Глибина分析》DeepSeek впливає на протоколи у верхньому та нижньому потоці Web3 AI

DeepSeek лопає останню бульбашку на агентському треку, DeFAI може дати початок новому життю, а метод фінансування галузі започаткує трансформацію. Ця стаття була написана Кевіном, дослідником BlockBooster, і передрукована Foresight News. Звіт Binance: Як DeFAI заново винаходить інтерактивний досвід Децентралізовані фінанси? TLDR: Поява DeepSeek зруйнувала Обчислювабчислювальна потужність рову, Відкритий вихідний кобчислювальна оптимізація потужності стала новим напрямком; DeepSeek Сприятлива інформація Модельний рівень у верхньому та нижньому потоках галузі та Рівень застосування, мають негативний вплив на Обчислювальна потужністьпротоколу; Сприятлива інформація DeepSeek ненавмисно лопнула останню бульбашку треку Agent, і DeFAI, швидше за все, народить нове життя; Очікується, що гра з нульовою сумою проєктного фінансування добігає кінця, і нові методи фінансування запуску спільноти + невелика кількість венчурних капіталістів можуть стати нормою. Вплив, спричинений DeepSeek, матиме глибокий вплив на розвиток індустрії штучного інтелекту цього року, і DeepSeek успішно дозволив домашнім споживчим відеокартам виконувати завдання з навчання великим моделям, які можуть бути виконані лише великою кількістю графічних процесорів високого класу. Перший рів навколо розвитку ШІ, Обчислювальна потужність, почав руйнуватися, коли ефективність діючого Алгоритму працювала на рівні 68% на рік, а продуктивність апаратного забезпечення слідувала за лінійним підйомом закону Мура, модель оцінки, що вкоренилася в останні три роки, більше не застосовується, і наступний розділ ШІ відкриє модель Відкритий вихідний код. Незважаючи на те, що протокол штучного інтелекту Web3 повністю відрізняється від протоколу Web2, він також неминуче зазнає впливу DeepSeek, який вплине на Web3 AI вище та нижче: інфраструктурний рівень, проміжний програмний рівень, рівень моделі та рівень застосування, породжуючи абсолютно нові варіанти використання. Аналізуючи технічну архітектуру, функціональне позиціонування та практичні варіанти використання, я поділяю всю екологію на: інфраструктурний рівень, проміжний програмний рівень, модельний рівень, Рівень застосування, і сортую його залежності: Інфраструктурний рівень Інфраструктурний рівень забезпечує базові ресурси Децентралізація (Обчислювальна потужність, сховище, L1), Серед них Обчислювальна потужністьпротоколу: Render, Akash, io.net та ін.; Протоколи зберігання: Arweave, Filecoin, Storj та ін.; L1 має: NEAR, Olas, Fetch.ai і т.д. Обчислювальна потужністьрівень протоколу підтримки моделі навчання, логічного висновку та виконання фреймворку; зберігання протоколів, зберігання навчальних даних, аргументів моделі та записів про взаємодію з блокчейнами; L1 оптимізує ефективність передачі даних за допомогою виділеної Нода, Падіннязатримка. проміжне програмне забезпечення Проміжний програмний рівень – це міст між онлайн-інфраструктурою та додатками верхнього рівня, що надає інструменти розробки фреймворків, послуги з обробки даних та захист конфіденційності, серед яких протокол анотації даних включає: Grass, Masa, Vana тощо; Протокол фреймворку розробки включає: Eliza, ARC, Swarms та ін.; Протокол конфіденційності обчислень: Phala та інші. Рівень обслуговування даних забезпечує паливо для навчання моделей, фреймворк розробки покладається на інфраструктурний рівень потужності та сховища Обчислювальної потужності та сховища, а обчислювальний рівень конфіденційності захищає безпеку даних під час навчання/висновків. Модельний рівень Модельний рівень використовується для розробки, навчання та розповсюдження моделей, де Відкритий вихідний код моделі навчальної платформи: Bittensor. Модельний рівень залежить від даних потужності Обчислювальної та проміжного програмного рівня інфраструктурного рівня; Модель розгортається в блокчейні через фреймворк розробки; Модельний ринок передає результати навчання на Рівень застосування. Рівень застосування Рівень застосування – це продукт штучного інтелекту для кінцевих користувачів, до агентів якого належать: GOAT, AIXBT тощо; DeFAI протокол: Griffain, Buzz та ін. Рівень застосування викликати заздалегідь навчену модель модельного шару; обчислення конфіденційності, які спираються на проміжний програмний рівень; Складні програми вимагають потужності Обчислювальної потужності в реальному часі. DeepSeek може мати негативний вплив на ДецентралізаціяОбчислювальна потужність Згідно з вибірковим опитуванням, близько 70% проєктів Web3 AI насправді називають OpenAI або централізованими хмарними платформами, лише 15% використовують графічні процесори Децентралізації (наприклад, модель підмережі Bittensor), а решта 15% – це гібридні архітектури (конфіденційні дані обробляються локально, Загальні завдання мігрують у хмару). ДецентралізаціяОбчислювальна потужністьпротоколу значно нижча, ніж очікувалося, і не відповідає її фактичній ринковій капіталізації. Є три причини низького використання: Web2-розробники використовують оригінальний ланцюжок інструментів під час міграції на Web3; Платформа Децентралізація GPU ще не реалізувала свою цінову перевагу; Деякі проекти обходять цензуру даних під назвою «Децентралізація», а власне обчислювальна потужність все ще покладається на централізовану хмару. AWS/GCP має 90%+ частка ринку AI Обчислювальна потужність 90%+, тоді як еквівалентна обчислювальна потужність Akash становить лише 0,2% від AWS. Рови централізованих хмарних платформ включають: управління кластерами, високошвидкісну мережу RDMA та еластичне масштабування; Хмарна платформа Децентралізація має web3 покращену версію вищезгаданої технології, але недоліки, які неможливо вдосконалити, це: проблема затримки: розподілена зв'язок Нода затримка в 6 разів більша, ніж у централізованої хмари; Фрагментація ланцюжка інструментів: PyTorch/TensorFlow не підтримує планування Децентралізації. DeepSeek зменшує споживання обчислювальної потужності за рахунок розрідженого навчання (Sparse Training), а динамічна обрізка моделей дозволяє навчати графічні процесори споживчого класу десяткам мільярдів моделей аргументів. Попит на високопродуктивні графічні процесори в короткостроковій перспективі значно знизився, а ринковий потенціал Передові обчислення був переоцінений. Як показано на малюнку вище, до появи DeepSeek більшість найбільш протокольних і додатків в галузі використовували такі платформи, як AWS, і лише дуже невелика кількість варіантів використання була розгорнута в мережах Децентралізація GPU, які розглядали цінову перевагу останніх на Обчислювальна потужність споживчого класу, і не підписувализатримка. Ця ситуація може погіршитися з появою DeepSeek. DeepSeek звільняє від обмежень розробників з довгим хвостом, недорогі та ефективні моделі логічного висновку будуть популяризовані з безпрецедентною швидкістю, фактично, вищезгадана централізована хмарна платформа та багато країн почали розгортати DeepSeek, велика вартість висновків Падіння породить велику кількість фронтенд-додатків, які мають величезний попит на графічні процесори споживчого класу. Перед обличчям майбутнього величезного ринку централізовані хмарні платформи запустять новий виток конкуренції користувачів не тільки з провідними платформами, але і з незліченною кількістю невеликих централізованих хмарних платформ. Найпрямішим способом конкуренції є зниження цін, і можна передбачити, що ціна 4090 на централізованих платформах призведе до зниження, що є катастрофою для платформи потужності Обчислювальна Web3. Коли ціна не є єдиним ровом останніх, платформи потужності Обчислювальна також змушені знижувати ціни, і в результаті io.net, Render і Akash не можуть собі цього дозволити. Цінова війна зруйнує стелю оцінки, що залишилася, а спіраль смерті від зниження прибутків і відтоку користувачів може дати ДецентралізаціяОбчислювальна потужністьпротоколу в новому напрямку. Як показано на малюнку, я думаю, що DeepSeek матиме різні ефекти на інфраструктурному рівні, модельному рівні та рівні застосування, з точки зору позитивних ефектів: Рівень застосування виграє від великого Падіння, і більше додатків можуть гарантувати, що додаток Agent знаходиться в мережі протягом тривалого часу та виконує завдання в режимі реального часу; ...