TechFlow Logo
ログイン/ 登録
ETHガス
Gwei
恐怖
gas
IO.NETを「AI+DePin」というコンセプトで見るAIの発展史

IO.NETを「AI+DePin」というコンセプトで見るAIの発展史

2024.04.02
共有先
io.netはAIおよび機械学習企業向けにGPUリソースを集約し、より低コストかつ迅速な納期でサービスを提供することを目指しています。

著者:Biteye コア貢献者 Fishery

編集:Biteye コア貢献者 Crush

コミュニティ:@BiteyeCN

*全 文約6000字、予想読了時間は12分です

io.netはIO Researchが開発したSolanaベースの分散型AIコンピューティングプラットフォームであり、最新の資金調達ラウンドで10億ドルのFDV評価額を達成しました。

io.netは今年3月、Hack VCの主導により3000万ドルのシリーズA資金調達を完了したことを発表しました。このラウンドにはMulticoin Capital、6th Man Ventures、Solana Ventures、OKX Ventures、Aptos Labs、Delphi Digital、The Sandbox、The SandboxのSebastian Borgetなども参加しています。

io.netはAIおよび機械学習企業向けにGPUリソースを集約することに特化しており、より低コストかつ迅速なサービス提供を目指しています。昨年11月のローンチ以降、io.netは25,000以上のGPUを擁するネットワークへと成長し、AIおよび機械学習企業のために40,000時間以上の計算処理を実行してきました。

io.netのビジョンは、AIおよび機械学習チーム/企業と世界中の強力なGPUリソースを結びつけるエコシステムを構築し、グローバル規模の分散型AIコンピューティングネットワークを構築することです。

このエコシステムにおいて、AIコンピューティングリソースは商品化され、需給双方ともリソース不足に悩まされることなくなります。今後io.netは、IOモデルストアへのアクセスや、サーバーレス推論、クラウドゲーム、ピクセルストリーミングなどの高度な推論機能の提供も予定しています。

01 事業背景

io.netのビジネスロジックを紹介する前に、まず「分散型コンピューティング」という分野を以下の2つの観点から理解しておく必要があります。1つはAIコンピューティングの進化の歴史、もう1つは過去に存在した分散型コンピューティングの事例です。

AIコンピューティングの進化の歴史

AIコンピューティングの発展軌跡は、いくつかの重要な時代区分によって描くことができます。

第一段階:機械学習の初期(1980年代〜2000年代初頭)

この時期、機械学習は決定木やサポートベクターマシン(SVM)といった比較的単純なモデルに集中していました。これらのモデルは計算負荷が低く、当時のパーソナルコンピュータや小型サーバーでも実行可能でした。データセットも小さく、特徴量エンジニアリングやモデル選択が主な課題でした。

時期:1980年代~2000年代初頭

計算能力の要求:比較的低く、個人用PCまたは小型サーバーで十分。

計算ハードウェア:CPUが中心。

第二段階:ディープラーニングの台頭(2006年~最近)

2006年、Hintonらの研究を契機にディープラーニングの概念が再登場しました。その後、特に畳み込みニューラルネットワーク(CNN)やリカレントニューラルネットワーク(RNN)の成功により、この分野は大きな飛躍を遂げました。この段階では、画像や音声など大規模データセットの処理において、計算リソースの需要が著しく増加しました。

主な出来事:

ImageNetコンペティション(2012年):AlexNetが優勝したこのイベントは、ディープラーニング史上の象徴的な出来事であり、画像認識分野におけるディープラーニングの巨大な可能性を初めて示しました。

AlphaGo(2016年):Google DeepMindのAlphaGoが囲碁世界王者のイ・セドルを破ったことは、現時点でのAI最大のハイライトと言えるでしょう。これは複雑な戦略ゲームにおけるディープラーニングの応用を示すだけでなく、極めて複雑な問題を解決する能力を世界に証明した瞬間でもありました。

計算能力の要求:顕著に増加。複雑なディープニューラルネットワークのトレーニングには強力な計算リソースが必要。

計算ハードウェア:並列処理性能が圧倒的に優れたGPUが、ディープラーニングのトレーニングのキーハードウェアとして登場。

第三段階:大規模言語モデルの時代(2018年~現在)

BERT(2018年)やGPT技術(2018年以降)の登場により、大規模モデルがAI分野を支配するようになりました。これらのモデルは数十億から数兆のパラメータを持ち、計算リソースの需要は前例のないレベルにまで達しています。これらのモデルのトレーニングには多数のGPUまたは専用のTPUに加え、大量の電力と冷却設備が必要です。

時期:2018年~現在

計算能力の要求:極めて高く、多数のGPUまたはTPUによる大規模クラスタとそれに付随するインフラが必要。

計算ハードウェア:GPU、TPUに加え、大規模MLモデル最適化用の専用ハードウェア(Google TPU、NVIDIA A/Hシリーズなど)も登場。

過去30年にわたるAIの計算需要の指数関数的増加を見ると、初期の機械学習では算力需要が低く、ディープラーニング時代に増加し、大規模AIモデルの時代にその需要が極限まで押し上げられました。計算ハードウェアの数量と性能の劇的な向上を我々は目の当たりにしてきました。

この成長は、従来のデータセンターの規模拡大やGPUなどのハードウェア性能の向上だけでなく、高額な初期投資と豊かなリターンの期待という形で、インターネット大手企業間の競争を表面化させています。

従来の中央集権型GPUコンピューティングセンターは、初期投資として高価なハードウェア(GPU自体)、データセンターの建設または賃貸、冷却システム、メンテナンス要員などのコストがかかります。

これに対して、io.netが構築する分散型コンピューティングプラットフォームは、初期費用と運用コストを大幅に削減できるため、中小規模のチームが独自のAIモデルを開発する可能性を開きます。

分散型GPUプロジェクトは既存の分散リソースを利用し、ハードウェアやインフラへの集中投資を必要としません。個人や企業が未使用のGPUリソースをネットワークに提供することで、高性能計算リソースの集中購入や展開の必要がなくなるのです。

また、運用コスト面でも、従来のGPUクラスタは継続的なメンテナンス、電力、冷却費用を要します。一方、分散型GPUプロジェクトは分散されたリソースを利用するため、これらのコストを各ノードに分散でき、単一組織の運用負担を軽減できます。

io.netのドキュメントによれば、io.netは独立したデータセンター、暗号通貨マイナー、Filecoin、Renderなどの他のハードウェアネットワークに存在する未使用GPUリソースを集約することで、運用コストを大幅に削減しています。さらにWeb3の経済インセンティブ戦略により、io.netは価格面で非常に大きな競争優位性を獲得しています。

分散型コンピューティング

歴史を振り返ると、報酬インセンティブがない中でも多くの参加者を惹きつけ、重要な成果を挙げた分散型コンピューティングプロジェクトが過去に存在しました。例えば:

Folding@home:スタンフォード大学が主導するプロジェクトで、タンパク質の折りたたみプロセスをシミュレーションし、アルツハイマー病やハンチントン病など、タンパク質の折りたたみ異常に関連する疾患のメカニズム解明を目指しています。COVID-19パンデミック時にも、新型コロナウイルスの研究支援のために膨大な計算リソースが動員されました。

BOINC (Berkeley Open Infrastructure for Network Computing):天文学、医学、気候科学など多岐にわたるボランティア型およびグリッドコンピューティングプロジェクトを支援するオープンソースソフトウェアプラットフォームです。ユーザーは空き時間の計算リソースを寄付し、さまざまな科学研究プロジェクトに参加できます。

これらのプロジェクトは、分散型コンピューティングの実現可能性を証明すると同時に、その巨大な潜在力を示しています。

社会全体の未利用計算リソースを動員することで、計算能力を劇的に強化でき、そこにWeb3の経済モデルを革新的に組み合わせることで、経済的にもさらに高いコスト効率を実現できます。Web3の経験から明らかなのは、適切なインセンティブ設計がユーザーの参加を引き付け、維持するために極めて重要であるということです。

インセンティブモデルを導入することで、相互扶助かつウィンウィンのコミュニティ環境を構築でき、それがさらなる事業規模の拡大につながり、好循環の中で技術革新を推進できます。

したがって、io.netはインセンティブの導入により、広範な参加者を惹きつけ、算力を共同で提供する強力な分散型コンピューティングネットワークを形成できます。

Web3の経済モデルと分散型算力の潜在力は、io.netに強力な成長原動力を与え、効率的なリソース活用とコスト最適化を実現します。これは技術革新を促進するだけでなく、参加者に価値を提供し、io.netがAI分野の競争で際立つ存在となり、巨大な発展可能性と市場空間を持つことを可能にします。

02 io.netの技術

クラスタ

GPUクラスタとは、複数のGPUをネットワークで接続し、協調的に動作する計算クラスタを形成する方法で、これにより複雑なAIタスクの処理効率と能力が大幅に向上します。

クラスタコンピューティングは、AIモデルのトレーニング速度を加速させるだけでなく、大規模データセットの処理能力を高め、AIアプリケーションをより柔軟かつ拡張可能にします。

従来のインターネット企業がAIモデルを訓練する際には、大規模なGPUクラスタの使用が不可欠でした。しかし、このようなクラスタ計算を分散型に移行しようとすると、さまざまな技術的課題が浮上します。

従来のインターネット企業のAI計算クラスタと比べて、分散型GPUクラスタは以下のような問題に直面します。ノードが異なる地理的位置に散在しているため、ネットワークラテシーや帯域制限が生じ、ノード間のデータ同期速度に影響を与え、全体の計算効率が低下する可能性があります。

さらに、各ノード間でデータの一貫性とリアルタイム同期を保つことも、計算結果の正確性を確保するために極めて重要です。そのため、分散型計算プラットフォームは、効率的なデータ管理と同期機構を開発する必要があります。

また、分散した計算リソースをどのように管理・スケジューリングし、計算タスクを確実に完了させるかという点も、分散型クラスタコンピューティングが解決すべき課題です。

io.netはRayとKubernetesを統合することで、分散型クラスタ計算プラットフォームを構築しています。

Rayは分散型計算フレームワークとして、複数のノード上で計算タスクを直接実行し、データ処理や機械学習モデルのトレーニングプロセスを最適化し、各ノードでのタスクの効率的な実行を保証します。

一方、Kubernetesはこのプロセスにおいて重要な管理役を果たします。コンテナアプリケーションの展開と管理を自動化し、需要に応じて計算リソースを動的に割り当て・調整します。

この仕組みにより、RayとKubernetesの組み合わせは、動的で弾力的な計算環境を実現します。Rayは適切なノード上で計算タスクを効率的に実行し、Kubernetesはシステム全体の安定性と拡張性を保証し、ノードの追加や削除を自動的に処理します。

この協働作用により、io.netは分散型環境においても整合性があり信頼できる計算サービスを提供でき、データ処理やモデルトレーニングのいずれにおいても、ユーザーの多様なニーズに対応できます。

この方式により、io.netはリソース利用の最適化、運用コストの削減に加え、システムの柔軟性とユーザーの操作性を高めます。ユーザーは、基盤となるリソースの詳細な設定や管理を気にすることなく、簡単にさまざまな規模の計算タスクを展開・管理できます。

この分散型計算モデルは、RayとKubernetesの強力な機能を活用することで、io.netプラットフォームが複雑かつ大規模な計算タスクを扱う際の効率性と信頼性を確保しています。

プライバシー

分散型クラスタのタスク配分ロジックは、データセンター内のクラスタロジックよりもはるかに複雑な使用シナリオを持ち、ネットワークを通じたデータと計算タスクの伝送は潜在的なセキュリティリスクを増加させます。そのため、分散型クラスタは安全性とプライバシー保護も考慮しなければなりません。

io.netは、メッシュ(mesh)型プライベートネットワークチャネルの分散的特性を活用することで、ネットワークのセキュリティとプライバシーを向上させています。このネットワークでは、中心的なポイントやゲートウェイが存在しないため、単一障害点(SPOF)のリスクが大幅に低減されます。一部のノードに問題が発生しても、ネットワーク全体は動作を維持できます。

データはメッシュネットワーク内で複数の経路を通じて転送されるため、データの送信元や宛先を特定することが難しくなり、ユーザーの匿名性が強化されます。

さらに、パケットパディングやタイミング混同(トラフィック難読化)などの技術を採用することで、メッシュVPNネットワークはデータフローのパターンをさらに曖昧にし、盗聴者がトラフィックパターンを分析したり、特定のユーザーまたはデータストリームを識別したりすることを困難にします。

io.netのプライバシー機構が有効に働く理由は、これらが複雑で変化に富んだデータ転送環境を共同で構築し、外部の観測者が有用な情報を得ることを困難にするためです。

同時に、分散型構造はすべてのデータが単一のポイントを通過するリスクを回避します。この設計はシステムの堅牢性を高めるだけでなく、攻撃の可能性も低下させます。さらに、データの複数経路転送とトラフィックの難読化戦略が相まって、ユーザーのデータ転送に追加の保護層を提供し、io.netネットワーク全体のプライバシーを強化しています。

03 経済モデル

IOは、io.netネットワークのネイティブ暗号通貨およびプロトコルトークンであり、エコシステム内の2大主体――AIスタートアップ企業・開発者、および算力提供者――のニーズを満たします。

AIスタートアップ企業や開発者の観点からは、IOはクラスタ展開の支払いプロセスを簡素化し、利便性を高めます。また、米ドルに連動したIOSDクレジットを使用して、ネットワーク上の計算タスクの取引手数料を支払うことも可能です。io.net上で展開されるすべてのモデルは、微小なIOコイン取引を通じて推論を行う必要があります。

供給者、特にGPUリソース提供者の観点からは、IOコインは彼らのリソースに公正なリターンを保証します。GPUがレンタルされた際の直接収益、あるいは空き時間にネットワークモデルの推論に参加する受動的収益のいずれにおいても、IOコインはGPUのあらゆる貢献に報酬を提供します。

io.netエコシステムにおいて、IOコインは支払いおよびインセンティブの媒体であるだけでなく、ガバナンスの鍵でもあります。モデルの開発、トレーニング、展開、アプリケーション開発のすべての段階をより透明かつ効率的にし、参加者間の相互利益を確保します。

このようにして、IOコインはエコシステム内の参加と貢献を促進するだけでなく、AIスタートアップ企業やエンジニアに包括的なサポートプラットフォームを提供し、AI技術の発展と普及を推進します。

io.netはインセンティブモデルに大きく注力しており、エコシステム全体が好循環できるように設計されています。io.netの目標は、ネットワーク内の各GPUカードに対して米ドル表示の直接的な時間単価を確立することです。これには、明確で公正かつ分散型のGPU/CPUリソース価格設定メカニズムが必要です。

両面市場として、インセンティブモデルの核心は2つの主要課題を解決することにあります。一方では、GPU/CPU計算能力のレンタルコストを下げることで、AIおよびMLの算力需要の指標拡大を促進すること。他方では、GPUクラウドサービスプロバイダーにおけるGPUノード不足の問題を解決することです。

したがって設計原則として、需要側では競合他社の価格と可用性を考慮し、市場で競争力があり魅力的な選択肢を提供するとともに、ピーク時やリソース逼迫時には価格調整を行います。

算力供給側では、io.netは2つの主要市場に焦点を当てています。1つはゲーマーで、高性能ハードウェアと高速インターネット接続を持ちますが、通常は1枚のGPUカードしか所有していません。もう1つは暗号GPUマイナーで、大量のGPUリソースを持っていますが、インターネット接続速度やストレージ容量に制限がある場合があります。

したがって、算力価格モデルには、ハードウェア性能、インターネット帯域、競合価格、供給可用性、ピーク時間調整、コミットメント価格、地域差異など、多面的な要因が含まれます。さらに、ハードウェアが他のプルーフオブワーク型暗号マイニングに使用されている場合の最適利益も考慮する必要があります。

将来的に、io.netは完全に分散型の価格設定スキームを提示し、マイナーのハードウェア向けにspeedtest.netのようなベンチマークツールを構築することで、完全に分散型で、公正かつ透明な市場を創出する予定です。

04 参加方法

io.netはIgnitionキャンペーンを開始しました。これはio.netコミュニティインセンティブ計画の第1段階であり、IOネットワークの成長を加速させることが目的です。

本計画には3つの報酬プールが設けられており、それぞれ完全に独立しています。

  • Worker報酬(GPU)

  • ギャラクシータスク報酬

  • Discordロール報酬(Airdrop Tier Role)

この3つの報酬プールは完全に独立しており、参加者はそれぞれの報酬プールから個別に報酬を受け取ることができ、同じウォレットを各報酬プールに関連付ける必要はありません。

GPUノード報酬

すでに接続されたノードについては、エアドロップポイントは2023年11月4日から2024年4月25日のキャンペーン終了時までに計算されます。Ignitionキャンペーン終了時に、ユーザーが獲得したエアドロップポイントはすべてエアドロップ報酬に変換されます。

エアドロップポイントは以下の4つの要素を考慮します。

A. 雇用時間(Job Hours Done比率 - RJD):2023年11月4日からキャンペーン終了までの雇用総時間。

B. 帯域幅(Bandwidth - BW):帯域速度に基づいてノードの帯域を等級分け。

低速:ダウンロード速度100MB/秒、アップロード速度75MB/秒。

中速:ダウンロード速度400MB/秒、アップロード速度300MB/秒。

高速:ダウンロード速度800MB/秒。

C. GPUモデル(GPU Model - GM):GPUモデルに応じて決定され、性能が高いほどポイントが多くなります。

D. 成功稼働時間(Uptime - UT):2023年11月4日にWorkerに接続してからキャンペーン終了までの合計成功稼働時間。

なお、エアドロップポイントは2024年4月1日頃からユーザーが確認できる見込みです。

ギャラクシータスク報酬(Galxe)

ギャラクシータスク接続URL https://galxe.com/io.net/campaign/GCD5ot4oXPAt

Discordロール報酬

この報酬はio.netのコミュニティ運営チームが監督し、ユーザーはDiscord上で正しいSolanaウォレットアドレスを提出する必要があります。

ユーザーの貢献度、活動度、コンテンツ作成、その他アクティビティへの参加に基づき、対応するAirdrop Tier Roleのランクが付与されます。

05 まとめ

総括すると、io.netおよび類似の分散型AIコンピューティングプラットフォームは、AI計算の新たなページを開いています。技術実装の複雑さ、ネットワークの安定性、データセキュリティといった課題に直面していますが、io.netはAIビジネスモデルを根本から変える可能性を秘めています。これらの技術が成熟し、算力コミュニティが拡大するにつれ、分散型AI算力はAIの革新と普及を推進する鍵となる力になると信じます。

TechFlow公式コミュニティへようこそ

Telegram購読グループ:https://t.me/TechFlowDaily

Twitter公式アカウント:https://x.com/TechFlowPost

Twitter英語アカウント:https://x.com/BlockFlow_News

お気に入りに追加
SNSで共有