Primer

Các mạng tính toán GPU như Render và Akash là thị trường hai mặt bao gồm nguồn cung cấp tài nguyên tính toán vật lý và người dùng bên cầu sử dụng tài nguyên tính toán. Để phát triển, các mạng cần mở rộng quy mô nhu cầu từ người dùng trả tiền cũng như việc cung cấp tài nguyên máy tính để thu hút và phục vụ khách hàng. Trên thực tế, đây là một vấn đề hơi giống con gà và quả trứng, trong đó các nhà cung cấp cần doanh thu để khuyến khích họ tham gia, đồng thời, bên cầu cần có đủ nhà cung cấp máy tính để xử lý công việc của họ.

Trong thực tế, tăng trưởng diễn ra trong sự dao động đột ngột của cả tăng trưởng cung và cầu. Và, mọi người có thể đánh giá trạng thái hiện tại của mạng máy tính và đưa ra giả thuyết liệu mạng đang chờ tăng trưởng nhu cầu hay tăng trưởng nguồn cung. Nói cách khác, những hạn chế về tăng trưởng đối với mạng điện toán hiện nằm ở phía cung hay phía cầu?

Để hiểu được trạng thái hiện tại của các mạng máy tính, Akash có gần 1.200 hợp đồng thuê tài nguyên mở (bên cầu) trên 4.000 CPU và 66 GPU (bên cung). Điều đó thể hiện tỷ lệ sử dụng khoảng 40% của 10.000 CPU và 170 GPU được cung cấp cho mạng. Chi tiết hơn, đối với các GPU A100 tập trung vào AI có yêu cầu cao, Akash có mức sử dụng gần như 100% trên 22 GPU.

Trên các thị trường GPU khác như Render, Nosana và Livepeer, nguồn cung bị tụt hậu ở mức độ tương tự. Render là một trong những GPU lớn nhất với hơn 3.000 GPU trong khi Livepeer ước tính có khoảng 400 GPU yếu hơn để transcoding và Nosana  có hơn 60 GPU dành riêng cho các tác vụ suy luận AI.

Kết luận từ Nhà phân tích

Sami

Mạng GPU phi tập trung hiện đang phải đối mặt với những hạn chế trên cả mặt cung và cầu. Về phía cung, thách thức chính là tìm nguồn cung cấp GPU cao cấp như A100 và H100, những loại GPU tốt nhất cho khối lượng công việc machine learning. Khái niệm ban đầu đằng sau các mạng này là các thực thể sở hữu những GPU như vậy có thể kiếm tiền từ chúng trong thời gian nhàn rỗi. Tuy nhiên, mô hình này có hai vấn đề quan trọng: thứ nhất, những GPU này luôn có nhu cầu cao, dẫn đến tỷ lệ sử dụng cao, nghĩa là chúng hiếm khi ở trạng thái rảnh. Thứ hai, sự phụ thuộc vào việc các GPU này chỉ khả dụng trong thời gian nhàn rỗi sẽ tạo ra sự thiếu nguồn cung ổn định, làm suy yếu khả năng cung cấp các dịch vụ đáng tin cậy của mạng.

Minh họa điều này, io.net hiện đang sở hữu 304 GPU A100, mức giảm đáng chú ý so với 860 chỉ hai tháng trước và 151 GPU H100. Để so sánh, Akash phải đối mặt với một kịch bản khó khăn hơn, với 22 chiếc A100. Để giải quyết vấn đề cung cấp của Akash, chương trình mining thanh khoản đã được đề xuất để khuyến khích việc cung cấp GPU cao cấp.

Tuy nhiên, giải pháp này phải đối mặt với những rắc rối tiềm ẩn trong bối cảnh rộng lớn hơn của thị trường GPU phi tập trung. Với sự xuất hiện của nhiều mạng GPU hơn và sự thiếu hụt liên tục của A100 và H100, có nguy cơ các ưu đãi token có thể vô tình tạo ra sự di chuyển tài nguyên theo chu kỳ trong đó các nhà cung cấp liên tục chuyển đổi GPU giữa các mạng, theo đuổi những phần thưởng sinh lợi nhất do các giao thức khác nhau cung cấp. Và nếu các nhà cung cấp chọn giảm mức giá theo giờ do có thêm ưu đãi token, thì việc giảm chi phí sẽ không hoàn toàn biến mất. Thay vào đó, nó chuyển thành gánh nặng đối với người nắm giữ token, biểu hiện là áp lực lạm phát. Hơn nữa, một số lượng đáng kể các nhà cung cấp này có thể chọn bán token kiếm được của họ để kiếm lợi nhuận, do đó làm tăng áp lực bán đối với chủ sở hữu token.

Về phía cầu, những hiểu biết sâu sắc từ mạng lưu trữ phi tập trung cho thấy rằng chi phí không phải là mối quan tâm hàng đầu của hầu hết khách hàng. Các khía cạnh như thỏa thuận mức độ dịch vụ, chất lượng dịch vụ và lợi thế cạnh tranh thường lớn hơn mối quan tâm về chi phí. Các mạng tính toán phi tập trung, chủ yếu tiếp thị bản thân như những lựa chọn thay thế rẻ hơn, có thể gặp khó khăn trong việc thu hút người dùng chỉ dựa vào chi phí, đặc biệt là khi các nhà cung cấp GPU truyền thống có thể đáp ứng nhu cầu cung cấp.

Ngoài ra, mức tiết kiệm chi phí được quảng cáo của các mạng tính toán phi tập trung không thấp hơn đáng kể so với các nhà cung cấp truyền thống. Động thái định giá này càng làm phức tạp thêm phương trình nhu cầu. Tuy nhiên, không phải tất cả đều ảm đạm. Các GPU cấp độ người tiêu dùng, như RTX 3090, vẫn khả thi cho machine learning, mặc dù hiệu suất kém hơn. Mạng tính toán phi tập trung có thể tổng hợp một cách hiệu quả nguồn cung dễ tiếp cận hơn này, khai thác các nguồn tài nguyên mới và cung cấp chúng cho các nhà phát triển và nhà nghiên cứu machine learning.

Toe

Hạn chế chính mà mạng máy tính phải đối mặt là thiếu sự tích hợp nhu cầu. Bất chấp quan điểm cho rằng có nhiều vectơ nhu cầu như khuếch tán ổn định, mô hình suy luận và kết xuất hình ảnh/video, các mạng này vẫn phải vật lộn để đạt được sự áp dụng rộng rãi. Nhiều dự án crypto tập trung vào tầm nhìn tương lai thay vì làm việc ngược lại với thị trường để hiểu nhu cầu thực tế. Mạng máy tính cũng không khác. Họ phải xác định xem người dùng chính của họ là cá nhân, doanh nghiệp, người sử dụng crypto, mô hình AI/ML, dịch vụ kết xuất video hay kết hợp. Mặc dù việc nhắm mục tiêu đến nhiều đối tượng người dùng có vẻ lý tưởng nhưng việc không xác định được các phân khúc người dùng cụ thể có thể dẫn đến trải nghiệm người dùng bị loãng vì quá trình phát triển sản phẩm sẽ không được điều chỉnh để đáp ứng nhu cầu cụ thể của người tiêu dùng. Lý do chính dẫn đến việc không được áp dụng là quá trình triển khai rườm rà quá trình, cản trở việc tích hợp và truy cập dễ dàng vào GPU. Rào cản này tác động đáng kể đến khả năng đáp ứng và tận dụng nhu cầu thị trường hiện tại một cách hiệu quả của các mạng máy tính. Ví dụ: để thiết lập hợp đồng thuê Akash, người ta phải:

• Tạo tài khoản trên CEX

• Mua AKT

• Gửi AKT đến ví on-chain

• Sử dụng cloudmos.com hoặc CLI khác để tạo bản triển khai

• Tạo docker container

• Xác định nhà cung cấp

• Chọn hợp đồng thuê cụ thể

• Chạy triển khai

Akash và các mạng máy tính khác refining quá trình. Tuy nhiên, chúng cần được tăng tốc, đặc biệt khi nguồn cung sẵn có nhưng không hoạt động. Điều này càng nhấn mạnh tầm quan trọng của việc nắm bắt nhu cầu đầu tiên, sau đó thực hiện cung cấp.

Trong ngắn hạn, việc khuyến khích mạnh mẽ các nhà cung cấp mà không hiểu rõ về hồ sơ khách hàng sẽ gây lãng phí nguồn lực. Nguồn cung trong lĩnh vực này có độ co giãn cao; các nhà cung cấp sẽ hướng tới các nền tảng cung cấp nhiều ưu đãi hoặc hoạt động nhất. Tuy nhiên, nhiều mạng điện toán hiện đang tập trung vào việc tăng nhanh tài nguyên GPU của họ và thường bỏ qua tính bền vững của phương pháp này. Thách thức chính nằm ở việc duy trì các nhà cung cấp này sau khi các động cơ khuyến khích cạn kiệt, đặc biệt nếu không có nhu cầu nhất quán để thu hút họ. Việc chỉ quảng cáo số lượng nhà cung cấp GPU là không quan trọng nếu không có nhu cầu liên tục vững chắc để hỗ trợ. Do đó, mạng điện toán phải tạo ra một rào cản nhu cầu mạnh mẽ để đảm bảo tính bền vững lâu dài và giữ chân nhà cung cấp.

Khi các công ty AI và người dùng đánh giá các tùy chọn điện toán đám mây giữa nền tảng Web2 và Web3, chi phí và độ tin cậy là một trong những yếu tố chính. Trong khi DePIN ưu đãi một lợi thế đáng kể về chi phí, nhưng chúng thường thiếu độ tin cậy và độ tin cậy. Trước những thách thức này, cách tiếp cận ưu tiên nhu cầu có vẻ hợp lý hơn. Việc ưu tiên, xác định và nuôi dưỡng cơ sở người dùng nhất quán phải trước khi khuyến khích phía cung, vì những hạn chế ban đầu lớn nhất là do nhu cầu thúc đẩy.

Seth

Nhu cầu tính toán, đặc biệt là GPU, sẽ tiếp tục tăng trong thập kỷ tới. Vào năm 2022, thị trường dịch vụ GPU có giá trị ở mức 2,31 tỷ đô la Mỹ và dự kiến ​​sẽ đạt 28,7 tỷ đô la Mỹ vào năm 2030. Generative AI được cho là “Xu hướng của năm” trong Appstore của Apple và các ứng dụng tiêu dùng hàng đầu như TikTok, Meta, và Spotify đang thử nghiệm tích hợp AI để nâng cấp sản phẩm của họ. Nhu cầu tính toán chỉ tăng lên.

Làm thế nào để các mạng tính toán phi tập trung phù hợp với các thị trường lớn và đang phát triển này?

Nếu không có nguồn cung cấp điện toán (ví dụ: CPU hoặc GPU), các mạng này rõ ràng không có gì để cung cấp. Việc thu hút các nhà cung cấp máy tính đồng nghĩa với việc tính toán chi phí cơ hội; Việc các nhà cung cấp máy tính tham gia vào các mạng này có mang lại ý nghĩa kinh tế không? Ở một phía của quang phổ, các mạng như Livepeer khuyến khích tài chính cho các nhà cung cấp máy tính gần như toàn bộ với phần thưởng token lạm phát vì phí được tạo ra từ phía cầu vẫn còn non trẻ. Mặt khác, các mạng như Akash chọn đáp ứng yêu cầu KPI trước khi khuyến khích phía cung cấp bằng phần thưởng token. Đảm bảo một nhóm nhỏ các nhà cung cấp đáp ứng nhu cầu ban đầu (dự kiến) có thể là một công thức thành công trong giai đoạn đầu của các mạng lưới này.

Cách tiếp cận thứ hai đặt trách nhiệm lên một số thực thể (tức là phòng thí nghiệm hoặc pháp nhân tổ chức đại diện cho mạng) để điều phối và thúc đẩy nhu cầu ban đầu đó vào mạng. Những thực thể này có thể là điểm khác biệt chính của mạng điện toán. Trong giai đoạn đầu, họ hoạt động hiệu quả như một nhóm bán hàng và hỗ trợ cho mạng lưới. Đây là những chức năng quan trọng đối với mạng máy tính, vì “Xây dựng nó và họ sẽ đến” Cách tiếp cận thường thất bại. Do đó, việc giảm bớt cản trở khi khai thác phía cầu của các mạng này là rất quan trọng.

Các sản phẩm Gateway, như Filebase hoặc Cloudmos, thường hiểu đề xuất giá trị của mạng điện toán phi tập trung và có thể giúp kéo lưu lượng truy cập vào mạng hơn nữa, hoạt động hiệu quả như các nhóm bán hàng của third-party. Những tích hợp này không chỉ thúc đẩy nhu cầu bổ sung mà còn hợp pháp hóa hơn nữa mạng cơ bản. Nhiều nhu cầu thực tế ngày càng tăng (tức là khách hàng trả tiền) sẽ thúc đẩy các nhà cung cấp máy tính cận biên tham gia mạng lưới, đặc biệt nếu mạng bắt đầu khuyến khích chiến lược tăng trưởng nguồn cung bằng phần thưởng token.

Việc tập trung vào việc tạo ra nhu cầu thực tế giúp cho việc tính toán chi phí cơ hội của nhà cung cấp có lợi cho mạng điện toán. Việc chia sẻ tiềm năng tăng trưởng của mạng thông qua phần thưởng token dựa trên doanh thu do nhu cầu tạo ra sẽ hấp dẫn đối với ít nhất một số nhóm nhà cung cấp máy tính. Do đó, mạng điện toán ban đầu bị hạn chế về nhu cầu khi chúng tìm cách cung cấp lý do kinh tế cho các nhà cung cấp mới tham gia mạng. 

Bài viết được FXCE Crypto biên tập từ "Are GPU Compute Networks Supply or Demand Constrained?" của tác giả Sami Kassab, Toe Bautista và Seth Bloomberg với mục đích cung cấp thông tin và phi lợi nhuận. Chúng tôi không khuyến nghị đầu tư và không chịu trách nhiệm cho các quyết định đầu tư liên quan đến nội dung bài dịch.