Dalam lonjakan sebelumnya dalam AI terdesentralisasi, proyek-proyek unggulan seperti Bittensor, io.net, dan Olas dengan cepat menjadi pemimpin industri berkat teknologi canggih dan strategi visioner mereka. Namun, seiring dengan melonjaknya penilaian proyek-proyek ini, hambatan masuk bagi investor reguler juga meningkat. Di tengah rotasi sektor saat ini, apakah masih ada peluang baru untuk terlibat?

Flock: Jaringan Pelatihan dan Verifikasi AI Terdesentralisasi

Flock adalah platform pelatihan dan aplikasi model AI terdesentralisasi yang menggabungkan pembelajaran federated dengan teknologi blockchain, menawarkan pengguna lingkungan yang aman untuk pelatihan dan manajemen model sambil menjaga privasi data dan memfasilitasi partisipasi komunitas yang adil. Istilah 'Flock' pertama kali menjadi populer pada tahun 2022 ketika tim pendirinya merilis makalah akademik berjudul '...FLock: Membela perilaku jahat dalam pembelajaran terfederasi dengan blockchain.” Kertas tersebut mengusulkan menggunakan blockchain untuk melawan tindakan jahat dalam pembelajaran federated. Itu menguraikan bagaimana pendekatan terdesentralisasi dapat memperkuat keamanan data dan privasi selama pelatihan model, memperlihatkan aplikasi potensial dari arsitektur inovatif ini dalam komputasi terdistribusi.

Setelah validasi konsep awal, Flock meluncurkan jaringan AI multi-Agen terdesentralisasi, Flock Research, pada tahun 2023. Di Flock Research, setiap Agen adalah model bahasa besar (LLM) yang disesuaikan untuk domain tertentu, mampu memberikan wawasan kepada pengguna di berbagai bidang melalui kolaborasi. Pada pertengahan Mei 2024, Flock secara resmi membuka testnet untuk platform pelatihan AI terdesentralisasi, memungkinkan pengguna untuk berpartisipasi dalam pelatihan model dan penyempurnaan menggunakan token uji FML dan mendapatkan imbalan. Pada 30 September 2024, jumlah insinyur AI aktif harian di platform Flock telah melampaui 300, dengan lebih dari 15.000 model yang diajukan secara total.

Saat proyek terus tumbuh, Flock juga menarik perhatian dari pasar modal. Pada bulan Maret tahun ini, Flock menyelesaikan putaran pendanaan sebesar $6 juta yang dipimpin oleh Lightspeed Faction dan Tagus Capital, dengan partisipasi dari DCG, OKX Ventures, Inception Capital, dan Volt Capital. Perlu dicatat, bahwa Flock proyek infrastruktur kecerdasan buatan satu-satunya yang menerima hibahpada putaran pendanaan akademik Yayasan Ethereum 2024.

Tonggak Pilar Pembaruan Hubungan Produksi AI: Memperkenalkan Kontrak Pintar untuk Pembelajaran Terdistribusi

Federated Learning adalah pendekatan pembelajaran mesin yang memungkinkan beberapa entitas (sering disebut klien) untuk secara kolaboratif melatih model sambil memastikan bahwa data tetap disimpan secara lokal. Berbeda dengan pembelajaran mesin tradisional, federated learning menghindari mengunggah semua data ke server pusat, sehingga melindungi privasi pengguna melalui komputasi lokal. Metode ini sudah diterapkan dalam berbagai skenario dunia nyata; misalnya, Google memperkenalkan federated learning ke dalam keyboard Gboard-nya pada tahun 2017 untuk mengoptimalkan saran masukan dan prediksi teks sambil memastikan bahwa data masukan pengguna tidak diunggah. Tesla juga menggunakan teknologi serupa dalam sistem pengemudi otonomnya, meningkatkan persepsi lingkungan kendaraan secara lokal dan mengurangi kebutuhan transmisi data video massal.

Namun, aplikasi-aplikasi ini masih menghadapi tantangan, terutama terkait privasi dan keamanan. Pertama, pengguna perlu mempercayai pihak ketiga terpusat. Kedua, selama transmisi dan agregasi parameter model, sangat penting untuk mencegah node-node jahat mengunggah data palsu atau parameter berbahaya, yang dapat menyebabkan bias dalam kinerja model secara keseluruhan atau bahkan prediksi yang keliru. Penelitian yang dilakukan oleh tim FLock, dipublikasikan di IEEEjurnal, menunjukkan bahwa akurasi model pembelajaran federated tradisional menurun menjadi 96,3% ketika 10% dari node-node tersebut jahat, dan semakin menurun menjadi 80,1% dan 70,9% ketika proporsi node-node jahat meningkat menjadi 30% dan 40%, masing-masing.

Untuk mengatasi masalah-masalah ini, Flock memperkenalkan kontrak pintar di blockchain sebagai "mesin kepercayaan" dalam kerangka pembelajaran federatifnya. Sebagai mesin kepercayaan, kontrak pintar dapat mengotomatisasi pengumpulan dan validasi parameter dalam lingkungan terdesentralisasi, memungkinkan publikasi hasil model yang tidak memihak dan efektif mencegah node jahat mengubah data. Dibandingkan dengan solusi pembelajaran federatif tradisional, akurasi model Flock tetap di atas 95,5%, bahkan dengan 40% dari node-node menjadi jahat.

Lapisan Eksekusi AI: Menganalisis Arsitektur Tiga Lapisan FLock

Masalah utama dalam lanskap AI saat ini adalah bahwa sumber daya untuk pelatihan model AI dan penggunaan data masih sangat terkonsentrasi di beberapa perusahaan besar, sehingga sulit bagi pengembang dan pengguna biasa untuk secara efektif memanfaatkan sumber daya ini. Akibatnya, pengguna hanya mendapatkan model standar yang telah dibangun sebelumnya dan tidak dapat menyesuaikannya sesuai dengan kebutuhan khusus mereka. Ketidaksesuaian antara pasokan dan permintaan ini menyebabkan situasi di mana, meskipun terdapat kekuatan komputasi dan cadangan data yang melimpah di pasar, tidak dapat diubah menjadi model dan aplikasi yang dapat digunakan secara praktis.

Untuk mengatasi masalah ini, Flock bertujuan untuk menjadi sistem penjadwalan yang efektif yang mengkoordinasikan permintaan, sumber daya, kekuatan komputasi, dan data. Dengan mengandalkan tumpukan teknologi Web3, Flock memposisikan dirinya sebagai 'lapisan eksekusi', yang bertanggung jawab utama dalam mengalokasikan persyaratan AI yang disesuaikan pengguna ke berbagai node terdesentralisasi untuk pelatihan, menggunakan kontrak pintar untuk mengatur tugas-tugas ini di seluruh node global.

Selain itu, untuk memastikan keadilan dan efisiensi di seluruh ekosistem, sistem FLock juga bertanggung jawab atas “lapisan penyelesaian” dan “lapisan konsensus.” Lapisan penyelesaian mengacu pada memberikan insentif dan mengelola kontribusi peserta, memberi imbalan atau menghukum mereka berdasarkan penyelesaian tugas. Lapisan konsensus melibatkan menilai dan mengoptimalkan kualitas hasil pelatihan, memastikan bahwa model yang dihasilkan akhir mewakili solusi optimal global.

Arsitektur produk secara keseluruhan dari FLock terdiri dari tiga modul utama: AI Arena, FL Alliance, dan AI Marketplace. AI Arena bertanggung jawab untuk pelatihan model foundational terdesentralisasi, FL Alliance berfokus pada penyempurnaan model di bawah mekanisme kontrak pintar, dan AI Marketplace berfungsi sebagai pasar aplikasi model akhir.

AI Arena: Insentif untuk Pelatihan Model Lokal dan Validasi

AI Arena adalah platform pelatihan AI terdesentralisasi Flock di mana pengguna dapat berpartisipasi dengan mempertaruhkan token testnet Flock (FML) dan menerima imbalan pertaruhan yang sesuai. Setelah pengguna mendefinisikan model yang mereka butuhkan dan mengirimkan tugas, node pelatihan di dalam AI Arena akan melatih model secara lokal menggunakan arsitektur model awal yang ditentukan, tanpa perlu mengunggah data langsung ke server terpusat. Setelah setiap node selesai melatih, validator bertanggung jawab untuk menilai pekerjaan dari node pelatihan, memeriksa kualitas model, dan memberikan skor. Mereka yang tidak ingin berpartisipasi dalam proses validasi dapat mendelekasikan token mereka kepada validator untuk imbalan.

Dalam AI Arena, mekanisme reward untuk semua peran bergantung pada dua faktor inti: jumlah token yang dipertaruhkan dan kualitas tugas. Jumlah yang dipertaruhkan mencerminkan 'komitmen' para peserta, sementara kualitas tugas mengukur kontribusi mereka. Sebagai contoh, reward untuk node pelatihan bergantung pada jumlah yang dipertaruhkan dan peringkat kualitas model yang diajukan, sementara reward validator bergantung pada konsistensi hasil voting dengan konsensus, jumlah token yang dipertaruhkan, dan frekuensi serta tingkat keberhasilan partisipasi mereka dalam validasi. Pengembalian untuk delegator bergantung pada validator yang mereka pilih dan jumlah yang mereka pertaruhkan.

Arena AImendukung mode pelatihan model pembelajaran mesin tradisional, memungkinkan pengguna memilih untuk melatih data lokal dari perangkat mereka atau data yang tersedia secara publik untuk memaksimalkan kinerja model akhir. Saat ini, testnet publik AI Arena memilikitotalAda 496 node pelatihan aktif, 871 node validasi, dan 72 delegator. Rasio staking platform ini mencapai 97,74%, dengan penghasilan rata-rata bulanan sebesar 40,57% untuk node pelatihan dan 24,70% untuk node validasi.

FL Alliance: Platform Penyetelan Fein yang Dikelola oleh Kontrak Pintar

Model-model dengan rating tertinggi di AI Arena dipilih sebagai “model konsensus” dan ditugaskan ke FL Alliance untuk diperhalus lebih lanjut. Proses penyempurnaan ini terdiri dari beberapa putaran. Pada awal setiap putaran, sistem secara otomatis membuat kontrak pintar FL terkait tugas, yang mengelola pelaksanaan tugas dan penghargaan. Demikian pula, setiap peserta diharuskan bertaruh sejumlah token FML tertentu. Peserta secara acak diberi peran sebagai pengusul atau pemilih. Pengusul menggunakan dataset lokal mereka untuk melatih model dan mengunggah parameter atau bobot model yang sudah dilatih ke peserta lain. Pemilih kemudian merangkum dan memberikan suara untuk mengevaluasi hasil pembaruan model dari pengusul.

Semua hasil disampaikan ke kontrak pintar, yang membandingkan skor dari setiap putaran dengan skor dari putaran sebelumnya untuk menilai peningkatan atau penurunan kinerja model. Jika skor kinerja meningkat, sistem akan maju ke tahap berikutnya dari pelatihan; jika menurun, pelatihan akan dimulai ulang menggunakan model yang telah divalidasi sebelumnya untuk putaran pelatihan, ringkasan, dan evaluasi lainnya.

FL Alliancemencapai tujuan pelatihan model global secara kolaboratif dengan beberapa peserta sambil memastikan kedaulatan data dengan menggabungkan pembelajaran terdistribusi dan mekanisme kontrak pintar. Dengan mengintegrasikan sumber data yang berbeda dan menggabungkan bobot, dapat membangun model global yang lebih baik dan memiliki kemampuan yang lebih besar. Selain itu, peserta menunjukkan komitmen mereka dengan mempertaruhkan token dan menerima imbalan berdasarkan kualitas model dan hasil konsensus, membentuk ekosistem yang adil dan transparan.

Pasar AI: Bagaimana Memberikan Layanan AI yang Dipersonalisasi?

Model yang dilatih di AI Arena dan disempurnakan di FL Alliance pada akhirnya akan digunakan di AI Marketplace untuk digunakan oleh aplikasi lain. Tidak seperti "pasar model" tradisional, AI Marketplace tidak hanya menawarkan model yang sudah jadi tetapi juga memungkinkan pengguna untuk memodifikasi model ini dan mengintegrasikan sumber data baru untuk mengatasi skenario aplikasi yang berbeda. Selain itu, AI Marketplace menggabungkan teknologi Retrieval-Augmented Generation (RAG) untuk meningkatkan akurasi model di domain tertentu. RAG adalah metode yang menambah model bahasa besar dengan mengambil informasi yang relevan dari basis pengetahuan eksternal selama pembuatan respons, memastikan bahwa respons model lebih akurat dan dipersonalisasi.

Saat ini, Marketplace AI telah meluncurkan banyak model GPT yang disesuaikan berdasarkan skenario aplikasi yang berbeda, termasuk BTC GPT, Farcaster GPT, Scroll GPT, dan Ethereum GPT. Mari kita ambil contoh BTC GPT untuk mengilustrasikan perbedaan antara model-model yang disesuaikan dan model-model umum.

Pada Desember 2023, ketika ditanya "Apa itu ARC20?" secara bersamaan ke BTC GPT dan ChatGPT:

• BTC GPTmenanggapi: "Protokol ARC20 dibangun di jaringan Bitcoin dan memungkinkan pengguna untuk membuat, mentransfer, dan meningkatkan item digital, seperti NFT dan token yang dapat dipertukarkan. Dengan protokol ARC20, NFT yang tidak dapat dipertukarkan dan token yang dapat dipertukarkan dapat dibuat di jaringan Bitcoin. Token utama dari protokol ARC20 adalah ATOM, yang digunakan untuk berbagai tujuan dalam protokol."
• ChatGPTmenjawab: "Menurut pembaruan pengetahuan terakhir saya pada Januari 2022, tidak ada standar atau teknologi yang secara luas diakui yang dikenal sebagai ARC20 di bidang teknologi, keuangan, atau area umum lainnya. Mungkin ada teknologi atau standar baru yang disebut ARC20 muncul sejak saat itu, tetapi saya tidak memiliki informasi relevan."

Dari respons mereka, kita dapat melihat pentingnya dan keuntungan dari model GPT yang disesuaikan. Berbeda dengan model bahasa umum, model GPT yang disesuaikan dapat dilatih dengan data khusus untuk bidang tertentu, sehingga memberikan respons yang lebih akurat.

Apa Persamaan dan Perbedaan Antara Flock dan Bittensor, Keduanya Didukung oleh DCG?

Ketika sektor AI bangkit kembali, Bittensor, salah satu perwakilan dari proyek AI terdesentralisasi, telah melihat tokennya meningkat lebih dari 93,7% dalam 30 hari terakhir, mencapai mendekati puncak historisnya, dengan kapitalisasi pasarnya melampaui $ 4 miliar sekali lagi. Khususnya, perusahaan investasi Flock, Digital Currency Group (DCG), juga merupakan salah satu validator dan penambang terbesar di ekosistem Bittensor. Menurut sumber, DCG memegang sekitar $100 juta di TAO, dan dalam artikel tahun 2021 oleh "Business Insider," investor DCG Matthew Beck merekomendasikan Bittensor sebagai salah satu dari 53 startup kripto paling menjanjikan.

Meskipun keduanya merupakan proyek yang didukung oleh DCG, Flock dan Bittensor fokus pada aspek yang berbeda. Secara khusus, Bittensor bertujuan untuk membangun internet AI terdesentralisasi, menggunakan "subnets" sebagai unit dasarnya, di mana setiap subnet mewakili pasar terdesentralisasi. Peserta dapat bergabung sebagai "penambang" atau "validator". Saat ini, ekosistem Bittensor terdiri dari 49 subnet, mencakup berbagai domain seperti teks ke ucapan, pembuatan konten, dan penyesuaian model bahasa besar.

Sejak tahun lalu, Bittensor menjadi titik fokus di pasar. Di satu sisi, harga tokennya melonjak, melesat dari $80 pada Oktober 2023 menjadi puncaknya $730 tahun ini. Di sisi lain, Bittensor telah menghadapi berbagai kritik, termasuk pertanyaan tentang keberlanjutan modelnya, yang mengandalkan insentif token untuk menarik pengembang. Selain itu, tiga validator teratas dalam ekosistem Bittensor (Opentensor Foundation, Taostats & Corcel, dan Foundry) secara kolektif memiliki hampir 40% dari TAO yang dipertaruhkan, yang menimbulkan kekhawatiran pengguna tentang tingkat desentralisasi.

Sebaliknya, Flock bertujuan untuk menyediakan layanan AI yang dipersonalisasi dengan mengintegrasikan blockchain ke dalam pembelajaran terfederasi. Flock memposisikan dirinya sebagai 'Uber dari ruang AI,' bertindak sebagai 'sistem penjadwalan terdesentralisasi' yang mencocokkan kebutuhan AI dengan pengembang. Melalui kontrak pintar on-chain, Flock secara otomatis mengelola alokasi tugas, validasi hasil, dan penyelesaian imbalan, memastikan bahwa setiap peserta dapat secara adil menerima bagian berdasarkan kontribusi mereka. Serupa dengan Bittensor, Flock juga menawarkan kepada pengguna opsi untuk berpartisipasi sebagai delegasi.

Secara khusus, Flock menyediakan peran-peran berikut:

• Node Pelatihan:Node-node ini dapat berpartisipasi dalam kompetisi pelatihan tugas AI dengan mempertaruhkan token, cocok untuk pengguna dengan kemampuan komputasi dan pengalaman pengembangan AI.
• Validators:Mereka juga harus mempertaruhkan token untuk bergabung dengan jaringan, bertanggung jawab untuk memverifikasi kualitas model penambang dan memengaruhi distribusi hadiah melalui skor validasi yang diajukan.
• DelegatorMereka dapat menugaskan token ke node penambang dan validator untuk meningkatkan bobot node-node tersebut dalam alokasi tugas sambil berbagi hadiah yang diperoleh oleh node yang ditugaskan. Ini memungkinkan pengguna yang tidak memiliki keahlian teknis dalam pelatihan atau validasi tugas untuk berpartisipasi dalam jaringan dan mendapatkan hadiah.

Flock.io telah resmi membuka fitur delegasi, memungkinkan pengguna manapun untuk mempertaruhkan token FML untuk mendapatkan imbalan. Pengguna dapatpilihflock juga mengindikasikan bahwa staking dan operasi terkait selama fase testnet akan mempengaruhi potensi hadiah airdrop setelah peluncuran mainnet.

Di masa depan, Flock bertujuan untuk memperkenalkan mekanisme inisiasi tugas yang lebih ramah pengguna yang memungkinkan individu tanpa keahlian AI untuk dengan mudah terlibat dalam membuat dan melatih model AI, mewujudkan visi bahwa "semua orang dapat berpartisipasi dalam AI." Flock juga aktif mengejar berbagai kolaborasi, seperti mengembangkan model skor kredit on-chain dengan Request Finance dan bermitra dengan Morpheus dan Ritual untuk membuat model bot perdagangan yang menawarkan templat implementasi satu-klik untuk node pelatihan, membuatnya mudah bagi pengembang untuk memulai dan menjalankan pelatihan model di Akash. Selain itu, Flock telah melatih asisten pemrograman bahasa Move untuk mendukung pengembang di platform Aptos.

Secara keseluruhan, meskipun Bittensor dan Flock memiliki posisi pasar yang berbeda, keduanya berusaha untuk mempertaruhkan kembali hubungan produksi dalam ekosistem AI melalui teknologi terdesentralisasi yang berbeda. Tujuan bersama mereka adalah untuk membongkar monopoli raksasa terpusat atas sumber daya AI dan mendorong ekosistem AI yang lebih terbuka dan adil, yang sangat diperlukan di pasar saat ini.

Penafian:

1. Artikel ini dicetak ulang dari [chainfeeds], Semua hak cipta adalah milik penulis asli [Linda Bell]. Jika ada keberatan terhadap cetak ulang ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.
2. Penyangkalan Tanggung Jawab: Pandangan dan pendapat yang terdapat dalam artikel ini semata-mata adalah milik penulis dan tidak merupakan nasihat investasi apa pun.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel-artikel yang diterjemahkan dilarang.