AI+Web3未來發(fā)展之路：基礎(chǔ)設(shè)施篇
本文是Future3 Campus AI+Web3 產(chǎn)業(yè)研究報告第二篇，詳解基礎(chǔ)設(shè)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(chǎn)業(yè)圖景和敘事邏輯。
基礎(chǔ)設(shè)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(shù)據(jù)顯示，自 2012 年以來，用于訓(xùn)練最大 AI 模型的計算用量呈指數(shù)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(yīng)用的需求增長導(dǎo)致了對計算硬件的需求快速增加，預(yù)計到 2025 年，AI 應(yīng)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(shù)據(jù)中心收入持續(xù)增長，23 年 Q2 的數(shù)據(jù)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(shù)據(jù)中心業(yè)務(wù)占據(jù) 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(shù)據(jù)也對存儲和硬件內(nèi)存提出了要求，尤其是在模型訓(xùn)練階段，需要大量的參數(shù)輸入，需要存儲大量數(shù)據(jù)。在 AI 服務(wù)器中應(yīng)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(wù)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(yīng)速度。根據(jù)美光測算， AI 服務(wù)器中 DRAM 數(shù)量是傳統(tǒng)服務(wù)器的 8 倍，NAND 是傳統(tǒng)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(yīng)用在 AI 模型的訓(xùn)練、微調(diào)和推測階段，尤其是在訓(xùn)練微調(diào)階段，由于更大的數(shù)據(jù)參數(shù)輸入和計算量，同時對并行計算的互聯(lián)性要求更高，因此需要更性能、互聯(lián)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(fù)雜度也直線上升，使得需要更多高端硬件來滿足模型訓(xùn)練需求。
以 GPT3 為例，按 1300 萬獨立用戶訪問的情況來說，對應(yīng)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(yù)估費用 70 萬美元。
同時，據(jù)行業(yè)報道，2023 年第四季度，NVIDIA GPU 供應(yīng)量在全球范圍內(nèi)都被嚴格限制，導(dǎo)致全球市場都出現(xiàn)了明顯的供不應(yīng)求。英偉達產(chǎn)能受限于臺積電、HBM、CoWos 封裝等產(chǎn)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(yīng)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(jù)產(chǎn)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(jīng)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(chǔ)設(shè)施占據(jù)產(chǎn)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(yù)計到 2030 年將增長到 6476 億美元，年復(fù)合增長率為 39.6%。這一數(shù)據(jù)反映了云 AI 服務(wù)的增長潛力及其在整個 AI 產(chǎn)業(yè)鏈中所占的重要份額。
根據(jù) a16z 的估算，AIGC 市場的大量資金最終流向了基礎(chǔ)設(shè)施公司。平均而言，應(yīng)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(diào)。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(chǔ)設(shè)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(xùn)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(chǔ)設(shè)施（包括云計算和硬件）預(yù)計占據(jù)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(xùn)練對高性能基礎(chǔ)設(shè)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(xiàn)了一部分的供需錯配。其中主要原因是：
受限于內(nèi)存，模型復(fù)雜度與所需要的 GPU 數(shù)量并不是線性增長關(guān)系：當前的 GPU 具有算力優(yōu)勢，但是模型訓(xùn)練需要大量的參數(shù)存儲在內(nèi)存。例如對于 GPT-3 來說，為了訓(xùn)練 1750 億個參數(shù)的模型，需要在內(nèi)存中保存超過 1 TB 的數(shù)據(jù)——這超過了當今現(xiàn)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(dǎo)致 GPU 算力的閑置。比如從 GPT3 到 GPT4，模型參數(shù)規(guī)模增加約 10 倍，但是所需要的 GPU 數(shù)量增加了 24 倍（且不考慮模型訓(xùn)練時間的增長）。據(jù)相關(guān)分析稱，OpenAI 在 GPT-4 的訓(xùn)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(xùn)練，其算力利用率約為 32% 至 36%。
面對以上問題，設(shè)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(xiàn)有的計算資源，建設(shè)分布式算力網(wǎng)絡(luò)，通過算力的租賃、共享、調(diào)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(xiàn)有高性能芯片一起配置也能過滿足現(xiàn)有的計算需求，最重要的是供應(yīng)充足，通過分布式網(wǎng)絡(luò)調(diào)度能夠進一步降低成本。
因此分布式算力成為了 AI 基礎(chǔ)設(shè)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(wǎng)絡(luò)也是當前 Web3+AI 基礎(chǔ)設(shè)施的主要應(yīng)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(chǔ)設(shè)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(wǎng)絡(luò)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(xùn)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(shù)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(yīng)用的發(fā)展，推理才是應(yīng)用層的核心需求，大部分公司沒有能力去做大模型的訓(xùn)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(shè)計的高性能分布式訓(xùn)練框架也不斷涌現(xiàn)。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(xùn)練提供了更強的基礎(chǔ)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(chǔ)設(shè)施項目的敘事邏輯
我們看到，分布式 AI 基礎(chǔ)設(shè)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(lǐng)域。目前 AI+Web3 產(chǎn)業(yè)的基礎(chǔ)設(shè)施層的主要項目基本是以去中心化的計算網(wǎng)絡(luò)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(wǎng)絡(luò)，服務(wù) 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(chǔ)網(wǎng)絡(luò)，同時提供易用性強的產(chǎn)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(chǎn)品門檻較低，上線速度快：對于 Render Network、Akash Network 這種成熟產(chǎn)品來說，已經(jīng)可以看到切實增長的數(shù)據(jù)，具有一定的領(lǐng)先優(yōu)勢。
新進入者產(chǎn)品同質(zhì)化：由于目前賽道熱點和此類產(chǎn)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(chǎn)品比較同質(zhì)化，還需要看到更多的差異化競爭優(yōu)勢。
偏向于服務(wù)簡單計算需求的客戶：例如 Render Network 主要服務(wù)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(shù)滿足簡單的 AI 任務(wù)需求，無法滿足復(fù)雜的 AI 訓(xùn)練、微調(diào)、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(wù)：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(chǔ)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(wù)打出差異化優(yōu)勢。中間層的服務(wù)則是這些算力基礎(chǔ)設(shè)施具有競爭優(yōu)勢的部分，例如服務(wù) AI 鏈上鏈下計算同步的預(yù)言機和驗證器，服務(wù) AI 整體工作流的部署和管理工具等。AI 工作流具有協(xié)作性、持續(xù)反饋、復(fù)雜度高等特點，在流程中的多個環(huán)節(jié)都需要應(yīng)用到算力，因此一個更加具有易用性，高協(xié)作性，能夠滿足 AI 開發(fā)者復(fù)雜需求的中間層基礎(chǔ)設(shè)施在當下是具有競爭力的，特別是在 Web3 領(lǐng)域中需要滿足 Web3 開發(fā)者對于 AI 的需求。這樣的服務(wù)更容易承接到潛在的 AI 應(yīng)用市場，而不是僅僅支持簡單的計算需求。
通常需要在 ML 領(lǐng)域有專業(yè)運維經(jīng)驗的項目團隊。能夠提供上述中間層服務(wù)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(wù)通常會采用到很多現(xiàn)有的開源框架和工具，不一定具有強技術(shù)創(chuàng)新，但是仍然需要具有豐富經(jīng)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(wù)更優(yōu)惠的價格，但配套和使用體驗比較相近的服務(wù)，這類項目獲得了很多頭部資本的認可，但同時技術(shù)復(fù)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(chǎn)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(wù)，在創(chuàng)作者確認過渲染結(jié)果后，再由區(qū)塊鏈網(wǎng)絡(luò)向節(jié)點發(fā)送代幣獎勵。平臺提供分布式 GPU 的調(diào)度和分配網(wǎng)絡(luò)，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(wù)，服務(wù)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(wù)的價格會根據(jù)當前網(wǎng)絡(luò)中的用量情況等進行動態(tài)調(diào)節(jié)。
渲染是分布式算力架構(gòu)運用相對合適且成熟的場景，因為可以將渲染任務(wù)分為多個子任務(wù)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(gòu)的弊端，同時充分利用廣泛的 GPU 節(jié)點網(wǎng)絡(luò)，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(wǎng)絡(luò)上渲染了超過 1600 萬幀和近 50 萬個場景，且渲染幀數(shù)作業(yè)和活躍節(jié)點數(shù)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(wù)也不再局限于渲染作業(yè)而向 AI 領(lǐng)域擴展。
Gensyn.ai
Gensyn 是一個用于深度學(xué)習(xí)計算的全球性的超級計算集群網(wǎng)絡(luò)，基于波卡的 L1 協(xié)議，2023 年獲得了由 a16z 領(lǐng)投的 4300 萬美元 A 輪融資。
Gensyn 的敘事架構(gòu)中不僅包含了基礎(chǔ)設(shè)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(gòu)建一個無需信任的機器學(xué)習(xí)網(wǎng)絡(luò)。
分布式算力方面，Gensyn 能夠支持從多余容量的數(shù)據(jù)中心到帶有潛在 GPU 的個人筆記本電腦，它將這些設(shè)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(wǎng)絡(luò)能夠驗證機器學(xué)習(xí)任務(wù)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(xué)習(xí)證明、基于圖的精準定位協(xié)議和 Truebit 式激勵游戲三大核心技術(shù)點，相比傳統(tǒng)區(qū)塊鏈中的重復(fù)驗證方法更加高效。其網(wǎng)絡(luò)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(xié)議在白皮書中的綜合測試數(shù)據(jù)來看，目前其顯著優(yōu)勢是：
能夠降低 AI 模型訓(xùn)練的成本：預(yù)計 Gensyn 協(xié)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(wǎng)絡(luò)：按照白皮書中的測試，Gensyn 協(xié)議進行模型訓(xùn)練的時間開銷，與 Truebit 式復(fù)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(xùn)練，由于通訊和網(wǎng)絡(luò)問題，不可避免地增加了訓(xùn)練時間，測試數(shù)據(jù)中，Gensyn 協(xié)議為模型訓(xùn)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(jié)合不同的技術(shù)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(yīng)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(chǔ)設(shè)施服務(wù)商，提供 CPU、GPU、內(nèi)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(yīng)用程序部署為 Docker 容器，來使用更低成本的基礎(chǔ)設(shè)施服務(wù)。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(wǎng)的估算，其平臺的服務(wù)成本比中心化服務(wù)器降低約 80% 以上。
io.net
io.net 是一個去中心化計算網(wǎng)絡(luò)，連接全球分布式的 GPU，為 AI 的模型訓(xùn)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(wǎng)絡(luò)，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(shù)據(jù)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(wù)的功能包括批量推理和模型服務(wù)、并行訓(xùn)練、并行超參數(shù)調(diào)整和強化學(xué)習(xí)。
更加健全的技術(shù)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(xùn)練和推理等操作）、數(shù)據(jù)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(shù)，從而實現(xiàn)動態(tài)任務(wù)執(zhí)行。其內(nèi)存存儲確保任務(wù)之間的快速數(shù)據(jù)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(lǐng)先的 ML 框架，使其擴展性更強。
在價格上，io.net 官網(wǎng)預(yù)計其價格將比中心化云計算服務(wù)降低約 90%。
此外，io.net 的代幣 IO coin 未來主要用于生態(tài)內(nèi)服務(wù)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。
你可能感興趣的文章
-
AI+Web3的整體產(chǎn)業(yè)圖景和敘事邏輯
AI+Web3是當下最熱門的兩個技術(shù)主題的碰撞，近期也出現(xiàn)了一批該主題的項目，凸顯了市場對這個主題的關(guān)注和期待,AI+Web行業(yè)目前發(fā)展情況如何？是否真實有應(yīng)用場景？長期來看…
2024-03-13 -
Sora橫空出世，2024或成AI+Web3變革元年？
2 月 16 日，OpenAI 公布了最新的文本控制視頻生成擴散模型「Sora」，Sora橫空出世，2024或成AI+Web3變革元年？除了 Depin 之外，Web3 與 AI 的交織還能碰撞出怎樣的火花？…
2024-02-26 -
超越技術(shù)的界限：AI+Web3 的未來發(fā)展之道
跨越技術(shù)邊界：AI與Web3的未來融合之路，隨著科技的飛速發(fā)展，人工智能（AI）與Web3的結(jié)合正在開創(chuàng)全新的未來,這種結(jié)合不僅超越了單純的技術(shù)層面，更在深層次上改變了我們…
2024-01-29 -
AI板塊最有潛力的幣有哪些?2024年最新ai代幣介紹
近年來，隨著人工智能技術(shù)的迅速發(fā)展，人工智能相關(guān)的區(qū)塊鏈項目也逐漸崛起,這些項目以其創(chuàng)新的技術(shù)和前景廣闊的應(yīng)用場景，吸引了眾多投資者的關(guān)注,在這篇文章中，我們將盤…
2024-03-13 -
AI人工智能龍頭幣是什么？龍頭幣有哪些？
2024年，人工智能相關(guān)的區(qū)塊鏈項目逐漸崛起,相關(guān)代幣也都再暴漲，這些項目以其創(chuàng)新的技術(shù)和前景廣闊的應(yīng)用場景，吸引了眾多投資者的關(guān)注,那么，AI人工智能龍頭幣是什么？AI…
2024-03-12 -
AI幣有哪些？值得投資嗎？AI加密貨幣排名、推薦
人工智慧(AI) 在今年突然的爆發(fā)，吸引了投資者的注意，加密貨幣AI概念幣也成為人們關(guān)注的焦點，那么，AI概念幣有哪些？AI概念幣值得投資嗎？本文將為大家詳細介紹AI加密貨…
2025-05-29 -
十款小市值A(chǔ)I概念幣項目推薦
自 23 年 12 月底至今年 2 月初，AI 概念就已經(jīng)蓄勢待發(fā)，并在近兩周里以其動輒數(shù)倍的漲幅吸引著社區(qū)的目光,本文將為大家推薦十款小市值A(chǔ)I概念幣項目，一起來看看都有哪些…
2024-02-27 -
AI領(lǐng)域大爆發(fā)，精選最具潛力的AI項目代幣盤點
人工智能的潛力巨大且多樣，可應(yīng)用于我們生活的各個方面,很明顯，一年多來人們對人工智能的興趣一直在穩(wěn)步增長,本文將為大家盤點最具潛力的AI項目，一起來看看都有哪些代幣…
2024-02-26 -
Sora再掀AI熱潮，速覽14個AI概念代幣
OpenAI 推出了其文本轉(zhuǎn)視頻模型 Sora，Sora 可以創(chuàng)建長達 60 秒的視頻，包含高度詳細的場景、復(fù)雜的攝像機運動以及情感豐富角色，再次將 AI 的創(chuàng)造能力顛覆性地提升了一個…
2024-02-18 -
AI板塊龍頭幣有哪些？一文搞懂AI概念龍頭幣
作為加密貨幣的底層技術(shù)，區(qū)塊鏈可以與人工智能技術(shù)協(xié)同工作，在加密投資方面，人工智能可以通過多種方式產(chǎn)生被動收入,很多投資者想要深入的了解AI板塊龍頭幣有哪些？下面…
2023-12-27
