引言：Gonka PoW 2.0的核心機制

Gonka PoW 2.0的核心思想是將傳統的工作量證明轉化為有意義的AI計算任務。本文將深入剖析其兩大核心機制：計算挑戰的生成與防作弊驗證體系，展示這項創新共識機制如何在確保運算有用性的同時，建立可靠的防作弊保障體系。

整個流程可以概括為以下圖示：

1. 計算挑戰的生成機制

計算挑戰是Gonka PoW 2.0的核心，它將傳統的工作量證明轉化為有意義的AI計算任務。與傳統PoW不同，Gonka的計算挑戰不是簡單的哈希計算，而是一次完整的深度學習推理過程，既保證了網路安全，又產生了可用的計算結果。

1.1 種子系統的統一管理

所有計算過程都由統一的種子驅動，確保全網節點運行相同的計算任務。這種設計保證了計算的可重現性和公平性，每個節點都必須執行相同的計算任務才能獲得有效的結果。

資料來源：mlnode/packages/pow/src/pow/compute/compute.py#L217-L225

種子系統的關鍵要素包括：

-區塊雜湊：作為主種子，確保計算任務的一致性

-公鑰：標識計算節點的身份

-區塊高度：確保時間同步

-參數配置：控制模型架構與運算複雜度

1.2 LLaMA模型權重的確定性初始化

每個計算任務都從統一的LLaMA模型架構開始，透過區塊雜湊確定性初始化權重。這種設計確保了所有節點使用相同的模型結構和初始權重，從而保證計算結果的一致性。

資料來源：mlnode/packages/pow/src/pow/models/llama31.py#L32-L51

權重初始化的數學原理：

-常態分佈：N(0, 0.02²) - 小方差確保梯度穩定性

-確定性：相同區塊哈希產生相同權重

-記憶體效率：支援float16精確度以減少顯存佔用

1.3 目標向量產生與距離計算

目標向量在高維單位球面上均勻分佈，這是計算挑戰公平性的關鍵。透過在高維空間中產生均勻分佈的目標向量，確保了計算挑戰的隨機性和公平性。

資料來源：mlnode/packages/pow/src/pow/random.py#L165-L177

在4096維的詞彙表空間中，球面幾何具有以下特性：

-單位長度：

-角度分佈：任兩個隨機向量的夾角趨向於90°

-集中現象：大部分質量分佈在球面表面附近

球面均勻分佈的數學原理：

在n維空間中，單位球面上的均勻分佈可以透過以下方式產生：

1. 首先產生n個獨立的標準常態分配隨機變數：

2. 然後進行歸一化：

這種方法確保了產生的向量在球面上均勻分佈，數學表達式為：

其中是n-1維球面的表面積。

距離計算是驗證計算結果的關鍵步驟，透過計算模型輸出與目標向量的歐氏距離來衡量計算的有效性：

資料來源：基於mlnode/packages/pow/src/pow/compute/compute.py中的處理邏輯

距離計算的步驟：

1.排列應用：依排列種子重排輸出維度

2.向量歸一化：確保所有輸出向量位於單位球面上

3.距離計算：計算與目標向量的歐氏距離

4.批次封裝：將結果封裝為ProofBatch資料結構

2. 防作弊驗證機制

為了確保計算挑戰的公平性和安全性，系統設計了精密的防作弊驗證系統。此機制透過確定性採樣和統計檢定來驗證計算的真實性，防止惡意節點透過作弊來獲得不當收益。

2.1 ProofBatch資料結構

計算結果被封裝為ProofBatch資料結構，這是驗證流程的核心載體。 ProofBatch包含了計算節點的身份資訊、時間戳記以及計算結果，為後續的驗證提供了必要的資料基礎。

資料來源：mlnode/packages/pow/src/pow/data.py#L8-L25

ProofBatch資料結構的特性：

-身分識別：public_key唯一識別計算節點

-區塊鏈綁定：block_hash和block_height確保時間同步

-計算結果：nonces和dist記錄所有嘗試及其距離值

-子批次支援：支援提取滿足閾值的成功計算

2.2 確定性採樣機制

為了提高驗證效率，系統採用了確定性取樣機制，只驗證部分計算結果而非全部。這種設計既保證了驗證的有效性，也大大降低了驗證成本。

Gonka的驗證取樣率透過鏈上參數統一管理，確保全網一致性：

資料來源：inference-chain/proto/inference/inference/params.proto#L75-L78

資料來源：inference-chain/x/inference/types/params.go#L129-L133

基於種子系統，取樣過程完全確定性，確保驗證的公平性。透過使用SHA-256雜湊函數和驗證者的公鑰、區塊雜湊、區塊高度等資訊來產生種子，確保所有驗證者使用相同的取樣策略：

資料來源：decentralized-api/mlnodeclient/poc.go#L175-L201

確定性採樣的優點：

-公平性：所有驗證者使用相同的採樣策略

-效率：只驗證部分數據，降低驗證成本

-安全性：難以預測被採樣的數據，防止作弊

2.3 統計學詐欺檢測

系統使用二項分佈檢定來偵測詐欺行為，透過統計方法判斷計算節點是否誠實。這種方法基於硬體精度和計算複雜度設定了預期的錯誤率，並透過統計檢定來檢測異常。

資料來源：mlnode/packages/pow/src/pow/data.py#L7

預期錯誤率的設定考慮了以下因素：

-浮點精度：不同硬體的浮點運算精度差異

-平行計算：GPU並行化導致的數值累積誤差

-隨機性：模型權重初始化的微小差異

-系統差異：不同作業系統和驅動的計算行為差異

資料來源：mlnode/packages/pow/src/pow/data.py#L174-L204

總結：建構安全可靠的AI運算網絡

Gonka PoW 2.0透過精心設計的運算挑戰和防作弊驗證機制，成功地將區塊鏈的安全需求與AI運算的實際價值結合。計算挑戰確保了工作的意義性，而防作弊機制則保障了網路的公平性和安全性。

這種設計不僅驗證了"有意義挖礦"的技術可行性，更為分散式AI計算建立了新的標準：計算必須既安全又有用，既可驗證又高效。

透過將統計學、密碼學和分散式系統設計結合，Gonka PoW 2.0成功地在保證計算有用性的同時，建立了可靠的防作弊機制，為"有意義挖礦"的技術路線提供了堅實的安全基礎。

註：本文基於Gonka專案的實際程式碼實作和設計文件編寫，所有技術分析和配置參數均來自專案官方程式碼庫。

關於Gonka.ai

Gonka 是一個旨在提供高效AI 算力的去中心化網絡，其設計目標是最大限度地利用全球GPU 算力，完成有意義的AI 工作負載。透過消除中心化守門人，Gonka 為開發者和研究人員提供了無需許可的算力資源訪問，同時透過其原生代幣GNK 獎勵所有參與者。

Gonka 由美國AI 開發商Product Science Inc. 孵化。該公司由Web 2 產業資深人士、前Snap Inc. 核心產品總監Libermans 兄妹創立，並於2023 年成功融資1,800 萬美元，投資者包括OpenAI 投資方Coatue Management、Solana 投資方Slow Ventures、K 5、Insight and Benchmark 合夥人等。計畫的早期貢獻者包括6 blocks、Hard Yaka、Gcore 和Bitfury 等Web 2-Web 3 領域的知名領導企業。

官網| Github | X | Discord |白皮書|經濟模型|使用手冊