前言

在传统的云计算解决方案中，计算资源通常是由一些大型的数据中心，如AWS、阿里云等提供，其能够提供优质的算力资源，但同时也对应着高昂的成本。去中心化云算力则是一种新的模式，其利用区块链技术，允许全球范围内的计算资源成为网络的阶段，这些节点可以提供算力资源并获得代币激励。去中心化算力的应用场景较为丰富，如图形渲染、视频转码、人工智能和机器学习等等。

在这轮牛市中，AI无疑是市场青睐的叙事之一，AI行业发展速度极快，每三个月的计算复杂性就可能翻一倍，使得行业对算力的需求剧增。在这种背景下，去中心化算力需求不断加重成本，对于从事机器学习相关行业并寻求云计算服务的个人和小微企业并不友好。

Gensyn的目的是通过去中心化实现AI民主化，从而降低学习所需的算力成本。Gensyn基于Substripe协议，通过智能合约促进机器学习任务的分配和奖励，另外还致力于创造一个大规模分布式深度学习的计算协议，结合概率学习证明和加密货币及激励机制，为AI领域带来更高效、可扩展的计算模式。本文将基于Gensyn的协议的产品，详细分析其运行逻辑及赛道发展现状等。

Gensyn简介

Gensyn是专用于机器学习的GPU算力网络，通过世界各地限制的、具有机器学习能力的长尾计算设备（例如小型数据中心、个人游戏电脑、Mac等）来提高计算能力，用于机器学习。协议目前还处于开发阶段，产品阶段性开发已基本完成，目前暂未推出经济模型，未来将会上线于波卡生态。

Gensyn的团队位于英国伦敦，联合创始人有着计算机博士学位，很早就进军区块链行业，其他成员也都有人工智能相关工作经验，目前团队仍在招聘中。团队资金相对充足，有一定的投资阵容，曾在21年7月份就得到了110万美元的资金支持；22年3月份获得由Eden Block的650万美元的种子轮融资；23年6月份获得了a16z的4300万美元的A轮融资，得到了其他不少资方的认可，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生态角色包括以下四种：提交者、解决者、验证者和举报者。

提交者指的是Gensyn的用户，负责提交需要被计算的任务同时支付相应的费用。

解决者是项目的主要工作者，需要对模型进行训练并生成证明以便验证者的检查。

验证者是生态关键角色，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，因此验证者是非确定性训练过争执和确定性计算相连接的关键，通过解决这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。

举报者则是系统的最后保证，需要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了任务提交、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三种类型的文件，这部分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，任务会进入到公共任务池中，单个解决者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的复制。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）在任务完成之后，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是与学习证明匹配。

（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的执行，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

大规模企业级用户有着足够的预算，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AWS的2美元/小时，成本足足下降训了80%。

图片来源：https://docs.gensyn.ai/litepaper#scale-and-cost-efficiency

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较为消肿。虽然协议愿景是贴合市场当下的热议话题的，但是还存在很多风险因素，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。