io.net大火，全面了解计算类DePIN赛道的生态版图

原文标题：TheCaseforComputeDePINs

原文作者：PAULTIMOFEEV

原文来源：shoal

关键要点

• 随着机器学习和生成性AI开发的深度学习的兴起，计算资源变得越来越受欢迎，这两者都需要大量的计算密集型工作负载。然而，由于大型公司和政府大量积累这些资源，初创公司和独立开发者如今面临市场上GPU短缺的问题，导致成本过高和/或无法获得资源。
• 计算DePINs通过允许世界上任何人提供其闲置的供应以换取货币奖励，能够为GPU等计算资源创建去中心化的市场。这旨在帮助未被充分服务的GPU消费者接触到新的供应渠道，从而以降低的成本和开销获得其工作负载所需的开发资源。
• 计算DePINs在与传统的集中式服务提供商竞争时仍面临许多经济和技术挑战，其中一些挑战将随着时间的推移自行解决，而另一些则需要新的解决方案和优化。

计算是新的石油

自工业革命以来，技术以前所未有的速度推动了人类前进，几乎日常生活的每一个方面都受到影响或完全转变。计算机最终作为研究人员、学者和计算机工程师集体努力的结晶而出现。最初设计用于解决用于高级军事行动的大规模算术任务，计算机已演变为现代生活的支柱。随着计算机对人类的影响继续以前所未有的速度增长，对这些机器及其驱动资源的需求也在不断增长，超过了可用供应。这反过来又创造了市场动态，其中大多数开发者和企业无法获得关键资源的访问权限，使得机器学习和生成性人工智能的发展今天最具变革性的技术之一掌握在少数资金充足的玩家手中。与此同时，大量闲置的计算资源供应为帮助缓解计算供需之间的不平衡提供了一个有利可图的机会，加剧了参与者双方之间协调机制的需求。因此，我们认为，由区块链技术和数字资产支持的去中心化系统对于生成性人工智能产品和服务的更广泛、更民主和负责任的发展至关重要。

计算资源

计算可以定义为计算机根据给定输入发出明确输出的各种活动、应用程序或工作负载。最终，它指的是计算机的计算和处理能力，这是这些机器的核心效用，推动了现代世界的许多部分，仅在过去一年就产生了高达1.1万亿美元的收入。

计算资源指的是各种硬件和软件组件，这些组件使计算和处理成为可能。随着它们启用的应用程序和功能数量的持续增长，这些组件变得越来越重要，越来越多地出现在人们的日常生活中。这导致国家力量和企业之间争相积累尽可能多的这些资源，作为一种生存手段。这在提供这些资源的公司的市场表现中得到了体现（例如，Nvidia，其市值在过去5年中增长了3000%以上）。

GPU

GPU是现代高性能计算中最重要的资源之一。GPU的核心功能是作为专用电路，通过并行处理加速计算机图形工作负载。最初服务于游戏和个人电脑行业，GPU已经发展为服务于塑造未来世界的许多新兴技术（如主机和个人电脑、移动设备、云计算、物联网）。然而，由于机器学习和人工智能的兴起，对这些资源的需求特别加剧通过并行执行计算，GPU加速了ML和AI操作，从而增强了最终技术的处理能力和能力。

AI的崛起

AI的核心是使计算机和机器能够模拟人类智能和解决问题的能力。AI模型作为神经网络，由许多不同数据块组成。模型需要处理能力来识别和学习这些数据之间的关系，然后在基于给定输入创建输出时参考这些关系。

尽管人们普遍认为，AI开发和生产并不是新事物；1967年，FrankRosenblatt建造了Mark1Perceptron，这是第一个基于神经网络的计算机，通过试错法学习。此外，奠定我们今天所知的AI发展的大量学术研究在90年代末和2000年代初发表，该行业自那时以来一直在发展。

除了研发工作之外，狭隘的AI模型已经在今天使用的各种强大应用程序中发挥作用。示例包括社交媒体算法，如Apple的Siri和Amazon的Alexa、定制产品推荐等。值得注意的是，深度学习的兴起已经改变了人工生成智能（AGI）的发展。深度学习算法利用比机器学习应用程序更大的或更深的神经网络，作为更具可扩展性且性能更广泛的替代方案。生成性AI模型编码其训练数据的简化表示，并参考它以发出类似但不相同的新输出。

深度学习使开发人员能够将生成性AI模型扩展到图像、语音和其他复杂数据类型，而像ChatGPT这样的里程碑应用已经创下了现代最快用户增长记录，这些只是生成性AI和深度学习可能实现的早期迭代。

考虑到这一点，生成性AI开发涉及多个计算密集型工作负载，这需要大量的处理能力和计算能力，这应该不足为奇。

根据深度学习应用需求的三重奏，AI应用程序的开发受到几个关键工作负载的限制；

• 训练- 模型必须处理和分析大型数据集，以学习如何响应给定的输入。
• 调整- 模型经历一系列重复过程，其中调整和优化各种超参数以提高性能和质量。
• 模拟- 在部署之前，某些模型（例如强化学习算法）会经历一系列模拟以进行测试。

计算紧缩：需求大于供应

在过去的几十年中，许多技术进步推动了对计算和处理能力的前所未有的需求激增。因此，如今对GPU等计算资源的需求远远超过了可用供应，创造了AI开发中的瓶颈，如果没有有效的解决方案，这种瓶颈只会继续增长。

供应的更广泛限制进一步得到大量公司超出其实际需求购买GPU的支持，既作为竞争优势，又作为在现代全球经济中生存的手段。计算提供商通常采用需要长期资本承诺的合同结构，授予客户超出其需求要求的供应。

Epoch的研究表明，计算密集型AI模型发布的整体数量正在迅速增长，表明推动这些技术的资源需求将继续快速增长。

随着AI模型的复杂性继续增长，应用程序开发人员的计算和处理能力需求也会随之增长。反过来，GPU的性能及其后续可用性也将发挥越来越重要的作用。这已经开始实现，因为对高端GPU（例如Nvidia生产的GPU）的需求不断增长，Nvidia将GPU誉为AI行业的稀土金属或黄金。

AI的快速商业化有可能将控制权交给少数科技巨头，类似于今天的社交媒体行业，这引发了对这些模型伦理基础的担忧。一个著名的例子是最近关于GoogleGemini的争议。尽管其对各种提示的许多奇怪回复当时并未构成实际危险，但这一事件展示了少数公司主导和控制AI开发的固有风险。

今天的科技初创公司在获取计算资源以支持其AI模型方面面临越来越多的挑战。这些应用程序在模型部署之前执行许多计算密集型过程。对于较小的企业来说，积累大量GPU是一项基本不可持续的努力，而传统的云计算服务（如AWS或GoogleCloud）虽然提供了无缝且便捷的开发者体验，但其有限的容量最终导致高成本，使许多开发者无法承担。最终，并非每个人都能提出筹集7万亿美元来支付其硬件成本。

-->> 1/4 文章未完，请继续阅读

以上就是io.net大火，全面了解计算类DePIN赛道的生态版图的全部内容，望能这篇io.net大火，全面了解计算类DePIN赛道的生态版图可以帮助您解决问题，能够解决大家的实际问题是非常好学习网一直努力的方向和目标。