AI, günümüzde kripto sektöründeki en çok ilgi gören alt alanlardan biridir. a16z'nin liderlik ettiği ve toplam finansman büyüklüğü 50 milyon dolar olan dağıtık AI hesaplama ağı Gensyn, kesinlikle rekabetçi bir proje. Yakın zamanda, Gensyn resmi olarak Testnet'e geçti; planlanan zamandan bir yıl kadar geç başlamış olsa da, Testnet'in devreye girmesiyle birlikte yeni bir aşamaya girmiş oldu.
Makine öğrenimi için özel olarak geliştirilmiş bir özelleştirilmiş Ethereum Rollup olan Gensyn Testnet, merkeziyetsizlik AI sistemlerine kalıcı kimlik, katılım izleme, sahiplik koruma, ödeme, uzaktan yürütme koordinasyonu, güvenilir olmayan doğrulama, eğitim süreci kaydı ve büyük ölçekli eğitim görevleri toplama gibi temel işlevler sağlamak amacıyla çevrimdışı yürütme, doğrulama ve iletişim çerçevelerini entegre etmiştir.
Testnet'in birinci aşaması, RL Swarm içindeki katılım durumunu takip etmeye odaklanmaktadır. RL Swarm, işbirlikçi pekiştirmeli öğrenme sonrası eğitim için kullanılan bir uygulamadır ve düğümleri zincir üstü kimliklerle bağlayarak her katılımcı düğümün katkısının doğru bir şekilde kaydedilmesini sağlar.
RL Swarm: Temel Fonksiyonlar ve İşbirlikçi Eğitim
Gensyn Testnet'te, temel uygulama olarak RL Swarm, merkeziyetsizlik ağına dayalı bir model işbirliği eğitim sistemidir. Geleneksel olarak bağımsız şekilde eğitim gören tekil modellerin aksine, RL Swarm, birden fazla modelin ağ içinde etkileşimde bulunmasına, eleştirmesine ve geliştirmesine olanak tanır, böylece genel performansı artırır. Temel felsefesi "topluluk zekası"dır; yani, düğüm modelleri arasındaki işbirliği ve geri bildirim yoluyla daha verimli bir eğitim sağlanır.
Basitçe söylemek gerekirse, DeepSeek-R1 gibi modellerin çıkarım eğitimi sırasında, kendi kendine eleştiri yoluyla çıkarım performansını artırabileceği, RL Swarm'ın ise bu mekanizmayı çoklu model grubuna genişleterek "çok sayıda insan odun toplarsa ateş daha büyük olur" etkisini gerçekleştirdi.
RL Swarm sistemine dayalı olarak, model yalnızca kendi geri bildirimine değil, aynı zamanda diğer modellerin performansını gözlemleyip değerlendirmeye de dayanarak kendi eksikliklerini tanımlayıp optimize eder. Swarm'a katılan her model düğümü, üç aşamalı bir sürece katılır: Öncelikle bağımsız olarak problemi tamamlayıp düşünce ve cevapları çıkarır, ardından diğer düğümlerin cevaplarını gözden geçirip geri bildirimde bulunur, nihayetinde model en iyi çözümü oylayarak seçer ve buna göre kendi çıktısını düzeltir. Bu işbirliği mekanizması, her modelin performansını artırmanın yanı sıra, tüm grup modelinin evrimini de teşvik eder. Swarm'a katılan modeller, ayrıldıktan sonra bile geliştirilmiş yerel ağırlıkları koruyarak gerçek kazanç elde eder.
Ayrıca, Gensyn RL Swarm'ın kodunu açık kaynak yaptı, herkes düğüm çalıştırabilir, mevcut Swarm'a katılabilir veya onu başlatabilir, izin almaya gerek yoktur. Swarm'ın temel iletişimi, Hivemind tarafından sağlanan gossip protokolünü kullanır ve modeller arasında merkeziyetsiz mesajlaşmayı ve öğrenme sinyali paylaşımını destekler. İster ev bilgisayarı, ister bulut üzerindeki GPU'da RL Swarm düğümüne katılarak işbirlikçi eğitim sürecine katılabilirsiniz.
Altyapı üç temel sütun: yürütme, iletişim ve doğrulama
Şu anda RL Swarm hala sadece deneysel bir gösterimdir, büyük ölçekli, ölçeklenebilir bir makine öğrenimi yöntemini sergilemektedir, nihai ürün biçimi değildir. Son dört yılda, Gensyn'in temel çalışması aslında altyapıyı inşa etmekti, testnet yayınlandıktan sonra v0.1 aşamasına girdi ve artık gerçek bir şekilde çalışabilir. Resmi tanıma göre, Gensyn'in genel mimarisi, yürütme, iletişim ve doğrulama olmak üzere üç bölüme ayrılmaktadır.
Uygulama (Execution): Tutarlılık ve Dağıtık Hesaplama Gücü
Gensyn, gelecekteki makine öğreniminin artık geleneksel monolitik modellere bağlı kalmayacağını, bunun yerine dünya genelindeki cihazlar üzerinde dağıtılmış parçalı parametrelerden oluşacağını düşünüyor. Bu hedefe ulaşmak için Gensyn ekibi, cihazlar arası tutarlılığı sağlayan bir alt düzey yürütme mimarisi geliştirdi. Buradaki anahtar teknolojiler şunlardır:
Dağıtık parametre depolama ve eğitim: Gensyn, büyük ölçekli modelleri birden fazla parametre bloğuna bölerek ve bunları farklı cihazlara dağıtarak, modelin parçalı dağıtımını sağladı ve tek bir düğümün bellek gereksinimlerini azalttı.
Pekiştirmeli öğrenme sonrası eğitim (RL Post-Training): Araştırmalar, modelin toplu bir şekilde işbirliği yaparak, birbirleriyle iletişim kurarak ve birbirlerinin cevaplarını eleştirerek eğitildiğinde, genel öğrenme verimliliğinin önemli ölçüde arttığını göstermektedir. Gensyn, bu kavramı RL Swarm ile göstermiştir; modelin toplu tartışmalarda hızlı bir şekilde ilerlemesini sağlamakta ve dağıtık yürütmenin etkinliğini daha da doğrulamaktadır.
Yeniden Üretilebilir Operatörler (RepOps): Farklı donanımların (örneğin Nvidia A100 ve H100) tamamen tutarlı hesaplama sonuçları elde etmesini sağlamak amacıyla, Gensyn RepOps kütüphanesini geliştirmiştir. Bu kütüphane, kayan nokta işlemlerinin yürütme sırasını sabitleyerek, platformlar arası bit düzeyinde yeniden üretimi gerçekleştirmiştir.
İletişim (Communication): Verimli bilgi alışverişi
Büyük ölçekli dağıtık eğitim senaryolarında, düğümler arası verimli iletişim son derece önemlidir. Geleneksel veri paralelliği yöntemleri, iletişim maliyetlerini belirli bir ölçüde azaltabilse de, her bir düğümün tam modeli saklamasını gerektirdiğinden, ölçeklenebilirliği bellek sınırlamaları ile karşılaşmaktadır. Bu nedenle, Gensyn tamamen yeni bir çözüm önerdi:
SkipPipe – Dinamik Atlama Borusu Paralel: SkipPipe teknolojisi, mikro parti (microbatch) üzerinden geçen hesaplama katmanlarını dinamik olarak seçerek, geleneksel boru hattındaki bazı aşamaları atlayarak gereksiz bekleme sürelerini azaltır. Yenilikçi planlama algoritması, her bir yolun kullanılabilirliğini anlık olarak değerlendirebilmekte, böylece düğüm boşta kalma süresini azaltmakta ve genel eğitim süresini büyük ölçüde kısaltmaktadır. Test verileri, merkeziyetsiz bir ortamda, SkipPipe'ın eğitim süresini yaklaşık %55 oranında azaltabileceğini ve bazı düğümlerin arızalanması durumunda model performansının yalnızca %7 civarında düştüğünü göstermektedir.
İletişim standartları ve düğümler arası işbirliği Gensyn, dünyanın dört bir yanındaki katılımcıların, hangi cihazı kullanırlarsa kullansınlar, verileri etkili ve kesintisiz bir şekilde iletmelerini ve bilgi alışverişinde bulunmalarını sağlayan TCP/IP benzeri bir iletişim protokolü geliştirmiştir. Bu açık standart, merkeziyetsiz işbirlikçi eğitim için sağlam bir ağ temeli sunmaktadır.
Doğrulama (Verification): Güven ve emniyeti sağlamak
Güven gerektirmeyen dağıtık bir ağda, katılımcıların sunduğu hesaplama sonuçlarının gerçek ve geçerli olduğunu doğrulamak büyük bir zorluktur. Gensyn, tüm hesaplama gücü tedarikçilerinin doğru iş sonuçları sağlamasını güvence altına almak için düşük maliyetli, verimli bir mekanizma aracılığıyla özel bir doğrulama protokolü tanıtmaktadır:
Verde Doğrulama Protokolü: Verde, modern makine öğrenimi için özel olarak tasarlanmış ilk doğrulama sistemidir. Temeli, hafif bir ihtilaf çözüm mekanizması kullanarak, eğitim sürecinde model ile doğrulayıcı arasında ortaya çıkan uyuşmazlıkların hangi adımda olduğunu hızlı bir şekilde belirlemektir. Geleneksel olarak tüm görevi yeniden çalıştırmayı gerektiren doğrulama yöntemlerinden farklı olarak, Verde yalnızca ihtilaflı işlemi yeniden hesaplamakta, böylece doğrulama maliyetlerini önemli ölçüde azaltmaktadır.
hakem delegasyonu (裁决式委托): Bu yöntem kullanıldığında, eğer bir tedarikçinin çıktısında bir sorun varsa, doğrulayıcılar etkili bir itiraz çözüm oyunu aracılığıyla tarafsız bir hakemi ikna edebilir ve en az bir dürüst düğümün varlığıyla tüm hesaplama sonuçlarının doğruluğunu garanti altına alabilir.
Depolama ve hash ara durumu: Yukarıda belirtilen doğrulama sürecini desteklemek için katılımcıların yalnızca kısmi ara eğitim kontrol noktalarını depolamaları ve hashlemeleri yeterlidir, bu da kaynak kullanımını azaltır ve sistemin ölçeklenebilirliğini ve gerçek zamanlılığını artırır.
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
Gensyn test ağının piyasaya sürülmesiyle yapay zeka eğitimi nasıl daha verimli ve merkezi olmayan hale getirilir?
AI, günümüzde kripto sektöründeki en çok ilgi gören alt alanlardan biridir. a16z'nin liderlik ettiği ve toplam finansman büyüklüğü 50 milyon dolar olan dağıtık AI hesaplama ağı Gensyn, kesinlikle rekabetçi bir proje. Yakın zamanda, Gensyn resmi olarak Testnet'e geçti; planlanan zamandan bir yıl kadar geç başlamış olsa da, Testnet'in devreye girmesiyle birlikte yeni bir aşamaya girmiş oldu.
Makine öğrenimi için özel olarak geliştirilmiş bir özelleştirilmiş Ethereum Rollup olan Gensyn Testnet, merkeziyetsizlik AI sistemlerine kalıcı kimlik, katılım izleme, sahiplik koruma, ödeme, uzaktan yürütme koordinasyonu, güvenilir olmayan doğrulama, eğitim süreci kaydı ve büyük ölçekli eğitim görevleri toplama gibi temel işlevler sağlamak amacıyla çevrimdışı yürütme, doğrulama ve iletişim çerçevelerini entegre etmiştir.
Testnet'in birinci aşaması, RL Swarm içindeki katılım durumunu takip etmeye odaklanmaktadır. RL Swarm, işbirlikçi pekiştirmeli öğrenme sonrası eğitim için kullanılan bir uygulamadır ve düğümleri zincir üstü kimliklerle bağlayarak her katılımcı düğümün katkısının doğru bir şekilde kaydedilmesini sağlar.
RL Swarm: Temel Fonksiyonlar ve İşbirlikçi Eğitim
Gensyn Testnet'te, temel uygulama olarak RL Swarm, merkeziyetsizlik ağına dayalı bir model işbirliği eğitim sistemidir. Geleneksel olarak bağımsız şekilde eğitim gören tekil modellerin aksine, RL Swarm, birden fazla modelin ağ içinde etkileşimde bulunmasına, eleştirmesine ve geliştirmesine olanak tanır, böylece genel performansı artırır. Temel felsefesi "topluluk zekası"dır; yani, düğüm modelleri arasındaki işbirliği ve geri bildirim yoluyla daha verimli bir eğitim sağlanır.
Basitçe söylemek gerekirse, DeepSeek-R1 gibi modellerin çıkarım eğitimi sırasında, kendi kendine eleştiri yoluyla çıkarım performansını artırabileceği, RL Swarm'ın ise bu mekanizmayı çoklu model grubuna genişleterek "çok sayıda insan odun toplarsa ateş daha büyük olur" etkisini gerçekleştirdi.
RL Swarm sistemine dayalı olarak, model yalnızca kendi geri bildirimine değil, aynı zamanda diğer modellerin performansını gözlemleyip değerlendirmeye de dayanarak kendi eksikliklerini tanımlayıp optimize eder. Swarm'a katılan her model düğümü, üç aşamalı bir sürece katılır: Öncelikle bağımsız olarak problemi tamamlayıp düşünce ve cevapları çıkarır, ardından diğer düğümlerin cevaplarını gözden geçirip geri bildirimde bulunur, nihayetinde model en iyi çözümü oylayarak seçer ve buna göre kendi çıktısını düzeltir. Bu işbirliği mekanizması, her modelin performansını artırmanın yanı sıra, tüm grup modelinin evrimini de teşvik eder. Swarm'a katılan modeller, ayrıldıktan sonra bile geliştirilmiş yerel ağırlıkları koruyarak gerçek kazanç elde eder.
Ayrıca, Gensyn RL Swarm'ın kodunu açık kaynak yaptı, herkes düğüm çalıştırabilir, mevcut Swarm'a katılabilir veya onu başlatabilir, izin almaya gerek yoktur. Swarm'ın temel iletişimi, Hivemind tarafından sağlanan gossip protokolünü kullanır ve modeller arasında merkeziyetsiz mesajlaşmayı ve öğrenme sinyali paylaşımını destekler. İster ev bilgisayarı, ister bulut üzerindeki GPU'da RL Swarm düğümüne katılarak işbirlikçi eğitim sürecine katılabilirsiniz.
Altyapı üç temel sütun: yürütme, iletişim ve doğrulama
Şu anda RL Swarm hala sadece deneysel bir gösterimdir, büyük ölçekli, ölçeklenebilir bir makine öğrenimi yöntemini sergilemektedir, nihai ürün biçimi değildir. Son dört yılda, Gensyn'in temel çalışması aslında altyapıyı inşa etmekti, testnet yayınlandıktan sonra v0.1 aşamasına girdi ve artık gerçek bir şekilde çalışabilir. Resmi tanıma göre, Gensyn'in genel mimarisi, yürütme, iletişim ve doğrulama olmak üzere üç bölüme ayrılmaktadır.
Uygulama (Execution): Tutarlılık ve Dağıtık Hesaplama Gücü
Gensyn, gelecekteki makine öğreniminin artık geleneksel monolitik modellere bağlı kalmayacağını, bunun yerine dünya genelindeki cihazlar üzerinde dağıtılmış parçalı parametrelerden oluşacağını düşünüyor. Bu hedefe ulaşmak için Gensyn ekibi, cihazlar arası tutarlılığı sağlayan bir alt düzey yürütme mimarisi geliştirdi. Buradaki anahtar teknolojiler şunlardır:
İletişim (Communication): Verimli bilgi alışverişi
Büyük ölçekli dağıtık eğitim senaryolarında, düğümler arası verimli iletişim son derece önemlidir. Geleneksel veri paralelliği yöntemleri, iletişim maliyetlerini belirli bir ölçüde azaltabilse de, her bir düğümün tam modeli saklamasını gerektirdiğinden, ölçeklenebilirliği bellek sınırlamaları ile karşılaşmaktadır. Bu nedenle, Gensyn tamamen yeni bir çözüm önerdi:
Doğrulama (Verification): Güven ve emniyeti sağlamak
Güven gerektirmeyen dağıtık bir ağda, katılımcıların sunduğu hesaplama sonuçlarının gerçek ve geçerli olduğunu doğrulamak büyük bir zorluktur. Gensyn, tüm hesaplama gücü tedarikçilerinin doğru iş sonuçları sağlamasını güvence altına almak için düşük maliyetli, verimli bir mekanizma aracılığıyla özel bir doğrulama protokolü tanıtmaktadır: