Pålitelig

AWS og Microsoft datacentertilbakegang avslører blokkjede sin AI-impuls

3 min
Oppdatert av Mohammad Shahid

I korte trekk

  • AWS og Microsoft pauser nye AI-datasenterprosjekter, viser til ineffektivitet i sentraliserte infrastrukturmodeller
  • Den desentraliserte, blokkjede-baserte tilnærmingen (DeFAI) tilbyr større smidighet, skalerbarhet og effektivitet i AI-beregning.
  • Selskaper som Aethir og 0G Labs viser at desentralisert AI kan være både gjennomførbart og lønnsomt, og utfordrer tradisjonelle modeller.

Amazon Web Services (AWS) og Microsoft har trukket seg tilbake fra AI datasenterinvesteringer, noe som antyder problemer med den sentraliserte modellen. Analytikere bruker denne siste utviklingen til å gjenta hvorfor desentralisert blokkjede-basert infrastruktur kan være løsningen.

Kai Wawrzinek, medgründer av Impossible Cloud Network, diskuterte disse truende spørsmålene i et eksklusivt intervju med BeInCrypto.

AI-datasentre møter en vegg

For noen måneder siden virket AI som en av den globale teknologibransjens mest lovende sektorer. Men med selskaper som AWS og Microsoft som annonserer pauser i byggingen av AI datasentre, ser bildet veldig annerledes ut. Hva skjedde? Hvordan ser fremtiden for AI ut? Kai Wawrzinek beskrev situasjonen slik den står i dag:

“Nyheten om at AWS slutter seg til Microsoft i å trekke seg fra nye datasentre når etterspørselen etter AI vokser eksponentielt, er et bevis på den enorme ineffektiviteten denne modellen presenterer for å skalere det globale internett. Microsoft og AWS kan være i ferd med å innse at sentraliserte infrastrukturmodeller rett og slett ikke kan tilpasse seg raskt nok,” hevdet Wawrzinek.

AWS og Microsoft er ikke de eneste selskapene som står overfor disse problemene. Selv om Meta offentlig hevdet at de ville bruke hundrevis av milliarder på AI infrastruktur og datasentre, ba de konkurrenter om finansiering mindre enn tre måneder senere.

Også OpenAI har blitt rammet av de enorme kostnadene ved å drive ChatGPT; Sam Altman innrømmet stilltiende at forskningen deres kanskje aldri vil bli lønnsom.

Wawrzinek ser en klar løsning – forlat den sentraliserte modellen helt og fokuser på DeFAI. Selv om disse bransjelederne har samlet milliarder i capex og banet vei for LLM-utvikling, kan hele strategien være selvødeleggende.

For eksempel, bygging av AI datasentre i USA overvelder elektriske ingeniører med arbeid i en enestående grad. Med så mange fagfolk som fokuserer på selve sentrene, skaper det en flaskehals for kvalifisert arbeidskraft.

Dette skader fornybare energiprosjekter og det elektriske nettet, noe som ironisk nok skader datasentrenes funksjonalitet.

“AI-æraen trenger infrastruktur som kan matche dens hastighet og skala, og desentraliserte systemer er de eneste modellene bygget for den fremtiden. I kontrast løser en desentralisert, markedsdrevet tilnærming dette problemet: kapasitet kan distribueres mer effektivt der og når det trengs uten å vente i årevis på sentraliserte megaprosjekter,” la Wawrzinek til.

Kan DeFAI håndtere utfordringene?

Sammenlignet med den sentraliserte datasentermodellen har DeFAI økt tilgjengeligheten av AI beregningskapasitet. Blokkjede-aktiverte økonomiske insentiver kan akselerere distribusjonshastigheten, forbedre skalerbarheten og optimalisere ressursallokeringen uten massive forhåndskapitaler.

Disse desentraliserte systemene har kort sagt mer smidighet enn sine konkurrenter.

Blokkjede-baserte AI-selskaper har vært i stand til å utnytte betydelig beregningskapasitet uten sentraliserte datasentre. For eksempel har DePIN-selskapet Aethir gjort store fremskritt med sin GPU-som-en-tjeneste-modell.

Andre selskaper som 0G Labs har bevist at desentralisert AI-utvikling ikke bare er teoretisk mulig; det er lønnsomt og nødvendig for økosystemet.

Hvis alt dette virker fjernt eller utopisk, er det viktig å huske AIs “black swan”-hendelse – DeepSeek.

Kinas markedsbevegende genAI-modell beviste for hele verden at AI-selskaper kan lage toppmoderne LLM-er til en brøkdel av maskinvarekostnadene. Så AI-industrien kan trenge å revurdere datasentermodellen helt hvis denne ene utvikleren var så vellykket.

Selv om skeptikere har lurt på om desentralisert AI kan konkurrere med datasentre, er realiteten at sentralisering kan ha sine egne ineffektiviteter.

Så langt har sentraliserte AI-selskaper samlet milliarder i risikokapitalinvesteringer, men deres evne til å innovere møter en vegg. Vi kan trenge en bedre modell for å skape de best mulige resultatene.

“Fremtiden for AI-infrastruktur ligger i åpne, tillatelsesløse nettverk, der tilbud møter etterspørsel dynamisk og globalt, ikke gjennom utdaterte hyperskaleringsmodeller som sliter med å holde tritt,” avsluttet Wawrzinek.

Disclaimer

Alle informatie op onze website wordt te goeder trouw en uitsluitend voor algemene informatiedoeleinden gepubliceerd. Elke actie die de lezer onderneemt op basis van de informatie op onze website is strikt op eigen risico.