io.net真實GPU數量成迷？去中心化AI協議存在哪些問題？

撰文：@rargulati，MartinShkreli

編譯：白話區塊鏈

@ionet 是建立在 Solana 上的去中心化算力網絡，屬於 Depin 和AI板塊，獲得了 Mult1C0in Capital 和 Moonhill Capital 的融資，融資金額未披露。

io.net 是一個基於 Solana 的用於 GPU 上的機器學習訓練的去中心化雲平臺，提供即時、無需許可地訪問全球 GPU 和 CPU 網絡。平臺擁有 25000 個節點，並採用革命性的技術將 GPU 雲集羣在一起，爲大規模 AI 初創公司節省了高達 90% 的計算成本。

目前建立在 Solana 上，屬於目前比較火熱的 Depin 和AI板塊，今天來看看 X 上兩位對其 GPU 和存在的問題進行了分析：

@ionet 擁有多少個 GPU（Graphics Processing Unit，圖形處理器 ) 是用於圖形處理的芯片）？

X 上@MartinShkreli 對四個答案進行了分析：

1）7648（在部署時嘗試時）

2）11107（從他們的資源管理器手動計算）

3）69415（無法解釋的數字，不變？）

4）564306（這裏沒有任何支持、透明度或實質性的信息。連 CoreWeave 或 AWS 都沒有這麼多）

認爲真正的答案實際上是 320 個。

爲什麼是 320 個呢？

和我一起看一下資源管理器頁面。所有的 GPU 都是「免費」的，但你仍然不能租用一個。如果它們是免費的，爲什麼不能租用呢？人們想要得到報酬，對嗎？

你實際上可以租用的只有 320 個。

如果你不能租用它們，那它們就不是真實存在的。即使你可以租用，它也會增加…

@rargulati表示 Martin 在對此事提出質疑是完全正確的。去中心化的人工智能協議存在以下問題：

1）沒有一種成本效益高且時間有效的方式來在高度分佈式的通用硬件架構上進行有用的在線訓練。這需要一個我目前不知道的重大突破。這就是爲什麼 FANG 花費的資金比加密貨幣的所有流動性還要多，用於購買昂貴的硬件、網絡連接、數據中心維護等。

2）在通用硬件上進行推斷聽起來是一個很好的應用案例，但硬件和軟件方面的發展如此迅速，以至於通用的去中心化方式在大多數關鍵用例上表現不佳。可以參考最新的 OpenAI 延遲和 Groq 的增長。

3）從正確路由的請求上進行推斷，與請求緊密共存的 gpu 集羣，並利用去中心化加密貨幣來壓低資金成本，以與 AWS 競爭並激勵愛好者參與。聽起來是個不錯的主意，但由於供應商衆多，GPU 現貨市場的流動性分散，沒有人整合出足夠的供應來提供給運營真正業務的人。

4）軟件路由算法必須非常好，不然消費者運營商的通用硬件在操作上存在很多問題。忘掉網絡突破和擁塞控制，如果有人決定玩遊戲或使用任何使用 webgl 的內容，你可能會遇到某個運營商的服務中斷。不可預測的供應端會給運營帶來困擾，並給需求方請求者帶來不確定性。

這些都是棘手的問題，需要很長很長的時間來解決。所有的投標都只是梗而已。