IO.NET dưới khái niệm "AI + DePin" xét từ lịch sử phát triển AI
Tuyển chọn TechFlowTuyển chọn TechFlow
IO.NET dưới khái niệm "AI + DePin" xét từ lịch sử phát triển AI
io.net tập trung tích hợp tài nguyên GPU cho các công ty AI và học máy, nhằm cung cấp dịch vụ với chi phí thấp hơn và thời gian giao hàng nhanh hơn.
Chuyên sâu báo cáo Web3Tác giả: Fishery – Đóng góp cốt lõi của Biteye
Biên tập: Crush – Đóng góp cốt lõi của Biteye
Cộng đồng: @BiteyeCN
*Toàn văn khoảng 6000 chữ, dự kiến thời gian đọc là 12 phút
io.net là nền tảng điện toán AI phi tập trung dựa trên Solana do IO Research phát triển. Trong vòng gọi vốn gần đây nhất, io.net đạt định giá FDV 1 tỷ USD.
Vào tháng 3 năm nay, io.net thông báo hoàn tất vòng gọi vốn Series A trị giá 30 triệu USD với sự dẫn dắt từ Hack VC, trong đó có sự tham gia của Multicoin Capital, 6th Man Ventures, Solana Ventures, OKX Ventures, Aptos Labs, Delphi Digital, The Sandbox và Sebastian Borget đến từ The Sandbox.
io.net chuyên tập hợp tài nguyên GPU dành cho các công ty AI và học máy, hướng tới việc cung cấp dịch vụ với chi phí thấp hơn và thời gian giao hàng nhanh hơn. Kể từ khi ra mắt vào tháng 11 năm ngoái, io.net đã tăng trưởng lên hơn 25.000 GPU và xử lý hơn 40.000 giờ tính toán cho các công ty AI và học máy.
Tầm nhìn của io.net là xây dựng một mạng lưới điện toán AI phi tập trung toàn cầu, tạo thành hệ sinh thái kết nối các nhóm/công ty AI và học máy với nguồn tài nguyên GPU mạnh mẽ khắp thế giới.
Trong hệ sinh thái này, tài nguyên điện toán AI trở thành hàng hóa, hai bên cung - cầu sẽ không còn lo lắng vì thiếu tài nguyên. Trong tương lai, io.net cũng sẽ cung cấp quyền truy cập vào cửa hàng mô hình IO và các chức năng suy luận nâng cao như suy luận serverless, game đám mây và luồng pixel.
01 Bối cảnh kinh doanh
Trước khi tìm hiểu về logic hoạt động của io.net, chúng ta cần xem xét hai khía cạnh để hiểu rõ lĩnh vực điện toán phi tập trung: một là hành trình phát triển của điện toán AI, hai là những ví dụ trước đây về việc sử dụng điện toán phi tập trung.
Hành trình phát triển điện toán AI
Chúng ta có thể phác họa tiến trình phát triển điện toán AI qua một vài mốc thời gian quan trọng:
Một, Giai đoạn đầu của học máy (1980s - đầu 2000s)
Trong giai đoạn này, các phương pháp học máy chủ yếu tập trung vào các mô hình đơn giản như cây quyết định, máy vector hỗ trợ (SVM)... Những mô hình này yêu cầu tính toán thấp, có thể chạy trên máy tính cá nhân hoặc máy chủ nhỏ đương thời. Dữ liệu tương đối nhỏ, công việc then chốt là kỹ thuật đặc trưng và lựa chọn mô hình.
Mốc thời gian: Từ những năm 1980 đến đầu những năm 2000
Yêu cầu tính toán: Tương đối thấp, máy tính cá nhân hoặc máy chủ nhỏ đều đáp ứng được.
Phần cứng tính toán: CPU là thiết bị chủ đạo.
Hai, Sự trỗi dậy của học sâu (2006 - gần đây)
Năm 2006, khái niệm học sâu được giới thiệu lại, đánh dấu bởi nghiên cứu của Hinton và cộng sự. Sau đó, các mạng thần kinh sâu, đặc biệt là mạng CNN và RNN, đạt được ứng dụng thành công, mở ra bước đột phá trong lĩnh vực này. Giai đoạn này nhu cầu tài nguyên tính toán tăng mạnh, đặc biệt khi xử lý dữ liệu lớn như hình ảnh và giọng nói.
Mốc thời gian:
Cuộc thi ImageNet (2012): Chiến thắng của AlexNet tại cuộc thi này là sự kiện mang tính biểu tượng trong lịch sử học sâu, lần đầu tiên chứng minh tiềm năng khổng lồ của học sâu trong nhận dạng hình ảnh.
AlphaGo (2016): AlphaGo của Google DeepMind đánh bại kỳ thủ cờ vây thế giới Lee Sedol – khoảnh khắc rực rỡ nhất của AI cho đến nay, không chỉ thể hiện khả năng ứng dụng học sâu trong trò chơi chiến lược phức tạp mà còn chứng minh sức mạnh giải quyết vấn đề cực kỳ phức tạp.
Yêu cầu tính toán: Tăng đáng kể, cần tài nguyên mạnh hơn để huấn luyện mạng thần kinh sâu phức tạp.
Phần cứng tính toán: GPU bắt đầu trở thành phần cứng then chốt trong huấn luyện học sâu nhờ khả năng xử lý song song vượt trội so với CPU.
Ba, Thời đại của các mô hình ngôn ngữ lớn (2018 đến nay)
Khi BERT (2018) và công nghệ GPT (từ 2018 trở đi) xuất hiện, các mô hình lớn bắt đầu thống trị lĩnh vực AI. Các mô hình này thường có hàng tỷ đến hàng nghìn tỷ tham số, đòi hỏi tài nguyên tính toán ở mức chưa từng có. Huấn luyện chúng cần rất nhiều GPU hoặc TPU chuyên dụng, cùng cơ sở hạ tầng điện và làm mát quy mô lớn.
Mốc thời gian: Từ 2018 đến nay.
Yêu cầu tính toán: Cực kỳ cao, cần lượng lớn GPU hoặc TPU cùng cơ sở hạ tầng hỗ trợ.
Phần cứng tính toán: Ngoài GPU và TPU, các phần cứng chuyên dụng tối ưu cho mô hình học máy lớn cũng bắt đầu xuất hiện, như TPU của Google, dòng A, H của Nvidia...
Nhìn lại 30 năm nhu cầu điện toán AI tăng theo cấp số nhân: học máy ban đầu yêu cầu thấp, học sâu làm tăng mạnh nhu cầu, và các mô hình lớn tiếp tục đẩy nhu cầu này lên cực điểm. Chúng ta đã chứng kiến sự cải thiện đáng kể cả về số lượng lẫn hiệu suất phần cứng tính toán.
Sự tăng trưởng này không chỉ thể hiện qua việc mở rộng quy mô trung tâm dữ liệu truyền thống hay cải thiện hiệu suất phần cứng như GPU, mà còn phản ánh qua ngưỡng đầu tư cao ngất ngưởng và kỳ vọng lợi nhuận hấp dẫn, đủ khiến các gã khổng lồ Internet công khai cạnh tranh.
Các trung tâm điện toán GPU tập trung truyền thống đòi hỏi khoản đầu tư ban đầu lớn: chi phí mua phần cứng đắt đỏ (như GPU), xây dựng/thuê trung tâm dữ liệu, hệ thống làm mát và nhân lực vận hành.
Ngược lại, dự án nền tảng điện toán phi tập trung io.net có lợi thế rõ rệt về chi phí xây dựng, giúp giảm đáng kể chi phí đầu tư và vận hành ban đầu, mở ra cơ hội cho các đội ngũ nhỏ phát triển mô hình AI riêng.
Các dự án GPU phi tập trung tận dụng tài nguyên phân tán sẵn có, không cần đầu tư tập trung vào phần cứng và cơ sở hạ tầng. Cá nhân và doanh nghiệp có thể đóng góp GPU nhàn rỗi vào mạng, giảm nhu cầu mua sắm và triển khai tài nguyên tính toán hiệu suất cao tập trung.
Thứ hai, về chi phí vận hành, cụm GPU truyền thống cần chi phí bảo trì, điện năng và làm mát liên tục. Dự án GPU phi tập trung phân bổ chi phí này cho từng nút, giảm gánh nặng vận hành cho tổ chức đơn lẻ.
Theo tài liệu của io.net, io.net giảm mạnh chi phí vận hành bằng cách tập hợp tài nguyên GPU chưa được sử dụng hiệu quả từ các trung tâm dữ liệu độc lập, thợ đào tiền mã hóa và các mạng phần cứng khác như Filecoin, Render... Cộng thêm chiến lược khuyến khích kinh tế Web3, io.net có lợi thế lớn về giá cả.
Điện toán phi tập trung
Nhìn lại lịch sử, thực tế đã có những dự án điện toán phi tập trung đạt thành công đáng kể, thu hút đông đảo người tham gia và tạo ra kết quả quan trọng dù không có động lực kinh tế. Ví dụ:
Folding@home: Dự án do Đại học Stanford khởi xướng, dùng điện toán phân tán mô phỏng quá trình gấp nếp protein, giúp các nhà khoa học hiểu cơ chế bệnh tật, đặc biệt các bệnh liên quan đến gấp nếp protein sai như Alzheimer, Huntington... Trong đại dịch COVID-19, Folding@home tập hợp lượng tài nguyên tính toán khổng lồ để nghiên cứu virus SARS-CoV-2.
BOINC (Berkeley Open Infrastructure for Network Computing)**: Nền tảng phần mềm mã nguồn mở hỗ trợ nhiều dự án điện toán tình nguyện và lưới tính trong các lĩnh vực thiên văn học, y học, khoa học khí hậu... Người dùng đóng góp tài nguyên tính toán nhàn rỗi cho các dự án nghiên cứu.
Các dự án này không chỉ chứng minh tính khả thi của điện toán phi tập trung mà còn thể hiện tiềm năng phát triển to lớn.
Bằng cách huy động tài nguyên tính toán chưa sử dụng từ xã hội, khả năng tính toán được tăng cường đáng kể. Nếu sáng tạo áp dụng mô hình kinh tế Web3, hiệu quả chi phí còn lớn hơn. Kinh nghiệm Web3 cho thấy cơ chế khuyến khích hợp lý rất quan trọng để thu hút và duy trì sự tham gia của người dùng.
Việc đưa vào mô hình khuyến khích có thể xây dựng môi trường cộng đồng hỗ trợ lẫn nhau, thúc đẩy quy mô kinh doanh mở rộng, tạo vòng xoáy tích cực thúc đẩy tiến bộ công nghệ.
Do đó, io.net có thể thu hút đông đảo người tham gia đóng góp điện toán, tạo thành mạng lưới điện toán phi tập trung mạnh mẽ thông qua cơ chế khuyến khích.
Mô hình kinh tế Web3 kết hợp với tiềm năng điện toán phi tập trung tạo động lực tăng trưởng mạnh mẽ cho io.net, đạt được sử dụng tài nguyên hiệu quả và tối ưu chi phí. Điều này không chỉ thúc đẩy đổi mới công nghệ mà còn mang lại giá trị cho người tham gia, giúp io.net nổi bật trong cuộc đua AI, có tiềm năng phát triển và không gian thị trường lớn.
02 Công nghệ io.net
Cụm (Cluster)
Cụm GPU là việc kết nối nhiều GPU qua mạng để tạo thành cụm tính toán phối hợp, phương pháp này nâng cao đáng kể hiệu suất và khả năng xử lý nhiệm vụ AI phức tạp.
Tính toán cụm không chỉ tăng tốc độ huấn luyện mô hình AI mà còn tăng khả năng xử lý tập dữ liệu lớn, giúp ứng dụng AI linh hoạt và mở rộng hơn.
Trong quá trình huấn luyện mô hình AI theo kiểu internet truyền thống, luôn cần cụm GPU quy mô lớn. Tuy nhiên, khi chuyển mô hình tính toán cụm này sang phi tập trung, một loạt thách thức kỹ thuật xuất hiện.
So với cụm điện toán AI của các công ty internet truyền thống, cụm GPU phi tập trung phải đối mặt nhiều vấn đề hơn, ví dụ: các nút có thể trải dài khắp các vị trí địa lý khác nhau, gây ra độ trễ mạng và giới hạn băng thông, ảnh hưởng đến tốc độ đồng bộ dữ liệu giữa các nút, từ đó ảnh hưởng hiệu quả tính toán tổng thể.
Hơn nữa, việc đảm bảo tính nhất quán và đồng bộ thời gian thực dữ liệu giữa các nút là yếu tố then chốt để đảm bảo độ chính xác kết quả tính toán. Do đó, nền tảng điện toán phi tập trung cần phát triển cơ chế quản lý và đồng bộ dữ liệu hiệu quả.
Việc quản lý và điều phối tài nguyên tính toán phân tán sao cho nhiệm vụ hoàn thành hiệu quả cũng là vấn đề cần giải quyết.
io.net xây dựng nền tảng điện toán cụm phi tập trung bằng cách tích hợp Ray và Kubernetes.
Ray, như một khung tính toán phân tán, trực tiếp chịu trách nhiệm thực thi nhiệm vụ tính toán trên nhiều nút, tối ưu hóa xử lý dữ liệu và quá trình huấn luyện mô hình học máy, đảm bảo nhiệm vụ chạy hiệu quả trên các nút.
Trong khi đó, Kubernetes đóng vai trò quản lý then chốt, tự động hóa việc triển khai và quản lý ứng dụng container, đảm bảo tài nguyên tính toán được phân bổ và điều chỉnh linh hoạt theo nhu cầu.
Trong hệ thống này, sự kết hợp Ray và Kubernetes tạo ra môi trường tính toán động và co giãn. Ray đảm bảo nhiệm vụ tính toán được thực hiện hiệu quả trên nút phù hợp, Kubernetes đảm bảo tính ổn định và khả năng mở rộng của toàn hệ thống, tự động xử lý việc thêm hoặc loại bỏ nút.
Sự phối hợp này giúp io.net cung cấp dịch vụ tính toán liền mạch và đáng tin cậy trong môi trường phi tập trung, đáp ứng nhu cầu đa dạng của người dùng cả trong xử lý dữ liệu và huấn luyện mô hình.
Thông qua cách này, io.net không chỉ tối ưu hóa việc sử dụng tài nguyên, giảm chi phí vận hành, mà còn nâng cao tính linh hoạt và quyền kiểm soát của người dùng. Người dùng dễ dàng triển khai và quản lý nhiệm vụ tính toán mọi quy mô mà không cần lo lắng về cấu hình và quản lý chi tiết tài nguyên nền tảng.
Mô hình tính toán phi tập trung này, tận dụng sức mạnh của Ray và Kubernetes, đảm bảo hiệu quả và độ tin cậy của nền tảng io.net khi xử lý các nhiệm vụ tính toán phức tạp và quy mô lớn.
Bảo mật
Do logic phân bổ nhiệm vụ trong cụm phi tập trung phức tạp hơn nhiều so với cụm trong trung tâm dữ liệu, và việc truyền tải dữ liệu, nhiệm vụ tính toán trên mạng làm tăng rủi ro an ninh tiềm tàng, cụm phi tập trung cần cân nhắc yếu tố bảo mật và bảo vệ riêng tư.
io.net nâng cao tính bảo mật và riêng tư mạng bằng cách tận dụng đặc tính phi tập trung của kênh mạng riêng dạng lưới (mesh). Trong mạng này, không có điểm tập trung hay cổng trung tâm, rủi ro điểm lỗi đơn giảm mạnh, ngay cả khi một số nút gặp sự cố, toàn mạng vẫn hoạt động.
Dữ liệu truyền trong mạng lưới theo nhiều đường, thiết kế này làm khó việc truy vết nguồn/giải đích dữ liệu, tăng tính ẩn danh cho người dùng.
Ngoài ra, bằng các kỹ thuật như lấp đầy gói dữ liệu và làm mờ thời gian (Traffic Obfuscation), mạng VPN dạng lưới có thể làm mờ thêm mẫu lưu lượng, khiến kẻ nghe lén khó phân tích mẫu lưu lượng hoặc nhận diện người dùng/dòng dữ liệu cụ thể.
Cơ chế bảo mật của io.net hiệu quả vì chúng cùng tạo ra môi trường truyền tải dữ liệu phức tạp và biến đổi, khiến người quan sát bên ngoài khó thu thập thông tin hữu ích.
Đồng thời, cấu trúc phi tập trung tránh rủi ro tất cả dữ liệu đi qua một điểm, thiết kế này không chỉ nâng cao độ bền vững mà còn giảm khả năng bị tấn công. Hơn nữa, việc truyền dữ liệu đa đường và chiến lược làm mờ lưu lượng cùng tạo thêm lớp bảo vệ cho truyền tải dữ liệu người dùng, tăng cường tính riêng tư tổng thể của mạng io.net.
03 Mô hình kinh tế
IO là tiền mã hóa gốc và token giao thức của mạng io.net, đáp ứng nhu cầu của hai đối tượng chính trong hệ sinh thái: các startup AI và nhà phát triển, cũng như những người cung cấp điện toán.
Đối với các startup AI và nhà phát triển, IO đơn giản hóa quy trình thanh toán khi triển khai cụm, thuận tiện hơn; họ cũng có thể dùng tín dụng IOSD neo theo đô la Mỹ để trả phí giao dịch nhiệm vụ tính toán trên mạng. Mỗi mô hình triển khai trên io.net đều cần giao dịch lượng nhỏ IO để suy luận.
Đối với nhà cung cấp, đặc biệt là người đóng góp tài nguyên GPU, IO đảm bảo họ được trả công xứng đáng. Dù là thu nhập trực tiếp khi GPU được thuê, hay thu nhập thụ động khi tham gia suy luận mô hình mạng khi nhàn rỗi, IO đều thưởng cho mỗi đóng góp của GPU.
Trong hệ sinh thái io.net, IO không chỉ là phương tiện thanh toán và khuyến khích mà còn là chìa khóa quản trị. Nó làm cho mọi khâu phát triển, huấn luyện, triển khai mô hình và phát triển ứng dụng trở nên minh bạch, hiệu quả hơn, đảm bảo sự hợp tác đôi bên cùng có lợi.
Thông qua cách này, IO không chỉ khuyến khích sự tham gia và đóng góp trong hệ sinh thái mà còn cung cấp nền tảng hỗ trợ toàn diện cho các startup AI và kỹ sư, thúc đẩy phát triển và ứng dụng công nghệ AI.
io.net đầu tư kỹ lưỡng vào mô hình khuyến khích để đảm bảo hệ sinh thái vận hành vòng tuần hoàn tích cực. Mục tiêu của io.net là thiết lập mức giá theo giờ trực tiếp tính bằng đô la cho mỗi card GPU trong mạng. Điều này đòi hỏi một cơ chế định giá tài nguyên GPU/CPU rõ ràng, công bằng và phi tập trung.
Là một thị trường hai bên, chìa khóa của mô hình khuyến khích nhằm giải quyết hai thách thức: một mặt giảm chi phí thuê điện toán GPU/CPU cao, yếu tố then chốt để mở rộng chỉ số nhu cầu điện toán AI và ML; mặt khác giải quyết tình trạng thiếu hụt node GPU khi thuê từ các nhà cung cấp dịch vụ đám mây GPU.
Do đó, về nguyên tắc thiết kế, yếu tố nhu cầu bao gồm định giá và tính sẵn có của đối thủ cạnh tranh, nhằm cung cấp lựa chọn cạnh tranh và hấp dẫn trên thị trường, đồng thời điều chỉnh giá trong giờ cao điểm và khi tài nguyên căng thẳng.
Về cung điện toán, io.net tập trung vào hai thị trường chính: game thủ và thợ đào GPU tiền mã hóa. Game thủ sở hữu phần cứng cao cấp và kết nối internet nhanh, nhưng thường chỉ có một card GPU; trong khi thợ đào GPU tiền mã hóa sở hữu lượng lớn tài nguyên GPU, dù có thể gặp giới hạn về tốc độ kết nối internet và dung lượng lưu trữ.
Do đó, mô hình định giá điện toán bao gồm nhiều yếu tố: hiệu năng phần cứng, băng thông internet, định giá đối thủ, tính sẵn có nguồn cung, điều chỉnh theo giờ cao điểm, định giá cam kết và khác biệt địa điểm. Ngoài ra, cần tính đến lợi nhuận tối ưu khi phần cứng thực hiện các công việc đào Proof-of-Work khác.
Trong tương lai, io.net sẽ cung cấp thêm một giải pháp định giá hoàn toàn phi tập trung và công cụ kiểm tra hiệu năng cho phần cứng thợ đào giống speedtest.net, xây dựng một thị trường hoàn toàn phi tập trung, công bằng và minh bạch.
04 Cách tham gia
io.net ra mắt sự kiện Ignition, giai đoạn đầu tiên của chương trình khuyến khích cộng đồng io.net, nhằm tăng tốc độ tăng trưởng mạng IO.
Kế hoạch có tổng cộng ba quỹ thưởng, hoàn toàn độc lập với nhau.
-
Giải thưởng Worker (GPU)
-
Giải thưởng Nhiệm vụ Ngân Hà
-
Giải thưởng vai trò Discord (Airdrop Tier Role)
Ba quỹ thưởng này hoàn toàn độc lập, người tham gia có thể nhận thưởng từ từng quỹ riêng biệt và không cần liên kết cùng một ví với mỗi quỹ.
Giải thưởng nút GPU
Đối với các nút đã kết nối, điểm airdrop được tính từ ngày 4 tháng 11 năm 2023 đến khi kết thúc sự kiện vào ngày 25 tháng 4 năm 2024. Khi sự kiện Ignition kết thúc, số điểm airdrop người dùng kiếm được sẽ được chuyển đổi thành phần thưởng airdrop.
Điểm airdrop tính đến bốn yếu tố:
A. Thời gian được thuê (Tỷ lệ giờ làm việc hoàn thành - RJD): Tổng thời gian được thuê từ ngày 4 tháng 11 năm 2023 đến khi kết thúc sự kiện.
B. Băng thông (Bandwidth - BW): Phân loại cấp độ băng thông nút theo phạm vi tốc độ:
Thấp: Tốc độ tải xuống 100MB/giây, tải lên 75MB/giây.
Trung bình: Tải xuống 400MB/giây, tải lên 300MB/giây.
Cao: Tải xuống 800MB/giây.
C. Mẫu GPU (GPU Model - GM): Xác định theo mẫu GPU, GPU càng mạnh thì điểm càng cao.
D. Thời gian hoạt động thành công (Uptime - UT): Tổng thời gian hoạt động thành công từ khi kết nối Worker vào ngày 4 tháng 11 năm 2023 đến khi kết thúc sự kiện.
Lưu ý: Điểm airdrop dự kiến có thể xem được vào khoảng ngày 1 tháng 4 năm 2024.
Giải thưởng Nhiệm vụ Ngân Hà (Galxe)
Liên kết nhiệm vụ Galxe: https://galxe.com/io.net/campaign/GCD5ot4oXPAt
Giải thưởng vai trò Discord
Giải thưởng này do đội quản lý cộng đồng io.net giám sát và yêu cầu người dùng gửi đúng địa chỉ ví Solana trên Discord.
Dựa trên mức đóng góp, mức độ hoạt động, sáng tạo nội dung và tham gia các hoạt động khác để nhận được cấp độ Airdrop Tier Role tương ứng.
05 Tổng kết
Tóm lại, io.net và các nền tảng điện toán AI phi tập trung tương tự đang mở ra chương mới cho điện toán AI, dù vẫn đối mặt thách thức về tính phức tạp kỹ thuật, ổn định mạng và bảo mật dữ liệu. Nhưng io.net có tiềm năng thay đổi hoàn toàn mô hình kinh doanh AI. Tin rằng khi các công nghệ này trưởng thành và cộng đồng điện toán mở rộng, điện toán AI phi tập trung có thể trở thành lực lượng then chốt thúc đẩy đổi mới và phổ cập AI.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
@BiteyeCN
