io.net是一个去中心化AI计算网络，支持在Solana区块链上开发、执行和扩展机器学习应用程序，它聚合来自未充分利用的资源（例如独立数据中心、加密矿工以及 Filecoin、Render 等加密项目）的GPU来解决这个问题。
io.net的主要卖点有：
- 弹性组合：AI工程师可以自由挑选、组合自己所需要的芯片来组成“集群”，来完成自己的计算任务
- 快速部署：无需数周的审批和等待（目前AWS等中心化厂商的情况），在几十秒内就可以完成部署，开始任务
- 低价：服务的成本比主流厂商低90%
io.net提供了算力服务io cloud，需求方可以根据需求来定义自己想要的GPU群组，来完成AI计算任务。
ion.net根据不同算力任务，把需求场景划分为三类：General、Train、Inference。这把GPU的性能，比如内存、带宽等做了划分，方便了用户选择。
io.net提供了IO Worker产品，可以简化和优化供应方的操作，包括用户帐户管理、实时活动监控、温度和功耗跟踪、安装支持、钱包管理、安全性和盈利能力分析。
总供应量为 8 亿，在TGE时将拥有 5 亿枚IO的初始供应量，分为五个类别：种子投资者、A 轮投资者、核心贡献者、研发与生态系统以及社区。
随着$IO的发行以激励网络增长和采用，将在 20 年内增长至 8 亿枚的固定最大供应量。
奖励将在 20 年内每小时释放给供应商及质押者。奖励采用通缩模型，从第一年的 8% 开始，每月减少 1.02%（每年约 12%），直到达到 8 亿枚IO的上限。
除了$IO代币的发行，项目还采取双代币机制。计划推出与美元挂钩的 IOSD 代币，IOSD 是通过燃烧 IO 币生成的。
- 供给端扩张迅速
- 硬件方面，截至5月20日，根据官方数据，IO.NET在供应端的GPU总供给为28889张，CPU供给为6605张。此外，Render Network作为其合作伙伴，还有1152张GPU和27张CPU接入了网络的供给。Fileoin有1024张GPU。可用量最多的是GeForce RTX 4090。活跃的硬件上线率达到42%左右。
- 需求端表现不尽人意。
- IO.NET依旧处于市场培育的早期阶段，目前实际使用IO.NET来执行计算任务的总量不多。大部分在线的GPU的任务负载量为0%，只有A100 PCIe 80GB K8S、RTX A6000 K8S、RTX A4000 K8S、H100 80GB HBM3四款芯片有在处理任务。且除了A100 PCIe 80GB K8S之外，其他三款芯片的负载量均不到20%。
- 网络处理AI推理任务的业务数据，截止5月20日，已经处理和验证的任务数量超过31.9万个，不过这部分业务量大部分都产生于IO.NET所赞助的项目BC8.AI。
- 在网络费用规模上，io.net已经产生了$1,024,107的费用，近一日的费用为$624。
- 价格费用优势：io.net的价格是A100($0.89/小时)、522 RTX 3090($0.38/小时)、301 RTX3080($0.23/小时)、8426 RTX A6000($0.75/小时)，A4000K8S（0.23 美元/小时）。以A100为例，比谷歌云便宜82.45% ，比亚马逊AWS便宜82.62%。
核心团队在成立之初的业务为量化交易，2022年6月之后转为去中心化计算。团队总部位于美国纽约，规模为50人以上。创始人Ahmad Shadid在IO.NET之前一直从事量化和金融工程相关的工作，同时还是以太坊基金的志愿者。
项目最新估值达到10亿美金，项目获得了solana官方，rndr，fil官方的支持，A轮融资由 Hack VC 领投，@multicoincap、6th Man Ventures、M13、Delphi Digital、Solana Labs、Aptos Labs等参投。
- 可访问性：使用 AWS、GCP 或 Azure 等云服务获取算力芯片的访问权限通常需要几周时间，而且流行的 GPU 型号经常无货。此外为了拿到算力，消费者往往需要跟这些大公司签订长期、缺少弹性的合同。而分布式算力平台可以提供弹性的硬件选择，有更强的可访问性。
- 定价低：由于利用的是闲置芯片，再叠加网络协议方对芯片和算力供给方的代币补贴，分布式算力网络可能可以提供更为低廉的算力。
- 抗审查：目前尖端算力芯片和供应被大型科技公司所垄断，加上以美国为代表的政府正在加大对AI算力服务的审查，AI算力能够被分布式、弹性、自由地获取，逐渐成为一个显性需求。
- 消费者大都为专业开发者，或是中小型机构。这类用户对于协议所能提供的服务的稳定性、持续性有更高的要求。
- 技术难点：
- 工作验证问题：深度学习模型的计算，由于层级化的结构，每层的输出都作为后一层的输入，因此验证计算的有效性需要执行之前的所有工作，无法简单有效地进行验证。为了解决这个问题，分布式计算平台需要开发新的算法或使用近似验证技术，这些技术可以提供结果正确性的概率保证，而不是绝对的确定性。
- 并行化难题：分布式算力平台汇聚的是长尾的芯片供给，也就注定了单个设备所能提供的算力比较有限，单个芯片供给方几乎短时间独立完成AI模型的训练或推理任务，所以必须通过并行化的手段来拆解和分配任务，缩短总的完成时间。而并行化又必然面临任务如何分解（尤其是复杂的深度学习任务）、数据依赖性、设备之间额外的通信成本等一系列问题。
- 隐私保护问题：如何保证采购方的数据以及模型不暴露给任务的接收方
- 算力需求如何破圈：
虽然Depin项目可以利用代币来快速激励供应端，实现扩张，但crypto+AI的算力需求端仍然表现不足。
- 一是由于消费端的拓展还未开始，大部分项目还处于早期阶段，服务体验尚且不稳定，因此缺少大规模的采用；
- 二是AI领域主要由大公司把持，中小型机构还未真正认可分布式算力提供的服务。
- 监管合规问题：
分布式计算平台由于其供给和采购双边市场的无许可性，一方面可以作为卖点吸引到部分客户。另一方面则可能随着AI监管规范的完善，成为政府整顿的对象。此外，部分GPU的供应商也会担心自己出租的算力资源，是否被提供给了被制裁的商业或个人。
- 为算力供需方提供了很好的服务工具：包括IO Cloud、IO Worker和IO Explorer。
- 核心技术：IO-SDK多层架构。解决了分布式算力任务并行运行的问题。与关键的 ML 框架配合良好，使 Io.net 能够灵活高效地满足各种计算需求。
- 隐私保护：利用反向隧道技术和网状VPN架构。反向隧道技术使工程师能够绕过防火墙和 NAT 进行远程访问，而无需进行复杂的配置。同时确保通信受到保护，维护数据隐私。网状VPN架构可以对节点故障具有鲁棒性、可扩展性、减少延迟以及更好的流量分配。
在 Web3 领域，已经有许多计算市场，其中著名的包括Akash、Render、Nosana、Clore.ai、Golem、Inferx、Kuzco、Aioz、Fluence Labs和GPU.NET等。
- 这些项目在服务内容的细分市场上有所不同。比如Akash是点对点云服务市场，为用户提供 GPU 部署、租赁以及 AI 模型训练等服务。Render是去中心化 GPU 的渲染解决方案提供商。
- 从项目公开数据分析，Akash和Clore.ai在供应端上有很好的表现。其中Akash的GPU数量达到382张，CPU数量达到20.89K，CPU租用率：33%，GPU租用率：26%Clore.ai的GPU数量达到19590张，租用率71%。
- 从网络费用上看，Akash的24h费用（$2.73K）与io.net相差不大。
- 大部分项目都属于早期阶段和测试网阶段，与io.net的实力还有一段距离。但这些新项目发展迅速，需要持续关注。比如Kuzco的在线工作节点达到1400个，单卡使用率达到90%。
- 分布式算力/算力平台叙事被看好的主要原因有4点：（1）分布式AI计算有区别于中心化算力的优势，包括更强的可访问性，提供算力的定价更低；（2）现实原因，包括GPU供需紧张，监管扩张；（3）项目代币价格刺激，尤其在牛市行情下；（4）普通用户参与门槛降低，AI红利不仅仅是大公司和机构独享。
- 分布式算力主要面临三大难点：技术、需求和监管。技术方面的难点有工作验证问题、并行化问题和隐私保护问题。
- io.net收到持续热捧，被称为下一个filecoin，是因为其叠加solana生态+ai+depin 三大24年牛市爆发概念。从技术上看，为解决分布式算力的技术难点问题，推出了其核心技术IO-SDK的分层架构，以及解决安全连接和数据隐私问题的反向隧道技术和网状VPN架构。在产品上，它为算力供需端提供了丰富的服务产品，包括IO Cloud、IO Worker和IO Explorer。
- 在实际应用方面，io.net要优于其他分布式算力平台：（1）无论是拥有的芯片硬件数量和在线率都远超其他网络，io.net已经是分布式GPU算力赛道最大的供应网络。（2）执行计算任务的总量不大，大部分芯片处于在线待机状态，这是分布式算力平台的通病。
- 随着计算资源的稀缺，Io.net 的目标是降低租用 GPU/CPU 能力的成本，这对于 AI 和 ML 可扩展性至关重要。对计算能力的需求激增，但供应却没有跟上，这表明类似io.net这样的分布式算力项目将会有很大的前景。
- io.net负面影响因素有：（1）算力平台竞争的激烈化，项目种类多，且服务内容有部分重叠；（2）大规模创建和管理去中心化集群的复杂性涉及重大的技术挑战；（3）需求端仍然不足，广泛采用仍处于早期阶段。人工智能初创公司、开发商和 GPU 供应商的采用速度低于预期可能会限制增长；（4）监管风险；（5）双代币机制带来的复杂性。
所有评论