'Din AI-politik er en anmodning, ikke en strategi': Gonkas Liberman-brødre om GPU-feudalisme, energiflaskehalsen og hvem der kontrollerer intelligenslaget
Kort sagt
AI's virkelige dilemma er elektricitet og adgang til elnettet, ikke chips. Gonkas medskabere inden for decentraliseret databehandling, GPU-feudalisme og åben AI-infrastruktur.
AI-kapløbet bliver normalt fremstillet som en konkurrence mellem modeller, chips og kapital. Men et stigende antal stemmer argumenterer for, at det virkelige knoglebrud er enklere og mere fysisk: elektricitet, adgang til elnettet og den håndfuld virksomheder, der kontrollerer den infrastruktur, alt andet kører på. Hvis du ikke ejer computerkraft, lyder argumentet, er din AI-strategi blot en anmodning.
Konsekvenserne af den logik viser sig allerede. Elnetoperatører slår alarm, forsyningsregningerne stiger, og spørgsmålet om, hvem der får adgang til AI – ikke bare bruge den, men drive den, eje den, bygge videre på den – er stille og roligt ved at blive et af de mere betydningsfulde infrastrukturspørgsmål i årtiet. For det meste af verden er svaret lige nu: på andres præmisser.
MPost satte sig ned med Daniil og David Liberman, medskabere af gonka, et decentraliseret AI-computernetværk, for at finde ud af, om der er en anden måde.
Hvornår blev AI-energiproblemet en nødsituation? Hvad sker dernæst?
Nødsituationen startede, da den begrænsende faktor holdt op med at være chips og blev til elektricitet. I årevis behandlede AI-industrien datacentre som finansielle objekter. Man skaffer penge, køber GPU'er og bygger en massiv campus. Men datacentre er fysiske objekter, der er knyttet til transformere, kraftværker og lokale net. Disse ting kan ikke skaleres med softwarens hastighed. De seneste ordrer fra juli viser, at net som PJM aktivt styrer sig omkring datacentrenes efterspørgsel og bruger backupgenerering som en absolut sidste udvej. Det, der bryder sammen, er hele den økonomiske model. Man kan have milliarder af dollars i GPU'er og bogstaveligt talt ingen steder at tilslutte dem. Så bryder det politiske lag sammen, da husholdningerne begynder at spørge, hvorfor deres forsyningsregninger finansierer et AI-anlæg. Den dybere fejl er at antage, at enhver AI-beregning kræver en campus på gigawatt-skala. Vi er nødt til at flytte databehandling mod energi: en decentraliseret tilgang dirigerer arbejdsbyrder til eksisterende maskiner og regioner, hvor strøm allerede er tilgængelig.
Hvem er GPU-feudalismens herrer og livegne? Hvordan ser jordrenten ud?
Lorderne er de få aktører, der kontrollerer de fysiske og kontraktmæssige lag, som avancerede chips, hyperscale-clouds og den energi, der kræves for at drive dem. De livegne er næsten alle andre. De er startups, udviklere og hele lande, der skal importere intelligens som en tjeneste. Det er præcis, hvad vi kalder GPU-feudalisme, en fremtid, hvor folk bliver lejere på en andens computerejendom. Den leje, de betaler, er delvist økonomisk, men den farligere leje er tilladelse. En udbyder kan ændre din kvote, suspendere din konto eller lydløst udskifte den model, du bruger. Hvis fem virksomheder og to stater kontrollerer infrastrukturen, får du otte milliarder lejere. AI er ren information og kan kopieres næsten uden begrænsninger. Modellen passer på et flashdrev, men monopolet bor i datacentret. Den fysiske flaskehals er præcis der, hvor kunstig knaphed pålægges noget, der er beregnet til at skabe global overflod.
Hvorfor bestemmer ejerskab af infrastruktur, hvilken AI der bliver bygget?
En idé uden beregning er ikke en virksomhed, bare et dokument. Når adgang til beregninger er dyr eller politisk begrænset, ændrer udviklere fysisk det, de bygger. En startup kan opgive en open source-model, simpelthen fordi en massiv cloud-udbyder subsidierer adgang til en proprietær API. Infrastrukturejerne dikterer, hvilken hardware der understøttes, hvilke regioner der får kapacitet, og hvem der får prioritet under mangler. Derfor er åbne vægte aldrig nok. At offentliggøre modelvægte uden overkommelig udførelse er som at dele tegninger til et fly, når én enkelt virksomhed ejer hver landingsbane. Du har også brug for verificerbarhed. Et decentraliseret system skal bevise, at den forventede model faktisk blev udført uden stille reduktioner i kvalitet. En agent, der flytter penge, har brug for mere end tillid, den har brug for bevis. Hvis du ikke kontrollerer beregninger, er din AI-politik en anmodning snarere end en strategi.
Hvor tæt er vi på at vælge mellem tilladelser frem for modeller?
Vi lever allerede i den første version af den verden. Brugere tror, de skal vælge mellem snesevis af AI-produkter, men mange er blot grænseflader bygget på præcis den samme lille gruppe af modeludbydere. I dag ligner tilladelser geografiske begrænsninger, brugsniveauer og API-politikker. I morgen, når AI-systemer bliver afgørende for økonomisk produktivitet, bliver disse begrænsninger strukturelle. Forestil dig, at én ingeniør har adgang til den bedste kodeagent, mens en anden ikke har. Virksomheden eller landet, der nægtes adgang, sakker straks bagud. Det endelige resultat er et intelligenshierarki, hvor adgangen udelukkende afhænger af din jurisdiktion, arbejdsgiver eller identitet. Folk vil teknisk set være frie til at afvise disse systemer, men de vil ikke længere være økonomisk konkurrencedygtige uden dem. Vi kan stadig vende dette, men vinduet måles i år. Hver API-nedlukning eller adgangsafvisning er blot endnu en reklame for decentraliseret AI.
Hvem vinder, når inferens bliver den dominerende slagmark?
Træningsmodeller genererer de største overskrifter, men inferens er der, hvor AI bliver en reel økonomi. En model trænes med jævne mellemrum, men inferens sker kontinuerligt hver eneste gang en bruger stiller et spørgsmål, eller en robot træffer en beslutning. Dette ændrer det konkurrenceprægede landskab. Mens træning kræver massive og tæt forbundne klynger, kan inferens ofte behandles uafhængigt. Du behøver ikke, at alle anmodninger kører inden for en enkelt gigawatt-campus. Vinderne vil være systemer, der reducerer omkostningerne pr. nyttig token, opretholder høj hardwareudnyttelse og garanterer modelintegritet. Taberne vil være virksomheder, der permanent er afhængige af subsidieret API-prissætning, og lande, der importerer hver eneste enhed af intelligens. Dette er den præcise åbning for distribuerede systemer. Decentraliseret beregning kan udnytte global forsyning og lokal energi uden at kræve, at én virksomhed ejer alle faciliteter.
Hvad afslører 100 millioner anmodninger på tværs af 26 lande om uudnyttet datakraft?
De beviser, at geografisk distribueret AI-beregning ikke længere blot er et teoretisk koncept. Før man drev et rigtigt netværk, antog folk, at verden indeholdt en homogen pulje af inaktive GPU'er, der ventede på at blive aktiveret. Realiteten er, at hardware, netværk og tilgængelighed varierer drastisk. Den virkeligt knappe ressource er koordinering. Et netværk skal finde kapacitet, måle ydeevne, verificere udførelse og skabe incitamenter, der holder operatører online. Derfor bruger Gonka transformerbaserede Proof of Work- og Sprint-mekanismer til at verificere rigtig AI-hardware. Det uudnyttede udbud er massivt, herunder virksomhedsreserver, regionale clouds og universitetshardware, der simpelthen manglede en forbindelse til den globale AI-efterspørgsel. Behandling af disse arbejdsbelastninger viser, at udviklere kan forbruge decentraliseret inferens gennem en fælles grænseflade uden at behøve, at al beregning befinder sig inden for en virksomhedsperimeter.
Kan et åbent alternativ stadig opstå, og i hvilken skala?
Ja, men det vil ikke opstå automatisk fra de nuværende markedsledere. Et åbent alternativ skal nå massiv fysisk skala for at blive en ægte strukturel mulighed. Vi taler om gigawatt kapacitet og millioner af avancerede GPU'er. Bitcoin giver den perfekte lektie her. Det rejste ikke milliarder af dollars til at bygge ét enormt datacenter. I stedet skabte det en økonomisk protokol, der mobiliserede global fysisk infrastruktur. AI har brug for en sammenlignelig standard for nyttig beregning. Åbne modeller kræver åben eksekveringsinfrastruktur. Økonomiske belønninger skal tilflyde direkte til de mennesker, der leverer og forbedrer hardware. Hvis AI får en beregningsorienteret protokol, vil hardwareinnovation bevæge sig fra langsomme virksomhedskøreplaner til global konkurrence.
Er delt databehandling en vej til AI-suverænitet for nye regioner?
Det kan absolut være tilfældet, forudsat at suveræniteten er defined korrekt. AI-suverænitet betyder ikke, at hvert land skal fremstille sine egne chips og bygge en indenlandsk hyperskala-cloud. Lad os være realistiske - det er ikke muligt. En mere praktisk defiKonklusionen er, at et land ikke ensidigt kan afkobles fra efterretningstjenesten. At leje en API fra et udenlandsk firma er ren afhængighed. Et land uden computerkraft vil forhandle med AI præcis som en lejer forhandler med en udlejer. At forbinde indenlandsk energi, ingeniører og datacentre til et åbent netværk er ægte deltagelse. Intet mellemstort land kan bruge mere end USA eller Kina individuelt. Men hvis to hundrede lande hver bidrager med ti tusind GPU'er i gennemsnit, skaber de et delt netværk på to millioner GPU'er. Denne koordinering garanterer suveræn adgang til efterretningslaget, hvilket giver nye regioner i Asien, Afrika og Mellemøsten en reel exitmulighed fra centraliseret kontrol.
Er decentraliseret AI strukturelt konkurrencedygtig, eller udfylder den kun hullerne i Big Tech?
I dag gør den begge dele. De fleste decentraliserede netværk starter i områder, hvor centraliserede udbydere er dyre, restriktive eller simpelthen uinteresserede. Det er helt normalt. Det bliver dog strukturelt konkurrencepræget, når det skaber en åben standard, der koordinerer global energi, belønner bedre hardware og giver udviklere en troværdig exitstrategi. Den relevante målestok er aldrig markedsværdien af en token. Den afgørende målestok er nyttig AI-beregning, der behandles pr. dag. Decentraliserede systemer behøver ikke, at centraliserede udbydere forsvinder. Internettet eliminerede ikke private netværk, og Bitcoin eliminerede ikke banker. Når udviklere har et levedygtigt alternativ, er de etablerede aktører tvunget til at konkurrere langt mere seriøst på pris, adgang og gennemsigtighed.
Hvorfor ville decentraliseret AI undgå rekonsolidering?
Rekonsolidering er en reel risiko. Decentralisering er ikke en permanent tilstand bare fordi nogen skrev ordet i en hvidbog. AI-beregning har massive stordriftsfordele, hvilket betyder, at større operatører kan forhandle bedre elkontrakter og købe hardware billigere. Et tilladelsesløst netværk kunne nemt konsolideres omkring et par industrielle operatører. Det er netop derfor, Gonka er bygget på beregningsvægtet styring, der sikrer, at indflydelse er forbundet med verificeret beregningsbidrag snarere end simpelt token-ejerskab. Fremtiden for AI-infrastruktur skal styres af de mennesker, der rent faktisk bringer intelligens ind i netværket, ikke af ledig kapital. Målet er ikke at forhindre store operatører i at eksistere. Store operatører er yderst effektive. Men vi skal sikre, at de forbliver operatører inden for en åben protokol snarere end at blive absolutte ejere af selve protokollen.
Ansvarsfraskrivelse
I tråd med den Trust Project retningslinjer, bemærk venligst, at oplysningerne på denne side ikke er beregnet til at være og ikke skal fortolkes som juridiske, skattemæssige, investeringsmæssige, finansielle eller nogen anden form for rådgivning. Det er vigtigt kun at investere, hvad du har råd til at tabe, og at søge uafhængig finansiel rådgivning, hvis du er i tvivl. For yderligere information foreslår vi at henvise til vilkårene og betingelserne samt hjælpe- og supportsiderne fra udstederen eller annoncøren. MetaversePost er forpligtet til nøjagtig, objektiv rapportering, men markedsforholdene kan ændres uden varsel.
Om forfatteren
Alisa, en dedikeret journalist ved MPost, specialiserer sig i krypto, AI, investeringer og det omfattende område af Web3. Med et skarpt øje for nye trends og teknologier leverer hun omfattende dækning for at informere og engagere læserne i det stadigt udviklende landskab af digital finans.
Flere artikler
Alisa, en dedikeret journalist ved MPost, specialiserer sig i krypto, AI, investeringer og det omfattende område af Web3. Med et skarpt øje for nye trends og teknologier leverer hun omfattende dækning for at informere og engagere læserne i det stadigt udviklende landskab af digital finans.
