协议就像一个智能计算网络，专门用来处理深度学习任务。它使愿意用自己的计算机参与任务的人可以获得回报，就像在帮助他人完成任务一样。这个协议无需中间人或法律强制，而是通过特定程序自动分配任务并支付报酬。然而，确保这个网络中的任务真的被完成却是一个复杂的问题。由于每个任务都依赖前一个任务的结果，验证任务的完成并不简单。通过将三个关键概念融合成一个更高效的方案来解决这个问题，从而使任务验证更加可靠。 • 概率性学习证明：利用梯度优化过程的元数据，构建工作完成的证书，可以通过重新运行某些阶段快速验证。 • 基于图的定位协议：采用多粒度、基于图的定位协议和交叉验证一致的执行，使验证工作能够重新运行并进行比较，以确保一致性，最终由区块链自身进行确认。 • Truebit 风格的激励博弈：通过质押和削减的机制构建激励博弈，确保每位经济理性的参与者诚实履行任务。 参与者 Gensyn 系统中涉及四个主要角色：提交者、解决者、验证者和举报者。 • 提交者：即系统的最终用户，他们提供需要计算的任务，并支付已完成工作的费用。 • 解决者：是系统的主要工作者，执行模型训练并生成需要由验证者检查的证明。 • 验证者：在将不确定的训练过程与确定性的线性计算相连接方面至关重要，他们会复制解决者的部分证明，并将其与预期的阈值进行比较。 • 举报者：作为最后的安全保障，举报者者会审查验证者的工作，并在发现问题时提出质疑，以期获得奖金。 应用方式 流程：提交任务->分析->训练->证明生成->验证证明->基于图形的精确定位->Cont->合同仲裁 -> 结算 费用与性能 随着以太坊从工作量证明转向权益证明，许多矿工将失去挖矿收益。这为 Gensyn 协议带来了巨大机会，让这些装备了机器学习能力硬件的矿工能够利用有用的处理器周期获得回报，而不仅仅是在工作量证明系统中计算哈希。通过吸引这些挖矿资源以及其他潜在的计算资源，Gensyn 协议在成本方面有着优势，比如 NVIDIA V100 等价的计算成本将比 AWS 按需计算便宜 80%。 通过 Python 模拟，对 Gensyn 协议的性能进行了评估。以一个小型 MNIST 图像分类模型为例，在 6 核的 Intel Core i7 处理器上进行了测试。将协议与其他 3 种方法进行了比较：本地运行模型（不使用任何协议）、使用类似 Truebit 的复制方法（7 个验证者），以及在以太坊上运行模型。尽管代码缺乏生产级的优化，结果显示，Gensyn协议在模型训练时增加了约 46% 的时间开销，但相对于 Truebit 风格的复制，性能提升了 1,350%，而相对于在以太坊上运行模型，性能提升高达 2,522,477%。这表明Gensyn 协议在模型训练方面具有显著的优势。 总结 总之，Gensyn的核心目标是通过去中心化计划实现AI民主化，让更多的人可以参与到AI技术的创新和应用中。该计划的核心理念是利用未充分利用的计算设备资源，通过构建一个开放的、去中心化的验证系统，来提高AI模型的效率和准确性，并为AI创业者提供更多的机会和可能性。它是一个具有创新性和前瞻性的计划，有望在未来的AI领域中发挥重要作用。 目前AI板块代币还没有真正意义的龙头，Gensyn上线有望成为该板块的最大BOSS！ 来源：金色财经lg...
北美站
