Présentation de GPU-EVM : un nouvel acteur dans la course à l'EVM parallèle, utilisant l'EVM pour entraîner des agents d'intelligence artificielle
TechFlow SélectionTechFlow Sélection
Présentation de GPU-EVM : un nouvel acteur dans la course à l'EVM parallèle, utilisant l'EVM pour entraîner des agents d'intelligence artificielle
GPU-EVM utilise les unités de traitement graphique (GPU) pour exécuter en parallèle des opérations, améliorant ainsi le débit des transactions.
Dédié à des analyses Web3 approfondiesRédaction : Eito Miyamura
Traduction : TechFlow
GatlingX est un projet dirigé par des anciens de l'Université d'Oxford, spécialisé dans l'apprentissage automatique (machine learning) et l'apprentissage par renforcement (reinforcement learning). Ils ont récemment lancé « GPU-EVM » — selon leurs tests internes, il s'agirait du machine virtuelle Ethereum (EVM) le plus performant actuellement disponible sur le marché.
GPU-EVM est une solution d'extension EVM extrêmement performante, au point que les agents d'intelligence artificielle (IA) les plus avancés basés sur l'apprentissage par renforcement (RL) peuvent désormais être formés dessus, affirme l'équipe de développement. En exploitant l'exécution parallèle de multiples applications Ethereum, cette technologie permet d'entraîner des agents IA à détecter des vulnérabilités de sécurité.
GPU-EVM utilise les unités de traitement graphique (GPU) pour exécuter en parallèle des opérations, augmentant ainsi le débit transactionnel. Selon l'équipe, la vitesse de traitement de GPU-EVM serait près de 100 fois supérieure à celle des EVM hautes performances actuels comme evmone ou revm. Cet avantage provient principalement de la capacité des GPU à traiter simultanément plusieurs opérations, grâce à leur architecture intrinsèquement adaptée au calcul parallèle.
GPU-EVM exploite toute la puissance des unités de traitement graphique (GPU) pour exécuter en parallèle les opérations de la machine virtuelle Ethereum (EVM). Contrairement à une exécution séquentielle des tâches, GPU-EVM peut traiter simultanément de nombreuses opérations, accélérant considérablement les calculs. Cette percée réalisée par une équipe d'anciens étudiants en informatique et en intelligence artificielle de l'Université d'Oxford améliore radicalement l'efficacité économique des calculs effectués par l'EVM par seconde.
La machine virtuelle Ethereum (EVM) est la machine virtuelle standard du secteur, qui exécute les contrats intelligents et constitue la base de la technologie blockchain moderne. L’EVM fonctionne comme un système d'exploitation pour la blockchain, permettant des transactions fiables sans tiers de confiance via son logiciel client basé sur le CPU, réparti sur de nombreux ordinateurs.
Grâce aux gains de performance offerts par GPU-EVM, les équipes ingénierie ambitieuses bénéficient d'une capacité accrue : infrastructure pour modèles d'IA/RL interagissant avec l'EVM, accélération des solutions Layer 2 (L2), MEV, backtesting, etc. (plus de détails ci-dessous).
GPU-EVM : Un nouveau paradigme du calcul EVM
NVIDIA, initialement une entreprise spécialisée dans les jeux vidéo, est devenue un acteur clé du calcul, au cœur de la révolution de l'intelligence artificielle. Cette évolution illustre le passage de la loi de Moore — qui prédisait un doublement du pouvoir de calcul tous les deux ans — à la « loi de Huang », nommée d'après Jensen Huang, PDG de NVIDIA. Cette dernière affirme que grâce à l'intégration du matériel, des logiciels et de l'IA, la performance des GPU doublera plus d'une fois tous les deux ans, surpassant celle des CPU et devenant ainsi central pour l'accélération des tâches complexes.
À mesure que nous atteignons les limites de la loi de Moore, la dépendance croissante à la parallélisation offerte par les GPU annonce une nouvelle ère du calcul, passant d'une domination du CPU à une avancée pilotée par le GPU (voir l'échelle de Dennard, la loi d'Amdahl). Ce changement est comparable à la transition d'une route à une seule voie vers une autoroute à plusieurs voies : non seulement cela accélère les processus, mais cela permet également bien plus d'activités simultanées, élargissant ainsi les possibilités technologiques.
Le paradoxe de Jevons illustre parfaitement cet effet : tout comme l'efficacité des ampoules LED a conduit à une utilisation plus large plutôt qu'à une réduction de la consommation, l'amélioration d'efficacité et la baisse de coût permises par GPU-EVM ouvrent la porte à de nouvelles possibilités. Il ne s'agit pas simplement d'économiser des ressources, mais aussi de stimuler l'innovation et l'adoption, tant dans la technologie blockchain qu'au-delà, annonçant un futur où l'efficacité du calcul GPU propulse une croissance exponentielle des applications informatiques.
Performance de GPU-EVM
En tirant parti des progrès significatifs du calcul généraliste sur GPU moderne, nous avons porté les performances de GPU-EVM à un niveau supérieur à 100 fois celui des EVM traditionnels. Les GPU modernes disposent de milliers de cœurs capables de traiter simultanément de nombreuses opérations, ce qui les rend idéaux pour les tâches parallèles. Cet avantage architectural fondamental permet à GPU-EVM d'exécuter massivement en parallèle les instructions EVM, accélérant considérablement les calculs et améliorant l'efficacité.
Pour mesurer objectivement les gains de performance apportés par GPU-EVM, nous avons mené des tests complets à l'aide de l'outil open source fourni par EVM Bench. Cet outil nous permet de simuler diverses opérations EVM et de comparer les temps d'exécution entre les EVM traditionnels basés sur CPU et notre GPU-EVM.
Par rapport aux paradigmes de calcul traditionnels, GPU-EVM tire pleinement parti de la puissance inégalée de traitement des GPU, établissant ainsi une nouvelle référence en matière de performance et d'efficacité pour l'EVM.
Fort de cette base technique, explorons maintenant comment GPU-EVM peut révolutionner des domaines tels que la formation des agents d'IA et la simulation DeFi, ouvrant de nouvelles perspectives pour les applications blockchain.
Former des agents d'IA avec l'EVM
L'intelligence artificielle transforme le monde, menée par ChatGPT et d'autres chatbots basés sur les grands modèles linguistiques (LLM), formés via l'apprentissage par renforcement à partir de retours humains, appliquant ainsi les principes du reinforcement learning (RL). Au cœur du RL se trouve le processus d'entraînement d'un agent d'IA à prendre des décisions en interagissant avec un environnement qui récompense certains comportements. Cette méthode d'apprentissage est cruciale car elle reflète la manière fondamentale dont les humains et les animaux apprennent de leur environnement, en faisant du RL un pilier essentiel pour développer des systèmes intelligents capables de s'adapter et d'optimiser leur comportement.
La victoire historique d'AlphaGo contre le champion mondial de go illustre le pouvoir transformatif du RL. Ce n'était pas qu'une simple partie : cela démontrait comment, grâce au RL, une IA pouvait découvrir des stratégies et solutions allant au-delà de l'intuition humaine, par simulation et interaction avec l'environnement complexe du plateau de go. Cette percée souligne l'essence même du RL : permettre à un agent d'IA de naviguer de façon autonome dans son environnement et d'en apprendre, afin d'atteindre un objectif spécifique, guidé par un système de récompenses.
Toutefois, le chemin vers ces percées en IA via le RL est semé d'obstacles computationnels. La simulation d'environnements pour l'IA nécessite d'importantes ressources informatiques. L'avènement de plateformes utilisant la parallélisation GPU pour les environnements simulés, telles que Isaac Gym de NVIDIA, Brax de Google ou encore JAX-LOB, a joué un rôle clé dans le franchissement de ces obstacles. En exploitant la parallélisation GPU, ces plateformes ont obtenu des gains de performance allant de 100 à 250 000 fois, rendant le RL beaucoup plus faisable et efficace. Comme le goulot d'étranglement principal de l'entraînement IA réside souvent dans la bande passante de communication entre CPU et GPU, la parallélisation GPU a permis ces améliorations de vitesse et est désormais devenue la norme dans la communauté de recherche en RL.
Dans le monde en rapide évolution de l'IA, GPU-EVM agit comme un environnement de simulation parallélisé sur GPU, favorisant directement l'entraînement d'agents d'IA au sein de l'écosystème blockchain. Une application particulièrement prometteuse concerne le secteur financier, où GPU-EVM pourrait révolutionner les systèmes de détection de fraude en temps réel. Historiquement, l'importance de ces systèmes est illustrée par Max Levchin, qui a développé le premier mécanisme anti-fraude de PayPal pour éviter la faillite de l'entreprise. En permettant à une IA financière de simuler et analyser des millions de transactions en quelques secondes, elle peut identifier des schémas anormaux liés à la fraude avec une rapidité et une précision inédites. Une capacité autrefois réalisable en jours, voire semaines, devient instantanée, marquant un tournant majeur dans la manière dont les institutions financières combattent la fraude. En intégrant des agents d'IA à l'EVM via GPU-EVM, on ouvre de nouvelles voies pour appliquer les principes du RL dans le domaine blockchain : ici, l'agent apprend et s'améliore en identifiant correctement les transactions frauduleuses selon une fonction de récompense prédéfinie.
Accélération / Simulation L2
L'émergence des solutions de deuxième couche (Layer 2) est cruciale pour augmenter le débit d'Ethereum, facilitant ainsi son adoption grand public, notamment dans les paiements. En traitant les transactions en dehors de la blockchain principale d'Ethereum (Layer 1), les solutions L2 améliorent considérablement la capacité du réseau tout en préservant ses principes fondamentaux de sécurité et de décentralisation. Contrairement aux systèmes traditionnels basés sur CPU, GPU-EVM fonctionne indépendamment et peut s'intégrer de manière transparente pour accélérer les solutions L2 existantes. Cette accélération peut être réalisée par divers moyens, notamment l'optimisation des fonctions de consultation (view functions) ou l'utilisation d'algorithmes comme la recherche arborescente de Monte Carlo (Monte Carlo Tree Search), afin d'obtenir une construction de blocs et un ordonnancement des transactions plus efficaces.
Cependant, dans le contexte de l'accélération L2, le rôle des EVM parallèles est complexe et requiert une attention particulière. Accélérer directement les solutions L2 via un EVM parallèle n'est pas aussi simple qu'il y paraît. Pour exploiter pleinement les capacités de l'EVM parallèle, il faut repenser ensemble la conception des solutions L2 et de leurs bases de données. Ce point est mis en évidence par des travaux tels que ceux mentionnés ci-dessous :
Bien que l'intégration de GPU-EVM aux solutions L2 soit très prometteuse, il convient de noter que d'autres défis doivent encore être relevés. Le principal goulot d'étranglement de cet effort inclut la résolution des limitations liées au stockage, la gestion des transactions interdépendantes sur de longues chaînes et la réduction des coûts liés à l'expansion d'état. GPU-EVM seul ne peut pas résoudre tous ces problèmes. Ainsi, dans le cadre de l'accélération L2, une collaboration visant à innover dans la conception des solutions L2 et de leurs bases de données sous-jacentes est essentielle pour surmonter ces obstacles et tirer pleinement parti des avantages de GPU-EVM.
Simulation DeFi / Fuzzing
L'amélioration fondamentale des performances de GPU-EVM entraîne une transformation radicale dans la simulation DeFi et le fuzzing. Cette augmentation remarquable de la capacité de traitement des données permet de découvrir des cas limites dans les stratégies et conceptions de protocoles DeFi auparavant inaccessibles, révélant ainsi de nouvelles vulnérabilités potentielles. Pour illustrer l'importance de cette avancée, on peut comparer les méthodes traditionnelles basées sur CPU à un pistolet à eau, tandis que GPU-EVM ressemble davantage à un puissant jet d'eau, offrant un moyen bien plus efficace d'éliminer les bugs.
Grâce aux gains de performance fondamentaux de GPU-EVM, les outils de fuzzing exécutés sur cette plateforme peuvent explorer en profondeur et fonctionner à une vitesse impressionnante, identifiant des cas limites en quelques secondes. Cela contraste fortement avec les outils de fuzzing basés sur CPU, qui pourraient nécessiter plusieurs semaines, voire mois, pour détecter les mêmes problèmes. La capacité d'exécuter ces fuzzer avancés sur GPU-EVM permet une surveillance continue des contrats intelligents, notamment ceux en production réelle. Ces systèmes automatisés cherchent sans relâche à mettre à l'épreuve les contrats intelligents, anticipant plusieurs coups à l'avance les vulnérabilités potentielles, à la manière d'une partie d'échecs stratégique, dans le but ultime d'assurer le plus haut niveau de sécurité possible.
Notre produit à venir incarnera précisément cette approche de pointe en matière de simulation DeFi et de fuzzing. Restez à l'écoute : il redéfinira les standards de sécurité et de résilience des contrats intelligents.
À propos de GatlingX
GatlingX est un laboratoire d'infrastructure applicative et d'intelligence artificielle, spécialisé dans le développement d'infrastructures technologiques lourdes. Notre mission consiste à créer divers produits applicatifs blockchain capables d'opérer à un niveau profond d'infrastructure.
Nous pensons qu'il existe certains problèmes techniques extrêmement difficiles que l'industrie blockchain hésite à aborder, justement parce qu'ils sont trop complexes. Une sécurité rapide et peu coûteuse, des performances élevées et une grande vitesse sont des conditions préalables indispensables à un écosystème blockchain florissant, mais constituent également des défis extrêmement ardues, sources de grandes difficultés. Nous sommes convaincus que personne ne résoudra ces problèmes, sauf si nous rassemblons les meilleurs experts mondiaux pour y travailler.
Nous nous engageons à repousser les frontières de la technologie dans des domaines clés tels que l'intelligence artificielle, les GPU, la blockchain et le calcul distribué, tous essentiels à la progression technologique mondiale.
Nous sommes un groupe passionné : si nous pouvons acheter une solution existante, nous le ferons. Sinon, nous la construirons nous-mêmes.
Utiliser GPU-EVM
GPU-EVM est actuellement en phase d'accès privé restreint, car nous élargissons progressivement notre capacité GPU. Si vous souhaitez utiliser GPU-EVM dans vos projets techniques, veuillez remplir ce formulaire pour rejoindre la liste d'attente.
Notre équipe est petite, mais exceptionnellement talentueuse. Nos fondateurs, anciens de l'Université d'Oxford, ont réalisé des percées majeures dans les domaines de l'infrastructure et de l'IA appliquée, ayant travaillé chez Crowdstrike, Wayve, Citadel Securities, et ayant créé des projets influents tels que ZKMicrophone et Graphite.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
