في الارتفاع السابق للذكاء الاصطناعي اللامركزي، أصبحت مشاريع متميزة مثل Bittensor و io.net و Olas بسرعة رواد صناعة بفضل تكنولوجياتها المتقدمة واستراتيجياتها الرؤية. ومع ذلك، مع ارتفاع تقييمات هذه المشاريع، ارتفعت أيضًا حواجز الدخول للمستثمرين العاديين. وسط التنويع الحالي في القطاع، هل لا تزال هناك فرص جديدة للمشاركة؟
Flock عبارة عن منصة تدريب وتطبيق نموذج الذكاء الاصطناعي لامركزية تجمع بين التعلم الموحد وتقنية blockchain ، مما يوفر للمستخدمين بيئة آمنة للتدريب والإدارة النموذجية مع حماية خصوصية البيانات وتسهيل المشاركة المجتمعية العادلة. اكتسب مصطلح "قطيع" مكانة بارزة لأول مرة في عام 2022 عندما أصدر فريقه المؤسس ورقة أكاديمية بعنوان "FLock: الدفاع عن السلوكيات الخبيثة في التعلم المتحالف مع تقنية البلوكشين.” اقترح الورقة استخدام تقنية سلسلة الكتل لمكافحة الأعمال الخبيثة في التعلم المتحالف. واستعرضت كيف يمكن للنهج اللامركزي تعزيز أمان البيانات والخصوصية أثناء تدريب النموذج، مما يبرز التطبيقات المحتملة لهذه الهندسة المعمارية المبتكرة في الحوسبة الموزعة.
بعد التحقق من الفكرة الأولية، أطلقت Flock الشبكة المتعددة العملاء المتمركزة للذكاء الاصطناعي، Flock Research، في عام 2023. في Flock Research، يُعد كل وكيل نموذج لغوي كبير (LLM) موازن بشكل جيد لنطاقات محددة، قادرًا على تزويد المستخدمين برؤى عبر مجموعة متنوعة من المجالات من خلال التعاون. في منتصف مايو 2024، افتتحت Flock رسميًا شبكة الاختبار لمنصة التدريب على الذكاء الاصطناعي المتمركزة، مما يتيح للمستخدمين المشاركة في تدريب النماذج وموازنتها باستخدام الرمز الاختباري FML وكسب المكافآت. حتى 30 سبتمبر 2024، تجاوز عدد المهندسين اليوميين للذكاء الاصطناعي على منصة Flock 300، مع تقديم أكثر من 15,000 نموذج بشكل إجمالي.
مع استمرار نمو المشروع ، جذبت Flock أيضا انتباه أسواق رأس المال. في مارس من هذا العام ، أكملت Flock جولة تمويل بقيمة 6 ملايين دولار بقيادة Lightspeed Faction و Tagus Capital ، بمشاركة من DCG و OKX Ventures و Inception Capital و Volt Capital. والجدير بالذكر أن القطيع هو المشروع الوحيد للبنية التحتية الذكاء الاصطناعي الذي تلقى منحةفي جولة تمويل أكاديمية مؤسسة Ethereum في عام 2024.
التعلم الاتحادي هو نهج لتعلم الآلة يسمح للكيانات المتعددة (المشار إليها في كثير من الأحيان بالعملاء) بتدريب النماذج بشكل تعاوني مع ضمان بقاء البيانات مخزنة محليًا. على عكس التعلم التقليدي للآلة، يتجنب التعلم الاتحادي رفع جميع البيانات إلى خادم مركزي، مما يحمي خصوصية المستخدم من خلال الحساب المحلي. لقد تم تطبيق هذا الأسلوب بالفعل في سيناريوهات الحياة الواقعية المختلفة؛ على سبيل المثال، قامت Google بإدخال التعلم الاتحادي في لوحة المفاتيح Gboard الخاصة بها في عام 2017 لتحسين اقتراحات الإدخال والتنبؤ بالنصوص مع ضمان عدم رفع بيانات إدخال المستخدم. كما تستخدم تسلا تكنولوجيا مماثلة في نظام القيادة الذاتية الخاص بها، مما يعزز تصور البيئة للمركبة محليًا ويقلل من الحاجة إلى نقل بيانات الفيديو الضخمة.
ومع ذلك، تواجه هذه التطبيقات لا يزال تحديات، ولا سيما فيما يتعلق بالخصوصية والأمان. أولاً، يحتاج المستخدمون إلى الثقة في الأطراف الثالثة المركزية. ثانياً، خلال عملية نقل وتجميع معلمات النموذج، من المهم منع العقد الخبيثة من تحميل بيانات كاذبة أو معلمات ضارة، والتي يمكن أن تؤدي إلى تحيزات في أداء النموذج العام أو حتى تنبؤات خاطئة. أجرى الفريق FLock بحثًا، نشر في IEEEالدراسة التي نُشرت في المجلة تشير إلى أن دقة نماذج التعلم التكاملي التقليدية تنخفض إلى 96.3% عندما تكون 10% من العقد خبيثة، وتنخفض بشكل أكبر إلى 80.1% و 70.9% عندما تزيد نسب العقد الخبيثة إلى 30% و 40% على التوالي.
للتعامل مع هذه المسائل، قدمت Flock العقود الذكية على سلسلة الكتل كـ "محرك ثقة" ضمن إطار التعلم الاتحادي الخاص بها. كمحرك ثقة، يمكن للعقود الذكية أتمتة جمع وتحقق المعلمات في بيئة لامركزية، مما يسمح بنشر نتائج النموذج بدون تحيز ومنع العقد الخبيثة من التلاعب بالبيانات. بالمقارنة مع الحلول التقليدية للتعلم الاتحادي، يظل دقة نموذج FLock فوق 95.5%، حتى مع 40% من العقد الخبيثة.
طبقة التنفيذ الذكية: تحليل ثلاث طبقات من الهندسة المعمارية لـ FLock
المشكلة الرئيسية في المشهد الذكاء الاصطناعي الحالي هي أن الموارد المخصصة للتدريب على نموذج الذكاء الاصطناعي واستخدام البيانات لا تزال مركزة بشكل كبير بين عدد قليل من الشركات الكبيرة ، مما يجعل من الصعب على المطورين والمستخدمين العاديين استخدام هذه الموارد بفعالية. وبالتالي ، يتم ترك المستخدمين مع نماذج قياسية مسبقة الصنع ولا يمكنهم تخصيصها وفقا لاحتياجاتهم الخاصة. يؤدي عدم التوافق هذا بين العرض والطلب إلى وضع لا يمكن فيه تحويلها إلى نماذج وتطبيقات قابلة للاستخدام عمليا ، على الرغم من قوة الحوسبة الوفيرة واحتياطيات البيانات في السوق.
للتغلب على هذه المشكلة ، تهدف Flock إلى أن تكون نظام جدولة فعال ينسق الطلب والموارد والقدرة الحسابية والبيانات. باستخدام تكنولوجيا Web3 ، يضع Flock نفسه كـ 'طبقة التنفيذ' ، مسؤولة في المقام الأول عن تخصيص متطلبات الذكاء الاصطناعي المخصصة للمستخدمين إلى عقد متعددة للتدريب ، باستخدام العقود الذكية لتنسيق هذه المهام عبر العقد العالمية.
بالإضافة إلى ذلك ، لضمان العدالة والكفاءة في جميع أنحاء النظام البيئي ، فإن نظام FLock مسؤول أيضا عن "طبقة التسوية" و "طبقة الإجماع". تشير طبقة التسوية إلى تحفيز وإدارة مساهمات المشاركين ، ومكافأتهم أو معاقبتهم بناء على إكمال المهمة. تتضمن طبقة الإجماع تقييم وتحسين جودة نتائج التدريب ، مما يضمن أن النماذج النهائية التي تم إنشاؤها تمثل الحل الأمثل العالمي.
تتكون الهندسة المعمارية العامة لمنتج FLock من ثلاثة وحدات رئيسية: AI Arena و FL Alliance و AI Marketplace. يتولى AI Arena التدريب الأساسي غير المركزي للنموذج، بينما يركز FL Alliance على ضبط النموذج في إطار آلية العقد الذكي، ويعمل AI Marketplace كسوق لتطبيق النموذج النهائي.
ساحة الذكاء الاصطناعي: حوافز لتدريب النموذج المحلي والتحقق من صحته
الذكاء الاصطناعي Arena هي منصة تدريب الذكاء الاصطناعي اللامركزية من Flock حيث يمكن للمستخدمين المشاركة عن طريق تخزين رموز Flock testnet (FML) والحصول على مكافآت Staking المقابلة. بمجرد أن يحدد المستخدمون النماذج التي يحتاجون إليها ويرسلون المهام ، ستقوم عقد التدريب داخل الذكاء الاصطناعي Arena بتدريب النماذج محليا باستخدام بنية النموذج الأولي المحددة ، دون الحاجة إلى تحميل البيانات مباشرة إلى خوادم مركزية. بعد أن تكمل كل عقدة التدريب ، يكون المدققون مسؤولين عن تقييم عمل عقد التدريب ، والتحقق من جودة النماذج وتسجيلها. يمكن لأولئك الذين لا يرغبون في المشاركة في عملية التحقق من الصحة تفويض الرموز المميزة الخاصة بهم إلى المدققين للحصول على مكافآت.
Dentro de la AI Arena, los mecanismos de recompensa para todos los roles dependen de dos factores principales: la cantidad de tokens apostados y la calidad de las tareas. La cantidad apostada refleja el “compromiso” de los participantes, mientras que la calidad de la tarea mide su contribución. Por ejemplo, las recompensas para los nodos de entrenamiento dependen de la cantidad apostada y la clasificación de la calidad del modelo presentado, mientras que las recompensas de los validadores dependen de la consistencia de los resultados de votación con el consenso, la cantidad de tokens apostados, y la frecuencia y la tasa de éxito de su participación en las validaciones. Los rendimientos para los delegados dependen de los validadores que elijan y la cantidad que apuesten.
ملعب الذكاء الاصطناعييدعم وضع تدريب نموذج التعلم الآلي التقليدي ، مما يتيح للمستخدمين اختيار التدريب على البيانات المحلية من أجهزتهم أو البيانات المتاحة عامًا لتحقيق أقصى أداء للنموذج النهائي. حاليًا ، يحتوي شبكة الاختبار العامة لـ AI Arena على مجموع496 عقد تدريب نشطة، 871 عقد تحقق، و 72 مندوبًا. نسبة حصة الرهان في المنصة تبلغ 97.74%، مع متوسط أرباح شهرية تبلغ 40.57% لعقد التدريب و 24.70% لعقد التحقق.
يتم اختيار النماذج ذات التقييم الأعلى على منصة AI Arena ك "نماذج الإجماع" وتُخصص لتحسين دقيق في FL Alliance. يتكون عملية التحسين الدقيق هذه من جولات متعددة. في بداية كل جولة، ينشئ النظام تلقائياً عقد ذكي FL مرتبط بالمهمة، الذي يدير تنفيذ المهمة والمكافآت. بالمثل، يُطلب من كل مشارك أن يراهن مبلغاً معيناً من رموز FML. يتم تعيين الأدوار بشكل عشوائي للمشاركين كمقترحين أو ناخبين. يستخدم المقترحون مجموعات البيانات المحلية لتدريب النموذج ويحملون معلمات النموذج المدرب أو الأوزان إلى المشاركين الآخرين. يلخص الناخبون ثم يصوتون لتقييم نتائج تحديث النموذج للمقترح.
يتم تقديم جميع النتائج إلى العقد الذكي، الذي يقارن النقاط من كل جولة مع تلك من الجولة السابقة لتقييم التحسنات أو الانخفاضات في أداء النموذج. إذا تحسنت نقطة الأداء، يتقدم النظام إلى المرحلة التالية من التدريب؛ إذا انخفضت، سيتم إعادة التدريب باستخدام النموذج الموثق سابقًا لجولة أخرى من التدريب والتلخيص والتقييم.
FL التحالفتحقق الهدف من التدريب التعاوني لنموذج عالمي مع مشاركين متعددين مع ضمان سيادة البيانات عن طريق دمج التعلم الموحد وآليات العقد الذكية. من خلال دمج مصادر البيانات المختلفة وتجميع الأوزان، يمكن أن يبني نموذجًا عالميًا يعمل بشكل أفضل ويتمتع بقدرات أكبر. بالإضافة إلى ذلك، يظهر المشاركون التزامهم بالمشاركة عن طريق رهن الرموز ويتلقون مكافآت بناءً على جودة النموذج ونتائج التوافق، مما يشكل نظامًا عادلًا وشفافًا.
النماذج المدربة في AI Arena والمضبطة بشكل جيد في FL Alliance سيتم نشرها في نهاية المطاف في AI Marketplace لاستخدامها من قبل تطبيقات أخرى. على عكس "أسواق النماذج" التقليدية، يقدم AI Marketplace ليس فقط نماذج جاهزة ولكنه يسمح أيضًا للمستخدمين بتعديل هذه النماذج ودمج مصادر بيانات جديدة لمعالجة سيناريوهات تطبيق مختلفة. علاوة على ذلك، يدمج AI Marketplace تكنولوجيا Retrieval-Augmented Generation (RAG) لتعزيز دقة النماذج في المجالات المحددة. RAG هو طريقة تعزز النماذج اللغوية الكبيرة عن طريق استرجاع معلومات ذات صلة من قواعد المعرفة الخارجية أثناء إنشاء الردود، مما يضمن أن ردود النموذج تكون أكثر دقة وشخصية.
حاليًا ، أطلق سوق الذكاء الاصطناعي العديد من النماذج المخصصة GPT استنادًا إلى سيناريوهات التطبيق المختلفة ، بما في ذلك BTC GPT ، Farcaster GPT ، Scroll GPT ، و Ethereum GPT. دعونا نأخذ BTC GPT كمثال لتوضيح الفرق بين النماذج المخصصة والنماذج العامة.
في ديسمبر 2023 ، عندما سُئلت عن "ما هو ARC20؟" بالتزامن مع BTC GPT و ChatGPT:
من استجاباتهم، يمكننا رؤية أهمية ومزايا نماذج GPT المخصصة. على عكس النماذج اللغوية ذات الغرض العام، يمكن تدريب نماذج GPT المخصصة على البيانات الخاصة بمجالات معينة، مما يوفر استجابات أكثر دقة.
مع انتعاش قطاع الذكاء الاصطناعي ، شهدت Bittensor ، أحد ممثلي مشاريع الذكاء الاصطناعي اللامركزية ، ارتفاعا رمزيا بأكثر من 93.7٪ في الأيام ال 30 الماضية ، لتصل إلى ذروتها التاريخية ، حيث تجاوزت قيمتها السوقية 4 مليارات دولار مرة أخرى. والجدير بالذكر أن شركة Flock الاستثمارية ، Digital Currency Group (DCG) ، هي أيضا واحدة من أكبر المدققين وعمال المناجم في نظام Bittensor البيئي. وفقا للمصادر ، تمتلك DCG ما يقرب من 100 مليون دولار في TAO ، وفي مقال عام 2021 من قبل "Business Insider" ، أوصى مستثمر DCG ماثيو بيك Bittensor كواحدة من أكثر 53 شركة ناشئة واعدة في مجال التشفير.
على الرغم من كونهما مشروعين مدعومين من قبل DCG، يركز كل من Flock و Bittensor على جوانب مختلفة. تهدف Bittensor على وجه التحديد إلى بناء شبكة إنترنت للذكاء الاصطناعي اللامركزية ، باستخدام "الشبكات الفرعية" كوحدتها الأساسية ، حيث تمثل كل شبكة فرعية سوقًا لامركزية. يمكن للمشاركين الانضمام كـ "المنقبين" أو "الموثقين". حاليًا ، يضم النظام البيئي لـ Bittensor 49 شبكة فرعية ، تغطي مجالات مختلفة مثل تحويل النص إلى كلام وإنتاج المحتوى وضبط النماذج اللغوية الكبيرة.
منذ العام الماضي ، كانت Bittensor نقطة محورية في السوق. من ناحية ، ارتفع سعر الرمز المميز بشكل كبير ، حيث ارتفع من 80 دولارا في أكتوبر 2023 إلى ذروة بلغت 730 دولارا هذا العام. من ناحية أخرى ، واجهت انتقادات مختلفة ، بما في ذلك أسئلة حول استدامة نموذجها ، الذي يعتمد على حوافز رمزية لجذب المطورين. بالإضافة إلى ذلك ، فإن المدققين الثلاثة الأوائل في نظام Bittensor البيئي (Opentensor Foundation و Taostats &Corcel و Foundry) يمتلكون مجتمعين ما يقرب من 40٪ من TAO المربوط ، مما يثير مخاوف المستخدمين بشأن مستوى اللامركزية.
على النقيض من ذلك، تهدف فلوك إلى توفير خدمات ذكاء اصطناعي شخصية من خلال دمج التكنولوجيا المشتركة في البلوكشين في التعلم المتحالف. تم تحديد موقع فلوك لنفسه كـ "أوبر في مجال الذكاء الاصطناعي"، ويعمل كـ "نظام جدولة متماشي مع المبادئ اللامركزية" يتطابق مع احتياجات الذكاء الاصطناعي مع المطورين. من خلال عقود الذكاء الاصطناعي في السلسلة، يدير فلوك تلقائيًا تخصيص المهام والتحقق من النتائج وتسوية الأجر، مما يضمن أن يتلقى كل مشارك حصته بشكل عادل بناءً على مساهماته. بالمثل لـ بيتنسور، يقدم فلوك أيضًا للمستخدمين الخيار للمشاركة كوكلاء.
بالضبط، يوفر Flock الأدوار التالية:
قامت Flock.io بفتح ميزة التفويض بشكل رسمي، مما يسمح لأي مستخدم برهن رموز FML لكسب المكافآت. يمكن للمستخدميناخترالأعقاب أيضا يشير إلى أن الرهن الرهن والعمليات ذات الصلة خلال مرحلة التجربة ستؤثر على مكافآت الهبوط المحتملة بعد إطلاق الشبكة الرئيسية.
في المستقبل، تهدف Flock إلى إدخال آلية بدء مهمة أكثر ودية للمستخدم تتيح للأفراد بدون خبرة في الذكاء الاصطناعي المشاركة بسهولة في إنشاء وتدريب نماذج الذكاء الاصطناعي، محققة رؤية "الجميع يمكنه المشاركة في الذكاء الاصطناعي". كما أن Flock تسعى بنشاط إلى التعاون في مجالات مختلفة، مثل تطوير نموذج تسجيل الائتمان على السلسلة الرئيسية مع Request Finance والتعاون مع Morpheus و Ritual لإنشاء نماذج بوتات التداول التي تقدم قوالب نشر بنقرة واحدة لتدريب العقد، مما يجعل من السهل على المطورين البدء وتشغيل تدريب النموذج على Akash. بالإضافة إلى ذلك، قام Flock بتدريب مساعد برمجة لغة Move لدعم المطورين على منصة Aptos.
بشكل عام، على الرغم من أن Bittensor و Flock لديهما مواقف سوقية مختلفة، إلا أن كلاهما يسعى إلى إعادة تعريف علاقات الإنتاج داخل نظام الذكاء الاصطناعي من خلال تقنيات لامركزية متميزة. هدفهما المشترك هو تفكيك احتكار العمالقة المركزيين على موارد الذكاء الاصطناعي وتعزيز نظام ذكاء اصطناعي أكثر انفتاحا وعادلا، وهو الأمر الذي يلزم بشدة في سوق اليوم.
مشاركة
في الارتفاع السابق للذكاء الاصطناعي اللامركزي، أصبحت مشاريع متميزة مثل Bittensor و io.net و Olas بسرعة رواد صناعة بفضل تكنولوجياتها المتقدمة واستراتيجياتها الرؤية. ومع ذلك، مع ارتفاع تقييمات هذه المشاريع، ارتفعت أيضًا حواجز الدخول للمستثمرين العاديين. وسط التنويع الحالي في القطاع، هل لا تزال هناك فرص جديدة للمشاركة؟
Flock عبارة عن منصة تدريب وتطبيق نموذج الذكاء الاصطناعي لامركزية تجمع بين التعلم الموحد وتقنية blockchain ، مما يوفر للمستخدمين بيئة آمنة للتدريب والإدارة النموذجية مع حماية خصوصية البيانات وتسهيل المشاركة المجتمعية العادلة. اكتسب مصطلح "قطيع" مكانة بارزة لأول مرة في عام 2022 عندما أصدر فريقه المؤسس ورقة أكاديمية بعنوان "FLock: الدفاع عن السلوكيات الخبيثة في التعلم المتحالف مع تقنية البلوكشين.” اقترح الورقة استخدام تقنية سلسلة الكتل لمكافحة الأعمال الخبيثة في التعلم المتحالف. واستعرضت كيف يمكن للنهج اللامركزي تعزيز أمان البيانات والخصوصية أثناء تدريب النموذج، مما يبرز التطبيقات المحتملة لهذه الهندسة المعمارية المبتكرة في الحوسبة الموزعة.
بعد التحقق من الفكرة الأولية، أطلقت Flock الشبكة المتعددة العملاء المتمركزة للذكاء الاصطناعي، Flock Research، في عام 2023. في Flock Research، يُعد كل وكيل نموذج لغوي كبير (LLM) موازن بشكل جيد لنطاقات محددة، قادرًا على تزويد المستخدمين برؤى عبر مجموعة متنوعة من المجالات من خلال التعاون. في منتصف مايو 2024، افتتحت Flock رسميًا شبكة الاختبار لمنصة التدريب على الذكاء الاصطناعي المتمركزة، مما يتيح للمستخدمين المشاركة في تدريب النماذج وموازنتها باستخدام الرمز الاختباري FML وكسب المكافآت. حتى 30 سبتمبر 2024، تجاوز عدد المهندسين اليوميين للذكاء الاصطناعي على منصة Flock 300، مع تقديم أكثر من 15,000 نموذج بشكل إجمالي.
مع استمرار نمو المشروع ، جذبت Flock أيضا انتباه أسواق رأس المال. في مارس من هذا العام ، أكملت Flock جولة تمويل بقيمة 6 ملايين دولار بقيادة Lightspeed Faction و Tagus Capital ، بمشاركة من DCG و OKX Ventures و Inception Capital و Volt Capital. والجدير بالذكر أن القطيع هو المشروع الوحيد للبنية التحتية الذكاء الاصطناعي الذي تلقى منحةفي جولة تمويل أكاديمية مؤسسة Ethereum في عام 2024.
التعلم الاتحادي هو نهج لتعلم الآلة يسمح للكيانات المتعددة (المشار إليها في كثير من الأحيان بالعملاء) بتدريب النماذج بشكل تعاوني مع ضمان بقاء البيانات مخزنة محليًا. على عكس التعلم التقليدي للآلة، يتجنب التعلم الاتحادي رفع جميع البيانات إلى خادم مركزي، مما يحمي خصوصية المستخدم من خلال الحساب المحلي. لقد تم تطبيق هذا الأسلوب بالفعل في سيناريوهات الحياة الواقعية المختلفة؛ على سبيل المثال، قامت Google بإدخال التعلم الاتحادي في لوحة المفاتيح Gboard الخاصة بها في عام 2017 لتحسين اقتراحات الإدخال والتنبؤ بالنصوص مع ضمان عدم رفع بيانات إدخال المستخدم. كما تستخدم تسلا تكنولوجيا مماثلة في نظام القيادة الذاتية الخاص بها، مما يعزز تصور البيئة للمركبة محليًا ويقلل من الحاجة إلى نقل بيانات الفيديو الضخمة.
ومع ذلك، تواجه هذه التطبيقات لا يزال تحديات، ولا سيما فيما يتعلق بالخصوصية والأمان. أولاً، يحتاج المستخدمون إلى الثقة في الأطراف الثالثة المركزية. ثانياً، خلال عملية نقل وتجميع معلمات النموذج، من المهم منع العقد الخبيثة من تحميل بيانات كاذبة أو معلمات ضارة، والتي يمكن أن تؤدي إلى تحيزات في أداء النموذج العام أو حتى تنبؤات خاطئة. أجرى الفريق FLock بحثًا، نشر في IEEEالدراسة التي نُشرت في المجلة تشير إلى أن دقة نماذج التعلم التكاملي التقليدية تنخفض إلى 96.3% عندما تكون 10% من العقد خبيثة، وتنخفض بشكل أكبر إلى 80.1% و 70.9% عندما تزيد نسب العقد الخبيثة إلى 30% و 40% على التوالي.
للتعامل مع هذه المسائل، قدمت Flock العقود الذكية على سلسلة الكتل كـ "محرك ثقة" ضمن إطار التعلم الاتحادي الخاص بها. كمحرك ثقة، يمكن للعقود الذكية أتمتة جمع وتحقق المعلمات في بيئة لامركزية، مما يسمح بنشر نتائج النموذج بدون تحيز ومنع العقد الخبيثة من التلاعب بالبيانات. بالمقارنة مع الحلول التقليدية للتعلم الاتحادي، يظل دقة نموذج FLock فوق 95.5%، حتى مع 40% من العقد الخبيثة.
طبقة التنفيذ الذكية: تحليل ثلاث طبقات من الهندسة المعمارية لـ FLock
المشكلة الرئيسية في المشهد الذكاء الاصطناعي الحالي هي أن الموارد المخصصة للتدريب على نموذج الذكاء الاصطناعي واستخدام البيانات لا تزال مركزة بشكل كبير بين عدد قليل من الشركات الكبيرة ، مما يجعل من الصعب على المطورين والمستخدمين العاديين استخدام هذه الموارد بفعالية. وبالتالي ، يتم ترك المستخدمين مع نماذج قياسية مسبقة الصنع ولا يمكنهم تخصيصها وفقا لاحتياجاتهم الخاصة. يؤدي عدم التوافق هذا بين العرض والطلب إلى وضع لا يمكن فيه تحويلها إلى نماذج وتطبيقات قابلة للاستخدام عمليا ، على الرغم من قوة الحوسبة الوفيرة واحتياطيات البيانات في السوق.
للتغلب على هذه المشكلة ، تهدف Flock إلى أن تكون نظام جدولة فعال ينسق الطلب والموارد والقدرة الحسابية والبيانات. باستخدام تكنولوجيا Web3 ، يضع Flock نفسه كـ 'طبقة التنفيذ' ، مسؤولة في المقام الأول عن تخصيص متطلبات الذكاء الاصطناعي المخصصة للمستخدمين إلى عقد متعددة للتدريب ، باستخدام العقود الذكية لتنسيق هذه المهام عبر العقد العالمية.
بالإضافة إلى ذلك ، لضمان العدالة والكفاءة في جميع أنحاء النظام البيئي ، فإن نظام FLock مسؤول أيضا عن "طبقة التسوية" و "طبقة الإجماع". تشير طبقة التسوية إلى تحفيز وإدارة مساهمات المشاركين ، ومكافأتهم أو معاقبتهم بناء على إكمال المهمة. تتضمن طبقة الإجماع تقييم وتحسين جودة نتائج التدريب ، مما يضمن أن النماذج النهائية التي تم إنشاؤها تمثل الحل الأمثل العالمي.
تتكون الهندسة المعمارية العامة لمنتج FLock من ثلاثة وحدات رئيسية: AI Arena و FL Alliance و AI Marketplace. يتولى AI Arena التدريب الأساسي غير المركزي للنموذج، بينما يركز FL Alliance على ضبط النموذج في إطار آلية العقد الذكي، ويعمل AI Marketplace كسوق لتطبيق النموذج النهائي.
ساحة الذكاء الاصطناعي: حوافز لتدريب النموذج المحلي والتحقق من صحته
الذكاء الاصطناعي Arena هي منصة تدريب الذكاء الاصطناعي اللامركزية من Flock حيث يمكن للمستخدمين المشاركة عن طريق تخزين رموز Flock testnet (FML) والحصول على مكافآت Staking المقابلة. بمجرد أن يحدد المستخدمون النماذج التي يحتاجون إليها ويرسلون المهام ، ستقوم عقد التدريب داخل الذكاء الاصطناعي Arena بتدريب النماذج محليا باستخدام بنية النموذج الأولي المحددة ، دون الحاجة إلى تحميل البيانات مباشرة إلى خوادم مركزية. بعد أن تكمل كل عقدة التدريب ، يكون المدققون مسؤولين عن تقييم عمل عقد التدريب ، والتحقق من جودة النماذج وتسجيلها. يمكن لأولئك الذين لا يرغبون في المشاركة في عملية التحقق من الصحة تفويض الرموز المميزة الخاصة بهم إلى المدققين للحصول على مكافآت.
Dentro de la AI Arena, los mecanismos de recompensa para todos los roles dependen de dos factores principales: la cantidad de tokens apostados y la calidad de las tareas. La cantidad apostada refleja el “compromiso” de los participantes, mientras que la calidad de la tarea mide su contribución. Por ejemplo, las recompensas para los nodos de entrenamiento dependen de la cantidad apostada y la clasificación de la calidad del modelo presentado, mientras que las recompensas de los validadores dependen de la consistencia de los resultados de votación con el consenso, la cantidad de tokens apostados, y la frecuencia y la tasa de éxito de su participación en las validaciones. Los rendimientos para los delegados dependen de los validadores que elijan y la cantidad que apuesten.
ملعب الذكاء الاصطناعييدعم وضع تدريب نموذج التعلم الآلي التقليدي ، مما يتيح للمستخدمين اختيار التدريب على البيانات المحلية من أجهزتهم أو البيانات المتاحة عامًا لتحقيق أقصى أداء للنموذج النهائي. حاليًا ، يحتوي شبكة الاختبار العامة لـ AI Arena على مجموع496 عقد تدريب نشطة، 871 عقد تحقق، و 72 مندوبًا. نسبة حصة الرهان في المنصة تبلغ 97.74%، مع متوسط أرباح شهرية تبلغ 40.57% لعقد التدريب و 24.70% لعقد التحقق.
يتم اختيار النماذج ذات التقييم الأعلى على منصة AI Arena ك "نماذج الإجماع" وتُخصص لتحسين دقيق في FL Alliance. يتكون عملية التحسين الدقيق هذه من جولات متعددة. في بداية كل جولة، ينشئ النظام تلقائياً عقد ذكي FL مرتبط بالمهمة، الذي يدير تنفيذ المهمة والمكافآت. بالمثل، يُطلب من كل مشارك أن يراهن مبلغاً معيناً من رموز FML. يتم تعيين الأدوار بشكل عشوائي للمشاركين كمقترحين أو ناخبين. يستخدم المقترحون مجموعات البيانات المحلية لتدريب النموذج ويحملون معلمات النموذج المدرب أو الأوزان إلى المشاركين الآخرين. يلخص الناخبون ثم يصوتون لتقييم نتائج تحديث النموذج للمقترح.
يتم تقديم جميع النتائج إلى العقد الذكي، الذي يقارن النقاط من كل جولة مع تلك من الجولة السابقة لتقييم التحسنات أو الانخفاضات في أداء النموذج. إذا تحسنت نقطة الأداء، يتقدم النظام إلى المرحلة التالية من التدريب؛ إذا انخفضت، سيتم إعادة التدريب باستخدام النموذج الموثق سابقًا لجولة أخرى من التدريب والتلخيص والتقييم.
FL التحالفتحقق الهدف من التدريب التعاوني لنموذج عالمي مع مشاركين متعددين مع ضمان سيادة البيانات عن طريق دمج التعلم الموحد وآليات العقد الذكية. من خلال دمج مصادر البيانات المختلفة وتجميع الأوزان، يمكن أن يبني نموذجًا عالميًا يعمل بشكل أفضل ويتمتع بقدرات أكبر. بالإضافة إلى ذلك، يظهر المشاركون التزامهم بالمشاركة عن طريق رهن الرموز ويتلقون مكافآت بناءً على جودة النموذج ونتائج التوافق، مما يشكل نظامًا عادلًا وشفافًا.
النماذج المدربة في AI Arena والمضبطة بشكل جيد في FL Alliance سيتم نشرها في نهاية المطاف في AI Marketplace لاستخدامها من قبل تطبيقات أخرى. على عكس "أسواق النماذج" التقليدية، يقدم AI Marketplace ليس فقط نماذج جاهزة ولكنه يسمح أيضًا للمستخدمين بتعديل هذه النماذج ودمج مصادر بيانات جديدة لمعالجة سيناريوهات تطبيق مختلفة. علاوة على ذلك، يدمج AI Marketplace تكنولوجيا Retrieval-Augmented Generation (RAG) لتعزيز دقة النماذج في المجالات المحددة. RAG هو طريقة تعزز النماذج اللغوية الكبيرة عن طريق استرجاع معلومات ذات صلة من قواعد المعرفة الخارجية أثناء إنشاء الردود، مما يضمن أن ردود النموذج تكون أكثر دقة وشخصية.
حاليًا ، أطلق سوق الذكاء الاصطناعي العديد من النماذج المخصصة GPT استنادًا إلى سيناريوهات التطبيق المختلفة ، بما في ذلك BTC GPT ، Farcaster GPT ، Scroll GPT ، و Ethereum GPT. دعونا نأخذ BTC GPT كمثال لتوضيح الفرق بين النماذج المخصصة والنماذج العامة.
في ديسمبر 2023 ، عندما سُئلت عن "ما هو ARC20؟" بالتزامن مع BTC GPT و ChatGPT:
من استجاباتهم، يمكننا رؤية أهمية ومزايا نماذج GPT المخصصة. على عكس النماذج اللغوية ذات الغرض العام، يمكن تدريب نماذج GPT المخصصة على البيانات الخاصة بمجالات معينة، مما يوفر استجابات أكثر دقة.
مع انتعاش قطاع الذكاء الاصطناعي ، شهدت Bittensor ، أحد ممثلي مشاريع الذكاء الاصطناعي اللامركزية ، ارتفاعا رمزيا بأكثر من 93.7٪ في الأيام ال 30 الماضية ، لتصل إلى ذروتها التاريخية ، حيث تجاوزت قيمتها السوقية 4 مليارات دولار مرة أخرى. والجدير بالذكر أن شركة Flock الاستثمارية ، Digital Currency Group (DCG) ، هي أيضا واحدة من أكبر المدققين وعمال المناجم في نظام Bittensor البيئي. وفقا للمصادر ، تمتلك DCG ما يقرب من 100 مليون دولار في TAO ، وفي مقال عام 2021 من قبل "Business Insider" ، أوصى مستثمر DCG ماثيو بيك Bittensor كواحدة من أكثر 53 شركة ناشئة واعدة في مجال التشفير.
على الرغم من كونهما مشروعين مدعومين من قبل DCG، يركز كل من Flock و Bittensor على جوانب مختلفة. تهدف Bittensor على وجه التحديد إلى بناء شبكة إنترنت للذكاء الاصطناعي اللامركزية ، باستخدام "الشبكات الفرعية" كوحدتها الأساسية ، حيث تمثل كل شبكة فرعية سوقًا لامركزية. يمكن للمشاركين الانضمام كـ "المنقبين" أو "الموثقين". حاليًا ، يضم النظام البيئي لـ Bittensor 49 شبكة فرعية ، تغطي مجالات مختلفة مثل تحويل النص إلى كلام وإنتاج المحتوى وضبط النماذج اللغوية الكبيرة.
منذ العام الماضي ، كانت Bittensor نقطة محورية في السوق. من ناحية ، ارتفع سعر الرمز المميز بشكل كبير ، حيث ارتفع من 80 دولارا في أكتوبر 2023 إلى ذروة بلغت 730 دولارا هذا العام. من ناحية أخرى ، واجهت انتقادات مختلفة ، بما في ذلك أسئلة حول استدامة نموذجها ، الذي يعتمد على حوافز رمزية لجذب المطورين. بالإضافة إلى ذلك ، فإن المدققين الثلاثة الأوائل في نظام Bittensor البيئي (Opentensor Foundation و Taostats &Corcel و Foundry) يمتلكون مجتمعين ما يقرب من 40٪ من TAO المربوط ، مما يثير مخاوف المستخدمين بشأن مستوى اللامركزية.
على النقيض من ذلك، تهدف فلوك إلى توفير خدمات ذكاء اصطناعي شخصية من خلال دمج التكنولوجيا المشتركة في البلوكشين في التعلم المتحالف. تم تحديد موقع فلوك لنفسه كـ "أوبر في مجال الذكاء الاصطناعي"، ويعمل كـ "نظام جدولة متماشي مع المبادئ اللامركزية" يتطابق مع احتياجات الذكاء الاصطناعي مع المطورين. من خلال عقود الذكاء الاصطناعي في السلسلة، يدير فلوك تلقائيًا تخصيص المهام والتحقق من النتائج وتسوية الأجر، مما يضمن أن يتلقى كل مشارك حصته بشكل عادل بناءً على مساهماته. بالمثل لـ بيتنسور، يقدم فلوك أيضًا للمستخدمين الخيار للمشاركة كوكلاء.
بالضبط، يوفر Flock الأدوار التالية:
قامت Flock.io بفتح ميزة التفويض بشكل رسمي، مما يسمح لأي مستخدم برهن رموز FML لكسب المكافآت. يمكن للمستخدميناخترالأعقاب أيضا يشير إلى أن الرهن الرهن والعمليات ذات الصلة خلال مرحلة التجربة ستؤثر على مكافآت الهبوط المحتملة بعد إطلاق الشبكة الرئيسية.
في المستقبل، تهدف Flock إلى إدخال آلية بدء مهمة أكثر ودية للمستخدم تتيح للأفراد بدون خبرة في الذكاء الاصطناعي المشاركة بسهولة في إنشاء وتدريب نماذج الذكاء الاصطناعي، محققة رؤية "الجميع يمكنه المشاركة في الذكاء الاصطناعي". كما أن Flock تسعى بنشاط إلى التعاون في مجالات مختلفة، مثل تطوير نموذج تسجيل الائتمان على السلسلة الرئيسية مع Request Finance والتعاون مع Morpheus و Ritual لإنشاء نماذج بوتات التداول التي تقدم قوالب نشر بنقرة واحدة لتدريب العقد، مما يجعل من السهل على المطورين البدء وتشغيل تدريب النموذج على Akash. بالإضافة إلى ذلك، قام Flock بتدريب مساعد برمجة لغة Move لدعم المطورين على منصة Aptos.
بشكل عام، على الرغم من أن Bittensor و Flock لديهما مواقف سوقية مختلفة، إلا أن كلاهما يسعى إلى إعادة تعريف علاقات الإنتاج داخل نظام الذكاء الاصطناعي من خلال تقنيات لامركزية متميزة. هدفهما المشترك هو تفكيك احتكار العمالقة المركزيين على موارد الذكاء الاصطناعي وتعزيز نظام ذكاء اصطناعي أكثر انفتاحا وعادلا، وهو الأمر الذي يلزم بشدة في سوق اليوم.