar. Bu katman, birden çok merkezi olmayan bilgi işlem hizmeti için bir orkestra ve dağıtım katmanı olarak hareket eder.

Görsel kaynak: Youbi Capital

Verilen iki analiz çerçevesine dayanarak, çekirdek iş, pazar konumlandırması, donanım imkanları ve finansal performans olmak üzere dört boyutta beş seçilmiş projenin karşılaştırmalı analizini yapacağız.

2.1 Ana İş

Temel bir bakış açısından, merkezi olmayan bilgi işlem gücü ağları, hizmetlerini sunmak için boşta olan bilgi işlem gücü sağlayıcılarını teşvik etmek için tokenleri kullanan oldukça homojenleştirilmiş ağlardır. Bu temel mantığa dayanarak, projeler arasındaki temel iş farklılıklarını üç açıdan anlayabiliriz:

• Boşta duran bilgi işlem gücü kaynağı
  • Piyasadaki boş bilgi işlem gücü kaynakları genellikle iki ana kategoriden gelir: 1) veri merkezleri, madencilik şirketleri ve diğer işletmeler; ve 2) bireysel kullanıcılar. Veri merkezleri genellikle profesyonel donanıma sahiptir, buna karşılık bireysel kullanıcılar genellikle tüketici sınıfı çipler satın alırlar.
  • Aethir, Akash Network ve Gensyn, öncelikle işletmelerden bilgi işlem gücü toplar. İşletmelerden kaynak sağlamanın avantajları şunlardır: 1) daha yüksek kaliteli donanım ve profesyonel bakım ekipleri, bilgi işlem kaynaklarının daha yüksek performans ve güvenirlikle çalışmasını sağlar; 2) işletmeler ve veri merkezlerindeki bilgi işlem kaynaklarının daha homojen olması ve merkezi yönetimi, daha verimli planlama ve bakım sağlar. Bununla birlikte, bu yaklaşım, proje ekiplerinden daha yüksek talepler gerektirir ve bilgi işlem gücünü kontrol eden işletmelerle iş ilişkilerini gerektirir. Ayrıca, ölçeklenebilirlik ve merkezi olmayanlık biraz tehlikeye atılabilir.
  • Render Network ve io.net, bireysel kullanıcıları boşta olan bilgi işlem güçlerini sağlamaya teşvik eder. Bireylerden kaynak sağlamanın avantajları şunlardır: 1) Bireylerden boşta olan bilgi işlem gücünün daha düşük açık maliyetleri, daha ekonomik bilgi işlem kaynakları sağlar; 2) Ağın daha yüksek ölçeklenebilirliği ve merkezi olmayanlaşması, sistem dayanıklılığını ve sağlamlığını artırır. Bununla birlikte, dezavantajlar arasında bireyler arasında yaygın ve heterojen kaynak dağılımının bulunması, yönetimi ve zamanlamayı karmaşıklaştırarak operasyonel zorlukları artırır. Ayrıca, ağ etkilerini başlatmak için bireysel bilgi işlem gücüne bağımlı olmak daha zor olabilir. Son olarak, bireylere ait cihazlar daha fazla güvenlik riski oluşturabilir, potansiyel olarak veri sızıntılarına ve bilgi işlem gücünün yanlış kullanımına yol açabilir.
• Bilgi İşlem Gücü Tüketici
  • Bilgi işlem gücü tüketicileri açısından Aethir, io.net ve Gensyn öncelikle işletmelere yöneliktir. AI ve gerçek zamanlı oyun renderlama gibi yüksek performanslı bilgi işlem kaynaklarına ihtiyaç duyan B sonu müşterileri için yüksek talep vardır, genellikle yüksek kaliteli GPU'lar veya profesyonel donanım gerektirir. Ayrıca, B sonu müşterilerinin bilgi işlem kaynaklarının kararlılık ve güvenilirlik konusunda sıkı gereksinimleri vardır, bu da düzgün proje operasyonlarını ve zamanında teknik destek sağlamak için yüksek kaliteli hizmet düzeyi anlaşmalarını gerektirir. Ayrıca, B sonu müşterilerinin göç maliyetleri önemlidir. Dağıtık ağlar, projeler için hızlı dağıtımı kolaylaştırmak için olgun SDK'lara sahip olmadığı sürece (örneğin, kullanıcıların uzaktan bağlantı noktalarına dayalı olarak geliştirmelerini gerektiren Akash Network gibi), müşterileri göç etmeye ikna etmek zor olur. Önemli bir fiyat avantajı olmadığı sürece, müşteri göç isteği düşük kalır.
  • Render Network ve Akash Network, bilgi işlem gücü hizmetleri için başta bireysel kullanıcılara hizmet vermektedir. C sonu tüketicilere hizmet sunmak, projelerin basit ve kullanıcı dostu arayüzler ve araçlar tasarlamasını, olumlu bir tüketici deneyimi sunmasını gerektirir. Ayrıca, tüketiciler yüksek oranda fiyat duyarlı oldukları için projelerden rekabetçi fiyatlandırma stratejileri gerekmektedir.
• Donanım tipi
  • Ortak bilgi işlem donanım kaynakları arasında CPU, FPGA, GPU, ASIC ve SoC bulunur. Bu donanım türleri tasarım hedefleri, performans özellikleri ve uygulama alanları açısından önemli farklılıklara sahiptir. Özetlemek gerekirse, CPU'lar genel hesaplama görevlerinde uzmanlaşırken, FPGAlar yüksek paralel işleme ve programlanabilirlik açısından avantaj sağlar, GPU'lar paralel hesaplama konusunda iyi performans gösterir, ASIC'ler belirli görevler için en verimli olanlardır ve SoC'ler birden fazla işlevi tek bir birimde entegre ederek, yüksek entegrasyonlu uygulamalar için uygundur. Donanım seçimi, belirli uygulama ihtiyaçlarına, performans gereksinimlerine ve maliyet değerlendirmelerine bağlıdır.
  • Tartıştığımız merkezi olmayan bilgi işlem gücü projeleri, çoğunlukla projenin türüne ve GPU'ların özelliklerine göre belirlenen GPU bilgi işlem gücünü toplar. GPU'ların yapay zeka eğitimi, paralel bilgi işlem, multimedya oluşturma vb. alanlarda benzersiz avantajları vardır. Bu projeler çoğunlukla GPU entegrasyonunu içerse de, farklı uygulamaların farklı donanım özellikleri ve gereksinimleri vardır, bu da heterojen optimizasyon çekirdekleri ve parametreleri ile sonuçlanır. Bu parametreler paralellik/seri bağımlılıkları, belleği, gecikme süresini vb. içerir. Örneğin, işleme iş yükleri aslında daha yüksek performanslı veri merkezi GPU'ları yerine tüketici sınıfı GPU'lar için daha uygundur çünkü işleme, ışın izleme gibi görevler için yüksek gereksinimler gerektirir. 4090'lar gibi tüketici sınıfı yongalar, ışın izleme görevleri için özel olarak optimize edilmiş RT çekirdekleriyle geliştirilmiştir. Yapay zeka eğitimi ve çıkarımı, profesyonel düzeyde GPU'lar gerektirir. Böylece Render Network, bireysel kullanıcılardan RTX 3090'lar ve 4090'lar gibi tüketici sınıfı GPU'ları toplayabilirken, IO.NET yapay zeka girişimlerinin ihtiyaçlarını karşılamak için daha fazla H100, A100 ve diğer profesyonel sınıf GPU'lara ihtiyaç duyar.

2.2 Piyasa Konumu

Proje konumlandırması açısından, ele alınması gereken temel konular, optimizasyon odak noktaları ve değer yakalama yetenekleri, çıplak metal katmanı, orkestrasyon katmanı ve birleştirme katmanı için farklılık gösterir.

• Sadece metal katmanı fiziksel kaynakların toplanması ve kullanılmasına odaklanır. Orkestrasyon katmanı bilgi işlem gücünün planlanması ve optimize edilmesi ile ilgilenir, müşteri ihtiyaçlarına göre fiziksel donanımın optimal yapılandırmasını tasarlar. Toplama katmanı genel amaçlıdır, farklı kaynakların entegrasyonu ve soyutlamasına odaklanır.
• Bir değer zinciri perspektifinden bakıldığında, her proje çıplak metal katmanından başlamalı ve yukarı doğru çıkmaya çalışmalıdır. Değer yakalama açısından, yetenek çıplak metal katmanından orkestrasyon katmanına ve nihayetinde toplama katmanına doğru ilerleyerek artar. Toplama katmanı en fazla değeri yakalayabilir çünkü bir toplama platformu en büyük ağ etkilerini elde edebilir ve doğrudan en fazla kullanıcıya ulaşabilir, böylece merkezi olmayan bir ağ için trafik giriş noktası olarak etkili bir şekilde hareket edebilir ve böylece tüm bilgi işlem kaynak yönetimi yığınının en yüksek değer yakalama pozisyonunu işgal eder.
• Buna karşılık, birleştirme platformu inşa etmek en zor olanıdır. Bir projenin teknik karmaşıklığı, heterojen kaynak yönetimi, sistem güvenilirliği ve ölçeklenebilirliği, ağ etkisi gerçekleştirmesi, güvenlik ve gizlilik koruması ve karmaşık operasyonel yönetim sorunlarına kapsamlı bir şekilde yanıt vermesi gerekmektedir. Bu zorluklar, bir projenin soğuk başlangıcını olumsuz etkilemektedir ve sektörün gelişim durumuna ve zamanlamasına bağlıdır. Orkestrasyon katmanının olgunlaşması ve önemli bir pazar payı yakalamadan önce birleştirme katmanı üzerinde çalışmak gerçekçi değildir.
• Şu anda, Aethir, Render Network, Akash Network ve Gensyn, düzenleme katmanına aittir. Belirli hedefler ve müşteri grupları için hizmet sağlamayı amaçlarlar. Aethir'ın ana işi, bulut oyunları için gerçek zamanlı renderlama ve B son müşterileri için belirli geliştirme ve dağıtım ortamları ve araçları sağlamaktır; Render Network'ün ana işi video renderlamadır; Akash Network'ün misyonu, Taobao'ya benzer bir pazar yeri platformu sağlamaktır; ve Gensyn, yapay zeka eğitim alanına derinlemesine odaklanır. IO.net, kendisini bir toplama katmanı olarak konumlandırır, ancak mevcut işlevselliği hala tam anlamıyla bir tam toplama katmanından uzaktır. Render Network ve Filecoin'den donanım toplasalar da, donanım kaynaklarının soyutlanması ve entegrasyonu henüz tamamlanmamıştır.

2.3 Donanım Tesisleri

• Şu anda, tüm projelerin ayrıntılı ağ verilerini açıklamadığını belirtmek gerekir. Karşılaştırıldığında, io.net’in gezgin UI'ı, GPU/CPU miktarı, türleri, fiyatları, dağıtımı, ağ kullanımı ve düğüm geliri gibi parametreleri gösteren en iyisi. Ancak Nisan ayının sonunda, io.net'in frontend'i PUT/POST arayüzleri için kimlik doğrulamasının eksikliği nedeniyle saldırıya uğradı ve bu da hacker'ların frontend verileriyle oynamasına neden oldu. Bu olay, diğer projeler için ağ verilerinin gizliliği ve güvenilirliği konusunda endişelere neden oldu.
• GPU miktarı ve modelleri açısından io.net, bir toplama katmanı olduğu için mantıken en fazla donanıma sahip olmalıdır. Aethir bunu takip ederken, diğer projelerin donanım durumu daha az şeffaftır. io.net, A100 gibi profesyonel sınıf GPU'lar ve 4090 gibi tüketici sınıfı GPU'lar da dahil olmak üzere çeşitli GPU'lara sahiptir ve io.net'in toplama konumlandırmasıyla uyumludur. Bu, io'nun belirli görev gereksinimlerine dayalı olarak en uygun GPU'yu seçmesine olanak tanır. Bununla birlikte, farklı GPU modelleri ve markaları farklı sürücüler ve yapılandırmalar gerektirebilir ve yazılım da karmaşık optimizasyon gerektirir, bu da yönetim ve bakım karmaşıklığını artırır. Şu anda, io'nun görev ataması çoğunlukla kullanıcıların kendi seçimlerine dayanır.
• Aethir kendi madencilik makinesini piyasaya sürdü ve Mayıs ayında Qualcomm tarafından desteklenen Aethir Edge resmi olarak piyasaya sürüldü. Bu, kullanıcılardan uzak, tek merkezi GPU kümesi dağıtımından ayrılır ve işlem gücünü kenara dağıtır. H100 küme işlem gücü ile birleştirilmiş Aethir Edge, AI senaryolarına hizmet verir, eğitilmiş modelleri dağıtarak en uygun maliyetlerle çıkarım işlemi hizmetleri sunar. Bu çözüm, kullanıcılara daha yakın, daha hızlı hizmet veren ve daha yüksek maliyet verimliliği sunar.
• Arz ve talep perspektifinden bakıldığında, Akash Network örneğini ele alalım, istatistikleri toplam CPU sayısının yaklaşık 16k ve 378 GPU olduğunu gösteriyor. Ağ kiralama talebine dayanarak, CPU ve GPU için kullanım oranları sırasıyla %11,1 ve %19,3'tür. Yalnızca profesyonel sınıf GPU H100'ün kiralama oranı nispeten yüksekken, diğer çoğu model boş durumda kalıyor. Bu durum genel olarak diğer ağlarda da benzerdir, genel ağ talebi düşüktür ve A100 ve H100 gibi popüler yonga setleri hariç, çoğu bilgi işlem gücü boşta kalır.
• Fiyat avantajı açısından, geleneksel hizmet sağlayıcılarına kıyasla maliyet avantajı, bulut bilişim pazarının devleri hariç olmak üzere önemli değil.

2.4 Mali Performans

• Token modelinin tasarlanma şeklinden bağımsız olarak, sağlıklı bir tokenomics aşağıdaki temel koşulları karşılamalıdır: 1) Ağ için kullanıcı talebi, token fiyatına yansıtılmalıdır, yani token değer yakalayabilmelidir; 2) Geliştiriciler, düğümler veya kullanıcılar olsun, tüm katılımcılar uzun vadeli ve adil teşvikler almalıdır; 3) Merkezi olmayan yönetişimi sağlamak ve içerideki aşırı elde tutulmaktan kaçınmak; 4) Ağın istikrarı ve sürdürülebilirliği üzerinde önemli fiyat oynaklıklarının etkisini önlemek için makul enflasyon ve deflasyon mekanizmaları ve token yayın programları oluşturulmalıdır.
• Eğer token modellerini geniş anlamda BME (yak ve bas equilibrium) ve SFA (erişim için staking) olarak kategorize edersek, bu iki modelin deflasyon baskısı farklı kaynaklardan gelir: BME modelinde, token'lar kullanıcılar hizmet satın aldıktan sonra yakılır, bu yüzden sistemin deflasyon baskısı talep tarafından belirlenir. SFA modelinde ise, hizmet sağlayıcılar/node'lar hizmet sunma yetkisini elde etmek için token'lara staking yapmak zorundadır, bu yüzden deflasyon baskısı arz tarafından getirilir. BME'nin avantajı, standart olmayan ürünler için daha uygun olmasıdır. Ancak, ağ talebi yetersizse, sürekli enflasyon baskısıyla karşılaşabilir. Çeşitli projelerin token modelleri detaylarda farklılık gösterse de, genel olarak Aethir daha çok SFA'ya eğilirken, io.net, Render Network ve Akash Network daha çok BME'ye eğilir. Gensyn'ın modeli hala bilinmiyor.
• Gelir açısından, ağ talebi ağın genel gelirine doğrudan yansıyacaktır (madencilerin geliri hariç, çünkü madenciler görevleri tamamlamak için ödüller alır ve projelerden sübvansiyonlar alır). Kamuya açık verilere göre, io.net en yüksek değere sahiptir. Aethir'in geliri henüz açıklanmamış olsa da, kamuoyuna açıklanan bilgilere göre, birçok B-son müşteriyle sözleşme imzaladıklarını duyurmuşlar.
• Token fiyatlarıyla ilgili olarak, şu ana kadar yalnızca Render Network ve Akash Network ICO'larını gerçekleştirmişlerdir. Aethir ve io.net de son zamanlarda token çıkardı, ancak fiyat performansları daha detaylı olarak gözlemlenmeli ve burada detaylı olarak tartışılmayacak. Gensyn'ın planları hala belirsiz. Token çıkaran iki projeden ve burada tartışılmayan diğer projelerden, merkezi olmayan bilgi işlem gücü ağları çok etkileyici bir fiyat performansı sergilemişlerdir, bu durum topluluğun önemli pazar potansiyelini ve belirli bir ölçüde yüksek beklentilerini yansıtmaktadır.

2.5 Özet

• Merkezi olmayan bilgi işlem gücü ağı sektörü hızla gelişiyor ve birçok proje ürünleri aracılığıyla müşterilere hizmet edebiliyor ve bazı gelirler elde edebiliyor. Sektor, saf anlatımdan öteye geçti ve ön hizmetlerin sunulabileceği bir aşamaya girdi.
• Merkezi olmayan bilgi işlem gücü ağları tarafından karşılaşılan yaygın bir sorun, uzun vadeli müşteri ihtiyaçlarının iyi doğrulanmadığı ve keşfedilmediğidir. Bununla birlikte, talep tarafındaki zorluklar, token çıkaran birkaç projenin etkileyici performans gösterdiği için token fiyatlarını önemli ölçüde etkilememiştir.
• Yapay zeka, merkezi olmayan bilgi işlem gücü ağları için ana anlatımdır, ancak tek uygulama değildir. Yapay zeka eğitimi ve çıkarımının yanı sıra, bilgi işlem gücü ayrıca bulut oyununda gerçek zamanlı renderleme, bulut mobil hizmetler ve daha fazlası için de kullanılabilir.
• Bilgi İşlem Gücü ağlarındaki donanım son derece heterojendir ve bu ağların kalitesi ve ölçeği daha fazla iyileştirmeye ihtiyaç duyar. C son kullanıcıları için maliyet avantajı çok önemli değildir. B son kullanıcıları için maliyet tasarrufunun yanı sıra, hizmet istikrarı, güvenilirlik, teknik destek, uyumluluk ve yasal destek gibi faktörler de göz önünde bulundurulmalıdır. Web3 projeleri genellikle bu alanlarda iyi performans göstermez.

3 Kapanış Düşünceleri

Yapay zeka alanındaki üstel büyüme, kesinlikle bilgi işlem gücüne olan büyük bir talebi beraberinde getirmiştir. 2012'den bu yana, yapay zeka eğitim görevlerinde kullanılan bilgi işlem gücü üstel bir şekilde artmaktadır ve yaklaşık olarak her 3.5 ayda bir ikiye katlanmaktadır (karşılaştırma yapmak gerekirse, Moore Yasası her 18 ayda bir ikiye katlanmayı öngörmektedir). 2012'den bu yana, bilgi işlem gücüne olan talep, Moore Yasası tarafından öngörülen 12 kat artışı aşarak 300,000'den fazla kez artmıştır. Tahminlere göre, GPU pazarı önümüzdeki beş yıl içinde bileşik yıllık büyüme oranı %32 olacak ve 200 milyar doları aşacaktır. AMD'nin tahminleri ise daha da yüksektir ve şirket, GPU yonga pazarının 2027 yılında 400 milyar dolara ulaşacağını öngörmektedir.

Görüntü kaynağı: https://www.stateof.ai/

Yapay zeka ve diğer bilgi işlem gücü yoğun iş yüklerinin patlayıcı büyümesi, AR/VR renderlama gibi, geleneksel bulut bilişim ve önde gelen bilgi işlem pazarlarında yapısal verimsizlikleri ortaya çıkarmıştır. Teoride, merkezi olmayan bilgi işlem gücü ağları, dağıtılmış boş bilgi işlem kaynaklarını kullanarak, bilgi işlem kaynakları için büyük talebi karşılamak için daha esnek, maliyet etkin ve verimli çözümler sunabilir.

Bu nedenle, kripto ve yapay zeka kombinasyonu muazzam bir pazar potansiyeline sahip olmakla birlikte, geleneksel işletmelerle yoğun rekabet, yüksek giriş engelleri ve karmaşık bir pazar ortamıyla karşı karşıya. Genel olarak, tüm kripto sektörleri arasında, merkezi olmayan bilgi işlem gücü ağları, gerçek talebi karşılamak için kripto alanında en umut verici dikeylerden biridir.

Görüntü kaynağı: https://vitalik.eth.limo/general/2024/01/30/cryptoai.html

Gelecek parlak, ancak yol zorluklarla dolu. Yukarıda bahsedilen vizyonu gerçekleştirmek için birçok sorunu ve zorluğu ele almamız gerekiyor. Özetle, bu aşamada, projeler için geleneksel bulut hizmetleri sunmak sadece küçük bir kar marjı sağlar.

Talep tarafından bakıldığında, büyük işletmeler genellikle kendi bilgi işlem güçlerini oluştururlar, ancak çoğu bireysel geliştiricilerin kurumsal bulut hizmetlerini tercih ettiği görülür. Merkezi olmayan bilgi işlem gücü ağı kaynaklarının gerçek kullanıcıları olan küçük ve orta ölçekli işletmelerin sabit taleplerinin olup olmadığı daha da araştırılması ve doğrulanması gerekmektedir.

Öte yandan, yapay zeka son derece yüksek potansiyele ve hayal gücüne sahip geniş bir pazardır. Bu geniş pazardan yararlanmak için, gelecekte merkezi olmayan bilgi işlem gücü hizmet sağlayıcılarının modeller ve yapay zeka hizmetleri sunmaya geçiş yapmaları, kripto + yapay zeka kullanım durumlarını keşfetmeleri ve projelerinin yaratabileceği değeri genişletmeleri gerekecektir. Bununla birlikte, şu anda, yapay zeka alanına daha fazla gelişme sağlanmadan önce ele alınması gereken birçok sorun ve zorluk bulunmaktadır:

• Fiyat avantajı belirgin değil: Önceki verileri karşılaştırmak, merkezi olmayan bilgi işlem güç ağlarının önemli ölçüde maliyet avantajı göstermediğini ortaya koyuyor. Bu durum, yüksek talep gören H100 ve A100 gibi uzmanlaşmış yongaların ucuz fiyatlandırılmadığını belirleyen piyasa mekanizmalarından kaynaklanabilir. Ayrıca, merkezi olmayan yapının ölçek ekonomisinden yoksun olması, yüksek ağ ve bant genişliği maliyetleri ve yönetim ile operasyonların önemli karmaşıklığı gizli maliyetler ekleyerek bilgi işlem maliyetlerini daha da artırıyor.
• Yapay zeka eğitiminde belirli zorluklar: Şu anda yapay zeka eğitimini merkezi olmayan bir şekilde yürütmek önemli teknik engellerle karşı karşıyadır. Bu engeller GPU iş akışında görsel olarak belirgindir: büyük dil modeli eğitimi sırasında GPU'lar öncelikle ileri ve geri yayılma için önceden işlenmiş veri paketleri alır ve gradyanları hesaplamak için. GPU'lar daha sonra gradyanları birleştirir ve model parametrelerini güncellemek için senkronizasyonu sağlar. Bu tekrarlayan süreç, tüm paketler eğitildiğinde veya belirtilen bir dönem sayısına ulaşıldığında kadar devam eder. Bu, geniş veri transferi ve senkronizasyonu içerir. Hangi paralel ve senkronizasyon stratejilerinin kullanılacağı, ağ bant genişliğinin ve gecikmenin nasıl optimize edileceği ve iletişim maliyetlerinin nasıl azaltılacağı gibi sorular genellikle çözümsüz kalır. Şu anda, yapay zeka eğitimi için merkezi olmayan bilgi işlem gücü ağlarını kullanmak pratik değildir.
• Veri güvenliği ve gizlilik endişeleri: Büyük dil modellerinin eğitim sürecinde, veri işleme ve iletimiyle ilgili her aşama - veri tahsisi, model eğitimi, parametre ve gradyan toplama gibi - veri güvenliği ve gizliliği etkileyebilir. Gizlilik endişeleri, hassas verileri içeren modellerde özellikle önemlidir. Veri gizlilik sorunlarını çözmeden, talep tarafında ölçeklendirme mümkün değildir.

Pragmatik bir perspektiften bakıldığında, merkezi olmayan bir bilgi işlem gücü ağı, mevcut talep araştırması ile gelecekteki pazar fırsatlarını dengelemelidir. Net bir ürün konumlandırması ve hedef kitle belirlemek son derece önemlidir. Başlangıçta, AI veya Web3'e özgü olmayan projelere odaklanarak, görece niş talepleri ele almak, erken bir kullanıcı tabanı oluşturmaya yardımcı olabilir. Aynı zamanda, AI ve kripto para birimlerinin birleştiği çeşitli senaryoların sürekli olarak araştırılması önemlidir. Bu, teknolojik sınırların keşfedilmesini ve hizmetlerin gelişen ihtiyaçları karşılamak için yükseltilmesini içerir. Ürün tekliflerini stratejik olarak pazar talepleriyle uyumlu hale getirerek ve teknolojik gelişmelerin ön saflarında kalarak, merkezi olmayan bilgi işlem gücü ağları sürdürülebilir büyüme ve pazar ilgisi için kendilerini etkili bir şekilde konumlandırabilir.

Referanslar

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

Açıklama:

1. Bu makale, [ tarafından yeniden üretilmiştir.Youbi Capital], telif hakkı orijinal yazarına aittir [Youbi], yeniden basım konusunda herhangi bir itirazınız varsa, lütfen iletişime geçin.Gate Learnekip ve ekip, ilgili prosedürlere göre en kısa sürede bununla ilgilenecektir.

2. Açıklama: Bu makalede yer alan görüşler yalnızca yazarın kişisel görüşlerini temsil etmekte olup herhangi bir yatırım tavsiyesi teşkil etmemektedir.

3. Makalenin diğer dil versiyonları Gate Learn ekibi tarafından çevrilmekte ve bahsedilmemektedir.Gate.io, çevrilen makale çoğaltılamaz, dağıtılamaz veya kopyalanamaz.