Arquitetura da Rede Gonka: Sprint, Agentes de Transferência, DiLoCo

Transfer Agents — são um componente chave da arquitetura da Gonka, agindo como um gateway inteligente entre clientes e ML-nodes. Quando um usuário envia uma solicitação de IA, ela não vai diretamente para a GPU, mas para um Transfer Agent — um nó intermediário especializado que decide qual GPU processará essa solicitação.

O processo funciona assim: o cliente faz uma solicitação padrão POST /v1/chat/completions através da API compatível com OpenAI. O Transfer Agent verifica a assinatura criptográfica da solicitação, determina o modelo necessário e encontra um ML-node livre com as características adequadas. Cada ML-node, ao se registrar, publica seus parâmetros: quais modelos ele suporta, o volume de VRAM, a taxa de transferência atual e a carga. O Transfer Agent usa esses dados para balancear a carga — as tarefas são distribuídas uniformemente, e não se acumulam em um único nó.

Para garantir a tolerância a falhas, vários Transfer Agents operam simultaneamente na rede. Se um falha, o cliente muda automaticamente para outro. Cada Transfer Agent publica seu endereço através do endpoint /v1/identity, permitindo que os nós e clientes se descubram dinamicamente. Os Transfer Agents também gerenciam filas de solicitações: se todos os nós estiverem ocupados, a solicitação é colocada em fila com prioridade baseada na comissão. Esta é uma arquitetura que lembra uma CDN, mas para computação de IA — distribuída, tolerante a falhas e sem um único ponto de controle.

Sprint é um Transformador PoW 2.0, o consenso único da Gonka, que difere fundamentalmente de todos os protocolos blockchain existentes. No Bitcoin, os mineradores gastam 26 GW de energia para calcular hashes SHA-256 sem sentido – cujo único propósito é provar que a energia foi gasta. No Ethereum Proof of Stake, eles abandonaram completamente o trabalho computacional – os validadores simplesmente bloqueiam tokens, sacrificando a descentralização pela eficiência energética. O Sprint oferece um terceiro caminho.

No Sprint, cada computação é uma solicitação de IA real. O usuário envia um prompt “escreva uma função em Python” → a GPU gera uma resposta através da rede neural Qwen3-235B → essa inferência atende simultaneamente o usuário e confirma um bloco no blockchain. O resultado: 99% dos recursos da rede são usados para trabalho útil (inferência de IA), e apenas 1% para segurança criptográfica. Para comparação: no Bitcoin, 100% da energia vai para a segurança, 0% para o trabalho útil.

O trabalho da rede é organizado em épocas. Em cada época, os Transfer Agents distribuem tarefas de IA entre os nós ML. Ao final da época, um bloco é formado, contendo provas do trabalho realizado. As recompensas são distribuídas proporcionalmente à contribuição de cada nó – quanto mais solicitações uma GPU processou, mais GNK ela recebe. Isso cria um incentivo de mercado: os hosts competem por tarefas, otimizando o desempenho e reduzindo o custo de inferência para os usuários.

DiLoCo — tecnologia de treinamento distribuído de modelos de IA que resolve um problema fundamental: como treinar uma rede neural com bilhões de parâmetros quando as GPUs estão em diferentes países e conectadas pela internet comum, e não por NVLinks de alta velocidade dentro de um único data center?

A abordagem tradicional para o treinamento requer a sincronização de parâmetros após cada passo — isso só é possível com velocidades de conexão de centenas de gigabits/s, ou seja, dentro de um único cluster NVIDIA. O DiLoCo repensa o processo: os nós sincronizam os parâmetros uma vez a cada ~1000 passos, e não após cada um. Entre as sincronizações, cada nó treina localmente em seu próprio subconjunto de dados. Isso reduz os requisitos de largura de banda em três ordens de magnitude, tornando o treinamento pela internet praticamente viável.

A otimização funciona em dois níveis: localmente, cada nó usa AdamW — um otimizador padrão para transformadores. Globalmente, durante a sincronização, é aplicado o Nesterov momentum — um algoritmo que 'prevê' a direção da atualização e acelera a convergência. O resultado: modelos de 30 a 50 bilhões de parâmetros podem ser treinados em clusters de 8xH100, distribuídos pelo planeta, sem um servidor central. Para comparação: o treinamento do GPT-4 exigiu milhares de GPUs em um único data center com investimentos de bilhões de dólares. O DiLoCo potencialmente permite alcançar um resultado comparável na infraestrutura distribuída da Gonka.

Por que isso é importante? O treinamento é a parte mais cara da IA. Empresas como a OpenAI gastam centenas de milhões em um único ciclo de treinamento. O DiLoCo permite que a Gonka, com o tempo, treine seus próprios modelos com o poder da rede — sem a necessidade de construir data centers de bilhões. Isso torna a Gonka não apenas uma rede de inferência, mas uma plataforma completa de IA com integração vertical.

PoC V2 — um mecanismo de verificação que garante que cada ML-node realmente realizou o cálculo, e não devolveu lixo aleatório. Isso é criticamente importante: sem a verificação, um invasor poderia registrar um 'nó' que devolve respostas falsas e recebe recompensas sem gastar um único watt na GPU.

O mecanismo funciona através de verificação cruzada. A rede seleciona aleatoriamente 1-10% das tarefas e as envia para reexecução por outro nó. Se os resultados coincidirem — ambos os nós recebem a recompensa. Se os resultados divergirem — inicia-se um processo de arbitragem (disputa). O nó perdedor perde 20% do seu stake (garantia), que é distribuído entre os participantes honestos. Essa penalidade torna a fraude economicamente inviável: o lucro potencial das respostas falsas é significativamente menor do que o risco de perder o stake.

A velocidade da verificação é garantida por BLS-assinaturas — um primitivo criptográfico que permite agregar várias assinaturas em uma e verificá-la em menos de 10 milissegundos. Isso significa que a verificação da honestidade não retarda o funcionamento da rede — o usuário recebe a resposta sem atraso, e a verificação acontece em paralelo.

Para tarefas de treinamento de modelos (através de DiLoCo), um mecanismo adicional é usado — Proof-of-Learning. Cada nó registra na blockchain os hashes dos pesos do modelo e o estado do otimizador em cada checkpoint. Isso cria um rastro de auditoria imutável: qualquer pessoa pode verificar se o treinamento realmente ocorreu e se os pesos não foram alterados. Essa verificação de dois níveis — PoC V2 para inferência, Proof-of-Learning para treinamento — torna a Gonka uma das redes de IA descentralizadas mais seguras, auditada pela CertiK.