對話 Gensyn 聯創 Harry Grieve：主網即將上線，如何利用閒置資源打破 AI 算力的“規模天花板”？

當AI模型對算力的飢渴遇上中心化供給的天然瓶頸，一場算力革命正在悄然發生。 GENSyn的兩位聯合創始人Harry Grieve與Ben Fielding洞察到，破局的關鍵在於激活全球數十億邊緣設備中沉睡的算力潛力，其路徑正是去中心化。

Gensyn致力於構建一個通過區塊鏈協議連接全球閒置計算設備的分佈式機器學習網絡，並以其創新的可驗證計算技術確保訓練結果可信。 其測試網已吸引15萬用戶並穩定運行。 隨著測試網階段順利完成，Gensyn主網也將在近期上線。

Gensyn曾獲得由a16z領投的4300萬美元A輪融資，累計融資金額超5000萬美元。 在本次專訪中，HARry Grieve系統闡釋了Gensyn如何從“規模破界”這一核心命題出發，構建下一代AI基礎設施的技術藍圖與商業思考。

去中心化的目的是打破算力規模限制

： 我是早期接觸互聯網的一代。 那時的網絡更加開放、去中心化，充滿了文件共享網絡和不同的信息庫。 這塑造了我對信息、網絡的理解，並讓我很早就傾向於開源和去中心化的理念。

在大學及之後的時間裡，我接觸了古典自由主義思想，這讓我更加註重個人權利與自由，並開始質疑中央集權和審查制度。 這直接關聯到當今的AI模型——當模型為我們做決策時，誰來決定它們的“權利”和行為方式？ 這引發了我對AI與主權、倫理關係的思考。

畢業後我在倫敦一家機器學習公司工作，親身經歷了獲取大規模計算資源和高質量數據的巨大困難。 我意識到，如果要持續發展更強大的模型，就必須解決底層資源（計算和數據）的訪問和規模問題，這也是我後來堅定切入去中心化AI計算賽道並創辦Gensyn的原因。

： 我們是在英國加速器項目Entrepreneur First開始前的一次社交活動上認識的。 我們之所以能迅速決定“All-in”這個方向，基於兩個關鍵共識：

首先，我們堅信機器學習是未來。 在2020年（ChatGPT出現之前），我們都高度確信機器學習將是下一個技術浪潮。 雖然當時這並非共識，但我們看到了圖像生成、交互等領域的技術突破，並深信其潛力。

其次，我們共同反對“中心化”。 我受困於中心化計算和數據源的瓶頸，而Ben在他的博士研究和創業中專注於個人隱私和數據安全。 我們都對中心化持批判態度。 起初，我們關注的是如“聯邦學習”這樣的技術，但後來意識到，要解決其中的信任問題，需要一個去中心化的狀態記錄和問責機制，這最終將我們引向了區塊鏈。 我們從“AI原生”的創始人，轉變為了“AI 加密”的探索者。

： 驅動因素是多方面的，但最核心的答案是規模。

當前絕大多數可用的互聯網數據已被用於訓練模型。 未來性能的提升，依賴於獲取那些位於“邊緣”、目前無法訪問的數據。 要利用這些數據，你必須走向邊緣，這天然需要去中心化。

儘管中心化算力投入巨大，但AI對算力的需求是“永無止境”的。 這種飢渴感將推動算力需求蔓延至所有未被充分利用的設備上。 要連接並規模化地利用這些分散的資源，而不將其全部集中化，去中心化是唯一的途徑。

所以，規模是唯一的答案。 去中心化是為了解鎖前所未有的計算和數據資源規模。

Gensyn的核心差異化是什麼？

： Gensyn是一個讓你能夠以前所未有的規模，訪問構建機器學習系統所需的所有核心資源（如算力和數據）的系統。

： 我們非常尊重像AKASh這樣的早期玩家。 我們的核心差異化一方面在於資源視角不同：其他項目主要提供單一的、容器化的GPU算力租賃。 而Gensyn的視角更廣闊，我們考慮的是多種機器學習資源（算力、數據、模型），並且這些資源是相互交織、可循環利用的。

比如說，一個節點進行模型推理產生的輸出是數據，這些數據可以被用來訓練其他模型。 在我們的網絡中，推理、訓練、計算和數據之間的界限變得模糊。 我們構建的系統正是為了適應這種動態、混沌的機器學習新範式。

： 這是一個技術層面的描述：它是一個去中心化的加密網絡，用戶可以通過我們的原生代幣訪問各類資源——無論是用於訓練或推理的可驗證計算資源，還是通過設定客觀標準來激勵不同模型訓練的機制。 這個系統包含三大核心板塊，它們共同形成一個強大的閉環：

驗證系統： 這是我們的核心技術。 我們開發了一個專有編譯器和驗證框架，能夠實現跨不同硬件和軟件的比特級精確驗證。 這意味著我們可以證明，一個模型在一個設備上的訓練結果，與在另一個完全不同的設備上驗證的結果完全一致。 這是建立網絡信任、防止欺詐的基石。

擴展技術（SWarm）： 這是一個點對點的訓練框架（如用於人類反饋強化學習）。 它允許你連接全球無數的設備進行水平擴展，利用邊緣設備上的計算和數據進行訓練，從而創造出更強大的模型。

助手技術（Assist Agent）： 我們擁有能夠集成到應用中的自主AI助手。 它們可以無導向地學習並協助用戶完成任務。 當這些助手在訓練時，可以利用我們的擴展技術跨設備進行訓練，從而自我進化，變得更強。

總的來說，當用戶將智能助手集成到應用中，它會在執行任務的過程中持續生成交互數據；隨後，這些數據被輸入至我們的擴展技術框架中，通過跨設備協同的分佈式訓練方式不斷優化模型；在此過程中，核心的驗證技術會確保訓練過程的準確性與可信度，最終產出性能顯著增強的新一代模型。 這一流程形成了非線性、持續強化的機器學習生態，使系統在規模化擴展的同時始終保持可靠性與進化能力。

： 坦率地說，我們因“恐懼”尖叫的次數可能多於因“興奮”尖叫，創業維艱。

我認為最被低估的技術創新其實是我們的驗證系統。 這項技術的構建極其複雜，需要從編譯器、機器學習框架到硬件底層，全面解決所有可能導致非確定性的因素（甚至包括宇宙射線引起的GPU位翻轉）。 它的價值與外界認知度存在巨大落差。 正是這項技術保證了我們網絡的安全性和可擴展性，使我們能放心地允許任何設備加入網絡並進行驗證，而不用擔心安全被稀釋。

測試網用戶超15萬，主網即將上線

： 在絕對集群規模上，目前還無法與AWS這樣的巨頭相比，但這主要是網絡採用度的問題，而非技術限制。 我們的優勢在於解鎖新的資源規模（尤其是邊緣的計算和數據），以及成為未來機器智能文明的基礎設施。 我們相信，真正自主的、能夠自我進化並存在於加密經濟系統中的AI，將需要一個去中心化、無許可的網絡作為其“棲息地”，而這正是我們致力於構建的。

： 在測試網階段，我們已經取得了非常積極的進展：擁有超過15萬用戶，且大多是通過產品吸引力自然增長；約4萬個節點在網絡上運行；系統已訓練了超過80萬個模型。

： 主網啟動是當前的重中之重，TGE會隨之而來。 我們目前距離主網啟動大約3-4週，之後將開始進行主網審計。

在這之前，主要是確保所有機制都就位、運行正確、功能齊全，並且最重要的是，保證網絡的經濟活動是安全的。

： 與創辦初期相比，Gensyn面臨的市場環境已經發生了根本性轉變。 回想2020年我們剛起步時，還需要向投資者反复解釋機器學習的重要性，而隨著ChatGPT的橫空出世，AI已經成為全社會共識。 這種認知轉變也帶來了更加激烈的市場競爭環境，各類AI和算力初創公司如雨後春筍般湧現。 與此同時，行業討論的焦點也發生了明顯變化——開源模型的倫理邊界、AI治理的監管框架這些議題，在幾年前還鮮有人問津，如今卻成為各國政策制定的熱點。

正是在這樣的背景下，機器智能時代的加速到來，恰恰印證了Gensyn存在的價值。 我們打造的去中心化計算網絡，本質上就是要為即將到來的自主進化式機器智能提供底層支撐。 當AI系統需要突破現有算力瓶頸，實現真正的自主學習和快速迭代時，我們構建的基礎設施將成為這個新時代的關鍵基石。

： 在探討AI監管這個話題時，我最擔憂的是監管政策可能會錯誤地瞄準基礎設施層。 想像一下，如果未來出台政策限制GPU數量、數據集規模，甚至對用於AI訓練的電力比例設限，這種粗放的監管方式將嚴重阻礙整個技術領域的進步。 從我們的立場來看，AI模型本質上應該像數學公式一樣開源共享，不應受到過多限制。

在協議設計層面，我們正在探索平衡之道。 當前網絡中的模型權重和數據傳輸仍以明文為主，這為合規監管提供了必要的透明度。 同時，由於我們構建在以太坊等底層公鏈上，自然繼承了其去中心化特性與驗證機制。 這種架構既保持了必要的監管可見性，又確保了系統的抗審查能力。

隨著AI能力持續突破，如何在開放與管控之間找到平衡點，將成為未來幾年我們和整個行業都需要持續面對的重要課題。

： 成功的關鍵指標不是簡單的財務數據或用戶數。 我希望Gensyn的最大貢獻是成為一個平行機器文明的經濟基礎。

到2030年，我希望看到一個完全平行的社會、文明和經濟體在鏈上運行，其中沒有人類。 這個文明能產生與人類相當甚至更大的經濟產出，具備真正的創造力，並能極大地推動科學發展和解決人類面臨的重大問題（如延長壽命、減少不平等）。 如果Gensyn是這一切得以實現的基石，那將是我們成功的終極標誌。