jakiro
IO.NET هي منصة حوسبة منظمة العفو الدولية اللامركزية التي طورتها IO Research ، والتي بلغت مليار دولار أمريكي في تقييم FDV في أحدث جولة تمويلها.
أعلنت IO.NET في مارس من هذا العام لاستكمال جولة تمويل بقيمة 30 مليون دولار تحت قيادة Hack VC ، بما في ذلك Multicoin Capital و 6th Man Ventures و Solana Ventures و Aptos Labs و Delphi Digital و Sandbo X و Sandbox’s Sebastian Borget وغيرها من المشاركة.
تركز IO.NET على تجميع موارد GPU لشركات التعلم الآلي وشركات التعلم الآلي ، وتلتزم بتقديم الخدمات بتكلفة أقل ووقت تسليم أسرع.منذ إطلاقه في نوفمبر من العام الماضي ، نمت IO.NET إلى أكثر من 25000 وحدات معالجة الرسومات ، وقد تعاملت مع أكثر من 40،000 ساعة حسابية لشركات الذكاء الاصطناعي والتعلم الآلي.
تتمثل رؤية IO.NET في بناء نظام بيئي بين شبكة الحوسبة العالمية لـ DE -Central AI لفرق/مؤسسات التعلم الآلي وموارد GPU القوية في جميع أنحاء العالم.
في هذا النظام الإيكولوجي ، تصبح موارد الحوسبة من الذكاء الاصطناعى تسويقًا ، ولن تزعج أطراف العرض والطلب بسبب عدم وجود موارد.في المستقبل ، ستوفر IO.NET أيضًا الوصول إلى متاجر طراز IO ووظائف التفكير المتقدمة ، مثل عدم وجود تفكير في الخادم ولعبة السحابة وتدفق البكسل.
خلفية الأعمال
قبل تقديم منطق العمل لـ io.net ، يجب أن نفهم أولاً مسار قوة الحوسبة اللامركزية من بعدين: أحدهما هو عملية تطوير الحوسبة الذكاء ، والآخر هو فهم نفس استخدام قوة الحوسبة اللامركزية في الماضي . قضية.
يمكننا تصوير مسار تطوير هذا الحوسبة من الذكاء الاصطناعي من عدة نقاط زمنية حرجة:
1. المرحلة المبكرة من التعلم الآلي (1980s -2000s)
خلال هذه الفترة ، تتركز أساليب التعلم الآلي بشكل أساسي في نماذج بسيطة نسبيًا ، مثل أشجار القرار ، وآلات المتجهات الدعم (SVM).متطلبات الحوسبة لهذه النماذج منخفضة نسبيًا ويمكن تشغيلها على أجهزة الكمبيوتر الشخصية أو الخوادم الصغيرة في ذلك الوقت.مجموعة البيانات صغيرة نسبيا ، وتصميمات هندسة واختيار النماذج هي المهام الرئيسية.
Time Point: من الثمانينات إلى أوائل عام 2000
متطلبات الطاقة الحاسوبية: يمكن لأجهزة الكمبيوتر الشخصية المنخفضة نسبيًا أو الخوادم الصغيرة تلبية الاحتياجات.
حساب الأجهزة: وحدة المعالجة المركزية تهيمن على موارد الحوسبة.
ثانياً ، صعود التعلم العميق (2006-Recent)
في عام 2006 ، تم تقديم مفهوم التعلم العميق مرة أخرى ، وتميزت هذه الفترة من خلال بحث Hinton et al.بعد ذلك ، كان التطبيق الناجح للشبكات العصبية العميقة ، وخاصة الشبكة العصبية التلافيفية (CNN) والشبكة العصبية المتداولة (RNN) يمثل الاختراق في هذا المجال.زاد الطلب على موارد الحوسبة في هذه المرحلة بشكل كبير ، خاصة عند معالجة مجموعات البيانات الضخمة مثل الصور والصوت.
نقطة الوقت:
مسابقة Imagnet (2012): يعد انتصار Alexnet في هذه المسابقة حدثًا مبدعًا في تاريخ التعلم العميق.
AlphaGo (2016): هزم Alphago of Google Deepmind بطل العالم Li Shishi.
متطلبات الطاقة الحاسوبية: هناك حاجة إلى موارد حوسبة أكثر قوة بشكل كبير لتدريب الشبكات العصبية العميقة المعقدة.
أجهزة حساب: تبدأ وحدات معالجة الرسومات في أن تصبح أجهزة رئيسية للتدريب على التعلم العميق ، لأنها أفضل بكثير من وحدات المعالجة المركزية في المعالجة الموازية.
ثالثًا ، عصر نماذج اللغة الكبيرة (2018 إلى الوقت الحاضر)
مع ظهور Bert (2018) و GPT Technology (بعد عام 2018) ، بدأت النماذج الكبيرة في السيطرة على مسار الذكاء الاصطناعي.عادة ما يكون لهذه النماذج مليارات إلى تريليون إلى معلمات دولارات ، وقد وصل الطلب على موارد الحوسبة إلى مستويات غير مسبوقة.يتطلب تدريب هذه النماذج عددًا كبيرًا من وحدات معالجة الرسومات أو أكثر من TPUs المهنية ، ودعم كمية كبيرة من مرافق الكهرباء والتبريد.
نقطة الوقت: 2018 إلى الوقت الحاضر.
متطلبات طاقة الحوسبة: عالية للغاية ، مطلوب كمية كبيرة من GPU أو TPU لتشكيل مقياس واستكماله بدعم البنية التحتية المقابلة.
حساب الأجهزة: بالإضافة إلى GPU و TPU ، هناك أيضًا أجهزة خاصة محسّنة لنماذج التعلم الآلي الكبيرة ، مثل سلسلة Google TPU و NVIDIA’s A و H ، إلخ.
من منظور النمو الأسي من الذكاء الاصطناعي في السنوات الثلاثين الماضية ، فإن الطلب على قوة الحوسبة في وقت مبكر قد زاد من طلب الحوسبة في عصر التعلم العميقلقد شهدنا تحسنًا كبيرًا في حساب الأجهزة من الكمية إلى الأداء.
لا ينعكس هذا النمو فقط في توسيع نطاق مراكز البيانات التقليدية وتحسين أداء الأجهزة مثل GPU ، ولكنه يعكس أيضًا عتبة الاستثمار العالية وتوقعات العائد السخية ، وهو ما يكفي لجعل المعركة بين عمالقة الإنترنت.
يتطلب مركز طاقة GPU التقليدي للمحاسوم العالمية المشتريات أجهزة باهظة الثمن (مثل GPU نفسها) ، وتكلفة بناء أو تأجير مركز البيانات ، ونظام التبريد ، وتكلفة موظفي الصيانة.
على النقيض من ذلك ، يتمتع مشروع منصة الحساب اللامركزية لـ IO.NET بمزايا واضحة من حيث تكاليف البناء ، والتي يمكن أن تقلل بشكل كبير من تكاليف التشغيل الأولية والتشغيل.
لا يحتاج استخدام الموارد الموزعة الحالية لمشروع GPU اللامركزي إلى التركيز في بناء الأجهزة والبنية التحتية.يمكن للأفراد والمؤسسات المساهمة في شبكة موارد GPU الخاملة ، مما يقلل من احتياجات المشتريات المركزية ونشر موارد الحوسبة عالية الأداء.
ثانياً ، من حيث تكاليف التشغيل ، يجب الحفاظ على مجموعة GPU التقليدية بشكل مستمر ، وتكاليف الكهرباء والتبريد.يمكن لمشروع GPU اللامركزي مشاركة هذه التكاليف مع كل عقدة باستخدام الموارد الموزعة ، وبالتالي تقليل عبء التشغيل لمؤسسة واحدة.
وفقًا لمستندات IO.NET ، قللت IO.NET من تكاليف التشغيل بشكل كبير من خلال التجميع من مراكز البيانات المستقلة وعمال المناجم المشفرة وشبكات الأجهزة الأخرى مثل FileCoin و REND.إلى جانب استراتيجية الحوافز الاقتصادية لـ Web3 ، يتمتع io.net بمزايا كبيرة في التسعير.
>
إذا نظرنا إلى الوراء في التاريخ ، كان هناك بالفعل بعض مشاريع الحوسبة اللامركزية في الماضي حقق نجاحًا كبيرًا.على سبيل المثال:
قابلة للطي@Home: هذا المشروع الذي بدأته جامعة ستانفورد.خلال وباء COVID-19 ، جمع مشروع قابل للطي@Home كمية كبيرة من موارد الحوسبة للمساعدة في دراسة الفيروس التاجي الجديد.
BOINC (Berkeley Open Infrastic for Network Computing) **: هذا هو منصة برمجيات مفتوحة المصدر تدعم أنواعًا مختلفة من المتطوعين وعناصر الحوسبة ، بما في ذلك علم الفلك والطب وعلوم المناخ والعديد من المجالات الأخرى.يمكن للمستخدمين المساهمة بموارد الحوسبة الخاملة والمشاركة في مختلف مشاريع البحث العلمي.
لا تثبت هذه المشاريع جدوى الحساب اللامركزي فحسب ، بل تُظهر أيضًا إمكانات التطوير الضخمة للحسابات اللامركزية.
من خلال تعبئة موارد الحوسبة غير المستخدمة من جميع مناحي الحياة ، يمكن أن يعزز بشكل كبير قوة الحوسبة.توضح تجربة Web3 أن آلية حوافز معقولة تنجذب إليها المستخدمون.
من خلال تقديم نموذج الحوافز ، يمكنه بناء بيئة مجتمعية فوز ، والتي يمكن أن تعزز توسيع نطاق الأعمال وتعزيز التقدم التكنولوجي في الدورة.
لذلك ، يمكن لـ IO.NET جذب المشاركين على نطاق واسع من خلال إدخال آليات الحوافز ، والمساهمة بشكل مشترك في الحوسبة ، وتشكيل شبكة حوسبة قوية لا مركزية.
يوفر النموذج الاقتصادي لـ Web3 وقوة الحوسبة اللامركزية زخم نمو قوي لـ io.net ، ويحقق استخدام الموارد الفعال وتحسين التكلفة.هذا لا يعزز الابتكار التكنولوجي فحسب ، بل يوفر أيضًا قيمة للمشاركين ، والذي يمكن أن يجعل io.net بارزًا في المنافسة في مجال الذكاء الاصطناعي ، مع إمكانات تنمية ضخمة ومساحة السوق.
تكنولوجيا io.net
تشير مجموعة GPU إلى الحسابات المعقدة التي تربط وحدات معالجة الرسومات المتعددة عبر الشبكة لتشكيل مجموعة حوسبة تعاونية.
لا يؤدي الحوسبة العنقودية إلى تسريع سرعة التدريب لنموذج الذكاء الاصطناعى فحسب ، بل تعزز أيضًا القدرة على معالجة مجموعات البيانات الكبيرة ، مما يجعل تطبيقات الذكاء الاصطناعي أكثر مرونة وقابلة للتطوير.
في عملية النماذج التقليدية للتدريب على الإنترنت ، هناك حاجة إلى مجموعات GPU كبيرة الحجم.ومع ذلك ، عندما نفكر في تحويل وضع الحوسبة العنقودية هذا إلى اللامركزية ، ظهرت سلسلة من التحديات الفنية.
بالمقارنة مع مجموعة الحوسبة الذكاء الذاتي لشركة الإنترنت التقليدية والحوسبة الكتفية GPU اللامركزية ، سيتم مواجهة المزيد من المشكلات ، مثل: قد تنتشر العقد في جميع مواقع جغرافية مختلفة ، مما يجلب تأخير الشبكة وعرض نطاق النطاق الترددي ، مما قد يؤثر عليه في المزامنة تؤثر السرعة بين العقد على كفاءة الحساب الكلية.
بالإضافة إلى ذلك ، فإن كيفية الحفاظ على الاتساق والمزامنة في الوقت الحقيقي للبيانات بين كل عقدة ضروري أيضًا لضمان دقة نتائج الحساب.لذلك ، يتطلب ذلك من منصة الحوسبة اللامركزية لتطوير آليات فعالة لإدارة البيانات والمزامنة.
وكيفية إدارة موارد الحوسبة اللامركزية وتناثرها لضمان إكمال مهام الحوسبة بشكل فعال ، فهي أيضًا مشكلة في حل حساب الكتلة اللامركزية.
قامت IO.NET ببناء منصة حوسبة الكتلة اللامركزية من خلال دمج Ray و Kubernetes.
كإطار حوسبة موزعة ، يكون RAY مسؤولاً بشكل مباشر عن أداء مهام الحوسبة على عقد متعددة.
يلعب Kubernetes دورًا رئيسيًا في هذه العملية.
في هذا النظام ، يدرك مزيج من Ray و Kubernetes بيئة حوسبة ديناميكية ومرنة.يضمن Ray أنه يمكن تنفيذ مهمة الحوسبة بكفاءة في العقد المناسبة ، في حين تضمن Kubernetes استقرار النظام بأكمله وقابلية التوسع ، والتعامل تلقائيًا من زيادة أو إزالة العقدة.
يمكّن هذا التآزر IO.NET من توفير خدمات حوسبة متماسكة وموثوقة في البيئات اللامركزية.
وبهذه الطريقة ، لا يحسن IO.NET استخدام الموارد فحسب ، بل يقلل من تكلفة التشغيل ، ولكنه يحسن أيضًا مرونة النظام والتحكم في المستخدمين.يمكن للمستخدمين بسهولة نشر وإدارة مهام الحوسبة ذات النطاق المختلفة دون القلق بشأن تفاصيل التخصيص والإدارة المحددة للموارد الأساسية.
يضمن وضع الحوسبة اللامركزية هذا ، مع الميزات القوية لـ Ray و Kubernetes ، كفاءة وموثوقية منصة IO.NET عند معالجة مهام الحوسبة المعقدة والكبيرة.
نظرًا لأن منطق نشر مهمة الكتلة اللامركزية أكثر تعقيدًا من منطق الكتلة في غرفة الماكينة ، وفي ضوء نقل مهام البيانات والمحوسبة في الشبكة ، أضف مخاطر أمان محتملة.
يحسن IO.NET أمان وخصوصية الشبكة باستخدام خصائص اللامركزية لقناة الشبكة الخاصة بالشبكة.في مثل هذه الشبكة ، نظرًا لعدم وجود نقطة تركيز مركزية أو بوابة ، يتم تقليل مخاطر وجود أخطاء واحدة في الشبكة بشكل كبير.
يتم نقل البيانات على طول مسارات متعددة في شبكة الشبكة.
بالإضافة إلى ذلك ، من خلال تبني تقنيات مثل ملء حزم البيانات والارتباك الزمني (تعبئة حركة المرور) ، يمكن لشبكة VPN الشبكة أن تزيد من تدفق البيانات ، مما يجعل من الصعب على التنصت على وضع حركة المرور أو تحديد مستخدمي محدد أو تدفقات بيانات محددة.
يمكن أن تحل آلية الخصوصية الخاصة بـ IO.NET مشكلات الخصوصية بشكل فعال لأنها تبني بشكل مشترك بيئة نقل بيانات معقدة ومتغيرة ، مما يجعل من الصعب على المراقب الخارجي التقاط معلومات مفيدة.
في الوقت نفسه ، يتجنب الهيكل اللامركزي خطر تدفق جميع البيانات من خلال نقطة واحدة.في الوقت نفسه ، قدمت الإرسال متعدد المسار واستراتيجية الارتباك لحركة المرور بشكل مشترك طبقة من الحماية الإضافية لنقل بيانات المستخدم ، مما عزز الخصوصية الشاملة لشبكة IO.NET.
النموذج الاقتصادي
IO هي عملة التشفير الأصلية وبروتوكول لشبكة IO.NET ، والتي يمكن أن تلبي احتياجات الكيانين الرئيسيين في النظام البيئي: الشركات الناشئة والمطورين من الذكاء الاصطناعي ، وكذلك مقدمي الطاقة الحوسبة.
بالنسبة إلى الشركات الناشئة والمطورين من الذكاء الاصطناعي ، يقوم IO بتبسيط عملية دفع المجموعة ، والتي تعد أكثر ملاءمة ؛يجب استنتاج كل نموذج يتم نشره على io.net من خلال معاملات عملات IO الصغيرة.
بالنسبة للموردين ، وخاصة مقدمي موارد GPU ، تضمن عملات IO أن مواردهم قد تم إرجاع مواردهم إلى حد ما.بغض النظر عن العائد المباشر ل GPU عند استئجار وحدة معالجة الرسومات أو الدخل السلبي من نموذج الشبكة في استنتاج في وقت الفراغ ، توفر عملة IO مكافأة لكل مساهمة من وحدة معالجة الرسومات.
في النظام الإيكولوجي IO.NET ، فإن عملة IO ليست فقط وسيلة للدفع والحوافز ، ولكن أيضًا مفتاح الحوكمة.إنه يجعل كل رابط لتطوير النماذج والتدريب والنشر وتطوير التطبيقات أكثر شفافية وفعالية ، وضمان الفائدة المتبادلة والفوز بين المشاركين.
وبهذه الطريقة ، لم تلهم العملات المعدنية IO مشاركة ومساهمة النظام الإيكولوجي فحسب ، بل وفرت أيضًا منصة دعم شاملة للشركات الناشئة والمهندسين الذكاء الاصطناعي ، وتعزيز تطوير وتطبيق تكنولوجيا الذكاء الاصطناعي.
عملت IO.NET بجد على نموذج الحوافز لضمان تعميم النظام الإيكولوجي بأكمله للأمام.الهدف من IO.NET هو إنشاء معدل ساعة مباشرة معبر عنه بالدولار الأمريكي لكل بطاقة GPU.وهذا يتطلب آلية تسعير موارد GPU/CPU واضحة وعادلة وغير مركزية.
كسوق ثنائي ، فإن المفتاح الأساسي لتحفيز النماذج هو حل التحديين الرئيسيين: من ناحية ، التكلفة العالية لتقليل القدرة الحاسوبية لاستئجار وحدة المعالجة المركزية/وحدة المعالجة المركزية هي المؤشر الرئيسي لتوسيع احتياجات الذكاء الاصطناعي و ML السلطة ؛
لذلك ، فيما يتعلق بمبادئ التصميم ، تشمل احتياجات الطلب تسعير وتوافر المنافسين ، من أجل توفير خيارات تنافسية وجذابة في السوق ، وضبط التسعير خلال ساعات الذروة وتوتر الموارد.
فيما يتعلق بمصدر طاقة الحوسبة ، تركز IO.NET على سوقين رئيسيين: اللاعبين وعمال مناجم GPU المشفرة.يتمتع لاعبو اللعبة بأجهزة عالية واتصالات بالإنترنت ، ولكن عادةً ما يكون لديهم بطاقة GPU واحدة فقط ؛
لذلك ، تشمل نماذج تسعير الطاقة الحاسوبية عوامل متعددة الأبعاد ، مثل أداء الأجهزة ، عرض النطاق الترددي للإنترنت ، تسعير المنافسين ، توفر العرض ، تعديل ذروة الوقت ، تسعير الالتزام واختلافات مكان.بالإضافة إلى ذلك ، من الضروري النظر في أفضل أرباح الأجهزة لأجهزة العمل الأخرى.
في المستقبل ، ستقدم IO.NET مجموعة من حلول التسعير اللامركزية تمامًا وتنشئ أداة اختبار معيارية مماثلة لـ SpeedTest.net لأجهزة عمال المناجم لإنشاء سوق لا مركزي تمامًا وشفاف.
طريقة المشاركة
أطلقت io.net حدث الإشعال ،هذه هي المرحلة الأولى من خطة حوافز مجتمع IO.NETوالغرض من ذلك هو تسريع نمو شبكة IO.
المخطط في المجموعثلاثةحمامات المكافآت ، فهي مستقلة تماما.
-
مكافأة العمال (GPU)
-
مكافأة بعثة جالاكسي
-
مكافأة شخصية Discord (دور الطبقة الجوية)
هذاثلاثةتجمعات المكافآت مستقلة تمامًا.
بالنسبة للعقد التي يمكن الوصول إليها ، يتم حساب نقاط الهواء في 4 نوفمبر ، 2023 أبريل 25 ، 2024.في نهاية نشاط الإشعال ، سيتم تحويل نقاط الهواء التي يكسبها المستخدم إلى مكافأة Airdrop.
بالنظر إلى أربعة جوانب من طعوم الهواء:
A. نسبة Job House -RJD) من 4 نوفمبر 2023 إلى نهاية الحدث ، كان إجمالي الوقت المستأجر.
B. عرض النطاق الترددي -BW) تصنيف عرض النطاق الترددي للعقدة بناءً على نطاق نطاق النطاق الترددي:
السرعة المنخفضة: تنزيل سرعة 100 ميجابايت/ثانية ، وسرعة التحميل 75 ميجابايت/ثانية.
السرعة المتوسطة: تنزيل سرعة 400 ميجابايت/ثانية ، وسرعة التحميل 300 ميجابايت/ثانية.
عالي السرعة: تنزيل السرعة 800 ميجابايت/ثانية.
سيتم تحديد نموذج GPU (نموذج GPU -GM) وفقًا لنموذج GPU.
D. وقت التشغيل الناجح (وقت التشغيل -UT) من 4 نوفمبر 2023 إلى إجمالي التشغيل الناجح للعملية الناجحة من العامل إلى نهاية الحدث.
تجدر الإشارة إلى أنه من المتوقع أن تكون نقاط الاستثمار الجوي متاحة للمستخدمين في حوالي 1 أبريل 2024.
عنوان اتصال مهمة Galaxy https://galxe.com/io.net/campaign/gcd5ot4oxpat
سيتم الإشراف على المكافأة من قبل فريق إدارة مجتمع IO.NET وتتطلب من المستخدمين إرسال عنوان محفظة Solana الصحيح في Discord.
ستشارك في أنشطة أخرى وفقًا لدرجة المساهمة ، والنشاط ، وإنشاء المحتوى ، وما إلى ذلك للحصول على مستوى دور Airdrop المقابل.
لخص
بشكل عام ، تفتح IO.NET ومنصات الحوسبة المتشابهة ل AI Depentralized فصلًا جديدًا في حوسبة الذكاء الاصطناعي ، على الرغم من أنها تواجه أيضًا التعقيد الفني واستقرار الشبكة وتحديات أمان البيانات.لكن IO.NET لديها القدرة على تغيير نموذج أعمال الذكاء الاصطناعي تمامًا.من المعتقد أنه مع استحقاق هذه التقنيات وتوسيع مجتمعات قوة الحوسبة ، قد تصبح قوة الحوسبة اللامركزية من الذكاء الاصطناعي قوة رئيسية لتعزيز ابتكار الذكاء الاصطناعي والتعميم.
