下文将结合今年的热点 AI 专案 IO.NET，尝试梳理关於以下 2 个问题的思考：AI+Web3 在商业上的必要性、分散式算力服务的必要性和挑战。 并重点分析 AI 分散式算力的代表专案 IO.NET 的关键资讯。本文源自 Alex Xu, Mint Ventures 所着文章，由 PANews 整理。
（前情提要：io.net研报：DePIN模式解决GPU资源困境，能否开启AI应用新时代？ ）
（背景补充：OKX Ventures投资月报：Crypto+AI给足想像力！已参投 iO.NET、Myshell 多个项目 ）
本文目录
在上一篇文章中，提到本轮加密牛市周期与前两轮周期相比，缺少足够有影响力的新商业和新资产叙事。AI 是本轮 Web3 领域少有的新叙事之一，本文笔者将结合今年的热点 AI 专案 IO.NET，尝试梳理关於以下 2 个问题的思考：
其次，笔者将梳理 AI 分散式算力的代表专案：IO.NET 专案的关键资讯，包括产品逻辑、竞品情况和专案背景，并就专案的估值进行推演。
本文关於 AI 和 Web3 结合一节的部分思考，受到了 Delphi Digital 研究员 Michael rinko 所写的《The Real Merge》的启发。本文的部分观点存在对该文章的消化和引述，推荐读者阅读原文。
本文为笔者截至发表时的阶段性思考，未来可能可能发生改变，且观点具有极强的主观性，亦可能存在事实、资料、推理逻辑的错误，请勿作为投资参考，欢迎同业的批评和探讨。以下为正文部分。
商业逻辑：AI 和 Web3 的结合点2023：AI 造就的新「奇蹟年」
回看人类发展史，一旦科技实现了突破性进展，从个体日常生活，到各个产业格局，再到整个人类文明，都会跟着发生天翻地覆的变化。
人类历史中有两个重要年份，分别是 1666 年和 1905 年，如今它们被称为科技史上的两大「奇蹟年」。
1666 年作为奇蹟年，是因为牛顿的科学成果在该年集中式地涌现。这一年，他开辟了光学这个物理分支，创立了微积分这个数学分支，汇出了引力公式这个现代自然科学的基础定律。这当中无论哪一项都是未来百年人类科学发展的奠基式贡献，大大加速了整体科学的发展。
第二个奇蹟年是 1905 年，彼时仅仅 26 岁的爱因斯坦在《物理学年监》上连续发表 4 篇论文，分别涉及光电效应（为量子力学奠基）、布朗运动（成为分析随机过程的重要引用）、狭义相对论和质能方程（也就是那个知名公式 E=MC^2）。在後世评价中，这四篇论文每一篇都超过诺贝尔物理学奖的平均水平（爱因斯坦本人也因为光电效应论文获得了诺贝尔奖），人类文明的历史程式再一次被大大推进了好几步。
而刚刚过去的 2023 年，大概率也会因为 ChatGPT，而被称之为又一个「奇蹟年」。
我们把 2023 年看做人类科技史上的有一个「奇蹟年」，不仅是因为 GPT 在自然语言理解和生成上的巨大进步，更是因为人类从 GPT 的进化中摸清了大语言模型能力增长的规律 —— 即通过扩大模型引数和训练资料，就能指数级别提升模型的能力 —— 且这一程式短期还看不到瓶颈（只要算力够用的话）。
该能力远不至於理解语言和生成对话，还能被广泛地交叉用於各类科技领域，以大语言模型在生物领域的应用为例：
2018 年，诺贝尔化学奖得主弗朗西斯・阿诺德在颁奖仪式上才说道：「今天我们在实际应用中可以阅读、写入和编辑任何 DNA 序列，但我们还无法通过它创作（compose it）。」
仅仅在他讲话的 5 年後，2023 年，来自斯坦福大学和矽谷的 AI 创业企业 Salesforce Research 的研究者，在《自然 – 生物技术》发表论文，他们通过基於 GPT3 微调而成的大语言模型，从 0 创造出了全新的 100 万种蛋白质，并从中寻找到 2 种结构截然不同、却都具有杀菌能力的蛋白质，有希望成为抗生素之外的细菌对抗方案。也就是说：在 AI 的帮助下，蛋白质「创造」的瓶颈突破了。
而在此前，人工智慧 AlphaFold 演算法在 18 个月内，把地球上几乎所有的 2.14 亿种蛋白质结构都做了预测，这项成果是过往所有人类结构生物学家工作成果的几百倍。
有了基於 AI 的各类模型，从生物科技、材料科学、药物研发等硬科技，再到法律、艺术等人文领域，必将迎来翻天覆地的变革，而 2023 正是这一切的元年。
我们都知道，近百年来人类在财富上的创造能力是指数级别增长的，而 AI 技术的快速成熟，必然会进一步加速这一程式。
AI 与 Crypto 的结合
要从本质上理解 AI 与 Crypto 结合的必要性，可以从两者互补的特性开始。
AI 和 Crypto 特性的互补
AI 有三个属性：
※ 2023 年 10 月 30 日，美国加州大学圣迭戈分校的研究小组释出了关於 GPT-3.5 和 GPT-4.0 的图灵测试结果（测试报告）。GPT4.0 成绩为 41%，距离及格线 50% 仅差 9%，同项目人类测试成绩为 63%。
本图灵测试的含义为有百分之多少的人认为和他聊天的那个物件是真人。如果超过 50%，就说明人群中至少有一半以上的人认为那个交谈物件是人，而不是机器，即视作通过图灵测试。
AI 在为人类创造新的跨越式的生产力的同时，它的这三个属性也给人类社会带来的巨大的挑战，即：
而 Crypto 和区块链经济的特性，或许正好是解决 AI 带来的挑战的良药，加密经济具有以下 3 个特徵：
接下来通过 3 个例子来说明 AI 和加密经济的互补性。
例子 A：解决随机性，基於加密经济的 AI 代理
AI 代理（AI Agent）即负责基於人类意志，替人类执行工作的人工智慧程式（代表性专案有 Fetch.AI）。假设我们要让自己的 AI 代理处理一笔金融交易，比如「买入 1000 美元的 BTC」。AI 代理可能面临两种情况：
情况一，它要对接传统金融机构（比如贝莱德），购入 BTC ETF，这里面临着大量的 AI 代理和中心化机构的适配问题，比如 KYC、资料审查、登入、身份验证等等，目前来说还是非常麻烦。
情况二，它基於原生加密经济执行，情况会变得简单得多，它会通过 Uniswap 或是某个聚合交易平台，直接用你的帐户签名、下单完成交易，收到 WBTC（或是其他封装格式的 BTC），整个过程快捷简单。实际上，这就是各类 Trading BOT 在做的事情，它们实际上已经扮演了一个初级的 AI 代理的角色，只不过工作专注於交易而已。未来各类交易 BOT 随着 AI 的融入和演化，必然能执行更多复杂的交易意图。比如：追踪 100 个链上的聪明钱地址，分析它们的交易策略和成功率，用我地址里的 10% 资金在一周内执行类似交易，并在发现效果不佳时停止，并总结失败的可能原因。
AI 在区块链的系统中执行会更加良好，本质上是因为加密经济规则的清晰性，以及系统访问的无许可。在限定的规则下执行任务，AI 的随机性带来的潜在风险也将更小。比如 AI 在棋牌比赛、电子游戏的表现已经碾压人类，就是因为棋牌和游戏是一个规则清晰的封闭沙盒。而 AI 在自动驾驶上的进展会相对缓慢，因为开放的外部环境的挑战更大，我们也更难容忍 AI 处理问题的随机性。
例子 B：塑造资源，通过代币激励聚集资源
BTC 背後的全球的算力网路，其当前的总算力（Hashrate: 576.70 EH/s）超过了任何一个国家的超级电脑的综合算力。其发展动力来自於简单、公平的网路激励。
除此之外，包括 Mobile 在内的 DePIN 专案们，也正在尝试通过代币激励塑造供需两端的双边市场，实现网路效应。
本文接下来将重点梳理的 IO.NET，则是为了汇聚 AI 算力设计的平台，希望通过代币模型，激发出更多的 AI 算力潜力。
例子 C：开源程式码，引入 ZK，保护隐私的情况下分辨人机
作为 OpenAI 创办人 Sam Altman 参与的 Web3 专案，Worldcoin 通过硬体装置 Orb，基於人的虹膜生物特徵，通过 ZK 技术生成专属且匿名的hash值，用於验证身份，区别人和机器。今年 3 月初，Web3 艺术专案 Drip 就开始使用 Worldcoin 的 ID，来验证真人使用者和发放奖励。
此外，Worldcoin 也在近日开源了其虹膜硬体 Orb 的程式码，就使用者生物特徵的安全和隐私提供保证。
总体来说，加密经济由於程式码和密码学的确定性、无许可和代币机制带来的资源流转和募集优势，和基於开原始码、公开帐本的去信任属性，已经成为人类社会面临 AI 挑战的一个重要的潜在解决方案。
而且其中最迫在眉睫，商业需求最旺盛的挑战，就是 AI 产品在算力资源上的极度饥渴，围绕晶片和算力的巨大需求。这也是本轮牛市周期，分散式算力专案的涨势冠绝整体 AI 赛道的主要原因。
延伸阅读：Depin + AI 浪潮》3个散户可参与的GPU挖矿项目，创建去中心化算力网
分散式计算（Decentralized Compute）的商业必要性
AI 需要大量的计算资源，无论是用於训练模型还是进行推理。
而在大语言模型的训练实践中，有一个事实已经得到确认：只要资料引数的规模足够大，大语言模型就会涌现出一些之前没有的能力。每一代 GPT 的能力相比上一代的指数型跃迁，背後就是模型训练的计算量的指数级增长。
DeepMind 和斯坦福大学的研究显示，不同的大语言模型，在面对不同的任务（运算、波斯语问答、自然语言理解等）时，只要把模型训练时的模型引数规模加大（对应地，训练的计算量也加大了），在训练量达不到 10^22 FLOPs（FLOPs 指每秒浮点运算量，用於衡量计算效能）之前，任何任务的表现都和随机给出答案是差不多的；而一旦引数规模超越那个规模的临界值後，任务表现就急剧提升，不论哪个语言模型都是这样。
也正是在算力上「大力出奇迹」的规律和实践的验证，让 OpenAI 的创办人 Sam Altman 提出了要募集 7 兆美金，构建一个超过目前台积电 10 倍规模的先进晶片厂（该部分预计花费 1.5 兆），并用剩余资金用於晶片的生产和模型训练。
除了 AI 模型的训练需要算力之外，模型的推理过程本身也需要很大的算力（尽管相比训练的计算量要小），因此对晶片和算力的饥渴成为了 AI 赛道参与者的常态。
相对於中心化的 AI 算力提供方如 Amazon Web Services、Google Cloud Platform、微软的 Azure 等，分散式 AI 计算的主要价值主张包括：
如果说化石能源是工业时代的血液，那算力或将是由 AI 开启的新数位时代的血液，算力的供应将成为 AI 时代的基础设施。正如稳定币成为法币在 Web3 时代的一个茁壮生长的旁支，分散式的算力市场是否会成为快速成长的 AI 算力市场的一个旁支？
由於这还是一个相当早期的市场，一切都还有待观察。但是以下几个因素可能会对分散式算力的叙事或是市场采用起到刺激作用：
但同时，分散式算力平台的挑战也相当明显：
技术和工程难题
监管合规难题
分散式计算平台由於其供给和采购双边市场的无许可性，一方面可以作为卖点吸引到部分客户。另一方面则可能随着 AI 监管规范的完善，成为政府整顿的物件。此外，部分 GPU 的供应商也会担心自己出租的算力资源，是否被提供给了被制裁的商业或个人。
总的来说，分散式计算平台的消费者大多是专业的开发者，或是中小型的机构，与购买加密货币和 NFT 的加密投资者们不同，这类使用者对於协议所能提供的服务的稳定性、持续性有更高的要求，价格未必是他们决策的主要动机。目前来看，分散式计算平台们要获得这类使用者的认可，仍然有较长的路要走。
接下来，我们就一个本轮周期的新分散式算力专案 IO.NET 进行专案资讯的梳理和分析，并基於目前市场上同赛道的 AI 专案和分散式计算专案，测算其上市後可能的估值水平。
分散式 AI 算力平台：IO.NET专案定位
IO.NET 是一个去中心化计算网路，其构建了一个围绕晶片的双边市场，供给端是分布在全球的晶片（GPU 为主，也有 CPU 以及苹果的 iGPU 等）算力，需求端是希望完成 AI 模型训练或推理任务的人工智慧工程师。
在 IO.NET 的官网上，它这样写道：
Our Mission
Putting together one million GPUs in a DePIN – decentralized physical infrastructure network.
其使命是把百万数量级的 GPU 整合到它的 DePIN 网路中。
与现有的云 AI 算力服务商相比，其对外强调的主要卖点在於：
此外，IO.NET 未来还计划上线 AI 模型商店等服务。
产品机制和业务资料
产品机制和部署体验
与亚马逊云、Google云、阿里云一样，IO.NET 提供的计算服务叫 IO Cloud。IO Cloud 是一个分散式的、去中心化的晶片网路，能够执行基於 Python 的机器学习程式码，执行 AI 和机器学习程式。
IO Cloud 的基本业务模组叫做丛集（Clusters），Clusters 是一个可以自我协调完成计算任务的 GPU 群组，人工智慧工程师可以根据自己的需求来自定义想要的丛集。
IO.NET 的产品介面的使用者友好度很高，如果你要部署属於自己的晶片丛集，来完成 AI 计算任务，在进入它的 Clusters（丛集）产品页面後，就可以开始按需配置你要的晶片丛集。
首先你需要选择自己的任务场景，目前有三个型别可供选择：
然後，你需要选择晶片丛集的供应方，目前 IO.NET 与 Render Network 以及 Filecoin 的矿工网路达成了合作，因此使用者可以选择 IO.NET 或另外两个网路的晶片来作为自己计算丛集的供应方，相当於 IO.NET 扮演了一个聚合器的角色（但截至笔者撰文时，Filecon 服务暂时下线中）。值得一提的是，根据页面显示，目前 IO.NET 线上可用 GPU 数量为 20 万 +，而 Render Network 的可用 GPU 数量为 3700+。
再接下来就进入了丛集的晶片硬体选择环节，目前 IO.NET 列出可供选择的硬体型别仅有 GPU，不包括 CPU 或是苹果的 iGPU (M1、M2 等），而 GPU 也主要以 NVIDIA 的产品为主。
在官方列出、且可用的 GPU 硬体选项中，根据笔者测试的当日资料，IO.NET 网路总线上的可用数量的 GPU 数量为 206001 张。其中可用量最多的是 GeForce RTX 4090（45250 张），其次是 GeForce RTX 3090 Ti（30779 张）。
此外，在处理 AI 计算任务如机器学习、深度学习、科学计算上更为高效的 A100-SXM4-80GB 晶片（市场价 15000$+），线上数有 7965 张。
而 NVIDIA 从硬体设计开始就专为 AI 而生的 H100 80GB HBM3 显示卡（市场价 40000$+），其训练效能是 A100 的 3.3 倍，推理效能是 A100 的 4.5 倍，实际线上数量为 86 张。
在选定丛集的硬体型别後，使用者还需要选择丛集的地区、通讯速度、租用的 GPU 数量和时间等引数。
最後，IO.NET 根据综合的选择，会为你提供一个帐单，以笔者的丛集配置为例：
该总帐单价格为 3311.6$，单张卡的时租单价为 1.232$
而 A100-SXM4-80GB 在亚马逊云、Google 云和微软 Azure 的单卡时租价格分别为 5.12$、5.07$ 和 3.67$（资料来源：https://cloud-gpus.com/，实际价格会根据合约细节条款产生变化）。
因此仅就价格来说，IO.NET 的晶片算力确实比主流厂商便宜不少，且供给的组合与采购也非常有弹性，操作也很容易上手。
业务情况
供给端情况
截至今年 4 月 4 日，根据官方资料，IO.NET 在供应端的 GPU 总供给为 371027 张，CPU 供给为 42321 张。此外，Render Network 作为其合作伙伴，还有 9997 张 GPU 和 776 张 CPU 接入了网路的供给。
笔者撰文时，IO.NET 接入的 GPU 总量中的 214387 处於线上状态，线上率达到了 57.8%。来自 Render Network 的 GPU 的线上率则为 45.1%。
以上供应端的资料意味着什麽？
为了进行对比，我们再引入另一个上线时间更久的老牌分散式计算专案 Akash Network 来进行对比。
Akash Network 早在 2020 年就上线了主网，最初主要专注於 CPU 和储存的分散式服务。2023 年 6 月，其推出了 GPU 服务的测试网，并於同年 9 月上线了 GPU 分散式算力的主网。
根据 Akash 官方资料，其 GPU 网路推出以来，供应端尽管持续增长，但截至目前为止 GPU 总接入数量仅为 365 张。
从 GPU 的供应量来看，IO.NET 要比 Akash Network 高出了好几个数量级，已经是分散式 GPU 算力赛道最大的供应网路。
需求端情况
不过从需求端来看，IO.NET 依旧处於市场培育的早期阶段，目前实际使用 IO.NET 来执行计算任务的总量不多。大部分线上的 GPU 的任务负载量为 0%，只有 A100 PCIe 80GB K8S、RTX A6000 K8S、RTX A4000 K8S、H100 80GB HBM3 四款晶片有在处理任务。且除了 A100 PCIe 80GB K8S 之外，其他三款晶片的负载量均不到 20%。
而官方当日披露的网路压力值为 0%，意味着大部分晶片供应都处於线上待机状态。
而在网路费用规模上，IO.NET 已经产生了 586029$ 的服务费用，近一日的费用为 3200$。
以上网路结算费用的规模，无论是总量还是日交易量，均与 Akash 处在同一个数量级，不过 Akash 的大部分网路收入来自於 CPU 的部分，Akash 的 CPU 供应量有 2 万多张。
此外，IO.NET 还披露了网路处理的 AI 推理任务的业务资料，截至目前其已经处理和验证的推理任务数量超过 23 万个， 不过这部分业务量大部分都产生於 IO.NET 所赞助的专案 BC8.AI。
从目前的业务资料来看，IO.NET 的供给端扩张顺利，在空投预期和代号「Ignition」的社群活动刺激下，让其迅速地汇聚起了大量的 AI 晶片算力。而其在需求端的拓展仍处於早期阶段，有机需求目前还不足。至於目前需求端的不足，是由於消费端的拓展还未开始，还是由於目前的服务体验尚不稳定，因此缺少大规模的采用，这点仍需要评估。
不过考虑到 AI 算力的落差短期内较难填补，有大量的 AI 工程师和专案在寻求替代方案，可能会对去中心化的服务商产生兴趣，加上 IO.NET 目前尚未开展对需求端的经济和活动刺激，以及产品体验的逐渐提升，後续供需两端的逐渐匹配仍然是值得期待的。
团队背景和融资情况
团队情况
IO.NET 的核心团队成立之初的业务是量化交易，在 2022 年 6 月之前，他们一直专注於为股票和加密资产开发机构级的量化交易系统。出於系统後端对计算能力的需求，团队开始探索去中心化计算的可能性，并且最终把目光落在了降低 GPU 算力服务的成本这个具体问题上。
Ahmad Shadid 在 IO.NET 之前一直从事量化和金融工程相关的工作，同时还是以太坊基金的志愿者。
Garrison Yang 在今年 3 月才正式加入 IO.NET，他此前是 Avalanche 的战略和增长 VP，毕业於加州大学圣巴巴拉分校。
Tory Green 是 io.net 营运长，此前是 Hum Capital 营运长、Fox Mobile Group 企业发展与战略总监，毕业於斯坦福。
从 IO.NET 的 Linkedin 资讯来看，团队总部位於美国纽约，在旧金山有分公司，目前团队人员规模在 50 人以上。
融资情况
IO.NET 截至目前仅披露了一轮融资，即今年 3 月完成的 A 轮估值 10 亿美金融资，共募集了 3000 万美金，由 Hack VC 领投，其他参投方包括 Multicoin Capital、Delphi Digital、Foresight Ventures、Animoca Brands、Continue Capital、Solana Ventures、Aptos、LongHash Ventures、OKX Ventures、Amber Group、SevenX Ventures 和 ArkStream Capital 等。
值得一说的是，或许是因为收到了 Aptos 基金会的投资，原本在 Solana 上进行结算记帐的 BC8.AI 专案，已经转换到了同样的高效能 L1 Aptos 上进行。
估值推算
根据此前创办人兼 CEO Ahmad Shadid 的说法，IO.NET 将在 4 月底推出代币。
IO.NET 有两个可以作为估值参考的标的专案：Render Network 和 Akash Network，它们都是代表性的分散式计算专案。
我们可以用两种方式推演 IO.NET 的市值区间：1. 市销比，即：市值 / 收入比；2. 市值 / 网路晶片数比。
先来看基於市销比的估值推演：
从市销比的角度来看，Akash 可以作为 IO.NET 的估值区间的下限，而 Render 则作为估值的高位定价参考，其 FDV 区间为 16.7 亿～59.3 亿美金。
但考虑到 IO.NET 专案更新，叙事更热，加上早期流通市值较小，以及目前更大的供应端规模，其 FDV 超过 Render 的可能性并不小。
再看另一个对比估值的角度，即「市晶比」。
在 AI 算力求大於供的市场背景下，分散式 AI 算力网路最重要的要素是 GPU 供应端的规模，因此我们可以以「市晶比」来横向对比，用「专案总市值与网路内晶片的数量之比」，来推演 IO.NET 可能的估值区间，供读者作为一个市值参考。
如果以市晶比来推算 IO.NET 的市值区间，IO.NET 以 Render Network 的市晶比为上限，以 Akash Network 为下限，其 FDV 区间为 206 亿～1975 亿美金。
相信再看好 IO.NET 专案读者，都会认为这是一个极度乐观的市值推算。
而且我们需要考虑到，目前 IO.NET 如此庞大的晶片线上张数，有受到空投预期以及激励活动的刺激，在专案正式上线後其供应端的实际线上数仍然需要观察。
因此总体来说，从市销比的角度进行的估值测算可能更有参考性。
IO.NET 作为叠加了 AI+DePIN+Solana 生态三重光环的专案，其上线後的市值表现究竟如何，让我们拭目以待。
📍相关报导📍
埋伏聪明钱，提前关注Q2即将发币的潜力项目：LayerZero、TFM、1intro…
IOSG报告｜从AI结合Web3技术堆叠展开infra新叙事
「GPU算力出租」是AI赛道最靓的仔！学习NVIDIA卖金铲子
Web3 + AI 赛道盘点：从 140 个「未发币专案」里找寻大秘宝
