Tally区块链协议:分享哈希算力赋能软件中介,利用GPU助力以太坊扩容

简介: 以太坊世界里有更好的GPU使用方式吗?

致力于建立去中心化互联网体验层的开源软件公司Cardstack之前宣布创建Tally协议,这是一种第2层协议,可让大型而强大的应用在以太坊区块链上运行。该创新性协议将链上利益和离线计算结合起来,以处理大量支付,同时还引入共识机制以去中心化方式执行社区规则。在此过程中,Tally协议使用现有的图形处理单元(GPU)硬件增加了基于以太坊的应用程序的容量,以支持每秒数千个甚至更多的交易。

日前Cardstack创始人在国外知名科技博客Medium发表长文,介绍了Tally协议。

10


这是区块链的一个主要盲点: 以太坊世界里有更好的GPU使用方式吗?

答案是肯定的。目前,我们为PoW计算部署了多到荒谬的的GPU哈希能力,但以太坊虚拟机(EVM)运行得就像一个简单、慢速的CPU。

这是设计的缘故。但这意味像CryptoKitties这样的游戏就会堵塞网络。这吓到了许多人。

扩展解决方案(如分片或链外支付通道)可加快点对点支付。但是,如果我们希望区块链能够实现其最大的承诺,那么我们就需要一个能够同时协调大型生态系统和多样化治理模式、管理大量行为的解决方案。

好消息是,许多事情只是数字拥堵的问题。 GPU在处理这方面非常擅长。

这就是Cardstack创建Tally项目的原因:一个可让dApps利用GPU能力执行重型计算的第2层协议。例如数据分析,复杂逻辑,机器学习,甚至AI算法。我们奖励GPU相应份额的dApp生态系统的价值,以回报它们在幕后执行这项有用的工作。

从终端用户的角度来看,每次点击、交易、确认都会使用这些数字处理功能,从而仅减少区块链上最终需要的数据。这将实现万众期待的高速而智能的用户体验。

更多背景

区块链交易本质上是你付出价值来确保刚刚进行的交易是最终版本。通过10个比特币确认,你知道交易是最终的。在以太坊,考虑到智能合约的运作方式,只要你拥有代币,交易就是最终的。目前的dApp在用户使用的过程中处理大量最终交易。这是非常繁重的,而且它浪费了这个全球分类账的能力。

扩展区块链应用程序的方法是,尝试减少最终的交易数量,并且仍然保持去中心化,且无需信任模式,这样人们就不能违反规则并窃取你的资金。第2层解决方案如雷电和闪电网络,是延迟最终交易的方法。

问题是,许多第2层解决方案不支持基于智能合约的逻辑,而正是这些逻辑使得复杂治理和支付模式成为可能,dApp才变得真正强大起来。

Tally有一个更加宏伟的目标:尽可能保持智能合同的好处,同时尽可能减少链上工作。

Tally的基本概念

让我们从基于Tally的数字运算系统的最简单的拓扑可能性开始:该系统可以处理即时结果,然后再回到链上进行最终处理。

例如:您正在尝试构建一个基于区块链投票的dApp。假设你有一百万选民,实现到这一点的最简单方法是要求每个选民进行加密签名,表明他们偏好的某个特定候选人。与其让所有选民立即将他们的投票结果放入最终链上,在将结果报告给智能合约之前,我们可以让一个GPU驱动的数据库读取投票并处理数字。

但想象一下,假如这次选举会决定谁能够得到生态系统中的大部分代币,这样的话数据库就非常容易受到攻击。

解决方案是转移到一个去中心化的排列中,其中有多个、可能是数百或数千个统计投票的oracle,以匿名方式工作以防止共谋。它们每个在网络中都有一个已证明且锁定的权益,通过随机的抽签机制选择其中一个或几个报告结果。这样一来,黑客要攻击选举就需要更多的资源。

我们想要做的是,支付数据库一定比例的权益价值,作为保护网络的回报。那么,随着投票价值的增加,数据库将分享这一价值,提高攻击的成本。

这里有一个关键点:当你向这些中间机构提供一份价值的时候,他们就不再只是数据库,而实际上变成了矿工。他们的经济利益与与此网络的其他参与者是一致的。我们称他们为分析型矿工。

如果你认为区块链产生新区块其实就好像一连串的投票活动,那么这个投票的例子可以延伸成为一个全新的方式来看待和思考区块链。

Tally是一种基于统计原理的共识算法。使用谢林点(英语:Schelling point,或称为聚焦点,是博弈论中人们在没有沟通的情况下的选择倾向,做出这一选择可能因为它看起来自然、特别、或者与选择者有关),我们可以给去中心化的矿工提供强大的动力去运行和其他人一样的软件,来获取相同的原始数据,并得到相同的结果。一旦实现了这一点,我们就可以将矿工们的结果视为共识的一种形式,从而安全的使用一种趋势的中间点(如平均、中值、模式)。

回到我们的论文本身:今天的PoW矿工正在用GPU日进斗金。但是,随着dApps的价值和它们所帮助的专业领域的经济变得更强大,dApps有理由与矿工分享其价值的一部分,以换取这一巨大的、尚未开发的哈希能力。

这一点很重要:对于Tally协议在以太坊生态系统中取得成功,我们不需要新的硬件和新的角色。我们已经有足够的。

我们所要做的就是,帮助去中心化应用程序将智能合约逻辑的一部分重写为对GPU友好的算法,并给予GPU矿工经济激励,使用他们的硬件来计算每秒数百万的选票。然后写出谁是赢家这个结果,最终在以太坊区块链上只留下一个单独的交易。

这样一来,我们将一个以太坊dApp扩展到了每秒百万次交易。

一些结论性想法

我们常常惊讶于Facebook和谷歌对区块链的关注很少,但反过来也一样。对于类似于可并行化机器学习、模式识别、大规模日志处理和基于图形的网络分析——换句话说,对于数字领域的巨头如何管理他们的私有网络的问题,加密社区没有给与足够的关注。

幸运的是,这些领域最新的创新都是开源工具包,其中很多都实在对GPU友好的库中实现的,区块链领域可以很容易而快速的与它们实现合作。如果我们能从机器学习、数据科学世界中获得适用的专业知识,——我们会发现,在我们的白皮书中提出的许多目标实际上非常适用硅谷在过去十年中完善的工具集。

我们正在通过分析应用程序和开放源码库之间的依赖关系,研究概念验证问题,也就是如何解决软件计量和账单问题(如何有效地度量软件的使用)。软件是我们的世界,所以我们认为这第一次将财富公平分配给开源制造者和创造者的尝试正确的。

但是我们把这种底层技术看作是可以应用于其他去中心化生态系统的模板。

“工作量证明”(Proof-of-work mining)已经让加密社区成为有史以来最强大的计算能力网络。与其让媒体开玩笑说它消耗了多少能量,不如让我们一起思考,如何利用这些资源做些有用的计算工作。

在谷歌、AWS和Facebook这样的数字巨头的内部,研究人员和工程师们正投入巨大的资源来研究如何吸引我们的注意力,衡量我们的兴趣,重塑我们的世界观,并将我们的每一个行为都转化为金钱。但他们不是不可战胜的。

让我们从理想主义出发,利用这些公司给我们提供的数据学习和机器学习工具,接入我们强大的全球经济联盟的矿商网络,建立一个更加公平透明的软件系统,让数字世界变得更美好。

原文发布时间为:2018-03-20
本文作者:嫣然
本文来源:雷锋网,如需作者请联系原作者。

相关实践学习
在云上部署ChatGLM2-6B大模型(GPU版)
ChatGLM2-6B是由智谱AI及清华KEG实验室于2023年6月发布的中英双语对话开源大模型。通过本实验,可以学习如何配置AIGC开发环境,如何部署ChatGLM2-6B大模型。
目录
相关文章
|
机器学习/深度学习 异构计算 Python
Bert-vits2最终版Bert-vits2-2.3云端训练和推理(Colab免费GPU算力平台)
对于深度学习初学者来说,JupyterNoteBook的脚本运行形式显然更加友好,依托Python语言的跨平台特性,JupyterNoteBook既可以在本地线下环境运行,也可以在线上服务器上运行。GoogleColab作为免费GPU算力平台的执牛耳者,更是让JupyterNoteBook的脚本运行形式如虎添翼。 本次我们利用Bert-vits2的最终版Bert-vits2-v2.3和JupyterNoteBook的脚本来复刻生化危机6的人气角色艾达王(ada wong)。
Bert-vits2最终版Bert-vits2-2.3云端训练和推理(Colab免费GPU算力平台)
|
人工智能 并行计算 调度
进行GPU算力管理
本篇主要简单介绍了在AI时代由‘大参数、大数据、大算力’需求下,对GPU算力管理和分配带来的挑战。以及面对这些挑战,GPU算力需要从单卡算力管理、单机多卡算力管理、多机多卡算力管理等多个方面发展出来的业界通用的技术。
2209 165
进行GPU算力管理
|
12月前
|
存储 人工智能 编解码
阿里云GPU云服务器深度评测:算力怪兽如何重塑AI与图形处理的未来?
在AI与高性能计算需求激增的今天,传统CPU已难满足“暴力计算”需求。阿里云GPU云服务器依托NVIDIA顶级显卡算力,结合专为GPU优化的神行工具包(DeepGPU),为深度学习、科学计算、图形渲染等领域提供高效、弹性的算力支持。本文全面解析其产品优势、工具链及六大真实应用场景,助你掌握AI时代的算力利器。
阿里云GPU云服务器深度评测:算力怪兽如何重塑AI与图形处理的未来?
|
人工智能 自动驾驶 vr&ar
探索GPU算力平台的创新应用:从游戏到自动驾驶的跨越
【8月更文第5天】本文探讨了GPU(图形处理器)在现代计算中的角色转变,从最初的图形渲染到如今成为人工智能和高性能计算的重要组成部分。我们将通过几个具体的案例研究,包括游戏渲染、虚拟现实(VR)以及自动驾驶系统,来展示GPU是如何推动这些领域的进步和发展。
449 1
|
机器学习/深度学习 人工智能 并行计算
GPU算力平台:数字化转型的核心驱动力
【8月更文第5天】随着人工智能(AI)、大数据分析以及高性能计算需求的不断增长,图形处理器(GPU)因其卓越的并行计算能力而成为加速这些领域的关键技术。GPU算力平台不仅能够显著提升计算效率,还能帮助企业更好地处理大规模数据集,支持复杂的机器学习模型训练,并促进实时数据分析。本文将探讨GPU算力平台在数字化转型中的核心作用,并通过示例代码展示其在实际应用中的优势。
948 1
|
机器学习/深度学习 人工智能 并行计算
弹性算力革命:企业级GPU云服务如何重构AI与图形处理的效能边界
企业级GPU云服务基于云计算技术,为企业提供强大的GPU资源,无需自购硬件。它广泛应用于人工智能、大数据、3D建模、动画制作、GIS及医疗影像等领域,加速深度学习训练、图形处理和科学计算,提升效率并降低成本。企业可按需获取计算资源,灵活应对业务高峰,优化成本结构,推动业务发展。
346 1
|
机器学习/深度学习 人工智能 芯片
一文详解多模态大模型发展及高频因子计算加速GPU算力 | 英伟达显卡被限,华为如何力挽狂澜?
近年来,全球范围内的芯片禁令不断升级,给许多企业和科研机构带来了很大的困扰,需要在技术层面进行创新和突破。一方面,可以探索使用国产芯片和其他不受限制的芯片来替代被禁用的芯片;另一方面,可以通过优化算法和架构等方法来降低对特定芯片的依赖程度。
1882 0
|
机器学习/深度学习 并行计算 调度
构建高效GPU算力平台:挑战、策略与未来展望
【8月更文第5天】随着深度学习、高性能计算和大数据分析等领域的快速发展,GPU(图形处理器)因其强大的并行计算能力和浮点运算速度而成为首选的计算平台。然而,随着模型规模的增长和技术的进步,构建高效稳定的GPU算力平台面临着新的挑战。本文旨在探讨这些挑战、应对策略以及对未来发展的展望。
1000 1
|
人工智能 缓存 机器人
【2024】英伟达吞噬世界!新架构超级GPU问世,AI算力一步提升30倍
英伟达在加州圣荷西的GTC大会上发布了全新的Blackwell GPU,这款拥有2080亿个晶体管的芯片将AI性能推向新高度,是公司对通用计算时代的超越。Blackwell采用多芯片封装设计,通过两颗GPU集成,解决了内存局部性和缓存问题,提供20 petaflops的FP4算力,是上一代产品的5倍。此外,新平台降低了构建和运行大规模AI模型的成本和能耗,使得大型语言模型推理速度提升30倍。黄仁勋表示,Blackwell标志着AI算力在近八年内增长了一千倍,引领了技术边界拓宽的新趋势。
|
存储 人工智能 缓存
探索AIGC未来:CPU源码优化、多GPU编程与中国算力瓶颈与发展
近年来,AIGC的技术取得了长足的进步,其中最为重要的技术之一是基于源代码的CPU调优,可以有效地提高人工智能模型的训练速度和效率,从而加快了人工智能的应用进程。同时,多GPU编程技术也在不断发展,大大提高人工智能模型的计算能力,更好地满足实际应用的需求。 本文将分析AIGC的最新进展,深入探讨以上话题,以及中国算力产业的瓶颈和趋势。
1000 1

热门文章

最新文章