jakiro
著者：Wuyue、Geek Web3
今日、ブロックチェーン技術はより速くなり、パフォーマンスの最適化が重要な問題になりました。
前の記事で –「Reddioからの並列EVMの最適化を見る」この記事では、Reddioの並行EVMデザインのアイデアを簡単に要約しました。今日の記事では、その技術ソリューションとAIとの合計シナリオのより詳細な解釈を提供します。
Reddioの技術的ソリューションはCUEVMを採用しているため、これはGPUを使用してEVMの実行効率を改善するプロジェクトであるため、CUEVMから始めます。
CUDAの概要
CUEVMは、EVMをGPUで加速するプロジェクトであり、Ethereum EVMのオペコードをCudaカーネルに変換して、Nvidia GPUで並列実行されます。GPUの並列コンピューティングパワーを通じて、EVM命令の実行効率が改善されます。たぶんnカードユーザーはしばしばCudaという言葉を聞くでしょう –
実際には、NVIDIAが開発した並列コンピューティングプラットフォームおよびプログラミングモデルであるUnified Deviceアーキテクチャを計算します。開発者は、GPUの並列コンピューティングパワーを使用して、一般的なコンピューティング（暗号のマイニング、ZK操作など）を実行できます。グラフィック処理に限定されるだけではありません。
オープンパラレルコンピューティングフレームワークとして、CUDAは本質的にC/C ++言語の拡張であり、C/C ++に精通している基礎となるプログラマーはすぐに開始できます。CUDAの非常に重要な概念はカーネル（カーネル関数）であり、これもC ++関数です。
ただし、1回だけ実行される通常のC ++関数とは異なり、これらのカーネル関数は開始されました構文＆lt;＆lt;＆lt; ...＆gt;＆gt;＆gt;呼び出されると、n異なるcudaスレッドが並行してn回実行されます。
CUDAの各スレッドには、独立したスレッドIDが割り当てられ、スレッド階層を採用して、スレッドをブロックとグリッドに割り当てて、多数の並列スレッドの管理を容易にします。NVIDIAのNVCCコンパイラを通じて、CUDAコードをGPUで実行できるプログラムにコンパイルできます。
CUEVMの基本的なワークフロー
CUDAの一連の基本概念を理解した後、CUEVMのワークフローを見ることができます。
CUEVMのメインエントランスは、JSONファイルの形でrun_interpreterです。プロジェクトのユースケースから、すべての入力は標準のEVMコンテンツであり、開発者が処理、翻訳などをする必要はないことがわかります。
run_interpreter（）でわかるように、cuda-defined＆lt;…＆gt;＆gt;を使用してkernel_evm（）kernel関数を呼び出します。上で述べたように、カーネル関数はGPUで並行して呼び出されます。
evm-＆gt; run（）は、kernel_evm（）メソッドで呼び出されます。
EVMの追加opcode op_addを例として、cgbn_addに変換することがわかります。CGBN（協同組合の大きな数字）は、CUDAの高性能マルチプレシジョン整数算術演算ライブラリです。
これらの2つのステップは、EVMオペコードをCUDA操作に変換します。CUEVMは、CUDAのすべてのEVM操作の実装でもあると言えます。最後に、run_interpreter（）メソッドは、操作結果、つまり世界の状態およびその他の情報を返します。
この時点で、CUEVMの基本的な動作ロジックが導入されました。
CUEVMにはトランザクションを並行して処理する機能がありますが、CUEVMプロジェクトの確立（または主要なユースケース）の目的は、ファジングテストに使用されます。Fuzzingは、プログラムの応答を観察するために、大量の無効な、予期しない、またはランダムデータをプログラムに入力することにより、潜在的なエラーとセキュリティの問題を特定する自動化されたソフトウェアテストテクノロジーです。
ファジングは並列処理に非常に適していることがわかります。CUEVMは、取引の競合やその他の問題を処理しませんが、これは懸念される問題ではありません。CUEVMを統合したい場合は、矛盾するトランザクションを処理する必要もあります。
私たちの前の記事
layer2、平行EVM、AIの3方向交差
前述のように、並列EVMとL2はReddioの出発点に過ぎず、その将来のロードマップはそれをAIの物語と明確に組み合わせます。高速並列トランザクションにGPUを使用するReddioは、多くの機能のAI操作に自然に適しています。
-
GPUは強力な並列処理機能を持ち、基本的に大規模なマトリックス乗算である深い学習で畳み込み操作を実行するのに適しており、GPUはそのようなタスクに最適化されています。
-
GPUのスレッド階層構造は、AIコンピューティングにおける異なるデータ構造、コンピューティング効率の向上、スレッドの過剰プロビジョニングおよびワープ実行ユニットを介したメモリレイテンシのマスキング間の対応と一致させることができます。
-
計算強度は、AIコンピューティングパフォーマンスを測定するための重要な指標です。テンソルコアの導入など、AIコンピューティングにおけるマトリックス乗算のパフォーマンスを改善し、コンピューティングとデータ送信のバランスを取得します。
では、AIとL2をどのように組み合わせますか？
Rollupのアーキテクチャデザインでは、ネットワーク全体が単なるソーターではなく、監督者や転送業者に似た役割も、クライアントが異なる機能を想定しているのと同じように使用していることを知っています。従来のロールアップでは、これらの二次的な役割の機能と権限は非常に限られています。たとえば、arbitrumにおけるウォッチャーの役割は基本的に受動的で守備的で公的な福祉であり、その利益モデルも疑わしいものです。
Reddioは分散型のソルターアーキテクチャを採用し、鉱夫はGPUをノードとして提供します。Reddioネットワーク全体は、純粋なL2からL2+ AI包括的なネットワークに進化する可能性があります。
AIエージェントの基本的なインタラクティブネットワーク
ブロックチェーンテクノロジーの継続的な進化により、AIエージェントはブロックチェーンネットワークに適用される可能性があります。これらのインテリジェントなエージェントが独立して複雑な決定を行い、トランザクション操作を実行することができ、高周波条件下でも迅速に対応することができるAIエージェントを取り上げましょう。ただし、L1は基本的に、このような集中的な操作を処理する際に巨大なトランザクション負荷を運ぶことは不可能です。
L2プロジェクトとして、ReddioはGPU加速によりトランザクションの並列処理機能を大幅に改善できます。並列トランザクションの実行をサポートするL1と比較して、スループットが高く、多数のAIエージェントからの高周波トランザクション要求を効率的に処理して、ネットワークのスムーズな動作を確保できます。
高周波取引では、AIエージェントには、トランザクション速度と応答時間に関する非常に厳しい要件があります。L2は、トランザクションの検証時間と実行時間を短縮し、それによりレイテンシを大幅に削減します。これは、ミリ秒で応答を必要とするAIエージェントにとって非常に重要です。多数のトランザクションをL2に移行することにより、メインネットワーク上の混雑問題も効果的に緩和されました。AIエージェントをより費用対効果の高いものにします。
ReddioなどのL2プロジェクトの成熟により、AIエージェントはブロックチェーンでより重要な役割を果たし、Defiとその他のブロックチェーンアプリケーションシナリオとAIを組み合わせる際にイノベーションを促進します。
分散化されたコンピューティングパワー市場
将来、Reddioは分散型のソルターアーキテクチャを採用し、鉱夫はGPUコンピューティングの力を使用して、ネットワーク参加者の全体的なGPUパフォーマンスを決定し、AIトレーニングに使用されるレベルに到達することさえできます。
分散型GPUコンピューティングパワー市場を構築して、AIトレーニングと推論に低コストのコンピューティングパワーリソースを提供します。パソコンからコンピューターからコンピュータールームクラスターまで、すべてのレベルのGPUコンピューティングパワーは、アイドル状態のコンピューティングパワーを貢献し、このモデルを獲得し、より多くの人々が参加できるようにすることができます。 。
分散化されたコンピューティングパワー市場のユースケースでは、ソーターはAIの直接コンピューティングの主な責任を負わない可能性があります。コンピューティングのパワーとタスクの割り当てについては、2つのモードがあります。
-
トップダウン集中配分。ソーターのため、ソーターは、ニーズを満たし、評判の高いノードに受信したコンピューティングパワー要求を割り当てることができます。この分布方法には理論的に集中的かつ不公平な問題がありますが、それがもたらす効率の利点は、長期的にははるかに不利な点を超えています。 、暗黙的だが直接的な制約があり、ソーターがそれほど深刻なバイアスを持たないことを保証します。
-
ボトムアップの自発タスク選択。ユーザーは、AI操作要求をサードパーティノードに送信することもできます。これは、特定のAIアプリケーションフィールドでは、ソルターに直接送信するよりも明らかに効率的であり、ソーターのレビューやバイアスを防ぐこともできます。計算が完了した後、ノードは計算結果をソーターに同期し、リンクに配置します。
L2 + AIアーキテクチャでは、コンピューティングパワー市場は非常に柔軟性が高く、2つの方向からコンピューティングパワーを収集してリソースの利用を最大化できることがわかります。
オンチェーンAI推論
現在、オープンソースモデルの成熟度は、多様なニーズを満たすのに十分です。AI推論サービスの標準化により、自動価格設定を実現するために、チェーンにコンピューティングパワーを置く方法を調べます。ただし、これにはいくつかの技術的な課題を克服する必要があります。
-
効率的なリクエスト配布と記録：大規模なモデルの推論には高い遅延が必要であり、効率的なリクエスト配布メカニズムが非常に重要です。リクエストと応答のデータは巨大でプライベートであり、ブロックチェーンで公開されるべきではありませんが、たとえばハッシュを保存することにより、記録と検証のバランスを見つける必要もあります。
-
コンピューティングパワーノード出力の検証：ノードは、策定されたコンピューティングタスクを本当に完了しましたか？たとえば、ノードFalse Reportingは、大規模なモデルではなく小さなモデル計算結果を使用します。
-
スマートコントラクトの推論：多くのシナリオでのコンピューティングのために、AIモデルをスマートコントラクトと組み合わせて使用する必要があります。AIの推論は不確実であり、チェーンのすべての側面に使用できないため、将来のAI Dappsの論理は部分的に鎖であり、他の部分はオンチェーン契約ですオフチェーンと数値的合法性が提供されます。Ethereum Ecosystemでは、スマートコントラクトと組み合わせることで、EVMの非効率的な連続性に直面する必要があります。
しかし、Reddioのアーキテクチャでは、これらは比較的簡単に解決できます。
-
ソーターはL1よりもはるかに効率的であり、Web2の効率と同等であると見なすことができます。データの記録的な場所と保持方法については、さまざまな安価なDAソリューションを解決できます。
-
AIの計算結果は、ZKPによって最終的に検証できます。ZKPの特徴は、検証が非常に高速であるが、証明生成が遅いことです。ZKPの生成は、たまたまGPUまたはTEE加速度を使用できます。
-
SOLIDTY→CUDA→GPU EVM平行メインラインはReddioの基礎です。表面的には、これがReddioにとって最も簡単な質問です。現在、ReddioはAII6ZのElizaと協力して、モジュールをReddioに導入しています。これは、探索するのに非常に価値のある方向です。
要約します
全体として、Layer2ソリューション、並列EVM、およびAIテクノロジーの分野は無関係であるように見えますが、ReddioはGPUのコンピューティング特性を最大限に活用することにより、これらの主要な革新的な分野を巧みに組み合わせています。
GPUの並列コンピューティング特性を活用することにより、Reddioはレイヤー2のトランザクション速度と効率を向上させ、イーサリアムレイヤー2のパフォーマンスを向上させます。AIテクノロジーをブロックチェーンに統合することは、斬新で有望な試みです。AIの導入は、オンチェーン操作のインテリジェントな分析と意思決定サポートを提供し、それにより、よりインテリジェントで動的なブロックチェーンアプリケーションを実現できます。このクロスフィールドの統合により、業界全体の発展のための新しい道と機会が間違いなく開かれました。
ただし、この分野はまだ初期段階にあり、多くの研究と探求が必要であることに注意する必要があります。テクノロジーの継続的な反復と最適化、ならびに市場の先駆者の想像力と行動は、この革新を成熟に向けた重要な原動力となります。Reddioはこの交差点で重要かつ大胆な一歩を踏み出しました。将来のこの統合分野でより多くのブレークスルーと驚きを見ることを楽しみにしています。
