亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

當前位置：主頁 > 區(qū)塊鏈 > 區(qū)塊鏈技術 > 詳解基礎設施層

AI+Web3未來發(fā)展之路：基礎設施篇

2024-03-22 11:44:18 | 來源： | 作者：佚名
AI+Web3是當下最熱門的兩個技術主題的碰撞，近期也出現了一批該主題的項目，凸顯了市場對這個主題的關注和期待,本文是Future3 Campus AI+Web3 產業(yè)研究報告第二篇，詳解基礎設施層的發(fā)展?jié)摿?、敘事邏輯和代表性頭部項目

本文是Future3 Campus AI+Web3 產業(yè)研究報告第二篇，詳解基礎設施層的發(fā)展?jié)摿?、敘事邏輯和代表性頭部項目。第一篇：AI+Web3 未來發(fā)展之路：產業(yè)圖景和敘事邏輯。

基礎設施是AI發(fā)展的確定性成長方向

爆發(fā)增長的 AI 算力需求

近年來，算力需求快速增長，尤其是在 LLM 大模型面世后，AI 算力需求引爆了高性能算力市場。OpenAI 數據顯示，自 2012 年以來，用于訓練最大 AI 模型的計算用量呈指數級增長，平均每 3-4 個月翻倍，其增長速度大大超過了摩爾定律。AI 應用的需求增長導致了對計算硬件的需求快速增加，預計到 2025 年，AI 應用對計算硬件的需求將增長約 10% 到 15%。

受 AI 算力需求影響，GPU 硬件廠商英偉達的數據中心收入持續(xù)增長，23 年 Q2 的數據中心收入達到 $10.32B，比 23 年 Q1 增長 141%，比去年同期增長 171%。2024 財年第四季度中數據中心業(yè)務占據 83% 以上營收，同步增長 409%，其中 40% 用于大模型的推理場景，顯示出對于高性能算力的強大需求。

同時需要海量數據也對存儲和硬件內存提出了要求，尤其是在模型訓練階段，需要大量的參數輸入，需要存儲大量數據。在 AI 服務器中應用的存儲芯片主要包括：高帶寬存儲器 （HBM）、DRAM 和 SSD，針對 AI 服務器的工作場景需要提供更大的容量、更高的性能、更低的延遲和更高的響應速度。根據美光測算， AI 服務器中 DRAM 數量是傳統服務器的 8 倍，NAND 是傳統的 3 倍。

供需失衡推動高昂的算力成本

通常來說，算力主要應用在 AI 模型的訓練、微調和推測階段，尤其是在訓練微調階段，由于更大的數據參數輸入和計算量，同時對并行計算的互聯性要求更高，因此需要更性能、互聯能力更強的 GPU 硬件，通常是高性能的 GPU 算力集群。隨著大模型的發(fā)展，計算復雜度也直線上升，使得需要更多高端硬件來滿足模型訓練需求。

以 GPT3 為例，按 1300 萬獨立用戶訪問的情況來說，對應的芯片需求是 3 萬多片 A100GPU。那么初始投入成本將達到驚人的 8 億美元，每日模型推理費用預估費用 70 萬美元。

同時，據行業(yè)報道，2023 年第四季度，NVIDIA GPU 供應量在全球范圍內都被嚴格限制，導致全球市場都出現了明顯的供不應求。英偉達產能受限于臺積電、HBM、CoWos 封裝等產能，H100 的「嚴重缺貨問題」至少會持續(xù)到 2024 年底。

因此高端 GPU 的需求上升和供應受阻兩方面推動了當前 GPU 等硬件的高昂價格，尤其是類似英偉達這種占據產業(yè)鏈底層核心的公司，通過龍頭壟斷還能進一步獲得價值紅利。例如英偉達的 H100 AI 加速卡的物料成本約為 3000 美元，而在 2023 年中售價已經達到了 3.5 萬美元左右，甚至在 eBay 上賣出了超過 4w 美元的價格。

AI 基礎設施占據產業(yè)鏈核心價值增長

Grand View Research 的報告顯示，全球云 AI 市場的規(guī)模在 2023 年估計為 626.3 億美元，并預計到 2030 年將增長到 6476 億美元，年復合增長率為 39.6%。這一數據反映了云 AI 服務的增長潛力及其在整個 AI 產業(yè)鏈中所占的重要份額。

根據 a16z 的估算，AIGC 市場的大量資金最終流向了基礎設施公司。平均而言，應用程序公司將大約 20-40% 的收入用于推理和針對每個客戶的微調。這通常直接支付給計算實例的云提供商或第三方模型提供商——反過來，第三方模型提供商將大約一半的收入花在云基礎設施上。因此，有理由猜測當今 AIGC 總收入的 10-20% 流向了云提供商。

同時，更大一部分的算力需求在于大型 AI 模型的訓練，例如各類 LLM 大模型，尤其是對于模型初創(chuàng)公司，80-90% 的成本都用于 AI 算力使用。綜合來看，AI 計算基礎設施（包括云計算和硬件）預計占據市場初期 50% 以上的價值。

去中心化 AI 計算

如上文所述，當前中心化 AI 計算的成本高企，很重要的一個原因是 AI 訓練對高性能基礎設施的需求增長。但是實際上市場上大量仍然存在大量的算力面臨閑置的問題，出現了一部分的供需錯配。其中主要原因是：

  • 受限于內存，模型復雜度與所需要的 GPU 數量并不是線性增長關系：當前的 GPU 具有算力優(yōu)勢，但是模型訓練需要大量的參數存儲在內存。例如對于 GPT-3 來說，為了訓練 1750 億個參數的模型，需要在內存中保存超過 1 TB 的數據——這超過了當今現有的任何 GPU，因此需要更多的 GPU 進行并行計算和存儲，這又會導致 GPU 算力的閑置。比如從 GPT3 到 GPT4，模型參數規(guī)模增加約 10 倍，但是所需要的 GPU 數量增加了 24 倍（且不考慮模型訓練時間的增長）。據相關分析稱，OpenAI 在 GPT-4 的訓練中使用了大約 2.15e25 的 FLOPS，在大約 25000 個 A100 GPU 上進行了 90 到 100 天的訓練，其算力利用率約為 32% 至 36%。

面對以上問題，設計更加符合 AI 工作的高性能芯片或者專用 ASIC 芯片是目前很多開發(fā)者和大型企業(yè)在探索的方向，另一個角度則是綜合利用現有的計算資源，建設分布式算力網絡，通過算力的租賃、共享、調度等來降低算力的成本。此外，目前市場有很多閑置的消費級 GPU 和 CPU，單體算力不強，但是在某些場景或者與現有高性能芯片一起配置也能過滿足現有的計算需求，最重要的是供應充足，通過分布式網絡調度能夠進一步降低成本。

因此分布式算力成為了 AI 基礎設施發(fā)展的一個方向。同時因為 Web3 與分布式具有相似的概念，去中心化算力網絡也是當前 Web3+AI 基礎設施的主要應用方向。目前市場上的 Web3 去中心化算力平臺普遍能夠提供相比較中心化云算力低 80%-90% 的價格。

存儲雖然也為 AI 最重要的基礎設施，但存儲對大規(guī)模、易用性、低延遲等要求使得目前中心化的存儲具有更大的優(yōu)勢。而分布式計算網絡由于其顯著的成本優(yōu)勢，則存在更加切實的市場，能夠更大地享受到 AI 市場爆發(fā)帶來的紅利。

  • 模型推理和小模型訓練是當前分布式算力的核心場景。分布式算力由于算力資源的分散，不可避免地增加 GPU 之間的通信問題，因此會降低算力性能。因此，分布式算力首先更加適合對通信要求少，可以支持并行的場景，例如 AI 大模型的推理階段，以及參數量比較少的小模型，其受到的性能影響較小。事實上隨著未來 AI 應用的發(fā)展，推理才是應用層的核心需求，大部分公司沒有能力去做大模型的訓練，因此分布式算力仍然具有長期潛力的市場。

  • 為大規(guī)模并行計算設計的高性能分布式訓練框架也不斷涌現。例如 Pytorch、Ray、DeepSpeed 等創(chuàng)新式的開源分布式計算框架為開發(fā)者使用分布式算力進行模型訓練提供了更強的基礎支持，使得分布式算力在未來 AI 市場的適用性會更強。

AI+Web3 基礎設施項目的敘事邏輯

我們看到，分布式 AI 基礎設施需求強，且具有長期增長潛力，因此是易于敘事和受到資本青睞的領域。目前 AI+Web3 產業(yè)的基礎設施層的主要項目基本是以去中心化的計算網絡為主要的敘事，以低成本為主要優(yōu)勢，以代幣激勵為主要方式擴展網絡，服務 AI+Web3 客戶為主要目標。主要包括兩個層面：

1.比較純粹的去中心化云計算資源的共享和租賃平臺：有很多早期的 AI 項目，例如 Render Network、Akash Network 等；

  • 算力資源為主要競爭優(yōu)勢：核心競爭優(yōu)勢和資源通常是能夠接觸到大量的算力提供商，快速建立其基礎網絡，同時提供易用性強的產品給客戶使用。早期市場中很多做云算力的公司和礦工會更容易切入這個賽道。

  • 產品門檻較低，上線速度快：對于 Render Network、Akash Network 這種成熟產品來說，已經可以看到切實增長的數據，具有一定的領先優(yōu)勢。

  • 新進入者產品同質化：由于目前賽道熱點和此類產品低門檻的特點，最近也進入了一大批做共享算力、算力租賃等敘事的項目，但是產品比較同質化，還需要看到更多的差異化競爭優(yōu)勢。

  • 偏向于服務簡單計算需求的客戶：例如 Render Network 主要服務渲染需求，Akash Nerwork 的資源提供中 CPU 更多。簡單的計算資源租賃多數滿足簡單的 AI 任務需求，無法滿足復雜的 AI 訓練、微調、推測等全生命周期需求。

2.提供去中心化計算 +ML 工作流服務：有很多最近獲得高額融資的新興項目，例如 Gensyn, io.net, Ritual 等；

  • 去中心化計算抬高估值地基。由于算力是 AI 發(fā)展的確定性敘事，因此具有算力基礎的項目通常具有更加穩(wěn)定和高潛力的商業(yè)模式，使得對比純中間層項目具有更高的估值。

  • 中間層服務打出差異化優(yōu)勢。中間層的服務則是這些算力基礎設施具有競爭優(yōu)勢的部分，例如服務 AI 鏈上鏈下計算同步的預言機和驗證器，服務 AI 整體工作流的部署和管理工具等。AI 工作流具有協作性、持續(xù)反饋、復雜度高等特點，在流程中的多個環(huán)節(jié)都需要應用到算力，因此一個更加具有易用性，高協作性，能夠滿足 AI 開發(fā)者復雜需求的中間層基礎設施在當下是具有競爭力的，特別是在 Web3 領域中需要滿足 Web3 開發(fā)者對于 AI 的需求。這樣的服務更容易承接到潛在的 AI 應用市場，而不是僅僅支持簡單的計算需求。

  • 通常需要在 ML 領域有專業(yè)運維經驗的項目團隊。能夠提供上述中間層服務的團隊通常需要對整個 ML 的工作流程有詳細的了解，才能更好的滿足開發(fā)者的全生命周期需求。盡管這類的服務通常會采用到很多現有的開源框架和工具，不一定具有強技術創(chuàng)新，但是仍然需要具有豐富經驗和強大工程能力的團隊，這也是項目的競爭優(yōu)勢。

通過提供比中心化云計算服務更優(yōu)惠的價格，但配套和使用體驗比較相近的服務，這類項目獲得了很多頭部資本的認可，但同時技術復雜度也更高，目前基本在敘事和開發(fā)階段，還未有完善上線的產品。

代表項目

Render Network

Render Network 是一個基于區(qū)塊鏈的全球渲染平臺，提供分布式的 GPU，為創(chuàng)作者提供更低成本，更高速的 3D 渲染服務，在創(chuàng)作者確認過渲染結果后，再由區(qū)塊鏈網絡向節(jié)點發(fā)送代幣獎勵。平臺提供分布式 GPU 的調度和分配網絡，按照節(jié)點的用量情況、聲譽等進行作業(yè)的分配，最大化地提高計算的效率，減少資源閑置，降低成本。

Render Network 的代幣 RNDR 是平臺中的支付型代幣，創(chuàng)作者可以使用 RNDR 支付渲染服務，服務商則通過提供算力完成渲染作業(yè)而獲得 RNDR 獎勵。渲染服務的價格會根據當前網絡中的用量情況等進行動態(tài)調節(jié)。

渲染是分布式算力架構運用相對合適且成熟的場景，因為可以將渲染任務分為多個子任務高度并行地執(zhí)行，互相之前不需要過多的通信和交互，所以可以最大化避免分布式算力架構的弊端，同時充分利用廣泛的 GPU 節(jié)點網絡，有效降低成本。

因此，Render Network 的用戶需求也較為可觀，自 2017 年創(chuàng)立以來，Render Network 用戶在網絡上渲染了超過 1600 萬幀和近 50 萬個場景，且渲染幀數作業(yè)和活躍節(jié)點數都呈增長的趨勢。此外，Render Network 于 2023 Q1 也推出了原生集成 Stability AI 工具集，用戶可以的該項功能引入 Stable Diffusion 作業(yè)，業(yè)務也不再局限于渲染作業(yè)而向 AI 領域擴展。

Gensyn.ai

Gensyn 是一個用于深度學習計算的全球性的超級計算集群網絡，基于波卡的 L1 協議，2023 年獲得了由 a16z 領投的 4300 萬美元 A 輪融資。

Gensyn 的敘事架構中不僅包含了基礎設施的分布式算力集群，還包括上層的驗證體系，證明在鏈外執(zhí)行的大規(guī)模計算是按照鏈的要求執(zhí)行的，即用區(qū)塊鏈來驗證，從而構建一個無需信任的機器學習網絡。

分布式算力方面，Gensyn 能夠支持從多余容量的數據中心到帶有潛在 GPU 的個人筆記本電腦，它將這些設備連接成一個單一的虛擬集群，開發(fā)者可以隨需訪問和點對點使用。Gensyn 將創(chuàng)建一個價格由市場動態(tài)決定且向所有參與者開放的市場，可以使 ML 計算的單位成本達到公平均衡。

而驗證體系是 Gensyn 更重要的概念，它希望網絡能夠驗證機器學習任務是否按照請求正確完成，它創(chuàng)新了一種更加高效的驗證方法，包含了概率性學習證明、基于圖的精準定位協議和 Truebit 式激勵游戲三大核心技術點，相比傳統區(qū)塊鏈中的重復驗證方法更加高效。其網絡中的參與者包括提交者、求解者、驗證者和舉報者，來完成整個驗證流程。

按照 Gensyn 協議在白皮書中的綜合測試數據來看，目前其顯著優(yōu)勢是：

  • 能夠降低 AI 模型訓練的成本：預計 Gensyn 協議上的 NVIDIA V100 等效計算的每小時成本約為 0.40 美元，比 AWS 按需計算便宜 80%。

  • 更加高效的無需信任的驗證網絡：按照白皮書中的測試，Gensyn 協議進行模型訓練的時間開銷，與 Truebit 式復制相比，性能提升了 1,350%，與以太坊相比，性能提升了 2,522,477%。

但同時，分布式算力相比較本地訓練，由于通訊和網絡問題，不可避免地增加了訓練時間，測試數據中，Gensyn 協議為模型訓練增加了約 46% 的時間開銷。

Akash network

Akash network 是一個分布式的云計算平臺，結合不同的技術組件，讓用戶可以在去中心化的云環(huán)境中高效、靈活地部署和管理應用程序，簡單地說，它提供用戶租賃分布式計算資源。

Akash 的底層是分布在全球的多個基礎設施服務商，提供 CPU、GPU、內存、存儲資源，并通過上層的 Kubernetes 集群將資源提供給用戶進行租賃。而用戶可以將應用程序部署為 Docker 容器，來使用更低成本的基礎設施服務。同時，Akash 采用「反向拍賣」的方式，使得資源價格進一步降低。按照 Akash 官網的估算，其平臺的服務成本比中心化服務器降低約 80% 以上。

io.net

io.net 是一個去中心化計算網絡，連接全球分布式的 GPU，為 AI 的模型訓練和推理等提供算力支持。io.net 剛剛完成了 3000 萬美元的 A 輪融資，估值達到了 10 億美元。

io.net 相比 Render、Akash 等，是一個更加健全、擴展性更強的去中心化計算網絡，接入多個層面的開發(fā)者工具，其特點包括：

  • 聚合更多的算力資源：獨立數據中心、加密礦工以及 Filecoin、Render 等加密項目的 GPU。

  • 核心支持 AI 需求：核心服務的功能包括批量推理和模型服務、并行訓練、并行超參數調整和強化學習。

  • 更加健全的技術棧以支持更高效的云環(huán)境工作流：包括多種編排工具、ML 框架（計算資源的分配、算法的執(zhí)行以及模型訓練和推理等操作）、數據存儲解決方案、GPU 監(jiān)控和管理工具等。

  • 并行計算能力：集成 Ray 這一開源的分布式計算框架，擁抱 Ray 的原生并行性，輕松并行化 Python 函數，從而實現動態(tài)任務執(zhí)行。其內存存儲確保任務之間的快速數據共享，消除序列化延遲。此外，io.net 不僅限于 Python，還集成了 PyTorch 和 TensorFlow 等其他領先的 ML 框架，使其擴展性更強。

在價格上，io.net 官網預計其價格將比中心化云計算服務降低約 90%。

此外，io.net 的代幣 IO coin 未來主要用于生態(tài)內服務的支付和獎勵，或者需求方也可以用類似 Helium 的模式將 IO coin 燃燒換成穩(wěn)定幣「IOSD 積分」來進行支付。

聲明：文章內容不代表本站觀點及立場，不構成本平臺任何投資建議。本文內容僅供參考，風險自擔！
Tag：AI   Web3  

你可能感興趣的文章

幣圈快訊

  • H100Group宣布增持46.93枚BTC，總持有量達294.5枚BTC

    2025-07-09 23:19
    ChainCatcher消息，據官方消息，瑞典上市公司H100Group宣布增持46.93枚BTC，目前比特幣總持有量為294.5枚。

  • ZachXBT：Circle仍未凍結GMX被盜的900萬枚USDC

    2025-07-09 23:18
    ChainCatcher消息，鏈上偵探ZachXBT發(fā)文抨擊Circle對黑客行為無作為，在GMXV1平臺遭受4000萬美元黑客攻擊后，被盜資金在區(qū)塊鏈上停留1-2小時，Circle仍未凍結超過900萬枚USDC，這些資金已從Arbitrum通過CCTP橋接至以太坊網絡。

  • pump.fun公售細則：英美用戶無法參與，公售結束后48至72小時內可轉讓

    2025-07-09 23:09
    ChainCatcher消息，pump.fun在X平臺發(fā)文表示，公開銷售將持續(xù)到150,000,000,000枚代幣售罄或7月15日UTC14:00結束。代幣初始不可交易，銷售結束后48-72小時內將開放轉賬功能。 美國和英國的公民及居民不得參與PUMP的首次代幣發(fā)行，本次代幣銷售也不會在美國、英國或任何不被允許的地區(qū)進行。

  • 派盾：GMX攻擊者已將2000枚ETH轉至Arbitrum上新地址

    2025-07-09 23:07
    ChainCatcher消息，據派盾監(jiān)測，GMX攻擊者標記地址已將2000枚ETH（約合530萬美元）轉至Arbitrum上的新地址0x99Cd…2DAe。 此外，該攻擊者還在以太坊上將約900萬枚USDC兌換為約900萬枚DAI。

  • 區(qū)塊鏈房產繼承機制亟待解決，技術融合或成關鍵?

    2025-07-09 23:05
    ChainCatcher消息，據Cointelegraph報道，隨著全球房地產代幣化市場規(guī)模預計在2035年達到4萬億美元，資產繼承問題成為行業(yè)發(fā)展的關鍵瓶頸。當前缺乏標準化的鏈上繼承機制，可能導致高價值代幣化資產因密鑰丟失或法律模糊而永久滅失。 專家建議通過智能合約、NFT分片及生物識別等技術融合，構建去中心化數據存續(xù)協議(DeDasP)，實現自動化資產繼承。該方案需在保持去中心化原則的同時，解決跨代財富轉移的安全性問題。
    • 查看更多