Ben Fielding: Decentralizing Machine Intelligence

Nagsimula ito sa maingay na mesa. Ang desk ay isang kahoy na cubicle sa isang lab sa Northumbria University, sa hilagang England, kung saan sinimulan ng isang batang AI researcher ang kanyang PhD track. Ito ay noong 2015. Ang tagapagpananaliksik ay si Ben Fielding, na nakagawa ng isang malaking makina na pinalamanan ng mga naunang GPU upang bumuo ng AI. Napakalakas ng makina na ikinainis ng mga lab-mate ni Fielding. Siniksik ni Fielding ang makina sa ilalim ng desk, ngunit napakalaki nito kaya kinailangan niyang idikit ang kanyang mga paa sa gilid.

Si Fielding ay nagkaroon ng ilang hindi pangkaraniwang ideya. Ginalugad niya kung paano maaaring makipag-usap sa isa't isa at Learn mula sa isa't isa ang "mga kuyog" ng AI — mga kumpol ng maraming iba't ibang modelo — na maaaring mapabuti ang kabuuan ng kolektibo. May ONE problema lang: Siya ay nakaposas sa mga katotohanan ng maingay na makina sa ilalim ng kanyang mesa. At alam niyang outgunned siya. "Ginagawa din ng Google ang pananaliksik na ito," sabi ni Fielding ngayon. "At mayroon silang libu-libo [ng mga GPU] sa isang data center. T kabaliwan ang mga bagay na ginagawa nila. Alam ko ang mga pamamaraan... Marami akong proposal, ngunit T ko ito mapapatakbo."

Si Ben Fielding, CEO ng Gensyn, ay isang tagapagsalita sa Consensus 2025 sa Toronto.

Si Jeff Wilser ay ang host ng The People's AI: The Decentralized AI Podcast at magho-host ng The AI ​​Summit sa Consensus 2025.

Kaya isang dekada na ang nakalilipas, nagising si Fielding: Ang mga limitasyon sa pag-compute ay palaging magiging isyu. Noong 2015, alam niya na kung ang pag-compute ay isang mahirap na hadlang sa akademya, ito ay talagang magiging isang mahirap na pagpilit kapag ang AI ay naging mainstream.

Ang solusyon?

Desentralisadong AI.

Itinatag ni Fielding ang Gensyn (kasama si Harry Grieve) noong 2020, o ilang taon bago naging uso ang Decentralized AI. Ang proyekto ay unang kilala para sa pagbuo ng desentralisadong pagkalkula - at nakipag-usap ako kay Fielding tungkol dito para sa CoinDesk at sa panel pagkatapos ng panel sa mga kumperensya - ngunit ang pananaw ay talagang mas malawak: "Ang network para sa machine intelligence." Gumagawa sila ng mga solusyon pataas at pababa sa tech stack.

At ngayon, isang dekada matapos inisin ng maingay na desk ni Fielding ang kanyang mga lab-mate, ang mga naunang tool ng Gensyn ay nasa ligaw. Kamakailan ay inilabas ng Gensyn ang protocol na "RL Swarms" nito (isang inapo ng gawaing PhD ni Fielding) at inilunsad lamang ang Testnet nito - na nagdadala ng blockchain sa fold.

Sa pag-uusap na ito na humahantong sa AI Summit, sa Consensus sa Toronto, Fielding ay nagbibigay ng panimulang aklat sa AI Swarms, nagpapaliwanag kung paano pumasok ang blockchain sa puzzle, at ibinahagi kung bakit lahat ng mga innovator -- hindi lang mga tech giant - "ay dapat magkaroon ng karapatang bumuo ng mga teknolohiya sa pag-aaral ng machine."

Ang panayam na ito ay pinaikli at bahagyang na-edit para sa kalinawan.

Congrats sa testnet launch. Ano ang diwa ng kung ano ito?

Ben Fielding: Ito ay ang pagdaragdag ng mga unang tampok ng MVP ng pagsasama ng blockchain sa kung ano ang inilunsad namin sa ngayon.

Ano ang mga orihinal na tampok na iyon, pre-blockchain?

Kaya inilunsad namin ang RL [Reinforcement Learning] Swarm ilang linggo na ang nakalipas, na isang reinforcement learning, post-training, bilang isang peer-to-peer network.

Narito ang pinakamadaling paraan upang pag-isipan ito. Kapag ang isang pre-trained na modelo ay dumaan sa pagsasanay sa pangangatwiran - tulad ng DeepSeek-R1 - natututo itong pumuna sa sarili nitong pag-iisip at paulit-ulit na mapabuti laban sa gawain. Mapapabuti nito ang sarili nitong sagot.

Isinasagawa namin ang prosesong iyon ng ONE hakbang at sasabihin, "Mahusay para sa mga modelo na pumuna sa kanilang sariling pag-iisip at paulit-ulit na mapabuti. Paano kung maaari silang makipag-usap sa ibang mga modelo at pumupuna sa pag-iisip ng isa't isa?" Kung magsasama-sama ka ng maraming modelo sa isang grupo na lahat ay maaaring makipag-usap sa isa't isa, maaari nilang simulan ang pag-aaral kung paano magpadala ng impormasyon sa iba pang mga modelo... na may pangkalahatang layunin na pahusayin ang buong swarm mismo.

Gotcha, na nagpapaliwanag sa pangalang "Swarm."

Tama. Ito ang paraan ng pagsasanay na nagbibigay-daan sa maraming modelo na magsama-sama, nang magkatulad, upang mapabuti ang resulta ng isang panghuling meta-modelo na maaari mong gawin mula sa mga modelong iyon. Ngunit sa parehong oras, mayroon kang bawat solong indibidwal na modelo na pagpapabuti lamang sa sarili nitong. Kaya't kung sasama ka sa isang modelo sa isang MacBook, sumali sa isang kuyog sa loob ng isang oras at pagkatapos ay bumaba muli, magkakaroon ka ng isang pinahusay na lokal na modelo batay sa kaalaman sa grupo, at napabuti mo rin ang iba pang mga modelo sa grupo. Ito ang collaborative na proseso ng pagsasanay na maaaring salihan ng anumang modelo at magagawa ng anumang modelo. Kaya iyon ang RL Swarm.

Okay, kaya iyan ang inilabas mo ilang linggo na ang nakalipas. Ngayon saan pumapasok ang blockchain?

Kaya ang blockchain ay sumusulong tayo ng ilan sa mga mas mababang antas ng primitives sa system.

Tayo na lang magpanggap na T naiintindihan ng isang tao ang pariralang "mga mas mababang antas ng primitive." Ano ang ibig mong sabihin diyan?

Oo, kaya ibig kong sabihin, napakalapit sa mapagkukunan mismo. Kaya kung iniisip mo ang tungkol sa software stack, mayroon kang GPU stack sa isang data center. Mayroon kang mga driver sa tuktok ng GPU. Mayroon kang mga operating system, mga virtual machine. Nakuha mo na ang lahat ng bagay na ito.

Kaya ang mas mababang antas ng primitive ay ang pinakamalapit sa ilalim na pundasyon sa tech stack. Tama ba ang pagkakaintindi ko?

Oo, eksakto. At ang RL Swarm ay isang pagpapakita ng kung ano ang posible, karaniwang. Ito ay isang medyo hacky na demo ng paggawa ng talagang kawili-wiling malakihan, nasusukat na machine learning. Ngunit ang ginagawa ni Gensyn sa nakalipas na apat na taon, sa totoo lang, ay ang pagbuo ng imprastraktura. At kaya tayo ay nasa panahong ito ngayon kung saan ang imprastraktura ay nasa v0.1 na uri ng beta level. Tapos na lahat. Handa na itong umalis. Kailangan nating malaman kung paano ipakita sa mundo kung ano ang posible kapag ito ay isang malaking pagbabago sa paraan ng pag-iisip ng mga tao sa machine learning.

Mukhang marami kayong ginagawa kaysa sa desentralisadong pag-compute, o kahit na imprastraktura?

Mayroon kaming tatlong pangunahing bahagi na nasa ilalim ng aming imprastraktura. Pagpapatupad – mayroon kaming pare-parehong mga aklatan ng pagpapatupad. Mayroon kaming sariling compiler. Mayroon kaming mga reproducible na library para sa anumang target ng hardware.

Ang pangalawang bahagi ay komunikasyon. Kaya't ipagpalagay na maaari ka lang magpatakbo ng isang modelo sa anumang device sa mundo na tugma, maaari mo ba silang hilingin na makipag-usap sa isa't isa? Kung ang lahat ay mag-opt sa parehong pamantayan, lahat ay maaaring makipag-usap tulad ng TCP/IP mula sa internet, karaniwang. Kaya itinayo namin ang mga aklatang iyon at ang RL Swarm ay isang halimbawa ng komunikasyong iyon.

At pagkatapos, sa wakas, pag-verify.

Ah, at sa palagay ko dito papasok ang blockchain...

Isipin ang isang senaryo kung saan ang bawat device sa mundo ay patuloy na gumagana. Maaari nilang i-LINK ang mga modelo nang magkasama. Pero mapagkakatiwalaan kaya nila ang isa't isa? Kung ikinonekta ko ang aking MacBook sa iyo, oo, maaari nilang isagawa ang parehong mga gawain. Oo, maaari silang magpadala ng mga tensor nang pabalik- FORTH, ngunit alam ba nila na ang ipinadala nila sa kabilang device ay aktwal na nangyayari sa kabilang device o hindi?

Sa kasalukuyang mundo, ikaw at ako ay malamang na pipirma ng isang kontrata para sabihing, oo, sumasang-ayon kami na titiyakin naming gagawin ng aming mga device ang tama. Sa mundo ng makina, kailangan itong mangyari sa programmatically. Kaya iyon ang huling piraso na aming binuo, cryptographic proofs, probabilistic proofs, game theoretic proofs para gawing ganap na programmatic ang prosesong iyon.

Kaya doon pumapasok ang blockchain. Ibinibigay nito sa amin ang lahat ng mga benepisyo ng blockchain na maaari mong isipin, tulad ng patuloy na pagkakakilanlan, mga pagbabayad, pinagkasunduan, ETC. At kaya ang ginagawa namin ngayon sa testnet ay ang pagkuha ng RL Swarm at ang mga primitive ng iba pang imprastraktura at idinaragdag namin ang mga bahagi ng blockchain at sinasabing, 'Hoy, kapag sumali ka sa isang kuyog ngayon, mayroon kang patuloy na pagkakakilanlan, na umiiral doon sa isang desentralisadong ledger.'

Sa hinaharap, magkakaroon ka ng kakayahang magbayad, ngunit sa ngayon, mayroon kang mekanismo ng pinagkasunduan ng tiwala kung saan maaari naming wakasan ang mga hindi pagkakaunawaan. Kaya, ito ay uri ng isang MVP ng hinaharap na imprastraktura ng Gensyn, kung saan kami ay magdaragdag ng mga bahagi habang kami ay pupunta.

Bigyan kami ng panunukso kung ano ang darating sa pipeline?

Kapag naabot natin ang main-net, live ang lahat ng software at imprastraktura laban sa blockchain bilang pinagmumulan ng tiwala, mga pagbabayad, pinagkasunduan, ETC., pagkakakilanlan. Ito ang unang hakbang niyan. Ito ay pagdaragdag ng pagkakakilanlan at pagsasabi kapag sumali ka sa isang kuyog, maaari kang magparehistro bilang parehong tao. Alam ng lahat kung sino ka nang hindi kinakailangang suriin ang ilang sentralisadong server o website sa isang lugar.

Ngayon, maging ligaw tayo at mag-usap pa sa hinaharap. Ano ang hitsura nito ONE taon mula ngayon, dalawang taon mula ngayon, limang taon mula ngayon? Ano ang iyong North Star?

Oo naman. Ang pangwakas na pananaw ay kunin ang lahat ng mga mapagkukunan na nasa ilalim ng pag-aaral ng makina at gawin itong agarang naa-access sa program sa lahat. Ang pag-aaral ng machine ay labis na napipigilan ng mga CORE mapagkukunan nito. Lumilikha ito ng malaking moat para sa mga sentralisadong kumpanya ng AI, ngunit T ito kailangang umiral. Maaari itong maging open-source kung makakagawa tayo ng tamang software. Kaya ang aming pananaw ay binubuo ng Gensyn ang lahat ng mababang antas na imprastraktura upang payagan iyon na maging malapit sa open-source hangga't maaari. Dapat may karapatan ang mga tao na bumuo ng mga teknolohiya sa pag-aaral ng machine.