
 
 Que ocorre cando deixas que unha máquina aprenda de como a xente realmente comercia o poder computacional, en vez de programalo con regras de optimización? Que ocorre cando deixas que unha máquina aprenda de como a xente realmente comercia o poder computacional, en vez de programalo con regras de optimización? O 21 de outubro, a empresa anunciou unha plataforma de mercado que adestra o seu sistema de IA sobre o comportamento real de poxas humanas, creando o que o CEO Andrew Sobko chama un "benchmark vivo" para a economía computacional. Arxentina ou O que importa é o tempo, o prevese que alcance os 811,6 millóns de dólares en 2035, crecendo nun 41,39% ao ano desde unha liña de base de 25,541 millóns de dólares en 2025. A pesar desta expansión, o acceso permanece concentrado. A actividade blockchain creceu un 86% ano tras ano, sinalando a demanda de alternativas.Argentum entra nesta paisaxe cunha tese diferente: os mercados, non só os algoritmos, deben determinar a asignación computacional. Mercado global de GPU Plataformas de computación descentralizadas ¿Poden os patróns de comercio humano mellorar a toma de decisións de IA máis que a optimización pura?¿As empresas confiarán nun sistema de asesoramento sobre o prezo autónomo?E un mercado adestrado en comportamento pode permanecer transparente cando os sinais de comportamento se fan máis complexos? O que fai que un "benchmark vivo" sexa diferente Argentum procesa dous fluxos de datos para adestrar o seu sistema de IA. En primeiro lugar, a actividade de mercado en cadea verificada, incluíndo publicacións, ofertas, cancelacións, escudos e pagos. En segundo lugar, a telemetría de execución asinada criptográficamente dos nodos de computación informa sobre o tempo de execución, a eficiencia e o consumo de enerxía. A distinción é importante nos mercados de computación. Os modelos de optimización tradicionais predixen curvas de demanda e establecen prezos baseados en patróns históricos. O enfoque de Argentum rastrexa a profundidade do libro de ordes, as proporcións de aceptación de ofertas e o comportamento de aposta para avaliar a confianza e a fiabilidade en tempo real. O sistema, a continuación, suxire estratexias de licitación, niveis de prezos de reserva e rotación da carga de traballo en diferentes ambientes de computación. O aprendizaxe comportamental introduce complexidade. Os mercados evolucionan a medida que os participantes aprenden uns dos outros e das suxestións da IA. Isto crea ciclos de retroalimentación onde os patróns de negociación de hoxe inflúen nas recomendacións de mañá, o que, a continuación, forma o comportamento futuro. A plataforma afirma que esta adaptación fortalece a toma de decisións ao longo do tempo, pero tamén significa que os datos de adestramento da IA están cambiando constantemente. A capa de aprobación humana: necesidade ou botellón Cada recomendación de Argentum require aprobación humana antes da execución. A diferenza dos sistemas de negociación autónomos que actúan sobre os sinais de inmediato, Argentum se coloca estritamente como asesoramento. Os usuarios revisan as suxestións, ven o razoamento subxacente e deciden se proceder. Isto preserva o control humano pero introduce latencia en poxas informáticas sensibles ao tempo. A súa demostrou ser eficaz noutros ámbitos. Melloras de precisión de 25 a 40% cando se combinan as capacidades de IA coa supervisión humana en comparación cos sistemas totalmente automatizados.En saúde, os sistemas híbridos superan tanto aos médicos humanos como aos modelos de aprendizaxe automática só cando se identifican condicións como o cancro de mama. Enfoque humano-in-the-loop Informe das empresas O comercio é velocidade versus xuízo. Xa se ven provedores como Thunder Compute publicando A100s a $ 0,66 por hora, subcortando os hiperscalers por ata 80%. En tales ambientes competitivos, atrasos de ata minutos poden significar oportunidades perdidas. O modelo de Argentum asume que mellores decisións xustifican unha execución lixeiramente máis lenta. Se as empresas aceptan este comercio depende da súa sensibilidade á carga de traballo e tolerancia ao risco. Mercados spot GPU Transparencia a través da criptografía, non só reivindicacións Argentum impón a transparencia a través de probas de execución asinadas criptográficamente e correos de verificación redundantes. Isto permite aos participantes rastrexar que datos adestraron a AI e como se xeraron recomendacións específicas.A empresa comprométese a abrir métricas, procesos audibles e gobernanza baseada na comunidade usando votación cadrada e supervisión ponderada pola reputación. A transparencia vólvese crítica cando os datos comportamentais impulsan as decisións. Se a IA aprende dos patróns de negociación, os participantes necesitan comprobar que ningún actor pode manipular eses patróns a recomendacións preconcebidas. As probas criptográficas proporcionan esta garantía creando un rexistro inmutable do que pasou, cando e en que condicións. Este enfoque contrasta cos modelos de optimización opacos onde as empresas confían nas reivindicacións do provedor sobre a equidade e exactitude. , agora valorada en 12,2 mil millóns de dólares en 2024 e esperado para chegar a 39,5 mil millóns de dólares en 2033, creceu precisamente porque as empresas queren alternativas ao control centralizado. Mercado descentralizado de informática Contexto do mercado: onde se encaixa o argumento na paisaxe computacional A súa foi valorado en 3,23 millóns de dólares en 2023 e está previsto que alcance 49,84 millóns de dólares en 2032, mostrando unha taxa de crecemento do 35,8%. América do Norte domina con 39.63% de cota de mercado, impulsado por provedores establecidos e adopción de IA pesada. para memoria HBM3E, liñas de produción totalmente reservadas ata 2025, e bloqueo do vendedor que limita a flexibilidade. GPU como mercado de servizos Restricións de subministración As plataformas descentralizadas xurdiron como resposta. Conecta os provedores cos consumidores nun mercado peer-to-peer, reducindo os custos en ata un 80% en comparación coa nube tradicional. Estas plataformas demostran a demanda de alternativas pero enfróntanse aos seus propios retos: liquidez fragmentada, calidade inconsistente e adopción limitada da empresa debido aos percibidos riscos de fiabilidade. Rede Akash Rede de Golem Argentum sitúa a si mesmo entre os hiperescaladores e as redes totalmente descentralizadas. Crea un mercado spot para as cargas de traballo de GPU con prezos transparentes e execución verificable, pero engade unha capa de aprendizaxe comportamental que carecen as plataformas descentralizadas tradicionais. A IA aprende da actividade agregada do mercado para suxerir mellores estratexias, mellorando teoricamente os resultados para todos os participantes. Se este enfoque híbrido gaña tracción depende da calidade da execución e se as empresas ven o suficiente beneficio para cambiar de provedores establecidos. Implementación técnica e o que significa para os usuarios A plataforma mide a eficacia a través de resultados de rendemento reais: redución da ineficiencia de prezos, taxas de finalización de tarefas máis altas e menores custos media hora de GPU. Estas métricas están ligadas directamente ao impacto financeiro, o que é importante para as empresas avaliar se adoptar un novo mercado. Isto crea un efecto de rede onde máis participantes xeran mellores datos, o que produce suxestións máis precisas, o que atrae a máis participantes. O desafío é alcanzar a masa crítica. Os primeiros usuarios adestran eficazmente o sistema co seu comportamento, pero non poden ver beneficios inmediatos se o conxunto de datos permanece pequeno. Argentum necesita volume suficiente para xerar patróns estatisticamente significativos antes de que as recomendacións se fagan útiles de forma fiable. A empresa afirma que cada suxestión está acompañada por un indicador de razoamento e confianza. Isto é importante para o depósito e a confianza. Se unha recomendación falla, os usuarios poden rastrexar o razoamento para entender por que. Co tempo, emerxen patróns que mostran que estratexias funcionan en que condicións. Este coñecemento convértese en institucional no adestramento da IA, creando un recurso compartido que beneficia a todos os participantes do mercado. Dinámica competitiva e posicionamento de mercado Andrew Sobko explica a visión da empresa: 
 
 O mercado de IA de Argentum dá a cada empresa, investigador e construtor acceso igual á liquidez da GPU creando un mercado spot xusto, sen fronteiras e eficiente para a era da IA. O mercado de IA de Argentum dá a cada empresa, investigador e construtor acceso igual á liquidez da GPU creando un mercado spot xusto, sen fronteiras e eficiente para a era da IA. Os mercados financeiros lograron liquidez a través da normalización, a transparencia e a aprendizaxe comportamental ao longo de décadas. A resposta depende en parte de se a aprendizaxe comportamental é máis eficaz que a optimización pura. Suxire que os enfoques híbridos superan os humanos ou as máquinas soamente en ambientes de decisións complexos.Pero os mercados computacionais teñen características únicas: cargas de traballo altamente variables, restricións de subministración que cambian rapidamente e participantes con diferentes perfís de risco e requisitos técnicos. Recentes investigacións Os competidores abordan o problema doutro xeito. como AWS e Azure ofrecen estabilidade e integración pero cobran prezos premium. Pure plataformas descentralizadas ofrecen custos baixos pero calidade variable. Argentum aposta por que hai un medio en que o aprendizaxe comportamental máis a supervisión humana crea mellores resultados que calquera extremo. O mercado probará esta tese rapidamente como as empresas toman decisións de adquisición para 2025 e 2026 capacidade de computación. Hiperscaleiros Cuestións éticas de deseño e gobernanza Argentum comprométese a rexeitar os sistemas de toma de decisións autónomos ou opacos, en vez de enfatizar as métricas abertas, os procesos audibles e a gobernanza baseada na comunidade. A votación cadrada e a supervisión ponderada pola reputación suxiren a toma de decisións democráticas sobre as regras da plataforma e a resolución de disputas. Considere un escenario no que os grandes provedores subsidien constantemente aos pequenos provedores, empuxándoos do mercado.Debería a IA da plataforma recomendar contra esta estratexia para manter a diversidade?Ou debería optimizarse puramente para os resultados dos usuarios independentemente dos efectos da estrutura do mercado?Estas preguntas non teñen respostas obvias e requiren marcos de gobernanza que equilibren os valores competitivos. O marco de deseño ético tamén aborda o uso de datos. Quen posúe os datos comportamentais que adestran a AI? ¿Os participantes poden optar por non contribuír ao conxunto de adestramento? Que sucede cando os patróns de negociación de alguén se usan para xerar visións que benefician aos competidores? A verificación criptográfica de Argentum proporciona transparencia sobre que datos se usaron, pero a gobernanza determina como se poden utilizar eses datos. Obter este equilibrio correcto afecta tanto á equidade como á adopción. O que os datos realmente mostran A súa O seu valor estimado é de 3,17 mil millóns de dólares en 2024 e prevese que chegue a 47,24 mil millóns de dólares en 2033, crecendo nun 35% ao ano.Esta expansión reflicte a crecente demanda de adestramento de IA, aprendizaxe automática e computación de alto rendemento en todas as industrias. Mostra varianza ampla: algúns provedores cobran $ 0,66 por hora A100 mentres que outros superan $ 3,00 para recursos similares. Mercado de computación en nube GPU Prezo do centro de datos GPU Esta ineficiencia de prezos representa a oportunidade para os obxectivos de Argentum. Se a aprendizaxe comportamental pode axudar aos participantes a identificar recursos de mellor prezo ou optimizar estratexias de licitación, mesmo as melloras modestas se multiplican rapidamente en escala. Unha redución do 10% nos custos de GPU medios aforraría millóns de empresas anualmente dado o gasto de computación proxectado. Os primeiros datos de eficacia serán críticos.A plataforma debe demostrar que as estratexias recomendadas por IA superan a toma de decisións manuais por unha marxe suficientemente significativa como para xustificar a curva de aprendizaxe e os custos de cambio.Isto require un informe transparente de métricas de rendemento en diferentes casos de uso e tipos de participantes. Promesas e limitacións da aprendizaxe comportamental Os mercados son sistemas adaptativos complexos onde os participantes responden ás accións uns dos outros de maneiras que os algoritmos de optimización a miúdo faltan. Con todo, varias preocupacións merecen atención. En primeiro lugar, a aprendizaxe comportamental pode amplificar en lugar de atenuar as ineficiencias do mercado se os circuítos de retroalimentación reforzan os patróns suboptimales. Se os participantes iniciais adoptan estratexias que ocorren para traballar en condicións específicas, a IA pode recomendar esas estratexias amplamente, causándoas a fracasar cando as condicións cambian. O concepto de "benchmark vivo" asume que a aprendizaxe é direccional e acumulativa, pero os mercados a miúdo exhiben cambios de réxime onde os patróns pasados perden o poder predictivo. En segundo lugar, a capa de aprobación humana introduce latencia que pode socavar a competitividade nos mercados spot en movemento rápido. O tempo necesario para que os humanos revisen as recomendacións e aproben accións podería significar oportunidades perdidas, especialmente cando compiten contra sistemas de negociación autónomos. Sistemas human-in-the-loop En terceiro lugar, a transparencia a través de probas criptográficas aborda a verificación técnica pero non resolve os desafíos de interpretabilidade.Os participantes poden verificar que certos datos produciron certas recomendacións, pero entender por que esas recomendacións xurdiron de patróns de comportamento complexos segue sendo difícil. Dito isto, o enfoque enche unha verdadeira brecha nos mercados de computación. As opcións actuais forzan unha elección entre hiperscalers caros con rendemento previsible e plataformas descentralizadas baratas con calidade variable. Un camiño medio que combina a eficiencia do mercado coa optimización baseada no aprendizaxe podería atraer empresas que buscan tanto aforro de custos como fiabilidade. O éxito depende da calidade da execución e se a vantaxe de aprendizaxe comportamental é duradeira a medida que o mercado madura. O que vén despois para os mercados de computación comportamental O lanzamento de Argentum representa un experimento nunha tendencia máis ampla cara aos mercados de computación híbrida. O espazo experimentou un crecemento do investimento, con proxectos como AIOZ Network e Akash Network que atraen unha actividade significativa de desenvolvedores.A economía computacional está fragmentándose desde a dominación de hiperscales cara a modelos máis diversos que equilibran os custos, o control e o rendemento doutro xeito. Rede de infraestruturas físicas descentralizadas Se o aprendizaxe comportamental se converte en estándar nos mercados de computación depende dos resultados a curto prazo.Se Argentum demostra melloras mensurables na eficiencia de prezo e nas taxas de realización de tarefas, os competidores adoptarán enfoques similares.Se a capa de aprobación humana é demasiado lenta ou as recomendacións da IA non superan as estratexias máis simples, o modelo pode non gañar tracción. A pregunta a longo prazo é se os mercados computacionais seguen a traxectoria dos mercados financeiros cara ao aumento da liquidez e a normalización.Os mercados financeiros evolucionaron ao longo dos séculos, desenvolvendo mecanismos de compensación, contratos estandarizados e marcos reguladores que permiten unha asignación eficiente de capital.Os mercados computacionais enfróntanse a retos similares con complexidade técnica adicional en torno á verificación da carga de traballo e á garantía de calidade.O experimento de Argentum con aprendizaxe comportamental máis verificación criptográfica representa un camiño adiante, pero certamente non o único. Pensamentos finais O lanzamento de Argentum AI destaca unha tensión fundamental nos mercados de computación: a necesidade de eficiencia e equidade, velocidade e supervisión, optimización e transparencia.O enfoque da empresa de adestrar a IA sobre o comportamento do mercado humano mentres se mantén a autoridade de aprobación humana tenta equilibrar estas demandas competitivas. O concepto de "benchmark vivo" é atractivo porque recoñece que os mercados computacionais non son problemas estáticos de optimización, senón ecosistemas en evolución nos que os participantes se adaptan e aprenden. con todo, a aprendizaxe adaptativa introduce os seus propios riscos, especialmente en torno a ciclos de retroalimentación e cambios de réxime. O éxito da plataforma dependerá non só da implementación técnica senón de se os seus mecanismos de goberno poden xestionar os conflitos entre eficiencia e equidade como as escalas do mercado. Para as empresas que avalian as estratexias de adquisición de GPU en 2025, Argentum representa unha opción adicional que vale a pena supervisar. A plataforma pode non substituír inmediatamente os hiperscalers establecidos ou as alternativas totalmente descentralizadas, pero podería cubrir un nicho para as cargas de traballo que se benefician da dinámica do mercado sen esixir custos mínimos absolutos. Non esquezas gustar e compartir a túa historia! 
 
 Este autor é un colaborador independente que publica a través do noso programa de blogs de negocios. HackerNoon revisou o informe para a calidade, pero as alegacións aquí pertencen ao autor. #DYO Este autor é un colaborador independente que publica a través do noso programa de blogs de negocios. HackerNoon revisou o informe para a calidade, pero as alegacións aquí pertencen ao autor. #DYO Programa de blogs de negocios Programa de blogs de negocios

This story contains new, firsthand information uncovered by the writer.

The writer was physically present in relevant location(s) to this story. The location is also a prevalent aspect of this story be it news or otherwise.

Hot off the press! This story contains factual information about a recent event.

Winner of Noonies 2020 for the award Hacker Noon Contributor of the Year - DATA.

2020 - Hacker Noon Contributor of the Year in DATA

Read My Stories

Este audio está producido na lingua orixinal da historia!

Demasiado longo; Ler

Download free Tech Leaders Productivity Report!

Como Argentum AI planea facer que o acceso á GPU sexa tan líquido como os mercados de capitais

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Celebrating Our HackerNoon Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Management Community!

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Celebrating Our HackerNoon Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Management Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps