Arsitektur jaringan Gonka: Sprint, Transfer Agents, DiLoCo

Transfer Agents adalah komponen kunci arsitektur Gonka, yang bertindak sebagai gateway cerdas antara klien dan ML-node. Ketika pengguna mengirimkan permintaan AI, permintaan tersebut tidak langsung masuk ke GPU, melainkan ke Transfer Agent – node perantara khusus yang memutuskan GPU mana yang akan memproses permintaan ini.

Prosesnya terlihat seperti ini: klien membuat permintaan POST /v1/chat/completions standar melalui API yang kompatibel dengan OpenAI. Transfer Agent memeriksa tanda tangan kriptografi permintaan, menentukan model yang diperlukan, dan menemukan ML-node yang tersedia dengan karakteristik yang sesuai. Setiap ML-node, saat mendaftar, mempublikasikan parameternya: model apa yang didukungnya, volume VRAM, throughput saat ini, dan pemanfaatan. Transfer Agent menggunakan data ini untuk menyeimbangkan beban – tugas didistribusikan secara merata, dan tidak menumpuk di satu node.

Untuk toleransi kesalahan, beberapa Transfer Agent bekerja secara bersamaan di jaringan. Jika salah satunya gagal, klien secara otomatis beralih ke yang lain. Setiap Transfer Agent mempublikasikan alamatnya melalui endpoint /v1/identity, yang memungkinkan node dan klien untuk saling menemukan secara dinamis. Transfer Agent juga mengelola antrian permintaan: jika semua node sibuk, permintaan akan ditempatkan di antrian dengan prioritas berdasarkan biaya. Ini adalah arsitektur yang menyerupai CDN, tetapi untuk komputasi AI – terdistribusi, toleran terhadap kesalahan, dan tanpa satu titik kontrol.

Sprint adalah Transformer PoW 2.0, konsensus unik Gonka yang secara fundamental berbeda dari semua protokol blockchain yang ada. Di Bitcoin, penambang menghabiskan 26 GW daya untuk menghitung hash SHA-256 yang tidak berarti — yang satu-satunya tujuannya adalah membuktikan bahwa energi telah dikeluarkan. Di Ethereum Proof of Stake, mereka justru meninggalkan kerja komputasi — validator hanya mengunci token, mengorbankan desentralisasi demi efisiensi energi. Sprint menawarkan jalan ketiga.

Di Sprint, setiap perhitungan adalah AI-permintaan yang nyata. Pengguna mengirimkan prompt «tulis fungsi dalam Python» → GPU menghasilkan jawaban melalui salah satu model jaringan (misalnya, MiniMax M2.7) → inference ini secara bersamaan melayani pengguna dan mengonfirmasi blok di blockchain. Hasilnya: 99% sumber daya jaringan digunakan untuk pekerjaan yang bermanfaat (AI inference), dan hanya 1% untuk dukungan keamanan kriptografis. Sebagai perbandingan: di Bitcoin, 100% energi digunakan untuk keamanan, 0% untuk pekerjaan bermanfaat.

Pekerjaan jaringan diatur dalam epoch. Di setiap epoch, Transfer Agents mendistribusikan tugas AI di antara ML-node. Setelah epoch selesai, sebuah blok dibentuk yang berisi bukti pekerjaan yang dilakukan. Imbalan didistribusikan secara proporsional dengan kontribusi setiap node — semakin banyak permintaan yang diproses oleh GPU, semakin banyak GNK yang diterimanya. Hal ini menciptakan insentif pasar: host bersaing untuk mendapatkan tugas, mengoptimalkan kinerja, dan menurunkan biaya inference bagi pengguna.

DiLoCo — teknologi pelatihan model AI terdistribusi yang memecahkan masalah fundamental: bagaimana melatih jaringan saraf pada miliaran parameter ketika GPU berada di negara yang berbeda dan terhubung oleh internet biasa, bukan NVLink berkecepatan tinggi di dalam satu pusat data?

Pendekatan tradisional untuk pelatihan mengharuskan sinkronisasi parameter setelah setiap langkah — ini hanya mungkin dengan kecepatan komunikasi ratusan gigabit/detik, yaitu di dalam satu kluster NVIDIA. DiLoCo menata ulang prosesnya: node menyinkronkan parameter sekali setiap ~1000 langkah, bukan setelah setiap langkah. Di antara sinkronisasi, setiap node melatih secara lokal pada subset datanya sendiri. Ini mengurangi persyaratan bandwidth tiga kali lipat, membuat pelatihan melalui internet praktis dapat dilakukan.

Optimasi bekerja pada dua tingkatan: secara lokal, setiap node menggunakan AdamW — pengoptimal standar untuk transformer. Secara global, saat sinkronisasi, momentum Nesterov diterapkan — algoritma yang 'memprediksi' arah pembaruan dan mempercepat konvergensi. Hasilnya: model dengan 30–50 miliar parameter dapat dilatih pada kluster 8xH100, yang tersebar di seluruh planet, tanpa server sentral. Sebagai perbandingan: pelatihan GPT-4 membutuhkan ribuan GPU di satu pusat data dengan investasi miliaran dolar. DiLoCo berpotensi mencapai hasil yang sebanding pada infrastruktur Gonka yang terdistribusi.

Mengapa ini penting? Pelatihan adalah bagian termahal dari AI. Perusahaan seperti OpenAI menghabiskan ratusan juta untuk satu siklus pelatihan. DiLoCo memungkinkan Gonka untuk melatih modelnya sendiri seiring waktu menggunakan kekuatan jaringan — tanpa perlu membangun pusat data miliaran. Ini menjadikan Gonka bukan hanya jaringan inferensi, tetapi platform AI yang lengkap dengan integrasi vertikal.

PoC V2 — mekanisme verifikasi yang menjamin bahwa setiap ML-node benar-benar melakukan komputasi, dan tidak mengembalikan data acak. Ini sangat penting: tanpa verifikasi, penyerang dapat mendaftarkan 'node' yang memberikan jawaban palsu dan menerima hadiah tanpa menghabiskan satu watt pun pada GPU.

Mekanisme ini bekerja melalui pemeriksaan silang. Jaringan secara acak memilih 1–10% tugas dan mengirimkannya untuk dieksekusi ulang oleh node lain. Jika hasilnya cocok – kedua node menerima hadiah. Jika hasilnya berbeda – proses arbitrase (perselisihan) dimulai. Node yang kalah kehilangan 20% dari jaminannya (stake), yang didistribusikan di antara peserta yang jujur. Denda ini membuat penipuan tidak menguntungkan secara ekonomi: potensi pendapatan dari jawaban palsu jauh lebih kecil daripada risiko kehilangan jaminan.

Kecepatan verifikasi disediakan oleh tanda tangan BLS — primitif kriptografi yang memungkinkan agregasi banyak tanda tangan menjadi satu dan memverifikasinya dalam waktu kurang dari 10 milidetik. Ini berarti bahwa pemeriksaan kejujuran tidak memperlambat kerja jaringan – pengguna menerima jawaban tanpa penundaan, dan verifikasi terjadi secara paralel.

Untuk tugas pelatihan model (melalui DiLoCo), mekanisme tambahan digunakan – Proof-of-Learning. Setiap node mencatat hash bobot model dan status pengoptimal pada setiap checkpoint di blockchain. Ini menciptakan jejak audit yang tidak dapat diubah: siapa pun dapat memverifikasi bahwa pelatihan benar-benar berlangsung, dan bobot tidak dimanipulasi. Verifikasi dua tingkat ini – PoC V2 untuk inferensi, Proof-of-Learning untuk pelatihan – menjadikan Gonka salah satu jaringan AI terdesentralisasi yang paling aman, setelah diaudit oleh CertiK.