ผู้เชี่ยวชาญกล่าวว่าหลักฐาน ZK ช่วยให้ DePINs ได้เปรียบ เมื่อความต้องการความน่าเชื่อถือของ AI เพิ่มสูงขึ้น

เส้นฐาน 7.6 ล้านล้านดอลลาร์

รายงานล่าสุดของ Goldman Sachs report เปลี่ยนประเด็นถกเถียงจากคำถามว่า “มีอุปสงค์ต่อปัญญาประดิษฐ์ (AI) หรือไม่” ไปสู่คำถามว่า ปัจจัยฝั่งอุปทานใดจะเป็นตัวกำหนดต้นทุนที่แท้จริงของการขยายการลงทุนดังกล่าว รายงานคาดการณ์การใช้จ่ายเงินลงทุนใน AI capital expenditure มูลค่า 7.6 ล้านล้านดอลลาร์เป็นเส้นฐาน แต่ย้ำว่าตัวเลขนี้อ่อนไหวอย่างมากต่อ “ตัวแปรที่ทำให้เปลี่ยนได้มาก” (swing variables) รวมถึงอายุการใช้งานที่เป็นประโยชน์ของซิลิคอนสำหรับ AI

ความยืนยาวนี้ถูกมองว่าเป็นปัจจัยสำคัญที่สุด เพราะนวัตกรรมที่เกิดขึ้นอย่างรวดเร็วอาจทำให้ชิปมาตรฐาน—ซึ่งโดยทั่วไปใช้งานได้สี่ถึงหกปี—ล้าสมัยภายในสามปี ส่งผลให้ต้นทุนพุ่งสูง ในทางกลับกัน “โมเดลแบบแบ่งชั้น” ที่นำชิปรุ่นเก่ากลับมาใช้กับงานที่ง่ายกว่า เช่น การอนุมาน (inference) อาจช่วยทำให้ต้นทุนมีเสถียรภาพ

ความซับซ้อนของดาต้าเซ็นเตอร์และความยืดหยุ่นของอุปสงค์ด้านกำลังประมวลผล (compute) เป็นตัวแปรอื่น ๆ ที่น่าจะส่งผลต่อจำนวนเงินลงทุนในโครงสร้างพื้นฐาน AI ในช่วงห้าปีข้างหน้า การขาดแคลนกำลังการรองรับของโครงข่ายไฟฟ้า แรงงานเฉพาะทาง และอุปกรณ์ไฟฟ้า ก็ถูกมองว่าเป็นปัจจัยที่ทำให้การก่อสร้าง/ขยายระบบใช้เวลานานขึ้น

ขณะเดียวกัน รายงานอีกฉบับ report วางกรอบว่า การใช้จ่ายด้านโครงสร้างพื้นฐานมหาศาลนี้คือรากฐานของ “เศรษฐกิจเครื่องจักร” (machine economy) ที่กำลังก่อตัว ในกรอบคิดนี้ เอเจนต์ AI จะกลายเป็นผู้เล่นทางเศรษฐกิจหลัก ทำธุรกรรมความถี่สูงและจัดสรรทรัพยากรได้ด้วยตนเอง ผู้เขียนรายงานโต้แย้งว่าระบบการเงินแบบเดิม ซึ่งมีรอบการชำระบัญชีที่ช้าและกรอบการรู้จักลูกค้า (KYC) ที่แข็งตัวนั้น ไม่เหมาะโดยพื้นฐานกับความเร็วของการค้าขายแบบเอเจนต์

โครงสร้างพื้นฐานแบบกระจายศูนย์และการแลกเปลี่ยนด้วยเวลาแฝง

ด้วยเหตุนี้ จึงวางตำแหน่งคริปโตและโปรโตคอลแบบกระจายศูนย์ให้เป็น “รางเศรษฐกิจ” (economic rails) แบบไร้การอนุญาต (permissionless) ที่จำเป็นต่อการเอื้อให้เกิดการเปลี่ยนผ่านดังกล่าว อย่างไรก็ดี ผู้คลางแคลงยังคงระมัดระวัง โดยตั้งคำถามว่าเครือข่ายโครงสร้างพื้นฐานทางกายภาพแบบกระจายศูนย์ (DePINs) จะสามารถลดความต้องการเงินลงทุนที่พองตัวของ AI ได้จริงหรือไม่

Vadim Taszycki หัวหน้าฝ่ายการเติบโตของ StealthEX ระบุว่าแม้ decentralized networks จะให้การประหยัดต้นทุนอย่างมีนัยสำคัญ แต่ก็เผชิญข้อจำกัดทางกายภาพ แม้ผู้ให้บริการแบบกระจายศูนย์อย่าง Akash อาจให้เช่า GPU H100 ในราคา 1.48 ดอลลาร์ต่อชั่วโมง เทียบกับ 12.30 ดอลลาร์บน Amazon Web Services แต่สิ่งที่ต้องแลกคือความเร็ว

“ผู้ให้บริการคลาวด์รายใหญ่ทำ [งานที่เร็ว] ได้ เพราะ GPU ของพวกเขาอยู่ติดกันในอาคารเดียว เชื่อมต่อด้วยสายเคเบิลพิเศษที่ส่งข้อมูลได้ในระดับไมโครวินาที” Taszycki กล่าว เขาอธิบายว่าเครือข่ายแบบกระจายศูนย์ที่นำ GPU จากหลายประเทศมาเชื่อมต่อผ่านอินเทอร์เน็ตสาธารณะ จะเพิ่มความหน่วงระดับมิลลิวินาที เวลาแฝงนี้ทำให้การจัดการแบบกระจายศูนย์แข่งขันได้สำหรับงานแบบแบตช์และการปรับจูนละเอียด (fine-tuning) แต่ไม่เหมาะสำหรับให้บริการแชตบอตสดขนาดใหญ่ ที่ประสบการณ์ผู้ใช้พึ่งพาการตอบสนองที่แทบจะทันที

Leo Fan ผู้ก่อตั้ง Cysic สะท้อนมุมมองเดียวกัน โดยยืนยันว่าการอนุมานแบบกระจายศูนย์ไม่เหมาะกับเวิร์กโหลดที่ต้องการเวลาแฝงต่ำ อย่างไรก็ตาม Fan โต้แย้งว่าเวลาแฝงเป็นตัวชี้วัดที่ผิดสำหรับการเปรียบเทียบแพลตฟอร์มแบบกระจายศูนย์กับไฮเปอร์สเกลเลอร์อย่าง AWS

“ปัญหาที่ยากไม่ใช่การประมวลผลแบบกระจาย แต่เป็นการค้นหา (discovery) การจัดตารางงาน (scheduling) และการรับรอง (attestation) จุดคานงัดไม่ใช่ราคาต่อโทเคน; แต่คือความสามารถในการตรวจสอบยืนยันได้” Fan กล่าว เขาชี้ว่า trusted execution environments (TEEs) และการรับรองแบบศูนย์ความรู้ (ZK) ช่วยให้เครือข่ายแบบกระจายศูนย์แข่งขันได้ในภาคส่วนที่ความไว้วางใจและการตรวจสอบสำคัญกว่า “เวลาแฝงปลายทาง” (tail latency)

สินเชื่อออนเชนและช่องว่างด้านเงินทุน

นอกเหนือจากกำลังประมวลผล ประเด็นกำลังเปลี่ยนไปสู่เรื่องการระดมทุนของโครงการที่ใช้เงินทุนสูงเหล่านี้ แม้สินเชื่อเอกชนแบบดั้งเดิมจะมีเงินทุนมาก แต่ก็มักมองข้ามดีลที่เล็กกว่าหรือไม่เป็นมาตรฐาน สินเชื่อออนเชนมีข้อได้เปรียบที่ชัดเจน เช่น เปิดให้ผู้ลงทุนรายย่อยเข้าร่วมในรายได้ของดาต้าเซ็นเตอร์ซึ่งก่อนหน้านี้ถูกจำกัดไว้สำหรับ limited partners ระดับสถาบัน นอกจากนี้ แพลตฟอร์มอย่าง Maple และ Centrifuge ยังสามารถจัดสินเชื่อแบบซินดิเคตในช่วง 5 ล้านถึง 50 ล้านดอลลาร์—ช่วงที่มักถูกเพิกเฉยโดยบริษัทอย่าง Apollo เนื่องจากต้นทุนการพิจารณาสินเชื่อ (underwriting) สูงเมื่อเทียบกับค่าธรรมเนียม

ท้ายที่สุด สินเชื่อออนเชนยังเอื้อให้เกิดโมเดลใหม่แบบ “จ่ายตามการอนุมาน” (pay-per-inference) ที่รายได้ผันผวนตามการใช้งาน GPU โมเดลดังกล่าวเข้ากับโครงสร้างการแบ่งรายได้แบบโทเคนมากกว่าสัญญาเช่าแบบดั้งเดิม 20 ปีที่ตายตัว

แม้มีศักยภาพนี้ ผู้เชี่ยวชาญระบุ “ประตู” 4 บานที่ยังปิดอยู่ต่อการยอมรับของสถาบัน: การบังคับใช้ตามกฎหมายในศาลล้มละลาย การขาดโครงสร้างพื้นฐานออราเคิลที่แสดงร่องรอยการแก้ไข (tamper-evident) สำหรับการดูแลรักษาข้อกำหนดตามสัญญา (covenants) ความไม่แน่นอนด้านกฎระเบียบสำหรับทรานช์ระดับพันล้านดอลลาร์ และผลิตภัณฑ์ภาษีและบัญชีที่ยังไม่เป็นมาตรฐาน

ฉันทามติชี้ว่าไทม์ไลน์ที่เป็นจริงคือ 12 ถึง 24 เดือนสำหรับดีลซินดิเคตขนาดกลางที่จะเริ่มได้รับแรงส่งบนออนเชน โดยที่หนี้เมซซานีน (mezzanine debt) แบบ majority-onchain น่าจะต้องใช้เวลาอีกสามถึงห้าปี ความก้าวหน้าครั้งแรกน่าจะมาจากผู้ประกอบการ Tier 2 มากกว่าผู้นำอุตสาหกรรมอย่าง Coreweave