Nguồn gốc: TokenMore

Tóm tắt dự án

Gensyn là một dự án dựa trên The Giao thức điện toán học sâu phi tập trung của blockchain nhằm mục đích thiết lập thị trường năng lượng tính toán trí tuệ nhân tạo (AGI). Phân tách các nhiệm vụ học máy phức tạp thành nhiều nhiệm vụ phụ và sử dụng tài nguyên điện toán của người tham gia để đạt được các phép tính song song cao. Bằng cách tự động hóa việc phân bổ, xác minh và khen thưởng nhiệm vụ thông qua hợp đồng thông minh, Gensyn loại bỏ việc quản lý tập trung và cung cấp giải pháp hiệu quả và tự chủ cho việc tính toán máy học.

Trang web chính thức: https://www.gensyn.ai/

Twitter: https://twitter.com/gensynai

Nền tảng kỹ thuật

Với sự phát triển nhanh chóng của công nghệ trí tuệ nhân tạo, các mô hình deep learning ngày càng trở nên phổ biến hơn. more Khi độ phức tạp tăng lên, các yêu cầu tính toán cũng tăng lên đáng kể, nhưng tài nguyên tính toán sẵn có lại tương đối khan hiếm. Trong bối cảnh đó, có một số thách thức.

Trước hết, để đảm bảo tính chính xác của phép tính, cần phải kiểm chứng tính hiệu quả của phép tính deep learning. Tuy nhiên, mỗi lớp trong mô hình học sâu đều phụ thuộc vào đầu ra của lớp trước, điều này làm phức tạp việc xác minh. Cần phải tìm ra các cách để đảm bảo rằng mỗi bước được thực hiện chính xác, đặc biệt khi các mô hình ngày càng phức tạp.

Thứ hai, việc xây dựng thị trường máy tính cũng còn một số vấn đề. Làm thế nào để cân bằng cung cầu, kết hợp hợp lý tài nguyên máy tính và làm thế nào để thúc đẩy người tham gia đóng góp thời gian tính toán đều là những bài toán khó cần giải quyết. Các mô hình thị trường truyền thống có thể không còn được áp dụng trong điện toán và các phương pháp mới cần được khám phá.

Bảo vệ quyền riêng tư cũng là một vấn đề quan trọng. Khi các quy định về quyền riêng tư được thắt chặt trên toàn thế giới, việc bảo vệ quyền riêng tư của dữ liệu người dùng càng trở nên quan trọng hơn. Cân bằng quyền riêng tư dữ liệu và hiệu suất mô hình khi xây dựng và đào tạo mô hình là một thách thức phức tạp.

Ngoài ra, để đáp ứng nhu cầu tính toán, mức độ song song hóa cao đã trở thành xu hướng tất yếu. Các mô hình học sâu hiện đại yêu cầu đào tạo song song trên các cụm phần cứng quy mô lớn để đáp ứng nhu cầu điện toán ngày càng mở rộng. Những tiến bộ trong công nghệ song song hóa mang lại hy vọng cho chúng ta trong việc giải quyết tình trạng thiếu tài nguyên máy tính.

Tóm lại, lĩnh vực điện toán học sâu phải đối mặt với nhiều thách thức, liên quan đến xác minh, thị trường, quyền riêng tư và hiệu quả. Giải quyết những thách thức này sẽ giúp thúc đẩy sự phát triển liên tục của công nghệ AI.

Thiết kế sản phẩm

Giao thức Gensyn giống như một mạng điện toán thông minh, được thiết kế đặc biệt để xử lý nhiệm vụ học tập chuyên sâu. Nó cho phép những người sẵn sàng sử dụng máy tính của mình tham gia vào các nhiệm vụ được khen thưởng như thể họ đang giúp đỡ người khác hoàn thành nhiệm vụ. Thỏa thuận này không yêu cầu người trung gian hoặc cơ quan thực thi pháp luật mà tự động phân công nhiệm vụ và trả thù lao thông qua một quy trình cụ thể. Tuy nhiên, việc đảm bảo rằng các nhiệm vụ trong mạng này thực sự được hoàn thành là một vấn đề phức tạp. Vì mỗi nhiệm vụ phụ thuộc vào kết quả của nhiệm vụ trước đó nên việc xác minh việc hoàn thành nhiệm vụ không hề đơn giản. Vấn đề này được giải quyết bằng cách kết hợp ba khái niệm chính thành một giải pháp hiệu quả hơn giúp việc xác minh nhiệm vụ trở nên đáng tin cậy hơn.

→ Bằng chứng học tập theo xác suất: Tận dụng siêu dữ liệu của quy trình tối ưu hóa độ dốc để xây dựng chứng chỉ công việc đã hoàn thành có thể được xác minh nhanh chóng bằng cách chạy lại một số giai đoạn nhất định.

→ Giao thức bản địa hóa dựa trên đồ thị: Sử dụng giao thức bản địa hóa dựa trên đồ thị, đa chi tiết và thực thi nhất quán quá trình xác thực chéo, cho phép các công việc xác thực được thực hiện lại chạy và so sánh, Để đảm bảo tính nhất quán, cuối cùng nó được xác nhận bởi chính blockchain.

topic Trò chơi khuyến khích theo phong cách Truebit: Xây dựng một trò chơi khuyến khích thông qua cơ chế đặt cược và giảm thiểu để đảm bảo rằng mỗi người tham gia hợp lý về mặt kinh tế đều thực hiện nhiệm vụ một cách trung thực.

Người tham gia

Có bốn vai trò chính liên quan đến hệ thống Gensyn: người gửi, người giải, người xác minh và người tố giác.

→ Người gửi: Người dùng cuối của hệ thống, người cung cấp các tác vụ cần tính toán và trả tiền cho công việc được thực hiện.

Người giải: là nhân viên chính của hệ thống, thực hiện đào tạo mô hình và tạo ra các bằng chứng cần được người xác minh kiểm tra.

Người xác minh: đóng vai trò quan trọng trong việc kết nối quá trình đào tạo không xác định với tính toán tuyến tính xác định, họ sao chép các phần bằng chứng của người giải và so sánh nó với ngưỡng dự kiến.

rent Người tố cáo: Biện pháp cuối cùng là người tố giác xem xét công việc của người xác thực và đặt câu hỏi khi phát hiện ra vấn đề với hy vọng nhận được tiền thưởng.

Phương thức đăng ký

Quy trình: Gửi nhiệm vụ->Phân tích->Đào tạo-> ;Tạo bằng chứng->Bằng chứng xác minh->Định vị chính xác dựa trên đồ thị->Cont->Trọng tài hợp đồng->Giải quyết

Chi phí và hiệu suất

Khi Ethereum chuyển từ bằng chứng công việc sang bằng chứng cổ phần, nhiều thợ mỏ sẽ mất thu nhập khai thác. Điều này mang đến cơ hội lớn cho giao thức Gensyn cho phép những người khai thác được trang bị phần cứng có khả năng học máy thu được phần thưởng khi sử dụng các chu trình xử lý hữu ích thay vì chỉ tính toán băm trong hệ thống bằng chứng công việc. Bằng cách thu hút các tài nguyên khai thác này và các tài nguyên điện toán tiềm năng khác, giao thức Gensyn có lợi thế về chi phí. Ví dụ: chi phí tính toán tương đương NVIDIA V100 sẽ rẻ hơn 80% so với tính toán theo yêu cầu của AWS.

Hiệu suất của giao thức Gensyn được đánh giá thông qua mô phỏng Python. Lấy mô hình phân loại hình ảnh MNIST nhỏ làm ví dụ, nó đã được thử nghiệm trên bộ xử lý Intel Core i7 6 nhân. Giao thức được so sánh với 3 phương pháp khác: chạy mô hình cục bộ (không sử dụng bất kỳ giao thức nào), sử dụng phương pháp sao chép giống Truebit (7 trình xác thực) và chạy mô hình trên Ethereum. Mặc dù mã thiếu tối ưu hóa ở cấp độ sản xuất, kết quả cho thấy giao thức Gensyn tăng chi phí thời gian khi đào tạo mô hình lên khoảng 46%, nhưng so với sao chép kiểu Truebit, hiệu suất được cải thiện 1.350% và so với chạy mô hình trên Ethereum, Hiệu suất cải thiện lên tới 2.522.477%. Điều này cho thấy giao thức Gensyn có lợi thế đáng kể trong việc đào tạo mô hình.

Nhóm/Đối tác/Tài chính

6 trên Thành viên LinkedIn:

https://www.linkedin.com/search/results/people/?currentCompany=%5B%2254109371%22%5D&origin=COMPANY_PAGE_CANNED_SEARCH& ;sid=dD *

Đối tác

Tài chính

rent Vòng cấp vốn Pre-Seed được tiến hành vào tháng 1 năm 2021, thu hút 7percent Ventures, Entrepreneur First, Counterview Capital và các nhà đầu tư bao gồm Id4 Ventures , đã huy động được 1,1 triệu đô la.

→ Vòng tài trợ hạt giống vào tháng 3 năm 2022, do Eden Block dẫn đầu, với Galaxy Digital, Maven 11, Coinfund, Jsquare, Hypersphere, Zee Prime, v.v. 11 các nhà đầu tư cũng tham gia đầu tư, nâng số tiền tài trợ lên 6,5 triệu USD.

Hoạt động tài trợ Series A được thực hiện vào ngày 12 tháng 6 năm 2023, do a16z dẫn đầu, với các nhà đầu tư như CoinFund, Canonical Crypto, Protocol Labs và Eden Block cũng tham gia Đầu tư, số tiền tài trợ đạt 43 triệu USD. Số tiền này sẽ được sử dụng để đẩy nhanh việc ra mắt giao thức, mở rộng đội ngũ nhân viên và tuyển dụng thêm kỹ sư máy học.

Gensyn đã nhận được hơn 50 triệu USD đầu tư ở nhiều giai đoạn tài trợ khác nhau.

Tóm tắt dự án

Nói chung, Gensyn là một giao thức sức mạnh tính toán phi tập trung dựa trên blockchain được dành riêng để hiện thực hóa việc phân phối và khen thưởng các nhiệm vụ học máy thông qua hợp đồng thông minh để đẩy nhanh quá trình đào tạo các mô hình AI và giảm chi phí. Tuy nhiên, triển vọng đào tạo phi tập trung của các mô hình lớn vẫn phải đối mặt với những thách thức như giao tiếp và quyền riêng tư, đồng thời tính khả thi cần được đánh giá lại.

Trong sự phát triển của lĩnh vực AI, mặc dù có tiềm năng trong việc sử dụng sức mạnh tính toán nhàn rỗi để đào tạo các mô hình lớn nhưng các mô hình AI nhỏ lại thuận tiện và hiệu quả hơn trong việc đào tạo các mô hình lớn. triển khai và quản lý. Trong nhiều tình huống ứng dụng, các mô hình AI nhỏ vẫn là lựa chọn thiết thực hơn và không nên bỏ qua giá trị của chúng trong việc theo đuổi cơn sốt mô hình lớn. Do đó, lộ trình phát triển của AI cần cân nhắc các kích thước và nhu cầu mô hình đa dạng để đạt được các ứng dụng rộng hơn và linh hoạt hơn.

Bài viết này được gửi đi và không thể hiện quan điểm của BlockBeats

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia