Бен Філдінг: Децентралізація машинного інтелекту

Почалося з шумного столу. Стіл являв собою дерев’яну кабінку в лабораторії Нортумбрійського університету на півночі Англії, де молодий дослідник ШІ розпочав свою докторську роботу. Це було в 2015 році. Дослідником був Бен Філдінг, який побудував велику машину, наповнену першими графічними процесорами для розробки ШІ. Машина була настільки гучною, що дратувала співробітників Філдінга по лабораторії. Філдінг запхав машину під стіл, але вона була така велика, що йому довелося незграбно відсунути ноги вбік.

Філдінг мав кілька неортодоксальних ідей. Він досліджував, як «зграї» штучного інтелекту — кластери багатьох різних моделей — можуть спілкуватися один з одним і Навчання один у одного, що може покращити колективне ціле. Була лише ONE проблема: його скували наручники реальність тієї галасливої ​​машини під його столом. І він знав, що його перевершили. «Google також проводив це дослідження», — каже Філдінг. "І вони мали тисячі [графічних процесорів] у центрі обробки даних. Те, що вони робили, T було божевіллям. Я знав методи... У мене було багато пропозицій, але я T міг їх запустити".

Бен Філдінг, генеральний директор Gensyn, є спікером на Консенсус 2025 в Торонто.

Джефф Вілзер є ведучим Народний ШІ: децентралізований подкаст ШІ і проведе саміт AI Summit на Consensus 2025.

Тож десять років тому Філдінга осяяло: Обмеження обчислень завжди будуть проблемою. У 2015 році він знав, що якщо обчислення є жорстким обмеженням в академічних колах, це точно буде жорстким обмеженням, коли ШІ стане мейнстрімом.

Рішення?

Децентралізований ШІ.

Філдінг став співзасновником Gensyn (разом з Гаррі Грівом) у 2020 році, тобто за роки до того, як децентралізований ШІ став модним. Спочатку проект був відомий створенням децентралізованих обчислень, і я говорив про це з Філдінгом для CoinDesk і на панелях за панелями на конференціях, але бачення насправді є чимось ширшим: «Мережа для машинного інтелекту». Вони створюють рішення вгору та вниз по технологічному стеку.

І тепер, через десять років після того, як шумний стіл Філдінга дратував його товаришів по лабораторії, перші інструменти Gensyn вийшли в дику природу. Gensyn нещодавно випустив свій протокол «RL Swarms» (нащадок докторської роботи Філдінга) і щойно запустив свою Testnet, яка впроваджує блокчейн.

У цій розмові напередодні саміту AI, на Consensus у Торонто, Філдінг дає початкову інструкцію щодо AI Swarms, пояснює, як блокчейн вставляється в головоломку, і ділиться, чому всі новатори, а не лише технічні гіганти, «повинні мати право створювати технології машинного навчання».

Це інтерв’ю було скорочено та дещо відредаговано для ясності.

Вітаємо із запуском тестової мережі. У чому суть того, що це таке?

Бен Філдінг: Це додавання перших функцій MVP інтеграції блокчейну до того, що ми вже запустили.

Які були ті оригінальні функції до блокчейну?

Тож кілька тижнів тому ми запустили RL [Reinforcement Learning] Swarm, який є підкріплюючим навчанням після навчання як однорангова мережа.

Ось найпростіший спосіб подумати про це. Коли попередньо навчена модель проходить навчання міркуванням, як-от DeepSeek-R1, вона вчиться критикувати власне мислення та рекурсивно вдосконалюватись у порівнянні із завданням. Потім він може покращити власну відповідь.

Ми йдемо ONE в цьому процесі й кажемо: "Це чудово, коли моделі критикують власне мислення та рекурсивно вдосконалюються. А що, якщо вони зможуть спілкуватися з іншими моделями та критикувати мислення одна одної?" Якщо ви об’єднаєте багато моделей у групу, яка зможе спілкуватися одна з одною, вони зможуть почати вчитися надсилати інформацію іншим моделям… із загальною метою покращити сам рій.

Зрозумів, що пояснює назву «Рій».

правильно. Саме цей метод навчання дозволяє паралельно поєднувати багато моделей, щоб покращити результат остаточної метамоделі, яку ви можете створити з цих моделей. Але в той же час кожна окрема модель вдосконалюється сама по собі. Отже, якби ви прийшли разом із моделлю на MacBook, приєдналися до рою на годину, а потім знову вийшли, у вас була б покращена локальна модель на основі знань у рої, а також ви б покращили інші моделі в рої. Це процес спільного навчання, до якого може приєднатися будь-яка модель і виконувати її. Ось що таке RL Swarm.

Гаразд, це те, що ви опублікували кілька тижнів тому. Тепер, де тут бере участь блокчейн?

Отже, блокчейн — це те, що ми просуваємо деякі примітиви нижчого рівня в систему.

Давайте просто прикидатися що хтось T розуміє фразу «примітиви нижчого рівня». Що ви маєте на увазі?

Так, я маю на увазі, дуже близько до самого ресурсу. Отже, якщо ви думаєте про стек програмного забезпечення, у вас є стек GPU в центрі обробки даних. У вас є драйвери поверх GPU. У вас є операційні системи, віртуальні машини. У вас все це піднімається.

Отже, примітив нижчого рівня є найближчим до нижньої основи в стеку технологій. Я правильно розумію?

Так точно. А RL Swarm — це, по суті, демонстрація того, що можливо. Це просто дещо хакерська демонстрація справді цікавого великомасштабного масштабованого машинного навчання. Але те, що Gensyn робив останні чотири з гаком роки, реалістично, це будівництво інфраструктури. Отже, зараз ми перебуваємо в періоді, коли вся інфраструктура знаходиться на тому рівні бета-версії v0.1. Все зроблено. Він готовий до роботи. Ми маємо з’ясувати, як показати світові, що можливо, коли це досить серйозні зміни у тому, як люди думають про машинне навчання.

Здається, ви, хлопці, робите набагато більше, ніж децентралізовані обчислення чи навіть інфраструктура?

У нас є три основні компоненти, які знаходяться під нашою інфраструктурою. Виконання – у нас є узгоджені бібліотеки виконання. У нас є свій компілятор. У нас є відтворювані бібліотеки для будь-якого апаратного забезпечення.

Друга частина – спілкування. Тож припустімо, що ви можете просто запустити модель на будь-якому сумісному пристрої у світі, чи можете ви змусити їх спілкуватися один з одним? Якщо всі виберуть той самий стандарт, усі зможуть спілкуватися з Інтернету за протоколом TCP/IP. Тому ми створюємо ці бібліотеки, і RL Swarm є прикладом такого спілкування.

І, нарешті, перевірка.

Ах, і я припускаю, що саме тут з’являється блокчейн…

Уявіть собі сценарій, коли кожен пристрій у світі працює стабільно. Вони могли LINK моделі разом. Але чи можуть вони довіряти один одному? Якби я підключив свій MacBook до вашого, так, вони могли б виконувати ті самі завдання. Так, вони можуть надсилати тензори вперед і FORTH, але чи знають вони, що те, що вони надсилають на інший пристрій, насправді відбувається на іншому пристрої чи ні?

У нинішньому світі ми з вами, ймовірно, підписали б контракт, щоб сказати: «Так, ми згодні, що ми переконаємося, що наші пристрої працюють правильно». У машинному світі це має відбуватися програмно. Отже, це остання частина, яку ми створюємо, криптографічні докази, ймовірнісні докази, теоретичні докази ігор, щоб зробити цей процес повністю програмним.

Ось тут і з’являється блокчейн. Він дає нам усі переваги блокчейну, які ви можете собі уявити, наприклад постійну ідентифікацію, платежі, консенсус ETC. Тож те, що ми зараз робимо з тестовою мережею, — це беремо RL Swarm та примітиви іншої інфраструктури, додаємо компоненти блокчейну та кажемо: «Гей, коли ви зараз приєднуєтеся до рою, у вас є постійна ідентичність, яка існує в децентралізованому реєстрі».

У майбутньому ви матимете можливість здійснювати платежі, але зараз у вас є механізм довіри, за допомогою якого ми можемо припинити суперечки. Отже, це свого роду MVP майбутньої інфраструктури Gensyn, куди ми будемо додавати компоненти по ходу роботи.

Розкажіть нам про те, що буде в майбутньому?

Коли ми досягаємо основної мережі, все програмне забезпечення та інфраструктура працюють із блокчейном як джерелом довіри, платежів, консенсусу ETC. Це перший крок до цього. Він додає ідентичність і повідомляє, що коли ви приєднуєтеся до рою, ви можете зареєструватися як одна особа. Усі знають, хто ви, без необхідності перевіряти якийсь централізований сервер чи веб-сайт.

Тепер давайте здичавіємо і поговоримо далі в майбутньому. Як це виглядає ONE рік, через два, через п'ять років? Яка у вас Полярна зірка?

звичайно. Кінцеве бачення полягає в тому, щоб взяти всі ресурси, які знаходяться під машинним навчанням, і зробити їх миттєво програмно доступними для всіх. Машинне навчання сильно обмежене своїми CORE ресурсами. Це створює величезний рів для централізованих компаній штучного інтелекту, але йому T обов’язково існувати. Це може бути відкритим кодом, якщо ми зможемо створити правильне програмне забезпечення. Отже, ми вважаємо, що Gensyn будує всю інфраструктуру низького рівня, щоб максимально наблизити її до відкритого коду. Люди повинні мати право створювати технології машинного навчання.