撰文：Shayon Sengupta，MultICOin Capital

编译：JIN，Techub News 

2024 年 6 月 6 日，币安宣布 Launchpool 将上线 io.net 代币 IO，用户于香港时间 6 月 7 日 8 时在 Launchpool 网站将 BNB、FDUSD 投入到 IO 挖矿池中获得 IO 奖励，IO 共计可挖矿 4 天。网站预计将于此公告的大约五小时内，挖矿活动开放前更新。

此外，币安将于香港时间 6 月 11 日 20 时 上市 io.net 代币 IO，并开通 IO/BTC、IO/USDT、IO/BNB、IO/FDUSD 和 IO/TRY 交易市场。

IO 代币解锁和奖励

根据 io.net  官方文档，IO 代币总供应量为 8 亿枚，将在发布时释放 5 亿枚 IO，并在未来 20 年内逐步发行 3 亿枚 IO，直到达到 8 亿代币的上限。最初的 5 亿供应量解锁和奖励如下图所示，分为五类：种子投资者、A 轮投资者、核心贡献者、研发和生态系统以及社区； 

IO 代币解锁和奖励

IO 代币预估分配 

• 种子投资者：12.5%

• A 轮投资者：10.2%

• 核心贡献者：11.3%

• 研发：16%

• 生态系统与社区：50%

IO 代币预估分配

以下 io.net 介绍内容为此前 io.net 3000 万美元 A 轮融资的参投方 Multicoin Capital 撰写：

我们很高兴宣布对 io.net 进行了投资， io.net 是提供 AI 算力租借服务的分布式网络。我们不仅领投了种子轮，还参与了 A 轮融资。io.net 共筹集了 3000 万美元，参投方包括 Multicoin、Hack VC、6th Man Ventures、Modular Capital 以及由天使投资者组成的财团，旨在构建按需、随时可用的 AI 算力需求市场 。

我第一次见到 io.net 的创始人 Ahmad Shadid ，是在2023 年 4 月 Solana 黑客松活动 Austin Hacker House，立即被他对于 ML （机器学习）的算力基础设施去中心化方面的独特见解所吸引。

从那以后，io.net 团队便开始展现强大的执行力。如今，这个网络已经聚合了数以万计的分布式 GPU，并为 AI 企业提供了超过 57,000 小时的计算时间。我们很高兴与他们合作，为未来十年的 AI 复兴助力。 

一、全球算力短缺

AI 计算需求正以惊人的速度增长；这种需求目前并无法满足。2023 年，为 AI 需求提供算力的数据中心收入超过了 1000 亿美元，但即便在最保守的情况下，对 AI 的需求也超过了芯片供应。 

在高利率和现金流缺失的时期，能够容纳此类硬件的新数据中心在前期需要大量的投资。问题的核心在于如 NVidia A100 和 H100 等先进芯片的生产受到限制。虽然 GPU 性能不断提升且成本稳步降低，但其制造流程无法提速，这是因为原材料、组件和产能的短缺限制了增长速度。

尽管 AI 充满前景广阔，但支持其运行的物理占用空间每天都在增加，这就对空间、电力和尖端设备的需求大幅增加。而 io.net 为我们开辟了一条道路，算力不再会受到这些约束。 

io.net 是 DePIN 在现实世界应用的经典案例：通过使用代币激励来结构性降低获取供应侧资源的成本，为最终 GPU 算力需求者降低成本。将分布在全球各地的闲置 GPU 资源汇集到一个共享池中，供 AI 开发者和公司使用。如今，该网络由来自数据中心、矿场和消费级设备的数千个 GPU 提供支持。 

尽管可以将这些有价值的资源整合起来，但它们并不会自动扩展到分布式网络。在加密货币技术的历史上，已经有过几次构建分布式 GPU 计算网络的尝试，但都因为不满足需求方的需求而失败。

在具有不同内存、带宽和存储配置的异构硬件上完成协调和调度算力工作，这是实现分布式 GPU 网络的关键一步。我们相信 io.net 团队拥有当今市场上最实用的解决方案，可以使这种硬件聚合对最终客户有用，并具有经济效益。

二、为集群铺平道路

在计算机发展历史中，软件框架和设计模式会围绕市场上可用的硬件配置进行自我调整。大多数用于 AI 开发的框架和库都严重依赖于集中式硬件资源，但在过去的十年里，分布式的算力基础设施在实际应用中取得了显著进展。 

io.net 利用现有闲置的硬件资源，通过部署定制的网络和编排层来将它们联网，创建一个超可扩展的 GPU 互联网。这个网络利用 Ray、Ludwig、Kubernetes 以及其他各种开源的分布式计算框架，以便机器学习工程和运营团队能够在已有 GPU 网络上扩展其工作负载。 

ML 团队能够通过启动算力设备集群来并行化 io.net GPU 上的工作负载，并利用这些库来处理编排、调度、容错和扩展。例如，如果一组动态图形设计师将他们家中的 GPU 贡献给网络，io.net 可以构建一个集群，精心设计，使世界各地的图像模型开发人员可以租用集体计算资源。

BC8.ai，就是一个例子，经过微调的稳定扩散变体模型，而这一模型是完全在 io.net 网络上进行训练。io.net 浏览器显示实时推理以及对网络贡献者的激励。

 人工智能超级计算机

每个图像的生成信息都是记录在链上。所有的费用支付给了 6 个 RTX 4090 集群，这是用于游戏的消费级 GPU。 

如今，网络上有数以万计的设备，遍布矿场、未充分利用的数据中心和 Render Network 消费者节点。除了创造新的 GPU 供应之外，io.net 还能够在成本上与传统云服务提供商竞争，通常提供更便宜的资源。

他们通过将 GPU 协调和运营外包给去中心化协议来实现成本的降低。另一方面，云服务提供商则因为员工开支、硬件维护和数据中心运营成本而对产品进行加价。消费级显卡集群和矿场的成本远低于超大规模计算中心（Hyperscalers）愿意接受的成本，因此存在一种结构性套利，使得 io.net 上的资源定价动态地低于不断上涨的云服务费率。

三、构建 GPU 互联网

io.net 具有独特的优势，保持轻资产运营，并将服务任何特定客户的边际成本降低到几乎为零，同时与市场的需求方和供应方直接建立关系，能够服务成千上万需要访问 GPU 以构建有竞争力的 AI 产品，将来每个人都会与之互动。