Decentraliserad Maskininlärning: Är detta framtiden för AI? Upptäck Ben Fieldings vision!

Artikeln undersöker hur Ben Fielding, VD för Gensyn, arbetar med att decentralisera maskinell intelligens för att konkurrera med Big Tech. Fielding, som kommer att vara talare på årets Consensus-festival på AI Summit, delar med sig av insikter om Gensyns arbete med decentraliserad beräkningskraft och målet att skapa ett nätverk för maskinell intelligens. Han utforskar konceptet “AI-svärmar” och hur blockchain integreras i ekvationen för att öppna upp maskininlärning för fler aktörer.

En bakgrundshistoria: Den bullriga skrivbordet och insikten om beräkningsbegränsningar

Fieldings resa mot decentraliserad AI började i ett litet, bullrigt hörn av ett labb vid Northumbria University i norra England år 2015. Som en ung doktorand inom AI-forskning byggde han en stor maskin fylld med tidiga GPU:er för att kunna utveckla AI-modeller. Maskinen var extremt högljudd och orsakade irritation bland Fieldings kollegor. För att minska bullret tvingades han placera maskinen under sitt skrivbord, men dess storlek gjorde att han fick sitta obekvämt med benen åt sidan.

Denna till synes triviala händelse hade en avgörande inverkan på Fieldings forskning. Han utforskade unorthodoxa idéer kring “svärmar” av AI – kluster av olika modeller som kunde kommunicera och lära av varandra för att förbättra den kollektiva intelligensen. Han insåg dock snabbt att han var i underläge gentemot teknikjättarna. “Google gjorde också den här forskningen,” förklarar Fielding, “och de hade tusentals [GPU:er] i ett datacenter. Det de gjorde var inte galet. Jag kände till metoderna… Jag hade massor av förslag, men jag kunde inte köra dem.”

Denna insikt ledde till en viktig slutsats: Beräkningsbegränsningar skulle alltid vara ett problem. Om beräkningskraft var en kritisk begränsning inom akademin, skulle det vara en ännu större utmaning när AI blev mer mainstream. Fielding förstod att tillgång till beräkningsresurser skulle bli en flaskhals för innovation och dominans inom AI-området. Detta var katalysatorn för hans vision om decentraliserad AI.

Gensyn: Byggstenar för ett decentraliserat maskininlärningsnätverk

År 2020 grundade Fielding tillsammans med Harry Grieve Gensyn, flera år innan decentraliserad AI blev ett populärt koncept. Initialt fokuserade Gensyn på att bygga decentraliserad beräkningskraft, vilket Fielding har diskuterat flitigt på konferenser och i CoinDesk-artiklar. Men visionen sträcker sig längre än bara beräkningskraft. Gensyn strävar efter att skapa “nätverket för maskinell intelligens” genom att bygga lösningar som täcker alla nivåer i teknikstacken.

Ett decennium efter hans besvär med den bullriga skrivbordet, har Gensyn lanserat sina första verktyg. Nyligen släpptes “RL Swarms”-protokollet, som bygger vidare på Fieldings forskning från hans doktorandtid. Testnätet har också lanserats, vilket integrerar blockchain-teknologi i lösningen.

AI-svärmar: Kollektiv intelligens genom modellinteraktion

Fielding förklarar konceptet AI-svärmar med ett praktiskt exempel. När en förtränad modell genomgår resonemangsträning – som DeepSeek-R1 – lär den sig att kritisera sitt eget tänkande och rekursivt förbättra sin prestation. Modellen kan förbättra sina egna svar genom intern självkritik.

Gensyn tar detta koncept ett steg vidare genom att låta modeller interagera och kritisera varandras tänkande. “Det är bra för modeller att kritisera sitt eget tänkande och rekursivt förbättra sig. Men vad händer om de kan prata med andra modeller och kritisera varandras tänkande?” frågar Fielding. Genom att samla många modeller i en grupp kan de lära sig att skicka information till varandra, med målet att förbättra hela svärmen.

Namnet “Swarm” är alltså väl valt. Det representerar en träningsmetod där många modeller kombineras parallellt för att förbättra resultatet av en slutlig metamodell. Varje individuell modell förbättras också. Detta innebär att även om en modell ansluter sig till en svärm med begränsad beräkningskraft (som en MacBook) under en kort tid, kan den dra nytta av kunskapen i svärmen och förbättra sin egen prestanda. Det är en kollaborativ träningsprocess som alla modeller kan delta i.

Blockchain-integration: Förtroende, identitet och incitament i det decentraliserade nätverket

Fielding förklarar att blockchain integreras genom att implementera lågnivåprimitiver i systemet. Med “lågnivåprimitiver” menar han element som ligger nära själva resursen. I en mjukvarustack, som inkluderar GPU:er i ett datacenter, drivrutiner, operativsystem och virtuella maskiner, refererar lågnivåprimitiver till de grundläggande byggstenarna i teknikstacken.

RL Swarm är en demonstration av vad som är möjligt med decentraliserad maskininlärning. Men Gensyns fokus har legat på att bygga infrastrukturen som möjliggör storskalig, skalbar maskininlärning. Denna infrastruktur är nu i betaversion och redo att användas.

Infrastrukturens huvudkomponenter

Infrastrukturen består av tre huvudkomponenter:

1. Exekvering: Gensyn har utvecklat konsekventa exekveringsbibliotek och en egen kompilator för att säkerställa reproducerbara resultat på olika hårdvaruplattformar.
2. Kommunikation: Med antagandet att modeller kan köras på vilken kompatibel enhet som helst i världen, fokuserar denna komponent på att möjliggöra kommunikation mellan dessa enheter. Alla deltagare använder samma standard, likt TCP/IP för internet, för att utbyta information. RL Swarm är ett exempel på denna kommunikationsinfrastruktur.
3. Verifiering: Detta är den mest komplexa komponenten och där blockchain spelar en avgörande roll.

Verifieringsproblemet uppstår när man behöver säkerställa att beräkningar utförs korrekt på en annan enhet i nätverket. I en centraliserad miljö kan man lita på en central auktoritet för att verifiera beräkningarna. Men i ett decentraliserat system behövs ett annat tillvägagångssätt.

Föreställ dig att alla enheter i världen kan exekvera modeller konsekvent och länka samman dem. Hur kan de lita på varandra? Även om två enheter kan utföra samma uppgifter och utbyta data, hur kan man vara säker på att beräkningarna faktiskt utförs korrekt på den andra enheten?

I dagens värld skulle man förmodligen underteckna ett avtal för att garantera att enheterna utför uppgifterna korrekt. Men i en maskinell värld måste denna process ske programmatiskt. Därför bygger Gensyn kryptografiska, probabilistiska och spelteoretiska bevis för att automatisera verifieringsprocessen.

Blockchain tillhandahåller alla fördelar man kan förvänta sig, som persistent identitet, betalningar och konsensus. Genom att integrera blockchain i testnätet kan användare som ansluter sig till en svärm registrera sig med en persistent identitet som lagras på en decentraliserad ledger. Detta skapar förtroende och transparens i nätverket.

I framtiden kommer det också att finnas möjlighet att genomföra betalningar. Men just nu fokuserar testnätet på att tillhandahålla en MVP (Minimum Viable Product) av Gensyns infrastruktur, där komponenter kommer att läggas till gradvis.

Framtidsvisionen: Öppen källkod för maskininlärningsresurser

Fielding delar med sig av Gensyns långsiktiga vision: att göra alla maskininlärningsresurser omedelbart programmatiskt tillgängliga för alla. Idag är maskininlärning begränsad av tillgången till kärnresurser, vilket skapar en stor vallgrav för centraliserade AI-företag. Men detta behöver inte vara fallet.

“Folk borde ha rätt att bygga maskininlärningsteknologier,” säger Fielding. Gensyns mål är att bygga den infrastruktur som krävs för att öppna upp maskininlärningsresurserna och göra dem lika tillgängliga som öppen källkod.

Implikationer för framtiden

Gensyns vision om decentraliserad maskininlärning har potential att demokratisera tillgången till AI-teknologi. Genom att minska beroendet av stora företag och öppna upp beräkningsresurser för fler aktörer kan Gensyn bidra till en mer innovativ och inkluderande AI-utveckling. Detta kan i sin tur leda till nya tillämpningar och lösningar inom en rad olika områden, från medicin och energi till finans och utbildning.

Är du smartare än AI? Testa dina kunskaper i vårt quiz!

Hur kan AI-kunskaper ÖKA dina anställningschanser? Ta reda på det här!

Maximera AI-modellers potential med ren och samtyckt data!

Fieldings arbete med Gensyn representerar ett viktigt steg mot en mer distribuerad och demokratisk framtid för AI. Genom att bygga infrastrukturen för decentraliserad maskinell intelligens ger han alla möjligheten att delta i utvecklingen av denna transformativa teknologi. Läs mer om hur Gensyn‘s Fueling an AI-Native Internet!