! [Gensyn testnet diluncurkan, bagaimana membuat pelatihan AI lebih efisien dan terdesentralisasi?] ](https://img.gateio.im/social/moments-6404d294956ca781747ec419e6b4d906)
AI adalah sektor yang paling diperhatikan dalam industri kripto saat ini, di mana jaringan komputasi AI terdistribusi Gensyn yang dipimpin oleh a16z dan memiliki total pendanaan sebesar 50 juta dolar AS jelas merupakan proyek yang kompetitif. Baru-baru ini, Gensyn resmi meluncurkan testnet, meskipun terlambat lebih dari satu tahun dari jadwal awal, tetapi dengan peluncuran testnet akhirnya memasuki tahap baru.
Sebagai sebuah Ethereum Rollup yang disesuaikan khusus untuk pembelajaran mesin, Gensyn Testnet mengintegrasikan eksekusi off-chain, kerangka verifikasi dan komunikasi, bertujuan untuk menyediakan identitas yang persisten, pelacakan partisipasi, pemeliharaan kepemilikan, pembayaran, koordinasi eksekusi jarak jauh, verifikasi tanpa kepercayaan, pencatatan proses pelatihan, serta crowdfunding tugas pelatihan skala besar untuk sistem AI desentralisasi.
Tahap pertama dari Testnet berfokus pada pelacakan partisipasi di dalam RL Swarm. RL Swarm adalah aplikasi untuk pelatihan pasca penguatan kolaboratif, di mana nodenya dapat terikat dengan identitas di blockchain, sehingga memastikan kontribusi setiap node peserta tercatat dengan akurat.
RL Swarm: Fitur Utama dan Pelatihan Kolaboratif
Di Gensyn Testnet, sebagai aplikasi inti, RL Swarm adalah sistem pelatihan kolaboratif model yang dibangun di atas jaringan desentralisasi. Berbeda dengan pelatihan model tunggal secara independen yang tradisional, RL Swarm memungkinkan beberapa model untuk saling berkomunikasi, mengkritik, dan memperbaiki di dalam jaringan, sehingga secara bersama-sama meningkatkan kinerja keseluruhan. Inti dari pemikiran ini adalah "kebijaksanaan kolektif", yaitu melalui kolaborasi dan umpan balik antar model di setiap node, mencapai hasil pelatihan yang lebih efisien.
Dapat dipahami dengan sederhana bahwa model seperti DeepSeek-R1 dapat meningkatkan kinerja inferensi melalui kritik diri selama pelatihan inferensi, sementara RL Swarm memperluas mekanisme ini ke dalam kelompok multi-model, mewujudkan efek "banyak tangan mengangkat beban ringan".
Berdasarkan sistem RL Swarm, model tidak hanya bergantung pada umpan balik sendiri, tetapi juga mengamati dan mengevaluasi kinerja model lain, mengidentifikasi kekurangan sendiri dan melakukan optimasi. Setiap node model yang bergabung dengan Swarm berpartisipasi dalam proses tiga tahap: pertama, menyelesaikan masalah secara mandiri dan mengeluarkan pemikiran serta jawaban, kemudian melihat jawaban node lain dan memberikan umpan balik, dan akhirnya model memberikan suara untuk memilih solusi terbaik dan memperbaiki output-nya berdasarkan itu. Mekanisme kolaboratif ini tidak hanya meningkatkan kinerja setiap model, tetapi juga mendorong evolusi seluruh kelompok model. Model yang bergabung dengan Swarm dapat mempertahankan bobot lokal yang telah diperbaiki setelah keluar, memperoleh keuntungan nyata.
Selain itu, Gensyn telah mengopen source kode RL Swarm, siapa pun dapat menjalankan node, memulai atau bergabung dengan Swarm yang ada tanpa izin. Komunikasi dasar Swarm menggunakan protokol gossip yang disediakan oleh Hivemind, mendukung pengiriman pesan dan berbagi sinyal belajar yang desentralisasi antara model. Baik laptop rumahan maupun GPU di cloud dapat ikut serta dalam pelatihan kolaboratif dengan bergabung ke node RL Swarm.
Infrastruktur tiga pilar utama: eksekusi, komunikasi, dan verifikasi
Saat ini RL Swarm masih merupakan sebuah demonstrasi eksperimental, yang menunjukkan metode pembelajaran mesin yang berskala besar dan dapat diskalakan, bukan bentuk produk akhir. Dalam empat tahun terakhir, pekerjaan inti Gensyn sebenarnya adalah membangun infrastruktur dasar, dan setelah rilis Testnet, telah memasuki tahap v0.1, yang sudah dapat dijalankan secara nyata. Menurut pengenalan resmi, arsitektur keseluruhan Gensyn dibagi menjadi tiga bagian: eksekusi, komunikasi, dan verifikasi.
Eksekusi (Execution): konsistensi dan kekuatan komputasi terdistribusi
Gensyn percaya bahwa masa depan pembelajaran mesin tidak lagi terbatas pada model monolitik tradisional, melainkan terdiri dari parameter yang terfragmentasi yang tersebar di berbagai perangkat di seluruh dunia. Untuk mencapai tujuan ini, tim Gensyn mengembangkan arsitektur eksekusi dasar yang dapat memastikan konsistensi antar perangkat. Teknologi kunci di dalamnya meliputi:
Penyimpanan dan pelatihan parameter terdistribusi: Dengan membagi model skala besar menjadi beberapa blok parameter dan mendistribusikannya di berbagai perangkat, Gensyn mencapai penyebaran model yang terfragmentasi, mengurangi kebutuhan memori pada node tunggal.
Pelatihan Pasca Pembelajaran Penguatan (RL Post-Training): Penelitian menunjukkan bahwa ketika model dilatih secara kolektif, saling berkomunikasi, dan mengkritik jawaban satu sama lain, efisiensi pembelajaran keseluruhan akan meningkat secara signifikan. Gensyn menggunakan RL Swarm untuk mendemonstrasikan konsep ini, memungkinkan model untuk maju dengan cepat dalam diskusi kolektif, lebih lanjut memvalidasi efektivitas eksekusi terdistribusi.
Operator yang Dapat Direproduksi (RepOps): Untuk memastikan bahwa perangkat keras yang berbeda (seperti Nvidia A100 dan H100) dapat menghasilkan hasil perhitungan yang sepenuhnya konsisten, Gensyn mengembangkan pustaka RepOps, yang mewujudkan reproduksi bit demi bit lintas platform dengan menetapkan urutan pelaksanaan operasi floating point.
Komunikasi: Interaksi informasi yang efisien
Dalam skenario pelatihan terdistribusi skala besar, komunikasi yang efisien antar node sangat penting. Metode paralel data tradisional meskipun dapat mengurangi biaya komunikasi hingga tingkat tertentu, tetapi karena memerlukan setiap node untuk menyimpan model lengkap, skalabilitasnya terhambat oleh batasan memori. Untuk itu, Gensyn telah mengajukan solusi baru yang lengkap:
SkipPipe – pipa loncat dinamis paralel: Teknologi SkipPipe memilih lapisan perhitungan yang dilalui microbatch secara dinamis, melewati beberapa tahap dalam jalur tradisional, sehingga mengurangi waktu tunggu yang tidak perlu. Algoritma penjadwalan inovatifnya dapat menilai ketersediaan setiap jalur secara real-time, mengurangi waktu idle node dan secara signifikan memperpendek durasi pelatihan keseluruhan. Menurut data uji, di lingkungan desentralisasi, SkipPipe dapat mengurangi waktu pelatihan sekitar 55%, dan dalam kasus kegagalan beberapa node, performa model hanya menurun sekitar 7%.
Standar komunikasi dan kolaborasi antar node Gensyn membangun protokol komunikasi yang mirip dengan TCP/IP, sehingga peserta di seluruh dunia, tanpa memandang perangkat yang digunakan, dapat melakukan transfer data dan interaksi informasi dengan efisien dan tanpa hambatan. Standar terbuka ini menyediakan dasar jaringan yang kokoh untuk pelatihan kolaboratif terdistribusi.
Verifikasi: memastikan kepercayaan dan keamanan
Dalam jaringan terdistribusi yang tidak memerlukan kepercayaan, mengonfirmasi bahwa hasil perhitungan yang disampaikan oleh setiap pihak yang terlibat adalah nyata dan valid merupakan tantangan besar. Gensyn memperkenalkan protokol verifikasi khusus untuk memastikan semua penyedia daya komputasi memberikan hasil kerja yang benar melalui mekanisme yang efisien dan biaya rendah:
Protokol Verifikasi Verde: Verde adalah sistem verifikasi pertama yang dirancang khusus untuk pembelajaran mesin modern. Intinya adalah memanfaatkan mekanisme penyelesaian sengketa yang ringan untuk dengan cepat mengidentifikasi langkah di mana terjadi perbedaan antara model dan verifier selama proses pelatihan. Berbeda dengan metode verifikasi tradisional yang memerlukan pengulangan seluruh tugas, Verde hanya perlu menghitung ulang operasi yang diperdebatkan, sehingga secara signifikan mengurangi biaya verifikasi.
delegasi yang dirujuk (裁决式委托): Setelah menggunakan metode ini, jika ada masalah dengan output dari seorang penyedia, validator dapat meyakinkan pihak arbiter netral melalui permainan penyelesaian sengketa yang efisien, memastikan bahwa setidaknya ada satu node yang jujur sehingga keakuratan hasil komputasi secara keseluruhan terjamin.
Penyimpanan dan status hash sementara: Untuk mendukung proses verifikasi di atas, peserta hanya perlu menyimpan dan menghash sebagian titik pemeriksaan pelatihan sementara, bukan data penuh, yang mengurangi penggunaan sumber daya dan meningkatkan skalabilitas serta real-time sistem.
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Gensyn Testnet diluncurkan, bagaimana cara membuat pelatihan AI lebih efisien dan lebih desentralisasi?
! [Gensyn testnet diluncurkan, bagaimana membuat pelatihan AI lebih efisien dan terdesentralisasi?] ](https://img.gateio.im/social/moments-6404d294956ca781747ec419e6b4d906)
AI adalah sektor yang paling diperhatikan dalam industri kripto saat ini, di mana jaringan komputasi AI terdistribusi Gensyn yang dipimpin oleh a16z dan memiliki total pendanaan sebesar 50 juta dolar AS jelas merupakan proyek yang kompetitif. Baru-baru ini, Gensyn resmi meluncurkan testnet, meskipun terlambat lebih dari satu tahun dari jadwal awal, tetapi dengan peluncuran testnet akhirnya memasuki tahap baru.
Sebagai sebuah Ethereum Rollup yang disesuaikan khusus untuk pembelajaran mesin, Gensyn Testnet mengintegrasikan eksekusi off-chain, kerangka verifikasi dan komunikasi, bertujuan untuk menyediakan identitas yang persisten, pelacakan partisipasi, pemeliharaan kepemilikan, pembayaran, koordinasi eksekusi jarak jauh, verifikasi tanpa kepercayaan, pencatatan proses pelatihan, serta crowdfunding tugas pelatihan skala besar untuk sistem AI desentralisasi.
Tahap pertama dari Testnet berfokus pada pelacakan partisipasi di dalam RL Swarm. RL Swarm adalah aplikasi untuk pelatihan pasca penguatan kolaboratif, di mana nodenya dapat terikat dengan identitas di blockchain, sehingga memastikan kontribusi setiap node peserta tercatat dengan akurat.
RL Swarm: Fitur Utama dan Pelatihan Kolaboratif
Di Gensyn Testnet, sebagai aplikasi inti, RL Swarm adalah sistem pelatihan kolaboratif model yang dibangun di atas jaringan desentralisasi. Berbeda dengan pelatihan model tunggal secara independen yang tradisional, RL Swarm memungkinkan beberapa model untuk saling berkomunikasi, mengkritik, dan memperbaiki di dalam jaringan, sehingga secara bersama-sama meningkatkan kinerja keseluruhan. Inti dari pemikiran ini adalah "kebijaksanaan kolektif", yaitu melalui kolaborasi dan umpan balik antar model di setiap node, mencapai hasil pelatihan yang lebih efisien.
Dapat dipahami dengan sederhana bahwa model seperti DeepSeek-R1 dapat meningkatkan kinerja inferensi melalui kritik diri selama pelatihan inferensi, sementara RL Swarm memperluas mekanisme ini ke dalam kelompok multi-model, mewujudkan efek "banyak tangan mengangkat beban ringan".
Berdasarkan sistem RL Swarm, model tidak hanya bergantung pada umpan balik sendiri, tetapi juga mengamati dan mengevaluasi kinerja model lain, mengidentifikasi kekurangan sendiri dan melakukan optimasi. Setiap node model yang bergabung dengan Swarm berpartisipasi dalam proses tiga tahap: pertama, menyelesaikan masalah secara mandiri dan mengeluarkan pemikiran serta jawaban, kemudian melihat jawaban node lain dan memberikan umpan balik, dan akhirnya model memberikan suara untuk memilih solusi terbaik dan memperbaiki output-nya berdasarkan itu. Mekanisme kolaboratif ini tidak hanya meningkatkan kinerja setiap model, tetapi juga mendorong evolusi seluruh kelompok model. Model yang bergabung dengan Swarm dapat mempertahankan bobot lokal yang telah diperbaiki setelah keluar, memperoleh keuntungan nyata.
Selain itu, Gensyn telah mengopen source kode RL Swarm, siapa pun dapat menjalankan node, memulai atau bergabung dengan Swarm yang ada tanpa izin. Komunikasi dasar Swarm menggunakan protokol gossip yang disediakan oleh Hivemind, mendukung pengiriman pesan dan berbagi sinyal belajar yang desentralisasi antara model. Baik laptop rumahan maupun GPU di cloud dapat ikut serta dalam pelatihan kolaboratif dengan bergabung ke node RL Swarm.
Infrastruktur tiga pilar utama: eksekusi, komunikasi, dan verifikasi
Saat ini RL Swarm masih merupakan sebuah demonstrasi eksperimental, yang menunjukkan metode pembelajaran mesin yang berskala besar dan dapat diskalakan, bukan bentuk produk akhir. Dalam empat tahun terakhir, pekerjaan inti Gensyn sebenarnya adalah membangun infrastruktur dasar, dan setelah rilis Testnet, telah memasuki tahap v0.1, yang sudah dapat dijalankan secara nyata. Menurut pengenalan resmi, arsitektur keseluruhan Gensyn dibagi menjadi tiga bagian: eksekusi, komunikasi, dan verifikasi.
Eksekusi (Execution): konsistensi dan kekuatan komputasi terdistribusi
Gensyn percaya bahwa masa depan pembelajaran mesin tidak lagi terbatas pada model monolitik tradisional, melainkan terdiri dari parameter yang terfragmentasi yang tersebar di berbagai perangkat di seluruh dunia. Untuk mencapai tujuan ini, tim Gensyn mengembangkan arsitektur eksekusi dasar yang dapat memastikan konsistensi antar perangkat. Teknologi kunci di dalamnya meliputi:
Komunikasi: Interaksi informasi yang efisien
Dalam skenario pelatihan terdistribusi skala besar, komunikasi yang efisien antar node sangat penting. Metode paralel data tradisional meskipun dapat mengurangi biaya komunikasi hingga tingkat tertentu, tetapi karena memerlukan setiap node untuk menyimpan model lengkap, skalabilitasnya terhambat oleh batasan memori. Untuk itu, Gensyn telah mengajukan solusi baru yang lengkap:
Verifikasi: memastikan kepercayaan dan keamanan
Dalam jaringan terdistribusi yang tidak memerlukan kepercayaan, mengonfirmasi bahwa hasil perhitungan yang disampaikan oleh setiap pihak yang terlibat adalah nyata dan valid merupakan tantangan besar. Gensyn memperkenalkan protokol verifikasi khusus untuk memastikan semua penyedia daya komputasi memberikan hasil kerja yang benar melalui mekanisme yang efisien dan biaya rendah: