Cours IO(IO)

IO.net développe un réseau décentralisé de calcul GPU qui vise à rendre le calcul haute performance aussi accessible que l’internet. Grâce à la plateforme, les clients peuvent louer des capacités GPU et CPU à des coûts pouvant être jusqu’à 90 % inférieurs à ceux des fournisseurs classiques, tandis que les propriétaires de matériel peuvent obtenir des récompenses en mettant leurs ressources de calcul à disposition. Le projet repose sur la technologie du framework Ray — utilisé par OpenAI pour ses modèles GPT — et présente son pool de ressources décentralisé et mondial comme un moyen d’élargir l’accès au calcul IA.

IO.net a été fondé par une équipe possédant une expérience significative dans les systèmes de trading quantitatif et les infrastructures de trading haute fréquence. Avant le lancement d’IO.net en juin 2022, ce groupe avait développé des systèmes de trading institutionnels capables de surveiller en temps réel plus de 1 000 actions et 150 cryptomonnaies. Leur expertise couvre l’MLOps, le DevOps et les systèmes distribués, y compris une expérience pratique de la mise en œuvre de la technologie Ray.io pour des cas d’usage de calcul distribué à grande échelle. Ce passé dans la construction d’infrastructures de trading haute performance a influencé l’architecture d’IO.net ainsi que les fonctionnalités qu’il propose.

La feuille de route d’IO.net accorde la priorité à l’extension de son infrastructure GPU décentralisée et à l’élargissement des fonctionnalités de la plateforme. Les fonctionnalités prévues comprennent l’inférence sans serveur (serverless inference), le cloud gaming et le pixel streaming. L’équipe prévoit également d’améliorer l’intégration des modèles d’IA et d’élargir sa bibliothèque de modèles prédéfinis, conçus pour simplifier les déploiements. D’autres initiatives visent à renforcer la mise à l’échelle automatisée et à introduire des algorithmes d’allocation des ressources plus avancés. À plus long terme, IO.net entend élargir davantage l’accès au calcul IA et proposer de nouveaux outils afin de répondre à la demande croissante dans les applications d’IA et le calcul distribué.

IO.net fonctionne sur une implémentation personnalisée du framework Ray, modifiée pour les environnements décentralisés. Il utilise des algorithmes d’ordonnancement ainsi que l’auto-scaling pour répartir les charges de travail sur un approvisionnement mondial de ressources GPU et CPU, pris en charge par une couche de gestion des workers qui suit en continu les performances des dispositifs, leur temps de disponibilité (uptime) et leur conformité en matière de sécurité. Les dispositifs du réseau doivent respecter des exigences strictes en matière de temps de disponibilité (uptime) et sont vérifiés régulièrement via des mécanismes de preuve de travail (proof-of-work) afin d’assurer un service fiable. La pile comprend également IO Explorer, permettant une surveillance en temps réel et une visibilité accrue sur l’activité du réseau, tout en protégeant les informations sensibles. IO.net prend en charge de nombreuses catégories de GPU, allant des cartes grand public aux unités haut de gamme destinées aux centres de données, et applique des multiplicateurs spécifiques aux modèles ainsi que des exigences en matière de staking pour structurer la participation. La fiabilité et la sécurité sont renforcées par des contrôles multicouches, tels que des vérifications de conformité SOC 2, des mécanismes de preuve de verrouillage temporel (proof-of-timelock) et une surveillance continue des performances. Cette architecture peut s’étendre depuis des tâches mono-GPU jusqu’à des travaux distribués mobilisant des milliers de processeurs, prenant en charge aussi bien des charges de travail IA individuelles que l’entraînement à grande échelle de modèles.

L’économie du réseau repose sur la pièce IO, qui fonctionne comme jeton principal pour les transactions et les récompenses aux participants. Les appareils éligibles reçoivent des récompenses de bloc toutes les heures, dont 95 % sont attribuées aux GPU et 5 % aux CPU. IO.net impose également des exigences de staking en jetons IO, et le montant requis varie selon le modèle de GPU : par exemple, un H100 80 Go HBM3 nécessite un staking de 2000 jetons IO, tandis qu’un RTX 4060 exige 200 jetons IO. Les participants peuvent générer des revenus via plusieurs canaux : revenus issus de la location de leur matériel, récompenses de bloc pour maintenir leur disponibilité sur le réseau, et incitations supplémentaires liées au respect des objectifs de performance et de temps de disponibilité (uptime). L’attribution des récompenses suit un système de notation prenant en compte le niveau de connectivité, les capacités matérielles et la vérification de la preuve de travail (proof-of-work).