بروتوكول Gensyn يدرب بثقة الشبكات العصبية في Hyperscale بترتيب أقل من حيث التكلفة
الروابط: موقع Gensyn, Litepaper, محفظة CoinFund, مقال تك كرانش لينك
ملخص أطروحة الاستثمار
- النفوذ العلماني لتعلم الآلة التعقيد والقيمة المتزايدة: يتضاعف التعقيد الحسابي لأحدث أنظمة الذكاء الاصطناعي كل 3 أشهر ، بينما تستمر قيمة هذه النماذج في الزيادة بسرعة ، في حين أن طبيعة الصندوق الأسود السابقة لهذه الخوارزميات أصبحت الآن قادرة بشكل متزايد على التوافق مع أكبر إضاءات يفهمها الإنسان.
- تصميم نظام التنسيق والتحقق الجديد: Gensyn يبني نظام تحقق (سيتم نشر testnet v1 في وقت لاحق من هذا العام) والذي يحل بفعالية مشكلة التبعية في تدريب الشبكة العصبية على أي نطاق. يجمع النظام بين نقاط فحص التدريب النموذجية والفحوصات الاحتمالية التي تنتهي على السلسلة. إنه يفعل كل هذا دون ثقة ويتسع نطاق النفقات العامة خطيًا مع حجم النموذج (الحفاظ على تكاليف التحقق ثابتة).
- التركيز الموضوعي على اللامركزية في الذكاء الاصطناعي: تم إنتاج معظم الأمثلة المعروفة لتطبيقات التعلم الآلي (سيارات Tesla ذاتية القيادة ، Google DeepMind) بواسطة نفس مجموعة الشركات ، وذلك لأن صناعة التعلم العميق تبدو حاليًا وكأنها لعبة احتكار بين شركات التكنولوجيا الكبرى ، مثل وكذلك دول مثل الصين والولايات المتحدة. تؤدي هذه القوى إلى قوى مركزية ضخمة تتعارض مع شبكة الويب 3 وحتى الأصول التاريخية للويب 1.
يفخر CoinFund بدعم جمع التبرعات لبروتوكول Gensyn مؤخرًا ورؤية الفريق لتمكين الشبكات العصبية من التدريب غير الموثوق به على نطاق هائل ومنخفض التكلفة من خلال نظام التحقق الجديد الخاص بهم. الاستفادة من عمليات التحقق الاحتمالية التي تنتهي على السلسلة أثناء التنصت على مصادر الحوسبة غير المستغلة والمستخدمة بشكل كافٍ والتي تتراوح من وحدات معالجة الرسوميات للألعاب غير المستغلة بشكل كافٍ إلى تجمعات تعدين ETH1 المتطورة على وشك الانفصال عن شبكة Ethereum حيث أن تلك الشبكة تنتقل إلى Proof of Stake ، ولا يتطلب بروتوكول Gensyn أي مشرف إداري أو تطبيق قانوني ، بل يسهل توزيع المهام والمدفوعات برمجيًا من خلال عقود ذكية. والأفضل من ذلك ، أن الطبيعة اللامركزية للبروتوكول تعني أنه سيحكمه مجتمع الأغلبية في نهاية المطاف ولا يمكن "إيقافه" دون موافقة المجتمع ؛ هذا يجعله مقاومًا للرقابة ، على عكس نظرائه على الويب 2. في النهاية ، نعتقد أن Gensyn تلعب دورًا لتصبح الطبقة الأساسية لحوسبة ML الخاصة بـ web3 ، حيث يقوم المشاركون من الأطراف الثالثة في النهاية ببناء تجارب مستخدم ثرية ووظائف محددة في العديد من المجالات.
الجزء 1: مقدمة للنمو العلماني متعدد العقود في التعلم العميق
يتم التلاعب بكل وجه تراه في مكالمة فيديو وكل الصوت الذي تسمعه. لتحسين جودة الاتصال ، والشبكات العصبية انتقائي اضبط الدقة في Zoom و قمع ضوضاء الخلفية في Microsoft Teams. أحدث التطورات الحديثة حتى ترى دقة أقل للفيديو "حلمت" إلى دقة أعلى. الشبكات العصبية هي النماذج المستخدمة في فرع التعلم العميق للذكاء الاصطناعي. إنها تستند بشكل فضفاض إلى هيكل العقل البشري ولديها تطبيقات لا تعد ولا تحصى ، وربما تؤدي في النهاية إلى إنشاء ذكاء اصطناعي على مستوى الإنسان. تنتج النماذج الأكبر عمومًا نتائج أفضل ، وتتضاعف الأجهزة المطلوبة لأحدث التطورات كل ثلاثة اشهر. لقد جعل هذا الانفجار في التطور التعلم العميق جزءًا أساسيًا من التجربة الإنسانية الحديثة. في عام 2020 ، شبكة عصبية تشغيل الرادار على متن طائرة تجسس أمريكية ، تكتب نماذج اللغة الآن أفضل رسائل البريد الإلكتروني الاحتيالية من البشر وخوارزميات السيارات ذاتية القيادة يتفوق على البشر في العديد من البيئات.
GPT-3 175B ، أكبر نموذج GPT-3 اقترحته شركة OpenAI في براون وآخرون. (2020) استخدمت مجموعة من 1,000 وحدة معالجة رسومات NVIDIA Tesla V100 للتدريب - ما يعادل تقريبًا 355 عامًا من التدريب على جهاز واحد. DALL-E من راميش وآخرون (2021)، نموذج Transformer آخر من OpenAI ، يحتوي على 12 مليار معلمة وتم تدريبه على أكثر من 400 مليون صورة توضيحية. تحملت OpenAI تكلفة تدريب DALL-E ولكنها رفضت بشكل مثير للجدل فتح المصدر للنموذج ، مما يعني أنه ربما لا يزال يتعذر الوصول إلى أحد نماذج التعلم العميق متعددة الوسائط الأكثر أهمية ، باستثناء قلة مختارة. متطلبات الموارد الضخمة لبناء هذه نماذج الأساس خلق حواجز كبيرة أمام الوصول ، وبدون طريقة لتجميع الموارد مع الاستمرار في الحصول على القيمة ، من المحتمل أن يتسبب ذلك في ركود في تقدم الذكاء الاصطناعي. يعتقد الكثيرون أن هذه النماذج المعممة هي المفتاح لإطلاق الذكاء العام الاصطناعي (AGI) ، مما يجعل الطريقة الحالية للتدريب في الصوامع الاصطناعية المنعزلة تبدو سخيفة.
الحلول الحالية التي توفر الوصول إلى العرض الحاسوبي هي إما حلول احتكار القلة ومكلفة أو ببساطة بليد نظرًا لتعقيد الحساب المطلوب للذكاء الاصطناعي على نطاق واسع. تتطلب تلبية الطلب المتضخم نظامًا يرفع الكفاءة من حيث التكلفة من جميع الحوسبة المتاحة (على عكس استخدام المعالج العالمي اليوم بنسبة 40٪ تقريبًا). ومما يزيد هذه المشكلة تعقيدًا الآن حقيقة أن إمداد الحوسبة نفسه معوق مقارب التطورات في أداء المعالجات الدقيقة - جنبًا إلى جنب سلسلة التوريد و الجغرافية السياسية النقص في الرقائق.
الجزء 2: لماذا هناك حاجة إلى تنسيق Gensyn؟
التحدي الأساسي في بناء هذه الشبكة هو التحقق من عمل ML المكتمل. هذه مشكلة معقدة للغاية تقع عند تقاطع نظرية التعقيد ونظرية اللعبة والتشفير والتحسين. إلى جانب المعرفة البشرية في تصميم النموذج ، هناك ثلاث مشاكل أساسية تبطئ تقدم ML التطبيقي ، 1) الوصول إلى قوة الحوسبة ؛ 2) الوصول إلى البيانات ؛ و 3) الوصول إلى المعرفة (وصف الحقيقة على الأرض). يحل Gensyn المشكلة الأولى من خلال توفير الوصول عند الطلب إلى الحوسبة القابلة للتطوير عالميًا بسعر السوق العادل ، بينما ستسعى مؤسسة Gensyn إلى تشجيع الحلول لاثنين وثلاثة من خلال البحث والتمويل والتعاون مع البروتوكولات الأخرى.
على وجه التحديد ، يتيح الوصول إلى المعالجات الفائقة زيادة الحجم / التعقيد
النماذج المراد تدريبها. في العقد الماضي ، أدت مكاسب كثافة الترانزستور والتقدم في سرعة / موازاة الوصول إلى الذاكرة إلى تقليل أوقات التدريب للنماذج الكبيرة بشكل كبير. أدى الوصول الافتراضي إلى هذه الأجهزة ، عبر عمالقة السحابة مثل AWS و Alibaba ، إلى توسيع نطاق الاعتماد في الوقت نفسه. وفقًا لذلك ، هناك اهتمام قوي من الدولة بالحصول على وسائل إنتاج معالجات حديثة. لا يمتلك البر الرئيسي للصين حتى الآن القدرة الشاملة على إنتاج أحدث أشباه الموصلات (أي رقائق السيليكون) ، وهي عنصر أساسي في المعالجات. إنهم بحاجة إلى استيرادها ، لا سيما من TSMC (شركة تصنيع أشباه الموصلات التايوانية). يحاول بائعو الرقائق أيضًا منع العملاء الآخرين من الوصول إلى الشركات المصنعة للرقائق عن طريق شراء ما يصل العرض. على مستوى الدولة ، كانت الولايات المتحدة منع بقوة أي تحرك من جانب الشركات الصينية للحصول على هذه التكنولوجيا. علاوة على المكدس التكنولوجي ، ذهبت بعض الشركات إلى أبعد من ذلك في إنشاء أجهزة محددة خاصة بالتعلم العميق ، مثل مجموعات TPU من Google. تتفوق هذه الوحدات على وحدات معالجة الرسومات القياسية في التعلم العميق وهي غير متاحة للبيع للإيجار فقط.
إن زيادة حجم الحوسبة التي يمكن الوصول إليها بشكل كبير ، مع تقليل تكلفة الوحدة في نفس الوقت ، يفتح الباب لنموذج جديد تمامًا للتعلم العميق لكل من المجتمعات البحثية والصناعية. تسمح التحسينات في الحجم والتكلفة للبروتوكول ببناء مجموعة من النماذج الأساسية المثبتة مسبقًا والمدربة مسبقًا - والمعروفة أيضًا باسم نماذج المؤسسة- بطريقة مشابهة لـ نموذج حدائق الحيوان من الأطر الشعبية. يسمح هذا للباحثين والمهندسين بالبحث وتدريب النماذج المتفوقة علنًا على مجموعات البيانات المفتوحة الضخمة ، بطريقة مماثلة لـ إليوثر المشروع. ستحل هذه النماذج بعض المشكلات الأساسية للإنسانية بدون ملكية أو رقابة مركزية. سيتيح التشفير ، وخاصة التشفير الوظيفي ، الاستفادة من البروتوكول على البيانات الخاصة عند الطلب. يمكن بعد ذلك تعديل نماذج الأساس الضخمة من قبل أي شخص يستخدم مجموعة بيانات خاصة ، مع الحفاظ على القيمة / الخصوصية في تلك البيانات ولكن لا يزال يشارك المعرفة الجماعية في تصميم النموذج والبحث.
الجزء 3: Gensyn يقود Web3-Native Data Centralization
ربما تكون الإنترنت قد ولدت من قبل حكومة الولايات المتحدة في الستينيات ، ولكن بحلول التسعينيات كانت شبكة فوضوية من الإبداع والفردية والفرص. قبل وقت طويل من قيام Google بتخزين TPUs ، حاولت مشاريع مثل SETI @ home اكتشاف الحياة الفضائية من خلال التعهيد الجماعي لقوة الحوسبة اللامركزية. بحلول عام 1960 ، بلغ معدل معالجة SETI @ home 17 تيرافلوبس، وهو ما يزيد عن ضعف أداء أفضل كمبيوتر عملاق في ذلك الوقت ، وهو IBM ASCI White. يُطلق على هذه الفترة الزمنية بشكل عام اسم `` web1 '' ، وهي لحظة قبل هيمنة المنصات الكبيرة مثل Google أو Amazon (web2) ، لكن الحوسبة اللامركزية تعثرت في التوسع لتلبية الاحتياجات الأولية للإنترنت ، بسبب العديد من المشكلات في ذلك الوقت.
ومع ذلك ، فإن المركزية الحالية للبنية التحتية للويب في منصات الويب 2 الضخمة تخلق مشكلاتها الخاصة ، مثل التكلفة (هامش AWS الإجمالي تقديري 61%، يمثل ضغط الهامش لمعظم الباحثين على نطاق فرعي والشركات التي تعتمد على البيانات. في الوقت نفسه ، تضحي مثيلات الحوسبة المركزية أيضًا بالتحكم - أوقفت AWS البنية التحتية لمنصة الوسائط الاجتماعية اليمينية الشهيرة Parler باستخدام إشعار ليوم واحد بعد 6 يناير 2021 كابيتول الشغب. اتفق الكثير مع هذا القرار ، ولكن السابقة خطيرة عند AWS مضيفين 42٪ من أفضل 10,000 موقع على الإنترنت. ومع ذلك ، فإن تدريب نماذج التعلم العميق عبر الأجهزة اللامركزية أمر صعب بسبب مشكلة التحقق ، والتي يساعد بروتوكول Gensyn في حلها.
بناء السوق كبروتوكول Web3 يزيل النفقات العامة المركزية على التوسع ، ويقلل من الحواجز التي تحول دون دخول المشاركين الجدد في التوريد ، مما يسمح للشبكة بأن تشمل كل جهاز حوسبة في العالم. يوفر توصيل جميع الأجهزة من خلال شبكة لامركزية واحدة مستوى من قابلية التوسع الذي يستحيل تحقيقه حاليًا من خلال أي مزود حالي ، مما يمنح وصولاً غير مسبوق عند الطلب إلى العرض الشامل للحوسبة في العالم. بالنسبة للمستخدمين النهائيين ، يؤدي هذا إلى تفكيك التكلفة مقابل معضلة الحجم تمامًا ويوفر حساب تدريب ML للشفافية ومنخفض التكلفة لقابلية التوسع غير المحدودة (حتى حدود الأجهزة المادية في جميع أنحاء العالم) ولتحديد أسعار الوحدات من خلال ديناميكيات السوق. يتجنب هذا الخنادق المعتادة التي يتمتع بها كبار المزودين ، ويؤدي إلى انخفاض الأسعار بشكل كبير ، ويسهل المنافسة العالمية الحقيقية على مستوى الموارد ، بل ويأخذ في الاعتبار أيضًا حالة يرى فيها مقدمو الخدمات السحابية بروتوكول Gensyn على أنه وسيلة توزيع تكمل الطرف الأول الأكثر مركزية عروض مجمعة.
الخلاصة:
مع الذكاء الاصطناعي تقريبًا مثل كلمة طنانة مثل العملات المشفرة و blockchains ، يجب أن تجتاز أطروحتنا للاستثمار في Gensyn كما هو موضح هنا اختبارات سهولة الفهم والمدعومة بالأدلة ، بينما تكون طموحًا في التخفيف من الفرص المحددة لقدرة البروتوكول على إضافة قيمة لشبكة موارد مستهدفة في البداية ولكنها قابلة للتعميم أصلية إلى web3. من خلال بروتوكول Gensyn ، نعتقد أننا نشهد بدايات شبكة تنسيق عالية التوسيع وفعالة من حيث التكلفة تمهد الطريق لمزيد من الرؤى القيمة التي تضع الأساس لعدد لا يحصى من التطبيقات في المستقبل.
حول CoinFund
CoinFund هي شركة استثمارية متنوعة ورائدة تركز على blockchain تأسست في عام 2015 ، ومقرها في الولايات المتحدة بشكل جماعي ، ولدينا سجل حافل وخبرة واسعة في مجال العملات المشفرة والأسهم التقليدية والائتمان والأسهم الخاصة والاستثمار في المشاريع. تغطي استراتيجيات CoinFund كلاً من الأسواق السائلة وأسواق المغامرة وتستفيد من نهجنا متعدد التخصصات الذي يزامن الكفاءة التقنية المبتكرة مع الخبرة المالية التقليدية. من خلال نهج "المؤسسون أولاً" ، تتعاون CoinFund بشكل وثيق مع شركات محفظتها لدفع الابتكار عبر مساحة الأصول الرقمية.
إخلاء المسئولية
المحتوى المقدم على هذا الموقع هو للأغراض الإعلامية والمناقشة فقط ولا ينبغي الاعتماد عليه فيما يتعلق بقرار استثماري معين أو يتم تفسيره على أنه عرض أو توصية أو التماس بخصوص أي استثمار. لا يؤيد المؤلف أي شركة أو مشروع أو رمز مميز تمت مناقشته في هذه المقالة. يتم تقديم جميع المعلومات هنا "كما هي" دون أي ضمان من أي نوع ، سواء أكان صريحًا أم ضمنيًا ، وقد يتبين أن أي بيانات تطلعية خاطئة. قد يكون لدى CoinFund Management LLC والشركات التابعة لها مراكز طويلة أو قصيرة في الرموز أو المشاريع التي تمت مناقشتها في هذه المقالة.
بروتوكول Gensyn يدرب بثقة الشبكات العصبية في Hyperscale بترتيب أقل من حيث الحجم ... نشرت في الأصل في مدونة CoinFund على المتوسط، حيث يواصل الناس المحادثة من خلال تسليط الضوء على هذه القصة والرد عليها.
