IOSG: از ذخیره‌سازی داغ تا حافظه سرد، ذخیره‌سازی غیرمتمرکز در میان رونق ذخیره‌سازی عصر هوش مصنوعی

عنوان اصلی: "IOSG｜از ذخیره‌سازی داغ تا حافظه سرد: ذخیره‌سازی غیرمتمرکز در میان رونق ذخیره‌سازی عصر هوش مصنوعی"
نویسنده اصلی: جیکوب ژائو، IOSG Ventures

به تازگی، Changxin Storage، که به عنوان "اولین سهام ذخیره‌سازی داخلی" شناخته می‌شود، به طور رسمی در ChiNext قرار گرفت و با افزایش شگفت‌انگیز 500% منفجر شد. اگرچه بخش ذخیره‌سازی به طور کلی هنوز تحت تأثیر اصلاحات اخیر بازار قرار دارد، ذخیره‌سازی هوش مصنوعی در موج فعلی روایت‌های فناوری به شدت توسط سرمایه‌ها مورد ارزیابی مجدد قرار گرفته است. در همین حال، ذخیره‌سازی غیرمتمرکز در فضای Web3 به یک دوره طولانی سکوت و از دست دادن افتاده است. چرا بازار چنین تضاد شدیدی را نشان می‌دهد با وجود اینکه هر دو به عنوان "ذخیره‌سازی" برچسب‌گذاری شده‌اند؟ پاسخ بنیادی در انحراف کامل عملکردهای ارزش زیرین نهفته است.

ارزیابی مجدد ذخیره‌سازی در عصر هوش مصنوعی اساساً جشن "کارایی داده‌های داغ" است که هدف آن حداکثر کردن استفاده محاسباتی و تجاری‌سازی است؛ در حالی که ذخیره‌سازی غیرمتمرکز به پیشنهاد ارزش "اعتماد به داده‌های سرد" پایبند است و از انصاف داده‌ها، مقاومت در برابر سانسور و حافظه بلندمدت تمدن بشری دفاع می‌کند. اولی یک سیستم کارایی برای داده‌های داغ است، در حالی که دومی یک سیستم اعتماد برای داده‌های سرد است. بازار سرمایه فعلی بدون شک به طور قاطع در کنار "کارایی" ایستاده است، اما تمدن بشری در نهایت هنوز به یک پایه حافظه غیرقابل تغییر نیاز دارد. ارزش بلندمدت ذخیره‌سازی سرد قابل اعتماد هرگز ناپدید نشده است؛ بلکه فقط در سمت تاریک چرخه‌ها خوابیده است و منتظر است تا توسط زمان دوباره قیمت‌گذاری شود.

چرا ذخیره‌سازی دوباره به عنوان کانون زنجیره صنعت هوش مصنوعی ظاهر شده است

در عصر IT سنتی، ذخیره‌سازی یک "کسب‌وکار ظرفیت" بود. CIOها بر هزینه‌های ظرفیت واحد، قابلیت اطمینان هارد دیسک، برنامه‌های بازیابی از فاجعه، استراتژی‌های بایگانی و دوره‌های به‌روزرسانی تجهیزات که 3 تا 5 سال به طول می‌انجامید، تمرکز داشتند. ذخیره‌سازی به عنوان یک لوازم جانبی پس از خرید سرورها در نظر گرفته می‌شد.

این دور از رونق ذخیره‌سازی نه احیای چرخه‌های سنتی بلکه قیمت‌گذاری مجدد قابلیت‌های جریان داده است که توسط هوش مصنوعی هدایت می‌شود. در عصر مدل‌های بزرگ، منطق ذخیره‌سازی از "ظرفیت اول" به "کارایی اول" تغییر یافته است و بر معیارهای افراطی مانند نرخ تغذیه GPU، نوشتن Checkpoint و تأخیر فوق‌العاده کم RAG تمرکز دارد. این نشان‌دهنده یک جهش در ارزش ذخیره‌سازی از "محل نهایی داده‌ها" به "کانال پرسرعت برای ورود داده‌ها به محاسبات" است.

تکامل گلوگاه‌های منابع در زیرساخت هوش مصنوعی اساساً یک نبرد برای پر کردن "اثر بشکه" است. نرخ واقعی استفاده از قدرت محاسباتی یک افزودن خطی از دارایی‌های منفرد نیست بلکه یک اثر ضربی سخت است: نرخ واقعی استفاده از محاسبات = GPU × HBM × DRAM × SSD × شبکه × سیستم فایل. هر نقصی در یک لینک منجر به فروپاشی کلی استفاده از محاسبات خواهد شد. در عصر هوش مصنوعی، ذخیره‌سازی برای اولین بار از یک "مرکز هزینه" به یک "موتور کارایی" تبدیل شده است. این منطق بنیادی پشت قیمت‌گذاری مجدد ذخیره‌سازی است.

مروری بر معماری ذخیره‌سازی هوش مصنوعی: از ارگان‌های پهنای باند HBM تا بنیادهای دریاچه داده

ذخیره‌سازی هوش مصنوعی تنها یک توده از سخت‌افزارهای منفرد نیست بلکه یک سیستم پیچیده با برنامه‌ریزی سلسله‌مراتبی و به شدت جفت شده است. در این سیستم، ارزش صنعتی و تمرکز سرمایه به شدت بر روی HBM، SSDهای سطح سازمانی، کنترل‌کننده‌های SSD، پروتکل‌های NVMe/CXL و سیستم‌های ذخیره‌سازی با عملکرد بالا متمرکز است. برای تجزیه و تحلیل واضح جریان ارزش آن، معماری ذخیره‌سازی هوش مصنوعی را به چهار سطح اصلی از بالا به پایین دسته‌بندی می‌کنیم:

· لایه حافظه نزدیک به محاسبات (هسته پهنای باند): تحت سلطه HBM، با DRAM و فناوری تجمیع حافظه CXL تکمیل شده است. این لایه به طور مستقیم با بسته‌بندی GPU/CPU یا باس‌ها ارتباط دارد و هدف آن شکستن "دیوار حافظه" است و اولین نقطه بازرسی است که تعیین می‌کند آیا قدرت محاسباتی می‌تواند به طور کامل آزاد شود یا خیر.

· لایه ذخیره‌سازی پایدار با سرعت بالا (مرکز IO): منطق اصلی آن SSDهای سطح سازمانی = چیپ‌های NAND + کنترل‌کننده‌های SSD + مسیرهای داده NVMe/PCIe است. این لایه نوشتن‌های Checkpoint با فرکانس بالا، بارهای مجموعه آموزشی عظیم و کشینگ داده‌های داغ RAG را بر عهده دارد و به عنوان واضح‌ترین افزایش ذخیره‌سازی پایدار برای مراکز داده هوش مصنوعی عمل می‌کند.

· لایه ذخیره‌سازی با ظرفیت بالا و هزینه کم (بنیاد ظرفیت): متشکل از HDDها، ذخیره‌سازی سرد و سیستم‌های بایگانی دریاچه داده. در مواجهه با داده‌های خام چندرسانه‌ای که به طور نمایی در حال گسترش هستند، سوابق تاریخی و پشتیبان‌های انطباق، این لایه هنوز یک مزیت TCO (هزینه کل مالکیت) غیرقابل جایگزین را ارائه می‌دهد.

· سیستم‌های ذخیره‌سازی هوش مصنوعی و نرم‌افزار داده (مغز برنامه‌ریزی): شامل سیستم‌های فایل موازی با عملکرد بالا، ذخیره‌سازی شی توزیع‌شده، پایگاه‌های داده برداری و لایه‌های حاکمیت داده RAG است. آنچه هوش مصنوعی واقعاً مصرف می‌کند، نه سخت‌افزار خالی، بلکه در دسترس بودن داده‌ها است که به طور کارآمد سازماندهی، فهرست‌گذاری و مجاز شده است.

· به عنوان یک گسترش اکولوژیکی، ذخیره‌سازی غیرمتمرکز به طور مستقیم در مسابقه سطح میلی‌ثانیه داده‌های داغ هوش مصنوعی شرکت نمی‌کند بلکه بر روی تأیید مجموعه‌های داده عمومی، منشأ داده‌های آموزشی هوش مصنوعی و بایگانی حافظه سرد بلندمدت تمرکز می‌کند و جایگاه اکولوژیکی منحصر به فرد خود را به عنوان "لایه سرد قابل اعتماد" ایجاد می‌کند.

HBM: "ارگان پهنای باند" نزدیک‌ترین به قدرت محاسباتی در زنجیره ذخیره‌سازی هوش مصنوعی

حافظه با پهنای باند بالا (HBM) ذخیره‌سازی سنتی نیست بلکه یک لایه حافظه با پهنای باند بالا نزدیک به GPU است. مأموریت اصلی آن ذخیره‌سازی داده‌ها نیست بلکه به طور مداوم "تغذیه" داده‌ها به قدرت محاسباتی با پهنای باند بسیار بالا است. HBM نزدیک‌ترین و قابل پیش‌بینی‌ترین لینک در زنجیره ذخیره‌سازی هوش مصنوعی است که به طور مستقیم تعیین می‌کند آیا GPU می‌تواند به طور کافی "تغذیه" شود یا خیر و به همین دلیل، گلوگاه فعلی زنجیره تأمین اصلی است.

معماری اصلی HBM "چیدمان 3D DRAM + بسته‌بندی پیشرفته 2.5D" است: از طریق چیدمان عمودی TSV و ادغام ناهمگن CoWoS، فاصله ذخیره‌سازی-محاسبات را به شدت فشرده می‌کند و منجر به یک جهش نسل در پهنای باند می‌شود. موانع صنعتی آن تنها طراحی DRAM نیست بلکه همچنین مهندسی سیستم فرآیندهای تولید DRAM، TSV، چیدمان فوق‌العاده نازک، بسته‌بندی، دفع حرارت، آزمایش و تأیید مشتری است. هر نقصی در بازده در هر لینک منجر به دور ریختن کل چیدمان HBM خواهد شد.

در حال حاضر، تنها SK Hynix، سامسونگ و میکرون می‌توانند به طور پایدار تولید انبوه کنند و یک دژ سه‌گانه از فرآیندهای تولید DRAM سطح بالا، قابلیت‌های بسته‌بندی و تأیید مشتری NVIDIA/AMD را ایجاد کرده‌اند.

DRAM و CXL: بنیاد حافظه سیستم و موتور تجمیع حافظه

HBM به پهنای باند فوق‌العاده نزدیک به GPU می‌پردازد، DRAM بنیاد حافظه سیستم سرور را تقویت می‌کند و CXL سعی در شکستن مرزهای فیزیکی برای بازسازی سازمان منابع حافظه در مراکز داده دارد.

· DRAM: عمدتاً کش‌های سمت CPU، پیش‌پردازش داده‌ها، ذخیره‌سازی حالت‌های میانی و عملیات سیستم را حمل می‌کند و به عنوان پایه‌ترین لایه حافظه سیستم برای سرورها عمل می‌کند. بازار جهانی DRAM به شدت در دست سه غول SK Hynix، سامسونگ و میکرون متمرکز است؛ Changxin Storage (CXMT) یک متغیر اصلی در جایگزینی داخلی DRAM چین است.

· CXL (Compute Express Link): یک پروتکل ارتباطی همگام‌سازی کش نسل بعدی برای مراکز داده است که به دنبال شکستن محدودیت‌های شکاف‌های DIMM سنتی، ظرفیت حافظه محلی و جزایر منابع حافظه سرور است و به ترویج تکامل معماری حافظه به سمت گسترش، تجمیع و اشتراک کمک می‌کند. در حال حاضر، CXL هنوز در مراحل اولیه انتقال از پشتیبانی پلتفرم به استقرار در مقیاس بزرگ است و دارای ارزش معماری بالا در میان‌مدت تا بلندمدت است؛ شرکت‌های اصلی شامل Astera Labs و Lanqi Technology هستند.

SSDهای سطح سازمانی: هاب داده‌ای ساخته شده از NAND، کنترل‌کننده‌ها و NVMe

SSDهای سطح سازمانی مهم‌ترین افزایش پایدار با سرعت بالا برای مراکز داده هوش مصنوعی هستند که به طور مداوم داده‌ها را با سرعت بسیار بالا، تأخیر کم و QoS پایدار به GPUها "تغذیه" می‌کنند و در تمام چرخه عمر بارگذاری داده‌های آموزشی، نوشتن Checkpoint، بازیابی RAG، کشینگ استنتاج و بازگشت سوابق گسترش می‌یابند.

در معماری ذخیره‌سازی هوش مصنوعی، SSDها سخت‌افزارهای ایزوله نیستند بلکه یک سیستم به شدت جفت شده هستند که می‌توان آن را به فرمول صنعتی تقطیر کرد: SSDهای سطح سازمانی = چیپ‌های NAND + کنترل‌کننده‌های SSD + مسیرهای داده NVMe/PCIe. این سه لایه نمایانگر لینک‌های مستقل در زنجیره صنعتی هستند:

· چیپ‌های NAND (لایه ماده خام): چگالی ذخیره‌سازی و هزینه واحد را تعیین می‌کنند، در حالی که کنترل‌کننده‌ها مدیریت آزادسازی عملکرد و عمر را بر عهده دارند. شرکت‌های نماینده شامل سامسونگ، SK Hynix (Solidigm)، میکرون، Kioxia، Western Digital و فناوری‌های حافظه یانگ‌تسه هستند.

· کنترل‌کننده‌های SSD (لایه توانمندسازی عملکرد): آزادسازی عملکرد، تصحیح خطای داده، ثبات QoS و تراز سطح را تعیین می‌کنند. شرکت‌های نماینده شامل Phison، Silicon Motion، Marvell و Maxio هستند.

· NVMe/PCIe (لایه مسیر داده): کارایی انتقال داده از ذخیره‌سازی به محاسبات را تعیین می‌کند. با ترکیب با فناوری GPUDirect Storage، باعث کاهش بافر پرش حافظه CPU و دخالت CPU می‌شود و به طور قابل توجهی گلوگاه‌های I/O را کاهش می‌دهد. شرکت‌های نماینده شامل Broadcom، Marvell و Astera Labs هستند.

HDD / ذخیره‌سازی سرد / بایگانی: بنیاد کم‌هزینه دریاچه‌های داده هوش مصنوعی

هوش مصنوعی HDDها را حذف نخواهد کرد. با افزایش تقاضا برای داده‌های ویدئویی و تصویری از مدل‌های بزرگ چندرسانه‌ای، همچنین رشد نمایی سوابق انطباق شرکتی و مجموعه‌های تاریخی، نیاز به ذخیره‌سازی داده‌های سرد کم‌هزینه به طور همزمان در حال افزایش است. در معماری ذخیره‌سازی هوش مصنوعی، SSDها و HDDها به صورت لایه‌ای بر اساس ارزش تجاری همکاری می‌کنند: SSDها داده‌های داغ و سرعت بالا را مدیریت می‌کنند، در حالی که HDDها مسئول ذخیره‌سازی کم‌هزینه و بلندمدت هستند. شرکت‌های نماینده شامل Seagate، Western Digital و توشیبا هستند.

پشته نرم‌افزاری ذخیره‌سازی هوش مصنوعی: هاب برنامه‌ریزی در دسترس بودن داده

آنچه هوش مصنوعی واقعاً مصرف می‌کند، نه دیسک‌های خالی، بلکه "خدمات داده" است که به دقت توسط پشته نرم‌افزاری سازماندهی شده است. این معماری سخت‌افزارهای زیرین را به دارایی‌های دانش تبدیل می‌کند که هوش مصنوعی می‌تواند به طور مستقیم به آن‌ها دسترسی پیدا کند و به چهار لایه تقسیم می‌شود:

· سیستم‌های ذخیره‌سازی با عملکرد بالا (سیستم‌های تأمین): بر روی توان عملیاتی همزمان و تأخیر کم تمرکز دارد و به حل مشکل "گرسنگی داده" خوشه‌های GPU از طریق سیستم‌های فایل موازی کمک می‌کند و جریان سریع آموزش و استنتاج را تضمین می‌کند. شرکت‌های نماینده: VAST Data، WEKA، Pure Storage.

· ذخیره‌سازی شی (دریاچه‌های داده خام): بر مدیریت شی، کلید و متاداده متمرکز است و از مقادیر زیادی داده‌های غیرساختاری پشتیبانی می‌کند. این لایه به دنبال تأخیر کم افراطی نیست بلکه یک پایه ظرفیت با هزینه کم و ویژگی‌های بومی ابری می‌سازد. شرکت نماینده: AWS S3.

· پایگاه‌های داده برداری (لایه فهرست معنایی): پایگاه‌های داده برداری مسئول ذخیره‌سازی، فهرست‌گذاری و بازیابی بردارهای تولید شده توسط مدل‌های جاسازی هستند و به هوش مصنوعی اجازه می‌دهند تا به طور دقیق محتوای مرتبط را از دانش وسیع پیدا کند. شرکت‌های نماینده: Pinecone، Milvus.

· لایه داده RAG (لایه فراخوانی دانش): فراتر از بازیابی ساده، شامل برش داده، تمیز کردن، کنترل مجوز و ردیابی استناد است و اطمینان حاصل می‌کند که داده‌های شرکتی می‌توانند به طور ایمن، دقیق و قابل ردیابی توسط مدل‌های بزرگ فراخوانی شوند. شرکت نماینده: Databricks.

از ذخیره‌سازی داغ هوش مصنوعی تا حافظه سرد غیرمتمرکز: حداکثر کردن کارایی در مقابل حداکثر کردن اعتماد

ذخیره‌سازی هوش مصنوعی یک سیستم به شدت مبتنی بر کارایی است که عملکرد ارزش آن بر حداکثر کردن خروجی محاسباتی متمرکز است. پهنای باند HBM تعیین می‌کند که آیا GPUها می‌توانند به طور کافی تغذیه شوند، throughput SSD تعیین می‌کند که کارایی خواندن و نوشتن مجموعه‌های داده و Checkpointها چقدر است و تأخیر کم برای تجربیات زمان واقعی در RAG و استنتاج حیاتی است. این معیارها در نهایت به استفاده از GPU و هزینه‌های توکن واحد همگرا می‌شوند و به طور مستقیم سودآوری تجاری برنامه‌های هوش مصنوعی را تعیین می‌کنند. هدف نهایی ذخیره‌سازی هوش مصنوعی حفظ نیست، بلکه تسریع است و به تولید کمک می‌کند.

در مقابل، عملکرد ارزش ذخیره‌سازی غیرمتمرکز کاملاً متفاوت است. این سؤال را مطرح می‌کند که آیا داده‌ها در ده سال آینده هنوز وجود خواهند داشت، آیا دستکاری شده‌اند و آیا می‌توانند در برابر سانسور نقطه‌ای مقاومت کنند. از طریق اثبات رمزنگاری و شبکه‌های توزیع‌شده، یک بنیاد داده عمومی می‌سازد که برای دسترسی باز و به طور دائمی حفظ می‌شود. هدف نهایی آن دفاع از حقیقت مطلق و استقلال حاکمیتی داده‌ها است و به نیازهای انصاف، ضد سانسور و حافظه مدنی خدمت می‌کند.

ذخیره‌سازی هوش مصنوعی "ذخیره‌سازی داغی" است که تولید آینده را تغذیه می‌کند، در حالی که ذخیره‌سازی غیرمتمرکز "حافظه سردی" است که سوابق تاریخی غیرقابل حذف تمدن بشری را حفظ می‌کند. اولی به کارایی خدمت می‌کند و به دنبال سرعت افراطی است؛ دومی به اعتماد خدمت می‌کند و از خاطرات خاموش دفاع می‌کند. اولی تعیین می‌کند که مدل‌ها چقدر سریع اجرا می‌شوند، در حالی که دومی تعیین می‌کند که آیا خاطرات پاک خواهند شد یا خیر. در حال حاضر، مکانیزم‌های بازار کارایی تولید را بدون هیچ گونه تردیدی پاداش می‌دهند و ذخیره‌سازی غیرمتمرکز به نظر می‌رسد که در حال تجربه فروپاشی ارزش‌گذاری و تخلیه روایت است.

چشم‌انداز و واقعیت ذخیره‌سازی غیرمتمرکز

پروژه‌های ذخیره‌سازی غیرمتمرکز زیادی وجود دارد، اما بر اساس ذهنیت صنعتی و رسوب اکولوژیکی، نمایندگان اصلی همچنان Filecoin و Arweave هستند. اگرچه هر دو به "ذخیره‌سازی غیرمتمرکز" تعلق دارند، فلسفه‌های معماری زیرین آن‌ها تقریباً دو مسیر کاملاً متفاوت هستند— اولی از طریق قراردادهای بازار به انعطاف‌پذیری AWS نزدیک می‌شود، در حالی که دومی از طریق قراردادهای اجتماعی یک‌باره به ابدیت کتابخانه‌ها نزدیک می‌شود.

· Filecoin: این پروژه کامل‌ترین سیستم اقتصادی قابل تأیید را از طریق PoRep و PoSt ساخته است. نباید به رقابت با AWS در ذخیره‌سازی ابری مصرف‌کننده ادامه دهد بلکه باید به سمت منشأ داده‌های هوش مصنوعی، میزبانی مجموعه‌های داده عمومی و بایگانی انطباق تغییر مسیر دهد و زنجیره‌های قابل تأیید برای حسابرسی مدل و اثبات حق چاپ فراهم کند. مسیر لازم این است که آن را به عنوان یک API سازگار با S3 محصور کند و از پرداخت‌های فیات پشتیبانی کند و از "بازار ذخیره‌سازی ارزان" به "زیرساخت محاسباتی قابل تأیید" ارتقا یابد.

· Arweave: با روایت "پرداخت یک‌باره، ذخیره‌سازی دائمی"، این پروژه ماینرها را تشویق می‌کند تا تا حد ممکن داده‌های تاریخی، به ویژه نادر را ذخیره و به سرعت به آن‌ها دسترسی پیدا کنند از طریق مکانیزم‌های Blockweave و SPoRA. بهترین موقعیت آن به عنوان یک بنیاد برای حافظه عمومی بشری است— حفظ سوابق حقوق بشر، شواهد جنایات جنگی، کلاسیک‌های فرهنگی، بایگانی تاریخ قانونی و مالی و فراهم کردن حافظه بلندمدت دائماً در دسترس برای عوامل هوش مصنوعی. ارزش Arweave در سرعت نیست، بلکه در ظرفیت آن برای حمل حافظه مدنی در چرخه‌ها است.

چالش‌هایی که پروژه‌های ذخیره‌سازی غیرمتمرکز مانند Filecoin و Arweave با آن مواجه هستند ناشی از پیشنهادات ارزش نادرست نیست، بلکه از عدم تطابق‌های بلندمدت در محصول‌سازی، تجربه بازیابی، تقاضای واقعی و مشوق‌های توکن ناشی می‌شود. این یک شکاف قابل توجه از ایده‌های گیک به برنامه‌های تجاری اصلی را نشان می‌دهد:

· عدم تطابق مشوق‌های عرضه و تقاضا: شبکه‌های اولیه‌ای که توسط Filecoin نمایندگی می‌شوند به سرعت از طریق توکن‌ها گسترش یافتند اما طرف تقاضا را به اندازه کافی قوی نساختند و منجر به ظرفیت عظیم اما استفاده و تبدیل پرداخت ناکافی شدند. آن‌ها "من می‌توانم ذخیره کنم" را پاداش دادند نه "من نیاز دارم ذخیره کنم".

· کمبود قابلیت خدمات در سطح سازمانی: مانع AWS هارد دیسک‌ها نیستند، بلکه یک "سیستم عامل داده" است که از APIها، SLAها، مدیریت مجوز، حسابرسی انطباق و پشتیبانی فنی تشکیل شده است. شرکت‌ها "آرامش خاطر" را خریداری می‌کنند، نه زیرساخت‌های تجربی که نیاز به مدیریت کلیدها و انتخاب گره‌ها دارند.

· نقص‌های تجربه بازیابی: "ذخیره‌سازی در" برابر "بازیابی پایدار و با تأخیر کم" نیست. پراکندگی گره‌ها، توپولوژی پیچیده و کمبود SLA یکپارچه، پشتیبانی از جریان‌های داده داغ هوش مصنوعی را دشوار می‌کند و آن را بیشتر برای بایگانی سرد قابل اعتماد و منشأ داده مناسب می‌سازد.

· عدم انطباق حریم خصوصی کافی: داده‌های خصوصی شرکتی نمی‌توانند به سادگی در یک شبکه عمومی دائمی نوشته شوند؛ حق حذف و تغییر ناپذیری دائمی به طور ذاتی در تضاد هستند. ذخیره‌سازی غیرمتمرکز بیشتر برای داده‌های عمومی و بایگانی‌های بلندمدت مناسب است، نه اینکه به طور بی‌رویه داده‌های خصوصی اصلی را در بر گیرد.

· چرخه تقویت اقتصاد توکن: مالی‌سازی بازار صعودی تقاضای ناکافی را پنهان می‌کند، در حالی که کاهش ROI ماینر در بازار نزولی نواقص تجاری‌سازی را نمایان می‌کند. توکن‌ها می‌توانند عرضه را به صورت سرد شروع کنند اما نمی‌توانند به طور خودکار تقاضا و درآمد پایدار ایجاد کنند.

پروژه‌های دیگر ذخیره‌سازی غیرمتمرکز تمایل دارند بر روی اکوسیستم‌های خاص یا مسیرهای خاص تمرکز کنند: ذهنیت صنعتی و روایت Web3 از Storj/Sia نسبت به Filecoin/Arweave ضعیف‌تر است؛ BNB Greenfield/Walrus به اکوسیستم‌های زنجیره عمومی خاصی مانند BNB یا SUI وابسته است؛ Celestia/EigenDA به لایه در دسترس بودن داده (DA) تعلق دارند و به تأیید تراکنش‌های Rollup خدمت می‌کنند نه بایگانی بلندمدت؛ پروژه‌هایی مانند 0G که روایت‌های AI/DA را ترکیب می‌کنند سعی در ادغام ذخیره‌سازی، در دسترس بودن داده، محاسبات و تسویه حساب عامل هوش مصنوعی به یک زیرساخت مدولار بومی AI دارند، اما تقاضای واقعی، پذیرش توسعه‌دهنده و حلقه‌های تجاری‌سازی آن‌ها هنوز نیاز به تأیید دارند.

فرصت‌های آینده برای ذخیره‌سازی غیرمتمرکز: نوسان بلندمدت کارایی و اعتماد

در دوره انفجاری سودهای فناوری، سرمایه به شدت به دنبال کارایی است و دارایی‌هایی مانند GPUها و HBM به شدت حقایق بالایی اختصاص داده می‌شوند و به طور طبیعی ذخیره‌سازی غیرمتمرکز که "اعتماد و انصاف" را ترویج می‌کند، حاشیه‌ای می‌شود. با این حال، نوسان تاریخ برای همیشه در سمت کارایی نخواهد ماند. رویدادهایی مانند ممنوعیت‌های غیرمنصفانه و حذف محتوا توسط پلتفرم‌های بزرگ، شیوع دعاوی حق چاپ هوش مصنوعی که به اثبات منشأ داده‌ها نیاز دارند، درگیری‌های ژئوپلیتیکی که منجر به اختلافات حاکمیتی داده می‌شوند، انحصارهای داده‌ای که منجر به ناپدید شدن بایگانی‌های عمومی می‌شوند و فشارهای نظارتی بر انطباق داده‌های آموزشی مدل می‌توانند همه به بازنگری "ذخیره‌سازی قابل اعتماد" منجر شوند و فرصت‌های آینده برای ذخیره‌سازی غیرمتمرکز ممکن است هنوز در جهت‌های زیرین ارزش منحصر به فردی را منعکس کند:

· منشأ داده‌های هوش مصنوعی: ساخت "اثبات خط سیر داده" در پاسخ به فشارهای نظارتی و حسابرسی از طریق اثبات رمزنگاری.

· مجموعه‌های داده عمومی و بایگانی‌های مدنی: لنگر انداختن بایگانی‌های سانسور شده و میراث فرهنگی، ساخت خاطرات غیرقابل جایگزین و غیرقابل حذف.

· بایگانی قابل اعتماد و شواهد انطباق: دستیابی به خوداثبات قابل اعتماد از طریق شواهد Hash، ارائه گواهی دیجیتال در سطح بالا.

· ادغام فناوری‌های ZK/TEE/DID: حل تنش‌های حریم خصوصی، ارتقاء از "پروتکل ذخیره‌سازی" به "زیرساخت داده‌های قابل اعتماد".

· مسیرهای محصول نامرئی: ارائه APIهای سازگار با S3 و صورتحساب فیات، به کاربران اجازه می‌دهد تا به طور مستقیم خدمات "بایگانی قابل اعتماد" را خریداری کنند.

ذخیره‌سازی هوش مصنوعی و ذخیره‌سازی غیرمتمرکز، یکی به دنبال کارایی افراطی برای پیشبرد سفر ما به آینده؛ دیگری از خاطرات خاموش دفاع می‌کند و حق ما را برای نگاه به گذشته حفظ می‌کند. در حال حاضر، بازار بدون هیچ گونه تردیدی کارایی را پاداش می‌دهد و ذخیره‌سازی غیرمتمرکز به نظر می‌رسد که خاموش یا حتی در حال فروپاشی است؛ اما با افزایش بیشتر عصر هوش مصنوعی بر انحصارهای داده، دعاوی حق چاپ و آسیب‌پذیری حافظه تاریخی، ذخیره‌سازی غیرمتمرکز ممکن است به بازنگری ارزش به شکل "لایه‌های سرد قابل اعتماد" خوش آمد بگوید. خاطراتی که به راحتی نمی‌توانند توسط پلتفرم‌ها، شرکت‌ها یا هر قدرت واحدی پاک شوند ممکن است از ایده‌آلیسم رمانتیک و باورهای حاشیه‌ای به زیرساخت‌های ضروری تبدیل شوند.

لینک اصلی