Введение в искусственный интеллект в криптоиндустрии
Искусственный интеллект (ИИ) занимает лидирующие позиции в криптоиндустрии на сегодняшний день. Gensyn, распределенная вычислительная сеть для ИИ, управляемая a16z и получившая финансирование в размере 50 миллионов долларов США, безусловно, является конкурентоспособным проектом. Недавно Gensyn официально запустила свою тестовую сеть, что произошло более чем на год позже, чем предполагалось изначально. Тем не менее, этот шаг ознаменовал начало новой стадии с запуском тестовой сети.
Концепция Gensyn
Gensyn является отдельным Ethereum Rollup, созданным специально для машинного обучения. Тестовая сеть Gensyn интегрирует выполнение вне сети, проверки и структуры коммуникаций, стремясь предоставить децентрализованным системам ИИ ключевые функции, такие как:
- постоянная идентификация
- отслеживание участников
- поддержка атрибуции
- платежи
- координация удаленного выполнения
- доверительная проверка
- запись процесса обучения
- краудфандинг для масштабных задач обучения
RL Swarm: Основная функциональность и коллективное обучение
Первая фаза тестовой сети сосредоточена на отслеживании участия в RL Swarm — приложении для коллективного обучения с подкреплением. В этом приложении узлы могут быть связаны с идентичностями в сети, что позволяет точно фиксировать вклад каждого участника.
В тестовой сети Gensyn приложение RL Swarm является основной системой совместного обучения моделей и построено на децентрализованной сети. В отличие от традиционного независимого обучения одной модели, RL Swarm позволяет нескольким моделям взаимодействовать, критиковать и улучшать друг друга в сети, что способствует общему повышению производительности. Основная концепция заключается в „групповой мудрости“, когда сотрудничество и обратная связь между модельными узлами приводят к более эффективным результатам обучения.
Проще говоря, когда такие модели, как DeepSeek-R1, обучаются, они могут итеративно улучшать свои выходные данные через самокритику. RL Swarm расширяет этот механизм на группы моделей, достигая эффекта „много рук облегчают работу“.
Каждый модельный узел, присоединившийся к Swarm, участвует в трехэтапном процессе:
- Сначала он самостоятельно решает задачу и выдает идеи и решения.
- Затем сравнивает свои ответы с ответами других узлов и предоставляет обратную связь.
- В конечном итоге голосует за лучшее решение и корректирует свои выводы.
Этот совместный механизм улучшает как показатели каждой модели, так и способствует эволюции всей группы. Модели, подключившиеся к Swarm, могут сохранять улучшенные локальные веса даже после выхода из сети и получать реальные преимущества. Более того, Gensyn открыла исходный код для RL Swarm, позволяя любому желающему запустить узел и начать или присоединиться к уже существующему Swarm без разрешения.
Поддерживающая коммуникация Swarm использует протокол сплетни, предоставляемый Hivemind, который обеспечивает децентрализованные сообщения и обмен сигналами обучения между моделями. Независимо от того, используете ли вы домашний ноутбук или облачный GPU, вы можете участвовать в совместном обучении, присоединившись к узлу RL Swarm.
Три столпа инфраструктуры: исполнение, коммуникация и проверка
На сегодняшний день RL Swarm представляет собой лишь экспериментальную демонстрацию, показывающую крупномасштабный, масштабируемый метод машинного обучения, а не завершенный продукт. За последние четыре года основная работа Gensyn заключалась в создании базовой инфраструктуры. С запуском тестовой сети проект перешел в стадию v0.1 и может быть фактически запущен.
Согласно официальному описанию, общая архитектура Gensyn делится на три части: исполнение, коммуникацию и проверку.
Gensyn считает, что будущее машинного обучения не будет ограничиваться традиционными одиночными моделями, а станет интеграцией фрагментированных параметров, распределенных по устройствам по всему миру. Для достижения этой цели команда Gensyn разработала базовую архитектуру исполнения, которая обеспечивает согласованность между устройствами.
Ключевые технологии включают:
- алгоритм проверки, позволяющий удостовериться, что вычислительные результаты, представленные каждым участником, являются подлинными и действительными, что является основной задачей в недоверительной распределенной сети.
