IO.NET à la lumière de l'histoire du développement de l'IA et du concept « IA + DePin »
TechFlow SélectionTechFlow Sélection
IO.NET à la lumière de l'histoire du développement de l'IA et du concept « IA + DePin »
io.net se concentre sur l'agrégation des ressources GPU pour les entreprises d'intelligence artificielle et d'apprentissage automatique, s'efforçant de fournir des services à moindre coût et avec des délais de livraison plus rapides.
Dédié à des analyses Web3 approfondiesAuteur : Fishery, contributeur principal de Biteye
Édité par : Crush, contributeur principal de Biteye
Communauté : @BiteyeCN
*Environ 6000 caractères au total, lecture estimée à 12 minutes
io.net est une plateforme décentralisée de puissance de calcul pour l'IA, basée sur Solana et développée par IO Research. Lors de son dernier tour de financement, elle a atteint une valorisation FDV de 1 milliard de dollars.
En mars de cette année, io.net a annoncé avoir levé 30 millions de dollars dans un tour de financement de série A mené par Hack VC, avec la participation de Multicoin Capital, 6th Man Ventures, Solana Ventures, OKX Ventures, Aptos Labs, Delphi Digital, The Sandbox et Sebastian Borget de The Sandbox.
io.net se concentre sur l'agrégation des ressources GPU destinées aux entreprises d'intelligence artificielle et d'apprentissage machine, en proposant des services à moindre coût et avec des délais de livraison plus rapides. Depuis son lancement en novembre dernier, io.net s'est étendu à plus de 25 000 GPU et a traité plus de 40 000 heures de calcul pour des sociétés spécialisées en IA et apprentissage machine.
La vision de io.net est de construire un réseau mondial de calcul décentralisé pour l’IA, créant ainsi un écosystème reliant les équipes et entreprises en IA/apprentissage machine aux ressources GPU puissantes du monde entier.
Dans cet écosystème, les ressources de calcul pour l’IA deviennent des biens standardisés, permettant aux offreurs et demandeurs de ne plus être freinés par le manque de ressources. À l’avenir, io.net prévoit également d’offrir un accès au magasin de modèles IO et à des fonctionnalités avancées telles que l’inférence sans serveur, le cloud gaming et le pixel streaming.
01 Contexte métier
Avant d’expliquer la logique commerciale de io.net, il convient d’examiner ce secteur du calcul décentralisé selon deux axes : l’évolution historique du calcul pour l’IA, et les cas passés similaires utilisant le calcul décentralisé.
L’évolution du calcul pour l’IA
Nous pouvons retracer l'évolution du calcul pour l'IA à travers plusieurs jalons clés :
1. Débuts de l’apprentissage automatique (années 1980 - début des années 2000)
À cette période, les méthodes d’apprentissage automatique reposaient principalement sur des modèles simples tels que les arbres de décision ou les machines à vecteurs de support (SVM). Leur demande en puissance de calcul était relativement faible, exécutable sur les ordinateurs personnels ou petits serveurs de l’époque. Les jeux de données étaient modestes ; l’ingénierie des caractéristiques et le choix du modèle constituaient les tâches principales.
Période : Années 1980 au début des années 2000
Besoin en puissance de calcul : Relativement faible, satisfait par un PC ou petit serveur.
Matériel informatique : Dominé par les CPU.
2. Montée en puissance de l’apprentissage profond (2006 - aujourd’hui)
En 2006, le concept d’apprentissage profond est réintroduit, marqué notamment par les travaux de Hinton. Par la suite, les réseaux neuronaux profonds, en particulier les réseaux neuronaux convolutifs (CNN) et les réseaux récurrents (RNN), connaissent des succès majeurs, signant une percée dans ce domaine. La demande en ressources de calcul augmente considérablement, surtout lors du traitement de grands jeux de données comme les images ou la voix.
Jalons :
Compétition ImageNet (2012) : La victoire d’AlexNet marque un tournant historique dans l’apprentissage profond, démontrant pour la première fois tout le potentiel de cette technologie en reconnaissance d’images.
AlphaGo (2016) : La victoire de AlphaGo, développé par Google DeepMind, contre Lee Sedol, champion mondial de go, constitue sans doute le moment le plus emblématique de l’IA à ce jour. Cet événement illustre non seulement les capacités de l’apprentissage profond dans les jeux complexes, mais aussi sa puissance face à des problèmes extrêmement difficiles.
Besoin en puissance de calcul : Fortement accru, nécessitant des ressources beaucoup plus puissantes pour entraîner des réseaux neuronaux profonds complexes.
Matériel informatique : Les GPU deviennent progressivement incontournables pour l’entraînement en apprentissage profond grâce à leur supériorité en traitement parallèle comparé aux CPU.
3. L’ère des grands modèles linguistiques (2018 – aujourd’hui)
L’apparition de BERT (2018) et des technologies GPT (à partir de 2018) a fait entrer les grands modèles au cœur du secteur de l’IA. Ces modèles comportent souvent des milliards, voire des trillions, de paramètres, faisant exploser la demande en puissance de calcul. Entraîner ces modèles requiert d’immenses quantités de GPU, voire des TPU spécialisés, ainsi que des infrastructures massives de refroidissement et d’alimentation électrique.
Période : 2018 à aujourd’hui.
Besoin en puissance de calcul : Extrêmement élevé, nécessitant de vastes grappes de GPU ou de TPU soutenues par des infrastructures adaptées.
Matériel informatique : En plus des GPU et TPU, apparaissent des matériels spécialisés optimisés pour les grands modèles d’apprentissage automatique, tels que les TPU de Google ou les séries A et H de Nvidia.
Sur les trente dernières années, la demande exponentielle en puissance de calcul pour l’IA est passée d’un niveau modeste durant les débuts de l’apprentissage automatique, à une augmentation significative avec l’avènement de l’apprentissage profond, puis à un pic absolu avec les grands modèles d’IA. Nous avons assisté à une amélioration spectaculaire tant en nombre qu’en performance du matériel informatique.
Cette croissance se manifeste non seulement par l’expansion des centres de données traditionnels et l’amélioration des performances des GPU, mais aussi par des seuils d’entrée élevés et des perspectives de rendement très lucratives, suffisants pour transformer la concurrence entre géants du web en bataille ouverte.
Les centres centralisés de puissance de calcul GPU impliquent des investissements initiaux importants : achat coûteux de matériel (comme les GPU eux-mêmes), construction ou location de centres de données, systèmes de refroidissement et frais de personnel d’entretien.
En comparaison, les projets de plateformes de calcul décentralisées comme io.net présentent un avantage net en termes de coût de mise en œuvre, réduisant fortement les dépenses initiales et opérationnelles, rendant ainsi possible pour les petites équipes de développer leurs propres modèles d’IA.
Les projets de GPU décentralisés exploitent les ressources distribuées existantes, évitant ainsi les investissements concentrés dans le matériel et les infrastructures. Des particuliers et entreprises peuvent contribuer leurs ressources GPU inutilisées au réseau, réduisant le besoin d’achats centralisés et de déploiement de ressources informatiques haute performance.
Ensuite, concernant les coûts opérationnels, les grappes traditionnelles de GPU exigent un entretien continu, ainsi que des frais d’électricité et de refroidissement. Grâce à l’utilisation de ressources distribuées, les projets de GPU décentralisés peuvent répartir ces coûts entre différents nœuds, allégeant ainsi le fardeau opérationnel d’une seule organisation.
Selon la documentation de io.net, cette dernière réduit considérablement ses coûts opérationnels en agrégeant des ressources GPU sous-utilisées provenant de centres de données indépendants, de mineurs de cryptomonnaies, ou d’autres réseaux matériels comme Filecoin et Render. Combiné à la stratégie d’incitation économique Web3, cela confère à io.net un avantage tarifaire majeur.
Calcul décentralisé
Historiquement, certains projets de calcul décentralisé ont déjà connu un grand succès, attirant de nombreux participants et produisant des résultats importants, même sans incitations économiques directes. Par exemple :
Folding@home : Projet lancé par l’université Stanford visant à simuler le repliement des protéines via le calcul distribué, afin d’aider les scientifiques à comprendre les mécanismes des maladies liées au mauvais repliement des protéines, comme Alzheimer ou la maladie de Huntington. Pendant la pandémie de COVID-19, Folding@home a mobilisé une immense puissance de calcul pour aider à la recherche sur le virus.
BOINC (Berkeley Open Infrastructure for Network Computing) : Plateforme logicielle open source soutenant divers projets de calcul bénévole ou en grille, dans des domaines variés comme l’astronomie, la médecine ou la climatologie. Les utilisateurs peuvent offrir leurs ressources informatiques inutilisées pour participer à différentes recherches scientifiques.
Ces projets démontrent non seulement la faisabilité du calcul décentralisé, mais aussi son potentiel énorme.
En mobilisant les ressources informatiques inexploitées de la société civile, on peut renforcer considérablement la puissance de calcul. Si l’on y ajoute innovamment un modèle économique Web3, on peut encore améliorer l’efficacité économique. L’expérience Web3 montre qu’un mécanisme d’incitation bien conçu est essentiel pour attirer et maintenir la participation des utilisateurs.
En intégrant un modèle d’incitation, on peut créer un environnement communautaire d’entraide mutuelle, favorisant ainsi l’élargissement de l’activité et une boucle vertueuse de progrès technologique.
Par conséquent, io.net peut, grâce à son mécanisme d’incitation, attirer un large éventail de participants qui contribuent ensemble à la puissance de calcul, formant ainsi un réseau de calcul décentralisé puissant.
Le modèle économique Web3 combiné au potentiel du calcul décentralisé fournit à io.net une forte dynamique de croissance, permettant une utilisation efficace des ressources et une optimisation des coûts. Cela stimule non seulement l’innovation technologique, mais offre également de la valeur aux participants, positionnant io.net comme un acteur distinct dans la compétition autour de l’IA, avec un potentiel de développement et un espace marché considérables.
02 Technologie io.net
Grappes (Clusters)
Un cluster GPU désigne un ensemble complexe de GPU interconnectés via un réseau, formant un groupe de calcul collaboratif. Cette méthode améliore considérablement l’efficacité et la capacité de traitement des tâches d’IA complexes.
Le calcul en cluster accélère non seulement l’entraînement des modèles d’IA, mais renforce aussi la capacité à traiter de grands volumes de données, rendant les applications d’IA plus flexibles et évolutives.
Dans le processus traditionnel d’entraînement de modèles d’IA par les entreprises Internet, l’utilisation de vastes grappes GPU est indispensable. Toutefois, en envisageant un passage à un modèle de calcul en cluster décentralisé, de nombreux défis techniques apparaissent.
Comparé aux clusters d’IA des entreprises Internet classiques, le calcul en cluster GPU décentralisé pose davantage de problèmes : les nœuds peuvent être dispersés géographiquement, ce qui introduit des latences réseau et des limites de bande passante, affectant potentiellement la vitesse de synchronisation des données entre nœuds, donc l’efficacité globale du calcul.
En outre, assurer la cohérence et la synchronisation en temps réel des données entre les nœuds est crucial pour garantir l’exactitude des résultats de calcul. Cela exige que la plateforme de calcul décentralisé développe des mécanismes efficaces de gestion et de synchronisation des données.
De même, la gestion et l’ordonnancement des ressources informatiques dispersées, afin d’assurer l’exécution efficace des tâches de calcul, constituent un autre défi majeur.
io.net résout cela en intégrant Ray et Kubernetes pour construire une plateforme de calcul en cluster décentralisée.
Ray, en tant que framework de calcul distribué, gère directement l’exécution des tâches sur plusieurs nœuds. Il optimise le traitement des données et l’entraînement des modèles d’apprentissage automatique, garantissant une exécution efficace sur chaque nœud.
Kubernetes joue quant à lui un rôle clé de gestion : il automatise le déploiement et la gestion des applications conteneurisées, assurant une allocation et une adaptation dynamiques des ressources informatiques selon la demande.
Dans ce système, la combinaison de Ray et Kubernetes crée un environnement de calcul dynamique et élastique. Ray garantit que les tâches sont exécutées efficacement sur les nœuds appropriés, tandis que Kubernetes assure la stabilité et l’extensibilité du système, gérant automatiquement l’ajout ou la suppression de nœuds.
Cette synergie permet à io.net d’offrir des services de calcul cohérents et fiables dans un environnement décentralisé, répondant aux besoins variés des utilisateurs, que ce soit pour le traitement des données ou l’entraînement des modèles.
Ainsi, io.net optimise non seulement l’utilisation des ressources et réduit les coûts d’exploitation, mais augmente aussi la souplesse du système et le contrôle utilisateur. Les utilisateurs peuvent facilement déployer et gérer des tâches de calcul de toutes tailles, sans se soucier des détails de configuration et de gestion des ressources sous-jacentes.
Ce modèle de calcul décentralisé, appuyé par les puissantes fonctionnalités de Ray et Kubernetes, assure à la plateforme io.net efficacité et fiabilité dans le traitement de tâches complexes et à grande échelle.
Vie privée
Étant donné que la logique d’allocation des tâches dans un cluster décentralisé est bien plus complexe que celle des clusters centralisés en centre de données, et que le transfert de données et de tâches via le réseau augmente les risques de sécurité, la protection de la sécurité et de la vie privée devient cruciale dans un cluster décentralisé.
io.net améliore la sécurité et la confidentialité du réseau en exploitant les propriétés décentralisées des canaux VPN maillés (mesh). Dans un tel réseau, l’absence de point central ou de passerelle unique réduit fortement le risque de panne ponctuelle ; même si certains nœuds rencontrent des problèmes, l’ensemble du réseau continue de fonctionner.
Les données transitent dans le réseau maillé par plusieurs chemins, rendant difficile le traçage de leur source ou destination, renforçant ainsi l’anonymat des utilisateurs.
De plus, grâce à des techniques comme le remplissage des paquets et l’obfuscation temporelle (Traffic Obfuscation), les réseaux VPN maillés brouillent davantage les schémas de circulation des données, empêchant les écoutes de déchiffrer les motifs de trafic ou d’identifier des utilisateurs ou flux spécifiques.
Le mécanisme de confidentialité de io.net réussit car il construit conjointement un environnement de transmission des données complexe et changeant, rendant difficile pour un observateur extérieur de capter des informations exploitables.
En même temps, la structure décentralisée évite le risque que toutes les données transitent par un point unique. Cette conception améliore non seulement la robustesse du système, mais diminue aussi les vulnérabilités aux attaques. Par ailleurs, la transmission par plusieurs chemins et les stratégies de brouillage du trafic ajoutent une couche supplémentaire de protection aux transmissions des utilisateurs, renforçant ainsi la confidentialité globale du réseau io.net.
03 Modèle économique
IO est la cryptomonnaie native et le jeton de protocole du réseau io.net, répondant aux besoins de deux grandes catégories d’acteurs dans l’écosystème : les startups IA et les développeurs, ainsi que les fournisseurs de puissance de calcul.
Pour les startups IA et les développeurs, IO simplifie le processus de paiement pour le déploiement de clusters, le rendant plus pratique. Ils peuvent également utiliser des crédits IOSD indexés sur le dollar pour payer les frais de transaction des tâches de calcul sur le réseau. Chaque modèle déployé sur io.net nécessite une petite transaction en IO pour chaque inférence.
Pour les fournisseurs, en particulier ceux qui mettent à disposition des ressources GPU, le jeton IO garantit une rémunération juste. Que ce soit un revenu direct lors de la location du GPU, ou un revenu passif généré en participant à l’inférence de modèles du réseau pendant les périodes d’inactivité, chaque contribution du GPU est récompensée en IO.
Dans l’écosystème io.net, le jeton IO n’est pas seulement un moyen de paiement et d’incitation, mais aussi un pilier de gouvernance. Il rend chaque étape — développement, entraînement, déploiement de modèles et création d’applications — plus transparente et efficace, assurant une coopération mutuellement bénéfique entre les participants.
Ainsi, IO incite activement la participation et la contribution au sein de l’écosystème, tout en offrant aux startups IA et ingénieurs une plateforme de soutien complète, stimulant ainsi le développement et l’application des technologies d’intelligence artificielle.
io.net a soigneusement conçu son modèle d’incitation pour assurer une boucle vertueuse à l’écosystème. L’objectif de io.net est d’établir pour chaque carte GPU du réseau un tarif horaire direct exprimé en dollars. Pour cela, il faut mettre en place un mécanisme de tarification des ressources GPU/CPU clair, équitable et décentralisé.
En tant que marché bidirectionnel, le cœur du modèle d’incitation vise à relever deux défis majeurs : d’une part, réduire le coût élevé de location des capacités de calcul GPU/CPU, ce qui est essentiel pour élargir l’indicateur de demande en puissance de calcul pour l’IA et l’apprentissage automatique ; d’autre part, résoudre le problème de pénurie de nœuds GPU disponibles chez les fournisseurs de cloud GPU.
Ainsi, du côté de la demande, les considérations incluent la tarification et la disponibilité des concurrents, afin d’offrir une option compétitive et attractive sur le marché, avec ajustement des prix en période de pointe ou de tension sur les ressources.
Du côté de l’offre de puissance de calcul, io.net cible deux marchés clés : les joueurs et les mineurs GPU de cryptomonnaies. Les joueurs possèdent souvent du matériel haut de gamme et une connexion internet rapide, mais généralement une seule carte GPU ; les mineurs GPU de cryptomonnaies disposent de grandes quantités de ressources GPU, bien que leurs connexions internet et espaces de stockage puissent être limités.
Par conséquent, le modèle de tarification prend en compte plusieurs dimensions : performance du matériel, bande passante internet, tarification concurrentielle, disponibilité de l’offre, ajustements selon les heures de pointe, tarification engagée, différences géographiques, ainsi que le profit optimal lorsque le matériel est utilisé pour d’autres activités minières Proof-of-Work.
À l’avenir, io.net prévoit de proposer un système entièrement décentralisé de tarification, ainsi qu’un outil de benchmark similaire à speedtest.net pour évaluer le matériel des mineurs, afin de créer un marché complètement décentralisé, équitable et transparent.
04 Modes de participation
io.net a lancé l’initiative Ignition, première phase de son programme d’incitation communautaire, destinée à accélérer la croissance du réseau IO.
Ce programme comporte trois pools de récompenses totalement indépendants.
-
Récompenses Workers (GPU)
-
Récompenses Missions Galactiques (Galaxy Tasks)
-
Récompenses rôles Discord (Airdrop Tier Role)
Ces trois pools de récompenses sont totalement indépendants : les participants peuvent obtenir des récompenses séparément de chacun d’eux, sans avoir à associer le même portefeuille à chaque pool.
Récompenses pour nœuds GPU
Pour les nœuds déjà connectés, les points d’airdrop sont calculés à partir du 4 novembre 2023 jusqu’à la fin de l’activité, le 25 avril 2024. À la fin de l’opération Ignition, tous les points accumulés seront convertis en récompenses d’airdrop.
Les points d’airdrop prennent en compte quatre critères :
A. Temps d’embauche (Ratio of Job Hours Done - RJD) : durée totale d’emploi depuis le 4 novembre 2023 jusqu’à la fin de l’activité.
B. Bande passante (Bandwidth - BW) : classement selon la vitesse de bande passante :
Faible : téléchargement 100 Mo/s, upload 75 Mo/s.
Moyenne : téléchargement 400 Mo/s, upload 300 Mo/s.
Haute : téléchargement 800 Mo/s.
C. Modèle GPU (GPU Model - GM) : déterminé par le modèle GPU, les cartes plus performantes rapportant plus de points.
D. Temps de fonctionnement réussi (Uptime - UT) : durée totale de fonctionnement réussi depuis le 4 novembre 2023 jusqu’à la fin de l’activité.
À noter : les points d’airdrop devraient être consultables par les utilisateurs vers le 1er avril 2024.
Récompenses Missions Galaxie (Galxe)
Lien des missions Galxe : https://galxe.com/io.net/campaign/GCD5ot4oXPAt
Récompenses rôles Discord
Ces récompenses sont supervisées par l’équipe communautaire de io.net, et les utilisateurs doivent soumettre leur adresse de portefeuille Solana correcte sur Discord.
Les rôles Airdrop Tier Role seront attribués selon le niveau de contribution, d’activité, de création de contenu et de participation à d’autres activités.
05 Conclusion
En résumé, io.net et d'autres plateformes similaires de calcul IA décentralisé ouvrent un nouveau chapitre dans le calcul pour l’IA. Bien qu’ils fassent face à des défis techniques complexes, à la stabilité du réseau et à la sécurité des données, io.net possède le potentiel de transformer radicalement le modèle économique de l’IA. Avec la maturation de ces technologies et l’élargissement de la communauté de puissance de calcul, le calcul décentralisé pour l’IA pourrait devenir une force motrice clé de l’innovation et de la diffusion de l’intelligence artificielle.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@BiteyeCN
