Краткий анализ протокола децентрализованных вычислительных мощностей Gensyn для ускорения обучения модели ИИ

Первоисточник: TokenПодробнее
Обзор проекта
Gensyn — это децентрализованный протокол вычислений глубокого обучения на основе блокчейна, предназначенный для создания рынка вычислительной мощности искусственного интеллекта (AGI). Разбивайте сложные задачи машинного обучения на несколько подзадач и используйте вычислительные ресурсы участников для выполнения вычислений с высокой степенью параллелизма. Автоматизируя распределение задач, проверку и вознаграждение с помощью смарт-контрактов, Gensyn устраняет централизованное управление и предоставляет эффективное и автономное решение для вычислений машинного обучения.
Официальный сайт: https://www.gensyn.ai/
Твиттер: https://twitter.com/gensynai
техническое образование
С быстрым развитием технологий искусственного интеллекта модели глубокого обучения становятся все более и более сложными, а требования к вычислениям также резко возрастают. Однако доступные вычислительные ресурсы относительно скудны. На этом фоне возникает ряд проблем.
Во-первых, чтобы обеспечить точность вычислений, необходимо проверить эффективность вычислений глубокого обучения. Однако каждый уровень модели глубокого обучения зависит от результатов предыдущего уровня, что усложняет проверку. Необходимо найти способы обеспечить правильное выполнение каждого шага, особенно по мере того, как модели становятся все более сложными.
Во-вторых, существуют проблемы с построением рынка вычислительной техники. Как сбалансировать спрос и предложение, разумно сопоставить вычислительные ресурсы и как мотивировать участников тратить компьютерное время — все это сложные проблемы, которые необходимо решить. Традиционные рыночные модели, возможно, больше не применимы в сфере вычислений, и необходимо изучить новые подходы.
Защита конфиденциальности также является важным вопросом. Поскольку правила конфиденциальности ужесточаются во всем мире, защита конфиденциальности пользовательских данных становится еще более важной. Баланс между конфиденциальностью данных и производительностью модели при построении и обучении моделей — сложная задача.
Кроме того, для удовлетворения вычислительных потребностей неизбежной тенденцией стала высокая степень распараллеливания. Современные модели глубокого обучения требуют параллельного обучения на крупномасштабных аппаратных кластерах, чтобы справиться с постоянно растущими вычислительными потребностями. Достижения в области технологий распараллеливания дают нам некоторую надежду на решение проблемы нехватки вычислительных ресурсов.
Подводя итог, можно сказать, что область вычислений с глубоким обучением сталкивается со многими проблемами, включая проверку, рынок, конфиденциальность и эффективность. Решение этих проблем поможет стимулировать дальнейшее развитие технологий искусственного интеллекта.
дизайн продукта
Протокол Gensyn похож на интеллектуальную вычислительную сеть, специально разработанную для решения задач глубокого обучения. Это позволяет людям, которые готовы использовать свои компьютеры для участия в задачах, получать вознаграждение, как если бы они помогали другим выполнять задачи. Это соглашение не требует посредников или правоохранительных органов, но автоматически распределяет задачи и выплачивает компенсацию посредством определенного процесса. Однако обеспечение фактического выполнения задач в этой сети является сложной проблемой. Поскольку каждая задача зависит от результатов предыдущей задачи, проверка выполнения задачи не является простой задачей. Эта проблема решается путем объединения трех ключевых концепций в более эффективное решение, которое делает проверку миссии более надежной.
• Вероятностные доказательства обучения: используйте метаданные процесса оптимизации градиента для создания сертификатов проделанной работы, которые можно быстро проверить, перезапустив определенные этапы.
• Протокол позиционирования на основе графов. Использует протокол позиционирования на основе графов с многоуровневой структурой и последовательное выполнение перекрестной проверки, что позволяет повторно запускать и сравнивать задания проверки для обеспечения согласованности и, в конечном итоге, подтверждения самой цепочкой блоков.
• Поощрительная игра в стиле Truebit: создайте поощрительную игру с помощью механизма ставок и сокращений, чтобы гарантировать, что каждый экономически рациональный участник честно выполняет задачи.
участники
В системе Gensyn задействованы четыре основные роли: отправитель, распознаватель, валидатор и репортер.
• Отправитель: Конечный пользователь системы, который предоставляет задачи для расчета и платит за выполненную работу.
• Решатель: является основным работником системы, выполняющим обучение модели и генерирующим доказательства, которые необходимо проверить верификатору.
• Верификаторы: они играют решающую роль в соединении недетерминированного процесса обучения с детерминированными линейными вычислениями. Они копируют части доказательства решателя и сравнивают их с ожидаемыми пороговыми значениями.
• Информаторы: В крайнем случае, информаторы проверяют работу валидаторов и оспаривают проблемы, когда они их обнаруживают, в надежде получить вознаграждение.
Способ применения
Процесс: Отправить задачу->Анализ->Обучение->Генерация доказательств->Проверка доказательств->Точное позиционирование на основе графика->Продолжение->Арбитраж по контракту->Урегулирование
Стоимость и производительность
Поскольку Ethereum переходит от Proof-of-Work к Proof-of-Stake, многие майнеры потеряют прибыль от майнинга. Это открывает огромную возможность для протокола Gensyn, позволяя майнерам, оснащенным оборудованием с поддержкой машинного обучения, получать вознаграждение за использование полезных циклов процессора, а не просто за вычисление хэшей в системе доказательства работы. Привлекая эти ресурсы для майнинга и, возможно, другие вычислительные ресурсы, протокол Gensyn имеет ценовое преимущество. Например, затраты на вычисления, эквивалентные NVIDIA V100, будут на 80 % дешевле, чем вычисления по требованию в AWS.
Производительность протокола Gensyn оценивалась посредством моделирования Python. В качестве примера взята небольшая модель классификации изображений MNIST. Она была протестирована на 6-ядерном процессоре Intel Core i7. Протокол сравнивался с тремя другими методами: локальный запуск модели (без использования какого-либо протокола), использование метода репликации, подобного Truebit (7 валидаторов), и запуск модели на Ethereum. Хотя в коде отсутствует оптимизация на производственном уровне, результаты показывают, что протокол Gensyn увеличивает затраты времени при обучении модели примерно на 46 %, но по сравнению с репликацией в стиле Truebit производительность повышается на 1350 %, а по сравнению с запуском модель на Ethereum, прирост производительности до 2 522 477%. Это показывает, что протокол Gensyn имеет значительные преимущества при обучении моделей.
Команда/Партнеры/Финансирование
6 человек в LinkedIn:
https://www.linkedin.com/search/results/people/?currentCompany=%5B%2254109371%22%5D&origin=COMPANY_PAGE_CANNED_SEARCH&sid=dD *
Партнер
Финансирование
• Раунд предварительного финансирования в январе 2021 года соберет 1,1 миллиона долларов США от инвесторов, включая 7percent Ventures, Entrepreneur First, Counterview Capital и Id4 Ventures.
• В марте 2022 года был проведен посевной раунд финансирования под руководством Eden Block, в котором также приняли участие 11 инвесторов, включая Galaxy Digital, Maven 11, Coinfund, Jsquare, Hypersphere, Zee Prime, при этом сумма финансирования достигла 6,5 миллионов долларов США.
• Финансирование серии A было проведено 12 июня 2023 года под руководством a16z, Canonical Crypto, Protocol Labs, Eden Block и других инвесторов, которые также приняли участие в инвестициях, сумма финансирования достигла 43 миллионов долларов США. Средства будут использованы для ускорения запуска протокола, расширения штата сотрудников и привлечения большего количества инженеров по машинному обучению.
Gensyn получила более 50 миллионов долларов инвестиций на различных этапах финансирования.
Краткое описание проекта
В целом Gensyn — это децентрализованный протокол вычислительной мощности, основанный на блокчейне, предназначенный для реализации распределения и вознаграждения за задачи машинного обучения посредством смарт-контрактов для ускорения обучения моделей ИИ и снижения затрат. Однако перспектива децентрализованного обучения крупных моделей по-прежнему сталкивается с такими проблемами, как коммуникация и конфиденциальность, и ее осуществимость необходимо переоценить.
В развитии области ИИ, хотя и существует потенциал использования простаивающих вычислительных мощностей для обучения больших моделей, небольшие модели ИИ более удобны и эффективны в развертывании и управлении. Во многих сценариях применения небольшие модели ИИ по-прежнему являются более практичным вариантом, и их ценность не следует игнорировать в погоне за увлечением большими моделями. Таким образом, путь развития ИИ должен учитывать различные размеры моделей и потребности для достижения более широких и гибких приложений.
 Эта статья взята из материала и не отражает точку зрения BlockBeats.