Na onda anterior de IA descentralizada, projetos destacados como Bittensor, io.net e Olas rapidamente se tornaram líderes do setor graças às suas tecnologias de ponta e estratégias visionárias. No entanto, à medida que as avaliações desses projetos disparam, as barreiras de entrada para investidores regulares também aumentaram. Em meio à atual rotação do setor, ainda existem oportunidades frescas para envolvimento?

Flock: Uma Rede Descentralizada de Treinamento e Verificação de IA

Flock é uma plataforma descentralizada de treino e aplicação de modelos de IA que combina aprendizagem federada com tecnologia blockchain, oferecendo aos utilizadores um ambiente seguro para treino e gestão de modelos, ao mesmo tempo que salvaguarda a privacidade dos dados e facilita a participação justa da comunidade. O termo "Flock" ganhou destaque em 2022 quando a sua equipa fundadora lançou um artigo académico intitulado FLock: Defendendo comportamentos maliciosos em aprendizagem federada com blockchainO artigo propôs o uso de blockchain para combater ações maliciosas na aprendizagem federada. Ele delineou como uma abordagem descentralizada pode reforçar a segurança e privacidade de dados durante o treino do modelo, mostrando as aplicações potenciais desta arquitetura inovadora na computação distribuída.

Após a validação inicial do conceito, a Flock lançou a rede AI descentralizada de vários Agentes, a Flock Research, em 2023. Na Flock Research, cada Agente é um grande modelo de linguagem (LLM) afinado para domínios específicos, capaz de fornecer aos usuários insights em várias áreas por meio da colaboração. Em meados de maio de 2024, a Flock abriu oficialmente o testnet para sua plataforma de treinamento de IA descentralizada, permitindo que os usuários participem do treinamento e ajuste fino do modelo usando o token de teste FML e ganhem recompensas. Até 30 de setembro de 2024, o número diário de engenheiros de IA ativos na plataforma Flock ultrapassou 300, com mais de 15.000 modelos enviados no total.

À medida que o projeto continua a crescer, a Flock também tem atraído a atenção dos mercados de capitais. Em março deste ano, a Flock concluiu uma rodada de financiamento de $6 milhões liderada pela Lightspeed Faction e Tagus Capital, com a participação da DCG, OKX Ventures, Inception Capital e Volt Capital. É importante destacar que a Flock éo único projeto de infraestrutura de IA a receber uma bolsana ronda de financiamento académico da Ethereum Foundation em 2024.

A Pedra Angular da Reformulação das Relações de Produção de IA: Introdução de Contratos Inteligentes para Aprendizado Federado

A Aprendizagem Federada é uma abordagem de aprendizagem de máquina que permite a múltiplas entidades (frequentemente referidas como clientes) treinar modelos colaborativamente, garantindo que os dados permaneçam armazenados localmente. Ao contrário da aprendizagem de máquina tradicional, a aprendizagem federada evita o upload de todos os dados para um servidor central, protegendo assim a privacidade do utilizador através da computação local. Este método já foi aplicado em vários cenários do mundo real; por exemplo, a Google introduziu a aprendizagem federada no seu teclado Gboard em 2017 para otimizar sugestões de input e previsões de texto, garantindo que os dados de input do utilizador não são enviados. A Tesla também emprega tecnologia semelhante no seu sistema de condução autónoma, melhorando a perceção ambiental do veículo localmente e reduzindo a necessidade de transmissão massiva de dados de vídeo.

No entanto, essas aplicações ainda enfrentam desafios, especialmente no que diz respeito à privacidade e segurança. Em primeiro lugar, os utilizadores precisam de confiar em terceiros centralizados. Em segundo lugar, durante a transmissão e agregação de parâmetros do modelo, é crucial prevenir que nós maliciosos carreguem dados falsos ou parâmetros prejudiciais, o que poderia resultar em vieses no desempenho geral do modelo ou até previsões erradas. Pesquisa conduzida pela equipa FLock, publicada na IEEEO artigo, indica que a precisão dos modelos tradicionais de aprendizagem federada cai para 96,3% quando 10% dos nós são maliciosos e diminui ainda mais para 80,1% e 70,9% quando as proporções de nós maliciosos aumentam para 30% e 40%, respetivamente.

Para abordar essas questões, a Flock introduziu contratos inteligentes na blockchain como um “motor de confiança” dentro de seu framework de aprendizado federado. Como um motor de confiança, os contratos inteligentes podem automatizar a coleta e validação de parâmetros em um ambiente descentralizado, permitindo a publicação imparcial de resultados do modelo e impedindo efetivamente que nós maliciosos adulterem os dados. Em comparação com as soluções tradicionais de aprendizado federado, a precisão do modelo da FLock permanece acima de 95,5%, mesmo com 40% dos nós sendo maliciosos.

A Camada de Execução de IA: Analisando a Arquitetura de Três Camadas do FLock

O problema-chave no cenário atual de IA é que os recursos para treinamento de modelo de IA e uso de dados permanecem altamente concentrados entre algumas grandes empresas, dificultando que desenvolvedores e usuários comuns utilizem efetivamente esses recursos. Consequentemente, os usuários têm modelos padronizados pré-construídos e não podem personalizá-los de acordo com suas necessidades específicas. Essa falta de correspondência entre oferta e demanda leva a uma situação em que, apesar do poder de computação abundante e das reservas de dados no mercado, eles não podem ser transformados em modelos e aplicativos praticamente utilizáveis.

Para enfrentar este problema, a Flock tem como objetivo servir como um sistema de agendamento eficaz que coordena a demanda, os recursos, a potência computacional e os dados. Aproveitando a pilha de tecnologia Web3, a Flock se posiciona como a "camada de execução", principalmente responsável por alocar os requisitos personalizados de IA dos usuários a vários nós descentralizados para treinamento, usando contratos inteligentes para orquestrar essas tarefas em nós globais.

Além disso, para garantir equidade e eficiência em todo o ecossistema, o sistema FLock também é responsável pela "camada de liquidação" e "camada de consenso". A camada de liquidação refere-se a incentivar e gerenciar as contribuições dos participantes, recompensando-os ou penalizando-os com base na conclusão da tarefa. A camada de consenso envolve a avaliação e otimização da qualidade dos resultados do treinamento, garantindo que os modelos finais gerados representem a solução ideal global.

A arquitetura geral do produto FLock é composta por três módulos principais: AI Arena, FL Alliance e AI Marketplace. A AI Arena é responsável pelo treinamento descentralizado do modelo fundamental, a FL Alliance se concentra no ajuste fino do modelo sob o mecanismo de contrato inteligente e a AI Marketplace serve como o mercado final de aplicação do modelo.

AI Arena: Incentivos para Treino e Validação de Modelos Localizados

A AI Arena é a plataforma de treinamento de IA descentralizada da Flock, onde os usuários podem participar apostando tokens de teste da Flock (FML) e receber recompensas correspondentes. Depois que os usuários definem os modelos de que precisam e enviam tarefas, os nós de treinamento dentro da AI Arena treinarão os modelos localmente usando a arquitetura inicial do modelo especificada, sem exigir upload direto de dados para servidores centralizados. Após cada nó concluir o treinamento, os validadores serão responsáveis por avaliar o trabalho dos nós de treinamento, verificar a qualidade dos modelos e atribuir pontuações a eles. Aqueles que não desejam participar do processo de validação podem delegar seus tokens aos validadores em troca de recompensas.

Dentro da Arena de IA, os mecanismos de recompensa para todos os papéis dependem de dois fatores principais: a quantidade de tokens apostados e a qualidade das tarefas. A quantidade apostada reflete o 'compromisso' dos participantes, enquanto a qualidade da tarefa mede a sua contribuição. Por exemplo, as recompensas para nós de treinamento dependem da quantidade apostada e da classificação da qualidade do modelo submetido, enquanto as recompensas dos validadores dependem da consistência dos resultados de votação com o consenso, o número de tokens apostados e a frequência e taxa de sucesso da participação deles nas validações. Os retornos para delegados dependem dos validadores que escolhem e da quantidade que apostam.

AI Arenasuporta modos tradicionais de treino de modelos de aprendizagem automática, permitindo aos utilizadores escolher treinar com dados locais dos seus dispositivos ou dados públicos disponíveis para maximizar o desempenho do modelo final. Atualmente, a rede de teste público AI Arena tem um total de496 nós de treinamento ativos, 871 nós de validação e 72 delegados. A taxa de participação do staking da plataforma é de 97,74%, com ganhos médios mensais de 40,57% para nós de treinamento e 24,70% para nós de validação.

FL Alliance: Uma Plataforma de Ajuste Fino Gerida por Contratos Inteligentes

Os modelos com a classificação mais alta na AI Arena são selecionados como “modelos de consenso” e atribuídos à FL Alliance para um ajuste fino adicional. Este processo de ajuste fino consiste em várias rodadas. No início de cada rodada, o sistema cria automaticamente um contrato inteligente de FL relacionado à tarefa, que gerencia a execução da tarefa e as recompensas. Da mesma forma, cada participante deve apostar uma certa quantidade de tokens FML. Os participantes são atribuídos aleatoriamente como proponentes ou votantes. Os proponentes usam seus conjuntos de dados locais para treinar o modelo e carregar os parâmetros ou pesos treinados para outros participantes. Os votantes resumem e votam para avaliar os resultados da atualização do modelo do proponente.

Todos os resultados são submetidos ao contrato inteligente, que compara as pontuações de cada rodada com as da rodada anterior para avaliar melhorias ou declínios no desempenho do modelo. Se a pontuação de desempenho melhorar, o sistema avança para a próxima etapa de treinamento; se declinar, o treinamento reiniciará usando o modelo previamente validado para outra rodada de treinamento, sumarização e avaliação.

FL Allianceatinge o objetivo de treinar colaborativamente um modelo global com vários participantes, garantindo a soberania dos dados, combinando aprendizado federado e mecanismos de contrato inteligente. Ao integrar diferentes fontes de dados e agregar pesos, pode construir um modelo global que apresenta um desempenho melhor e possui maiores capacidades. Além disso, os participantes demonstram seu compromisso com a participação apostando tokens e recebem recompensas com base na qualidade do modelo e nos resultados de consenso, formando um ecossistema justo e transparente.

Mercado de IA: Como fornecer serviços de IA personalizados?

Os modelos treinados na AI Arena e ajustados finamente na FL Alliance serão finalmente implantados no AI Marketplace para uso por outras aplicações. Ao contrário dos tradicionais "mercados de modelos", o AI Marketplace não só oferece modelos prontos, mas também permite aos utilizadores modificar esses modelos e integrar novas fontes de dados para lidar com diferentes cenários de aplicação. Além disso, o AI Marketplace incorpora a tecnologia de Geração Aumentada por Recuperação (RAG) para melhorar a precisão dos modelos em domínios específicos. RAG é um método que aumenta os grandes modelos de linguagem ao recuperar informações relevantes de bases de conhecimento externas durante a geração de respostas, garantindo que as respostas do modelo sejam mais precisas e personalizadas.

Atualmente, a AI Marketplace lançou muitos modelos GPT personalizados com base em diferentes cenários de aplicação, incluindo BTC GPT, Farcaster GPT, Scroll GPT e Ethereum GPT. Vamos pegar o BTC GPT como exemplo para ilustrar a diferença entre modelos personalizados e modelos gerais.

Em dezembro de 2023, quando perguntado 'O que é ARC20?' simultaneamente ao BTC GPT e ChatGPT:

• BTC GPTrespondeu: "O protocolo ARC20 é construído na rede Bitcoin e permite aos utilizadores criar, transferir e atualizar itens digitais, como NFTs e tokens fungíveis. Com o protocolo ARC20, é possível gerar NFTs não fungíveis e tokens fungíveis na rede Bitcoin. O token principal do protocolo ARC20 é o ATOM, que é usado para diversos fins dentro do protocolo."
• ChatGPTrespondeu: "Até a minha última atualização de conhecimento em janeiro de 2022, não havia um padrão ou tecnologia amplamente reconhecidos conhecidos como ARC20 nos campos da tecnologia, finanças ou outras áreas comuns. É possível que uma nova tecnologia ou padrão chamado ARC20 tenha surgido desde então, mas eu não tenho informações relevantes."

A partir das suas respostas, podemos ver a importância e vantagens dos modelos GPT personalizados. Ao contrário dos modelos de linguagem de uso geral, os modelos GPT personalizados podem ser treinados com dados específicos de determinados campos, proporcionando assim respostas mais precisas.

Quais são as semelhanças e diferenças entre Flock e Bittensor, ambos suportados pela DCG?

À medida que o setor de IA revive, o Bittensor, um dos representantes de projetos de IA descentralizados, viu seu token aumentar mais de 93,7% nos últimos 30 dias, chegando perto de seu pico histórico, com seu valor de mercado ultrapassando US$ 4 bilhões mais uma vez. Notavelmente, a empresa de investimento da Flock, Digital Currency Group (DCG), também é um dos maiores validadores e mineradores no ecossistema Bittensor. De acordo com fontes, o DCG detém aproximadamente US$ 100 milhões em TAO, e em um artigo de 2021 do "Business Insider", o investidor do DCG Matthew Beck recomendou a Bittensor como uma das 53 startups cripto mais promissoras.

Apesar de ambos serem projetos apoiados pelo DCG, Flock e Bittensor focam em diferentes aspetos. Especificamente, a Bittensor pretende construir uma internet de IA descentralizada, usando "sub-redes" como sua unidade básica, onde cada sub-rede representa um mercado descentralizado. Os participantes podem participar como "mineiros" ou "validadores". Atualmente, o ecossistema Bittensor compreende 49 sub-redes, cobrindo vários domínios, como text-to-speech, geração de conteúdo e ajuste fino de grandes modelos de linguagem.

Desde o ano passado, Bittensor tem sido um ponto focal no mercado. Por um lado, o preço de seu token disparou, subindo de $80 em outubro de 2023 para um pico de $730 este ano. Por outro lado, enfrentou várias críticas, incluindo questionamentos sobre a sustentabilidade de seu modelo, que depende de incentivos de tokens para atrair desenvolvedores. Além disso, os três principais validadores no ecossistema Bittensor (Opentensor Foundation, Taostats & Corcel e Foundry) detêm coletivamente quase 40% do TAO apostado, levantando preocupações dos usuários sobre o nível de descentralização.

Por outro lado, Flock tem como objetivo fornecer serviços personalizados de IA integrando blockchain no aprendizado federado. Flock se posiciona como o "Uber do espaço de IA", funcionando como um "sistema de agendamento descentralizado" que combina as necessidades de IA com desenvolvedores. Através de contratos inteligentes on-chain, Flock gerencia automaticamente a alocação de tarefas, validação de resultados e liquidação de recompensas, garantindo que cada participante possa receber justamente uma parte com base em suas contribuições. Similar ao Bittensor, Flock também oferece aos usuários a opção de participar como delegados.

Especificamente, o Flock fornece os seguintes papéis:

• Nós de Treino:Estes nós podem participar em competições de treino de tarefas de IA ao apostar tokens, adequado para utilizadores com capacidades de computação e experiência em desenvolvimento de IA.
• Validadores:Eles também devem apostar tokens para se juntarem à rede, responsáveis por verificar a qualidade dos modelos dos mineiros e influenciar a distribuição de recompensas através das pontuações de validação submetidas.
• Delegadores:Eles podem delegar tokens para nós mineradores e validadores para aumentar o peso desses nós na alocação de tarefas, enquanto compartilham das recompensas ganhas pelos nós delegados. Isso permite que os usuários sem conhecimento técnico em treinamento ou validação de tarefas participem da rede e ganhem recompensas.

Flock.io oficialmente abriu o recurso de delegação, permitindo a qualquer usuário apostar tokens FML para ganhar recompensas. Os usuários podemescolheros nós ótimos com base nos seus retornos anualizados esperados para maximizar as suas recompensas de staking. A Flock também indica que o staking e as operações relacionadas durante a fase de testnet irão afetar as potenciais recompensas de airdrop após o lançamento da mainnet.

No futuro, a Flock pretende introduzir um mecanismo de iniciação de tarefas mais fácil de usar que permita que pessoas sem experiência em IA se envolvam facilmente na criação e no treinamento de modelos de IA, realizando a visão de que 'todos podem participar de IA'. A Flock também está buscando ativamente várias colaborações, como desenvolver um modelo de pontuação de crédito na cadeia com a Request Finance e fazer parceria com a Morpheus e a Ritual para criar modelos de robôs de negociação que oferecem modelos de implantação com um clique para nós de treinamento, tornando simples para os desenvolvedores começarem e executarem o treinamento de modelos no Akash. Além disso, a Flock treinou um assistente de programação em linguagem Move para apoiar os desenvolvedores na plataforma Aptos.

No geral, embora a Bittensor e a Flock tenham posições de mercado diferentes, ambas procuram redefinir as relações de produção dentro do ecossistema de IA através de tecnologias descentralizadas distintas. Seu objetivo compartilhado é desmantelar o monopólio dos gigantes centralizados sobre os recursos de IA e promover um ecossistema de IA mais aberto e equitativo, o que é urgentemente necessário no mercado atual.

Aviso Legal：

1. Este artigo é reimpresso de [chainfeeds], Todos os direitos autorais pertencem ao autor original [Linda Bell]. Se houver objeções a esta reimpressão, entre em contato com o Gate Learnequipa e eles tratarão disso prontamente.
2. Aviso de Responsabilidade: As opiniões expressas neste artigo são exclusivamente do autor e não constituem qualquer conselho de investimento.
3. As traduções do artigo para outros idiomas são feitas pela equipe de aprendizado da gate. A menos que seja mencionado, copiar, distribuir ou plagiar os artigos traduzidos é proibido.