! [تم إطلاق Gensyn testnet ، كيف نجعل التدريب الذكاء الاصطناعي أكثر كفاءة ولامركزية؟] ](https://img.gateio.im/social/moments-6404d294956ca781747ec419e6b4d906)
الذكاء الاصطناعي هو اليوم أحد أكثر المجالات الفرعية المثيرة للاهتمام في صناعة التشفير، حيث يعتبر Gensyn، وهو شبكة حسابات الذكاء الاصطناعي الموزعة التي قادتها a16z وجمعت تمويلًا يصل إلى 50 مليون دولار، مشروعًا تنافسيًا بلا شك. مؤخرًا، تم إطلاق Gensyn رسميًا على الTestnet، على الرغم من أنه تأخر بأكثر من عام عن الجدول الزمني الأصلي، إلا أن إطلاقه على الTestnet يعني أنه دخل أخيرًا مرحلة جديدة.
كنموذج مخصص لـ Ethereum Rollup مصمم خصيصًا لتعلم الآلة، يدمج Gensyn Testnet إطار العمل للتنفيذ والتحقق والتواصل خارج السلسلة، ويهدف إلى توفير الوظائف الأساسية مثل الهوية الدائمة، تتبع المشاركة، الحفاظ على الملكية، الدفع، تنسيق التنفيذ عن بُعد، التحقق غير الموثوق، تسجيل عمليات التدريب، وجمع التبرعات لمهام التدريب على نطاق واسع، لأنظمة AI اللامركزية.
يركز المرحلة الأولى من Testnet على تتبع المشاركة داخل RL Swarm. RL Swarm هو تطبيق للتعلم المعزز التعاوني بعد التدريب، حيث يمكن ربط العقد بهوية على السلسلة، مما يضمن تسجيل مساهمة كل عقدة مشاركة بدقة.
RL Swarm: الميزات الأساسية والتدريب التعاوني
في شبكة Gensyn Testnet، يُعتبر RL Swarm، كأحد التطبيقات الأساسية، نظامًا لتدريب النماذج بشكل تعاوني مبني على شبكة اللامركزية. على عكس التدريب المستقل لنموذج واحد التقليدي، يتيح RL Swarm للعديد من النماذج التواصل والنقد والتحسين فيما بينها، مما يعزز الأداء الكلي بشكل مشترك. الفكرة الأساسية هنا هي "ذكاء المجموعة"، أي تحقيق نتائج تدريب أكثر كفاءة من خلال التعاون والتغذية الراجعة بين نماذج العقد.
يمكن فهم ذلك ببساطة على أنه أثناء تدريب النماذج مثل DeepSeek-R1 على الاستدلال، يمكن أن تقوم بتحسين أداء الاستدلال من خلال النقد الذاتي، بينما يقوم RL Swarm بتوسيع هذه الآلية إلى مجموعة من النماذج المتعددة، مما يحقق تأثير "كثرة الحطب تزيد النار اشتعالاً".
استنادًا إلى نظام RL Swarm، لا يعتمد النموذج فقط على ردود الفعل الخاصة به، بل أيضًا من خلال مراقبة وتقييم أداء النماذج الأخرى، يتعرف على عيوبه ويقوم بتحسينها. كل نموذج ينضم إلى Swarm يشارك في عملية من ثلاث مراحل: أولاً، يكمل المشكلة بشكل مستقل ويخرج بأفكار وإجابات، ثم ينظر في إجابات النماذج الأخرى ويقدم ملاحظات، وأخيرًا، يصوت النموذج لاختيار الحل الأمثل، وبناءً عليه يقوم بتصحيح مخرجاته. هذه الآلية التعاونية لا تعزز فقط أداء كل نموذج، ولكنها تدفع أيضًا تطور مجموعة النماذج بأكملها. النماذج التي تنضم إلى Swarm لا تزال قادرة على الاحتفاظ بالأوزان المحلية المحسّنة بعد مغادرتها، مما يحقق فوائد عملية.
! [تم إطلاق Gensyn testnet ، كيف نجعل التدريب الذكاء الاصطناعي أكثر كفاءة ولامركزية؟] ](https://img.gateio.im/social/moments-55866966cb05d82f4a795de8e2fca44b)
علاوة على ذلك، قامت Gensyn بفتح مصدر رمز RL Swarm، حيث يمكن لأي شخص تشغيل عقدة، بدء أو الانضمام إلى Swarm موجود دون الحاجة إلى إذن. تستخدم الاتصالات الأساسية لـ Swarm بروتوكول الدردشة الذي تقدمه Hivemind، مما يدعم الرسائل اللامركزية بين النماذج ومشاركة إشارات التعلم. سواء كانت على لابتوب منزلي أو على GPU سحابي، يمكن الانضمام إلى عقدة RL Swarm للمشاركة في التدريب التعاوني.
البنية التحتية الركائز الثلاث: التنفيذ، الاتصال والتحقق
حتى الآن، لا يزال RL Swarm مجرد عرض تجريبي، حيث يُظهر طريقة لتعلم الآلة على نطاق واسع وقابل للتوسع، وليس شكل المنتج النهائي. على مدى السنوات الأربع الماضية، كان العمل الأساسي لشركة Gensyn في الواقع هو بناء البنية التحتية الأساسية، وبعد إصدار الTestnet، دخلت في المرحلة v0.1، ويمكن تشغيلها فعليًا. وفقًا للتعريف الرسمي، يتم تقسيم الهيكل العام لـ Gensyn إلى ثلاثة أجزاء: التنفيذ، الاتصالات، والتحقق.
التنفيذ (Execution): التناسق وقوة الحوسبة الموزعة
تعتقد جينسن أن التعلم الآلي في المستقبل لن يقتصر على النماذج التقليدية الأحادية، بل سيتكون من معلمات مجزأة موزعة على أجهزة حول العالم. لتحقيق هذا الهدف، طور فريق جينسن بنية تنفيذ أساسية تضمن التناسق عبر الأجهزة. تشمل التقنيات الرئيسية في هذا السياق:
تخزين المعلمات الموزعة والتدريب: من خلال تقسيم نموذج كبير إلى عدة كتل من المعلمات وتوزيعها على أجهزة مختلفة، حققت Gensyn نشر نموذج مجزأ، مما قلل من متطلبات الذاكرة على عقدة واحدة.
تدريب ما بعد التعلم المعزز (RL Post-Training): أظهرت الأبحاث أنه عندما يتم تدريب النماذج بشكل جماعي، والتواصل فيما بينها ونقد إجابات بعضها البعض، فإن كفاءة التعلم العامة ستتحسن بشكل ملحوظ. تستعرض Gensyn هذا المفهوم من خلال RL Swarm، مما يسمح للنماذج بالتقدم بسرعة خلال المناقشات الجماعية، ويؤكد مرة أخرى على فعالية التنفيذ الموزع.
العمليات القابلة للتكرار (RepOps): لضمان أن الأجهزة المختلفة (مثل Nvidia A100 و H100) يمكن أن تصل إلى نتائج حسابية متطابقة تمامًا، طورت Gensyn مكتبة RepOps، من خلال تثبيت ترتيب تنفيذ العمليات العائمة، مما يحقق التكرار بتدقيق عبر الأنظمة.
الاتصالات (Communication): تفاعل معلومات فعال
في سيناريوهات التدريب الموزع على نطاق واسع، تعتبر الاتصالات الفعالة بين العقد ضرورية. على الرغم من أن الطرق التقليدية لمزامنة البيانات يمكن أن تقلل من تكاليف الاتصال إلى حد ما، إلا أن متطلبات تخزين كل عقدة للنموذج الكامل تحد من قابليتها للتوسع بسبب قيود الذاكرة. لهذا، قدمت Gensyn حلاً جديدًا كليًا:
SkipPipe – أنبوب القفز الديناميكي المتوازي: تعمل تقنية SkipPipe من خلال اختيار الطبقات الحسابية الميكروية (microbatch) الديناميكية لتخطي بعض المراحل في خط الأنابيب التقليدي، مما يقلل من أوقات الانتظار غير الضرورية. يمكن لخوارزمية الجدولة المبتكرة تقييم توفر المسارات في الوقت الفعلي، مما يقلل من وقت الفراغ للنقاط، كما يقلل بشكل كبير من إجمالي مدة التدريب. وفقًا لبيانات الاختبار، يمكن أن تقلل SkipPipe من وقت التدريب بنسبة حوالي 55% في بيئة اللامركزية، وفي حالة تعطل بعض النقاط، ينخفض أداء النموذج بنسبة حوالي 7%.
معايير الاتصال والتعاون عبر العقدة قامت Gensyn ببناء بروتوكول اتصال مشابه لـ 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: ضمان الثقة والأمان
في شبكة موزعة لا تتطلب الثقة، يعد التحقق من صحة النتائج الحسابية المقدمة من جميع الأطراف المشاركة تحديًا كبيرًا. لهذا، قدمت Gensyn بروتوكول تحقق خاص، يهدف إلى ضمان تقديم جميع مزودي قوة الحوسبة لنتائج العمل الصحيحة من خلال آلية منخفضة التكلفة وفعالة:
بروتوكول تحقق فيردي: فيردي هو أول نظام تحقق مصمم خصيصًا لتعلم الآلة الحديث. يكمن جوهره في استخدام آلية حل النزاعات خفيفة الوزن لتحديد بسرعة الخطوة التي نشأت فيها الاختلافات بين النموذج والمحقق أثناء عملية التدريب. على عكس طرق التحقق التقليدية التي تتطلب إعادة تشغيل المهمة بالكامل، يحتاج فيردي فقط إلى إعادة حساب العمليات المتنازع عليها، مما يقلل بشكل كبير من تكاليف التحقق.
تفويض التحكيم (裁决式委托): بعد استخدام هذه الطريقة، إذا كانت هناك مشكلة في مخرجات مزود معين، يمكن للمدققين إقناع هيئة التحكيم المحايدة من خلال لعبة حل النزاعات الفعالة، مما يضمن صحة النتيجة الكاملة طالما يوجد على الأقل عقدة واحدة أمينة.
حالة التخزين والتجزئة الوسيطة: لدعم عملية التحقق المذكورة أعلاه، يحتاج المشاركون فقط إلى تخزين وتجزيء نقاط التحقق الوسيطة الجزئية، بدلاً من البيانات الكاملة، مما يقلل من استهلاك الموارد ويعزز من قابلية توسيع النظام ووقته الفعلي.
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 يمكن جعل تدريب الذكاء الاصطناعي أكثر كفاءة ولامركزية؟
! [تم إطلاق Gensyn testnet ، كيف نجعل التدريب الذكاء الاصطناعي أكثر كفاءة ولامركزية؟] ](https://img.gateio.im/social/moments-6404d294956ca781747ec419e6b4d906)
الذكاء الاصطناعي هو اليوم أحد أكثر المجالات الفرعية المثيرة للاهتمام في صناعة التشفير، حيث يعتبر Gensyn، وهو شبكة حسابات الذكاء الاصطناعي الموزعة التي قادتها a16z وجمعت تمويلًا يصل إلى 50 مليون دولار، مشروعًا تنافسيًا بلا شك. مؤخرًا، تم إطلاق Gensyn رسميًا على الTestnet، على الرغم من أنه تأخر بأكثر من عام عن الجدول الزمني الأصلي، إلا أن إطلاقه على الTestnet يعني أنه دخل أخيرًا مرحلة جديدة.
كنموذج مخصص لـ Ethereum Rollup مصمم خصيصًا لتعلم الآلة، يدمج Gensyn Testnet إطار العمل للتنفيذ والتحقق والتواصل خارج السلسلة، ويهدف إلى توفير الوظائف الأساسية مثل الهوية الدائمة، تتبع المشاركة، الحفاظ على الملكية، الدفع، تنسيق التنفيذ عن بُعد، التحقق غير الموثوق، تسجيل عمليات التدريب، وجمع التبرعات لمهام التدريب على نطاق واسع، لأنظمة AI اللامركزية.
يركز المرحلة الأولى من Testnet على تتبع المشاركة داخل RL Swarm. RL Swarm هو تطبيق للتعلم المعزز التعاوني بعد التدريب، حيث يمكن ربط العقد بهوية على السلسلة، مما يضمن تسجيل مساهمة كل عقدة مشاركة بدقة.
RL Swarm: الميزات الأساسية والتدريب التعاوني
في شبكة Gensyn Testnet، يُعتبر RL Swarm، كأحد التطبيقات الأساسية، نظامًا لتدريب النماذج بشكل تعاوني مبني على شبكة اللامركزية. على عكس التدريب المستقل لنموذج واحد التقليدي، يتيح RL Swarm للعديد من النماذج التواصل والنقد والتحسين فيما بينها، مما يعزز الأداء الكلي بشكل مشترك. الفكرة الأساسية هنا هي "ذكاء المجموعة"، أي تحقيق نتائج تدريب أكثر كفاءة من خلال التعاون والتغذية الراجعة بين نماذج العقد.
يمكن فهم ذلك ببساطة على أنه أثناء تدريب النماذج مثل DeepSeek-R1 على الاستدلال، يمكن أن تقوم بتحسين أداء الاستدلال من خلال النقد الذاتي، بينما يقوم RL Swarm بتوسيع هذه الآلية إلى مجموعة من النماذج المتعددة، مما يحقق تأثير "كثرة الحطب تزيد النار اشتعالاً".
استنادًا إلى نظام RL Swarm، لا يعتمد النموذج فقط على ردود الفعل الخاصة به، بل أيضًا من خلال مراقبة وتقييم أداء النماذج الأخرى، يتعرف على عيوبه ويقوم بتحسينها. كل نموذج ينضم إلى Swarm يشارك في عملية من ثلاث مراحل: أولاً، يكمل المشكلة بشكل مستقل ويخرج بأفكار وإجابات، ثم ينظر في إجابات النماذج الأخرى ويقدم ملاحظات، وأخيرًا، يصوت النموذج لاختيار الحل الأمثل، وبناءً عليه يقوم بتصحيح مخرجاته. هذه الآلية التعاونية لا تعزز فقط أداء كل نموذج، ولكنها تدفع أيضًا تطور مجموعة النماذج بأكملها. النماذج التي تنضم إلى Swarm لا تزال قادرة على الاحتفاظ بالأوزان المحلية المحسّنة بعد مغادرتها، مما يحقق فوائد عملية.
! [تم إطلاق Gensyn testnet ، كيف نجعل التدريب الذكاء الاصطناعي أكثر كفاءة ولامركزية؟] ](https://img.gateio.im/social/moments-55866966cb05d82f4a795de8e2fca44b)
علاوة على ذلك، قامت Gensyn بفتح مصدر رمز RL Swarm، حيث يمكن لأي شخص تشغيل عقدة، بدء أو الانضمام إلى Swarm موجود دون الحاجة إلى إذن. تستخدم الاتصالات الأساسية لـ Swarm بروتوكول الدردشة الذي تقدمه Hivemind، مما يدعم الرسائل اللامركزية بين النماذج ومشاركة إشارات التعلم. سواء كانت على لابتوب منزلي أو على GPU سحابي، يمكن الانضمام إلى عقدة RL Swarm للمشاركة في التدريب التعاوني.
البنية التحتية الركائز الثلاث: التنفيذ، الاتصال والتحقق
حتى الآن، لا يزال RL Swarm مجرد عرض تجريبي، حيث يُظهر طريقة لتعلم الآلة على نطاق واسع وقابل للتوسع، وليس شكل المنتج النهائي. على مدى السنوات الأربع الماضية، كان العمل الأساسي لشركة Gensyn في الواقع هو بناء البنية التحتية الأساسية، وبعد إصدار الTestnet، دخلت في المرحلة v0.1، ويمكن تشغيلها فعليًا. وفقًا للتعريف الرسمي، يتم تقسيم الهيكل العام لـ Gensyn إلى ثلاثة أجزاء: التنفيذ، الاتصالات، والتحقق.
التنفيذ (Execution): التناسق وقوة الحوسبة الموزعة
تعتقد جينسن أن التعلم الآلي في المستقبل لن يقتصر على النماذج التقليدية الأحادية، بل سيتكون من معلمات مجزأة موزعة على أجهزة حول العالم. لتحقيق هذا الهدف، طور فريق جينسن بنية تنفيذ أساسية تضمن التناسق عبر الأجهزة. تشمل التقنيات الرئيسية في هذا السياق:
الاتصالات (Communication): تفاعل معلومات فعال
في سيناريوهات التدريب الموزع على نطاق واسع، تعتبر الاتصالات الفعالة بين العقد ضرورية. على الرغم من أن الطرق التقليدية لمزامنة البيانات يمكن أن تقلل من تكاليف الاتصال إلى حد ما، إلا أن متطلبات تخزين كل عقدة للنموذج الكامل تحد من قابليتها للتوسع بسبب قيود الذاكرة. لهذا، قدمت Gensyn حلاً جديدًا كليًا:
التحقق: ضمان الثقة والأمان
في شبكة موزعة لا تتطلب الثقة، يعد التحقق من صحة النتائج الحسابية المقدمة من جميع الأطراف المشاركة تحديًا كبيرًا. لهذا، قدمت Gensyn بروتوكول تحقق خاص، يهدف إلى ضمان تقديم جميع مزودي قوة الحوسبة لنتائج العمل الصحيحة من خلال آلية منخفضة التكلفة وفعالة: