En el surgimiento anterior de la IA descentralizada, proyectos destacados como Bittensor, io.net y Olas rápidamente se convirtieron en líderes de la industria gracias a sus tecnologías de vanguardia y estrategias visionarias. Sin embargo, a medida que las valoraciones de estos proyectos se disparan, las barreras de entrada para los inversores regulares también han aumentado. En medio de la actual rotación del sector, ¿todavía existen oportunidades frescas para participar?

Flock: Una red descentralizada de entrenamiento y verificación de IA

Flock es una plataforma descentralizada de entrenamiento y aplicación de modelos de IA que combina el aprendizaje federado con la tecnología blockchain, ofreciendo a los usuarios un entorno seguro para el entrenamiento y la gestión de modelos mientras se protege la privacidad de los datos y se facilita la participación justa de la comunidad. El término 'Flock' ganó prominencia por primera vez en 2022 cuando su equipo fundador publicó un artículo académico titulado 'gate'.FLock: Defendiendo comportamientos maliciosos en el aprendizaje federado con blockchainEl documento propuso el uso de la cadena de bloques para combatir acciones maliciosas en el aprendizaje federado. Se delineó cómo un enfoque descentralizado puede fortalecer la seguridad y privacidad de los datos durante el entrenamiento del modelo, mostrando las posibles aplicaciones de esta innovadora arquitectura en la computación distribuida.

Después de la validación inicial del concepto, Flock lanzó la red AI descentralizada multiagente, Flock Research, en 2023. En Flock Research, cada Agente es un gran modelo de lenguaje (LLM) ajustado para dominios específicos, capaz de proporcionar a los usuarios conocimientos en diversos campos mediante la colaboración. A mediados de mayo de 2024, Flock abrió oficialmente la red de prueba para su plataforma de entrenamiento de AI descentralizada, permitiendo a los usuarios participar en el entrenamiento y ajuste de modelos utilizando el token de prueba FML y ganar recompensas. Hasta el 30 de septiembre de 2024, el número de ingenieros de AI activos diarios en la plataforma de Flock ha superado los 300, con más de 15,000 modelos presentados en total.

A medida que el proyecto continúa creciendo, Flock también ha atraído la atención de los mercados de capital. En marzo de este año, Flock completó una ronda de financiación de $6 millones liderada por Lightspeed Faction y Tagus Capital, con la participación de DCG, OKX Ventures, Inception Capital y Volt Capital. Cabe destacar que Flock es el único proyecto de infraestructura de IA que recibe una subvenciónen la ronda de financiamiento académico de la Fundación Ethereum en 2024.

La Piedra Angular de la Reconfiguración de las Relaciones de Producción de IA: Introducción de Contratos Inteligentes para el Aprendizaje Federado

El Aprendizaje Federado es un enfoque de aprendizaje automático que permite a múltiples entidades (a menudo denominadas clientes) entrenar modelos de forma colaborativa mientras se asegura que los datos permanezcan almacenados de forma local. A diferencia del aprendizaje automático tradicional, el aprendizaje federado evita subir todos los datos a un servidor central, protegiendo así la privacidad del usuario a través de la computación local. Este método ya se ha aplicado en varios escenarios del mundo real; por ejemplo, Google introdujo el aprendizaje federado en su teclado Gboard en 2017 para optimizar sugerencias de entrada y predicciones de texto asegurándose de que los datos de entrada del usuario no se suban. Tesla también emplea una tecnología similar en su sistema de conducción autónoma, mejorando la percepción ambiental del vehículo de forma local y reduciendo la necesidad de una transmisión masiva de datos de video.

Sin embargo, estas aplicaciones todavía enfrentan desafíos, especialmente en cuanto a la privacidad y la seguridad. En primer lugar, los usuarios necesitan confiar en terceros centralizados. En segundo lugar, durante la transmisión y agregación de los parámetros del modelo, es crucial evitar que los nodos maliciosos carguen datos falsos o parámetros dañinos, lo que podría provocar sesgos en el rendimiento general del modelo o incluso predicciones erróneas. La investigación realizada por el equipo FLock, publicada en el IEEEun artículo indica que la precisión de los modelos tradicionales de aprendizaje federado disminuye a un 96.3% cuando el 10% de los nodos son maliciosos, y disminuye aún más a un 80.1% y 70.9% cuando las proporciones de nodos maliciosos aumentan a un 30% y 40%, respectivamente.

Para abordar estos problemas, Flock introdujo contratos inteligentes en la cadena de bloques como un "motor de confianza" dentro de su marco de aprendizaje federado. Como motor de confianza, los contratos inteligentes pueden automatizar la recopilación y validación de parámetros en un entorno descentralizado, permitiendo la publicación imparcial de resultados del modelo y evitando eficazmente que los nodos maliciosos manipulen los datos. En comparación con las soluciones tradicionales de aprendizaje federado, la precisión del modelo de Flock sigue siendo superior al 95.5%, incluso con un 40% de los nodos siendo maliciosos.

La Capa de Ejecución de IA: Analizando la Arquitectura de Tres Capas de FLock

El problema clave en el panorama actual de la IA es que los recursos para el entrenamiento de modelos de IA y el uso de datos siguen altamente concentrados entre unas pocas grandes empresas, lo que hace difícil que los desarrolladores y usuarios ordinarios utilicen efectivamente estos recursos. En consecuencia, los usuarios se quedan con modelos estandarizados preconstruidos y no pueden personalizarlos según sus necesidades específicas. Esta discrepancia entre la oferta y la demanda lleva a una situación en la que, a pesar del abundante poder de computación y las reservas de datos en el mercado, no se pueden transformar en modelos y aplicaciones prácticamente utilizables.

Para abordar este problema, Flock tiene como objetivo servir como un sistema de programación eficaz que coordina la demanda, los recursos, la potencia informática y los datos. Basándose en la pila de tecnología Web3, Flock se posiciona como la "capa de ejecución", principalmente responsable de asignar los requisitos de inteligencia artificial personalizados de los usuarios a varios nodos descentralizados para su entrenamiento, utilizando contratos inteligentes para orquestar estas tareas en nodos globales.

Además, para garantizar la equidad y eficiencia en todo el ecosistema, el sistema FLock también es responsable de la capa de liquidación y la capa de consenso. La capa de liquidación se refiere a incentivar y gestionar las contribuciones de los participantes, recompensándolos o penalizándolos en función de la finalización de la tarea. La capa de consenso implica evaluar y optimizar la calidad de los resultados de entrenamiento, asegurando que los modelos generados representen la solución óptima global.

La arquitectura general del producto de FLock consta de tres módulos principales: AI Arena, FL Alliance y AI Marketplace. AI Arena es responsable del entrenamiento descentralizado del modelo fundamental, FL Alliance se enfoca en el ajuste fino del modelo bajo el mecanismo de contrato inteligente, y AI Marketplace funciona como el mercado de aplicaciones de modelo final.

AI Arena: Incentivos para Entrenamiento y Validación de Modelos Localizados

AI Arena es la plataforma de entrenamiento de IA descentralizada de Flock, donde los usuarios pueden participar apostando tokens de prueba de Flock (FML) y recibir recompensas correspondientes por su apuesta. Una vez que los usuarios definen los modelos que necesitan y envían tareas, los nodos de entrenamiento dentro de AI Arena entrenarán los modelos localmente utilizando la arquitectura de modelo inicial especificada, sin necesidad de cargar datos directamente en servidores centralizados. Después de que cada nodo completa el entrenamiento, los validadores se encargan de evaluar el trabajo de los nodos de entrenamiento, verificar la calidad de los modelos y puntuarlos. Aquellos que no deseen participar en el proceso de validación pueden delegar sus tokens a los validadores para recibir recompensas.

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 retornos para los delegados dependen de los validadores que elijan y la cantidad que apuesten.

AI Arenaadmite modos de entrenamiento de modelos de aprendizaje automático tradicionales, lo que permite a los usuarios elegir entrenar en datos locales de sus dispositivos o en datos públicamente disponibles para maximizar el rendimiento del modelo final. Actualmente, la red de prueba pública de AI Arena tiene un total de496 nodos de entrenamiento activos, 871 nodos de validación y 72 delegados. La relación de participación en la plataforma es del 97,74%, con ganancias mensuales promedio de 40,57% para los nodos de entrenamiento y 24,70% para los nodos de validación.

FL Alliance: Una plataforma de ajuste fino gestionada por contratos inteligentes

Los modelos mejor valorados en AI Arena se seleccionan como "modelos de consenso" y se asignan a FL Alliance para su posterior ajuste fino. Este proceso de ajuste fino consta de múltiples rondas. Al comienzo de cada ronda, el sistema crea automáticamente un contrato inteligente de FL relacionado con la tarea, que gestiona la ejecución y las recompensas de la tarea. De manera similar, se requiere que cada participante apueste una cierta cantidad de tokens FML. Los participantes son asignados aleatoriamente como proponentes o votantes. Los proponentes utilizan sus conjuntos de datos locales para entrenar el modelo y cargan los parámetros o pesos del modelo entrenado a otros participantes. Luego, los votantes resumen y votan para evaluar los resultados de la actualización del modelo del proponente.

Todos los resultados se envían al contrato inteligente, que compara las puntuaciones de cada ronda con las de la ronda anterior para evaluar las mejoras o disminuciones en el rendimiento del modelo. Si la puntuación de rendimiento mejora, el sistema avanza a la siguiente etapa de entrenamiento; si disminuye, el entrenamiento se reiniciará utilizando el modelo validado previamente para otra ronda de entrenamiento, resumen y evaluación.

FL Alliancelogra el objetivo de entrenar colaborativamente un modelo global con múltiples participantes, garantizando la soberanía de los datos mediante la combinación de aprendizaje federado y mecanismos de contrato inteligente. Al integrar diferentes fuentes de datos y agregar pesos, se puede construir un modelo global que funcione mejor y tenga mayores capacidades. Además, los participantes demuestran su compromiso de participación al apostar tokens y reciben recompensas basadas en la calidad del modelo y los resultados de consenso, formando un ecosistema justo y transparente.

AI Marketplace: ¿Cómo proporcionar servicios de IA personalizados?

Los modelos entrenados en AI Arena y afinados en FL Alliance finalmente se implementarán en el AI Marketplace para ser utilizados por otras aplicaciones. A diferencia de los "mercados de modelos" tradicionales, AI Marketplace no solo ofrece modelos predefinidos, sino que también permite a los usuarios modificar estos modelos e integrar nuevas fuentes de datos para abordar diferentes escenarios de aplicación. Además, AI Marketplace incorpora la tecnología de Generación Aumentada por Recuperación (RAG) para mejorar la precisión de los modelos en dominios específicos. RAG es un método que aumenta los grandes modelos de lenguaje recuperando información relevante de bases de conocimiento externas durante la generación de respuestas, asegurando que las respuestas del modelo sean más precisas y personalizadas.

Actualmente, el AI Marketplace ha lanzado muchos modelos GPT personalizados basados en diferentes escenarios de aplicación, incluyendo BTC GPT, Farcaster GPT, Scroll GPT y Ethereum GPT. Tomemos BTC GPT como ejemplo para ilustrar la diferencia entre modelos personalizados y modelos generales.

En diciembre de 2023, cuando se le preguntó "¿Qué es ARC20?" simultáneamente a BTC GPT y ChatGPT:

• BTC GPTrespondió: "El protocolo ARC20 está construido sobre la red Bitcoin y permite a los usuarios crear, transferir y actualizar elementos digitales, como NFT y tokens fungibles. Con el protocolo ARC20, se pueden generar NFT no fungibles y tokens fungibles en la red Bitcoin. El token principal del protocolo ARC20 es ATOM, que se utiliza para diversos fines dentro del protocolo".
• ChatGPTrespondió: “Hasta mi última actualización de conocimientos en enero de 2022, no existía ningún estándar o tecnología ampliamente reconocidos conocidos como ARC20 en los campos de tecnología, finanzas u otras áreas comunes. Es posible que desde entonces haya surgido una nueva tecnología o estándar llamado ARC20, pero no tengo información relevante.”

De sus respuestas, podemos ver la importancia y ventajas de los modelos GPT personalizados. A diferencia de los modelos de lenguaje de propósito general, los modelos GPT personalizados pueden ser entrenados en datos específicos de ciertos campos, proporcionando así respuestas más precisas.

¿Cuáles son las similitudes y diferencias entre Flock y Bittensor, ambas apoyadas por DCG?

A medida que el sector de la IA se reactiva, Bittensor, uno de los representantes de los proyectos de IA descentralizados, ha visto aumentar su token en más del 93.7% en los últimos 30 días, alcanzando cerca de su máximo histórico, con su capitalización de mercado superando los USD 4 mil millones una vez más. En particular, la empresa de inversión de Flock, Digital Currency Group (DCG), es también uno de los mayores validadores y mineros del ecosistema Bittensor. Según las fuentes, DCG posee aproximadamente USD 100 millones en TAO, y en un artículo de 2021 de "Business Insider", el inversor de DCG, Matthew Beck, recomendó a Bittensor como una de las 53 startups de criptomonedas más prometedoras.

A pesar de que ambos son proyectos apoyados por DCG, Flock y Bittensor se centran en diferentes aspectos. En concreto, Bittensor pretende construir una Internet de IA descentralizada, utilizando "subredes" como unidad básica, donde cada subred representa un mercado descentralizado. Los participantes pueden unirse como "mineros" o "validadores". Actualmente, el ecosistema de Bittensor comprende 49 subredes, que cubren varios dominios, como la conversión de texto a voz, la generación de contenido y el ajuste fino de grandes modelos de lenguaje.

Desde el año pasado, Bittensor ha sido un punto focal en el mercado. Por un lado, el precio de su token se ha disparado, pasando de $80 en octubre de 2023 a un pico de $730 este año. Por otro lado, ha enfrentado diversas críticas, incluyendo preguntas sobre la sostenibilidad de su modelo, que se basa en incentivos de tokens para atraer a los desarrolladores. Además, los tres principales validadores en el ecosistema de Bittensor (Opentensor Foundation, Taostats & Corcel, y Foundry) poseen colectivamente casi el 40% de los TAO apostados, lo que suscita preocupaciones de los usuarios acerca del nivel de descentralización.

Por el contrario, Flock tiene como objetivo proporcionar servicios personalizados de IA mediante la integración de la cadena de bloques en el aprendizaje federado. Flock se posiciona como el "Uber del espacio de la IA," sirviendo como un "sistema de programación descentralizado" que empareja las necesidades de IA con los desarrolladores. A través de contratos inteligentes en cadena, Flock gestiona automáticamente la asignación de tareas, la validación de resultados y el arreglo de recompensas, asegurando que cada participante pueda recibir justamente una parte basada en sus contribuciones. Al igual que Bittensor, Flock también ofrece a los usuarios la opción de participar como delegados.

Específicamente, Flock proporciona los siguientes roles:

• Nodos de entrenamiento:Estos nodos pueden participar en competencias de entrenamiento de tareas de AI apostando tokens, adecuados para usuarios con capacidades computacionales y experiencia en desarrollo de AI.
• Validadores:También deben apostar tokens para unirse a la red, responsables de verificar la calidad de los modelos de los mineros e influir en la distribución de recompensas a través de las puntuaciones de validación enviadas.
• Delegadores:Pueden delegar tokens a los nodos mineros y validadores para mejorar el peso de esos nodos en la asignación de tareas, al mismo tiempo que comparten las recompensas obtenidas por los nodos delegados. Esto permite a los usuarios sin experiencia técnica en entrenamiento o validación de tareas participar en la red y obtener recompensas.

Flock.io ha abierto oficialmente la función de delegación, permitiendo a cualquier usuario apostar tokens FML para ganar recompensas. Los usuarios puedenelegirlos nodos óptimos basados en sus rendimientos anualizados esperados para maximizar sus recompensas de staking. Flock también indica que el staking y las operaciones relacionadas durante la fase de testnet afectarán las posibles recompensas de airdrop después del lanzamiento de la mainnet.

En el futuro, Flock tiene como objetivo introducir un mecanismo de iniciación de tareas más amigable para el usuario que permita a las personas sin experiencia en IA participar fácilmente en la creación y capacitación de modelos de IA, haciendo realidad la visión de "todos pueden participar en IA". Flock también está buscando activamente diversas colaboraciones, como desarrollar un modelo de calificación crediticia en cadena con Request Finance y asociarse con Morpheus y Ritual para crear modelos de robots de comercio que ofrecen plantillas de implementación con un solo clic para nodos de capacitación, lo que facilita a los desarrolladores iniciar y ejecutar la capacitación de modelos en Akash. Además, Flock ha capacitado a un asistente de programación en lenguaje Move para ayudar a los desarrolladores en la plataforma Aptos.

En general, si bien Bittensor y Flock tienen posiciones de mercado diferentes, ambos buscan redefinir las relaciones de producción dentro del ecosistema de IA a través de tecnologías descentralizadas distintas. Su objetivo compartido es desmantelar el monopolio de los gigantes centralizados sobre los recursos de la IA y fomentar un ecosistema de IA más abierto y equitativo, que es muy necesario en el mercado actual.

Descargo de responsabilidad:

1. Este artículo ha sido reimpreso de [gatechainfeeds], Todos los derechos de autor pertenecen al autor original [Linda Bell]. If there are objections to this reprint, please contact the Aprender gateequipo, y lo solucionarán rápidamente.
2. Descargo de responsabilidad: Las opiniones y puntos de vista expresados en este artículo son únicamente los del autor y no constituyen ningún consejo de inversión.
3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de aprendizaje de Gate. A menos que se mencione lo contrario, está prohibido copiar, distribuir o plagiar los artículos traducidos.