가장자리에서 태어나다: 탈중앙화 컴퓨팅 네트워크가 어떻게 암호화폐와 AI에 힘을 실어주는가?
최근 Aethir와 io가 차례로 토큰을 발행하면서, 탈중앙화 컴퓨팅 네트워크가 주목받는 분야가 되었습니다. 블록체인과 AI는 어떻게 결합해야 할까요? 탈중앙화 컴퓨팅 네트워크 분야에는 어떤 선도 프로젝트가 있으며, 이들 간의 차이점과 유사점을 어떻게 분석할 수 있을까요? 이 분야는 어떤 도전과 기회를 맞이할까요? 본문에서 자세히 설명하겠습니다.作者：Jane Doe, Chen Li
通讯作者：Youbi 투자 팀
AI와 Crypto의 교차점
5월 23일, 반도체 거인 엔비디아가 2025 회계연도 1분기 재무 보고서를 발표했습니다. 보고서에 따르면, 엔비디아의 1분기 수익은 260억 달러에 달했습니다. 그중 데이터 센터 수익은 지난해 대비 427% 증가하여 놀라운 226억 달러에 이릅니다. 엔비디아가 단독으로 미국 주식 시장의 재무 성과를 구제할 수 있었던 배경은 전 세계 기술 기업들이 AI 분야에서 경쟁하기 위해 폭발적인 컴퓨팅 파워 수요를 일으키고 있다는 것을 반영합니다. 최고의 기술 기업일수록 AI 분야에 대한 야망이 커지며, 그에 따라 이들 기업의 컴퓨팅 파워 수요도 기하급수적으로 증가하고 있습니다. TrendForce의 예측에 따르면, 2024년 미국의 4대 주요 클라우드 서비스 제공업체인 마이크로소프트, 구글, AWS, 메타의 고급 AI 서버에 대한 수요는 각각 전 세계 수요의 20.2%, 16.6%, 16% 및 10.8%를 차지할 것으로 예상되며, 총합은 60%를 초과합니다.
이미지 출처: https://investor.nvidia.com/financial-info/financial-reports/default.aspx
"반도체 부족"은 최근 몇 년간 연례 핫 이슈로 자리 잡았습니다. 한편으로, 대형 언어 모델(LLM)의 훈련과 추론에는 막대한 컴퓨팅 파워가 필요합니다. 모델의 반복이 진행됨에 따라 컴퓨팅 비용과 수요는 기하급수적으로 증가하고 있습니다. 다른 한편으로, 메타와 같은 대기업은 대량의 반도체를 구매하며, 전 세계의 컴퓨팅 자원은 이러한 기술 대기업으로 쏠리게 되어 중소기업이 필요한 컴퓨팅 자원을 얻기 점점 더 어려워지고 있습니다. 중소기업이 직면한 어려움은 급증하는 수요로 인한 반도체 공급 부족뿐만 아니라 공급의 구조적 모순에서도 비롯됩니다. 현재 공급 측에서는 여전히 많은 유휴 GPU가 존재합니다. 예를 들어, 일부 데이터 센터에서는 유휴 컴퓨팅 파워가 많으며(사용률은 12% - 18%에 불과), 암호화폐 채굴의 수익 감소로 인해 많은 컴퓨팅 자원이 유휴 상태로 남아 있습니다. 이러한 컴퓨팅 자원이 모두 AI 훈련과 같은 전문적인 응용 프로그램에 적합하지는 않지만, 소비자용 하드웨어는 AI 추론, 클라우드 게임 렌더링, 클라우드 모바일 등 다른 분야에서도 큰 역할을 할 수 있습니다. 이 부분의 컴퓨팅 자원을 통합하고 활용할 기회는 막대합니다.
AI에서 crypto로 시선을 돌리면, 암호화 시장이 3년간 침체된 후 드디어 또 다른 상승장을 맞이하게 되었고, 비트코인 가격은 연일 최고치를 경신하며 다양한 메모코인이 쏟아져 나오고 있습니다. AI와 Crypto는 이 몇 년간 유행어로 떠올랐지만, 인공지능과 블록체인은 두 가지 중요한 기술로서 마치 평행선처럼 "교차점"을 찾지 못하고 있습니다. 올해 초, 비탈릭은 "Crypto + AI 응용 프로그램의 약속과 도전"이라는 제목의 글을 발표하며 AI와 crypto의 결합된 미래의 장면에 대해 논의했습니다. 비탈릭은 블록체인과 MPC와 같은 암호화 기술을 활용하여 AI의 탈중앙화 훈련과 추론을 수행하는 것, 머신 러닝의 블랙박스를 열어 AI 모델을 더욱 신뢰할 수 있도록 하는 등의 많은 비전을 언급했습니다. 이러한 비전을 실현하기 위해서는 아직 갈 길이 멉니다. 그 중 비탈릭이 언급한 하나의 사용 사례인------crypto의 경제적 인센티브를 활용하여 AI에 힘을 실어주는 것은 중요한 방향이며 단기간 내에 실현할 수 있는 방향입니다. 탈중앙화 컴퓨팅 네트워크는 현재 AI + crypto에 가장 적합한 장면 중 하나입니다.
탈중앙화 컴퓨팅 네트워크
현재 탈중앙화 컴퓨팅 네트워크 분야에서 발전하고 있는 프로젝트가 많이 있습니다. 이러한 프로젝트의 기본 논리는 유사하며, 다음과 같이 요약할 수 있습니다: 토큰을 활용하여 컴퓨팅 자원 보유자가 네트워크에 참여하여 컴퓨팅 서비스를 제공하도록 유도하며, 이러한 분산된 컴퓨팅 자원은 일정 규모의 탈중앙화 컴퓨팅 네트워크로 집결될 수 있습니다. 이렇게 하면 유휴 컴퓨팅 자원의 활용도를 높이고, 더 낮은 비용으로 고객의 컴퓨팅 수요를 충족시켜 구매자와 판매자 모두의 윈-윈을 실현할 수 있습니다.
독자가 짧은 시간 안에 이 분야에 대한 전체적인 이해를 얻을 수 있도록, 본문에서는 미시적---거시적 두 가지 관점에서 구체적인 프로젝트와 전체 분야를 해체하여 독자가 각 프로젝트의 핵심 경쟁 우위와 탈중앙화 컴퓨팅 분야의 전체 발전 상황을 이해할 수 있는 분석 관점을 제공하는 것을 목표로 합니다. 필자는 Aethir, io.net, Render Network, Akash Network, Gensyn의 다섯 가지 프로젝트를 소개하고 분석하며 프로젝트 상황과 분야 발전을 요약하고 평가할 것입니다.
분석 프레임워크 측면에서, 특정 탈중앙화 컴퓨팅 네트워크에 집중하면 이를 네 가지 핵심 구성 요소로 분해할 수 있습니다:
하드웨어 네트워크: 분산된 컴퓨팅 자원을 통합하여 전 세계에 분포된 노드를 통해 컴퓨팅 자원의 공유와 부하 균형을 실현하는 것으로, 탈중앙화 컴퓨팅 네트워크의 기본 층입니다.
양방향 시장: 합리적인 가격 책정 메커니즘과 발견 메커니즘을 통해 컴퓨팅 제공자와 수요자를 매칭하고, 안전한 거래 플랫폼을 제공하여 공급자와 수요자 간의 거래가 투명하고 공정하며 신뢰할 수 있도록 보장합니다.
합의 메커니즘: 네트워크 내 노드가 올바르게 작동하고 작업을 완료하도록 보장하는 데 사용됩니다. 합의 메커니즘은 주로 두 가지 측면을 모니터링하는 데 사용됩니다: 1) 노드가 온라인으로 작동하고 있으며 언제든지 작업을 수락할 수 있는 활성 상태인지 모니터링합니다; 2) 노드 작업 증명: 해당 노드가 작업을 수신한 후 유효하고 정확하게 작업을 완료했으며, 컴퓨팅 파워가 다른 목적으로 사용되지 않고 프로세스와 스레드를 차지하지 않았는지 확인합니다.
토큰 인센티브: 토큰 모델은 더 많은 참여자가 서비스를 제공/사용하도록 유도하며, 토큰을 통해 이러한 네트워크 효과를 포착하고 커뮤니티 수익 공유를 실현합니다.
탈중앙화 컴퓨팅 분야 전체를 조망하면, Blockworks Research의 연구 보고서는 훌륭한 분석 프레임워크를 제공합니다. 우리는 이 분야의 프로젝트 포지션을 세 가지 다른 레이어로 나눌 수 있습니다.
베어 메탈 레이어: 탈중앙화 컴퓨팅 스택의 기본 층을 구성하며, 주요 작업은 원시 컴퓨팅 자원을 수집하고 이를 API 호출이 가능하도록 하는 것입니다.
오케스트레이션 레이어: 탈중앙화 컴퓨팅 스택의 중간 층을 구성하며, 주요 작업은 조정 및 추상화로, 컴퓨팅의 스케줄링, 확장, 운영, 부하 균형 및 오류 복구 등을 담당합니다. 주요 역할은 "추상화"하여 하드웨어 관리의 복잡성을 줄이고 최종 사용자에게 더 높은 수준의 사용자 인터페이스를 제공하여 특정 고객군에 서비스를 제공합니다.
집계 레이어: 탈중앙화 컴퓨팅 스택의 최상위 층을 구성하며, 주요 작업은 통합으로, 사용자가 한 곳에서 다양한 컴퓨팅 작업을 수행할 수 있는 통합된 인터페이스를 제공하는 것입니다. 예를 들어 AI 훈련, 렌더링, zkML 등입니다. 여러 탈중앙화 컴퓨팅 서비스의 조정 및 배포 층에 해당합니다.
이미지 출처: Youbi Capital
위의 두 가지 분석 프레임워크에 따라, 선택한 다섯 개 프로젝트에 대해 수평 비교를 하고 네 가지 측면------핵심 사업, 시장 포지셔닝, 하드웨어 시설 및 재무 성과에 대해 평가할 것입니다.
2.1 핵심 사업
기본 논리 측면에서, 탈중앙화 컴퓨팅 네트워크는 매우 동질적입니다. 즉, 토큰을 활용하여 유휴 컴퓨팅 자원 보유자가 컴퓨팅 서비스를 제공하도록 유도합니다. 이 기본 논리를 중심으로 세 가지 측면의 차이를 통해 프로젝트의 핵심 사업의 차이를 이해할 수 있습니다:
유휴 컴퓨팅 자원의 출처:
시장에서 유휴 컴퓨팅 자원은 두 가지 주요 출처가 있습니다: 1) 데이터 센터, 채굴업체 등 기업의 유휴 컴퓨팅 자원; 2) 개인의 유휴 컴퓨팅 자원. 데이터 센터의 컴퓨팅 자원은 일반적으로 전문 수준의 하드웨어이며, 개인은 일반 소비자 수준의 칩을 구매하는 경우가 많습니다.
Aethir, Akash Network 및 Gensyn의 컴퓨팅 자원은 주로 기업에서 수집됩니다. 기업에서 컴퓨팅 자원을 수집하는 장점은 다음과 같습니다: 1) 기업과 데이터 센터는 일반적으로 더 높은 품질의 하드웨어와 전문 유지 보수 팀을 보유하고 있어 컴퓨팅 자원의 성능과 신뢰성이 더 높습니다; 2) 기업과 데이터 센터의 컴퓨팅 자원은 종종 더 동질적이며, 집중적인 관리와 모니터링으로 자원의 조정과 유지 보수가 더 효율적입니다. 하지만 이 방법은 프로젝트 측에 더 높은 요구 사항이 있으며, 컴퓨팅 자원을 보유한 기업과의 상업적 관계가 필요합니다. 동시에 확장성과 탈중앙화 정도는 일정 부분 영향을 받을 수 있습니다.
Render Network와 io.net은 주로 개인에게 유휴 컴퓨팅 자원을 제공하도록 유도합니다. 개인으로부터 컴퓨팅 자원을 수집하는 장점은 다음과 같습니다: 1) 개인의 유휴 컴퓨팅 자원은 명시적 비용이 낮아 더 경제적인 컴퓨팅 자원을 제공할 수 있습니다; 2) 네트워크의 확장성과 탈중앙화 정도가 더 높아 시스템의 탄력성과 안정성이 강화됩니다. 단점은 개인 자원의 분포가 광범위하고 통일되지 않아 관리와 조정이 복잡해지고 운영 및 유지 보수의 난이도가 증가합니다. 또한 개인의 컴퓨팅 자원을 기반으로 초기 네트워크 효과를 형성하는 것이 더 어려울 수 있습니다(더 어렵게 시작할 수 있습니다). 마지막으로, 개인의 장비는 더 많은 보안 위험을 내포할 수 있으며, 데이터 유출 및 컴퓨팅 자원의 남용 위험을 초래할 수 있습니다.
컴퓨팅 자원 소비자
컴퓨팅 자원 소비자 측면에서, Aethir, io.net, Gensyn의 주요 목표 고객은 기업입니다. B2B 고객에게 AI 및 게임 실시간 렌더링은 고성능 컴퓨팅 수요가 필요합니다. 이러한 작업 부하는 컴퓨팅 자원에 대한 요구가 매우 높으며, 일반적으로 고급 GPU 또는 전문 하드웨어가 필요합니다. 또한 B2B 고객은 컴퓨팅 자원의 안정성과 신뢰성에 대한 요구가 높기 때문에 고품질의 서비스 수준 계약을 제공하여 프로젝트가 정상적으로 운영되고 적시에 기술 지원을 제공해야 합니다. 동시에 B2B 고객의 이전 비용이 매우 높기 때문에, 탈중앙화 네트워크가 성숙한 SDK를 제공하지 않으면 고객이 쉽게 이전하기 어렵습니다(예: Akash Network는 사용자가 원격 포트를 기반으로 개발해야 합니다). 만약 가격 우위가 극히 뚜렷하지 않다면 고객의 이전 의지는 매우 낮습니다.
Render Network와 Akash Network는 주로 개인에게 컴퓨팅 서비스를 제공합니다. C2C 사용자에게 서비스를 제공하기 위해 프로젝트는 간단하고 사용하기 쉬운 인터페이스와 도구를 설계하여 소비자에게 좋은 소비 경험을 제공해야 합니다. 또한 소비자는 가격에 민감하기 때문에 프로젝트는 경쟁력 있는 가격을 제공해야 합니다.
하드웨어 유형
일반적인 컴퓨팅 하드웨어 자원에는 CPU, FPGA, GPU, ASIC 및 SoC 등이 있습니다. 이러한 하드웨어는 설계 목표, 성능 특성 및 응용 분야에서显著한 차이를 보입니다. 요약하자면, CPU는 일반적인 컴퓨팅 작업에 더 적합하고, FPGA는 높은 병렬 처리 및 프로그래밍 가능성에서 장점을 가지며, GPU는 병렬 컴퓨팅에서 뛰어난 성능을 보이고, ASIC은 특정 작업에서 가장 높은 효율성을 가지며, SoC는 여러 기능을 통합하여 고도로 통합된 응용 프로그램에 적합합니다. 어떤 하드웨어를 선택할지는 특정 응용 프로그램의 요구, 성능 요구 사항 및 비용 고려에 따라 달라집니다. 우리가 논의하는 탈중앙화 컴퓨팅 프로젝트는 대부분 GPU 컴퓨팅 자원을 수집하는데, 이는 프로젝트의 비즈니스 유형과 GPU의 특성에 의해 결정됩니다. GPU는 AI 훈련, 병렬 컴퓨팅, 멀티미디어 렌더링 등에서 독특한 장점을 가지고 있습니다.
이러한 프로젝트는 대부분 GPU 통합과 관련이 있지만, 서로 다른 응용 프로그램은 하드웨어 사양에 대한 요구가 다르기 때문에 이러한 하드웨어는 이질적인 최적화 핵심과 매개변수를 가지고 있습니다. 이러한 매개변수에는 병렬성/직렬 의존성, 메모리, 지연 등이 포함됩니다. 예를 들어, 렌더링 작업 부하는 실제로 소비자용 GPU에 더 적합하며, 성능이 더 높은 데이터 센터 GPU에는 적합하지 않습니다. 렌더링은 광선 추적과 같은 높은 요구 사항이 있기 때문에 소비자용 칩인 4090s는 RT 코어를 강화하여 광선 추적 작업을 위해 계산 최적화를 수행했습니다. AI 훈련 및 추론은 전문 수준의 GPU가 필요합니다. 따라서 Render Network는 개인으로부터 RTX 3090s 및 4090s와 같은 소비자용 GPU를 수집할 수 있으며, IO.NET은 AI 스타트업의 요구를 충족하기 위해 더 많은 H100s, A100s와 같은 전문 수준의 GPU가 필요합니다.
2.2 시장 포지셔닝
프로젝트의 포지셔닝 측면에서, 베어 메탈 레이어, 오케스트레이션 레이어 및 집계 레이어가 해결해야 할 핵심 문제, 최적화 초점 및 가치 포착 능력은 다릅니다.
베어 메탈 레이어는 물리적 자원의 수집 및 활용에 중점을 두고, 오케스트레이션 레이어는 컴퓨팅의 조정 및 최적화에 중점을 두어 고객군의 요구에 따라 물리적 하드웨어를 최적화합니다. 집계 레이어는 일반 목적이며, 다양한 자원의 통합 및 추상화에 중점을 둡니다. 가치 사슬 측면에서 각 프로젝트는 베어 메탈 레이어에서 시작하여 위로 올라가도록 노력해야 합니다.
가치 포착 측면에서, 베어 메탈 레이어, 오케스트레이션 레이어에서 집계 레이어로 갈수록 가치 포착 능력은 단계적으로 증가합니다. 집계 레이어는 가장 많은 가치를 포착할 수 있으며, 그 이유는 집계 플랫폼이 최대의 네트워크 효과를 얻을 수 있고, 가장 많은 사용자에게 직접 도달할 수 있기 때문입니다. 이는 탈중앙화 네트워크의 트래픽 진입점과 같아 전체 컴퓨팅 자원 관리 스택에서 가장 높은 가치 포착 위치를 차지합니다.
반면, 집계 플랫폼을 구축하는 것은 가장 어려운 작업이며, 프로젝트는 기술 복잡성, 이질적 자원 관리, 시스템 신뢰성 및 확장성, 네트워크 효과 실현, 보안 및 개인 정보 보호, 복잡한 운영 관리 등 여러 문제를 종합적으로 해결해야 합니다. 이러한 도전은 프로젝트의 초기 시작에 불리하며, 분야의 발전 상황과 시기에 따라 달라집니다. 오케스트레이션 레이어가 아직 성숙하지 않은 상태에서 일정 시장 점유율을 확보하는 것은 집계 레이어를 구축하는 것이 현실적이지 않습니다.
현재, Aethir, Render Network, Akash Network 및 Gensyn은 모두 오케스트레이션 레이어에 속하며, 특정 목표 및 고객군에 서비스를 제공하는 것을 목표로 하고 있습니다. Aethir의 현재 주요 사업은 클라우드 게임을 위한 실시간 렌더링이며, B2B 고객에게 일정한 개발 및 배포 환경과 도구를 제공합니다; Render Network의 주요 사업은 비디오 렌더링이며, Akash Network의 임무는 타오바오와 유사한 거래 플랫폼을 제공하는 것이고, Gensyn은 AI 훈련 분야에 깊이 파고들고 있습니다. io.net의 포지셔닝은 집계 레이어이지만, 현재 io가 구현한 기능은 집계 레이어의 완전한 기능과는 거리가 있으며, 이미 Render Network와 Filecoin의 하드웨어를 수집했지만 하드웨어 자원의 추상화 및 통합은 아직 완료되지 않았습니다.
2.3 하드웨어 시설
현재 모든 프로젝트가 네트워크의 상세 데이터를 공개한 것은 아니며, 상대적으로 io.net 탐색기의 UI가 가장 잘 만들어져 있습니다. 여기에서 GPU/CPU 수, 종류, 가격, 분포, 네트워크 사용량, 노드 수익 등 다양한 매개변수를 확인할 수 있습니다. 그러나 4월 말 io.net의 프론트엔드가 공격을 받았으며, io는 PUT/POST 인터페이스에 대한 인증을 하지 않아 해커가 프론트엔드 데이터를 변조했습니다. 이는 다른 프로젝트의 개인 정보 및 네트워크 데이터 신뢰성에도 경종을 울리는 사건입니다.
GPU의 수와 모델 측면에서, 집계 레이어인 io.net이 수집한 하드웨어 수는 가장 많아야 합니다. Aethir가 그 뒤를 따르며, 다른 프로젝트의 하드웨어 상황은 그렇게 투명하지 않습니다. GPU 모델을 보면, io는 A100과 같은 전문 수준의 GPU와 4090과 같은 소비자용 GPU를 모두 보유하고 있으며, 종류가 다양합니다. 이는 io.net 집계의 포지셔닝에 부합합니다. io는 특정 작업 요구에 따라 가장 적합한 GPU를 선택할 수 있습니다. 그러나 서로 다른 모델과 브랜드의 GPU는 서로 다른 드라이버와 구성이 필요할 수 있으며, 소프트웨어도 복잡한 최적화가 필요하므로 관리 및 유지 보수의 복잡성이 증가합니다. 현재 io의 각종 작업 배분은 주로 사용자의 자율 선택에 의존하고 있습니다.
Aethir는 자체 채굴기를 출시했으며, 5월에는 퀄컴이 지원하여 개발한 Aethir Edge가 공식 출시되었습니다. 이는 사용자와 멀리 떨어진 단일 집중화된 GPU 클러스터 배포 방식을 깨고, 컴퓨팅 파워를 엣지로 배포할 것입니다. Aethir Edge는 H100 클러스터 컴퓨팅 파워와 결합하여 AI 장면에 서비스를 제공하며, 훈련된 모델을 배포하여 최적의 비용으로 사용자에게 추론 계산 서비스를 제공합니다. 이러한 솔루션은 사용자와 더 가까워지고, 서비스가 더 빠르며, 비용 효율성도 더 높습니다.
공급과 수요 측면에서, Akash Network를 예로 들면, 통계에 따르면 CPU 총량은 약 16k, GPU 수는 378개이며, 네트워크 임대 수요에 따라 CPU와 GPU의 활용률은 각각 11.1%와 19.3%입니다. 그중 전문 수준의 GPU H100의 임대율이 비교적 높고, 다른 모델은 대부분 유휴 상태입니다. 다른 네트워크의 상황도 대체로 Akash와 유사하며, 네트워크의 전체 수요량이 높지 않고, A100, H100과 같은 인기 칩을 제외하면 대부분의 컴퓨팅 자원이 유휴 상태입니다.
가격 우위 측면에서, 클라우드 컴퓨팅 시장의 거대 기업을 제외하고, 다른 전통 서비스 제공업체와 비교할 때 비용 우위가 두드러지지 않습니다.
2.4 재무 성과
토큰 모델이 어떻게 설계되든, 건강한 토큰 경제는 다음 몇 가지 기본 조건을 충족해야 합니다: 1) 사용자 네트워크에 대한 수요는 암호화폐 가격에 반영되어야 하며, 즉 토큰은 가치를 포착할 수 있어야 합니다; 2) 모든 참여자, 즉 개발자, 노드, 사용자 모두 장기적으로 공정한 인센티브를 받아야 합니다; 3) 탈중앙화된 거버넌스를 보장하여 내부자가 과도하게 보유하지 않도록 해야 합니다; 4) 합리적인 인플레이션 및 디플레이션 메커니즘과 토큰 방출 주기를 보장하여 가격의 큰 변동이 네트워크의 안정성과 지속성에 영향을 미치지 않도록 해야 합니다.
토큰 모델을 대략적으로 BME(소각 및 민트 균형)와 SFA(접근을 위한 스테이킹)로 나누면, 이 두 가지 모델의 토큰 디플레이션 압력의 출처는 다릅니다: BME 모델은 사용자가 서비스를 구매한 후 토큰을 소각하므로 시스템의 디플레이션 압력은 수요에 의해 결정됩니다. 반면 SFA는 서비스 제공자/노드가 서비스를 제공할 자격을 얻기 위해 토큰을 스테이킹해야 하므로 디플레이션 압력은 공급에서 발생합니다. BME의 장점은 비표준화된 상품에 더 적합하다는 것입니다. 그러나 네트워크의 수요가 부족하면 지속적인 인플레이션 압력에 직면할 수 있습니다. 각 프로젝트의 토큰 모델은 세부 사항에서 차이가 있지만, 전반적으로 Aethir는 SFA에 더 가깝고, io.net, Render Network 및 Akash Network는 BME에 더 가깝습니다. Gensyn은 아직 불확실합니다.
수익 측면에서, 네트워크의 수요량은 네트워크 전체 수익에 직접 반영됩니다(여기서는 채굴자의 수익은 논의하지 않으며, 채굴자는 작업을 완료한 보상 외에도 프로젝트의 보조금을 받습니다). 공개된 데이터에 따르면 io.net의 수치가 가장 높습니다. Aethir의 수익은 아직 공개되지 않았지만, 공개된 정보에 따르면 그들은 이미 많은 B2B 고객과 계약을 체결했다고 발표했습니다.
암호화폐 가격 측면에서 현재 Render Network와 Akash Network만 ICO를 진행했습니다. Aethir와 io.net도 최근에 발행했으며, 가격 성과는 추가 관찰이 필요합니다. Gensyn의 계획은 아직 불확실합니다. 발행된 두 프로젝트와 본문에서 논의되지 않은 동일한 분야의 이미 발행된 프로젝트를 종합적으로 고려할 때, 탈중앙화 컴퓨팅 네트워크는 매우 눈에 띄는 가격 성과를 보이며, 이는 어느 정도 거대한 시장 잠재력과 커뮤니티의 높은 기대를 반영합니다.
2.5 요약
탈중앙화 컴퓨팅 네트워크 분야는 전반적으로 빠르게 발전하고 있으며, 이미 많은 프로젝트가 제품을 통해 고객에게 서비스를 제공하고 일정 수익을 창출하고 있습니다. 이 분야는 순수한 서사에서 벗어나 초기 서비스를 제공할 수 있는 발전 단계에 접어들었습니다.
수요 약세는 탈중앙화 컴퓨팅 네트워크가 직면한 공통 문제이며, 장기적인 고객 수요가 잘 검증되고 발굴되지 않았습니다. 그러나 수요 측은 암호화폐 가격에 큰 영향을 미치지 않았으며, 이미 발행된 몇몇 프로젝트는 뛰어난 성과를 보이고 있습니다.
AI는 탈중앙화 컴퓨팅 네트워크의 주요 서사지만 유일한 비즈니스는 아닙니다. AI 훈련 및 추론 외에도 컴퓨팅 파워는 클라우드 게임 실시간 렌더링, 클라우드 모바일 서비스 등에도 사용될 수 있습니다.
컴퓨팅 네트워크의 하드웨어 이질화 정도가 높으며, 컴퓨팅 네트워크의 품질과 규모는 더욱 향상될 필요가 있습니다.
C2C 사용자에게는 비용 우위가 그리 뚜렷하지 않습니다. 반면 B2B 사용자에게는 비용 절감 외에도 서비스의 안정성, 신뢰성, 기술 지원, 규제 및 법적 지원 등을 고려해야 하며, Web3 프로젝트는 일반적으로 이러한 측면에서 부족합니다.
마무리 생각
AI의 폭발적인 성장으로 인한 컴퓨팅 파워에 대한 대량 수요는 의심의 여지가 없습니다. 2012년 이후 인공지능 훈련 작업에서 사용되는 컴퓨팅 파워는 기하급수적으로 증가하고 있으며, 현재 속도는 3.5개월마다 두 배로 증가하고 있습니다(비교하자면, 무어의 법칙은 18개월마다 두 배로 증가합니다). 2012년 이후, 컴퓨팅 파워에 대한 수요는 300,000배 이상 증가하여 무어의 법칙의 12배 증가를 훨씬 초과했습니다. 예측에 따르면, GPU 시장은 향후 5년 내에 연평균 32% 성장하여 2000억 달러를 초과할 것으로 예상됩니다. AMD의 추정치는 더 높습니다, 회사는 2027년까지 GPU 칩 시장이 4000억 달러에 이를 것으로 예상하고 있습니다. 
이미지 출처: https://www.stateof.ai/
인공지능과 기타 계산 집약적인 작업 부하(예: AR/VR 렌더링)의 폭발적인 성장은 전통적인 클라우드 컴퓨팅 및 선도적인 컴퓨팅 시장의 구조적 비효율 문제를 드러냈습니다. 이론적으로 탈중앙화 컴퓨팅 네트워크는 분산된 유휴 컴퓨팅 자원을 활용하여 더 유연하고 저렴하며 효율적인 솔루션을 제공하여 시장의 막대한 컴퓨팅 자원 수요를 충족할 수 있습니다. 따라서 crypto와 AI의 결합은 거대한 시장 잠재력을 가지고 있지만, 동시에 전통 기업과의 치열한 경쟁, 높은 진입 장벽 및 복잡한 시장 환경에 직면해 있습니다. 전반적으로 모든 crypto 분야를 살펴보면, 탈중앙화 컴퓨팅 네트워크는 암호화 분야에서 실제 수요를 가장 잘 얻을 수 있는 수직 분야 중 하나입니다.
이미지 출처: https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
앞으로의 길은 밝지만, 과정은 험난합니다. 위의 비전을 달성하기 위해서는 많은 문제와 도전을 해결해야 하며, 요약하자면: 현재 단계에서 단순히 전통적인 클라우드 서비스를 제공하는 것은 프로젝트의 이익 마진이 매우 작습니다. 수요 측 분석에 따르면, 대기업은 일반적으로 자체적으로 컴퓨팅 파워를 구축하고, 순수 C2C 개발자는 대부분 클라우드 서비스를 선택하며, 실제로 탈중앙화 컴퓨팅 네트워크 자원을 사용하는 중소기업이 안정적인 수요를 가질지는 추가적인 발굴과 검증이 필요합니다. 한편, AI는 극히 높은 한계와 상상 공간을 가진 광범위한 시장으로, 더 넓은 시장을 위해 향후 탈중앙화 컴퓨팅 서비스 제공업체는 모델/AI 서비스로 전환하고 crypto + AI의 다양한 사용 사례를 탐색하여 프로젝트가 창출할 수 있는 가치를 확대해야 합니다. 그러나 현재로서는 AI 분야로进一步 발전하기 위해 많은 문제와 도전이 존재합니다:
가격 우위가 두드러지지 않음: 이전 데이터 비교를 통해 탈중앙화 컴퓨팅 네트워크의 비용 우위가 드러나지 않았습니다. 가능한 원인은 수요가 큰 전문 칩인 H100, A100 등의 시장 메커니즘이 이 하드웨어의 가격을 저렴하게 만들지 않기 때문입니다. 또한, 탈중앙화 네트워크는 유휴 컴퓨팅 자원을 수집할 수 있지만, 탈중앙화로 인한 규모의 경제 효과 부족, 높은 네트워크 및 대역폭 비용, 그리고 극도의 관리 및 운영 복잡성 등의 숨겨진 비용이 컴퓨팅 비용을 더욱 증가시킬 수 있습니다.
AI 훈련의 특수성: 탈중앙화 방식으로 AI 훈련을 진행하는 것은 현재 단계에서 큰 기술적 병목 현상이 있습니다. 이 병목 현상은 GPU의 작업 흐름에서 직관적으로 드러납니다. 대형 언어 모델 훈련에서 GPU는 먼저 전처리된 데이터 배치를 수신하여 전방향 전파 및 역방향 전파 계산을 수행하여 그래디언트를 생성합니다. 그 후, 각 GPU는 그래디언트를 집계하고 모델 매개변수를 업데이트하여 모든 GPU가 동기화되도록 합니다. 이 과정은 훈련이 완료될 때까지 반복됩니다. 이 과정에서는 대량의 데이터 전송 및 동기화가 포함됩니다. 어떤 병렬 및 동기화 전략을 사용할지, 네트워크 대역폭과 지연을 최적화하고 통신 비용을 줄이는 방법 등은 현재 잘 해결되지 않고 있습니다. 현재 탈중앙화 컴퓨팅 네트워크를 이용한 AI 훈련은 현실적이지 않습니다.
데이터 보안 및 개인 정보: 대형 언어 모델 훈련 과정에서 데이터 처리 및 전송과 관련된 각 단계, 예를 들어 데이터 배분, 모델 훈련, 매개변수 및 그래디언트 집계는 데이터 보안 및 개인 정보에 영향을 미칠 수 있습니다. 또한 데이터 개인 정보 보호가 더욱 중요합니다. 데이터 개인 정보 문제를 해결하지 않으면 수요 측에서 진정한 규모화를 이룰 수 없습니다.
가장 현실적인 관점에서, 탈중앙화 컴퓨팅 네트워크는 현재의 수요 발굴과 미래의 시장 공간을 동시에 고려해야 합니다. 제품 포지셔닝과 목표 고객군을 정확히 설정하고, 예를 들어 비AI 또는 Web3 원주율 프로젝트를 먼저 겨냥하여 비교적 주변의 수요에서 시작하여 초기 사용자 기반을 구축해야 합니다. 동시에 AI와 crypto의 결합된 다양한 장면을 탐색하고 기술 최전선에서 서비스를 전환 및 업그레이드해야 합니다.
참고 문헌
https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
