Reddio技术概览：从并行EVM到AI的叙事综述

作者：雾月，极客web3

在区块链技术迭代越来越快的今天，针对性能的优化已然成为了一个关键议题，以太坊路线图已经非常明确以Rollup为中心，而EVM串行处理交易的特性是一种桎梏，无法满足未来的高并发计算场景。

在之前的文章——《从Reddio看并行EVM的优化之路》中，我们曾对Reddio的并行EVM设计思路进行了简要概述，而在今天的文章中，我们将对其技术方案，以及其和AI的结合场景进行更深入的解读。

由于Reddio的技术方案采用了CuEVM，这是一个利用GPU提升EVM执行效率的项目，我们将先从CuEVM开始说起。

CUDA概览

CuEVM是一个用GPU对EVM进行加速的项目，它将以太坊EVM的操作码转换为CUDA Kernels，以在NVIDIA GPU上并行执行。通过GPU的并行计算能力，来提高EVM指令的执行效率。可能N卡用户会常听到CUDA这个词——

Compute Unified Device Architecture，这其实是NVIDIA开发的一种并行计算平台和编程模型。它允许开发者利用GPU的并行计算能力进行通用计算（例如Crypto中的挖矿、ZK运算等），而不仅限于图形处理。

作为一个开放的并行计算框架，CUDA本质是C/C 语言的扩展，任何熟悉C/C 的底层程序员都可以快速上手。而在CUDA中一个很重要的概念是Kernel（核函数），它也是一种C 函数。

但与常规C 函数只执行一次不同，这些核函数在被启动语法<<<...>>>调用时会由N个不同的CUDA线程并行执行N次。

CUDA的每个线程都被分配了独立的thread ID，并且采用线程层次结构，将线程分配为块(block)和网格(grid)，以便于管理大量的并行线程。通过NVIDIA的nvcc编译器，我们就可以将CUDA代码编译为可在GPU上运行的程序。

CuEVM的基础工作流程

在理解了CUDA的一系列基础概念后，就可以看下CuEVM的工作流了。

CuEVM的主入口为run_interpreter，从这里以json文件的形式，输入要并行处理的交易。从项目用例中可以看出，输入的都是标准的EVM内容，无需开发者另行处理、翻译等。

在run_interpreter()中可以看到，它使用CUDA定义的<<…>>语法调用了kernel_evm()核函数。我们上文提到过，核函数是会在GPU中并行调用。

在kernel_evm()方法中会调用到evm->run()，我们可以看到这里面有大量的分支判断来将EVM操作码转换为CUDA操作。

以EVM中的加法操作码OP_ADD为例，可以看到它将ADD转化为了cgbn_add。而CGBN(Cooperative Groups Big Numbers)就是CUDA高性能的多精度整数算术运算库。

这两步将EVM操作码转化为了CUDA操作。可以说，CuEVM也是对所有EVM操作在CUDA上的实现。最后，run_interpreter()方法返回运算结果，也即世界状态及其他信息即可。

至此CuEVM的基本运行逻辑已经介绍完毕。

CuEVM是有并行处理交易的能力，但CuEVM立项的目的（或者说主要展示的用例）是用来做Fuzzing测试的：Fuzzing是一种自动化的软件测试技术，它通过向程序输入大量无效、意外或随机的数据，以观察程序的响应，从而识别潜在的错误和安全问题。

我们可以看出Fuzzing非常适合并行处理。而CuEVM并不处理交易冲突等问题，那并不是它所关心的问题。如果想要集成CuEVM，那么还需对冲突交易进行处理。

我们在之前的文章《从Reddio看并行EVM的优化之路》中已经介绍过Reddio使用的冲突处理机制，这里不再赘述。Reddio在将交易用冲突处理机制排序完后，再发送进入CuEVM即可。换言之，Reddio L2的交易排序机制可以分为冲突处理 CuEVM并行执行两部分。

Layer2，并行EVM，AI的三岔路口

前文说并行EVM和L2仅仅是Reddio的起点，而其未来的路线图中将明确和AI叙事相结合。使用GPU进行高速并行交易的Reddio，在诸多特性上天生适合AI运算：

• GPU 的并行处理能力强，适合执行深度学习中的卷积运算，这些运算本质上是大规模的矩阵乘法，而 GPU 专为这类任务优化。

• GPU 的线程分级结构能够与 AI 计算中的不同数据结构对应关系相匹配，通过线程超配和 Warp 执行单元来提高计算效率并掩盖内存延迟。

• 计算强度是衡量 AI 计算性能的关键指标，GPU 通过优化计算强度，如引入 Tensor Core，来提升 AI 计算中矩阵乘法的性能，实现计算与数据传输之间的有效平衡。

那么AI与L2到底如何结合呢？

我们知道在Rollup的架构设计中，整个网络中其实并不仅仅是排序器，也会有一些类似监督者、转发者的角色，来验证或搜集交易，他们本质上都使用了与排序器同样的客户端，只是承担的职能不一样。在传统的Rollup中这些次要角色的职能和权限非常有限，如Arbitrum中的watcher这种角色，基本是被动性和防御性与公益性的，其盈利模式也值得怀疑。

Reddio会采用去中心化排序器的架构，矿工提供GPU作为节点。整个Reddio网络可以从单纯的L2演进为L2 AI的综合网络，它可以很好地实现一些AI 区块链用例：

AI Agent的交互基础网络

随着区块链技术的不断演进，AI Agent在区块链网络中的应用潜力巨大。我们以执行金融交易的AI Agent为例，这些智能代理可以自主进行复杂的决策和执行交易操作，甚至能在高频条件下快速反应。然而，L1在处理此类密集操作时，基本不可能承载巨大交易负载。

而Reddio作为L2项目，通过GPU加速可以大幅提高交易并行处理能力。相比L1，支持并行执行交易的L2具备更高的吞吐量，可以高效处理大量AI Agent的高频交易请求，确保网络的流畅运行。

在高频交易中，AI Agents对于交易速度和响应时间的要求极其苛刻。L2减少交易的验证和执行时间，从而显著降低延迟。这对于需要在毫秒级响应的AI Agent至关重要。通过将大量交易迁移至L2，也有效缓解了主网的拥堵问题。使得AI Agents的操作更加经济高效。

随着Reddio等L2项目的成熟，AI Agent将在区块链上发挥更重要的作用，推动DeFi和其他区块链应用场景与AI结合的创新。

去中心化算力市场

Reddio未来会采用去中心化排序器的架构，矿工以GPU算力来决定排序权利，整体网络参与者的GPU的性能会随着竞争逐渐提升，甚至能够达到用来作为AI训练的水平。

构建去中心化的GPU算力市场，为AI训练和推理提供更低成本的算力资源。算力从小到大，从个人计算机到机房集群，各种等级的GPU算力都可以加入该市场贡献自己的闲置算力并赚取收益，这种模式可以降低AI计算成本，让更多人参与AI模型开发和应用。

在去中心化算力市场用例中，排序器可能并不主要负责AI的直接的运算，其主要职能一是处理交易，二是在整个网络中协调AI算力。而关于算力和任务分配，这里面有两种模式：

• 自上而下的中心化分配。由于有排序器，排序器可以将受到的算力请求分配给符合需求且名望较好的节点。这种分配方式虽然理论上存在中心化和不公平的问题，但实际上其带来的效率优势远大于其弊端，并且长远来看排序器必须满足整个网络的正和性才能长远发展，也即有隐性但直接的制约确保排序器不会有太严重的偏向。

• 自下而上的自发任务选择。用户也可以将AI运算请求提交给第三方节点，在特定的AI应用领域这显然比直接提交给排序器更有效率，也能防止排序器的审查和偏向。在运算完毕后该节点再将运算结果同步给排序器并上链。

我们可以看出在L2 AI的架构中，算力市场有极高的灵活性，可以从两个方向集结算力，最大程度上提升资源的利用率。

链上AI推理

目前，开源模型的成熟度已经足以满足多样化的需求。随着AI推理服务的标准化，探索如何将算力上链以实现自动化定价成为可能。然而这需要克服多项技术挑战：

1. 高效请求分发与记录： 大模型推理对延迟要求高，高效请求分发机制非常关键。尽管请求和响应的数据量庞大且具私密性，不宜在区块链上公开，但也必须找到记录和验证的平衡点——例如，通过存储hash实现。

2. 算力节点输出的验证： 节点是否真正地完成了所制定的运算任务？如，节点虚报用小模型运算结果代替大模型。

3. 智能合约推理：将AI模型结合智能合约进行运算在很多场景下是必须的。由于AI推理具有不确定性，并不可能用于链上的方方面面，所以未来的AI dApp的逻辑很可能一部分位于链下而另一部分位于链上合约，链上合约对链下提供的输入的有效性和数值合法性进行限定。而在以太坊生态中，与智能合约结合就必须面对EVM的低效率的串行性。

但在Reddio的架构中，这些都相对容易解决：

1. 排序器对请求的分发是远比L1高效的，可以认为等同于Web2的效率。而对于数据的记录位置和保留方式，可以由各种价格便宜的DA方案来解决。

2. AI的运算结果可以最终由ZKP来验证其正确性和善意性。而ZKP的特点是验证非常快，但生成证明较慢。而ZKP的生成也恰好可以使用GPU或者TEE加速。

3. Solidty → CUDA → GPU这一条EVM并行主线本就是Reddio的基础。所以表面上看这个对Reddio而言是最简单的问题。目前Reddio正与AiI6z的eliza合作，将其模块引入Reddio，这是一个非常值得探索的方向。

总结

整体来看，Layer2解决方案、并行EVM以及AI技术这几个领域看似互不相关，但Reddio通过充分利用GPU的运算特性，巧妙地将这几大创新领域有机地结合在了一起。

通过利用GPU的并行计算特性，Reddio在Layer2上提升了交易速度和效率，使得以太坊二层的性能得以增强。将AI技术融入区块链更是一个新颖且前景广阔的尝试。AI的引入可以为链上操作提供智能化的分析和决策支持，从而实现更为智能和动态的区块链应用。这种跨领域的整合，无疑为整个行业的发展开辟了新的道路和机遇。

然而，需要注意的是，这一领域仍处于早期阶段，仍需大量的研究和探索。技术的不断迭代和优化，以及市场先行者的想象力和行动，将是推动这项创新走向成熟的关键驱动力。Reddio已经在这个交汇点上迈出了重要且大胆的一步，我们期待未来在这一整合领域中，能看到更多的突破与惊喜。