本文討論了AI和Web3領域的結合，以IO.NET計畫為例，探討了AI+Web3在商業上的必要性和多元化力算服務的需求性和挑戰。具體分析了IO.NET的商業邏輯、產品機制、團隊背景和融資情況，並根據市銷比和市芯比的角度進行了估值推算，認為IO.NET可能是一個備受關注的項目。文章指出，AI算力將在未來成為新數位時代的基礎設施，而IO.NET作為一個AI算力計畫可能會受到市場的歡迎。
撰文：Alex Xu
引言
在我的上一篇文章中，提到本輪加密貨幣牛市週期與前兩輪週期相比，缺乏足夠的影響力的新商業和新資產敘述。 AI是本輪Web3領域少有的新敘述之一，論文將結合今年的熱門AI計畫IO.NET，試著梳理以下2個問題的思考：
AI+Web3在商業上的必要性多角化力算服務的需求性與挑戰
其次，創辦人將梳理AI算力的代表項目：IO.NET計畫的關鍵訊息，包括產品邏輯、競品情況和計畫背景，並就計畫的估值進行推演。
本文關於AI和Web3結合上文的部分思考，受到了Delphi Digital研究員Michael rinko所寫的《The Real Merge》的啟發。本文的部分觀點存在著文章的消化和引述，推薦讀者閱讀原文。
本文為作者截至發表時的階段性思考，未來可能發生改變，且觀點具有極強的價值，亦可能存在事實、數據、推理邏輯的錯誤，請勿作投資參考，歡迎同業的批評和討論。
以下為正文部分。
1.商業邏輯：AI和Web3的結合點
1.1 2023：AI造就了新的「奇蹟年」
回看人類發展史，一旦科技實現了突破性進展，從個體日常生活，到各個產業格局，再到整個人類文明，都會跟隨發生天翻地覆的變化。
人類歷史上有兩個重要的年份，分別是1666年和1905年，如今它們被稱為科技史上的「奇蹟年」。
1666年作為奇蹟年，是因為牛頓的科學成果在該年中心化得到了地面支撐。這一年，他開拓了光學這個物理分支，創立了微積分這個數學分支，推導出了引力公式這個現代自然科學的基礎這無論哪一項都是未來百年人類科學發展的基礎式貢獻，極大加速了整體科學的發展。
第二個奇蹟年是1905年，彼時26歲的愛因斯坦在《物理學年鑑》上連續發表4篇論文，分別涉及光電效應（為量子力學基礎）、布朗運動（成為分析隨機過程的）重要引用）、狹義相對論和質能方程式（著名公式E=MC^2）。在後世評價中，這四篇論文每一篇都超過諾貝爾物理學獎的平均水平（本人愛因斯坦）也因為光電效應論文獲得了諾貝爾獎），人類文明的歷史進程再一次被大大推進了好幾個月。
而過去的2023年，大機率因為ChatGPT，而又被稱為又一個「奇蹟年」。
我們把2023年看做人類科技史上的一個“奇蹟年”，不僅是因為GPT在自然語言的理解和生成上的巨大進步，更是因為人類從GPT的進化中摸索了大語言模型能力的增長規律——也就是透過擴大模型參數和訓練數據，可以指數級提升模型的能力——而這一進程短期還看不到瓶頸（只要算力夠用的話）。
此能力遠不至於理解語言和生成對話，還能被廣泛地交叉用於各類科技領域，以大語言模型在生物領域的應用為例：
2018年，諾貝爾化學獎得主弗朗西斯·阿諾德在頒獎典禮上才說道：“今天我們在實際應用中可以讀取、寫入和編輯任何DNA序列，但我們還無法通過它創作（撰寫它）。”在他演講的5年後，2023年，來自史丹佛大學和矽谷的AI創業企業Salesforce Research的中斷，在《自然– 生物技術》發表論文，他們透過基於GPT3搞成的大語言模型，從0創造培育出全新的100萬種蛋白質，並尋找到2種結構不同、卻都具有殺菌能力的蛋白質，有希望成為抗生素以外的細菌對抗方案。其次：在AI的幫助下，蛋白質「創造」的瓶頸被突破了。而在國外，人工智慧AlphaFold演算法在18個月內，把地球上幾乎所有的2.14億種蛋白質結構都做了預測，這項成果是過去所有人類結構生物學家工作成果的幾倍。
基於AI的大眾模型的出現，從生物科技、材料科學、藥物研發等硬科技，再到法律、藝術等人文領域，必將迎來令人振奮的翻天覆地的變革，而2023年正是這一切的元年。
我們都知道，近百年來財富上的創造能力正在呈指數級增長，而人工智慧技術的快速成熟，必然會進一步加速人類的這一進程。
全球GDP整體走勢圖，資料來源：世界銀行
1.2 AI與加密的結合
要從本質上理解AI與加密貨幣結合的必要性，可以從兩者互補的特性開始。
AI 和加密貨幣特性的互補
AI有三個屬性：
隨機性：AI具有隨機性，其內容生產的背後是一個難以復現、探查的黑盒，因此結果機制也具有隨機性資源密集：AI是資源密集型產業，需要大量的能源、晶片、算力類人智能：AI（很快將）能夠通過圖靈測試，此後，人機難辨 *
※2023年10月30日，美國加州大學聖迭戈分校的研究小組發布了關於GPT-3.5和GPT-4.0的圖靈測試結果（測試報告）。 GPT4.0成績為41%，距離及格線僅50%相差9%，同項目人體測驗成績為63%。本圖靈測試的意圖為有百分之多少的人認為和他聊天的那個對像是真人。如果超過50%，就表示人群中至少有一半以上的人認為對話對像是人，而不是機器，即透過圖靈測試進行視作。
人工智慧在為人類創造新的跨越式生產力的同時，它的這三個屬性也為人類社會帶來了巨大的挑戰，即：
如何驗證、控制AI的隨機性，讓隨機性成為優勢缺陷如何滿足人工智慧所需的巨大能源和力算缺口如何辨識別人和機器
而加密貨幣和區塊鏈經濟的特性，或許正是解決人工智慧帶來的挑戰的良藥，加密貨幣經濟具有以下3 個特徵：
確定性：業務基於區塊鏈、程式碼和智慧合約運行，規則和邊界清晰，什麼輸入存在什麼結果，高度確定性資源配置：加密貨幣經濟建構了一個龐大的全球自由市場，資源的定價、募集、流轉非常迅速，且由於代幣的存在，可以透過加速激勵市場供需的匹配，加速到達臨界點免信任：本帳公開，程式碼開源，人人可便捷驗證，帶來「去信任（trustless）」的系統，而ZK 技術則避免驗證同時的隱私暴露
接下來透過3個例子來說明AI和加密貨幣經濟的互補性。
範例A：解決隨機性、基於加密貨幣經濟的AI代理
AI代理（AI Agent）負責基於人類意志，替人類執行工作的人工智慧程式（典型專案有Fetch.AI）。假設我們要讓自己的AI代理處理一筆金融交易，例如「買入1,000美元」 AI代理可能面臨兩種情況：
情況一，它要對接傳統金融機構（比如貝萊德），購買BTC ETF，這裡面臨大量的AI代理和中心化機構的改裝問題，比如KYC、審查、登錄、身份驗證等等，目前來說還是非常麻煩。
情況二，它是基於初步加密貨幣經濟運行，情況會變得簡單，它會透過Uniswap一些聚合交易平台，直接用你的帳戶簽署、下單完成交易，接收WBTC（或其他封裝）實際上，這就是大眾交易BOT 在做的事情，他們實際上已經扮演了一個初級的AI 代理的角色，只是工作重點放在交易上面。未來大眾交易BOT隨著AI的安裝與建立，必然能執行更複雜的交易原則。例如：追蹤100個鏈上的聰明錢地址，分析它們的交易策略和成功率，用我地址裡的10%資金在一周內執行類似交易，並在發現效果不佳時停止，並總結失敗的可能原因。
AI在區塊鏈的系統中運作會更加良好，本質上是因為加密貨幣經濟規則的清晰性，以及系統存取的無許可。在限定的規則下執行任務，AI的隨機性帶來的潛在風險也會更小一些。例如AI在棋牌比賽、電子遊戲的表現已經碾壓人類，就是因為棋牌和遊戲是一個規則的封閉沙盒。而AI在自動駕駛上的進展會相對緩慢，因為開放的外部環境的挑戰更大，我們也更難以忍受AI處理問題的隨機性。
範例B：加工資源，透過代幣激勵聚集資源
BTC背後的全球算力網絡，其目前的總算力（算力：576.70 EH/s）超過了任何一個國家的超級電腦的綜合算力。其發展動力來自於簡單、公平的網路激勵。
BTC網路算力走勢，資料來源：https://www.coinwarz.com/
除此之外，包括Mobile在內的DePIN們，也正在嘗試透過代幣刺激供給需兩端的雙向市場，以實現網路效應。本文接下來將重點梳理IO.NET，以便匯聚AI算力設計的平台，希望透過代幣模型，激發出更多的AI算力潛力。
範例C：開源程式碼，引入ZK，保護隱私的情況下分辨人機
OpenAI 創辦人Sam Altman 參與的Web3項目，Worldcoin 透過硬體設備Orb，基於人類的虹膜生物特徵，透過ZK 技術產生唯一且匿名的哈希值，用於驗證身份，區分人和機器。今年3 月初， Web3 藝術計畫Drip 就開始使用Worldcoin 的ID，來驗證真人用戶並發放獎勵。
此外，Worldcoin持續地推出了其開源解決方案Orb的程式碼，就使用者生物特徵的安全和隱私提供保證。
整體來說，加密貨幣經濟由於代碼和密碼學的確定性、無許可和代幣機制帶來的資源流轉和募集優勢，以及基於開源代碼、公開帳本的去信任屬性，已成為人類社會面臨人工智慧挑戰的一個重要的潛在解決方案。
其中，最迫切的熱門人群、商業需求最旺盛的挑戰，就是AI產品在算力資源上的極度飢渴，圍繞著晶片和算力的巨大需求。
這也是本輪專案牛市週期，全方位力算的漲勢冠絕整體AI終點的關鍵。
去中心化計算（Decentralized Compute）的商業需求性
AI需要大量的運算資源，無論是用於訓練模型或進行推理。
而在大語言模型的訓練實踐中，有一個事實已經得到了確認：只要資料參數的規模夠大，大語言模型就能體現出一些以前沒有的能力。每一代GPT的能力相比上一代的指數型躍遷，背後就是模型訓練的計算量的指數級增長。
DeepMind 和史丹佛大學的研究顯示，不同的大語言模型，在面對不同的任務（侵犯、波斯語問答、自然語言理解等）時，只要把模型訓練時的模型參數放大（對應地，訓練）的計算量也加大了），在訓練量達到小於10^22 FLOPs（FLOPs 指每秒浮點磨損量，用於緩慢計算性能）之前，任何任務的表現都和隨機答案給出的是差不多的；而一旦參數規模超過那個規模的臨界值後，任務表現就開始提升，無論哪個語言模型都是這樣。
來源：大型語言模型的湧現能力
來源：大型語言模型的湧現能力
也正是在算力上「大力出奇蹟」的規律和實踐的驗證，讓OpenAI 的創始人Sam Altman 籌集了要募集7 兆美元，建造一個超過目前台積電10 倍規模的先進晶片廠（該部分）預計花費1.5 兆），並用剩餘資金用於晶片的生產和模型。
除了AI模型的訓練算力之外，模型的推理過程本身也需要很大的算力（雖然相比訓練的計算量要小），因此對芯片和算力的渴求成為了AI輸入的參與者的常態。
相對於中心化的人工智慧力提供者如亞馬遜網路服務、Google雲端平台、微軟的Azure等，人工智慧運算的主要價值運算包括：
可訪問性：使用AWS、GCP或Azure等雲端服務取得算力晶片的存取權限通常需要幾週時間，而且流行的GPU型號經常無貨。此外為了獲得算力，消費者往往需要關注這些大公司滿足長期、缺乏彈性的合約。而轉型算力平台可以提供彈性的選擇硬件，具有更強的可訪問性。定價低：是利用閒置晶片，再由於增強網路協定方對晶片和算力供給方的代幣重置，加權網路可能可以提供更高的算力。抗審查：目前尖端算力晶片和供應被大型科技公司所壟斷，加上以美國為代表的政府正在加大對AI算力服務的審查，AI算力能夠被靈活、自由地獲取，逐漸成為顯著性需求，這也是基於web3的算力服務平台的核心價值。
如果說化石能源是工業時代的血液，那麼算力或將是由AI開啟的新數位時代的血液，算力的供應將成為AI時代的基礎設施。正如穩定幣成為法幣在Web3時代的一個茁壯成長的旁支，多元化的算力市場是否會成為快速成長的AI算力市場的一個旁支？
由於這還是一個相當早期的市場，一切還有待觀察。但是以下幾個因素可能對敘述力進行多重計算或是市場採用了刺激作用：
GPU的持續供應緊張。 GPU的持續供應緊張，或許會推動一些開發者轉向嘗試的算力平台。監理拓展。想要從大型的雲力平台獲得AI算力服務，必須經過KYC以及層層審查。這反而可能開始多元化算力平台的採用，尤其是一些受到限制和製裁的算力領域。代幣價格的刺激。牛市週期代幣價格的上漲，將提高平台對GPU募集端的價值吸引力，進一步吸引更多的募集者進入市場，市場規模，降低消費者的實際購買價格。
但同時，全球運算力平台的挑戰也相當明顯：
技術與工程問題
工作驗證問題：深度學習模型的計算，由於結構化的結構，每一層的輸出都作為後面一層的輸入，因此驗證計算的有效性需要在所有工作之前執行，無法簡單有效地進行驗證。為了解決這個問題，全域運算平台需要開發新的演算法或使用近似驗證技術，這些技術可以提供結果正確性的機率保證，而不是絕對的確定性。道具化難題：遍布算力平台匯聚的是長尾的晶片供電，因此單一晶片供電方所能提供的算力比較有限，單一晶片供電方幾乎短時間獨立完成AI模型的訓練或推理任務，因此必須透過玩具化的手段來拆解和分配任務，每週總的完成時間。而玩具化又必然面臨任務如何拆分（尤其是複雜的深度學習任務）、資料需求、設備之間額外的通訊成本等等一系列問題。隱私保護問題：如何保證採購方的資料以及模型不給接收方暴露任務？
監理合規問題
全方位運算平台由於其營收和採購交易市場的無許可性，可以作為賣點吸引到部分客戶。另外則可能隨著人工智慧監管規範的完善，成為整個政府的對象。此外，部分GPU的供應商預計自己出租的資源是否提供給了受制裁的商業或個人。
總的來說，所有計算平台的消費者主要是專業的開發者，或者中小型的機構，與購買加密貨幣和NFT 的加密貨幣投資者不同，此類為用戶協議所能提供的服務的穩定性、持續性有較高的要求，價格不一定是他們決策的主要動機。目前來看，所有計算平台他們要獲得此類用戶的認可，仍然有相當多的路要走。
接下來，我們對一個本輪週期的新周期算力項目IO.NET進行項目資訊的整理和分析，並基於目前市場上同模擬的AI項目和周期計算項目，測算其上市後可能的估值水平。
2.多元AI算力平台：IO.NET
2.1項目定位
IO.NET是一個去中心化的運算網絡，其建構了一個圍繞晶片的雙向市場，增加端是分佈在全球的晶片（GPU為主，也有CPU以及蘋果的iGPU等）運算力，希望端是完成AI模型訓練或推理任務的人工智慧工程師。
在IO.NET 的官網上，它是這樣寫的：
我們的任務
將100 萬個GPU 組合到DePIN（去中心化實體基礎設施網路）。
其使命是將百萬級的GPU 整合到其DePIN 網路中。
與現有的雲端AI算力服務商相比，其外部強調的主要賣點在於：
彈性組合：AI工程師可以自由挑選、組合自己所需的晶片來組成“集群”，來完成自己的計算任務部署迅速：消耗數週的雅典和等待（目前AWS等中心化廠商的情況），在幾十秒內就可以完成部署，開始任務服務價格：服務成本比主流廠商低90%
另外，IO.NET未來也計畫上線AI模型商店等服務。
2.2 產品機制和業務數據
產品機制及使用體驗
與亞馬遜雲端、Google雲端、阿里雲一樣，IO.NET提供的運算服務稱為IO Cloud。 IO Cloud是一個多元化的、去中心化的晶片網絡，能夠運行基於Python的機器學習程式碼，運行AI和機器學習程式。
IO Cloud的基本業務模組稱為集群（Clusters），集群是一個可以自我協調完成運算任務的GPU集群，人工智慧工程師可以根據自己的需求來自訂想要的集群。
IO.NET 的產品介面的使用者介面度非常高，如果你要部署屬於自己的晶片集群，來完成AI 運算任務，在進入它的集群（集群）產品頁面後，就開始配置你要的晶片供應。
頁面資訊：https://cloud.io.net/cloud/clusters/create-cluster，下同
你首先需要選擇自己的任務場景，目前有三種類型的供給選擇：
通用型（通用型）：提供了一個較通用的環境，適合早期不確定特定資源需求的專案階段。 Train（訓練型）：專為機器學習模型的訓練和配置而設計的負載。此選項可提供更多的GPU資源、更高的記憶體容量和/或更快的網路連接，以便於處理這些高強度的運算任務。 Inference（推理型）：專為低延遲推理和重負載工作設計的負載。在機器學習的脈絡中，推理指的是使用訓練好的模型來進行預測或分析新數據，並提供回饋。因此，這個選項將專注於優化延遲和吞吐量，以便支援即時或近實時的資料處理需求。
然後，你需要選擇晶片集群的供應方，目前IO.NET 與Render Network 以及Filecoin 的礦工網路達成了合作，因此用戶可以選擇IO.NET 或另外兩個網路的晶片來作為自己計算集群的供應方，實際上IO.NET 扮演了一個聚合器的角色（但截至作者撰文時，Filecon 服務暫時下線）。值得一提的是，根據頁面顯示，目前IO.NET 在線上可用GPU 數量為20 萬+，而Render Network的可用GPU數量為3700+。
接下來就進入了負載的晶片硬體選擇階段，目前IO.NET 上市選擇的硬體類型只有GPU，不包括CPU 或蘋果的iGPU（M1、M2 等），而GPU 也主要以英偉達的產品為主。
在官方首發、且可用的GPU硬體選項中，根據筆者測試的當日數據，IO.NET網路總在線的可用數量的GPU數量為206001張。其中可用數量最多的是GeForce RTX 4090（45250張），其次是GeForce RTX 3090 Ti（30779張）。
另外，在處理AI 運算任務如機器學習、深度學習、科學運算上更有效率的A100-SXM4-80GB 晶片（市價15000$+），線上數量有7965 張。
英偉達從硬體設計開始就專為AI而生的H100 80GB HBM3顯示卡（市價40000$+），其訓練性能是A100的3.3倍，推理性能是A100的4.5倍，實際而在線數量為86張。
在選定叢集的硬體類型後，使用者還需要選擇叢集的地區、通訊速度、租用的GPU數量和時間等參數。
最後，IO.NET 根據綜合的選擇，將為您提供一份文檔，以文獻的群集配置為例：
通用（General）任務場景16 張A100-SXM4-80GB 晶片最高連接速度（Ultra High Speed） 斷層美國租用時間為1週
總帳單價格為3311.6$，單張卡的時租單價為1.232$
而A100-SXM4-80GB 在亞馬遜雲端、Google雲端和微軟Azure 的單卡時租賃價格分別為5.12$、5.07$和3.67$（資料來源：https://cloud-gpus.com/，實際價格會根據合約細節條款產生變化）。
因此僅就價格而言，IO.NET的晶片算力確實比主流廠商便宜不少，且融資的組合與採購也非常有彈性，操作也很容易上手。
業務狀況
供給端情況
今年4月4日，根據官方數據，IO.NET在供應端的GPU總負載為371027張，CPU負載為42321張。此外，渲染網路作為其合作夥伴，還有9997張GPU和776張CPU接入了網路的供給。
資料來源：https://cloud.io.net/explorer/home，下同
文章撰文時，IO.NET接入的GPU概覽中的214387在線狀態，在線率達到了57.8%。來自渲染網路的GPU的在線率則為45.1%。
以上供應端的數據意味著什麼？
為了進行對比，我們再引入另一個上線時間更久的老牌多個計算項目Akash Network 來進行對比。
Akash Network 早在2020 年就上線了主網，最初主要專注於CPU 和儲存的分佈服務。 2023 年6 月，推出了GPU 服務的測試網，並於同年9 月上線了GPU 分佈算力的主網。
資料來源：https://stats.akash.network/provider-graph/graphics-gpu
根據Akash 官方數據，其GPU 網路推出以來，供應端雖然成長，但截至目前為止持續持續GPU 總接取數量365 張。
從GPU 的供應量來看，IO.NET 或Akash Network 高成長了好幾個數量級，已經是全球GPU 算力相當於最大的供應網絡。
需求端情況
從需求端來看，IO.NET仍是一個市場培養的早期階段，目前實際使用IO.NET來執行計算任務的首要任務。大部分線上GPU的任務負載量為0%，而只有A100 PCIe 80GB K8S、RTX A6000 K8S、RTX A4000 K8S、H100 80GB HBM3 四款晶片正在處理任務。且除A100 PCIe 80GB K8S 之外，其他三款晶片的負載量均低於20%。
而官方當天揭露的網路壓力為0%，代表大部分晶片供應都處於線上狀態。
而在網路費用規模上，IO.NET已經產生了586029$的服務費用，近一日的費用為3200$。
資料來源：https://cloud.io.net/explorer/clusters
以上網路結算費用的規模，無論是總體或每日交易量，均與Akash 達到同一個數量級，不過Akash 的大部分網路收入來自於CPU 的部分，Akash 的CPU 供應量有2 萬多張。
資料來源：https://stats.akash.network/
另外，IO.NET也揭露了網路處理的AI推理任務的業務數據，截至目前已處理和驗證的推理任務數量超過23萬個，而這部分業務量大部分都產生於IO.NET所贊助的項目BC8.AI。
資料來源：https://cloud.io.net/explorer/inferences
從目前的業務數據來看，IO.NET的晶片端擴展順利，在空投預期和代號「點火」的社群活動刺激下，使其迅速匯聚起大量的AI晶片力算。而其在端的需求擴大仍是早期階段，有機需求體驗目前仍不足。至於目前需求端的不足，是由於消費端的拓展股票開始，還是由於目前的服務尚不穩定，因此需求大規模的需求，這仍需要評估。
考慮到AI計算力的落差短期內較難完成，有大量的AI工程師和專案在尋求替代方案，可能會去中心化的服務商產生興趣，加上IO.NET目前尚未開展針對需求端的經濟和活動刺激，以及產品體驗的逐步提升，後續供需下游的逐步匹配仍然是值得期待的。
2.3 團隊背景與融資狀況
團隊狀況
IO.NET的核心團隊成立之初的業務是量化交易，在2022年6月之前，他們一直專注於為股票和加密貨幣資產開發機構級的量化交易系統。由此系統涉及運算能力的需求，團隊開始探索去中心化運算的可能性，並最終將目光中心化到了降低GPU算力服務的成本這個具體問題上。
創辦人兼執行長：艾哈邁德·沙迪德
Ahmad Shadid 在IO.NET 之前一直從事量化和金融工程相關的工作，同時也是以太坊基金的志工。
CMO&首席策略長：Garrison Yang
Garrison Yang今年3月才正式加入IO.NET，他是Avalanche的策略與成長副總裁，從加州大學聖塔芭芭拉分校畢業。
營運長：托里·格林
Tory Green 是io.net 營運官，英國是Hum Capital 營運長、Fox Mobile Group 企業發展與策略指導，畢業於史丹佛。
從IO.NET 的Linkedin 資訊來看，團隊總部位於美國紐約，在舊金山有分公司，目前團隊人員規模在50 人以上。
融資狀況
IO.NET 目前僅披露了驚人的融資，即今年3 月完成的A 輪估值10 億美元融資，共募集了3000 萬美元，由被黑VC LinkedIn 投資，其他參投方包括Multicoin Capital、Delphi Digital 、Foresight Ventures、Animoca Brands、Continue Capital、Solana Ventures、Aptos、LongHash Ventures、OKX Ventures、Amber Group、SevenX Ventures 和ArkStream Capital 等。
值得一說的是，可能是因為收到了Aptos 基金會的投資，知道在Solana 上進行結算記的BC8.AI項目，已經轉換到了同樣的高性能L1 Aptos 上進行。
2.4 估值推算
根據創辦人兼執行長Ahmad Shadid 的說法，IO.NET 將在4 月底推出代幣。
IO.NET 有兩個可以作為估值參考的項目：Render Network 和Akash Network，它們都是典型的循環計算項目。
我們可以用兩種方式推演IO.NET 的市值區間：1.市銷比，即：市值/ 收入比；2.市值/ 網路晶片數比。
先來看以市銷比為基礎的估值推演：
從市銷比的角度來看，Akash 可以作為IO.NET 的估值區間的下限，而Render 則作為估值的高位定價參考，其FDV 區間約16.7 億~59.3 億。
但考慮到IO.NET專案更新，敘述更熱，加上早期流通市值較小，以及目前較大的供應端規模，其FDV 超過渲染的可能性並不小。
再看另一個對比估值的角度，即「市芯比」。
在AI算力求最大供給的市場背景下，整體AI算力網絡最重要的要素是GPU供應端的規模，因此我們可以以「市芯比」來橫向對比，用「專案總市值與網內晶片的算力」數量之比》，來推演IO.NET可能的估值區間，供讀者一個市值參考。
若以市芯比來算推IO.NET 的市值區間，IO.NET 以Render Network 的市芯比為上限，以Akash Network 為下限，其FDV 區間為206 億~1975 億左右。
相信再看好的IO.NET專案讀者，都會認為這是一個樂觀極大的市值推算。
而且我們需要考慮到，目前IO.NET如此龐大的晶片在線數，受到了空投預期以及刺激活動的刺激，在項目正式上線後其供應端的實際在線數仍需觀察。
因此整體來說，從市銷比的角度進行估價計算可能更具參考性。
IO.NET作為一個承載了AI+DePIN+Solana生態三重光環的項目，其上線後的市值表現究竟如何，讓我們拭目以待。
參考資訊
Dephi Digital：真正的合併
Galaxy：理解加密貨幣與人工智慧的交叉點
資訊來源：0x資訊編譯自網際網路。版權歸作者Mint Ventures所有，未經許可，不得轉載