在加密行业中，人工智能（AI）无疑是当下最热门的领域之一。由a16z领投，总融资达5000万美元的Gensyn项目就是其中的佼佼者。最近，Gensyn正式推出了测试网，虽然比预期晚了一年多，但这标志着项目进入了一个新的阶段。
免费的交易所推荐：
Gensyn测试网是专为机器学习设计的定制化Ethereum Rollup，它集成了链下执行、验证和通信框架，旨在为去中心化AI系统提供一系列关键功能，包括持久身份、参与追踪、归属维护、支付、远程执行协调、去信任验证、训练过程记录以及大规模训练任务众筹。
测试网的第一阶段主要关注在RL Swarm内追踪参与情况。RL Swarm是一个用于协作式强化学习后训练的应用，其节点可以与链上身份绑定，确保每个参与节点的贡献得到准确记录。
RL Swarm：核心功能与协同训练
在Gensyn测试网中，RL Swarm作为核心应用，是一个基于去中心化网络构建的模型协同训练系统。与传统的单一模型独立训练不同，RL Swarm让多个模型在网络中相互交流、批评和改进，从而共同提升整体性能。其核心理念是“群体智慧”，通过各节点模型之间的协作和反馈，实现更高效的训练效果。
简单来说，DeepSeek-R1等模型在进行推理训练时，可以通过自我批评来迭代提升推理表现，而RL Swarm则将这种机制扩展到了多模型的群体中，实现了“众人拾柴火焰高”的效果。
基于RL Swarm系统，模型不仅依赖自身反馈，还通过观察和评价其他模型的表现，识别出自身的不足并进行优化。每一个加入Swarm的模型节点都在参与一个三阶段的过程：首先独立完成问题并输出思路与答案，然后查看其他节点的答案并提供反馈，最终模型投票选出最优解，并据此修正自己的输出。这种协同机制不仅提高了每个模型的表现，也推动了整个群体模型的进化。加入Swarm的模型在离开后仍能保留改进后的本地权重，获得实际收益。
此外，Gensyn对RL Swarm的代码进行了开源，任何人都可以运行节点，启动或加入现有Swarm，无需许可。Swarm的底层通信使用了Hivemind提供的gossip协议，支持模型间的去中心化消息传递与学习信号共享。不论是家用笔记本，还是在云端GPU上都可以通过加入RL Swarm节点参与到协同训练中来。
基础设施三大支柱：执行、通信与验证
目前RL Swarm仍然只是一个实验性演示，它展示了一种大规模、可扩展的机器学习方法，而非最终的产品形态。在过去四年，Gensyn的核心工作实际上是构建底层基础设施，在发布测试网后便进入了v0.1阶段，已经可以实际运行。根据官方介绍，Gensyn的整体架构分为执行、通信和验证三个部分。
执行（Execution）：一致性与分布式算力
Gensyn认为，未来的机器学习不再局限于传统的单体模型，而是由分布在全球各个设备上的碎片化参数组成。为了实现这一目标，Gensyn团队开发了能够确保跨设备一致性的底层执行架构。其中的关键技术包括：
分布式参数存储与训练：通过将大规模模型分割成多个参数块并分布于不同设备上，Gensyn实现了模型的碎片化部署，降低了单个节点对内存的要求。强化学习后训练（RL Post-Training）：研究表明，当模型以群体方式协同训练、互相沟通并批判彼此的答案时，整体学习效率会显著提升。Gensyn利用RL Swarm演示了这一概念，让模型在集体讨论中快速进步，进一步验证了分布式执行的有效性。可复现算子（RepOps）：为了确保不同硬件（如Nvidia A100与H100）能够得出完全一致的计算结果，Gensyn开发了RepOps库，通过固定浮点运算的执行顺序，实现了跨平台的逐位复现。
通信（Communication）：高效信息交互
在大规模分布式训练场景中，各节点间的高效通信至关重要。传统的数据并行方法虽然能在一定程度上降低通信开销，但由于要求每个节点存储完整模型，其扩展性受到内存限制。为此，Gensyn提出了全新的解决方案：
SkipPipe – 动态跳跃管道并行：SkipPipe技术通过动态选择微批次（microbatch）经过的计算层，将传统流水线中的部分阶段跳过，从而减少不必要的等待时间。其创新的调度算法能够实时评估各路径的可用性，既降低了节点空闲时间，又大幅缩短了整体训练时长。据测试数据显示，在去中心化环境中，SkipPipe可将训练时间减少约55%，且在部分节点故障的情况下，模型性能仅降低7%左右。通信标准与跨节点协作：Gensyn构建了一套类似于TCP/IP的通信协议，使得全球各地参与者无论使用何种设备，都能高效、无缝地进行数据传输和信息交互。这种开放标准为分布式协同训练提供了坚实的网络基础。
验证（Verification）：确保信任与安全
在一个无需信任的分布式网络中，如何确认各参与方提交的计算结果真实有效，是一大挑战。Gensyn为此引入了专门的验证协议，旨在通过低成本、高效的机制确保所有算力供应商提供正确的工作结果：
Verde验证协议：Verde是首个专为现代机器学习设计的验证系统。其核心在于利用轻量级争议解决机制，快速定位出训练过程中模型与验证者之间产生分歧的那一步骤。与传统需要重新运行整个任务的验证方式不同，Verde只需对争议操作重新计算，从而大幅降低了验证开销。refereed delegation（裁决式委托）：采用这种方法后，若某个供应商的输出存在问题，验证者便能通过高效的争议解决游戏说服中立仲裁方，确保至少有一位诚实节点存在时，整个计算结果的正确性得以保障。存储与哈希中间状态：为了支持上述验证过程，参与者只需存储并哈希部分中间训练检查点，而非全量数据，这既降低了资源占用，也提升了系统的扩展性和实时性。
