Được viết bởi: Eito Miyamura
Biên soạn bởi: TechFlow TechFlow
GatlingX là một dự án do cựu sinh viên Đại học Oxford dẫn đầu tập trung vào học máy và học tăng cường. Gần đây, họ đã ra mắt "GPU-EVM" - theo kết quả điểm chuẩn nội bộ, đây có thể là máy ảo Ethereum (EVM) mạnh nhất trên thị trường.
Đội ngũ phát triển cho biết GPU-EVM là một giải pháp mở rộng EVM mạnh mẽ đến mức các tác nhân trí tuệ nhân tạo dựa trên học tăng cường (RL) hiện đại có thể được đào tạo về nó. Nó thúc đẩy việc thực thi song song nhiều ứng dụng Ethereum để giúp đào tạo các tác nhân AI tìm ra lỗ hổng bảo mật.
GPU-EVM sử dụng các đơn vị xử lý đồ họa (GPU) để thực hiện các hoạt động song song, từ đó tăng thông lượng giao dịch. Đội ngũ tuyên bố rằng GPU-EVM có thể xử lý nhiệm vụ nhanh hơn gần 100 lần so với các EVM hiệu suất cao hiện tại, bao gồm cả evmone và revm. Điều này chủ yếu là do khả năng xử lý nhiều tác vụ cùng lúc của GPU, tận dụng kiến trúc vốn dĩ phù hợp cho việc xử lý song song.
GPU-EVM tận dụng sức mạnh của các đơn vị xử lý đồ họa (GPU) để chạy song song các hoạt động của Máy ảo Ethereum(EVM). Điều này có nghĩa là thay vì thực hiện nhiệm vụ một cách tuần tự, GPU-EVM có thể xử lý nhiều nhiệm vụ cùng lúc, tăng tốc đáng kể khả năng tính toán. Bước đột phá này của đội ngũ cựu sinh viên Khoa học Máy tính/Trí tuệ Nhân tạo của Đại học Oxford đã cải thiện đáng kể tính kinh tế đơn vị của các phép tính trên Máy ảo Ethereum mỗi giây.
Máy ảo Ethereum(EVM) là một máy ảo tiêu chuẩn công nghiệp chạy các hợp đồng thông minh và là nền tảng của công nghệ blockchain hiện đại. EVM là một hệ điều hành giống như blockchain cho phép giao dịch mà không cần tin tưởng vào bên thứ ba trên nhiều máy tính phân tán thông qua phần mềm máy trạm dựa trên CPU.
Với GPU-EVM và những cải tiến về hiệu suất mà nó mang lại, nó mang lại những cải tiến lớn về chức năng cho đội ngũ kỹ thuật đầy tham vọng ở hạ nguồn: cung cấp cơ sở hạ tầng cho các mô hình AI/RL tương tác với EVM, tăng tốc L2, MEV, kiểm tra ngược, v.v. (Chi tiết bên dưới)
GPU-EVM: Mô hình mới cho điện toán EVM
Nvidia khởi đầu là một công ty chuyên tập trung vào lĩnh vực chơi game nhưng hiện là công ty chủ chốt trong lĩnh vực điện toán và đi đầu trong cuộc cách mạng trí tuệ nhân tạo. Sự phát triển này phản ánh sự thay đổi từ Định luật Moore, vốn dự đoán sức mạnh tính toán sẽ tăng gấp đôi cứ sau hai năm, sang Định luật Huang, được đặt theo tên Giám đốc điều hành Nvidia Jensen Huang. Định luật Huang cho rằng rằng nhờ sự tích hợp giữa phần cứng, phần mềm và trí tuệ nhân tạo, hiệu suất GPU sẽ tăng hơn gấp đôi trong vòng hai năm, vượt qua CPU, khiến GPU trở thành cốt lõi của việc tăng tốc nhiệm vụ phức tạp.
Khi chúng ta đạt đến các giới hạn của Định luật Moore, việc phụ thuộc vào tính song song của GPU báo trước một kỷ nguyên điện toán mới, một sự chuyển đổi từ tiến trình do CPU thống trị sang tiến trình do GPU điều khiển (tham khảoChia tỷ lệ Dennard , định luật Amdahl ). Sự thay đổi này, giống như việc chuyển từ đường một làn sang đường cao tốc nhiều làn, không chỉ đẩy nhanh quá trình mà còn cho phép thực hiện nhiều hoạt động đồng thời hơn, từ đó mở rộng khả năng công nghệ.
Nghịch lý của Jevons minh họa rõ ràng hiệu ứng này: Cũng giống như hiệu quả của bóng đèn LED dẫn đến việc sử dụng rộng rãi hơn chứ không phải ít hơn, hiệu quả được nâng cao và chi phí giảm của GPU-EVM mở ra lượng lớn khả năng mới. Nó vượt xa việc tiết kiệm tài nguyên để xúc tác cho sự đổi mới và áp dụng công nghệ blockchain và hơn thế nữa, hứa hẹn một tương lai trong đó hiệu quả của điện toán GPU thúc đẩy tăng trưởng theo cấp số nhân trong các ứng dụng điện toán.
Hiệu suất GPU-EVM
Tận dụng những tiến bộ đáng kể về sức mạnh tính toán đa năng của GPU hiện đại, chúng tôi đã cải thiện hiệu suất của GPU-EVM so với hiệu suất của GPU truyền thống. Gấp hơn 100 lần mức độ đáng kinh ngạc của EVM . GPU hiện đại được thiết kế với hàng nghìn lõi có khả năng xử lý nhiều tác vụ cùng lúc, khiến chúng trở nên lý tưởng cho nhiệm vụ xử lý song song. Ưu điểm kiến trúc vốn có này cho phép GPU-EVM thực hiện song song lượng lớn lệnh EVM, giúp tăng tốc đáng kể tốc độ và hiệu quả tính toán.
Để đo lường một cách khách quan mức độ cải thiện hiệu suất do GPU-EVM mang lại, chúng tôi đã tiến hành kiểm tra điểm chuẩn toàn diện bằng cách sử dụng các công cụ mã nguồn mở do EVM Bench cung cấp. Công cụ này cho phép chúng tôi mô phỏng các hoạt động EVM khác nhau và so sánh thời gian thực hiện giữa EVM dựa trên CPU truyền thống và GPU-EVM của chúng tôi.
So với các mô hình điện toán truyền thống, GPU-EVM tận dụng sức mạnh xử lý vô song của GPU để hoàn toàn dẫn đầu, thiết lập chuẩn mực mới cho hiệu suất và hiệu quả của EVM.
Với nền tảng kỹ thuật này, chúng ta hãy khám phá cách GPU-EVM có thể cách mạng hóa các lĩnh vực như đào tạo AI và mô phỏng DeFi, đồng thời mở ra những biên giới mới cho các ứng dụng blockchain.
Sử dụng EVM để đào tạo AI Agent
Trí tuệ nhân tạo đang thay đổi thế giới, dẫn đầu là ChatGPT và các chatbot LLM khác, áp dụng kiến thức về học tăng cường (RL), được đào tạo thông qua học tăng cường từ phản hồi của con người. Về cốt lõi, RL thể hiện quá trình đào tạo AI Agent để đưa ra quyết định bằng cách tương tác với hoàn cảnh khen thưởng cho hành vi đúng đắn. Phương pháp học tập này rất quan trọng vì nó phản ánh cách cơ bản mà con người và động vật học hỏi từ hoàn cảnh, khiến nó trở thành nền tảng cho sự phát triển của các hệ thống thông minh có khả năng thích ứng và tối ưu hóa hành vi của chúng.
Chiến thắng mang tính bước ngoặt của AlphaGo trước nhà vô địch thế giới cờ vây thể hiện sức mạnh biến đổi của RL. Đây không chỉ là một trò chơi; nó còn thể hiện những cách mà thông qua RL, AI có thể khám phá các chiến lược và giải pháp vượt qua tầm nhìn sâu sắc của con người, thông qua mô phỏng và tương tác với hoàn cảnh phức tạp của bàn cờ vây. Bước đột phá này nêu bật bản chất của RL: cho phép AI Agent điều hướng một cách tự chủ và học hỏi từ hoàn cảnh của chúng để đạt được các mục tiêu cụ thể, được hướng dẫn bởi hệ thống khen thưởng.
Tuy nhiên, hành trình đạt được bước đột phá về AI này thông qua RL còn nhiều thách thức về mặt tính toán. Hoàn cảnh mô phỏng cho AI đòi hỏi tài nguyên tính toán lượng lớn. Sự xuất hiện của hoàn cảnh mô phỏng song song với GPU, chẳng hạn như Isaac Gym của NVIDIA, Brax của Google và JAX-LOB, đã đóng một vai trò quan trọng trong việc vượt qua những trở ngại này. Bằng cách tận dụng GPU để song song hóa hoàn cảnh mô phỏng, các nền tảng này đạt được các cải tiến hiệu suất từ 100 lần đến 250.000 lần, giúp các khía cạnh tính toán của RL trở nên khả thi và hiệu quả hơn. Do điểm nghẽn trong đào tạo AI thường là băng thông giao tiếp để truyền dữ liệu giữa CPU và GPU, nên việc song song hóa GPU cho phép cải thiện tốc độ này và đã trở thành tiêu chuẩn ngành trong cộng đồng nghiên cứu RL.
Trong thế giới trí tuệ nhân tạo đang phát triển nhanh chóng, GPU-EVM, với tư cách là hoàn cảnh mô phỏng song song GPU, trực tiếp thúc đẩy việc đào tạo AI Agent trong hệ sinh thái blockchain . Trong đó những ứng dụng hấp dẫn là trong ngành tài chính, nơi GPU-EVM có thể cách mạng hóa các hệ thống phát hiện gian lận theo thời gian thực. Lịch sử cho thấy tầm quan trọng của các hệ thống này, Max Levchin đã phát triển cơ chế chống gian lận đầu tiên của PayPal để ngăn công ty phá sản. Bằng cách cho phép AI tài chính mô phỏng và phân tích hàng triệu giao dịch chỉ trong vài giây, nó có thể xác định các mô hình hoạt động gian lận bất thường với tốc độ và độ chính xác chưa từng có. Khả năng này, trước đây có thể mất nhiều ngày để triển khai, thể hiện sự thay đổi đáng kể trong cách các tổ chức tài chính bảo vệ chống gian lận. Bằng cách tích hợp AI Agent và EVM vào GPU-EVM, một cách mới đã được mở ra để áp dụng các nguyên tắc học tăng cường (RL) trong lĩnh vực blockchain. Tại đây, AI Agent học hỏi và cải thiện bằng cách xác định chính xác các giao dịch gian lận dựa trên chức năng thưởng được xác định trước.
Tăng tốc/mô phỏng L2
Sự xuất hiện của các giải pháp lớp thứ hai sẽ rất quan trọng để tăng thông lượng của Ethereum , từ đó thúc đẩy việc áp dụng nó trong các ứng dụng chính thống, đặc biệt là trong thanh toán. Bằng cách xử lý các giao dịch bên ngoài blockchain Ethereum chính (lớp một), L2 nâng cao đáng kể năng lực của mạng trong khi vẫn duy trì các nguyên tắc cơ bản về bảo mật và phân cấp. Không giống như các hệ thống dựa trên CPU truyền thống, GPU-EVM hoạt động độc lập và có thể tích hợp cũng như tăng tốc liền mạch các giải pháp L2 hiện có. Việc tăng tốc này có thể đạt được thông qua nhiều phương pháp khác nhau, bao gồm tối ưu hóa các chức năng xem và áp dụng các thuật toán như tìm kiếm cây Monte Carlo để đạt được việc xây dựng khối và sắp xếp giao dịch hiệu quả hơn.
Tuy nhiên, việc khai thác vai trò của EVM song song trong bối cảnh gia tốc L2 rất phức tạp và cần được thực hiện nghiêm túc. Tăng tốc trực tiếp L2 thông qua EVM song song không đơn giản như người ta tưởng. Để thực sự khai thác sức mạnh của EVM song song, cần phải nỗ lực phối hợp để đổi mới thiết kế các giải pháp L2 và cơ sở dữ liệu của chúng. Điều này được thể hiện rõ qua các công việc như:
Mặc dù các sắc thái của tích hợp GPU-EVM với giải pháp L2 đầy hứa hẹn nhưng điều quan trọng cần lưu ý là có những thách thức khác cần được giải quyết. Những điểm nghẽn chính trong nỗ lực này bao gồm giải quyết các hạn chế liên quan đến lưu trữ, quản lý Chuỗi dài các giao dịch phụ thuộc lẫn nhau và giảm chi phí phình to của nhà nước. Chỉ riêng GPU-EVM không thể giải quyết được tất cả những vấn đề này. Do đó, trong bối cảnh tăng tốc L2, nỗ lực chung thông qua thiết kế đổi mới các giải pháp L2 và cơ sở dữ liệu làm nền tảng cho chúng là chìa khóa để vượt qua những trở ngại này và hiện thực hóa đầy đủ lợi ích của GPU-EVM.
Thử nghiệm mô phỏng/fuzz DeFi
Cải thiện hiệu suất cơ bản của GPU-EVM đã mang lại những thay đổi mang tính cách mạng cho mô phỏng DeFi và thử nghiệm fuzz. Sự gia tăng đáng kể về khả năng xử lý dữ liệu này cho phép phát hiện các trường hợp nguy hiểm trong chiến lược và thiết kế giao thức DeFi mà trước đây chưa được xem xét, từ đó phát hiện các lỗ hổng mới có thể bị ẩn. Để minh họa tầm quan trọng của tiến trình này, phương pháp dựa trên CPU truyền thống có thể được so sánh với súng nước, trong khi GPU-EVM giống như một vòi nước mạnh mẽ hơn, cung cấp phương tiện tiêu diệt sâu bệnh hiệu quả hơn.
Nhờ những cải tiến cơ bản về hiệu suất của GPU-EVM, bộ làm mờ chạy trên nền tảng này có thể khám phá sâu và chạy ở tốc độ chóng mặt, xác định các trường hợp khó khăn trong vài giây. Điều này trái ngược với các bộ làm mờ dựa trên CPU, có thể mất hàng tuần hoặc thậm chí hàng tháng để tìm ra vấn đề tương tự. Khả năng chạy các bộ làm mờ tiên tiến này trên GPU-EVM cho phép giám sát liên tục các hợp đồng thông minh, đặc biệt là các hợp đồng trong sản xuất thực tế. Các hệ thống tự động này được thiết kế để không ngừng thách thức các hợp đồng thông minh, cố gắng thấy trước các lỗ hổng tiềm ẩn trước vài bước, giống như một ván cờ chiến lược, với mục tiêu cuối cùng là đảm bảo mức độ bảo mật cao nhất.
Các sản phẩm sắp ra mắt của chúng tôi thể hiện phương pháp tiên tiến này để mô phỏng DeFi và thử nghiệm fuzz. Hãy chú ý theo dõi vì điều này xác định lại tiêu chuẩn về khả năng phục hồi và bảo mật của hợp đồng thông minh.
Giới thiệu về GatlingX
GatlingX là phòng thí nghiệm cơ sở hạ tầng ứng dụng và trí tuệ nhân tạo tập trung vào phát triển cơ sở hạ tầng công nghệ nặng. Nhiệm vụ của chúng tôi là tạo ra nhiều sản phẩm ứng dụng blockchain hoạt động ở cấp độ cơ sở hạ tầng chuyên sâu.
Chúng tôi tin rằng có một số vấn đề kỹ thuật cực kỳ khó khăn mà ngành công nghiệp blockchain không sẵn lòng giải quyết vì chúng quá khó. Bảo mật nhanh và rẻ, hiệu suất tính toán và tốc độ là những điều kiện tiên quyết cần thiết cho một hệ sinh thái blockchain phát triển mạnh mẽ, nhưng chúng cũng là những vấn đề cực kỳ khó khăn gây ra nhiều đau đớn. Chúng tôi tin rằng không ai có thể giải quyết được những vấn đề này trừ khi chúng tôi tập hợp được những người giải quyết vấn đề giỏi nhất trên thế giới để giải quyết nó.
Chúng tôi cam kết thúc đẩy những phát triển công nghệ mới nhất trong các lĩnh vực như trí tuệ nhân tạo, GPU, blockchain và điện toán phân tán, những lĩnh vực rất quan trọng để thúc đẩy tiến bộ công nghệ toàn cầu.
Chúng tôi là một nhóm cuồng tín: nếu chúng tôi có thể mua thứ gì đó có sẵn, chúng tôi sẽ mua. Nếu không, chúng tôi tự xây dựng nó.
Sử dụng GPU-EVM
GPU-EVM hiện đang ở chế độ truy cập sớm ở chế độ riêng tư khi chúng tôi mở rộng dung lượng GPU. Nếu bạn quan tâm đến việc sử dụng GPU-EVM trong công việc kỹ thuật của mình, vui lòng điền vào biểu mẫu này để tham gia danh sách chờ.
Đội ngũ của chúng tôi tuy nhỏ nhưng vô cùng tài năng. Đội ngũ sáng lập của chúng tôi bao gồm các cựu sinh viên Đại học Oxford, những người đã đạt được những thành tựu đột phá về cơ sở hạ tầng, ứng dụng trí tuệ nhân tạo, làm việc tại các công ty như Crowdstrike, Wayve, Citadel Securities và tạo ra các dự án sâu rộng như ZKMicrophone và Graphite.
