Mac Mubazir Bisa Hasilkan Uang? Pelajari Jaringan Inferensi AI Terdesentralisasi Darkbloom dari Eigen Labs

marsbitPublished on 2026-06-22Last updated on 2026-06-22

Abstract

Darkbloom, jaringan inferensi AI terdesentralisasi yang diluncurkan oleh Eigen Labs, memungkinkan pengguna memanfaatkan Mac yang menganggur untuk menghasilkan pendapatan. Dengan memanfaatkan chip Apple Silicon yang tidak terpakai, proyek ini menciptakan jaringan komputasi yang efisien dan mengutamakan privasi. Jaringan ini terdiri dari tiga bagian: pengguna yang mengirim permintaan inferensi, koordinator yang merutekan permintaan, dan penyedia (pemilik Mac) yang menjalankan model dan mengembalikan hasil tanpa dapat melihat konten permintaan. Darkbloom dibangun dengan model privasi terverifikasi menggunakan arsitektur keamanan perangkat keras Apple, memastikan perlindungan data. Dari segi model ekonomi, Darkbloom berbeda dengan banyak proyek lain. Penyedia (host Mac) mendapatkan 100% pendapatan dari inferensi, karena biaya utama hanya berasal dari listrik, bukan perangkat keras baru. Harga dasar Darkbloom sekitar 50% lebih murah dibandingkan penyedia API agregator utama saat ini. Namun, pada tahap awal ini, pendapatan masih relatif kecil. Data peringkat menunjukkan pendapatan harian teratas di bawah $6, dan peringkat kelima bahkan di bawah $2. Pendapatan dipengaruhi oleh faktor seperti konfigurasi memori, waktu aktif, dan permintaan jaringan, yang diharapkan meningkat seiring dengan adopsi model bahasa besar dan peningkatan penggunaan pengguna nyata. Untuk berpartisipasi, pengguna memerlukan Mac dengan chip Apple Silicon, menjalankan macOS 14 atau lebih tinggi, menginstal p...

Disusun oleh: Felix, PANews

Inferensi AI secara bertahap menjadi salah satu lapisan kunci infrastruktur internet. Namun, saat ini sebagian besar inferensi masih bergantung pada arsitektur terpusat yang mahal, kapasitasnya terbatas, berlapis-lapis, dan memiliki risiko keamanan tertentu. Di sisi lain, di seluruh dunia telah ada jutaan komputer dengan kinerja canggih yang justru menganggur sebagian besar waktu dalam sehari.

Jaringan inferensi AI Darkbloom yang baru-baru ini diluncurkan Eigen Labs, mengeksplorasi inferensi AI terdistribusi pada komputer Mac yang menganggur. Dengan menggabungkan node yang terverifikasi, perlindungan privasi tingkat perangkat keras, dan manfaat ekonomi yang lebih baik, jaringan ini bertujuan mengubah chip Apple Silicon yang menganggur menjadi jaringan komputasi yang lebih efisien dan mengutamakan privasi.

Proyek ini diluncurkan sekitar bulan April tahun ini dalam bentuk pratinjau penelitian, ditingkatkan ke versi alpha publik pada bulan Mei, dan saat ini telah tersedia di platform OpenRouter. Dalam versi alpha, model yang tersedia adalah Google Gemma 4 dan OpenAI GPT-OSS.

Arsitektur Inti dan Privasi yang Dapat Diverifikasi

Jaringan Darkbloom terdiri dari tiga bagian: pengguna, koordinator, dan penyedia.

  • Pengguna dapat mengirim permintaan inferensi melalui antarmuka obrolan atau API yang kompatibel dengan OpenAI.
  • Koordinator (dioperasikan oleh Eigen Labs) akan meneruskan permintaan ini ke Mac yang memenuhi syarat di dalam jaringan.
  • Penyedia (pengguna yang memiliki Mac yang memenuhi syarat tersebut) menjalankan model dan mengembalikan hasil output, tetapi mereka tidak dapat melihat konten permintaan.

Darkbloom dibangun berdasarkan model inferensi terdistribusi yang mengutamakan privasi. Proses penyedia diperkuat untuk menahan jalur pemeriksaan lokal yang umum, termasuk keterikatan debugger dan pemeriksaan memori eksternal. Integritas file biner yang dijalankan juga merupakan bagian dari model kepercayaan, membantu memastikan perangkat lunak yang melayani permintaan sesuai dengan harapan jaringan.

Sistem ini juga menggunakan otentikasi berbasis dukungan perangkat keras arsitektur keamanan Apple. Kunci Enklave Keamanan, sinyal otentikasi, dan pemeriksaan tantangan-respons periodik digunakan untuk memverifikasi apakah node yang berpartisipasi berjalan dengan langkah-langkah perlindungan dan status perangkat lunak yang diharapkan, mewujudkan privasi yang benar-benar dapat diverifikasi.

Model Ekonomi dan Pendapatan Harian

Darkbloom memiliki perbedaan mendasar dalam model bisnisnya dibandingkan sebagian besar proyek lainnya. Dalam tumpukan teknologi tradisional, biaya mencakup perangkat keras, fasilitas, pendinginan, jaringan, overhead operasional, serta lapisan keuntungan bertingkat. Sedangkan dalam model Darkbloom, perangkat keras sudah ada, dan biaya marginal terutama didorong oleh listrik. Harga patokan Darkbloom hanya sekitar 50% dari harga agregator API utama saat ini. Penyedia (host Mac) dapat mempertahankan 100% pendapatan dari inferensi. Selain itu, Darkbloom tidak menggunakan penerbitan token untuk mensubsidi peserta awal; pendapatan node sepenuhnya berasal dari permintaan inferensi AI yang nyata.

Patut dicatat, mengingat proyek masih dalam tahap awal, pendapatan yang dihasilkan masih sangat kecil. Faktor-faktor seperti konfigurasi memori dan perangkat keras, waktu aktif (uptime), permintaan model, kesehatan node, dan permintaan jaringan, akan memengaruhi kondisi pendapatan hingga batas tertentu.

Data peringkat saat ini menunjukkan, penyedia peringkat pertama memperoleh pendapatan harian kurang dari $6, bahkan penyedia peringkat kelima kurang dari $2. Namun, dengan dibukanya jaringan untuk model bahasa besar (LLM) yang membutuhkan memori tinggi dan peningkatan penggunaan oleh pengguna nyata, situasi ini diharapkan dapat membaik.

Berikut langkah-langkah untuk mengatur Mac yang menganggur:

  • Dapatkan Mac dengan chip Apple Silicon
  • Pastikan menjalankan macOS 14 atau yang lebih tinggi
  • Instal Penyedia (Provider) Darkbloom
  • Jaga agar Mac tetap online dan terhubung dengan internet yang stabil
  • Biarkan jaringan merutekan tugas AI yang didukung

Bacaan terkait: Merangkum Aset Saham AS dan Kripto yang Layak Diperhatikan Belakangan Ini: AI, RWA, dan Saham Luar Angkasa...

Trending Cryptos

Related Questions

QApa itu Darkbloom yang diluncurkan oleh Eigen Labs dan tujuannya?

ADarkbloom adalah jaringan AI inferensi terdesentralisasi yang diluncurkan oleh Eigen Labs. Tujuannya adalah untuk memanfaatkan komputer Mac yang menganggur (terutama dengan chip Apple Silicon) untuk melakukan inferensi AI secara terdistribusi, menciptakan jaringan komputasi yang lebih efisien, berbiaya lebih rendah, dan mengutamakan privasi.

QBagaimana arsitektur inti dari jaringan Darkbloom?

AJaringan Darkbloom terdiri dari tiga komponen utama: 1) **Pengguna**: mengirimkan permintaan inferensi melalui antarmuka chat atau API yang kompatibel dengan OpenAI. 2) **Koordinat** (dioperasikan oleh Eigen Labs): merutekan permintaan ke Mac yang memenuhi syarat di jaringan. 3) **Penyedia** (pemilik Mac): menjalankan model AI dan mengembalikan hasil, tetapi tidak dapat melihat isi permintaan.

QApa yang membuat Darkbloom diklaim memiliki privasi yang dapat diverifikasi?

ADarkbloom mengklaim privasi yang dapat diverifikasi melalui beberapa mekanisme: 1) Proses penyedia diperkuat untuk melawan pemeriksaan lokal seperti debugger dan memori eksternal. 2) Menggunakan sertifikasi berbasis hardware yang didukung oleh arsitektur keamanan Apple (Secure Enclave). 3) Sinyal attestasi dan pemeriksaan challenge-response periodik digunakan untuk memverifikasi bahwa node berjalan dengan perlindungan dan status perangkat lunak yang diharapkan.

QBerapa perkiraan penghasilan harian bagi penyedia (provider) di jaringan Darkbloom saat ini?

ASaat ini, penghasilan bagi penyedia masih relatif kecil. Berdasarkan peringkat yang ada, penyedia peringkat pertama mendapat kurang dari $6 per hari, dan penyedia peringkat kelima bahkan kurang dari $2 per hari. Faktor seperti konfigurasi memori/hardware, waktu aktif, dan permintaan jaringan memengaruhi penghasilan.

QApa saja persyaratan dan langkah-langkah untuk menjadikan Mac sebagai penyedia di Darkbloom?

ALangkah-langkahnya adalah: 1) Memiliki Mac dengan chip Apple Silicon. 2) Menjalankan macOS 14 atau versi lebih tinggi. 3) Menginstal Darkbloom Provider. 4) Menjaga Mac tetap online dengan koneksi internet yang stabil. 5) Membiarkan jaringan merutekan tugas AI yang didukung ke Mac tersebut.

Related Reads

Founder of Baixing.com: The Notion That Large Language Models Will Devour Everything, I Believe Half of It

Founder of Baixing.com: I Only Half-Believe the Saying “Large Language Models Will Devour Everything” Author: Wang Jianshuo, Founder of Baixing.com Many proclaim that large models are everything, but the author is skeptical. He argues that such sweeping claims often stem from a limited understanding of the future. Drawing parallels to past technologies like electricity and the internet—which were predicted to “devour everything” but didn’t—he suggests that large language models (LLMs) are better seen as a foundational base. Like electricity, this base is essential for modern development, but its real value emerges only when applied to specific scenarios through various “machines” or “tools” (e.g., Claude Code for programming, Claude Design for design). The author acknowledges that LLMs may indeed replace many existing software systems built on rigid rules, workflows, and forms (e.g., CRMs, SaaS tools), as these are precisely what LLMs excel at processing. However, he emphasizes that beyond software, elements like customer data, execution capabilities (e.g., booking a flight), trust, and physical-world interactions will not be “devoured.” Instead, he foresees that after streamlining existing software, LLMs will open up a larger space for innovative, next-generation applications. These new tools will likely feature fluid interfaces and rely less on fixed rules, unleashing greater creativity. The author cautions against short-sightedness, recalling how in 2004 many believed internet giants like Sina, Sohu, and NetEase would monopolize the market—only to be proven wrong by subsequent disruptions. In conclusion, while LLMs are a crucial foundation and a current focal point, the true mainstream of this wave lies in the diverse applications built atop them to solve concrete problems. The phrase “devour everything” is imprecise; the real opportunity lies in identifying and leveraging the areas where LLMs do bring transformative change.

marsbit1h ago

Founder of Baixing.com: The Notion That Large Language Models Will Devour Everything, I Believe Half of It

marsbit1h ago

Founder of Baixing.com: I Only Half Believe in the Notion that Large Language Models Devour Everything

The founder of Baixing Wang states that while large language models (LLMs) are an extremely important foundational technology—akin to electricity or the internet—he only "half believes" the notion that they will "consume everything." He argues that LLMs provide a base layer of intelligence, but real-world value and transformation come from integrating this intelligence into specific applications and devices designed for particular scenarios—like how electricity powers various appliances from washing machines to TVs. He agrees LLMs will likely consume or replace a significant portion of existing rule-based, workflow-driven software (e.g., many SaaS systems, CRMs), as these are precisely what LLMs excel at handling. However, numerous other elements—such as customer data, execution capabilities (e.g., booking a flight), trust, and physical-world interactions—will not be consumed. Wang emphasizes that after LLMs absorb certain software layers, they will open up a much larger space for innovation: new types of "streaming" software with less rigid interfaces, where fixed rules are managed by AI. This next wave of applications built on top of the stable LLM foundation is where the true mainstream opportunity lies. He cautions against the short-sightedness of declaring any technology as all-consuming, drawing parallels to past premature predictions about internet giants monopolizing the web. The key is to find opportunities within the areas LLMs do transform.

链捕手1h ago

Founder of Baixing.com: I Only Half Believe in the Notion that Large Language Models Devour Everything

链捕手1h ago

Trading

Spot

Hot Articles

Discussions

Welcome to the HTX Community. Here, you can stay informed about the latest platform developments and gain access to professional market insights. Users' opinions on the price of AI (AI) are presented below.

活动图片