Gensyn：低成本GPU算力，引爆AI未来？

前言

过去，云计算资源主要由大型数据中心（比如亚马逊云、阿里云）提供，它们算力强大，但价格也让人望而却步。现在，去中心化云算力带来了一种新思路：利用区块链技术，让全球的计算资源汇聚成网络，大家贡献算力，还能获得代币奖励。这种模式的应用场景非常广泛，比如图形渲染、视频转码、人工智能等等。

这轮牛市，AI 绝对是焦点。AI 行业发展太快了，每隔几个月，计算复杂度就可能翻一番，导致算力需求暴增。对于想搞机器学习，又觉得云计算服务太贵的个人和小团队来说，去中心化算力无疑是个福音。

Gensyn 的目标就是通过去中心化，让 AI 更加普及，降低学习所需的算力成本。它基于 Substripe 协议，通过智能合约来分配机器学习任务和奖励。Gensyn 还想创建一个大规模的分布式深度学习计算协议，结合概率学习证明、加密货币和激励机制，为 AI 领域带来更高效、可扩展的计算模式。下面，我们来详细分析 Gensyn 的协议产品，看看它到底是怎么运作的，以及这个赛道的发展现状。

Gensyn 简介

Gensyn 是一个专门为机器学习打造的 GPU 算力网络。它利用世界各地闲置的、具有机器学习能力的计算设备（比如小型数据中心、个人游戏电脑、Mac 等）来提高计算能力，用于机器学习。这个协议目前还在开发阶段，产品开发基本完成，但还没推出经济模型，未来会在波卡生态上线。

Gensyn 的团队在英国伦敦，联合创始人有计算机博士学位，很早就进入区块链行业，其他成员也有人工智能相关经验。团队资金充足，背后有不错的投资阵容。他们在 2021 年 7 月就获得了 110 万美元的资金支持；2022 年 3 月获得 Eden Block 领投的 650 万美元种子轮融资；2023 年 6 月又获得了 a16z 领投的 4300 万美元 A 轮融资，得到了不少资方的认可。团队表示，这轮资金将用于扩大团队规模，加速协议的推出。

生态参与者

Gensyn 生态有四种角色：提交者、解决者、验证者和举报者。

• 提交者：Gensyn 的用户，负责提交需要计算的任务，并支付相应的费用。
• 解决者：项目的主要工作者，负责训练模型并生成证明，供验证者检查。
• 验证者：生态的关键角色。在机器学习中，模型训练通常是一个非确定性的过程，因为涉及到随机初始化、算法优化以及数据扰动。验证者通过解决者的数学证明进行验证，将模型的输出与预期的结果进行对比，从而确保模型是可靠的。
• 举报者：系统的最后一道防线，负责审查验证者的工作并提出挑战，从而获得奖励。

运行流程

Gensyn 产品的运作流程包括任务提交、模型训练、证明生成、验证证明、挑战及结算这六个环节。其中，模型训练环节是在链下进行，验证证明和经济激励等是在链上。

1. 首先，提交者需要上传三种类型的文件：任务和超参数的元数据、模型二进制文件、公开课方位的预处理训练数据。这些文件是机器学习模型训练中的关键组成部分。
2. 经过分析后，任务会进入公共任务池。单个解决者会被选择出来执行该任务，解决者会根据提交者上传的云数据、提供的模型以及训练模型进行执行。
3. 在执行训练任务的同时，解决者还需要按照计划的时间间隔来设置检查点并储存训练过程中的元数据，从而生成学习证明，以便后续的优化步骤能够由验证者准确地复制。这一过程是构建一组已经证明的、预训练的基础模型，为后续的优化步骤提供基础。
4. 任务完成后，解决者需要在链上标明任务的完成情况，并将学习证明放在公开可防伪的位置供验证者方位。验证者从公共任务池获取验证任务，重新运行部分证明并进行距离结算，区块链会使用这些距离来确定验证是否与学习证明匹配。
5. 在验证学习证明之后，举报者可以复制验证者的工作，来检查工作是否能够正确执行。如果举报者认为验证已经被错误地执行，他们可以向验证者发起仲裁挑战，从而获得奖励。该奖励来自于验证者的存款或奖励池。
6. 在该过程中，参与者根据概率性检查和确定性检查的结论来获得对应的报酬。

成本效益

大型企业级用户预算充足，更倾向于选择中心化的算力服务。Gensyn 的用户群体更多的是从事机器学习的小微企业、个人开发者或是科研团队，这类人群对价格较为敏感，难以接受高昂的算力成本。去中心化机器学习的最大优势在于降低用户的成本投入。按照 Gensyn 目前官方公布的成本来看，其价格仅有 0.4 美元/小时，相比较于同等算力的亚马逊云的 2 美元/小时，成本足足下降了 80%。

机遇与风险

Gensyn 侧重的群体是对算力成本较为敏感的用户，面对的需求市场规模相对较小。虽然协议愿景是贴合市场当下热议话题的，但是还存在很多风险因素，比如在开始流程时，提交者需要上传模型框架、训练数据和超参数等给 Gensyn 网络。如果是使用开源的数据，则并不涉及隐私问题，但如果是上传自己的构建的模型，则会导致信息泄露。

不同设备使用 Gensyn 网络在计算能力、存储容量和网络连接等方面会存在较大差异。由于 Gensyn 需要在不同的设备之间传输模型参数、任务和验证信息，处于较低的网络宽带设备可能会导致传输延迟的问题，影响任务的分配和结果验证，因此设备之间的差异性也会影响系统的运行效率。

总结

Gensyn 是专注于机器学习的 GPU 算力网络，将开发者和解题者联系起来，利用世界各地的资源来降低机器学习的成本。协议的愿景目标贴合市场叙事，属于当下 AI 热点话题。但是，目前协议还处于开发阶段，倾向于小微企业、个人开发者和科研团队这类对价格敏感的用户群体，市场规模还比较小，落地发展还将面临很大的挑战。