In der vorherigen Welle der dezentralen KI wurden herausragende Projekte wie Bittensor, io.net und Olas dank ihrer innovativen Technologien und visionären Strategien schnell zu Branchenführern. Allerdings sind mit dem Anstieg der Bewertungen dieser Projekte auch die Einstiegshürden für normale Anleger gestiegen. Gibt es trotz der aktuellen Sektorrotation noch frische Chancen zur Beteiligung?

Flock: Ein dezentrales KI-Training und Verifikationsnetzwerk

Flock ist eine dezentralisierte KI-Modell-Trainings- und Anwendungsplattform, die Föderiertes Lernen mit Blockchain-Technologie kombiniert und den Benutzern eine sichere Umgebung für das Modelltraining und -management bietet, während sie die Datensicherheit gewährleistet und eine gerechte Beteiligung der Gemeinschaft erleichtert. Der Begriff "Flock" erlangte erstmals 2022 an Bedeutung, als sein Gründungsteam ein wissenschaftliches Papier mit dem Titel " veröffentlichte.FLock: Verteidigung gegen bösartiges Verhalten beim Föderierten Lernen mit BlockchainDie Arbeit schlug vor, Blockchain zur Bekämpfung von bösartigen Handlungen im Bereich des Föderierten Lernens einzusetzen. Sie skizzierte, wie ein dezentraler Ansatz die Datensicherheit und Privatsphäre während des Modelltrainings stärken kann und zeigte die potenziellen Anwendungen dieser innovativen Architektur im Bereich des verteilten Rechnens auf.

Nach der ersten Konzeptvalidierung startete Flock im Jahr 2023 das dezentrale Multi-Agenten-KI-Netzwerk Flock Research. In Flock Research ist jeder Agent ein großes Sprachmodell (LLM), das für spezifische Bereiche feinabgestimmt ist und den Benutzern in Zusammenarbeit Einblicke in verschiedene Bereiche bietet. Mitte Mai 2024 eröffnete Flock offiziell das Testnetz für seine dezentrale KI-Trainingsplattform, die es den Benutzern ermöglicht, an der Modellschulung und -feinabstimmung unter Verwendung des Testtokens FML teilzunehmen und Belohnungen zu verdienen. Stand 30. September 2024 hat die Anzahl der täglich aktiven KI-Ingenieure auf der Flock-Plattform 300 überschritten, wobei insgesamt über 15.000 Modelle eingereicht wurden.

Da das Projekt weiter wächst, hat Flock auch die Aufmerksamkeit der Kapitalmärkte auf sich gezogen. Im März dieses Jahres schloss Flock eine Finanzierungsrunde in Höhe von 6 Millionen US-Dollar ab, die von Lightspeed Faction und Tagus Capital angeführt wurde und an der DCG, OKX Ventures, Inception Capital und Volt Capital beteiligt waren. Bemerkenswert ist, dass Flock das einzige KI-Infrastrukturprojekt, das einen Zuschuss erhalten hatin der akademischen Förderungsrunde der Ethereum Foundation 2024.

Der Eckpfeiler der Neugestaltung der Beziehungen in der KI-Produktion: Einführung von Smart Contracts für Föderiertes Lernen

Federated Learning ist ein maschinelles Lernverfahren, das es mehreren Einheiten (oft als Clients bezeichnet) ermöglicht, Modelle in Zusammenarbeit zu trainieren, während die Daten lokal gespeichert bleiben. Im Gegensatz zum traditionellen maschinellen Lernen vermeidet das föderierte Lernen das Hochladen aller Daten auf einen zentralen Server und schützt so die Privatsphäre der Benutzer durch lokale Berechnung. Diese Methode wurde bereits in verschiedenen realen Szenarien angewendet. Zum Beispiel führte Google im Jahr 2017 das föderierte Lernen in seine Gboard-Tastatur ein, um Eingabevorschläge und Textvorhersagen zu optimieren, während gleichzeitig die Benutzereingabedaten nicht hochgeladen werden. Tesla verwendet ähnliche Technologie auch in seinem autonomen Fahrsystem, um die örtliche Umweltwahrnehmung des Fahrzeugs zu verbessern und die Notwendigkeit für die Übertragung großer Videodaten zu reduzieren.

Allerdings stehen diese Anwendungen nach wie vor vor Herausforderungen, insbesondere in Bezug auf Datenschutz und Sicherheit. Erstens müssen die Benutzer zentralen Drittanbietern vertrauen. Zweitens ist es während der Übertragung und Aggregation von Modellparametern entscheidend, bösartige Knoten daran zu hindern, falsche Daten oder schädliche Parameter hochzuladen, was zu Verzerrungen in der Gesamtmodellleistung oder sogar zu fehlerhaften Vorhersagen führen könnte. Forschungen des FLock-Teams, veröffentlicht in der IEEEEin Artikel in der Zeitschrift zeigt, dass die Genauigkeit von herkömmlichen verteilten Lernmodellen auf 96,3% sinkt, wenn 10% der Knoten bösartig sind, und weiter auf 80,1% bzw. 70,9% abnimmt, wenn der Anteil bösartiger Knoten auf 30% bzw. 40% ansteigt.

Um diese Probleme zu lösen, führte Flock Smart Contracts auf der Blockchain als „Vertrauensmotor“ in sein föderiertes Lernrahmenwerk ein. Als Vertrauensmotor können Smart Contracts die Sammlung und Validierung von Parametern in einer dezentralen Umgebung automatisieren, was eine unvoreingenommene Veröffentlichung von Modellergebnissen ermöglicht und bösartige Knoten effektiv daran hindert, mit Daten zu manipulieren. Im Vergleich zu traditionellen Lösungen für föderiertes Lernen bleibt die Modellgenauigkeit von FLock auch bei 40% der bösartigen Knoten über 95,5%.

Die KI-Ausführungsschicht: Analyse der Drei-Schichten-Architektur von FLock

Das Hauptproblem in der aktuellen AI-Landschaft besteht darin, dass Ressourcen für das Training von AI-Modellen und die Nutzung von Daten nach wie vor stark auf einige große Unternehmen konzentriert sind, was es für gewöhnliche Entwickler und Benutzer schwierig macht, diese Ressourcen effektiv zu nutzen. Infolgedessen stehen den Benutzern vorgefertigte standardisierte Modelle zur Verfügung, die sie nicht an ihre spezifischen Bedürfnisse anpassen können. Diese Diskrepanz zwischen Angebot und Nachfrage führt dazu, dass trotz reichlich vorhandener Rechenleistung und Datenreserven auf dem Markt praktisch nutzbare Modelle und Anwendungen nicht umgesetzt werden können.

Um dieses Problem zu lösen, zielt Flock darauf ab, ein effektives Terminplanungssystem bereitzustellen, das die Nachfrage, Ressourcen, Rechenleistung und Daten koordiniert. Mit Hilfe des Web3-Technologiestapels positioniert sich Flock als „Ausführungsschicht“, die hauptsächlich dafür verantwortlich ist, die individuellen KI-Anforderungen der Benutzer an verschiedene dezentrale Knotenpunkte zur Schulung zuzuweisen und mithilfe von Smart Contracts diese Aufgaben über globale Knotenpunkte zu orchestrieren.

Darüber hinaus ist das FLock-System auch für die „Siedlungsschicht“ und die „Konsensschicht“ verantwortlich, um Fairness und Effizienz im gesamten Ökosystem zu gewährleisten. Die Siedlungsschicht bezieht sich darauf, Teilnehmerbeiträge zu belohnen oder zu bestrafen, basierend auf der Aufgabenerfüllung. Die Konsensschicht beinhaltet die Bewertung und Optimierung der Qualität der Trainingsergebnisse, um sicherzustellen, dass die generierten Modelle die globale optimale Lösung repräsentieren.

Die Gesamtproduktarchitektur von FLock besteht aus drei Hauptmodulen: AI Arena, FL Alliance und AI Marketplace. Die AI Arena ist für das dezentrale grundlegende Modelltraining verantwortlich, FL Alliance konzentriert sich auf die Feinabstimmung des Modells unter dem Smart-Contract-Mechanismus und AI Marketplace dient als Endmodellanwendungsmarkt.

AI Arena: Anreize für lokalisierte Modell-Training und Validierung

AI Arena ist Flocks dezentralisierte KI-Trainingsplattform, auf der Benutzer durch das Setzen von Flock-Testnetz-Token (FML) teilnehmen und entsprechende Setzbelohnungen erhalten können. Sobald Benutzer die Modelle definieren, die sie benötigen, und Aufgaben einreichen, werden Trainingsknoten innerhalb der KI-Arena die Modelle lokal trainieren, indem sie die spezifische Anfangsmodellarchitektur verwenden, ohne direkte Daten-Uploads auf zentralisierte Server zu benötigen. Nachdem jeder Knoten das Training abgeschlossen hat, sind Validatoren dafür verantwortlich, die Arbeit der Trainingsknoten zu bewerten, die Qualität der Modelle zu überprüfen und sie zu bewerten. Diejenigen, die nicht am Validierungsprozess teilnehmen möchten, können ihre Token zur Belohnung an Validatoren delegieren.

Innerhalb der AI Arena hängen die Belohnungsmechanismen für alle Rollen von zwei Kernfaktoren ab: der Menge der gesetzten Token und der Qualität der Aufgaben. Die gesetzte Menge spiegelt das „Engagement“ der Teilnehmer wider, während die Aufgabenqualität ihren Beitrag misst. Zum Beispiel hängen die Belohnungen für Schulungsknoten von der gesetzten Menge und dem Ranking der eingereichten Modellqualität ab, während die Belohnungen der Validatoren von der Konsistenz der Abstimmungsergebnisse mit dem Konsens, der Anzahl der gesetzten Token sowie der Häufigkeit und Erfolgsquote ihrer Beteiligung an Validierungen abhängen. Die Renditen für Delegierende hängen von den von ihnen gewählten Validatoren und der von ihnen gesetzten Menge ab.

AI Arenaunterstützt traditionelle Trainingsmodi für maschinelles Lernen und ermöglicht es Benutzern, zwischen dem Training mit lokalen Daten von ihren Geräten oder öffentlich verfügbaren Daten zu wählen, um die Leistung des endgültigen Modells zu maximieren. Derzeit steht das öffentliche Testnetzwerk der AI Arena zur Verfügung.insgesamt496 aktive Schulungsknoten, 871 Validierungsknoten und 72 Delegierende. Das Stake-Verhältnis der Plattform liegt bei 97,74%, mit durchschnittlichen monatlichen Einnahmen von 40,57% für Schulungsknoten und 24,70% für Validierungsknoten.

FL Alliance: Eine Feinabstimmungsplattform, die von Smart Contracts verwaltet wird

Die am höchsten bewerteten Modelle auf AI Arena werden als „Konsensmodelle“ ausgewählt und FL Alliance für weitere Feinabstimmung zugewiesen. Dieser Feinabstimmungsprozess besteht aus mehreren Runden. Zu Beginn jeder Runde erstellt das System automatisch einen FL-Smart-Vertrag, der mit der Aufgabe verbunden ist und die Aufgaben-Ausführung und Belohnungen verwaltet. Ebenso ist jeder Teilnehmer verpflichtet, eine bestimmte Menge an FML-Token zu setzen. Die Teilnehmer werden zufällig als Entwickler oder Wähler eingeteilt. Die Entwickler verwenden ihre lokalen Datensätze, um das Modell zu trainieren und die trainierten Modellparameter oder -gewichte an andere Teilnehmer hochzuladen. Die Wähler fassen dann zusammen und bewerten die Aktualisierungsergebnisse des Entwicklers.

Alle Ergebnisse werden an den Smart Contract übermittelt, der die Punktzahlen jeder Runde mit denen der vorherigen Runde vergleicht, um Verbesserungen oder Verschlechterungen in der Modellleistung zu bewerten. Wenn sich die Leistungsnote verbessert, geht das System in die nächste Schulungsphase über; wenn sie sich verschlechtert, wird das Training mit dem zuvor validierten Modell für eine weitere Runde Schulung, Zusammenfassung und Bewertung neu gestartet.

FL Allianceerreicht das Ziel, ein globales Modell unter Beteiligung mehrerer Teilnehmer gemeinsam zu trainieren und gleichzeitig die Datenhoheit durch die Kombination von föderiertem Lernen und Smart-Vertragsmechanismen zu gewährleisten. Durch die Integration verschiedener Datenquellen und die Aggregation von Gewichten kann es ein globales Modell aufbauen, das besser funktioniert und über größere Fähigkeiten verfügt. Darüber hinaus zeigen die Teilnehmer ihr Engagement für die Teilnahme, indem sie Tokens einschreiben und Belohnungen basierend auf der Modellqualität und den Konsensergebnissen erhalten, was ein faires und transparentes Ökosystem bildet.

AI-Marktplatz: Wie kann man personalisierte KI-Dienste bereitstellen?

Die in AI Arena trainierten Modelle und in FL Alliance optimierten Modelle werden letztendlich im AI Marketplace bereitgestellt und von anderen Anwendungen verwendet. Im Gegensatz zu herkömmlichen "Modellmarktplätzen" bietet der AI Marketplace nicht nur fertige Modelle an, sondern ermöglicht es den Benutzern auch, diese Modelle zu modifizieren und neue Datenquellen zu integrieren, um unterschiedliche Anwendungsszenarien anzusprechen. Darüber hinaus verwendet der AI Marketplace die Retrieval-Augmented Generation (RAG)-Technologie, um die Genauigkeit von Modellen in bestimmten Bereichen zu verbessern. RAG ist eine Methode, die große Sprachmodelle durch Abrufen relevanter Informationen aus externen Wissensdatenbanken während der Antwortgenerierung erweitert, um sicherzustellen, dass die Antworten des Modells genauer und persönlicher sind.

Aktuell hat der AI-Marktplatz viele maßgeschneiderte GPT-Modelle für verschiedene Anwendungsszenarien eingeführt, darunter BTC GPT, Farcaster GPT, Scroll GPT und Ethereum GPT. Lassen Sie uns BTC GPT als Beispiel nehmen, um den Unterschied zwischen maßgeschneiderten Modellen und allgemeinen Modellen zu erläutern.

Im Dezember 2023, als gleichzeitig BTC GPT und ChatGPT gefragt wurden: „Was ist ARC20?“

• BTC GPT antwortete: "Das ARC20-Protokoll basiert auf dem Bitcoin-Netzwerk und ermöglicht es den Nutzern, digitale Gegenstände wie NFTs und fungible Token zu erstellen, zu übertragen und zu aktualisieren. Mit dem ARC20-Protokoll können nicht-fungible NFTs und fungible Token im Bitcoin-Netzwerk generiert werden. Das Haupt-Token des ARC20-Protokolls ist ATOM, das für verschiedene Zwecke innerhalb des Protokolls verwendet wird."
• ChatGPTantwortete: „Nach meinem letzten Wissensstand im Januar 2022 gab es in den Bereichen Technologie, Finanzen oder anderen gängigen Bereichen keinen allgemein anerkannten Standard oder keine Technologie namens ARC20. Es ist möglich, dass seitdem eine neue Technologie oder ein neuer Standard namens ARC20 entstanden ist, aber ich habe keine relevanten Informationen dazu.“

Aus ihren Antworten können wir die Bedeutung und Vorteile von maßgeschneiderten GPT-Modellen erkennen. Im Gegensatz zu allgemeinen Sprachmodellen können maßgeschneiderte GPT-Modelle auf Daten trainiert werden, die spezifisch für bestimmte Bereiche sind, und liefern damit genauere Antworten.

Was sind die Ähnlichkeiten und Unterschiede zwischen Flock und Bittensor, die beide von DCG unterstützt werden?

Da sich der KI-Sektor wiederbelebt, hat Bittensor, einer der Vertreter dezentraler KI-Projekte, in den letzten 30 Tagen einen Anstieg seines Tokens um über 93,7% verzeichnet und damit fast sein historisches Hoch erreicht. Seine Marktkapitalisierung übersteigt erneut 4 Milliarden Dollar. Bemerkenswert ist, dass die Investmentfirma Flock des Digital Currency Group (DCG) auch einer der größten Validatoren und Miner im Bittensor-Ökosystem ist. Laut Quellen hält DCG etwa 100 Millionen Dollar in TAO, und in einem Artikel von „Business Insider“ aus dem Jahr 2021 empfahl der DCG-Investor Matthew Beck Bittensor als eines der 53 vielversprechendsten Krypto-Startups.

Obwohl es sich bei beiden um Projekte handelt, die von der DCG unterstützt werden, konzentrieren sich Flock und Bittensor auf unterschiedliche Aspekte. Konkret zielt Bittensor darauf ab, ein dezentrales KI-Internet aufzubauen, wobei "Subnetze" als Grundeinheit verwendet werden, wobei jedes Subnetz einen dezentralen Markt darstellt. Die Teilnehmer können als "Miner" oder "Validatoren" beitreten. Derzeit umfasst das Bittensor-Ökosystem 49 Subnetze, die verschiedene Bereiche wie Text-to-Speech, Content-Generierung und Feinabstimmung großer Sprachmodelle abdecken.

Seit dem letzten Jahr ist Bittensor ein Schwerpunkt auf dem Markt. Einerseits ist der Tokenpreis in die Höhe geschossen und stieg von 80 $ im Oktober 2023 auf einen Höchststand von 730 $ in diesem Jahr. Andererseits sah es sich verschiedenen Kritiken gegenüber, darunter Fragen zur Nachhaltigkeit seines Modells, das auf Token-Anreizen zur Anziehung von Entwicklern beruht. Darüber hinaus halten die drei besten Validatoren im Bittensor-Ökosystem (Opentensor Foundation, Taostats & Corcel und Foundry) zusammen fast 40% der gesteckten TAO, was bei den Nutzern Bedenken hinsichtlich des Grades der Dezentralisierung hervorruft.

Im Gegensatz dazu zielt Flock darauf ab, personalisierte KI-Dienste anzubieten, indem es Blockchain in das föderierte Lernen integriert. Flock positioniert sich als das „Uber des KI-Bereichs“ und fungiert als „dezentrales Terminierungssystem“, das KI-Bedürfnisse mit Entwicklern abgleicht. Durch On-Chain-Smart Contracts verwaltet Flock automatisch die Aufgabenverteilung, die Ergebnisvalidierung und die Belohnungsabwicklung und stellt sicher, dass jeder Teilnehmer fair einen Anteil entsprechend seiner Beiträge erhält. Ähnlich wie Bittensor bietet Flock den Benutzern auch die Möglichkeit, als Delegierte teilzunehmen.

Konkret bietet Flock die folgenden Rollen an:

• Training Nodes:Diese Knoten können an KI-Aufgaben-Trainingswettbewerben teilnehmen, indem sie Tokens setzen, die für Benutzer mit Rechenkapazitäten und KI-Entwicklungserfahrung geeignet sind.
• Validatoren:Sie müssen auch Tokens einsetzen, um dem Netzwerk beizutreten, sind verantwortlich für die Überprüfung der Qualität der Modelle der Miner und beeinflussen die Verteilung von Belohnungen durch eingereichte Validierungspunkte.
• Delegatoren:Sie können Token an Miner- und Validator-Knoten delegieren, um das Gewicht dieser Knoten bei der Aufgabenverteilung zu erhöhen und gleichzeitig an den Belohnungen teilzuhaben, die von den delegierten Knoten verdient werden. Dies ermöglicht es Benutzern ohne technisches Fachwissen bei der Schulung oder Validierung von Aufgaben, am Netzwerk teilzunehmen und Belohnungen zu verdienen.

Flock.io hat offiziell die Delegationsfunktion eröffnet, die es jedem Benutzer ermöglicht, FML-Token zu setzen, um Belohnungen zu verdienen. Benutzer könnenwählendie optimalen Knoten basierend auf ihren erwarteten annualisierten Renditen, um ihre Staking-Belohnungen zu maximieren. Flock zeigt auch an, dass das Staking und damit verbundene Operationen während der Testnetzphase die potenziellen Airdrop-Belohnungen nach dem Start des Mainnets beeinflussen werden.

In Zukunft will Flock einen benutzerfreundlicheren Task-Initiierungsmechanismus einführen, der es Personen ohne KI-Expertise ermöglicht, einfach an der Erstellung und Schulung von KI-Modellen teilzunehmen und die Vision von „jeder kann an KI teilnehmen“ zu verwirklichen. Flock verfolgt auch aktiv verschiedene Zusammenarbeiten, wie die Entwicklung eines On-Chain-Kredit-Score-Modells mit Request Finance und die Partnerschaft mit Morpheus und Ritual zur Erstellung von Handelsbot-Modellen, die Ein-Klick-Bereitstellungsvorlagen für Schulungsknoten bieten und es Entwicklern so einfach machen, mit der Modellschulung auf Akash zu beginnen und diese durchzuführen. Darüber hinaus hat Flock einen Move-Sprachprogrammierassistenten geschult, um Entwickler auf der Aptos-Plattform zu unterstützen.

Insgesamt streben Bittensor und Flock trotz unterschiedlicher Marktpositionen beide an, Produktionsbeziehungen innerhalb des KI-Ökosystems durch unterschiedliche dezentralisierte Technologien neu zu definieren. Ihr gemeinsames Ziel ist es, das Monopol zentralisierter Riesen über KI-Ressourcen abzubauen und ein offeneres und gerechteres KI-Ökosystem zu fördern, das auf dem heutigen Markt dringend benötigt wird.

Haftungsausschluss:

1. Dieser Artikel wurde von [ wiedergegebenchainfeeds], Alle Urheberrechte gehören dem Originalautor [ Linda Bell]. Wenn es Einwände gegen diesen Nachdruck gibt, kontaktieren Sie bitte die Gate LearnTeam, und sie werden es umgehend bearbeiten.
2. Haftungsausschluss: Die in diesem Artikel geäußerten Ansichten und Meinungen sind ausschließlich die des Autors und stellen keine Anlageberatung dar.
3. Übersetzungen des Artikels in andere Sprachen werden vom Gate Learn Team durchgeführt. Sofern nicht anders angegeben, ist das Kopieren, Verteilen oder Plagiieren der übersetzten Artikel untersagt.