پروتکل Gensyn شبکه های عصبی را در مقیاس فوق العاده با مرتبه ای از هزینه کمتر آموزش می دهد.
لینک ها: وب سایت Gensyn, ادبیات, نمونه کارها CoinFund, مقاله TechCrunch ارتباط دادن
خلاصه پایان نامه سرمایه گذاری
- اهرم سکولار برای پیچیدگی و ارزش رو به رشد ML: پیچیدگی محاسباتی سیستمهای هوش مصنوعی پیشرفته هر 3 ماه دو برابر میشود، در حالی که ارزش این مدلها به سرعت در حال افزایش است، در حالی که ماهیت جعبه سیاه سابق این الگوریتمها اکنون به طور فزایندهای میتوانند با الگوریتمهای بیشتری سازگار شوند. روشنگرهای قابل درک برای انسان.
- طراحی جدید سیستم هماهنگی و تأیید: Gensyn در حال ساخت یک سیستم تأیید (testnet v1 در اواخر امسال خواهد بود) که به طور مؤثر مشکل وابستگی حالت را در آموزش شبکه عصبی در هر مقیاسی حل می کند. این سیستم نقاط بازرسی آموزشی مدل را با بررسیهای احتمالی ترکیب میکند که در زنجیره خاتمه مییابند. همه این کارها را بدون اطمینان انجام می دهد و مقیاس های سربار را به صورت خطی با اندازه مدل انجام می دهد (هزینه های تأیید را ثابت نگه می دارد).
- تمرکز موضوعی بر تمرکززدایی هوش مصنوعی: بیشتر نمونههای معروف برنامههای یادگیری ماشین (ماشینهای خودران تسلا، گوگل دیپمایند) توسط مجموعهای از شرکتها تولید میشوند، به این دلیل که صنعت یادگیری عمیق در حال حاضر مانند یک بازی انحصاری بین شرکتهای فناوری بزرگ به نظر میرسد. و همچنین کشورهایی مانند چین و ایالات متحده. این نیروها منجر به نیروهای متمرکز عظیمی می شوند که برخلاف web3 و حتی ریشه های تاریخی web1 هستند.
CoinFund مفتخر است که از جمع آوری کمک های اخیر پروتکل Gensyn حمایت می کند و چشم انداز تیم برای فعال کردن شبکه های عصبی بدون اعتماد در مقیاس فوق العاده و هزینه کم از طریق سیستم تأیید جدید خود. استفاده از بررسی های احتمالی که در زنجیره خاتمه می یابد در حالی که ضربه زدن به منابع محاسباتی کم استفاده و کم استفاده، از پردازندههای گرافیکی بازی که در حال حاضر کماستفاده شدهاند تا استخرهای استخراج پیچیده ETH1 که در شرف جدا شدن از شبکه اتریوم هستند، زیرا انتقال شبکه به Proof of Stake، پروتکل Gensyn به هیچ ناظر اداری یا اجرای قانونی نیاز ندارد، بلکه توزیع وظایف و پرداختها را به صورت برنامهریزی تسهیل میکند. قراردادهای هوشمند بهتر از آن، ماهیت غیرمتمرکز پروتکل به این معنی است که در نهایت تحت کنترل جامعه اکثریت خواهد بود و نمیتوان آن را بدون رضایت جامعه «خاموش» کرد. این باعث می شود که برخلاف همتایان web2 خود در برابر سانسور مقاوم باشد. در نهایت، ما بر این باوریم که Gensyn در حال تبدیل شدن به لایه اساسی برای محاسبات ML بومی web3 است، زیرا شرکتکنندگان شخص ثالث در نهایت تجربیات کاربری غنی و عملکردهای خاصی را در بخشهای متعدد ایجاد میکنند.
بخش 1: مقدمه ای بر رشد سکولار چند دهه ای یادگیری عمیق
هر چهره ای که در تماس ویدیویی می بینید و تمام صدایی که می شنوید دستکاری می شود. برای بهبود کیفیت تماس، شبکه های عصبی به طور انتخابی وضوح را در زوم و سرکوب نویز پس زمینه در تیم های مایکروسافت پیشرفتهای اخیر حتی ویدیوهایی با وضوح پایینتر را نیز مشاهده میکنند "خواب دیده" به وضوح بالاتر شبکه های عصبی مدل هایی هستند که در شاخه یادگیری عمیق هوش مصنوعی مورد استفاده قرار می گیرند. آنها بطور آزاد بر اساس ساختار هستند مغز انسان و کاربردهای بی شماری دارند که شاید در نهایت هوش مصنوعی در سطح انسانی ایجاد کند. مدلهای بزرگتر معمولاً نتایج بهتری دارند و سختافزار مورد نیاز برای توسعه پیشرفته دو برابر میشود. هر سه ماه. این انفجار در توسعه، یادگیری عمیق را به بخشی اساسی از تجربه بشر مدرن تبدیل کرده است. در سال 2020، یک شبکه عصبی رادار را اداره کرد در یک هواپیمای جاسوسی ایالات متحده، مدل های زبان اکنون می نویسند ایمیل های کلاهبرداری بهتر نسبت به انسان ها و الگوریتم های خودروهای خودران شکست خورده است انسان در بسیاری از محیط ها
GPT-3 175B، بزرگترین مدل GPT-3 ارائه شده توسط OpenAI در براون و همکاران (2020) از مجموعه ای از 1,000 پردازنده گرافیکی NVIDIA Tesla V100 برای آموزش استفاده کرد - تقریباً معادل 355 سال آموزش در یک دستگاه. DALL-E از رامش و همکاران (2021)مدل ترانسفورمر دیگری از OpenAI، دارای 12 میلیارد پارامتر است و بر روی بیش از 400 میلیون تصویر زیرنویس آموزش داده شده است. OpenAI هزینه آموزش DALL-E را متحمل شد، اما به طور بحثانگیز از ارائه مدل منبع باز خودداری کرد، به این معنی که شاید یکی از مهمترین مدلهای پیشرفته یادگیری عمیق چندوجهی برای همه غیرقابل دسترس باشد به جز تعداد معدودی. منابع عظیم مورد نیاز برای ساخت این مدل های پایه موانع قابل توجهی برای دسترسی ایجاد می کند و بدون روشی برای تجمیع منابع در حالی که هنوز ارزش را به دست می آورد، احتمالاً باعث رکود در پیشرفت هوش مصنوعی می شود. بسیاری بر این باورند که این مدلهای تعمیمیافته کلید باز کردن قفل هوش عمومی مصنوعی (AGI) هستند و روش فعلی آموزش در سیلوهای مصنوعی و ایزوله را پوچ جلوه میدهند.
راهحلهای کنونی که دسترسی به عرضه محاسباتی را فراهم میکنند، یا انحصاری و پرهزینه هستند یا به سادگی غیرقابل اجرا با توجه به پیچیدگی محاسبات مورد نیاز برای هوش مصنوعی در مقیاس بزرگ. پاسخگویی به تقاضای بالون سازی نیازمند سیستمی است که از اهرم های مقرون به صرفه استفاده کند تمام محاسبات موجود (بر خلاف 40% استفاده جهانی از پردازنده امروزی). تشدید کننده این مشکل در حال حاضر این واقعیت است که خود عرضه محاسباتی با مشکل مواجه شده است تقریبی پیشرفت در عملکرد ریزپردازنده - در کنار زنجیره تامین و جغرافیای سیاسی کمبود تراشه
قسمت 2: چرا هماهنگی Gensyn مورد نیاز است؟
چالش اساسی در ساخت این شبکه، تایید کار تکمیل شده ML است. این یک مشکل بسیار پیچیده است که در تقاطع نظریه پیچیدگی، نظریه بازی، رمزنگاری و بهینهسازی قرار دارد. علاوه بر دانش انسان در طراحی مدل، سه مشکل اساسی وجود دارد که پیشرفت ML کاربردی را کند می کند، 1) دسترسی به توان محاسباتی. 2) دسترسی به داده ها؛ و 3) دسترسی به دانش (برچسب گذاری زمینه حقیقت). Gensyn اولین مشکل را با ارائه دسترسی بر اساس تقاضا به محاسبات مقیاس پذیر جهانی با قیمت بازار منصفانه خود حل می کند، در حالی که بنیاد Gensyn به دنبال تشویق راه حل های دو و سه از طریق تحقیق، تأمین مالی و همکاری با پروتکل های دیگر است.
به طور خاص، دسترسی به پردازندههای برتر، آموزش مدلهای بزرگ/پیچیدهتر را امکانپذیر میسازد. در دهه گذشته، افزایش چگالی ترانزیستور و پیشرفت در سرعت دسترسی/موازی سازی حافظه، زمان آموزش را برای مدل های بزرگ به طور چشمگیری کاهش داده است. دسترسی مجازی به این سختافزار، از طریق غولهای ابری مانند AWS و Alibaba، به طور همزمان پذیرش را افزایش داده است. بر این اساس، دولت علاقه زیادی به دستیابی به ابزار تولید پردازشگرهای پیشرفته دارد. سرزمین اصلی چین هنوز توانایی نهایی برای تولید نیمه هادی های پیشرفته (یعنی ویفرهای سیلیکونی) را ندارد که جزء ضروری در پردازنده هاست. آنها باید اینها را وارد کنند، به ویژه از TSMC (شرکت تولید نیمه هادی تایوان). فروشندگان تراشه همچنین سعی می کنند از دسترسی سایر مشتریان به تولید کنندگان تراشه جلوگیری کنند با خرید عرضه. در سطح ایالتی، ایالات متحده بوده است مسدود کردن تهاجمی هرگونه اقدام شرکت های چینی برای دستیابی به این فناوری. فراتر از پشته فناوری، برخی از شرکتها تا آنجا پیش رفتهاند که سختافزار مخصوص یادگیری عمیق خود را ایجاد کردهاند، مانند خوشههای TPU گوگل. این پردازندههای گرافیکی استاندارد در یادگیری عمیق عملکرد بهتری دارند و برای فروش در دسترس نیستند، فقط برای اجاره.
افزایش گسترده مقیاس محاسبات در دسترس، در حالی که به طور همزمان هزینه واحد آن را کاهش می دهد، دری را به روی یک الگوی کاملاً جدید برای یادگیری عمیق برای جوامع تحقیقاتی و صنعتی باز می کند. بهبود در مقیاس و هزینه به پروتکل اجازه می دهد تا مجموعه ای از مدل های پایه از قبل اثبات شده، از قبل آموزش دیده را ایجاد کند – همچنین به عنوان شناخته شده است. مدل های بنیاد-به روشی مشابه باغ وحش های مدل از چارچوب های محبوب این امر به محققان و مهندسان اجازه می دهد تا به طور آشکار مدل های برتر را بر روی مجموعه داده های باز بزرگ، به روشی مشابه، تحقیق و آموزش دهند. الوتر پروژه این مدل ها برخی از مشکلات اساسی بشریت را بدون مالکیت متمرکز یا سانسور حل می کنند. رمزنگاری، بهویژه رمزگذاری عملکردی، به پروتکل اجازه میدهد تا بر روی دادههای خصوصی در صورت تقاضا استفاده شود. سپس هر کسی که از یک مجموعه داده اختصاصی استفاده میکند، میتواند مدلهای پایه عظیم را تنظیم کند، ارزش/حریم خصوصی در آن دادهها حفظ شود، اما همچنان دانش جمعی در طراحی و تحقیق مدل به اشتراک گذاشته شود.
بخش 3: Gensyn Drives Web3-Native Data Centralization
اینترنت ممکن است در دهه 1960 توسط دولت ایالات متحده متولد شده باشد، اما در دهه 1990 یک شبکه آنارشی از خلاقیت، فردگرایی و فرصت بود. خیلی قبل از اینکه گوگل TPU ها را ذخیره کند، پروژه هایی مانند SETI@home تلاش کردند تا با جمع سپاری نیروی محاسباتی غیرمتمرکز، حیات بیگانه را کشف کنند. در سال 2000، SETI@home دارای نرخ پردازش بود 17 ترافلاپکه عملکردی بیش از دو برابر بهترین ابرکامپیوتر آن زمان یعنی IBM ASCI White دارد. این دوره زمانی به طور کلی «web1» نامیده میشود، لحظهای قبل از هژمونی پلتفرمهای بزرگی مانند گوگل یا آمازون (web2)، اما محاسبات غیرمتمرکز در مقیاسبندی برای برآوردن نیازهای اولیه اینترنت، به دلیل چندین مشکل در آن زمان، دچار تزلزل شد.
با این حال، تمرکز فعلی زیرساخت وب در پلتفرمهای بزرگ web2 مسائل خاص خود را ایجاد میکند، مانند هزینه (حاشیه ناخالص AWS تخمین زده میشود ٪۱۰۰، نشان دهنده فشرده سازی حاشیه برای اکثر محققان خرده مقیاس و مشاغل مبتنی بر داده است. در همان زمان، نمونههای محاسباتی متمرکز نیز کنترل را قربانی میکنند - AWS زیرساخت پلتفرم رسانه اجتماعی راستگرای محبوب Parler را خاموش کرد. اطلاع یک روزه پس از شورش کنگره 6 ژانویه 2021. بسیاری با این تصمیم موافق بودند، اما سابقه زمانی که AWS خطرناک است میزبان 42% از 10,000 سایت برتر در اینترنت با این حال، آموزش مدلهای یادگیری عمیق در سختافزارهای غیرمتمرکز به دلیل مشکل تأیید مشکل است، که پروتکل Gensyn به حل آن کمک میکند.
ساختن بازار به عنوان یک پروتکل Web3 هزینههای سربار متمرکز در مقیاس را حذف میکند و موانع ورود برای شرکتکنندگان عرضه جدید را کاهش میدهد و به شبکه اجازه میدهد تا به طور بالقوه همه دستگاههای محاسباتی در جهان را در بر بگیرد. اتصال همه دستگاهها از طریق یک شبکه غیرمتمرکز، سطحی از مقیاسپذیری را فراهم میکند که در حال حاضر دستیابی به آن از طریق هیچ ارائهدهندهای موجود غیرممکن است و دسترسی بیسابقهای بر اساس تقاضا را به کل عرضه محاسباتی جهان میدهد. برای کاربران نهایی، این امر معضل هزینه در مقابل مقیاس را کاملاً از بین می برد و یک محاسبات آموزشی ML شفاف و کم هزینه برای مقیاس پذیری بالقوه بی نهایت (تا محدودیت های سخت افزار فیزیکی در سراسر جهان) و برای تعیین قیمت های واحد توسط پویایی بازار فراهم می کند. این امر از خندقهای معمولی که ارائهدهندگان بزرگ از آن لذت میبرند صرف نظر میکند، قیمتها را به میزان قابل توجهی کاهش میدهد و رقابت واقعاً جهانی را در سطح منابع تسهیل میکند، و حتی موردی را در نظر میگیرد که ارائهدهندگان خدمات ابری موجود نیز پروتکل Gensyn را بهعنوان یک راه توزیع که مکمل شخص اول متمرکزتر است، در نظر میگیرد. پیشنهادات همراه.
نتیجه:
با استفاده از هوش مصنوعی تقریباً به اندازه رمزارزها و بلاکچینها، تز ما برای سرمایهگذاری در Gensyn که در اینجا پیشنمایش شده است، باید آزمونهای سهولت درک و پشتیبانی از شواهد را پشت سر بگذارد، در حالی که در کاهش فرصتهای تعیینشده برای توانایی این پروتکل به همان اندازه جاه طلب باشد. ارزش افزوده یک شبکه منبع اولیه هدفمند اما قابل تعمیم بومی web3 است. با پروتکل Gensyn، ما معتقدیم که شروع یک شبکه هماهنگی بسیار مقیاس پذیر و مقرون به صرفه را مشاهده می کنیم که راه را برای بینش های ارزشمندتر هموار می کند که زمینه را برای برنامه های کاربردی بی شمار در آینده فراهم می کند.
درباره CoinFund
CoinFund یک شرکت سرمایه گذاری متنوع و پیشرو متمرکز بر بلاک چین است که در سال 2015 تأسیس شده است و در مجموع در ایالات متحده مستقر است، ما سابقه و تجربه گسترده ای در زمینه ارزهای دیجیتال، سهام سنتی، اعتبار، سهام خصوصی و سرمایه گذاری خطرپذیر داریم. استراتژیهای CoinFund هم بازارهای نقدی و هم بازارهای مخاطرهآمیز را در بر میگیرد و از رویکرد چند رشتهای ما بهره میبرد که استعداد فنی رمزنگاری را با تجربه مالی سنتی هماهنگ میکند. با رویکرد «اول بنیانگذاران»، کوین فاند با شرکت های نمونه کار خود همکاری نزدیکی دارد تا نوآوری را در فضای دارایی دیجیتال هدایت کند.
سلب مسئولیت
محتوای ارائه شده در این سایت فقط برای مقاصد اطلاعاتی و بحثی است و نباید در رابطه با یک تصمیم سرمایه گذاری خاص به آن اعتماد کرد یا به عنوان یک پیشنهاد، توصیه یا درخواست در مورد سرمایه گذاری تلقی شود. نویسنده هیچ شرکت، پروژه یا نشانه ای را که در این مقاله مورد بحث قرار گرفته است، تأیید نمی کند. تمام اطلاعات در اینجا "همانطور که هست" ارائه می شود، بدون هیچ گونه ضمانتی، اعم از صریح یا ضمنی، و هر گونه اظهارات آینده نگر ممکن است اشتباه باشد. CoinFund Management LLC و شرکتهای وابسته به آن ممکن است در توکنها یا پروژههای مورد بحث در این مقاله موقعیتهای طولانی یا کوتاه داشته باشند.
پروتکل Gensyn شبکههای عصبی را در مقیاس فوقالعاده با مرتبه قدر پایینتر آموزش میدهد. در ابتدا منتشر شد وبلاگ CoinFund در Medium، جایی که مردم با برجسته کردن و پاسخ دادن به این داستان به گفتگو ادامه می دهند.