jakiro
IO.NET est une plate-forme informatique d’IA décentralisée développée par IO Research, qui a atteint 1 milliard de dollars d’évaluation du FDV dans sa dernière série de financement.
IO.NET a annoncé en mars de cette année un financement round de 30 millions de dollars sous la direction de Hack VC, notamment Multicoin Capital, 6th Man Ventures, Solana Ventures, Aptos Labs, Delphi Digital, The Sandbo X et le Sandbox Borget-Borget et autre participation.
IO.NET se concentre sur l’agrégation des ressources GPU pour l’IA et les sociétés d’apprentissage automatique, et s’engage à fournir des services à moindre coût et un délai de livraison plus rapide.Depuis son lancement en novembre de l’année dernière, IO.NET est passé à plus de 25 000 GPU et a géré plus de 40 000 heures de calcul pour les sociétés d’intelligence artificielle et d’apprentissage automatique.
La vision de IO.NET est de construire un écosystème entre un réseau informatique mondial de l’IAC-central pour les équipes / entreprises / entreprises d’apprentissage automatique et de puissantes ressources GPU dans le monde.
Dans cet écosystème, les ressources informatiques de l’IA sont commercialisées, et les parties de l’offre et de la demande ne s’embêteront plus en raison de l’absence de ressources.À l’avenir, IO.NET fournira également un accès aux magasins de modèles IO et aux fonctions de raisonnement avancées, telles que le raisonnement sans serveur, le jeu cloud et le flux de pixels.
Contexte des entreprises
Avant d’introduire la logique métier de IO.NET, nous devons d’abord comprendre la piste de la puissance de calcul décentralisée à partir de deux dimensions: l’une est le processus de développement de l’informatique de l’IA, et l’autre latitude est de comprendre la même utilisation de la puissance de calcul décentralisée dans le passé dans le passé . Cas.
Le processus de développement de l’informatique de l’IA
Nous pouvons représenter la trajectoire de développement de cet calcul de l’IA à partir de plusieurs points de temps critiques:
1. Stage précoce de l’apprentissage automatique (1980 – Aurre 2000)
Au cours de cette période, les méthodes d’apprentissage automatique sont principalement concentrées dans des modèles relativement simples, tels que les arbres de décision, les machines à vecteurs de support (SVM).Les exigences informatiques de ces modèles sont relativement faibles et peuvent être exploitées sur des ordinateurs personnels ou de petits serveurs à ce moment-là.L’ensemble de données est relativement petit et l’ingénierie des caractéristiques et la sélection de modèles sont des tâches clés.
Point de temps: des années 1980 au début de 2000
Les exigences de puissance de calcul: des ordinateurs personnels relativement faibles ou des petits serveurs peuvent répondre aux besoins.
Calculez le matériel: le CPU domine les ressources informatiques.
Deuxièmement, l’essor de l’apprentissage en profondeur (2006-recent)
En 2006, le concept d’apprentissage en profondeur a été introduit à nouveau, et cette période a été marquée par la recherche de Hinton et al.Par la suite, l’application réussie de réseaux de neurones profonds, en particulier le réseau neuronal convolutionnel (CNN) et le réseau neuronal circulant (RNN) a marqué la percée dans ce domaine.La demande de ressources informatiques à ce stade a considérablement augmenté, en particulier lors du traitement des ensembles de mégadonnées tels que les images et la voix.
Point de temps:
La compétition Imagnet (2012): La victoire d’Alexnet dans cette compétition est un événement emblématique de l’histoire du Deep Learning.
Alphago (2016): L’Alphago de Google Deepmind a battu le champion du monde GO Li Shishi.
Exigences de puissance de calcul: des ressources informatiques considérablement augmentées et plus puissantes sont nécessaires pour former des réseaux de neurones profonds complexes.
Matériel de calcul: les GPU commencent à devenir le matériel clé pour la formation en profondeur, car ils sont bien meilleurs que les processeurs dans le traitement parallèle.
Troisièmement, l’ère des grands modèles de langage à l’échelle (2018 au présent)
Avec l’émergence de Bert (2018) et de la technologie GPT (après 2018), les grands modèles ont commencé à dominer la piste de l’IA.Ces modèles ont généralement des milliards à des milliards de paramètres doctoraux, et la demande de ressources informatiques a atteint des niveaux sans précédent.La formation de ces modèles nécessite un grand nombre de GPU ou des TPU plus professionnels, et une grande quantité de support d’électricité et d’installations de refroidissement.
Point de temps: 2018 à nos jours.
Exigences de puissance de calcul: Extrêmement élevé, une grande quantité de GPU ou de TPU est nécessaire pour former une échelle et complétée par un support d’infrastructure correspondant.
Calcul du matériel: En plus du GPU et du TPU, il existe également un matériel spécial optimisé pour les grands modèles d’apprentissage automatique, tels que TPU de Google, les séries A et H de NVIDIA, etc.
Du point de vue de la croissance exponentielle de l’IA au cours des 30 dernières années, la demande de pouvoir de calcul dans l’apprentissage automatique a une demande de puissance de calcul plus faible.Nous avons assisté à l’amélioration significative du calcul du matériel de la quantité à la performance.
Cette croissance se reflète non seulement dans l’expansion de l’ampleur des centres de données traditionnels et l’amélioration des performances matérielles telles que GPU, mais reflète également le seuil d’investissement élevé et les attentes de rendement généreuses, ce qui est suffisant pour se battre entre les géants de l’Internet.
Le centre d’alimentation de compréhension GPU centralisé traditionnel nécessite un achat de matériel coûteux (comme le GPU lui-même), le coût de construction ou de location du centre de données, le système de refroidissement et le coût du personnel de maintenance.
En revanche, le projet de plate-forme de calcul décentralisé d’IO.NET présente des avantages évidents en termes de coûts de construction, ce qui peut réduire considérablement les coûts d’investissement et d’exploitation.
L’utilisation des ressources distribuées existantes du projet GPU décentralisé n’a pas besoin d’être concentrée dans la construction du matériel et de l’infrastructure.Les individus et les entreprises peuvent contribuer au réseau de ressources GPU inactifs, réduisant les besoins de l’approvisionnement centralisé et du déploiement de ressources informatiques à haute performance.
Deuxièmement, en termes de coûts d’exploitation, le cluster GPU traditionnel doit être maintenu en permanence, les coûts d’électricité et de refroidissement.Le projet GPU décentralisé peut partager ces coûts avec chaque nœud en utilisant des ressources distribuées, réduisant ainsi le fardeau d’exploitation d’une seule organisation.
Selon les documents IO.NET, IO.NET a considérablement réduit les coûts d’exploitation grâce à l’agrégation à partir de centres de données indépendants, de mineurs de crypto-monnaie et d’autres réseaux de matériel tels que FileCoin et Render.Couplé à la stratégie d’incitation économique du Web3, IO.NET présente de grands avantages dans les prix.
>
Calcul de décentralisation
En regardant l’histoire, il y a eu des projets informatiques décentralisés dans le passé ont connu un succès significatif.Par exemple:
Pliant @ home: Il s’agit d’un projet initié par l’Université de Stanford.Pendant l’épidémie Covid-19, le projet pliant @ home a rassemblé une grande quantité de ressources informatiques pour aider à étudier le nouveau virus coronal.
BOINC (Berkeley Open Infrastic for Network Computing) **: Il s’agit d’une plate-forme logicielle open source qui prend en charge divers types de bénévoles et d’éléments informatiques de grille, notamment l’astronomie, la médecine, la science du climat et de nombreux autres domaines.Les utilisateurs peuvent apporter des ressources informatiques inacies et participer à divers projets de recherche scientifique.
Ces projets prouvent non seulement la faisabilité d’un calcul décentralisé, mais montrent également l’énorme potentiel de développement des calculs décentralisés.
En mobilisant les ressources informatiques inutilisées de tous les horizons, il peut améliorer considérablement le pouvoir informatique.Expérience Web3 montre qu’un mécanisme d’incitation raisonnable est attiré et maintenu par les utilisateurs.
En introduisant le modèle d’incitation, il peut construire un environnement communautaire gagnant, qui peut favoriser davantage l’expansion de l’échelle commerciale et favoriser les progrès technologiques du cycle.
Par conséquent, IO.NET peut attirer des participants généralisés grâce à l’introduction de mécanismes d’incitation, à contribuer conjointement l’informatique et à former un solide réseau informatique décentralisé.
Le modèle économique de Web3 et le potentiel de puissance informatique décentralisée offrent une forte dynamique de croissance pour IO.NET et réalisent une utilisation efficace des ressources et une optimisation des coûts.Cela promeut non seulement l’innovation technologique, mais offre également de la valeur aux participants, ce qui peut faire ressortir IO.NET dans la concurrence dans le domaine de l’IA, avec un énorme potentiel de développement et un espace de marché.
Technologie IO.NET
Grappe
Le cluster GPU fait référence à des calculs complexes qui connectent plusieurs GPU via le réseau pour former un cluster informatique collaboratif.
L’informatique en cluster accélère non seulement la vitesse de formation du modèle AI, mais améliore également la capacité de traiter les ensembles de données à grande échelle, ce qui rend les applications AI plus flexibles et évolutives.
Dans le processus de modèles d’IA de formation Internet traditionnels, des grappes GPU à grande échelle sont nécessaires.Cependant, lorsque nous envisageons de transformer ce mode de calcul de cluster en décentralisation, une série de défis techniques est apparue.
Par rapport à la cluster informatique de l’IA de la société Internet traditionnelle et de l’informatique de cluster GPU décentralisée, plus de problèmes seront confrontés, tels que: les nœuds peuvent se propager dans différents emplacements géographiques, ce qui apporte un retard de réseau et des limitations de bande passante, ce qui peut l’affecter la synchronisation La vitesse entre les nœuds affecte l’efficacité globale de calcul.
De plus, comment maintenir la cohérence et la synchronisation en temps réel des données entre chaque nœud sont également essentiels pour garantir la précision des résultats de calcul.Par conséquent, cela nécessite la plate-forme informatique décentralisée pour développer des mécanismes efficaces de gestion des données et de synchronisation.
Et comment gérer et disperser les ressources informatiques décentralisées pour garantir que les tâches informatiques peuvent être effectuées efficacement, c’est également un problème que le calcul décentralisé en grappes doit être résolu.
IO.NET a construit une plate-forme de calcul de cluster décentralisée en intégrant Ray et Kubernetes.
En tant que cadre informatique distribué, Ray est directement responsable de l’exécution de tâches informatiques sur plusieurs nœuds.
Kubernetes joue un rôle de gestion clé dans ce processus.
Dans ce système, la combinaison de Ray et Kubernetes réalise un environnement informatique dynamique et élastique.Ray garantit que la tâche informatique peut être exécutée efficacement aux nœuds appropriés, tandis que Kubernetes garantit la stabilité et l’évolutivité de l’ensemble du système, et gérer automatiquement l’augmentation ou l’élimination du nœud.
Cette synergie permet à IO.NET de fournir des services informatiques cohérents et fiables dans des environnements décentralisés.
De cette façon, IO.NET optimise non seulement l’utilisation des ressources, réduit le coût d’exploitation, mais améliore également la flexibilité du système et le contrôle des utilisateurs.Les utilisateurs peuvent facilement déployer et gérer les tâches informatiques de diverses échelles sans se soucier des détails spécifiques d’allocation et de gestion des ressources sous-jacentes.
Ce mode informatique décentralisé, avec les fonctionnalités puissantes de Ray et Kubernetes, assure l’efficacité et la fiabilité de la plate-forme IO.NET lors du traitement des tâches informatiques complexes et à grande échelle.
confidentialité
Étant donné que la logique de déploiement des tâches de cluster décentralisée est beaucoup plus compliquée que la logique de cluster dans la salle des machines, et compte tenu de la transmission des données et des tâches informatiques du réseau, ajoutez des risques de sécurité potentiels.
IO.NET améliore la sécurité et la confidentialité du réseau en utilisant les caractéristiques de décentralisation du canal de réseau privé MESH.Dans un tel réseau, car il n’y a pas de point de concentration central ou de passerelle, le risque de défauts à point unique face au réseau est considérablement réduit.
Les données sont transmises le long de plusieurs chemins dans le réseau réseau.
De plus, en adoptant des technologies telles que le remplissage des paquets de données et la confusion temporelle (obscurcissement du trafic), le réseau VPN du réseau peut davantage brouiller le flux de données, ce qui rend difficile pour l’écoute d’écoute d’analyser le mode de trafic ou d’identifier des utilisateurs spécifiques ou des flux de données.
Le mécanisme de confidentialité d’IO.NET peut résoudre efficacement les problèmes de confidentialité car ils construisent conjointement un environnement de transmission de données complexe et variable, ce qui rend difficile pour l’observateur externe de capturer des informations utiles.
Dans le même temps, la structure décentralisée évite le risque que toutes les données traversent un seul point.Dans le même temps, la transmission multi-chemin et la stratégie de confusion du trafic ont conjointement fourni une couche de protection supplémentaire pour la transmission de données de l’utilisateur, ce qui a amélioré la confidentialité globale du réseau IO.NET.
Modèle économique
IO est la crypto-monnaie native et le protocole pour le réseau IO.NET, qui peut répondre aux besoins des deux principales entités de l’écosystème: les startups et les développeurs de l’IA, ainsi que les fournisseurs d’énergie informatique.
Pour les startups et les développeurs de l’IA, IO simplifie le processus de paiement du déploiement des cluster, ce qui est plus pratique;Chaque modèle déployé sur IO.NET doit être déduit par le biais de minuscules transactions en devises IO.
Pour les fournisseurs, en particulier les prestataires de ressources GPU, les pièces d’IO garantissent que leurs ressources ont été renvoyées assez.Quel que soit le retour direct du GPU lorsque le GPU est loué ou le revenu passif du modèle de réseau en déduisant en temps libre, la pièce d’IO fournit une récompense pour chaque contribution du GPU.
Dans l’écosystème IO.NET, la monnaie IO n’est pas seulement un moyen de paiement et d’incitations, mais aussi la clé de la gouvernance.Il rend chaque lien de développement, de formation, de déploiement et de développement d’applications plus transparent et plus efficace, et assure la situation de bénéfice mutuel et de gagner entre les participants.
De cette façon, les pièces d’OI ont non seulement inspiré la participation et la contribution de l’écosystème, mais ont également fourni une plate-forme de support complète pour les startups et les ingénieurs de l’IA, promouvant le développement et l’application de la technologie d’IA.
IO.NET a travaillé dur sur le modèle d’incitation pour s’assurer que l’ensemble de l’écosystème peut être diffusé vers l’avant.L’objectif de IO.NET est d’établir un taux d’heure direct exprimé dans le dollar américain pour chaque carte GPU.Cela nécessite un mécanisme de tarification des ressources GPU / CPU clair et décentralisé clair.
En tant que marché bilatéral, la clé de base pour motiver les modèles est de résoudre les deux défis majeurs: d’une part, le coût élevé de la réduction de la puissance de calcul de la location de GPU / CPU est l’indicateur clé pour étendre les besoins de l’informatique AI et ML puissance;
Par conséquent, en termes de principes de conception, les besoins de la demande comprennent le prix et la disponibilité des concurrents, afin de fournir des choix compétitifs et attrayants sur le marché, et d’ajuster les prix pendant les heures de pointe et la tension des ressources.
En termes de calcul de l’alimentation, IO.NET se concentre sur deux marchés clés: les joueurs et les mineurs GPU chiffrés.Les joueurs de jeu ont des connexions matérielles élevées et Internet rapides, mais n’ont généralement qu’une seule carte GPU;
Par conséquent, les modèles de tarification de la puissance de calcul comprennent des facteurs multidimensionnels, tels que les performances matérielles, la bande passante Internet, les prix des concurrents, la disponibilité de l’offre, l’ajustement de pointe, les prix d’engagement et les différences de place.De plus, il est nécessaire de considérer les meilleurs bénéfices du matériel pour les autres épreuves de travail.
À l’avenir, IO.NET donnera en outre un ensemble de solutions de tarification complètement décentralisées et créera un outil de test de référence similaire à SpeedTest.net pour le matériel des mineurs afin de créer un marché complètement décentralisé, équitable et transparent.
Méthode de participation
Io.net a lancé l’événement d’allumage,Ceci est la première étape du plan d’incitation de la communauté IO.NETLe but est d’accélérer la croissance du réseau IO.
Planifié au totalTroisRécompense les piscines, ils sont complètement indépendants.
-
Récompense des travailleurs (GPU)
-
Récompense de la Mission Galaxy
-
Récompense de caractère discord (rôle de niveau aérien)
ceTroisLes piscines de récompense sont complètement indépendantes.
Récompense du nœud GPU
Pour les nœuds accessibles, les points aériens sont calculés à partir du 4 novembre 2023-avril 25, 2024.À la fin de l’activité d’allumage, les points aériens gagnés par l’utilisateur seront convertis en récompense aérienne.
Considérant quatre aspects des talons aériens:
A. Ratio de Job House -RJD) Du 4 novembre 2023 à la fin de l’événement, le temps total de l’embauche a été.
B. Bande passante -bw) Classification de la bande passante du nœud basé sur la plage de la plage de bande passante:
Low Speed: Téléchargez la vitesse de 100 Mo / par seconde, téléchargez la vitesse de 75 Mo / par seconde.
Vitesse moyenne: Téléchargez la vitesse 400 Mo / par seconde, téléchargez la vitesse de 300 Mo / par seconde.
High -Speed: Téléchargez la vitesse 800 Mo / par seconde.
Le modèle GPU (modèle GPU -GM) sera déterminé en fonction du modèle GPU.
D. Le moment de la réussite de l’exploitation (Uptime -Ut) du 4 novembre 2023 à la réussite totale de l’opération réussie du travailleur à la fin de l’événement.
Il convient de noter que les points d’investissement aérien devraient être disponibles pour les utilisateurs vers le 1er avril 2024.
Galaxy Mission Récompense (Galxe)
Adresse de connexion de la tâche Galaxy https://galxe.com/io.net/campaign/gcd5ot4oxpat
Récompense de rôle de discorde
La récompense sera supervisée par l’équipe de gestion de la communauté IO.NET et oblige les utilisateurs à soumettre l’adresse du portefeuille Solana correct dans Discord.
Il participera à d’autres activités en fonction du degré de contribution, d’activité, de création de contenu, etc. pour obtenir le niveau de rôle de niveau aérien correspondant.
Résumer
En général, IO.NET et des plates-formes informatiques d’IA décentralisées similaires ouvrent un nouveau chapitre dans l’informatique de l’IA, bien qu’ils soient également confrontés à la complexité technique, à la stabilité du réseau et aux défis de sécurité des données.Mais IO.NET a le potentiel de changer complètement le modèle commercial de l’IA.On pense qu’avec la maturité de ces technologies et l’expansion des communautés de puissance de calcul, le pouvoir de calcul de l’IA décentralisé peut devenir une force clé pour promouvoir l’innovation et la popularisation de l’IA.
