منذ عام 2025، ظل الذكاء الاصطناعي وDePIN هما السردان الأكثر اتساعًا في سوق العملات الرقمية. فمن جهة، تدفع النماذج الضخمة، ووكلاء الذكاء الاصطناعي، والتطبيقات التوليدية الطلب المتزايد باستمرار على القدرة الحاسوبية. ومن جهة أخرى، تحاول شبكات البنية التحتية المادية اللامركزية إعادة تشكيل سوق الحوسبة السحابية التقليدية من خلال الحوافز الرمزية وتوحيد الموارد. ومع ذلك، ظل تشكك السوق في مشاريع DePIN واضحًا لفترة طويلة: هل يعني توسع الشبكة وجود طلب حقيقي؟ وهل يمكن أن يتحول نمو عدد الأجهزة إلى إيرادات مستدامة؟ وهل يخدم توسع جانب العرض المدفوع بالحوافز الرمزية عملاء المؤسسات فعليًا؟
في الآونة الأخيرة، دأبت IO (io.net) على إصدار دراسات حالة تجارية تعالج هذه التساؤلات بشكل مباشر. فبدلاً من الاكتفاء بتسليط الضوء على عدد وحدات معالجة الرسومات (GPU)، أو حجم العقد، أو نطاق الشبكة، باتت IO تعرض كيف تستخدم شركات الذكاء الاصطناعي شبكتها اللامركزية لوحدات معالجة الرسومات لحل تحديات أعمال حقيقية—مثل خفض تكاليف التدريب، وتقليص دورات شراء القدرة الحاسوبية، ودعم نمو المستخدمين، وتوفير جدولة مرنة للقدرة الحاسوبية مع التوسع السريع لتطبيقات الذكاء الاصطناعي التوليدي. وهذا يشير إلى تحول في محور التنافس داخل قطاع حوسبة DePIN: لم يعد السوق يهتم فقط بمدى الموارد التي يمكن أن يجمعها المشروع، بل ما إذا كانت هذه الموارد تُستخدم فعليًا من قبل عملاء حقيقيين وقادرة على توليد أعباء عمل مستدامة وقيمة تجارية.
بالنسبة لـ IO، فإن هذه التطورات الأخيرة ليست مجرد تحديثات دعائية للمشروع—بل توفر للسوق نافذة على مشهد DePIN المتطور. فمع انتقال صناعة الذكاء الاصطناعي من منافسات النماذج إلى التطبيقات العملية، أصبحت تكاليف الحوسبة قيدًا رئيسيًا على نمو المؤسسات. وإذا تمكنت الشبكات اللامركزية لوحدات معالجة الرسومات من تقديم مزايا في التكلفة والمرونة وكفاءة التسليم، فستكون لديها فرصة للتحول من أصول سردية في سوق العملات الرقمية إلى بنية تحتية حقيقية تلبي احتياجات سوق الذكاء الاصطناعي الفعلية.
بعد توسع تطبيقات الذكاء الاصطناعي، أصبحت تكاليف الحوسبة عنق زجاجة جديد للصناعة
خلال العامين الماضيين، كان محور المنافسة في صناعة الذكاء الاصطناعي يدور حول قدرات النماذج. سواء كانت نماذج ضخمة عامة، أو توليد الصور، أو توليد الفيديو، أو وكلاء الذكاء الاصطناعي، فقد ركز السوق على معايير النماذج، وأداء الاستدلال، وتجربة المنتج. لكن مع بدء تطبيقات الذكاء الاصطناعي في التحول التجاري، انتقل التحدي الأساسي للصناعة من "هل يمكن بناؤه؟" إلى "هل يمكن توسيعه؟" وبالنسبة لشركات الذكاء الاصطناعي، فإن تدريب النماذج ليس سوى الخطوة الأولى. فالتكاليف طويلة الأجل تُحددها طلبات الاستدلال اليومية الضخمة من المستخدمين والمتطلبات المتزايدة باستمرار لوحدات معالجة الرسومات مع نمو المنتجات بسرعة.
لهذا السبب، أصبحت تكاليف الحوسبة قضية محورية للشركات الناشئة في الذكاء الاصطناعي. فعادة ما تتم مهام التدريب في المراحل الأولى من تطوير المنتج أو أثناء تحديث النماذج، بينما تستمر احتياجات الاستدلال مع استمرار تفاعل المستخدمين. وعندما ينمو تطبيق الذكاء الاصطناعي من عشرات الآلاف إلى ملايين—أو حتى عشرات الملايين—من المستخدمين، تتجه نفقات البنية التحتية إلى الارتفاع المستمر. وإذا اعتمدت الشركة على مزودي الخدمات السحابية التقليديين، فقد تواجه أسعارًا مرتفعة لوحدات معالجة الرسومات، وقيودًا في جدولة الموارد، وحدودًا جغرافية، ودورات شراء طويلة. وبالنسبة للتطبيقات سريعة النمو، يمكن أن تؤثر هذه الضبابية مباشرة في سرعة تطوير المنتج وكفاءة التحول التجاري.
وقد جذبت دراسات الحالة الأخيرة لـ IO انتباه السوق في هذا السياق تحديدًا. فالسرد الأساسي ليس مجرد أن "وحدات معالجة الرسومات اللامركزية أرخص"، بل هو نهج جديد لمواءمة العرض والطلب: هناك مخزون ضخم من وحدات معالجة الرسومات غير المستغلة حول العالم، بينما تواجه شركات الذكاء الاصطناعي احتياجات حوسبة مرنة ومتنامية باستمرار. وتكمن قيمة شبكات DePIN في قدرتها على إعادة تنظيم هذه الموارد المبعثرة وتقديمها للعملاء الحقيقيين بتكلفة أقل ومرونة أكبر.
دراسات IO التجارية الأخيرة تبدأ بالإجابة عن سؤال الطلب الحقيقي في DePIN
في بدايات قطاع DePIN، كان من الأسهل شرح منطق جانب العرض. فمن خلال الحوافز الرمزية، يمكن للمشاريع جذب المعدنين أو مزودي الأجهزة أو عقد الموارد للانضمام إلى الشبكة، وتوسيع نطاق البنية التحتية بسرعة. لكن بعد النمو في جانب العرض، يظل سؤال مصدر الطلب مطروحًا أمام كل مشروع DePIN. فإذا أضافت الشبكة أجهزة جديدة فقط عبر الحوافز الرمزية دون وجود عملاء حقيقيين وسيناريوهات استخدام مستدامة، يبقى نموذجها التجاري قائمًا على الدعم المؤقت.
وتكمن قيمة دراسات IO الأخيرة في تحويل التركيز من العرض إلى الطلب. خذ منصة Wondera للموسيقى بالذكاء الاصطناعي كمثال. تظهر البيانات الرسمية أن Wondera حصلت على 200,000 مستخدم في 171 دولة ومنطقة خلال أربعة أشهر من الإطلاق.
ولغرض دعم تدريب النماذج ونمو المنتج، استهلكت المنصة ما مجموعه 552,000 ساعة GPU واستخدمت 96 وحدة معالجة رسومات عالية الأداء للتدريب. والأهم من ذلك، مقارنة بالحلول السحابية التقليدية، خفضت Wondera تكاليف التدريب بحوالي %75 من خلال IO، موفرة ما يقارب $2.48 مليون.
هذه الأرقام تعني أكثر من مجرد "خفض التكاليف". فهي تظهر أن الشبكات اللامركزية لوحدات معالجة الرسومات تدخل فعليًا في سير عمل الشركات، وتنفذ مهام تدريب لتطبيقات الذكاء الاصطناعي الحقيقية. فبالنسبة لمنصات الذكاء الاصطناعي التوليدي مثل Wondera، يؤدي نمو المستخدمين سريعًا إلى تضاعف الطلب على الحوسبة. وإذا كانت تكاليف البنية التحتية مرتفعة جدًا، فقد تثقل كاهل المنصة قبل أن تتمكن من تحقيق العائد التجاري. ومن خلال الوصول الأكثر مرونة إلى موارد GPU، يمكن للشركات تخصيص ميزانية أكبر لنمو المنتج وتحسين النماذج واكتساب المستخدمين.
وتوضح حالة Leonardo.AI بشكل أكبر الضغوط التي تواجهها منصات الذكاء الاصطناعي التوليدي مع التوسع. فوفقًا لبيانات IO، توسعت Leonardo.AI من حوالي 14,000 مستخدم إلى 19 مليون مستخدم—أي أكثر من ألف ضعف—مع انخفاض تكاليف GPU بأكثر من %50 وتقلص دورات الشراء من أسابيع أو شهور إلى أيام فقط. وبالنسبة للمنصات سريعة النمو، فإن تقليص دورات الشراء وخفض التكاليف أمران حاسمان بنفس القدر، إذ أن نافذة التنافس في منتجات الذكاء الاصطناعي التوليدي غالبًا ما تكون قصيرة جدًا. وإذا لم يتمكن العرض الحاسوبي من مواكبة نمو المستخدمين، تتأثر تجربة المنتج، مما يؤثر على الاحتفاظ والتوسع.
تغير هذه الحالات طريقة نظر السوق إلى شبكات حوسبة DePIN. فكان المستثمرون يركزون سابقًا على رموز المشاريع وحجم الشبكة. أما الآن، فأصبحت الأسئلة الرئيسية: هل الشركات مستعدة للدفع مقابل الشبكة؟ هل هناك أعباء عمل مستدامة؟ وهل يمكن أن تقدم بديلًا ثابتًا للخدمات السحابية التقليدية؟
قطاع حوسبة DePIN ينتقل من تجميع الموارد إلى التحقق التجاري
من منظور الصناعة، تمر شبكات حوسبة DePIN عمومًا بثلاث مراحل. الأولى هي تجميع الموارد—أي جذب موارد GPU أو CPU أو التخزين أو النطاق الترددي إلى الشبكة عبر الحوافز الرمزية. والثانية هي التحقق من قابلية الاستخدام—إثبات أن هذه الموارد الموزعة يمكن جدولتها بشكل موثوق وتلبية متطلبات المهام على مستوى المؤسسات. والثالثة هي التحقق التجاري—إثبات أن الشبكة قادرة على جذب عملاء حقيقيين لاستخدام مستدام، وتوليد الإيرادات، والاحتفاظ بالعملاء، وتكرار الأعمال.
وتظهر دراسات IO الأخيرة أن قطاع حوسبة DePIN ينتقل من المرحلة الأولى إلى الثانية والثالثة. وهذا التحول بالغ الأهمية، إذ غالبًا ما يبالغ سوق العملات الرقمية في تقدير توسع جانب العرض ويقلل من صعوبة تحويل الطلب. فحتى الشبكة التي تمتلك موارد GPU ضخمة لا يمكنها استبدال الخدمات السحابية التقليدية على الفور. فعملاء المؤسسات يهتمون بأكثر من مجرد السعر—فهم يحتاجون أيضًا إلى الاستقرار، ونسب إتمام المهام، وأمان البيانات، وسرعة الاستجابة، وقابلية التنبؤ بالموارد، والتوافق مع سير العمل التطويري القائم.
لذا، فإن تركيز IO على الحالات التجارية يتعلق ببناء ثقة السوق في الأساس. إذ يتعين عليها إثبات أن الشبكات اللامركزية لوحدات معالجة الرسومات ليست مجرد أدوات للمضاربة قصيرة الأجل، بل بنية تحتية حقيقية قادرة على التعامل مع أعباء عمل الذكاء الاصطناعي الفعلية. وهذا هو جوهر تغير منطق تقييم DePIN: فقد كانت المشاريع تُقيّم سابقًا بعدد العقد، أما مستقبلاً فسيكون التقييم بناءً على "عدد العملاء الذين تخدمهم، وعدد المهام التي تديرها، وحجم الإيرادات التي تحققها".
ومن هذا المنظور، فإن تدفق دراسات العملاء لدى IO ليس مجرد تسويق معزول—بل هو مؤشر على دخول قطاع حوسبة DePIN مرحلة جديدة. فمع ازدياد حساسية شركات الذكاء الاصطناعي تجاه تكاليف الحوسبة، يجب على الشبكات اللامركزية لوحدات معالجة الرسومات إثبات، عبر حالات واقعية، أنها لا تدور فقط في فلك سوق العملات الرقمية، بل جاهزة لدخول سوق البنية التحتية الأوسع للذكاء الاصطناعي.
الطلب المتزايد على الاستدلال في الذكاء الاصطناعي يوسع فرص الشبكات اللامركزية لوحدات معالجة الرسومات
قد يكون الطلب الأساسي القادم في صناعة الذكاء الاصطناعي ليس في التدريب، بل في الاستدلال. فمهام التدريب تتركز أثناء تطوير النماذج، بينما يحدث الاستدلال مع كل تفاعل للمستخدم. ومع اندماج تطبيقات الذكاء الاصطناعي في البحث، وبرمجيات المكاتب، والتصميم، والموسيقى، والألعاب، والفيديو، وخدمة العملاء، وسير العمل الآلي، تصبح طلبات الاستدلال نفقات متكررة. وبعبارة أخرى، كلما زاد عدد مستخدمي التطبيق، ارتفعت تكاليف الاستدلال—وتعاظمت أهمية تحسين البنية التحتية.
ويفتح هذا الباب أمام فرص نمو جديدة للشبكات اللامركزية لوحدات معالجة الرسومات. فمزودو الخدمات السحابية التقليديون يتفوقون في الاستقرار، والنظام البيئي، وخدمات المؤسسات، لكن هياكل التكلفة وتوزيع الموارد لديهم ليست دائمًا مثالية لكل شركة ناشئة في الذكاء الاصطناعي. وخاصة بالنسبة للفرق الصغيرة والمتوسطة، فهي بحاجة إلى موارد GPU لكنها قد لا تستطيع الالتزام بموارد سحابية باهظة الثمن على المدى الطويل. وإذا تمكنت الشبكات اللامركزية من توفير وصول أكثر مرونة للموارد، فقد تصبح مكملًا مهمًا لهذه الشركات.
وهنا تكمن فرصة IO. فهي لا تهدف إلى استبدال مزودي الخدمات السحابية الكبار بين عشية وضحاها، بل إلى تقديم بديل أكثر فعالية من حيث التكلفة مع التوسع السريع لاحتياجات الحوسبة في الذكاء الاصطناعي. لا سيما في سيناريوهات مثل التدريب، والاستدلال الدفعي، وتوليد الصور، وتوليد الموسيقى، وتنفيذ مهام الوكلاء، طالما أنه يمكن تقسيم المهام وجدولتها وتنفيذها بطريقة موزعة، يمكن للشبكات اللامركزية لوحدات معالجة الرسومات أن تقدم مزايا في التكلفة والمرونة.
ومع ذلك، لا تعني هذه الفرصة أن شبكات حوسبة DePIN لا تواجه تحديات. فعملاء المؤسسات في الذكاء الاصطناعي يطالبون باستقرار عالٍ للخدمة. ويجب على الشبكات اللامركزية معالجة قضايا مثل تباين جودة العقد، وتعقيد جدولة المهام، وأمان البيانات، وضمانات الخدمة. وإذا لم تُحل هذه التحديات، فلن تتحول مزايا التكلفة إلى علاقات طويلة الأمد مع العملاء. وسيكون استمرار IO في الكشف عن المزيد من حالات العملاء عالية الجودة عاملاً رئيسيًا للحكم على قدرتها التجارية في نظر السوق.
السرد السوقي لـ IO ينتقل من المضاربة الرمزية إلى الطلب على البنية التحتية
بالنسبة لرمز IO، فإن الأثر الأهم للتطورات الأخيرة هو تعزيز سرد "الطلب على البنية التحتية للذكاء الاصطناعي" في السوق. تاريخيًا، شهدت العديد من مشاريع العملات الرقمية المرتبطة بالذكاء الاصطناعي تقلبات سعرية مدفوعة بضجة قصيرة الأجل حول مفهوم الذكاء الاصطناعي. لكن مع بدء المشاريع في الكشف عن عملاء حقيقيين، وتوفير وفورات ملموسة في التكاليف، ودراسات حالات توضح التوسع التجاري، يتحول تركيز السوق من المضاربة المفاهيمية إلى التحقق التجاري.
ولا يعني ذلك أن سعر رمز IO سيرتفع فورًا مع كل حالة عميل جديدة. فأسعار السوق الثانوية ستظل متأثرة بظروف السوق العامة، وهيكل السيولة، ومستوى المخاطرة، وعمليات فتح الرموز. لكن من منظور السرد المتوسط إلى الطويل الأجل، تعزز الحالات التجارية الحقيقية من اعتراف السوق بأساسيات المشروع. ومع احتدام المنافسة في قطاع الذكاء الاصطناعي، سيزداد تمييز المستثمرين بين "مشاريع تكتفي بالحديث عن مفاهيم الذكاء الاصطناعي" و"مشاريع بنية تحتية تخدم فعليًا شركات الذكاء الاصطناعي".
وتدور استراتيجية IO في المحتوى مؤخرًا بوضوح حول هذه النقطة. فهي لا تركز فقط على حجم الشبكة، بل تعرض باستمرار كيف تستخدم شركات الذكاء الاصطناعي المختلفة شبكتها الحاسوبية. وتشمل دراسات الحالة في الموسيقى بالذكاء الاصطناعي، وتوليد الصور، وتطوير التطبيقات المؤتمتة، عدة طبقات تطبيقية، مما يظهر أن الطلب على وحدات معالجة الرسومات اللامركزية لا يقتصر على صناعة واحدة. وبالنسبة للسوق، يوسع هذا من حدود سرد IO، ويضعها ليس فقط كمشروع DePIN، بل كطبقة إمداد حوسبي خلف نمو تطبيقات الذكاء الاصطناعي.
هناك تحول أعمق قيد الحدوث: فمشاريع DePIN تنتقل من "الاعتماد على مستخدمي العملات الرقمية" إلى "الاعتماد على عملاء الصناعة". فإذا جاء الطلب بشكل أساسي من داخل سوق العملات الرقمية، ستكون الدورات شديدة التقلب. أما إذا جاء الطلب من شركات الذكاء الاصطناعي، أو منصات المطورين، أو شركات التطبيقات الواقعية، فيمكن لمنطق النمو أن يتحرر من دورات السوق البحتة.
استدامة الطلب الحقيقي ما زالت تعتمد على إيرادات الشبكة واحتفاظ العملاء
رغم الإشارات الإيجابية من حالات IO الأخيرة، يجب أن يبقى السوق حذرًا. فدراسات الحالة التجارية تثبت وجود الطلب، لكنها لا تظهر بالكامل أن الطلب قابل للتوسع أو مستقر أو مستدام. ولكي تنضج شبكات حوسبة DePIN، عليها الكشف عن بيانات أكثر منهجية—مثل عدد عملاء المؤسسات، وأعباء العمل النشطة، ونسب استخدام GPU، وإيرادات الشبكة، ونسب تكرار الشراء من العملاء، وتوزيع سيناريوهات التطبيق المختلفة.
وسيكون هذا هو الاتجاه الأهم لمراقبة IO في السوق مستقبلاً. فحالات العملاء الفردية يمكن أن تعزز السرد، لكن بيانات النمو المستدام ضرورية لدعم القيمة طويلة الأجل. وإذا تمكنت IO من الانتقال من الإفصاح عن الحالات إلى بيانات تشغيلية أكثر شفافية، سيزداد اعتراف السوق بخصائصها كبنية تحتية. وعلى العكس، إذا تباطأت تحديثات الحالات أو لم تنمُ إيرادات الشبكة والاستخدام، فقد يظل السوق ينظر إليها كمشروع سردي مؤقت للذكاء الاصطناعي.
علاوة على ذلك، يجب على الشبكات اللامركزية للحوسبة مواجهة المنافسة من مزودي الخدمات السحابية التقليديين ومشاريع الحوسبة اللامركزية الأخرى. فالمزودون التقليديون يملكون أنظمة خدمة مؤسسية أقوى وتكاملاً بيئيًا أفضل، بينما تتنافس مشاريع DePIN الأخرى أيضًا على طلب الحوسبة في الذكاء الاصطناعي. ولتحقيق ميزة تنافسية دائمة، تحتاج IO إلى ما هو أكثر من السعر—يجب أن تتفوق في جدولة الموارد، وتجربة المطورين، واستقرار المهام، وخدمة العملاء.
لذلك، من الأفضل النظر إلى IO كهدف مراقبة رئيسي في قطاع البنية التحتية للذكاء الاصطناعي، وليس مجرد تقييمها بناءً على اتجاهات السوق قصيرة الأجل. فجاذبيتها الأساسية لا تكمن في موجة واحدة من الضجة السوقية، بل في ما إذا كانت الشبكات اللامركزية لوحدات معالجة الرسومات قادرة باستمرار على التقاط الطلب الفائض من صناعة الذكاء الاصطناعي.
سرد DePIN يدخل مرحلة التحقق من الطلب الحقيقي
بشكل عام، يشير التدفق المستمر لإفصاحات IO عن الحالات التجارية إلى أن قطاع حوسبة DePIN يدخل مرحلة أكثر واقعية. ففي السابق، ركزت مناقشات السوق حول DePIN على كيفية جلب الموارد المادية إلى البلوكشين، وكيفية تنظيم العرض عبر الحوافز الرمزية، وكيفية نمو عدد العقد. أما الآن، فيسأل السوق عما إذا كانت هذه الموارد تُستخدم فعليًا، وهل يمكنها خفض تكاليف المؤسسات، وهل يمكنها دخول الروابط الأساسية في سلسلة صناعة الذكاء الاصطناعي.
وهذا هو جوهر "مرحلة الطلب الحقيقي". فالطلب الحقيقي ليس أن يدعي المشروع خدمته لقطاع ما، بل أن يستخدم العملاء الخارجيون الشبكة طوعًا في مهام أعمالهم ويحققون تحسينات في التكلفة أو الكفاءة أو قابلية التوسع. وتوفر حالات مثل Wondera وLeonardo.AI أمثلة ملموسة لهذا المنطق.
وبالنسبة لصناعة DePIN، إذا تمكنت المزيد من المشاريع من التحول من توسيع العرض إلى التحقق من الطلب، سينضج نظام التقييم للقطاع بأكمله. وسيركز السوق أقل على عدد العقد وأكثر على نسب الاستخدام وجودة الإيرادات وتركيبة العملاء. أما بالنسبة لـ IO، فقد عززت الحالات التجارية الأخيرة سردها الأساسي، لكن موقعها طويل الأجل سيعتمد في النهاية على قدرتها على توسيع قاعدة عملائها وتحويل طلب الحوسبة في الذكاء الاصطناعي إلى قيمة شبكة مستقرة.
الملخص
تُظهر سلسلة دراسات الحالة التجارية الأخيرة لـ IO مع شركات الذكاء الاصطناعي أن شبكات حوسبة DePIN تنتقل من السرديات المفاهيمية نحو التحقق من الطلب الحقيقي. فقد حصلت Wondera على 200,000 مستخدم في 171 دولة ومنطقة خلال أربعة أشهر، وأكملت 552,000 ساعة GPU من التدريب عبر IO، مما خفض تكاليف التدريب بحوالي %75 ووفر ما يقارب $2.48 مليون. أما Leonardo.AI، فقد خفضت خلال توسعها إلى 19 مليون مستخدم تكاليف GPU بأكثر من %50 وقلصت دورات شراء الموارد بشكل كبير. وتشير هذه الأرقام إلى أن الشبكات اللامركزية لوحدات معالجة الرسومات تدخل فعليًا في سير عمل شركات الذكاء الاصطناعي.
ومع ذلك، لا يزال قطاع حوسبة DePIN في المراحل الأولى من التحول التجاري. فقد أثبتت IO وجود الطلب من خلال دراسات الحالة، لكنها ستحتاج إلى تقديم بيانات أكثر استدامة لإثبات قابلية التوسع—مثل إيرادات الشبكة، ونسب استخدام GPU، واحتفاظ عملاء المؤسسات، ونمو أعباء العمل الحقيقية. وبالنسبة لـ IO، عززت التطورات الأخيرة سردها كبنية تحتية للذكاء الاصطناعي وأعادت تركيز السوق على تحول DePIN من النمو المدفوع بالعرض إلى النمو المدفوع بالطلب. وإذا استمرت تطبيقات الذكاء الاصطناعي في التوسع وواصلت تكاليف الحوسبة الارتفاع، فقد تصبح الشبكات اللامركزية لوحدات معالجة الرسومات مكملًا متزايد الأهمية لسوق البنية التحتية للذكاء الاصطناعي.
الأسئلة الشائعة
لماذا جذبت IO انتباه السوق مؤخرًا؟
دأبت IO على إصدار دراسات حالة تجارية مع شركات الذكاء الاصطناعي، موضحة أن شبكتها اللامركزية لوحدات معالجة الرسومات تخدم تطبيقات ذكاء اصطناعي حقيقية—وليس مجرد البقاء ضمن نطاق السرديات المفاهيمية لمشاريع DePIN.
ماذا تعني حالة Wondera بالنسبة لـ IO؟
تُظهر حالة Wondera أن IO قادرة على توفير دعم تدريبي واسع النطاق لوحدات معالجة الرسومات لمنصة موسيقى بالذكاء الاصطناعي، والمساهمة في خفض تكاليف التدريب بحوالي %75، مما يثبت القيمة العملية التجارية للشبكات اللامركزية لوحدات معالجة الرسومات.
ماذا توضح حالة Leonardo.AI؟
توضح حالة Leonardo.AI أن منصات الذكاء الاصطناعي التوليدي تواجه ضغطًا حاسوبيًا كبيرًا مع النمو السريع لعدد المستخدمين. ويمكن لـ IO توفير موارد GPU أكثر مرونة لمساعدة الشركات على خفض التكاليف وتقليص دورات الشراء.
ما التغيرات التي تحدث في قطاع حوسبة DePIN؟
يشهد قطاع حوسبة DePIN تحولًا من المنافسة على جانب العرض إلى التحقق من الطلب. ويركز السوق الآن على عملاء المؤسسات، وأعباء العمل الحقيقية، والإيرادات التجارية، بدلاً من عدد العقد وحجم وحدات معالجة الرسومات.
ما العامل الرئيسي الذي يعتمد عليه تقييم IO على المدى الطويل؟
يعتمد تقييم IO طويل الأجل بشكل أساسي على قدرتها على الاستمرار في جذب عملاء مؤسسات ذكاء اصطناعي حقيقيين وتحويل موارد GPU إلى طلب استخدام شبكي مستقر وإيرادات تجارية.
