الذكاء الاصطناعي هو أحد أكثر المجالات الفرعية جذبًا للاهتمام في صناعة التشفير اليوم، حيث يُعتبر مشروع Gensyn، الذي تقوده a16z وبحجم تمويل إجمالي يصل إلى 50 مليون دولار، مشروعًا تنافسيًا بلا شك. مؤخرًا، تم إطلاق Gensyn رسميًا على Testnet، على الرغم من أنه تأخر أكثر من عام عن الجدول الزمني الأصلي، إلا أن الإطلاق على Testnet يعني أن المشروع قد دخل أخيرًا مرحلة جديدة.
كخدمة مخصصة تعتمد على Ethereum Rollup مصممة خصيصًا لتعلم الآلة، تدمج شبكة Gensyn Testnet إطار العمل الخاص بالتنفيذ خارج السلسلة والتحقق والاتصالات، بهدف توفير الهوية المستدامة، تتبع المشاركة، الحفاظ على الملكية، المدفوعات، تنسيق التنفيذ عن بُعد، التحقق غير الموثوق، تسجيل عملية التدريب، بالإضافة إلى تمويل المهام التدريبية على نطاق واسع لنظم الذكاء الاصطناعي اللامركزية.
تتركز المرحلة الأولى من اختبار الشبكة على تتبع المشاركة داخل RL Swarm. RL Swarm هو تطبيق للتعلم المعزز التعاوني بعد التدريب، حيث يمكن ربط العقد بهويات على السلسلة، مما يضمن تسجيل مساهمات كل عقدة مشاركة بدقة.
RL Swarm: الوظائف الأساسية والتدريب التعاوني
في شبكة Gensyn Testnet، يُعتبر RL Swarm، الذي يُعد تطبيقًا أساسيًا، نظامًا لتدريب النماذج بالتعاون على أساس شبكة اللامركزية. على عكس التدريب المستقل للنماذج الفردية التقليدية، يتيح RL Swarm للعديد من النماذج التواصل والنقد والتحسين في الشبكة، مما يعزز الأداء الكلي بشكل جماعي. تتمثل الفكرة الأساسية في "ذكاء المجموعة"، أي تحقيق نتائج تدريب أكثر كفاءة من خلال التعاون والتغذية الراجعة بين نماذج العقد.
يمكن فهمه ببساطة على أنه أثناء تدريب الاستدلال لنماذج مثل DeepSeek-R1، يمكن تحسين أداء الاستدلال من خلال النقد الذاتي، بينما وسعت RL Swarm هذه الآلية إلى مجموعة من النماذج المتعددة، مما حقق تأثير "كلما زاد عدد الأشخاص زادت النار".
استنادًا إلى نظام RL Swarm، لا يعتمد النموذج فقط على ملاحظات الذات، بل من خلال مراقبة وتقييم أداء النماذج الأخرى، يتم التعرف على أوجه القصور الخاصة به وتحسينها. كل نموذج ينضم إلى Swarm يشارك في عملية من ثلاث مراحل: أولاً، يكمل المشكلة بشكل مستقل ويخرج بالأفكار والإجابات، ثم ينظر إلى إجابات النماذج الأخرى ويقدم ملاحظات، وأخيرًا يقوم النموذج بالتصويت لاختيار الحل الأمثل، وبناءً عليه يعدل مخرجاته. لا تعزز هذه الآلية التعاونية أداء كل نموذج فحسب، بل تدفع أيضًا تطور النموذج الجماعي بأكمله. النماذج التي تنضم إلى Swarm يمكنها الاحتفاظ بالأوزان المحلية المحسنة بعد مغادرتها، وتحقيق فوائد فعلية.
علاوة على ذلك، قامت Gensyn بفتح مصدر كود RL Swarm، ويمكن لأي شخص تشغيل العقد، أو بدء أو الانضمام إلى Swarm موجودة، دون الحاجة إلى إذن. تستخدم الاتصالات الأساسية لـ Swarm بروتوكول gossip المقدم من Hivemind، مما يدعم رسائل اللامركزية بين النماذج ومشاركة إشارات التعلم. سواء كان ذلك على جهاز كمبيوتر محمول منزلي، أو على GPU في السحابة، يمكن المشاركة في التدريب التعاوني عن طريق الانضمام إلى عقد RL Swarm.
البنية التحتية الأعمدة الثلاثة: التنفيذ، الاتصال والتحقق
حالياً، لا يزال RL Swarm مجرد عرض تجريبي، حيث يعرض طريقة تعلم آلي واسعة النطاق وقابلة للتوسع، بدلاً من شكل المنتج النهائي. على مدار السنوات الأربع الماضية، كان العمل الأساسي لشركة Gensyn في الواقع هو بناء البنية التحتية الأساسية، ودخلت المرحلة v0.1 بعد إطلاق الTestnet، وأصبح بإمكانها التشغيل الفعلي. وفقًا للتعريف الرسمي، يتكون الهيكل العام لـ Gensyn من ثلاثة أجزاء: التنفيذ، والاتصال، والتحقق.
التنفيذ (Execution): التناسق وقوة الحوسبة الموزعة
تعتقد Gensyn أن تعلم الآلة في المستقبل لن يقتصر على النماذج التقليدية الأحادية، بل سيكون مكونًا من معلمات مجزأة موزعة على أجهزة مختلفة حول العالم. لتحقيق هذا الهدف، طور فريق Gensyn بنية تنفيذ أساسية تضمن الاتساق عبر الأجهزة. تشمل التقنيات الرئيسية في هذا الصدد:
تخزين المعلمات الموزعة والتدريب: من خلال تقسيم النموذج الكبير إلى قطع معلمات متعددة وتوزيعها على أجهزة مختلفة، تحقق Gensyn نشر النموذج المجزأ، مما يقلل من متطلبات الذاكرة لكل عقدة.
التعلم المعزز بعد التدريب (RL Post-Training): أظهرت الأبحاث أنه عندما يتم تدريب النموذج بشكل جماعي، ويتواصل الأعضاء مع بعضهم البعض وينقدون إجابات بعضهم البعض، فإن كفاءة التعلم العامة ستتحسن بشكل ملحوظ. استخدمت Gensyn RL Swarm لعرض هذا المفهوم، مما يسمح للنموذج بالتقدم السريع في المناقشات الجماعية، مما يثبت فعالية التنفيذ الموزع.
العمليات القابلة لإعادة الإنتاج (RepOps): لضمان أن تتمكن الأجهزة المختلفة (مثل Nvidia A100 و H100) من الحصول على نتائج حسابية متطابقة تمامًا، قامت Gensyn بتطوير مكتبة RepOps، من خلال تثبيت ترتيب تنفيذ العمليات العائمة، مما يحقق إعادة الإنتاج بتفاصيل دقيقة عبر المنصات.
الاتصال (Communication): تبادل المعلومات بشكل فعال
في سيناريوهات التدريب الموزعة على نطاق واسع، تعتبر الاتصالات الفعالة بين العقد أمرًا بالغ الأهمية. على الرغم من أن الطرق التقليدية للتوازي في البيانات يمكن أن تقلل من تكلفة الاتصالات إلى حد ما، إلا أن متطلبات تخزين نموذج كامل على كل عقدة تحد من قابليتها للتوسع بسبب قيود الذاكرة. لهذا السبب، قدمت Gensyn حلاً جديدًا تمامًا:
SkipPipe - التوازي الديناميكي لتخطي الأنابيب: تتخطى تقنية SkipPipe أجزاء من خط الأنابيب التقليدي عن طريق التحديد الديناميكي لطبقة الحوسبة التي تمر من خلالها الدفعة الدقيقة ، وبالتالي تقليل أوقات الانتظار غير الضرورية. يمكن لخوارزمية الجدولة المبتكرة تقييم مدى توفر كل مسار في الوقت الفعلي ، مما لا يقلل فقط من وقت الخمول للعقد ، ولكنه يقلل أيضا بشكل كبير من وقت التدريب الإجمالي. وفقا لبيانات الاختبار ، يمكن ل SkipPipe تقليل وقت التدريب بحوالي 55٪ في بيئة لامركزية ، وتقليل أداء النموذج بنسبة 7٪ فقط في حالة فشل العقدة الجزئي.
معايير الاتصال والتعاون عبر العقدة قامت Gensyn ببناء بروتوكول اتصالات مشابه لبروتوكول TCP/IP، مما يسمح للمشاركين من جميع أنحاء العالم، بغض النظر عن الأجهزة التي يستخدمونها، بنقل البيانات وتبادل المعلومات بكفاءة وسلاسة. توفر هذه المعايير المفتوحة أساسًا قويًا للتدريب التعاوني الموزع.
التحقق (Verification): ضمان الثقة والأمان
في شبكة موزعة غير موثوقة، كيف يمكن التأكد من صحة وفعالية نتائج الحساب المقدمة من قبل جميع الأطراف المشاركة، هي تحدٍ كبير. ولهذا السبب، قدمت Gensyn بروتوكول تحقق خاص، يهدف إلى ضمان أن جميع مزودي قوة الحوسبة يقدمون نتائج عمل صحيحة من خلال آلية منخفضة التكلفة وفعالة:
بروتوكول التحقق Verde: Verde هو أول نظام تحقق مصمم خصيصًا لتعلم الآلة الحديث. يكمن جوهره في استخدام آلية خفيفة الوزن لحل النزاعات، لتحديد بسرعة الخطوة التي نشأت فيها الفجوة بين النموذج والمتحقق خلال عملية التدريب. على عكس طرق التحقق التقليدية التي تتطلب إعادة تشغيل المهمة بالكامل، يحتاج Verde فقط إلى إعادة حساب العمليات المتنازع عليها، مما يقلل بشكل كبير من تكاليف التحقق.
delegation المحكم (裁决式委托): بعد اعتماد هذه الطريقة، إذا كانت هناك مشكلة في مخرجات أحد الموردين، يمكن للمحققين من خلال لعبة حل النزاعات الفعالة إقناع هيئة التحكيم المحايدة، مما يضمن أن صحة النتائج الحسابية تتحقق طالما يوجد على الأقل عقدة واحدة نزيهة.
حالة التخزين والتجزئة الوسيطة: من أجل دعم عملية التحقق المذكورة أعلاه ، يحتاج المشاركون فقط إلى تخزين وتجزئة جزء من نقاط تفتيش التدريب الوسيطة بدلا من البيانات الكاملة ، مما لا يقلل من شغل الموارد فحسب ، بل يحسن أيضا قابلية التوسع والأداء في الوقت الفعلي للنظام.
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
تم إطلاق شبكة Gensyn Testnet، كيف نجعل تدريب الذكاء الاصطناعي أكثر كفاءة ولامركزية؟
المؤلف: Zen، PANews
الذكاء الاصطناعي هو أحد أكثر المجالات الفرعية جذبًا للاهتمام في صناعة التشفير اليوم، حيث يُعتبر مشروع Gensyn، الذي تقوده a16z وبحجم تمويل إجمالي يصل إلى 50 مليون دولار، مشروعًا تنافسيًا بلا شك. مؤخرًا، تم إطلاق Gensyn رسميًا على Testnet، على الرغم من أنه تأخر أكثر من عام عن الجدول الزمني الأصلي، إلا أن الإطلاق على Testnet يعني أن المشروع قد دخل أخيرًا مرحلة جديدة.
كخدمة مخصصة تعتمد على Ethereum Rollup مصممة خصيصًا لتعلم الآلة، تدمج شبكة Gensyn Testnet إطار العمل الخاص بالتنفيذ خارج السلسلة والتحقق والاتصالات، بهدف توفير الهوية المستدامة، تتبع المشاركة، الحفاظ على الملكية، المدفوعات، تنسيق التنفيذ عن بُعد، التحقق غير الموثوق، تسجيل عملية التدريب، بالإضافة إلى تمويل المهام التدريبية على نطاق واسع لنظم الذكاء الاصطناعي اللامركزية.
تتركز المرحلة الأولى من اختبار الشبكة على تتبع المشاركة داخل RL Swarm. RL Swarm هو تطبيق للتعلم المعزز التعاوني بعد التدريب، حيث يمكن ربط العقد بهويات على السلسلة، مما يضمن تسجيل مساهمات كل عقدة مشاركة بدقة.
RL Swarm: الوظائف الأساسية والتدريب التعاوني
في شبكة Gensyn Testnet، يُعتبر RL Swarm، الذي يُعد تطبيقًا أساسيًا، نظامًا لتدريب النماذج بالتعاون على أساس شبكة اللامركزية. على عكس التدريب المستقل للنماذج الفردية التقليدية، يتيح RL Swarm للعديد من النماذج التواصل والنقد والتحسين في الشبكة، مما يعزز الأداء الكلي بشكل جماعي. تتمثل الفكرة الأساسية في "ذكاء المجموعة"، أي تحقيق نتائج تدريب أكثر كفاءة من خلال التعاون والتغذية الراجعة بين نماذج العقد.
يمكن فهمه ببساطة على أنه أثناء تدريب الاستدلال لنماذج مثل DeepSeek-R1، يمكن تحسين أداء الاستدلال من خلال النقد الذاتي، بينما وسعت RL Swarm هذه الآلية إلى مجموعة من النماذج المتعددة، مما حقق تأثير "كلما زاد عدد الأشخاص زادت النار".
استنادًا إلى نظام RL Swarm، لا يعتمد النموذج فقط على ملاحظات الذات، بل من خلال مراقبة وتقييم أداء النماذج الأخرى، يتم التعرف على أوجه القصور الخاصة به وتحسينها. كل نموذج ينضم إلى Swarm يشارك في عملية من ثلاث مراحل: أولاً، يكمل المشكلة بشكل مستقل ويخرج بالأفكار والإجابات، ثم ينظر إلى إجابات النماذج الأخرى ويقدم ملاحظات، وأخيرًا يقوم النموذج بالتصويت لاختيار الحل الأمثل، وبناءً عليه يعدل مخرجاته. لا تعزز هذه الآلية التعاونية أداء كل نموذج فحسب، بل تدفع أيضًا تطور النموذج الجماعي بأكمله. النماذج التي تنضم إلى Swarm يمكنها الاحتفاظ بالأوزان المحلية المحسنة بعد مغادرتها، وتحقيق فوائد فعلية.
علاوة على ذلك، قامت Gensyn بفتح مصدر كود RL Swarm، ويمكن لأي شخص تشغيل العقد، أو بدء أو الانضمام إلى Swarm موجودة، دون الحاجة إلى إذن. تستخدم الاتصالات الأساسية لـ Swarm بروتوكول gossip المقدم من Hivemind، مما يدعم رسائل اللامركزية بين النماذج ومشاركة إشارات التعلم. سواء كان ذلك على جهاز كمبيوتر محمول منزلي، أو على GPU في السحابة، يمكن المشاركة في التدريب التعاوني عن طريق الانضمام إلى عقد RL Swarm.
البنية التحتية الأعمدة الثلاثة: التنفيذ، الاتصال والتحقق
حالياً، لا يزال RL Swarm مجرد عرض تجريبي، حيث يعرض طريقة تعلم آلي واسعة النطاق وقابلة للتوسع، بدلاً من شكل المنتج النهائي. على مدار السنوات الأربع الماضية، كان العمل الأساسي لشركة Gensyn في الواقع هو بناء البنية التحتية الأساسية، ودخلت المرحلة v0.1 بعد إطلاق الTestnet، وأصبح بإمكانها التشغيل الفعلي. وفقًا للتعريف الرسمي، يتكون الهيكل العام لـ Gensyn من ثلاثة أجزاء: التنفيذ، والاتصال، والتحقق.
التنفيذ (Execution): التناسق وقوة الحوسبة الموزعة
تعتقد Gensyn أن تعلم الآلة في المستقبل لن يقتصر على النماذج التقليدية الأحادية، بل سيكون مكونًا من معلمات مجزأة موزعة على أجهزة مختلفة حول العالم. لتحقيق هذا الهدف، طور فريق Gensyn بنية تنفيذ أساسية تضمن الاتساق عبر الأجهزة. تشمل التقنيات الرئيسية في هذا الصدد:
الاتصال (Communication): تبادل المعلومات بشكل فعال
في سيناريوهات التدريب الموزعة على نطاق واسع، تعتبر الاتصالات الفعالة بين العقد أمرًا بالغ الأهمية. على الرغم من أن الطرق التقليدية للتوازي في البيانات يمكن أن تقلل من تكلفة الاتصالات إلى حد ما، إلا أن متطلبات تخزين نموذج كامل على كل عقدة تحد من قابليتها للتوسع بسبب قيود الذاكرة. لهذا السبب، قدمت Gensyn حلاً جديدًا تمامًا:
التحقق (Verification): ضمان الثقة والأمان
في شبكة موزعة غير موثوقة، كيف يمكن التأكد من صحة وفعالية نتائج الحساب المقدمة من قبل جميع الأطراف المشاركة، هي تحدٍ كبير. ولهذا السبب، قدمت Gensyn بروتوكول تحقق خاص، يهدف إلى ضمان أن جميع مزودي قوة الحوسبة يقدمون نتائج عمل صحيحة من خلال آلية منخفضة التكلفة وفعالة: