介紹

傳統的雲計算解決方案，如AWS和阿裡雲提供的解決方案，提供高品質的計算資源，但成本很高。去中心化雲計算是一種利用區塊鏈技術使全球計算資源作為節點加入網路的新方法。這些節點可以提供計算能力並賺取代幣作為獎勵。去中心化計算有很多應用，包括圖形渲染、視頻轉碼、人工智慧和機器學習。在當前的牛市中，AI已成為熱門焦點。人工智慧行業正在迅速發展，計算複雜性可能每三個月翻一番，導致對計算能力的需求顯著增加。對於需要雲計算服務的個人和參與機器學習的個人和小型企業來說，分散計算的成本不斷上升是一個挑戰。Gensyn旨在通過去中心化使AI民主化，降低學習所需的計算能力成本。基於Substripe協定，Gensyn使用智慧合約來促進分配和獎勵機器學習任務。它還旨在創建一個大規模的分散式深度學習計算協定，將概率學習證明與加密貨幣和激勵機制相結合，為人工智慧領域提供更高效、可擴展的計算模型。本文將深入探討Gensyn協定的運行邏輯及其發展現狀。

Gensyn 是什麼？

Gensyn 是專為機器學習設計的 GPU 計算網絡。它通過利用全球各種長尾計算設備（如小型數據中心、個人遊戲電腦和 Mac）來增加機器學習的計算能力。儘管仍在開發中，但 Gensyn 在其分階段產品開發中取得了重大進展。經濟模型尚未發布，協議計劃集成到 Polkadot 生態系統中。

Gensyn團隊位於英國倫敦。聯合創始人擁有計算機科學博士學位，是區塊鏈行業的早期進入者。其他團隊成員也有人工智慧方面的經驗，團隊正在擴大。在財務上，該團隊得到了很好的支援。他們在 2021 年 7 月獲得了 110 萬美元的資金，在 2022 年 3 月獲得了由 Eden Block 牽頭的 650 萬美元的種子資金，在 2023 年 6 月從 a16z 獲得了 4300 萬美元的 A 輪融資。其他幾位投資者也支援這筆資金。該團隊表示，這一輪融資將用於發展團隊並加快協議的啟動。

誰參與其中？

Gensyn生態系統包括四個關鍵角色：提交者、解決者、驗證者和記錄者。

• 提交者是 Gensyn 用戶，他們提交需要計算的任務並支付相應的費用。
• 求解者是主要的工作人員，他們訓練模型並創建驗證證明。
• 驗證者在生態系統中扮演著至關重要的角色。機器學習中的模型訓練通常是一個非確定性的過程，這是由於隨機初始化、算法優化和數據擾動所致。驗證者彌補了非確定性訓練和確定性計算之間的差距。他們通過解決數學證明並將模型的輸出與預期結果進行比較來驗證模型，以確保其可靠性。
• 記者是系統的最後防線。他們審查驗證者的工作，並可以提出挑戰以獲得獎勵。

它是如何運作的？

Gensyn產品的運營流程包括六個階段：任務提交、模型訓練、證明生成、證明驗證、挑戰和結算。模型訓練階段發生在鏈外，而證明驗證和經濟激勵發生在鏈上。

1. 首先，提交者必須上傳三種類型的文件：任務和超參數的元數據、模型二進制文件和公開可用的預處理訓練數據。這些文件是機器學習模型訓練的關鍵組成部分。
2. 經過分析後，任務進入公共任務池，並選擇單個求解器來執行任務。求解器將根據提交者上傳的雲數據、提供的模型和訓練模型來執行任務。
3. 在執行訓練任務時，求解器還必須在計劃的間隔設置檢查點，並在訓練過程中存儲元數據以生成學習證明。這確保驗證者可以準確地在以後複製優化步驟。該過程構建了一組經過驗證的預訓練基本模型，為後續的優化步驟提供了基礎。
4. 完成任務後，解算者必須在鏈上標記任務的完成狀態，並將學習證明放置在公開可驗證的位置供驗證者使用。驗證者從公共任務池獲取驗證任務，重新運行部分證明並進行距離計算。區塊鏈使用這些距離來確定驗證是否與學習證明相符。
5. 在驗證學習證據後，記者可以復制驗證者的工作，檢查它是否被正確執行。如果記者認為驗證被錯誤執行，他們可以對驗證者發起仲裁挑戰以獲得獎勵。這些獎勵來自驗證者的存款或獎勵池。
6. 在這個過程中，參與者根據概率和確定性檢查的結論，獲得相應的獎勵。

成本與效益

大型企業通常有預算選擇集中式計算服務。相比之下，Gensyn的主要用戶是小型企業、個人開發人員和參與機器學習的研究團隊。這些用戶通常價格敏感，無法負擔集中式計算能力的高成本。去中心化機器學習的主要優勢在於顯著的成本降低。Gensyn的官方定價顯示，他們的服務每小時只需$0.40，而AWS的等效計算能力每小時需$2，相比之下成本降低了80%。

來源：docs.gensyn

機會與風險

Gensyn針對對計算成本非常敏感的用戶，這意味著它面對的是相對較小的市場。雖然該協議的願景符合當前市場趨勢，但它面臨著幾個風險因素。例如，在過程開始時，用戶必須將模型框架、訓練數據和超參數上傳到Gensyn網絡。使用開源數據不會涉及隱私問題，但上傳專有模型可能導致信息洩露。

使用Gensyn網絡的設備在計算能力、存儲容量和網絡連接方面可能差異很大。Gensyn在不同設備之間傳輸模型參數、任務和驗證數據。網絡帶寬較低的設備可能會遇到傳輸延遲，影響任務分配和結果驗證。因此，設備能力的差異會影響系統的整體效率。

結論

Gensyn是一個專注於機器學習的GPU計算網絡，旨在連接開發者和求解器，同時利用全球資源降低與機器學習相關的成本。其願景與當前市場趨勢和人工智能熱門話題相符。然而，Gensyn仍處於開發階段，主要吸引價格敏感的小型企業、個人開發者和研究團隊。這項服務的市場仍然相對較小，項目將面臨實現廣泛實施的重大挑戰。