AI/Compute
توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.
AI/Compute
AI/Compute پروژه‌هایی را گرد هم می‌آورد که منابع محاسباتی برای بارهای کاری AI فراهم می‌کنند — لایهٔ GPU و زیرساخت کریپتوی AI. این‌ها شبکه‌های محاسباتی غیرمتمرکز، بازارهای GPU و پلتفرم‌های هماهنگ‌سازی هستند که به هر کسی اجازه می‌دهند توان پردازشی را برای آموزش و اجرای مدل‌های AI عرضه یا مصرف کند.
در رجیستری DecAIHub، AI/Compute یکی از بزرگ‌ترین دسته‌ها و نزدیک‌ترین دسته به زیرساخت فیزیکی است. وعدهٔ اصلی سرراست است: به‌جای اجارهٔ GPU از یک ارائه‌دهندهٔ ابری واحد، کاربران به شبکه‌ای توزیع‌شده از تأمین‌کنندگان توان محاسباتی دسترسی دارند که یک پروتکل بلاکچینی هماهنگشان می‌کند.
انواع بار کاری هنگام خواندن کارت‌ها اهمیت دارند: برخی شبکه‌ها بر آموزش تأکید می‌کنند (کارهای طولانی و پرحافظه)، برخی دیگر بر استنتاج (سرو حساس به تأخیر)، و بسیاری با صف‌های کار عمومی جایی میان این دو قرار می‌گیرند. برچسب AI/Compute وقتی اعمال می‌شود که جای‌گیری و artifactها، توان محاسباتی برای AI را توصیف کنند — نه صرفاً هشینگ عمومی یا بارهای کاری نامرتبط.
به‌طور خلاصه: AI/Compute پروژه‌هایی را پوشش می‌دهد که منابع محاسباتی برای وظایف AI را تأمین می‌کنند، هماهنگ می‌کنند یا برایشان بازار می‌سازند.
به چه معناست
درک تفاوت میان «توان محاسباتی به‌عنوان منبع» و «توان محاسباتی به‌عنوان AI» هنگام خواندن کارت‌های پروژه در این دسته حیاتی است.
توان محاسباتی در زمینهٔ AI به قدرت پردازشی موردنیاز برای آموزش مدل‌ها، اجرای استنتاج یا مدیریت خطوط لولهٔ داده اشاره دارد. AI سنتی بر ارائه‌دهندگان ابری متمرکز (AWS، GCP، Azure) تکیه می‌کند. پروژه‌های AI/Compute تلاش می‌کنند این را غیرمتمرکز کنند: شبکه‌هایی می‌سازند که تأمین‌کنندگان مستقل در آن‌ها GPU، CPU یا شتاب‌دهنده‌های تخصصی عرضه می‌کنند و یک لایهٔ پروتکلی، کشف، زمان‌بندی، قیمت‌گذاری و تسویه را بر عهده دارد.
نقش بلاکچین در این پروژه‌ها بسیار متفاوت است: از ریل‌های پرداخت ساده تا راستی‌آزمایی on-chain اثبات کار و سیستم‌های اعتبار برای تأمین‌کنندگان توان محاسباتی.
آنچه توان محاسباتی غیرمتمرکز واقعی را از بازاریابی جدا می‌کند، شواهد قابل اندازه‌گیری است: تأمین‌کنندگان واقعی GPU که کارهای واقعی سرو می‌کنند، متریک‌های بهره‌برداری قابل راستی‌آزمایی و تسویهٔ on-chain کارهای انجام‌شده. AI componentهای معمول در پروژه‌های AI/Compute شامل موتورهای هماهنگ‌سازی GPU، زمان‌بندهای کار، پروتکل‌های proof-of-compute، بازارهای توان محاسباتی و الگوریتم‌های تطبیق منابع هستند. برخی پروژه‌ها بر اجارهٔ خام GPU تمرکز می‌کنند؛ برخی دیگر انتزاع‌های سطح بالاتری مانند زمان‌بندی آگاه از مدل یا هماهنگی آموزش فدرال اضافه می‌کنند.
زیرترکیب‌های رایج
DecAIHub از دسته‌های ترکیبی استفاده می‌کند. در ادامه پرتکرارترین ترکیب‌ها درون AI/Compute آمده است. Infra جفت غالب است؛ هم‌پوشانی با DePIN، AI/Training و AI/Inference توصیف می‌کند که یک شبکهٔ واحد چگونه عرضه و تقاضا را جای‌گیری می‌کند.
| زیرترکیب | به چه معناست |
|---|---|
| AI/Compute | Infra | بزرگ‌ترین گروه: شبکه‌های GPU، لایه‌های هماهنگ‌سازی محاسبات و پلتفرم‌های ابری غیرمتمرکز. |
| AI/Compute | DePIN | زیرساخت فیزیکی GPU و محاسبات با انگیزه‌های توکنی — تأمین‌کنندگان سخت‌افزار در ازای عرضهٔ منابع توکن کسب می‌کنند. |
| AI/Compute | AI/Training | توان محاسباتی که به‌طور خاص برای بارهای کاری آموزش مدل تأمین می‌شود (مقیاس بزرگ، طولانی‌مدت). |
| AI/Compute | AI/Inference | توان محاسباتی که به‌طور خاص برای اجرای مدل‌های آموزش‌دیده در محیط تولید تأمین می‌شود (حساس به تأخیر، توان عملیاتی بالا). |
یک پروژهٔ واحد می‌تواند چند تگ دامنه داشته باشد (مثلاً AI/Compute | Infra | DePIN).
در کارت پروژه به دنبال چه باشیم
هنگام خواندن کارت AI/Compute در DecAIHub، به این موارد توجه کنید:
- AI component — آیا کارت یک AI component مشخص را فهرست می‌کند (هماهنگ‌سازی GPU، زمان‌بندی کار، proof of compute، بازار توان محاسباتی)، یا فقط پیام عمومی «محاسبات غیرمتمرکز»؟
- شواهد عرضهٔ واقعی — آیا artifactهای Tier-1 وجود دارند که تأمین‌کنندگان واقعی GPU، بهره‌برداری قابل اندازه‌گیری یا اثبات‌های on-chain کارهای انجام‌شده را نشان دهند؟
- Onchain necessity (
onchain_score) — آیا بلاکچین کاری فراتر از انتشار توکن انجام می‌دهد؟ به دنبال تطبیق کار on-chain، تسویه، slashing یا اثبات‌های قابل راستی‌آزمایی محاسبات باشید. ببینید AI reality، Onchain necessity و Token necessity. - امتیاز AI reality (
ai_score) — تأمین GPU زیرساخت است، نه AI به‌خودی‌خود. آیا پروژه منطق AI خودش را دارد، یا فقط میزبان بارهای کاری دیگران است؟
این دسته به‌تنهایی چه چیزی را اثبات نمی‌کند
پروژه‌ای با برچسب AI/Compute بر اساس جای‌گیری و artifactهای موجود، به‌عنوان متمرکز بر محاسبات طبقه‌بندی شده است. برچسب به‌تنهایی تأیید نمی‌کند که:
- تأمین‌کنندگان واقعی GPU به‌طور فعال بارهای کاری را روی شبکه سرو می‌کنند؛
- توان محاسباتی واقعاً برای AI استفاده می‌شود و بیکار نمانده است؛
- AI ساخته‌شده روی این توان محاسباتی واقعی، اختصاصی یا مفید است؛
- رویکرد غیرمتمرکز مزایای معناداری نسبت به جایگزین‌های متمرکز دارد؛
- توکن برای کارکرد بازار توان محاسباتی ضروری است.
همیشه امتیاز کامل DecAI Fit و بلوک شواهد را در کارت پروژه بررسی کنید.
اشتباه نگیرید با
- AI/Inference — بر عمل اجرای مدل و تولید نتیجه تمرکز دارد؛ توان محاسباتی منبعی است که استنتاج را تغذیه می‌کند، اما این دو دسته به لایه‌های متفاوتی می‌پردازند. ببینید AI/Inference.
- AI/Training — بر ساخت و بهبود مدل‌ها تمرکز دارد؛ آموزش به توان محاسباتی نیاز دارد اما فعالیتی مجزاست. ببینید AI/Training.
- AI/Agents — نرم‌افزار خودگردانی می‌سازد که تصمیم می‌گیرد و کنش انجام می‌دهد؛ ایجنت‌ها ممکن است توان محاسباتی مصرف کنند، اما این دسته دربارهٔ رفتار است، نه منابع. ببینید AI/Agents.
- DePIN بدون AI — برخی پروژه‌های DePIN به‌جای توان محاسباتی GPU برای AI، فضای ذخیره‌سازی، پهنای باند یا حسگر فراهم می‌کنند. برچسب AI/Compute فقط وقتی اعمال می‌شود که توان محاسباتی، بارهای کاری AI را هدف بگیرد.
پرسش‌های متداول
اگر پروژه‌ای زمان GPU می‌فروشد، چرا ai_score گاهی پایین به نظر می‌رسد؟
تأمین سخت‌افزار زیرساخت است. امتیاز AI reality به منطق مختص AI قابل راستی‌آزمایی پاداش می‌دهد (زمان‌بندهای تنظیم‌شده برای مدل‌ها، سیستم‌های اثبات گره‌خورده به استنتاج و مانند آن). اجارهٔ خام بدون نرم‌افزار AIمحورِ توصیف‌شده ممکن است امتیازی متفاوت از پشته‌ای بگیرد که هماهنگ‌سازی آگاه از ML را مستند می‌کند.
AI/Compute در یک کارت چه تفاوتی با AI/Inference دارد؟
AI/Inference بر سرو مدل‌ها و خروجی‌ها تأکید می‌کند. AI/Compute بر اینکه چه کسی ماشین‌ها را فراهم می‌کند و کارها چگونه تطبیق و تسویه می‌شوند تأکید دارد. یک پروژهٔ واحد می‌تواند به هر دو بپردازد؛ تگ‌های ترکیبی و فیلد AI component را بخوانید تا ببینید تیم بر کدام لایه تأکید می‌کند.
آیا «غیرمتمرکز» همیشه به معنای تأمین‌کنندگان مستقل فراوان است؟
از روی برچسب به‌تنهایی، نه لزوماً. شواهد را بررسی کنید: داشبوردها، مستندات یا نشانه‌های on-chain که تأمین‌کنندگان متنوع و کارهای انجام‌شده را نشان دهند — نه فقط وایت‌پیپرهای پروتکل.
منابع خارجی
- CUDA Zone — GPU computing — مرجع محاسبات شتاب‌یافته با GPU، اغلب همان پشته‌ای که زیربنای بارهای کاری AI موردبحث در شبکه‌های محاسباتی است.
- NIST Artificial Intelligence Risk Management Framework (AI RMF 1.0) — زمینهٔ گسترده‌تری دربارهٔ سیستم‌های AI قابل اعتماد هنگام ارزیابی ادعاها دربارهٔ زیرساخت غیرمتمرکز AI.
No comments to display
No comments to display