Останні новини про Io.net на 2025 рік

Io.net зазнала значного зростання та розвитку у 2025 році, закріпивши свої позиції на ринку децентралізованих обчислень. Наступні оновлення висвітлюють ключові досягнення та стратегічні зміни в межах платформи:

Розширення ринку та ефективність

• Зростання мережі: Мережа Io.net розширилася до понад 10,000 активних вузлів по всьому світу, що представляє собою збільшення на 215% порівняно з кінцем 2024 року
• Обчислювальна потужність: Загальна кількість доступних ресурсів GPU для обчислень на платформі досягла 450 петаFLOPS, що робить її найбільшою децентралізованою мережею для обчислень на базі GPU.
• Обсяг транзакцій: Платформа зараз обробляє понад 12 мільйонів доларів США у транзакціях обчислювальних ресурсів щомісяця

Стратегічні партнерства

Io.net утворив кілька стратегічних альянсів для покращення своєї екосистеми:

Технічні досягнення

• Технологія IO Mesh: Впровадження сіткового зв'язку зменшило затримки на 47%, що суттєво покращило можливості обробки в реальному часі для розподілених AI навантажень
• Розумне розподілення ресурсів: Нові алгоритми оптимізують розподіл ресурсів GPU на основі вимог навантаження, збільшуючи ефективність на 38%
• Інтеграція холодного зберігання: Реалізовано безперешкодну інтеграцію з децентралізованими сховищами, що дозволяє створювати складніші робочі процеси для управління великими наборами даних
• Оновлення протоколу безпеки: Покращене шифрування кінцевих точок та багаторівневі системи автентифікації тепер захищають всі передачі даних

Уточнення економічної моделі

Токеномічна структура була вдосконалена за рахунок:

• Динамічна модель ціноутворення: Впровадження цінової політики, що реагує на попит, яка коригується залежно від рівнів використання мережі
• Механізми стейкінгу: Нові варіанти стейкінгу, які дозволяють тримачам токенів брати участь в управлінні та отримувати винагороди з мережевих зборів
• Ін incentives постачальників: Структура винагороди з рівнями для постачальників обчислювальних ресурсів на основі якості апаратного забезпечення та метрик безвідмовності

Вплив на галузь

Розвиток інфраструктури Io.net істотно сприяв індустрії штучного інтелекту шляхом:

• Зменшення витрат на навчання ШІ в середньому на 72% порівняно з централізованими постачальниками хмарних послуг
• Надання доступу до високопродуктивних обчислень для менших дослідницьких команд і стартапів
• Підтримка дедалі складніших моделей штучного інтелекту за допомогою архітектури розподілених обчислень
• Встановлення нових стандартів для децентралізованої інфраструктури штучного інтелекту

Оскільки Io.net продовжує розвиватися в 2025 році, платформа демонструє, як децентралізована інфраструктура може ефективно задовольняти зростаючі вимоги до обчислень штучного інтелекту. Траєкторія зростання платформи вказує на стійкий імпульс у створенні більш доступної, ефективної та демократизованої екосистеми обчислень для розвитку штучного інтелекту по всьому світу.

Вступ

У цифрову епоху обчислювальна потужність стала основним елементом технологічного прогресу. Вона визначає ресурси, які комп'ютери потребують для виконання операцій, включаючи пам'ять, швидкість процесора та кількість процесорів. Ці ресурси безпосередньо впливають на продуктивність і вартість пристроїв, особливо при обробці кількох програм одночасно. З поширенням штучного інтелекту та технологій глибокого навчання попит на високопродуктивні обчислювальні ресурси, такі як GPU, стрімко зріс, що призвело до глобального дефіциту постачання.

Центральний процесор (ЦП) відіграє важливу роль як ядро комп'ютера, в той час як графічний процесор (ГП) значно підвищує обчислювальну ефективність, обробляючи паралельні задачі. Потужніший ЦП може швидше виконувати операції, а ГП ефективно підтримує зростаючі обчислювальні вимоги.

Що таке Io.net?

Джерело: io.net

Io.net - це проект DePIN на основі Solana, який зосереджений на наданні потужності GPU компаніям у сфері штучного інтелекту та машинного навчання, що робить обчислення більш масштабованими, доступними та ефективними.

Сучасні моделі штучного інтелекту стають все більшими, і навчання та виведення більше не є простими завданнями, які можна виконати на одному пристрої. Часто потрібні паралельні та розподілені обчислення, які використовують потужні можливості кількох систем і ядер для оптимізації обчислювальної продуктивності або для розширення, щоб вмістити більші набори даних і моделі. Координація мережі GPU як обчислювального ресурсу є критично важливою в цьому процесі.

Фон команди та фінансування

Командний фон

Основна команда Io.net спочатку спеціалізувалася на кількісній торгівлі. До червня 2022 року вони зосередилися на розробці інституційних рівнів систем кількісної торгівлі, що охоплюють акції та криптовалюти. З ростом попиту на обчислювальну потужність бекенд-систем команда почала досліджувати можливості децентралізованих обчислень, врешті-решт зосередившись на вирішенні конкретних проблем, пов'язаних зі зменшенням вартості послуг обчислень на основі GPU.

• Засновник і генеральний директор: Ахмад Шадид, який працював у кількісній та фінансовій інженерії. Перед Io.net він був волонтером у Фонді Ethereum.
• CMO та головний стратегічний директор: Гаррісон Янг, який приєднався до Io.net у березні цього року, раніше обіймав посаду віце-президента з стратегічного розвитку в Avalanche та закінчив Каліфорнійський університет у Санта-Барбарі.
• COO: Торай Грін, COO Io.net, раніше обіймав посаду COO в Hum Capital та директора з розвитку бізнесу та стратегії в Fox Mobile Group, а також є випускником Стенфорда.

Згідно з інформацією Io.net у LinkedIn, команда має головний офіс у Нью-Йорку, США, з філією в Сан-Франциско, і наразі налічує понад 50 членів команди.

Фінансова ситуація

Io.net завершила раунд фінансування серії A на суму 30 мільйонів доларів, який очолила Hack VC, з участю інших відомих установ, таких як Multicoin Capital, Delphi Digital, Animoca Brands, OKX, Aptos Labs та Solana Labs. Крім того, засновники Solana, Aptos та Animoca Brands також взяли участь у цьому раунді як індивідуальні інвестори. Зокрема, після інвестицій від Aptos Foundation проект BC8.AI, спочатку розміщений на Solana, перейшов на однаково ефективну платформу L1, Aptos.

Вирішення проблеми нестачі обчислювальних ресурсів

Останніми роками швидкий розвиток штучного інтелекту сприяв зростанню попиту на обчислювальні чіпи, оскільки застосування штучного інтелекту подвоюють свої вимоги до обчислювальної потужності кожні три місяці та майже вдесятеро кожні 18 місяців. Це експоненціальне зростання створило навантаження на глобальний ланцюг постачання, який досі намагається відновитися після порушень, викликаних пандемією. Публічні хмари зазвичай мають пріоритетний доступ до більшої кількості GPU, що ускладнює для менших підприємств і дослідницьких установ отримання обчислювальних ресурсів, таких як:

• Високі витрати: Використання висококласних графічних процесорів є дуже дорогим, легко досягаючи сотень тисяч на місяць для навчання та висновків.
• Проблеми якості: Користувачі мають обмежений вибір щодо якості, рівня безпеки, обчислювальної затримки та інших параметрів апаратного забезпечення GPU і повинні задовольнятися тим, що є в наявності.
• Обмеження використання: При використанні хмарних сервісів, таких як AWS від Google, GCP або Microsoft Azure, доступ зазвичай займає тижні, а більш потужні графічні процесори часто недоступні.

Io.net вирішує цю проблему, агрегуючи недовикористані обчислювальні ресурси (такі як незалежні центри обробки даних, майнери криптовалют, Filecoin, Render та інші мережі криптопроектів) надлишкових GPU. Ці обчислювальні ресурси формують децентралізовану обчислювальну мережу, що дозволяє інженерам отримувати величезну обчислювальну потужність у легко доступній, налаштовуваній, економічно ефективній системі.

Джерело: io.net

Продукти Io.net, створені для чотирьох основних функцій

• Пакетне виведення та послуги моделі: Пакетні дані можуть оброблятися паралельно шляхом експорту архітектури та вагів навчальних моделей до спільного об'єктного сховища. Io.net дозволяє командам машинного навчання встановлювати робочі процеси виведення та послуг моделей через розподілені мережі GPU.
• Паралельне навчання: обмеження пам'яті ЦП/ГП та послідовні робочі процеси обробки створюють значні затримки під час навчання моделей на одному пристрої. Io.net використовує бібліотеки розподілених обчислень для організації та пакетного виконання навчальних завдань, що дозволяє паралелізувати дані та моделі на багатьох розподілених пристроях.
• Паралельна налаштування гіперпараметрів: Експерименти з налаштування гіперпараметрів за своєю суттю є паралельними. Io.net використовує бібліотеку розподілених обчислень з розширеними можливостями налаштування гіперпараметрів для знаходження найкращих результатів, оптимізації розкладу та визначення шаблонів пошуку.
• Посилене навчання: Io.net використовує бібліотеку з відкритим кодом для посиленого навчання, яка підтримує виробничі рівні, високорозподілені навантаження RL та набір простих API.

Продукти Io.net

IO Cloud

IO Cloud управляє розподіленими кластерами GPU, пропонуючи гнучкий, масштабований доступ до ресурсів без необхідності в дорогих інвестиціях у апаратне забезпечення та управлінні інфраструктурою. Використання децентралізованої мережі вузлів надає інженерам з машинного навчання досвід, подібний до будь-якого постачальника хмарних послуг. Інтегруючись безшовно через IO-SDK, він пропонує рішення для AI та Python-додатків і спрощує розгортання та управління ресурсами GPU/CPU, адаптуючись до змінюваних потреб.

Основні моменти:

• Глобальне охоплення: Використовуючи підхід, схожий на CDN, він глобально розподіляє ресурси GPU для оптимізації послуг машинного навчання та висновків.
• Масштабованість та ефективність витрат: Наша мета – бути найбільш економічно вигідною хмарною платформою для GPU, яка, як очікується, зменшить витрати на проекти AI/ML до 90%.
• Інтеграція з IO SDK: Підвищує продуктивність AI-проєктів завдяки безшовній інтеграції, створюючи єдине середовище з високою продуктивністю.
• Ексклюзивні функції: Надає приватний доступ до плагіна OpenAI ChatGPT, спрощуючи розгортання навчальних кластерів.
• Підтримка RAY Framework: Використовує розподілений обчислювальний фреймворк RAY для масштабованої розробки Python-додатків.
• Інновації в криптомайнингу: має на меті революціонізувати індустрію криптомайнингу, підтримуючи екосистеми ML та AI.

IO Робітник

Призначений для оптимізації операцій постачання в WebApps, IO Worker включає управління обліковими записами користувачів, моніторинг активності в реальному часі, відстеження температури та споживання електроенергії, підтримку установки, управління гаманцями, оцінку безпеки та аналіз прибутковості. Він створює міст між вимогами до обробної потужності ШІ та постачанням недовикористаних обчислювальних ресурсів, сприяючи більш економічному та плавному процесу навчання ШІ.

Основні моменти:

• Головна сторінка працівника: надає інформаційну панель для моніторингу підключених пристроїв у реальному часі, підтримуючи такі функції, як видалення та перейменування пристроїв.
• Сторінка деталей пристрою: Пропонує всебічний аналіз пристроїв, включаючи трафік, статус з'єднання та історію операцій.
• Сторінка додавання пристрою: спрощує процес підключення пристроїв, підтримуючи швидку та легку інтеграцію нових пристроїв.
• Сторінка доходів та винагород: відстежує доходи та історію операцій з деталями транзакцій, доступними на Solscan.

IO Explorer

IO Explorer має на меті надати вікно у роботу мережі, пропонуючи користувачам всебічну статистику та оперативні інсайти щодо всіх аспектів GPU хмари. Як Solscan або блокчейн-експлори забезпечують видимість блокчейн-транзакцій, IO Explorer приносить подібний рівень прозорості у GPU-орієнтовані операції, дозволяючи користувачам моніторити, аналізувати та розуміти деталі GPU хмари, забезпечуючи повну видимість мережевих активностей, статистики та транзакцій, одночасно захищаючи конфіденційність чутливої інформації.

Основні моменти:

• Сторінка пристрою: Відображає публічні дані про пристрої, підключені до мережі, надаючи дані в реальному часі та відстеження транзакцій.
• Головна сторінка браузера: Пропонує інформацію про обсяги постачання, перевірених постачальників, активні номери обладнання та ціни на ринку в реальному часі.
• Сторінка кластерів: Показує публічну інформацію про кластери, розгорнуті в мережі, разом із показниками в режимі реального часу та деталями резервування.
• Моніторинг кластерів в режимі реального часу: Надає миттєві дані про стан, здоров'я та продуктивність кластерів, забезпечуючи користувачів останньою інформацією.

Архітектура IO

Як гілка Ray, IO-SDK складає основу можливостей Io.net, підтримуючи паралельне виконання завдань та обробку багатомовних середовищ. Його сумісність з основними фреймворками машинного навчання (ML) дозволяє Io.net гнучко та ефективно задовольняти різноманітні обчислювальні вимоги. Ця технічна установка, підтримувана чітко визначеною технічною системою, забезпечує, щоб платформа Io.net могла задовольняти поточні потреби та адаптуватися до майбутніх розробок.

Багатошарова архітектура:

• Користувацький інтерфейс: Забезпечує візуальний фронтальний інтерфейс для користувачів, включаючи публічні веб-сайти, клієнтські зони та зони постачальників GPU, щоб забезпечити інтуїтивно зрозумілий і зручний досвід.
• Секційний шар: Забезпечує цілісність і безпеку системи, впроваджуючи механізми, такі як захист мережі, автентифікація користувачів та ведення журналу активності.
• API-Шар: Як комунікаційний центр для веб-сайтів, постачальників та внутрішнього управління, він сприяє обміну даними та операціями.
• Бекенд-Шар: Формує ядро системи і відповідає за управління кластерами/GPU, взаємодією з клієнтами та автоматичним масштабуванням.
• Слой бази даних: Відповідає за зберігання та управління даними, з основним зберіганням для структурованих даних та кешуванням для обробки тимчасових даних.
• Шар завдань: Керує асинхронним зв'язком та виконанням завдань, забезпечуючи ефективну обробку даних та їхній потік.
• Інфраструктурний шар: складає основу системи, включаючи пул ресурсів GPU, інструменти оркестрації та обробку завдань виконання/МЛ, оснащений надійним рішенням для моніторингу.

IO Тунелі

IO Tunnels забезпечують безпечні з'єднання від клієнтів до віддалених серверів, дозволяючи інженерам обходити брандмауери та NAT без складних конфігурацій, що дозволяє віддалений доступ.

Робочий процес: IO Workers спочатку встановлюють з'єднання з проміжним сервером (тобто сервером io.net). Сервер io.net потім слухає запити на з'єднання від IO Workers та машин інженерів, сприяючи обміну даними за допомогою технології зворотного тунелю.

(Джерело зображення: io.net, 2024.4.11)

Застосування в io.net: Інженери можуть легко підключатися до IO Workers через сервер io.net, подолавши проблеми з налаштуванням мережі для досягнення віддаленого доступу та управління.

Переваги:

• Доступність: Пряме з'єднання з IO Workers усуває мережеві бар'єри.
• Безпека: Забезпечує безпеку зв'язку, захищаючи конфіденційність даних.
• Масштабованість та гнучкість: ефективно управляє кількома IO Worker'ами в різних середовищах.

IO Network

IO Network використовує архітектуру мережевого VPN для забезпечення наднизької затримки зв'язку між вузлами antMiner.

Особливості мережі Mesh VPN: Децентралізовані з'єднання: На відміну від традиційних моделей "центр-спиця", мережа Mesh VPN дозволяє прямі з'єднання між вузлами, підвищуючи надмірність, стійкість до відмов і розподіл навантаження.

Переваги для io.net:

• Прямі з'єднання зменшують затримки в комунікації, покращуючи продуктивність додатків.
• Відсутність єдиної точки відмови забезпечує безперервну роботу мережі, навіть якщо окремий вузол виходить з ладу.
• Покращує захист конфіденційності користувачів, збільшуючи складність відстеження та аналізу даних.
• Легка інтеграція нових вузлів без впливу на продуктивність мережі.
• Сприяє обміну ресурсами та ефективній обробці між вузлами.

Джерело: io.net

Порівняння децентралізованих обчислювальних платформ

Akash та Render Network

Обидві мережі Akash і Render є децентралізованими обчислювальними мережами, які дозволяють користувачам купувати та продавати обчислювальні ресурси. Akash функціонує як відкритий ринок, пропонуючи процесори (CPU), графічні процесори (GPU) та ресурси зберігання, де користувачі можуть встановлювати ціни та умови, а постачальники подають заявки на виконання завдань. На відміну від цього, Render використовує алгоритм динамічного ціноутворення, зосереджений на послугах рендерингу GPU, з ресурсами, що постачаються постачальниками апаратного забезпечення, а ціни коригуються в залежності від ринкових умов. Render не є відкритим ринком, а використовує багаторівневий алгоритм ціноутворення для узгодження покупців послуг з користувачами.

Io.net та Bittensor

Io.net зосереджується на завданнях штучного інтелекту та машинного навчання, використовуючи децентралізовану обчислювальну мережу для використання потужності GPU, розкиданої по всьому світу, та співпрацюючи з такими мережами, як Render, для виконання завдань штучного інтелекту та машинного навчання. Його основні відмінності полягають у зосередженні на завданнях штучного інтелекту та машинного навчання, а також у акценті на використанні кластерів GPU.

Bittensor — це проект блокчейн, орієнтований на штучний інтелект, який прагне створити децентралізований ринок машинного навчання, що конкурує з централізованими проектами. Використовуючи підмережеву структуру, він зосереджується на різних завданнях, пов'язаних зі штучним інтелектом, таких як мережі AI для текстових запитів та генерація зображень AI. Майнеры в екосистемі Bittensor надають обчислювальні ресурси та хостять моделі машинного навчання, виконуючи обчислення для оффчейн завдань AI та змагаючись за надання найкращих результатів для користувачів.

Джерело: TokenInsight

Висновок

Io.net має всі шанси суттєво вплинути на перспективний ринок обчислень штучного інтелекту, підтримуваний досвідченою технічною командою та сильною підтримкою від відомих суб'єктів, таких як Multicoin Capital, Solana Ventures, OKX Ventures, Aptos Labs та Delphi Digital. Як перший і єдиний GPU DePIN, io.net пропонує платформу, яка з'єднує постачальників обчислювальної потужності з користувачами, демонструючи свою потужну функціональність та ефективність у наданні розподілених робочих процесів навчання та висновків GPU для команд машинного навчання.