Gensyn AI چیست؟ راهنمای شما برای AIGENSYN، دلفی و هوش مصنوعی غیرمتمرکز

تصور کنید یک ایده ناب برای مدل هوش مصنوعی جدیدی دارید. می‌نشینید و آن را تمرین می‌دهید، اما بلافاصله به مانع برخورد می‌کنید. کارت‌های گرافیک (GPU) که نیاز دارید، هزاران دلار در ساعت هزینه دارند، لیست انتظار سرویس ابری ماه‌ها طول می‌کشد و سه شرکت اساساً تعیین می‌کنند که چه کسی اجازه بازی دارد. این مانع تراشی همان مشکلی است که Gensyn AI برای رفع آن ساخته شده است. این پروژه قدرت محاسباتی اضافی ماشین‌ها در سراسر جهان را به یک شبکه اشتراکی بزرگ برای تمرین تبدیل می‌کند و سپس با استفاده از رمزنگاری ثابت می‌کند که هر کار به صورت صادقانه اجرا شده است. توکن بومی آن، که در LBank با نام AIGENSYN فهرست شده است، چیزی است که کل سیستم را در حرکت نگه می‌دارد.

در ادامه، ما به بررسی عملکرد Gensyn، نحوه کار آن در پس‌زمینه، و علت توجه گسترده مردم به این پروژه از مدت‌ها پیش از راه‌اندازی خواهیم پرداخت.

جن‌سین AI چیست؟

جن‌سین خود را "شبکه‌ای برای هوش ماشینی" می‌نامد. این یک اصطلاح پر زرق و برق است که به این معنی است که به هوش مصنوعی مکانی برای فعالیت می‌دهد که متعلق به هیچ شرکت مشخصی نیست. هر کسی که یک GPU اضافی در خانه، سرور بیکار در یک مرکز داده، یا حتی یک رایانه گیمینگ قدرتمند داشته باشد، می‌تواند آن سخت‌افزار را به کسانی که نیاز به آموزش مدل‌های هوش مصنوعی دارند اجاره دهد. فرآیند تطبیق، پرداخت‌ها و اثبات کار همه روی یک بلاکچین سفارشی ساخته شده بر پایه اتریوم انجام می‌شود.

توکنی که در صرافی‌ها با نماد AIGENSYN معامله می‌شود، همان $AI در قرارداد رسمی است. نامی متفاوت اما سکه‌ای یکسان. چرا دو نام؟ نماد ساده "AI" یک نماد داغ است که پروژه‌های زیادی خواهان آن هستند، بنابراین نسخه‌های طولانی‌تری مانند AIGENSYN در فهرست‌ها ظاهر می‌شوند تا همه چیز واضح باشد. این توکن چیزی است که دارندگانش برای سهیم شدن در شبکه، پرداخت هزینه‌های آموزش، کسب جوایز برای تأیید کار و رأی دادن برای تغییرات پروتکل استفاده می‌کنند.

داستان پشت جن‌سین ارزش یک توقف کوتاه را دارد. دو هم‌بنیان‌گذار، بن فیلدینگ و هری گریو، در سال 2020 در یک برنامه تسریع‌دهنده در بریتانیا با هم آشنا شدند. بن سال‌ها صرف مطالعه چگونگی آموزش شبکه‌های کوچک از عوامل هوش مصنوعی به یکدیگر کرده بود؛ رساله دکترایش بر روش‌های "کلونی" متمرکز بود. هری از دنیای مالی آمده بود و جذب این موضوع شده بود که چگونه پردازش به آرامی به گران‌ترین منبع در فناوری تبدیل شده است. آن‌ها پیش از آنکه ChatGPT نامی شناخته شده باشد، شرط بستند که آینده هوش مصنوعی محدود نخواهد شد به ایده‌ها، بلکه به این بستگی دارد که چه کسی مالک GPU‌ها است. بنابراین تصمیم گرفتند جایگزینی بسازند.

جن‌سین چگونه کار می‌کند؟

تصور کنید: شما از یک غریبه در آن سوی دنیا می‌خواهید مدل هوش مصنوعی خود را روی GPU آن‌ها آموزش دهد. آن‌ها کار را انجام می‌دهند، نتیجه را به شما باز می‌فرستند و برای انجام کار هزینه دریافت می‌کنند. چگونه می‌دانید که آن‌ها کوتاهی نکرده‌اند، خروجی را جعل نکرده‌اند یا برای پردازشی که هرگز اجرا نکرده‌اند هزینه‌گیری نکرده‌اند؟ این مشکل اعتماد بود که جن‌سین باید قبل از هر کاربردی آن را حل می‌کرد.

راه حل سیستمی است که تیم آن را یادگیری ماشین قابل‌اثبات بدون نیاز به اعتماد می‌نامد. این روش نیازی به اعتماد به کارگر ندارد. در عوض، از ترکیبی از ریاضیات و انگیزه‌های اقتصادی استفاده می‌کند تا تقلب بسیار گران‌تر از انجام درست کار شود. اجرای مجدد کل آموزش فقط برای بررسی، هدف را از بین می‌برد، بنابراین شبکه قسمت‌های کوچک تصادفی کار را بررسی می‌کند. هر چیز مشکوکی علامت‌گذاری می‌شود و کارگری که سعی در دستکاری سیستم دارد پول واقعی خود را از دست می‌دهد.

سه بازیگری که شبکه را صادق نگه می‌دارند

GenSyn شرکت‌کنندگان را در سه نقش سازمان‌دهی می‌کند، درست مانند سیستم داوری در ورزش‌ها:

• حل‌کنندگان کارگران هستند. آن‌ها مبلغی به صورت ودیعه به صورت $AI قرار می‌دهند، یک شغل آموزشی را می‌پذیرند، آن را اجرا می‌کنند و نتیجه را ارائه می‌دهند.
• تأییدکنندگان آن نتایج را با تست‌های آماری تصادفی بررسی می‌کنند. آن‌ها را مانند حسابرسانی در نظر بگیرید که نیازی ندارند کل محاسبه را دوباره انجام دهند تا اشتباهات را پیدا کنند.
• افشاگران پشتیبان امنیتی هستند. اگر آن‌ها مشاهده کنند که یک حل‌کننده تقلب می‌کند، تقلب‌کننده بخشی از ودیعه خود را از دست می‌دهد که به این فرآیند سِلَشینگ گفته می‌شود و افشاگر بخشی از آن جریمه را دریافت می‌کند.

قسمت هوشمندانه، ریاضیات است. هر کسی که دروغ بگوید بیشتر از آنچه می‌تواند با تقلب به دست آورد را از دست می‌دهد، بنابراین صداقت به انتخاب منطقی تبدیل می‌شود. هیچ مرجع مرکزی تصمیم نمی‌گیرد که چه کسی حق دارد؛ قوانین و پول این کار را انجام می‌دهند.

قسمت سختی که بیشتر مردم از آن غفلت می‌کنند

وقتی برای اولین بار دربارهٔ محاسبات غیرمتمرکز هوش مصنوعی می‌شنوید، به نظر می‌رسد چالش پیدا کردن تعداد کافی GPU است. اینطور نیست. GPUهای اضافه همه‌جا هستند. بخش سخت، اثبات این است که کسی که هرگز او را ندیده‌اید، کار شما را به‌صورت صادقانه انجام داده است، بدون اینکه مجبور شوید او را وادار به تکرار کار کنید فقط برای اینکه بتوانید آن را تأیید کنید. حل این مشکل توسط Gensyn است که کل ایده را ممکن می‌سازد.

قطعات سازنده‌ی Gensyn چیستند؟

در هستهٔ فناوری، Gensyn معمای هوش مصنوعی غیرمتمرکز را به چهار بخش تقسیم می‌کند که کنار هم قرار می‌گیرند:

1. اجرا. راهی برای اجرای مدل‌های هوش مصنوعی به طوری که همان محاسبه، پاسخ یکسانی را روی لپ‌تاپ، مزرعه سرور یا گوشی ارائه دهد. بدون این قابلیت، دو کارگر ممکن است به طور قانونی نتایج متفاوتی بگیرند و هیچ راهی برای مقایسه آنها نخواهید داشت.
2. تأیید. سیستم بررسی بدون نیاز به اعتماد که همین الان پوشش دادیم.
3. ارتباطات. شبکه همتا به همتا به طوری که ماشین‌ها می‌توانند داده‌ها را مستقیماً به یکدیگر منتقل کنند، بدون سرور مرکزی در وسط.
4. هماهنگی. حسابداری روی زنجیره که هویت‌ها، پرداخت‌ها و قوانین راه را مدیریت می‌کند.

زیر آن چهار لایه، یک بلاکچین سفارشی (از نظر فنی یک رول‌آپ اتریوم) وجود دارد که برای بارهای کاری هوش مصنوعی تنظیم شده است. اگر بخواهید به جزئیات فنی عمیق بپردازید، مستندات پروتکل تیم به طور کامل آن را شرح داده است. همچنین یک بخش به نام لایه تبادل عامل وجود دارد که در واقع یک خط تلفن رمزگذاری شده است که به عوامل هوش مصنوعی و خطوط لوله یادگیری ماشین اجازه می‌دهد مستقیماً با یکدیگر ارتباط برقرار کنند. این جزئیات وقتی اهمیت پیدا می‌کند که دیگر هوش مصنوعی را به عنوان ابزاری برای استفاده نبینید و شروع به دیدن آن به عنوان چیزی کنید که خودش می‌خرد، می‌فروشد و تصمیم می‌گیرد.

RL Swarm چه بود و بعد چه می‌آید؟

گنسین یک تست‌نت عمومی را در مارس ۲۰۲۵ راه‌اندازی کرد و اولین چیزی که نشان داد چیزی به نام RL Swarm بود. ایده ساده اما جالب بود. هزاران نفر نرم‌افزاری را دانلود می‌کردند، یک نود را از کامپیوتر خود اجرا می‌کردند و با هم به آموزش پسین یک مدل هوش مصنوعی مشترک کمک می‌کردند. هر شرکت‌کننده یک سابقه در بلاکچین دریافت می‌کرد تا مشارکت‌ها به طور منصفانه اعتبار داده شوند. سپس RL Swarm به محیطی به نام CodeZero گسترش یافت، جایی که Swarm به مشکلات کدنویسی با استفاده از سه نوع نقش: حل‌کننده‌ها، پیشنهاددهنده‌ها و ارزیاب‌ها می‌پرداخت.

این مرحله در آوریل ۲۰۲۶ به پایان رسید وقتی که تیم سوئیچ را روی mainnet روشن کرد. RL Swarm متوقف شد تا شبکه بتواند انرژی خود را به اولین برنامه تولیدی واقعی خود اختصاص دهد. یک هفته بعد توکن $AI فعال شد و در اول مه ۲۰۲۶ مکانیزم خرید و سوزاندن آغاز شد که از کارمزدهای پروتکل برای حذف دائمی توکن‌ها از گردش استفاده می‌کند و عرضه توکن را به شدت به میزان واقعی استفاده شبکه متصل می‌کند.

جن سین دلфи چیست؟

دلفی اولین اپلیکیشن بزرگ است که روی شبکه اصلی جن سین اجرا می‌شود و نگاهی تازه به چیزی که قبلاً وجود داشت ارائه می‌دهد: بازارهای پیش‌بینی. تفاوت این است که به جای اینکه هیئت‌های داوری انسانی یا اوراکل‌های سنتی برنده را تعیین کنند، مدل‌های هوش مصنوعی این تصمیم را می‌گیرند.

ماجرا به این صورت پیش می‌رود. شما سؤالی را می‌بینید که برایتان جالب است، مثلاً «آیا بیت‌کوین تا پایان سال بالای ۲۰۰٬۰۰۰ دلار بسته خواهد شد؟» شما موقعیت بله یا خیر می‌خرید. افراد دیگری هم همین کار را انجام می‌دهند و قیمت بر اساس تقاضا تغییر می‌کند. وقتی موعد مقرر فرا می‌رسد، مدلی از هوش مصنوعی که سازنده بازار انتخاب کرده است، یک متن حل مسئله را می‌خواند، شواهد را بررسی می‌کند و نتیجه را اعلام می‌کند. وجوه به صورت خودکار تسویه می‌شود.

چند نکته که خوب است بدانید:

• هر کسی می‌تواند یک بازار درباره هر موضوعی راه‌اندازی کند. قیمت‌های کریپتو، نتایج ورزشی، رویدادهای ژئوپلیتیکی، هر چیزی که می‌خواهید.
• قیمت‌گذاری از یک سازنده بازار خودکار استفاده می‌کند، بنابراین معاملات از روز اول ممکن است و نیازی به پیدا کردن خریدار یا فروشنده برای هر سفارش نیست.
• هر کسی که بازار را ایجاد کند، فقط به خاطر راه‌اندازی آن، ۱.۵٪ از حجم معاملات را کسب می‌کند.
• مدل‌های هوش مصنوعی نیز می‌توانند نقش معامله‌گر را بازی کنند. مدلی که واقعا در پیش‌بینی نتایج خوب باشد، می‌تواند توسعه خود را با درست بودن مداوم تأمین مالی کند.

Gensyn همچنین یک جعبه‌ابزار معامله Agentic منتشر کرده است که به عوامل هوش مصنوعی اجازه می‌دهد با استفاده از زبان طبیعی در دلفی مرور کنند، معامله انجام دهند و پرتفوی‌ها را دوباره متعادل کنند. بنابراین دلفی فقط جایی نیست که انسان‌ها روی آینده شرط می‌بندند. جایی است که ربات‌ها به آرامی همین کار را انجام می‌دهند، شاید سریع‌تر از آنکه صفحه را تازه کنید.

چرا توکن AIGENSYN اهمیت دارد؟

هر توکن وظیفه خاص خود را دارد و AIGENSYN ($AI) چندین وظیفه دارد. دانستن اینکه هر کدام چه کاری انجام می‌دهد به توضیح اینکه چرا این توکن کاربرد فراتر از صرفاً چیزی برای معامله دارد کمک می‌کند:

• استیکینگ. حل‌کنندگان قبل از گرفتن یک کار آموزشی، AIGENSYN را به‌عنوان وثیقه ارسال می‌کنند. اگر تقلب کنند، وثیقه از بین می‌رود.
• پرداخت برای محاسبات. هرکسی که می‌خواهد از شبکه استفاده کند، به‌صورت AIGENSYN پرداخت می‌کند و رول‌آپ تراکنش را تسویه می‌کند.
• پاداش‌های اعتبارسنجی. اعتبارسنج‌ها و افشاگران به خاطر جلوگیری از تقلب، AIGENSYN دریافت می‌کنند.
• حاکمیت. دارندگان درباره نحوه تغییر پروتکل در طول زمان رأی می‌دهند.
• خرید و سوزاندن. بخشی از هر هزینه پروتکل برای خرید AIGENSYN از بازار آزاد و نابود کردن آن به‌طور دائمی استفاده می‌شود. هرچه فعالیت در Gensyn بیشتر باشد، توکن‌های بیشتری از بین می‌روند.

کل عرضه ثابت و برابر با ۱۰ میلیارد است. حدود ۱.۳ میلیارد از آن‌ها (حدود ۱۳٪) در زمان عرضه در گردش بودند، و باقی طبق برنامه‌ریزی در سال‌های آینده آزاد خواهند شد. قرارداد در اتریوم قرار دارد که در نهایت رول‌آپ Gensyn نیز در آن تسویه می‌شود.

چرا باید به Gensyn اهمیت دهید؟

اکثر آموزش‌های هوش مصنوعی در جهان به‌صورت مخفیانه در مرکز داده‌های حدود سه یا چهار شرکت ابر بزرگ در حال انجام است. این ساختار عمدتاً کار می‌کند، تا زمانی که نگاه می‌کنید ببینید چه کسانی کنار گذاشته شده‌اند. محققان مستقل، استارتاپ‌های کوچک‌تر و هر کسی که خارج از حلقه خرید ابر است با انتظارهای طولانی، هزینه‌های بالا و قراردادهایی که واقعاً نمی‌توانند آن‌ها را بررسی کنند، مواجه هستند. انتخاب اینکه چه کسی مدل بزرگ بعدی هوش مصنوعی را می‌سازد اغلب به این بستگی دارد که چه کسی توانایی پرداخت هزینه GPU را دارد.

جن‌سین تلاشی است برای تغییر آن محاسبات. با گردآوری سخت‌افزارهای اضافی در سراسر جهان، اثبات انجام درست کار و اجازه دادن به هر کسی (از جمله عوامل هوش مصنوعی خودشان) برای نگهداری توکن، این کار مانع‌های آموزش یک مدل جدی را کاهش می‌دهد. چه شبکه در نهایت جایگزین ارائه‌دهندگان بزرگ ابر شود یا نه، این آزمایش اهمیت دارد. این نشانه‌ای از آینده‌ای نزدیک است که در آن عوامل هوش مصنوعی اقتصاد خود را دارند. بازار خودشان، روش کسب درآمد خودشان، لایه تسویه حساب خودشان. فین‌تک سنتی برای نرم‌افزاری طراحی نشده که معاملات خود را امضا می‌کند، اما زنجیره‌ای مانند جن‌سین ممکن است چنین باشد.

چه چیزی ممکن است اشتباه پیش برود؟

نگاهی متعادل به هر پروژه شامل بخش‌هایی است که تضمین نشده‌اند موفق باشند. با جن‌سین، سوالات باز واقعی هستند:

• مقیاس‌پذیری سیستم تأیید. بررسی‌های تصادفی در موارد کوچک کارآمد است. آزمایش واقعی این است که آیا این روش هنگام آموزش مدل‌ها با تریلیون‌ها پارامتر، کارایی خود را حفظ می‌کند یا خیر.
• متقاعد کردن آزمایشگاه‌های بزرگ هوش مصنوعی برای اعتماد به آن. بیشتر تیم‌های تحقیقاتی بزرگ هنوز ترجیح می‌دهند روی سخت‌افزار خودشان اجرا کنند. شبکه‌های باز جایگاه سخت‌تری دارند.
• هوش مصنوعی به عنوان داور. اجازه دادن به مدل‌ها برای تصمیم‌گیری نتایج بازار ایده هوشمندانه‌ای است، اما همچنین زوایای جدیدی برای حمله مانند دست‌کاری درخواست‌ها یا اختلاف نظر مدل‌ها در مورد حقایق ایجاد می‌کند.
• آزادسازی توکن‌ها. با حدود ۸۷٪ عرضه که هنوز در زمان راه‌اندازی قفل است، برنامه زمانی آزادسازی این توکن‌ها می‌تواند قیمت را بیشتر از استفاده فعلی شبکه تحت تأثیر قرار دهد.
• عدم قطعیت‌های قانونی. توکن‌هایی که برای محاسبه پرداخت می‌کنند، نقش حکمرانی دارند و توسط هزینه‌های پروتکل سوزانده می‌شوند، در بسیاری از کشورها در یک منطقه خاکستری قانونی قرار دارند.

Gensyn یکی از تلاش‌های قابل‌اعتمادتر برای ادغام زیرساخت‌های جدی هوش مصنوعی با هماهنگی درون زنجیره‌ای است. اینکه آیا در سال‌های آینده به خانه پیش‌فرض هوش ماشینی تبدیل شود، به استفاده واقعی بستگی دارد، نه به مقالات سفید جذاب. اگر می‌خواهید ببینید هوش مصنوعی غیرمتمرکز در جهان واقعی چگونه عمل می‌کند، این یکی از جالب‌ترین پروژه‌هایی است که همین حالا باید دنبال کنید.