Architektura sieci Gonka: Sprint, Transfer Agents, DiLoCo

Transfer Agents to kluczowy komponent architektury Gonka, pełniący rolę inteligentnej bramy między klientami a ML-nodami. Kiedy użytkownik wysyła zapytanie AI, trafia ono nie bezpośrednio na GPU, lecz na Transfer Agenta — wyspecjalizowany węzeł pośredniczący, który decyduje, które GPU przetworzy to zapytanie.

Proces wygląda następująco: klient wykonuje standardowe zapytanie POST /v1/chat/completions za pośrednictwem API zgodnego z OpenAI. Transfer Agent sprawdza kryptograficzny podpis zapytania, określa wymagany model i znajduje wolny ML-nodus z odpowiednimi charakterystykami. Każdy ML-nodus podczas rejestracji publikuje swoje parametry: jakie modele obsługuje, objętość VRAM, aktualną przepustowość i obciążenie. Transfer Agent wykorzystuje te dane do równoważenia obciążenia — zadania są rozdzielane równomiernie, a nie gromadzą się na jednym nodusie.

Dla zapewnienia odporności na awarie w sieci działa jednocześnie kilku Transfer Agents. Jeśli jeden ulegnie awarii — klient automatycznie przełącza się na innego. Każdy Transfer Agent publikuje swój adres za pośrednictwem punktu końcowego /v1/identity, co pozwala nodusom i klientom dynamicznie się wzajemnie odnajdywać. Transfer Agents zarządzają również kolejkami zapytań: jeśli wszystkie nodusy są zajęte, zapytanie jest umieszczane w kolejce z priorytetem opartym na prowizji. Jest to architektura przypominająca CDN, ale dla obliczeń AI — rozproszona, odporna na awarie i bez pojedynczego punktu kontroli.

Sprint — to Transformer PoW 2.0, unikalny konsensus Gonka, który fundamentalnie różni się od wszystkich istniejących protokołów blockchain. W Bitcoinie górnicy zużywają 26 GW mocy na obliczanie bezsensownych hashów SHA-256 — których jedynym celem jest udowodnienie, że energia została zużyta. W Ethereum Proof of Stake całkowicie zrezygnowano z pracy obliczeniowej — walidatorowie po prostu blokują tokeny, poświęcając decentralizację na rzecz efektywności energetycznej. Sprint oferuje trzecią drogę.

W Sprincie każde obliczenie — to rzeczywiste zapytanie AI. Użytkownik wysyła prompt „napisz funkcję w Pythonie” → GPU generuje odpowiedź za pośrednictwem sieci neuronowej Qwen3-235B → ta inferencja jednocześnie obsługuje użytkownika i potwierdza blok w blockchainie. Rezultat: 99% zasobów sieci idzie na użyteczną pracę (inferencję AI), a tylko 1% — na kryptograficzne zabezpieczenie. Dla porównania: w Bitcoinie 100% energii idzie na bezpieczeństwo, 0% — na użyteczną pracę.

Praca sieci jest zorganizowana w epoki. W każdej epoce Transfer Agents rozdzielają zadania AI między węzły ML. Po zakończeniu epoki tworzony jest blok zawierający dowody wykonanej pracy. Nagrody są rozdzielane proporcjonalnie do wkładu każdego węzła — im więcej zapytań przetworzyło GPU, tym więcej GNK otrzymuje. To tworzy rynkową zachętę: hosty konkurują o zadania, optymalizując wydajność i obniżając koszt inferencji dla użytkowników.

DiLoCo — technologia rozproszonego szkolenia modeli AI, która rozwiązuje fundamentalny problem: jak szkolić sieć neuronową na miliardach parametrów, gdy GPU znajdują się w różnych krajach i są połączone zwykłym internetem, a nie szybkim NVLinkiem wewnątrz jednego centrum danych?

Tradycyjne podejście do szkolenia wymaga synchronizacji parametrów po każdym kroku — jest to możliwe tylko przy prędkości komunikacji rzędu setek gigabitów/s, czyli w ramach jednego klastra NVIDIA. DiLoCo na nowo definiuje proces: węzły synchronizują parametry raz na około 1000 kroków, a nie po każdym. Pomiędzy synchronizacjami każdy węzeł szkoli się lokalnie na swoim podzbiorze danych. Zmniejsza to wymagania dotyczące przepustowości o trzy rzędy wielkości, dzięki czemu szkolenie przez internet staje się praktycznie wykonalne.

Optymalizacja działa na dwóch poziomach: lokalnie każdy węzeł używa AdamW — standardowego optymalizatora dla transformatorów. Globalnie, przy synchronizacji, stosuje się Nesterov momentum — algorytm, który „przewiduje” kierunek aktualizacji i przyspiesza konwergencję. Rezultat: modele 30–50 miliardów parametrów można szkolić na klastrach 8xH100, rozmieszczonych na całym świecie, bez centralnego serwera. Dla porównania: szkolenie GPT-4 wymagało tysięcy GPU w jednym centrum danych z inwestycjami miliardów dolarów. DiLoCo potencjalnie pozwala osiągnąć porównywalny wynik na rozproszonej infrastrukturze Gonka.

Dlaczego to jest ważne? Szkolenie to najdroższa część AI. Firmy takie jak OpenAI wydają setki milionów na jeden cykl szkolenia. DiLoCo pozwala Gonka z czasem szkolić własne modele siłami sieci — bez konieczności budowania centrów danych za miliardy. To sprawia, że Gonka staje się nie tylko siecią wnioskowania, ale pełnoprawną platformą AI z pionową integracją.

PoC V2 — mechanizm weryfikacji, który gwarantuje, że każdy nodus ML faktycznie wykonał obliczenia, a nie zwrócił przypadkowych danych. Jest to krytycznie ważne: bez weryfikacji złośliwy podmiot mógłby zarejestrować „nodus”, który zwraca fałszywe odpowiedzi i otrzymuje nagrody, nie zużywając ani wata na GPU.

Mechanizm działa poprzez wzajemną weryfikację. Sieć losowo wybiera 1–10% zadań i wysyła je do ponownego wykonania innemu nodusowi. Jeśli wyniki się zgadzają — oba nodusy otrzymują wynagrodzenie. Jeśli wyniki się różnią — rozpoczyna się proces arbitrażu (spór). Przegrywający nodus traci 20% swojej kaucji (stake), która jest rozdzielana między uczciwych uczestników. Ta kara sprawia, że oszustwo jest ekonomicznie nieopłacalne: potencjalne dochody z fałszywych odpowiedzi są znacznie mniejsze niż ryzyko utraty kaucji.

Szybkość weryfikacji zapewniają BLS-podpisy — kryptograficzny prymityw, który pozwala agregować wiele podpisów w jeden i weryfikować go w mniej niż 10 milisekund. Oznacza to, że sprawdzenie uczciwości nie spowalnia pracy sieci — użytkownik otrzymuje odpowiedź bez opóźnień, a weryfikacja odbywa się równolegle.

Dla zadań szkolenia modeli (za pośrednictwem DiLoCo) stosuje się dodatkowy mechanizm — Proof-of-Learning. Każdy węzeł zapisuje w blockchainie hashe wag modelu i stanu optymalizatora w każdym punkcie kontrolnym. Tworzy to niezmienny ślad audytu: każdy może sprawdzić, czy szkolenie naprawdę się odbyło, a wagi nie zostały podmienione. Taka dwupoziomowa weryfikacja — PoC V2 dla wnioskowania, Proof-of-Learning dla szkolenia — czyni Gonka jedną z najlepiej chronionych zdecentralizowanych sieci AI, która przeszła audyt CertiK.