$AIGENSYN تم إدراجه في Binance قبل يومين، ومعظم الناس فقط يتابعون الشارت 📈
لكن لا أحد تقريبًا يناقش ما يعنيه Proof-of-Learning فعليًا.
كشخص من جانب ML، إليك ما يبرز حول تصميم Gensyn — الأجزاء الذكية والأسئلة التي لم تُجب 👇
1/ التحدي الرئيسي:
كيف تثبت أن شخصًا ما قام بتدريب نموذج بصدق بدلاً من تحميل أوزان مزيفة؟
الحل الواضح هو إعادة تشغيل التدريب بنفسك…
لكن ذلك يكلف تقريبًا نفس تكلفة تدريب النموذج من الصفر. ليس عمليًا.
2/ نهج Gensyn:
Proof-of-Learning probabilistic.
يقدم العمال بصمات تدريب مثل التدرجات الوسيطة ونقاط التفتيش.
ثم يقوم المحققون بإعادة تنفيذ أجزاء صغيرة من عملية التدريب بشكل عشوائي.
لتحقيق الغش بنجاح، يحتاج الفاعل السيء إلى تزييف مسار تدرج كامل ومقنع — أصعب بكثير من مجرد تزييف المخرجات النهائية.
3/ الجزء غير المؤكد:
تعتمد الأمان بشدة على تكرار أخذ عينات المحققين مقابل المدخرات الحاسوبية الناتجة عن الغش.
النظرية تبدو قوية على الورق.
لكن في بيئات التنافس الواقعية، تهم الثوابت والحالات الحدية كثيرًا — ولا يزال هناك بيانات إنتاج عامة محدودة متاحة.
4/ الفكرة الذكية حقًا:
البروتوكول يكافئ وحدات الحساب الموثوقة بدلاً من النماذج المكتملة فقط.
لذا بدلاً من السؤال:
“هل قمت بتدريب هذا النموذج الكامل بقدرة 70B؟”
…يقوم بتقسيم العملية إلى آلاف من الأصغر:
“هل قمت بتنفيذ خطوة التدرج هذه بشكل صحيح؟” فحوصات.
هذا يجعل التحقق أرخص بكثير وقابل للتوسع.
مدعوم بـ a16z مع جمع 43M دولار.
سواء كان الرمز يلتقط قيمة الشبكة على المدى الطويل هو نقاش منفصل عن ما إذا كانت الهندسة الأساسية تعمل.
التكنولوجيا مثيرة للاهتمام.
اقرأ الورقة البيضاء قبل التداول في الضجيج.
#AI #Crypto #Binance #machinelearning #Blockchain #AIGENSYN