Phỏng vấn Ben Fielding, đồng sáng lập Gensyn: Giao thức điện toán phi tập trung được dẫn dắt bởi a16z, làm thế nào để thực hiện dân chủ hóa AI?
Tuyển chọn TechFlowTuyển chọn TechFlow
Phỏng vấn Ben Fielding, đồng sáng lập Gensyn: Giao thức điện toán phi tập trung được dẫn dắt bởi a16z, làm thế nào để thực hiện dân chủ hóa AI?
Gensyn đại diện cho một giải pháp mang tính chất kép: vừa là giao thức mã nguồn mở kết nối phần mềm, vừa là cơ chế tài chính bù đắp tài nguyên.
Chuyên sâu báo cáo Web3Phỏng vấn: Sunny và Min, TechFlow
Khách mời: Ben Fielding, Đồng sáng lập Gensyn
Mục tiêu của chúng tôi không phải là độc quyền toàn bộ hệ sinh thái học máy, mà là xây dựng Gensyn trở thành một giao thức tối ưu hóa việc sử dụng tài nguyên tính toán, chỉ đứng trên điện năng, để nâng cao đáng kể khả năng con người tận dụng tài nguyên tính toán.
-- Ben Fielding, Đồng sáng lập Gensyn
Vào tháng 1 năm 2024, CEO OpenAI Sam cho biết, hai “đồng tiền” quan trọng trong tương lai sẽ là năng lực tính toán và năng lượng.
Tuy nhiên, như một loại tiền tệ quyền lực trong thời đại AI, năng lực tính toán thường bị các công ty lớn độc quyền, đặc biệt trong lĩnh vực mô hình AGI lớn. Khi có sự độc quyền, cũng đồng nghĩa sẽ có sức mạnh chống lại nó — trí tuệ nhân tạo phi tập trung (Decentralized AI) ra đời.
“Thành phần không cần cấp phép từ blockchain có thể tạo ra một thị trường cho người mua và người bán năng lực tính toán (hoặc bất kỳ loại tài nguyên số nào khác như dữ liệu hoặc thuật toán), cho phép giao dịch toàn cầu mà không cần trung gian”, tổ chức đầu tư nổi tiếng a16z từng viết trong một bài viết như vậy về hướng đi blockchain cho năng lực tính toán AI, và dự án được nhắc đến chính là Gensyn.
Gensyn là giao thức tính toán học sâu phi tập trung, mục tiêu trở thành tầng cơ sở cho việc tính toán học máy, thông qua hợp đồng thông minh để thúc đẩy phân bổ nhiệm vụ học máy và phần thưởng, giúp nhanh chóng đạt được khả năng học của mô hình AI và giảm giá thành huấn luyện học sâu.
Gensyn kết nối các nhà phát triển (bất kỳ ai có thể huấn luyện mô hình học máy) với những người giải bài toán (Solver - bất kỳ ai muốn dùng máy của mình để huấn luyện mô hình học máy). Bằng cách tận dụng các thiết bị tính toán có khả năng học máy đang rảnh rỗi trên khắp thế giới (ví dụ như trung tâm dữ liệu nhỏ, máy tính chơi game cá nhân), Gensyn có thể tăng gấp 10-100 lần năng lực tính toán khả dụng cho học máy.
Tóm lại, mục tiêu cốt lõi của Gensyn là thông qua kế hoạch blockchain thực hiện dân chủ hóa AI.
Vào tháng 6 năm 2023, Gensyn thông báo đã huy động thành công 43 triệu USD trong vòng gọi vốn Series A, do a16z dẫn dắt, với sự tham gia của CoinFund, Canonical Crypto, Protocol Labs, Eden Block và các bên khác.
Gensyn được thành lập vào năm 2020 bởi Ben Fielding và Harry Grieve – những chuyên gia dày dạn kinh nghiệm trong khoa học máy tính và nghiên cứu học máy. Harry Grieve từng học tại Đại học Brown và Đại học Aberdeen, là một nhà khoa học dữ liệu và doanh nhân; Ben Fielding tốt nghiệp Đại học Northumbria, từng là đồng sáng lập nền tảng SaaS Fair Custodian và giám đốc Research Analytics.
TechFlow đã phỏng vấn Ben Fielding, đồng sáng lập Gensyn, để tìm hiểu hành trình AI mã hóa của ông và "vũ khí" AI của Gensyn.
Từ góc nhìn người sáng lập: Giá trị cốt lõi của Gensyn
TechFlow: Điều gì đã thôi thúc anh sáng lập nên Gensyn?
Ben:
Ban đầu tôi làm trong giới học thuật, từng là một nhà nghiên cứu học máy, tập trung vào lĩnh vực tìm kiếm kiến trúc thần kinh (Neural Architecture Search). Lĩnh vực này liên quan đến việc tối ưu cấu trúc mạng thần kinh sâu, đặc biệt cho các ứng dụng thị giác máy tính.
Công việc của tôi là phát triển các thuật toán để tiến hóa cấu trúc mạng thần kinh theo nhóm. Quá trình này bao gồm việc huấn luyện đồng thời nhiều kiến trúc mô hình ứng viên và dần dần tiến hóa chúng thành một siêu mô hình duy nhất được tối ưu cho một nhiệm vụ cụ thể.
Trong giai đoạn đó, tôi gặp phải những thách thức lớn liên quan đến tài nguyên tính toán. Là một nghiên cứu sinh tiến sĩ, tôi chỉ có thể sử dụng vài GPU hiệu suất cao đặt trong một trạm làm việc lớn dưới bàn làm việc – những thứ mà tôi may mắn mua được.
Trong khi đó, các công ty như Google cũng đang thực hiện nghiên cứu tương tự nhưng họ sử dụng hàng ngàn GPU và TPU trong trung tâm dữ liệu, chạy liên tục trong nhiều tuần. Sự chênh lệch này khiến tôi nhận ra rằng, mặc dù có đầy đủ mọi nguồn lực cần thiết ngoài trừ năng lực tính toán, rất nhiều người khác trên khắp thế giới cũng gặp phải những hạn chế tương tự, điều này đang cản trở tốc độ nghiên cứu và tiến bộ xã hội. Tôi cảm thấy bất mãn với tình trạng này, và cuối cùng đó chính là lý do chúng tôi sáng lập Gensyn.
Trước khi dồn toàn lực cho Gensyn, tôi dành hai năm để đồng sáng lập một công ty khởi nghiệp về quyền riêng tư dữ liệu. Doanh nghiệp này tập trung vào quản lý luồng dữ liệu người tiêu dùng và truy cập dữ liệu người dùng dựa trên sự đồng thuận, nhằm cải thiện cách cá nhân và doanh nghiệp tương tác về mặt dữ liệu.
Kinh nghiệm này đã dạy tôi những bài học quý giá, bao gồm cả những cái bẫy phổ biến khi khởi nghiệp, đồng thời củng cố quan điểm thận trọng của tôi đối với luồng dữ liệu cá nhân và truy cập dựa trên sự đồng thuận.
Bốn năm trước, tôi đóng cửa dự án khởi nghiệp của mình và tham gia vào chương trình tăng tốc tại London mang tên Entrepreneur First, nơi tôi gặp người cộng sự Harry Grieve. Chính tại đây, chúng tôi khởi động Gensyn, với mục đích giải quyết thách thức về tài nguyên tính toán toàn cầu. Chiến lược ban đầu của chúng tôi liên quan đến việc phân bổ nhiệm vụ tính toán xuyên suốt các "ốc đảo dữ liệu riêng" trong một tổ chức (học liên kết), điều này rất thú vị. Chúng tôi nhanh chóng nhận ra tiềm năng mở rộng phương pháp này ra quy mô toàn cầu. Để đáp ứng tầm nhìn mở rộng này, chúng tôi buộc phải giải quyết vấn đề niềm tin cơ bản liên quan đến chính nguồn tính toán.
Từ đó, Gensyn cam kết đảm bảo độ chính xác của các nhiệm vụ học máy được xử lý trên thiết bị thông qua sự kết hợp giữa bằng chứng, cơ chế khuyến khích từ lý thuyết trò chơi và kiểm tra xác suất. Mặc dù chi tiết cụ thể có thể khá kỹ thuật, nhưng Gensyn đang phát triển một hệ thống cho phép bất kỳ ai trên toàn thế giới sử dụng bất kỳ thiết bị tính toán nào để huấn luyện mô hình học máy.
TechFlow: Sam Altman cần 7 nghìn tỷ đô la Mỹ để vận hành nhà máy chip AI, nhằm giải quyết tình trạng thiếu hụt chip toàn cầu. Liệu kế hoạch của ông ấy có thực tế trong việc mở rộng quy mô cung ứng chip? Đồng thời, Gensyn đang giải quyết những vấn đề AI nào khác biệt so với giải pháp của Altman?
Ben:
Về lĩnh vực AI và những thách thức mà nó đang đối mặt, Gensyn đang giải quyết những vấn đề tương tự như Altman. Về bản chất, có hai cách để giải quyết vấn đề truy cập tính toán. Học máy đang ngày càng phổ biến, có thể được tích hợp vào mọi công nghệ chúng ta sử dụng, chuyển từ mã lệnh sang mô hình xác suất. Những mô hình này đòi hỏi năng lực tính toán khổng lồ. Khi so sánh nhu cầu tính toán với năng lực sản xuất chip toàn cầu, bạn sẽ thấy khoảng cách rõ rệt; nhu cầu đang tăng vọt, trong khi sản xuất chip chỉ tăng dần.
Giải pháp nằm ở (1) sản xuất thêm chip để đáp ứng nhu cầu hoặc (2) nâng cao hiệu quả sử dụng chip hiện có.
Cuối cùng, cả hai chiến lược đều cần thiết để giải quyết nhu cầu tài nguyên tính toán ngày càng tăng.
Tôi cho rằng Altman đang trực diện giải quyết vấn đề này một cách hiệu quả. Vấn đề nằm ở chuỗi cung ứng chip, một hệ thống cực kỳ phức tạp. Một số khâu trong chuỗi này đặc biệt khó khăn, chỉ có một vài công ty có khả năng quản lý những phức tạp này. Hiện tại, nhiều chính phủ bắt đầu coi đây là vấn đề địa chính trị, đầu tư vào việc định vị lại nhà máy sản xuất bán dẫn trong nước và giải quyết các điểm nghẽn trong chuỗi cung ứng.
Theo tôi, điều Altman đưa ra là lấy con số 7 nghìn tỷ đô la để thử nghiệm thị trường, đo mức độ quan tâm của thị trường tài chính toàn cầu đối với vấn đề này. Con số đáng kinh ngạc này không bị bác bỏ trực tiếp là điều rất đáng chú ý. Nó khiến mọi người phải suy nghĩ lại: “Nghe thì vô lý, nhưng liệu có thật không?”
Phản ứng này cho thấy thực sự tồn tại mối lo ngại lớn, và mọi người sẵn sàng dành ra khoản tiền khổng lồ để giải quyết nó. Bằng cách đặt ra một chuẩn mực cao như vậy, Altman thực tế đã tạo ra một điểm tham chiếu cho mọi nỗ lực sản xuất chip trong tương lai. Động thái chiến lược này cho thấy, ngay cả khi chi phí thực tế không đạt tới 7 nghìn tỷ đô la, nó cũng đã thiết lập tiền lệ cho các khoản đầu tư quy mô lớn trong lĩnh vực này, thể hiện cam kết mạnh mẽ trong việc giải quyết thách thức sản xuất chip.
Phương pháp của Gensyn khác biệt; chúng tôi nhằm mục đích tối ưu hóa việc sử dụng chip hiện có trên toàn cầu. Rất nhiều chip này, từ GPU chơi game đến MacBook trang bị chip M1, M2, M3, đều chưa được sử dụng hiệu quả.
Những thiết bị này hoàn toàn có khả năng hỗ trợ xử lý AI mà không cần phát triển bộ xử lý AI chuyên dụng mới. Tuy nhiên, việc khai thác các tài nguyên hiện có này đòi hỏi một giao thức để tích hợp chúng thành một mạng lưới thống nhất, giống như TCP/IP hỗ trợ truyền thông Internet.
Giao thức này sẽ cho phép các thiết bị này được sử dụng theo yêu cầu cho các nhiệm vụ tính toán.
Sự khác biệt chính giữa giao thức của chúng tôi và các giao thức mã nguồn mở truyền thống như TCP/IP nằm ở khía cạnh tài chính. Trong khi giao thức sau thuần túy là giải pháp kỹ thuật, thì việc sử dụng tài nguyên phần cứng bản thân nó liên quan đến chi phí cố hữu, như tiền điện và chi phí vật lý của phần cứng.
Để giải quyết vấn đề này, giao thức của chúng tôi tích hợp tiền mã hóa và các nguyên tắc phi tập trung để xây dựng một mạng lưới điều phối giá trị, khuyến khích sự đóng góp của chủ sở hữu phần cứng.
Do đó, Gensyn đại diện cho một giải pháp kép: vừa là giao thức mã nguồn mở kết nối phần mềm, vừa là cơ chế tài chính bồi thường tài nguyên.
Hơn nữa, thách thức trên thị trường học máy không chỉ đơn thuần là tài nguyên tính toán.
-
Các yếu tố khác như truy cập dữ liệu, chia sẻ tri thức cũng đóng vai trò then chốt. Thông qua công nghệ phi tập trung, chúng ta có thể thúc đẩy việc định giá trị cho các thành phần khác nhau này, thúc đẩy một hệ sinh thái tích hợp và hiệu quả hơn. Vì vậy, Gensyn không hoạt động biệt lập; chúng tôi giải quyết một phần của thách thức rộng lớn hơn, nhưng các giải pháp khác cũng cần giải quyết phần còn lại. Nỗ lực hợp tác này là vô cùng quan trọng để thúc đẩy sự phát triển trong lĩnh vực học máy.
Định nghĩa giải pháp kép (Dual-natured) của Gensyn
TechFlow: Anh có thể giải thích giải pháp kép của Gensyn bằng ngôn ngữ đơn giản nhất không?
Ben:
Đơn giản là, Gensyn là một mạng ngang hàng (peer-to-peer) dựa trên phần mềm mã nguồn mở, để tham gia vào mạng, thiết bị của bạn chỉ cần chạy phần mềm này, và thiết bị đó phải có khả năng thực hiện các nhiệm vụ huấn luyện học máy. Mạng này gồm nhiều nút, mỗi nút giống như thiết bị của bạn chạy phần mềm này, chúng giao tiếp trực tiếp với nhau, chia sẻ thông tin về phần cứng khả dụng và các nhiệm vụ chờ thực hiện. Lợi ích là không cần máy chủ trung tâm, thiết bị của bạn có thể tương tác trực tiếp với các thiết bị khác, từ đó tránh được nhu cầu về máy chủ trung tâm.
Một đặc điểm quan trọng của Gensyn là quá trình giao tiếp không có quyền lực trung ương, ví dụ, nếu bạn đang dùng MacBook, nó sẽ kết nối và giao tiếp trực tiếp với các MacBook khác, trao đổi thông tin về khả năng phần cứng và các nhiệm vụ khả dụng.
Một trong những thách thức chính mà Gensyn phải đối mặt là xác minh các tính toán phi xác định (non-deterministic) ngoài chuỗi, những tính toán quá lớn đối với blockchain.
Giải pháp của chúng tôi là giới thiệu một cơ chế xác minh, cho phép thiết bị tạo ra bằng chứng tính toán có thể kiểm chứng. Bằng chứng này có thể được các thiết bị khác kiểm tra để đảm bảo tính toàn vẹn của công việc, đồng thời không tiết lộ phần nào của nhiệm vụ sẽ được kiểm tra, từ đó ngăn chặn việc thiết bị chỉ hoàn thành phần nhiệm vụ có thể bị kiểm tra.
Hệ thống của chúng tôi khuyến khích các thiết bị tham gia vào quá trình bằng chứng mã hóa với tư cách là người cung cấp giải pháp và người xác minh, hoặc chọn chạy lại công việc một cách chọn lọc để xác định tính hợp lệ của nhiệm vụ đã hoàn thành. Về bản chất, Gensyn nhằm đạt được sự tương tác giữa các nút, xác minh lẫn nhau và đạt được sự đồng thuận về các nhiệm vụ đã hoàn thành. Việc thanh toán cho nhiệm vụ được thực hiện trong khuôn khổ này, tận dụng cơ chế tin cậy của blockchain. Hệ sinh thái công nghệ này mô phỏng chức năng của Ethereum, tập trung vào việc xác minh lẫn nhau giữa các nút để đảm bảo tính toàn vẹn của nhiệm vụ.
Mục tiêu chính của chúng tôi là đạt được sự đồng thuận về việc hoàn thành nhiệm vụ với nỗ lực tính toán tối thiểu, đảm bảo tính toàn vẹn của hệ thống, đồng thời dung nạp các nhiệm vụ học máy quy mô lớn.
Tóm lại, Gensyn có thể được chia thành hai phần chính.
-
Phần thứ nhất là khía cạnh blockchain, bao gồm máy trạng thái mà tôi đã đề cập. Đây là nơi diễn ra việc chia sẻ tính toán giữa các bên tham gia.
-
Nửa còn lại của Gensyn liên quan đến cơ sở hạ tầng giao tiếp, tập trung vào cách các nút tương tác lẫn nhau và xử lý các nhiệm vụ học máy.
Thiết lập này cho phép bất kỳ nút nào thực hiện bất kỳ tính toán nào, miễn là nó có thể được xác minh sau trên chuỗi blockchain.
Chúng tôi đang xây dựng một cơ sở hạ tầng giao tiếp bao phủ tất cả các nút để thúc đẩy việc chia sẻ thông tin, phân chia mô hình khi cần thiết và xử lý dữ liệu quy mô lớn. Thiết lập này hỗ trợ nhiều phương pháp huấn luyện mô hình khác nhau, như song song dữ liệu, song song mô hình và phân vùng ống dẫn, mà không cần điều phối niềm tin ngay lập tức.
Giải pháp kép = Máy trạng thái + Giao tiếp nhiệm vụ học máy
Máy trạng thái Gensyn
TechFlow: Chuỗi Gensyn hoạt động như thế nào trong mạng ngang hàng học máy chuyên biệt này?
Ben:
Ban đầu, chúng tôi giả định tất cả các bên tham gia đều thực hiện nhiệm vụ theo vai trò của họ và tạo ra các bằng chứng tương ứng. Sau đó, chúng tôi chuyển sự chú ý sang khía cạnh blockchain, nơi chúng tôi duy trì một trạng thái chia sẻ tương tự như các blockchain khác, bao gồm giao dịch và thao tác được băm hóa, cũng như băm hóa khối trước đó, tạo thành một chuỗi hoàn chỉnh.
Sự đồng thuận giữa các bên tham gia là, nếu tính toán trong một khối khớp và tạo ra cùng một giá trị băm, thì công việc được coi là hoàn thành đúng, cho phép chúng tôi chuyển sang vòng tiếp theo của chuỗi.
Gensyn sử dụng cơ chế POS, thưởng cho những người đóng góp xác minh việc tạo khối.
Việc tạo một khối liên quan đến việc băm hóa (1) các thao tác cần thiết để xác minh công việc học máy, và (2) ghi lại các giao dịch xảy ra trong khối đó.
Mặc dù phương pháp của chúng tôi tương tự như các hệ thống như Ethereum, nhưng đóng góp độc đáo của chúng tôi chủ yếu nằm ở khía cạnh giao tiếp, đặc biệt là cách các nút quản lý và cộng tác xử lý các nhiệm vụ học máy.
TechFlow: Chuỗi Gensyn khác gì so với Ethereum? Nếu cơ sở hạ tầng cốt lõi không mới, thì chuỗi POS được thiết kế như thế nào để đáp ứng các trường hợp sử dụng học máy cụ thể?
Ben:
Cấu trúc cốt lõi blockchain của chúng tôi không mới, ngoại trừ một tầng khả dụng dữ liệu độc đáo. Điểm khác biệt đáng kể nằm ở khả năng xử lý các nhiệm vụ tính toán lớn hơn, điều này khiến các thao tác của chúng tôi hiệu quả hơn nhiều so với điều thường có thể trên Ethereum.
Điều này đặc biệt liên quan đến các phép toán tích chập (convolution operations), là thành phần cơ bản của nhiều mô hình học máy.
Việc thực hiện hiệu quả các phép toán này bằng Solidity trong Máy ảo Ethereum (EVM) là thách thức.
Chuỗi Gensyn cung cấp sự linh hoạt hơn, cho phép chúng tôi xử lý các tính toán này hiệu quả hơn, mà không bị giới hạn bởi phạm vi hoạt động của EVM.
Thử thách thực sự nằm ở khả năng tổng quát hóa mô hình (Generalizability): điều này có nghĩa là mô hình có thể dự đoán chính xác vị trí của mẫu hoàn toàn mới khi gặp phải, ngay cả khi chưa từng thấy trước đó, vì nó có đủ hiểu biết không gian rộng rãi.
Quá trình huấn luyện này đòi hỏi nguồn tài nguyên tính toán khổng lồ, vì nó cần lặp đi lặp lại việc truyền dữ liệu qua mô hình.
Nhiệm vụ của môi trường chạy học máy Gensyn là lấy biểu diễn đồ thị của mô hình và đặt nó vào một khung sao cho tạo ra bằng chứng hoàn thành cho mỗi thao tác khi thực hiện tính toán.
Ở đây tồn tại một vấn đề quan trọng, đó là tính xác định và khả năng tái tạo.
Lý tưởng nhất, trong thế giới toán học, lặp lại một thao tác nên tạo ra kết quả giống nhau. Tuy nhiên, trong thế giới vật lý của phần cứng tính toán, các biến số không thể đoán trước có thể gây ra những thay đổi nhỏ trong kết quả tính toán.
Cho đến nay, một mức độ ngẫu nhiên nhất định trong học máy là chấp nhận được, thậm chí có lợi, vì nó giúp ngăn ngừa hiện tượng quá khớp mô hình và thúc đẩy khả năng tổng quát hóa tốt hơn.
Tuy nhiên, đối với Gensyn, cả khả năng tổng quát hóa và khả năng tái tạo đều cực kỳ quan trọng.
Sự thay đổi trong kết quả tính toán có thể dẫn đến giá trị băm hoàn toàn khác nhau, điều này có thể khiến hệ thống xác minh của chúng tôi đánh dấu sai công việc là chưa hoàn thành, dẫn đến rủi ro mất mát tài chính. Để đối phó với điều này, môi trường chạy của chúng tôi đảm bảo rằng các thao tác là xác định và có thể tái tạo trên mọi thiết bị, đây là một giải pháp phức tạp nhưng cần thiết.
Phương pháp này phần nào tương tự việc sử dụng các framework học máy như PyTorch, TensorFlow hoặc JAX. Người dùng có thể định nghĩa mô hình và bắt đầu huấn luyện trong các framework này. Chúng tôi đang thích nghi các framework và thư viện nền tảng này, ví dụ như kiến trúc thiết bị thống nhất tính toán (CUDA), để đảm bảo mô hình khi thực thi có thể diễn ra một cách chính xác và có thể lặp lại trên bất kỳ thiết bị nào.
Điều này đảm bảo rằng kết quả thao tác trên một thiết bị khi xử lý băm sẽ tạo ra cùng một giá trị băm trên thiết bị khác, nhấn mạnh tầm quan trọng của khía cạnh thực thi học máy trong hệ thống của chúng tôi.
Gensyn thông qua giao thức truyền thông blockchain mã nguồn mở đã phi tập trung hóa dịch vụ đám mây, để hỗ trợ học máy phi tập trung
TechFlow: Vậy trên nền chuỗi Gensyn, cơ sở hạ tầng truyền thông blockchain chuyên biệt cho mạng học máy này hoạt động như thế nào?
Ben:
Mục đích của cơ sở hạ tầng truyền thông là thúc đẩy giao tiếp giữa các thiết bị. Chức năng chính của nó là cho phép một thiết bị xác minh công việc và bằng chứng do thiết bị khác tạo ra.
Về bản chất, truyền thông giữa các thiết bị dùng để xác minh công việc lẫn nhau, quá trình này cần thông qua blockchain vì blockchain đóng vai trò trọng tài trung tâm trong mọi tranh chấp. Blockchain là nguồn tin cậy duy nhất trong hệ thống của chúng tôi, thiếu nó thì không thể xác minh đáng tin cậy danh tính các bên tham gia, bất kỳ ai cũng có thể tuyên bố họ đã xác minh công việc.
Blockchain và công nghệ mã hóa của nó làm cho việc xác thực danh tính và xác nhận công việc trở nên an toàn. Các thiết bị có thể chứng minh danh tính của mình và gửi thông tin một cách an toàn trong cơ chế này, cho phép các bên khác nhận diện và xác minh tính xác thực của thông tin.
Mục đích cuối cùng của hệ thống này là bồi thường cho chủ sở hữu thiết bị. Nếu bạn sở hữu phần cứng có thể thực hiện các nhiệm vụ học máy, bạn có thể cho thuê nó.
Tuy nhiên, trong các hệ thống truyền thống, quá trình này phức tạp và tốn kém. Ví dụ, mua hàng loạt GPU Nvidia và cho thuê chúng – chuyển chi phí đầu tư thành chi phí vận hành, giống như các nhà cung cấp dịch vụ đám mây – liên quan đến vô số thách thức. Bạn cần tìm các công ty AI quan tâm đến phần cứng của mình, xây dựng kênh bán hàng, phát triển cơ sở hạ tầng truyền và truy cập mô hình, đồng thời quản lý các thỏa thuận pháp lý và vận hành bao gồm thỏa thuận mức độ dịch vụ (SLA). SLA yêu cầu kỹ sư tại chỗ để đảm bảo thời gian hoạt động như đã thỏa thuận với khách hàng, bất kỳ thời gian ngừng hoạt động nào cũng dẫn đến trách nhiệm dựa trên hợp đồng và rủi ro tài chính tiềm tàng. Sự phức tạp này là rào cản lớn đối với cá nhân hoặc doanh nghiệp nhỏ, cũng là một trong những lý do khiến dịch vụ đám mây tập trung trở thành xu hướng chính.
Gensyn cung cấp một phương pháp hiệu quả hơn, loại bỏ chi phí thương mại và nhân lực thường liên quan đến các giao dịch này. Bạn chỉ cần chạy một phần mềm, mà không cần dựa vào hợp đồng pháp lý hay kỹ sư xây dựng cơ sở hạ tầng. Các thỏa thuận pháp lý được thay thế bằng hợp đồng thông minh, việc xác minh công việc được thực hiện thông qua hệ thống tự động, kiểm tra xem nhiệm vụ đã hoàn thành đúng chưa. Không còn cần xử lý thủ công các khiếu nại vi phạm hay tìm kiếm giải pháp pháp lý, tất cả đều có thể được giải quyết ngay lập tức bằng công nghệ, đây là một lợi thế đáng kể. Điều này có nghĩa là nhà cung cấp chỉ cần chạy một phần mềm, có thể ngay lập tức thu lợi nhuận từ GPU của họ mà không phải chịu bất kỳ rắc rối nào thêm.
Về Go to Market
Chúng tôi khuyến khích các nhà cung cấp tham gia mạng Gensyn bằng cách nói với họ rằng họ có thể ngay lập tức tiếp cận thị trường nhu cầu tính toán học máy chỉ bằng cách chạy phần mềm mã nguồn mở. Đây là một cơ hội chưa từng có, mở rộng đáng kể thị trường, cho phép người mới thách thức sự thống trị của các dịch vụ truyền thống như AWS. AWS và các công ty khác cần quản lý các hoạt động phức tạp, trong khi chúng tôi đang chuyển đổi những hoạt động này thành mã code, tạo ra các con đường dòng chảy giá trị mới.
Theo truyền thống, nếu bạn có một mô hình học máy cần huấn luyện và sẵn sàng trả tiền cho tính toán, tiền của bạn sẽ chảy về các nhà cung cấp đám mây lớn chiếm thị phần. Họ chiếm lĩnh thị trường nhờ khả năng quản lý hiệu quả. Mặc dù sự cạnh tranh từ Google Cloud, Azure và các công ty khác ngày càng gay gắt, lợi nhuận của các nhà cung cấp này vẫn rất cao.
Về mục đích của dịch vụ đám mây phi tập trung: Huấn luyện phi tập trung vs. Suy luận phi tập trung
TechFlow: Học máy về cơ bản được chia thành hai phần: huấn luyện (training) và suy luận (inference). Tài nguyên tính toán P2P của Gensyn phát huy tác dụng ở phần nào?
Ben:
Chúng tôi tập trung vào huấn luyện, vì đây là quá trình tinh luyện giá trị.
Huấn luyện bao gồm từ học ban đầu đến tinh chỉnh, trong khi suy luận chỉ liên quan đến việc truy vấn mô hình bằng dữ liệu mà không thay đổi nó, về cơ bản là xem mô hình dự đoán gì dựa trên đầu vào.
-
Huấn luyện đòi hỏi lượng lớn tài nguyên tính toán, thường là bất đồng bộ, không cần kết quả tức thì.
-
Ngược lại, suy luận đòi hỏi thực thi nhanh để đảm bảo sự hài lòng của người dùng trong các ứng dụng thời gian thực, tạo nên sự tương phản rõ rệt với đặc tính tính toán nặng của huấn luyện.
Công nghệ phi tập trung hiện tại vẫn chưa đủ để giải quyết vấn đề độ trễ quan trọng đối với suy luận. Trong tương lai, để thực hiện suy luận hiệu quả, mô hình cần được triển khai gần người dùng nhất có thể, tận dụng sự gần gũi về địa lý để giảm thiểu độ trễ.
Tuy nhiên, việc khởi động một mạng như vậy khá thách thức, vì giá trị và hiệu quả của nó sẽ tăng lên khi quy mô mạng mở rộng, điều này phù hợp với Luật Metcalfe, tương tự như động lực phát triển mà chúng ta thấy trong các dự án như mạng Helium.
Do đó, việc Gensyn trực tiếp đối mặt với thách thức suy luận là không thực tế; nhiệm vụ này phù hợp hơn với các thực thể độc lập tập trung vào việc tối ưu hóa độ trễ và phủ sóng mạng.
Chúng tôi ủng hộ các giao thức tập trung vào tối ưu hóa chức năng đơn lẻ, thay vì cố gắng phát triển đồng thời trên nhiều lĩnh vực, để tránh làm loãng hiệu quả. Sự chuyên môn hóa này thúc đẩy cạnh tranh và đổi mới, dẫn đến một loạt các giao thức tương tác, mỗi giao thức giỏi về một khía cạnh cụ thể của hệ sinh thái.
Lý tưởng nhất, ngoài việc vận hành nút Gensyn để thực hiện nhiệm vụ tính toán, người dùng còn có thể vận hành các nút chức năng khác như suy luận, quản lý dữ liệu và gắn nhãn dữ liệu. Việc kết nối các mạng này sẽ góp phần xây dựng một hệ sinh thái mạnh mẽ, nơi các nhiệm vụ học máy có thể chuyển giao liền mạch
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
深潮TechFlow
