Na onda anterior de IA descentralizada, projetos marcantes 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 dispararam, as barreiras de entrada para investidores regulares também aumentaram. Em meio à atual rotação do setor, ainda existem oportunidades para envolvimento?

Rebanho: Uma Rede Descentralizada de Treinamento e Verificação de IA

Flock é uma plataforma de treinamento e aplicação de modelos de AI descentralizada que combina aprendizado federado com tecnologia blockchain, oferecendo aos usuários um ambiente seguro para treinamento e gerenciamento de modelos, protegendo a privacidade dos dados e facilitando a participação justa da comunidade. O termo "Flock" ganhou destaque em 2022, quando sua equipe fundadora lançou um artigo acadêmico intitulado ".FLock: Defendendo comportamentos maliciosos no aprendizado federado com blockchain". O artigo propôs o uso de blockchain para combater ações maliciosas na aprendizagem federada. Ele delineou como uma abordagem descentralizada pode fortalecer a segurança e a privacidade dos dados durante o treinamento do modelo, mostrando as aplicações potenciais desta arquitetura inovadora na computação distribuída."

Após a validação inicial do conceito, a Flock lançou a rede descentralizada de Inteligência Artificial multiagente, Flock Research, em 2023. No Flock Research, cada Agente é um grande modelo de linguagem (LLM) ajustado para domínios específicos, capaz de fornecer aos usuários insights em várias áreas por meio de colaboração. Em meados de maio de 2024, a Flock abriu oficialmente a 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. Em 30 de setembro de 2024, o número de engenheiros de IA ativos diariamente na plataforma Flock ultrapassou 300, com mais de 15.000 modelos enviados no total.

Conforme 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. Vale ressaltar que a Flock é o único projeto de infraestrutura de IA a receber uma bolsana rodada de financiamento acadêmico da Fundação Ethereum em 2024.

O Pedra Angular da Reformulação das Relações de Produção de IA: Introduzindo Contratos Inteligentes para Aprendizado Federado

O Aprendizado Federado é uma abordagem de aprendizado de máquina que permite que várias entidades (geralmente referidas como clientes) treinem modelos colaborativamente, garantindo que os dados permaneçam armazenados localmente. Ao contrário do aprendizado de máquina tradicional, o aprendizado federado evita o envio de todos os dados para um servidor central, protegendo assim a privacidade do usuário por meio de computação local. Este método já foi aplicado em vários cenários do mundo real; por exemplo, o Google introduziu o aprendizado federado em seu teclado Gboard em 2017 para otimizar sugestões de entrada e previsões de texto, garantindo que os dados de entrada do usuário não sejam enviados. A Tesla também emprega tecnologia semelhante em seu sistema de direção autônoma, aprimorando a percepção ambiental do veículo localmente e reduzindo a necessidade de transmissão maciça de dados de vídeo.

No entanto, essas aplicações ainda enfrentam desafios, especialmente em relação à privacidade e segurança. Em primeiro lugar, os usuários precisam confiar em terceiros centralizados. Em segundo lugar, durante a transmissão e agregação de parâmetros do modelo, é crucial impedir que nós maliciosos enviem dados falsos ou parâmetros prejudiciais, o que poderia levar a viéses no desempenho geral do modelo ou até previsões errôneas. Pesquisa realizada pela equipe FLock, publicada no IEEEO jornal indica que a precisão dos modelos tradicionais de aprendizado federado cai para 96,3% quando 10% dos nós são maliciosos, e diminui ainda mais para 80,1% e 70,9% quando a proporção de nós maliciosos aumenta para 30% e 40%, respectivamente.

Para lidar com 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 de modelo e impedindo efetivamente que nós maliciosos interfiram nos dados. Comparado às 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 IA: Analisando a Arquitetura de Três Camadas da FLock

O principal problema no cenário atual de IA é que os recursos para treinamento de modelos de IA e uso de dados permanecem altamente concentrados em algumas grandes empresas, tornando difícil para desenvolvedores e usuários comuns utilizar efetivamente esses recursos. Consequentemente, os usuários são deixados com 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 esse problema, Flock tem como objetivo servir como um sistema de agendamento eficaz que coordena demanda, recursos, potência computacional e dados. Aproveitando a pilha de tecnologia Web3, Flock se posiciona como a "camada de execução," principalmente responsável por alocar os requisitos de IA personalizados dos usuários para vários nós descentralizados para treinamento, usando contratos inteligentes para orquestrar essas tarefas em nós globais.

Além disso, para garantir justiça 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 avaliar e otimizar a qualidade dos resultados do treinamento, garantindo que os modelos gerados final representem a solução ótima global.

A arquitetura geral do produto da 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, FL Alliance foca no ajuste fino do modelo sob o mecanismo de contrato inteligente, e AI Marketplace atua como o mercado final de aplicação do modelo.

AI Arena: Incentivos para Treinamento e Validação de Modelos Localizados

A AI Arena é a plataforma descentralizada de treinamento de IA da Flock, onde os usuários podem participar apostando tokens de teste da Flock (FML) e receber recompensas correspondentes. Uma vez que os usuários definem os modelos de que necessitam e enviam tarefas, os nós de treinamento dentro da AI Arena irão treinar os modelos localmente usando a arquitetura inicial do modelo especificada, sem exigir uploads diretos de dados para servidores centralizados. Após cada nó completar o treinamento, os validadores são responsáveis por avaliar o trabalho dos nós de treinamento, verificando a qualidade dos modelos e pontuando-os. 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 sua contribuição. Por exemplo, as recompensas para os nós de treinamento dependem da quantidade apostada e da classificação da qualidade do modelo enviado, enquanto as recompensas dos validadores dependem da consistência dos resultados de votação com o consenso, do número de tokens apostados e da frequência e taxa de sucesso de sua participação em validações. Os retornos para os delegadores dependem dos validadores que eles escolhem e da quantidade apostada.

AI Arenasuporta modos de treinamento de modelos de aprendizado de máquina tradicionais, permitindo que os usuários escolham treinar com dados locais de seus dispositivos ou dados publicamente disponíveis para maximizar o desempenho do modelo final. Atualmente, a rede de testes públicos da AI Arena tem um total de496 nós de treinamento ativos, 871 nós de validação e 72 delegadores. A taxa de staking da plataforma é de 97,74%, com ganhos mensais médios de 40,57% para nós de treinamento e 24,70% para nós de validação.

FL Alliance: Uma plataforma de ajuste fino gerenciada por contratos inteligentes

Os modelos mais bem avaliados na AI Arena são selecionados como "modelos de consenso" e atribuídos à FL Alliance para ajustes adicionais. Este processo de ajuste adicional consiste em múltiplas 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 é obrigado a apostar uma certa quantidade de tokens FML. Os participantes são designados aleatoriamente como proponentes ou eleitores. Os proponentes usam seus conjuntos de dados locais para treinar o modelo e carregam os parâmetros ou pesos do modelo treinado para outros participantes. Os eleitores então resumem e votam para avaliar os resultados da atualização do modelo do proponente.

Todos os resultados são enviados para o 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 piorar, o treinamento será reiniciado usando o modelo previamente validado para outra rodada de treinamento, resumo e avaliação.

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

Mercado de IA: Como Fornecer Serviços de IA Personalizados?

Os modelos treinados na AI Arena e ajustados na FL Alliance serão finalmente implantados na AI Marketplace para uso por outras aplicações. Ao contrário dos “mercados de modelos” tradicionais, o AI Marketplace não apenas oferece modelos prontos, mas também permite que os usuários modifiquem esses modelos e integrem novas fontes de dados para lidar com diferentes cenários de aplicação. Além disso, o AI Marketplace incorpora a tecnologia Retrieval-Augmented Generation (RAG) para aprimorar a precisão dos modelos em domínios específicos. RAG é um método que aprimora grandes modelos de linguagem recuperando informações relevantes de bases de conhecimento externas durante a geração de respostas, garantindo que as respostas do modelo sejam mais precisas e personalizadas.

Atualmente, o Marketplace de IA lançou muitos modelos GPT personalizados com base em diferentes cenários de aplicação, incluindo BTC GPT, Farcaster GPT, Scroll GPT e Ethereum GPT. Vamos tomar 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 para BTC GPT e ChatGPT:

• BTC GPTrespondeu: “O protocolo ARC20 é construído na rede Bitcoin e permite aos usuários criar, transferir e atualizar itens digitais, como NFTs e tokens fungíveis. Com o protocolo ARC20, NFTs não fungíveis e tokens fungíveis podem ser gerados na rede Bitcoin. O token principal do protocolo ARC20 é ATOM, que é usado para diversos fins dentro do protocolo.”
• ChatGPTrespondeu: "Até o meu último conhecimento atualizado em janeiro de 2022, não havia nenhum padrão ou tecnologia amplamente reconhecido conhecido 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 não tenho informações relevantes."

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

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

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

Apesar de ambos serem projetos apoiados pela DCG, Flock e Bittensor focam em aspectos diferentes. Especificamente, o Bittensor tem como objetivo construir uma internet de IA descentralizada, usando “sub-redes” como sua unidade básica, onde cada sub-rede representa um mercado descentralizado. Os participantes podem se juntar como “mineradores” ou “validadores”. Atualmente, o ecossistema do Bittensor compreende 49 sub-redes, abrangendo vários domínios, como texto para fala, geração de conteúdo e ajuste fino de modelos de linguagem grandes.

Desde o ano passado, a Bittensor tem sido um ponto focal no mercado. Por um lado, o preço de seu token disparou, passando de $80 em outubro de 2023 para um pico de $730 este ano. Por outro lado, ela enfrentou várias críticas, incluindo perguntas sobre a sustentabilidade de seu modelo, que depende de incentivos de tokens para atrair desenvolvedores. Além disso, os três principais validadores no ecossistema da 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, a Flock visa fornecer serviços de IA personalizados, integrando blockchain ao aprendizado federado. A Flock se posiciona como o "Uber do espaço de IA", atuando como um "sistema de agendamento descentralizado" que combina as necessidades de IA com os desenvolvedores. Através de contratos inteligentes on-chain, a 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. Semelhante ao Bittensor, a Flock também oferece aos usuários a opção de participar como delegados.

Especificamente, Flock fornece os seguintes papéis:

• Nós de Treinamento:Esses nós podem participar de competições de treinamento de tarefas de IA apostando tokens, adequado para usuários com capacidades computacionais e experiência em desenvolvimento de IA.
• Validadores:Eles também devem apostar tokens para entrar na rede, responsáveis por verificar a qualidade dos modelos dos mineradores e influenciar a distribuição de recompensas através das pontuações de validação enviadas.
• Delegantes:Eles podem delegar tokens para mineradores e validadores para aumentar o peso desses nós na alocação de tarefas, ao mesmo tempo em que compartilham as recompensas obtidas pelos nós delegados. Isso permite que os usuários sem expertise técnica em treinamento ou validação de tarefas participem da rede e ganhem recompensas.

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

No futuro, a Flock pretende introduzir um mecanismo de iniciação de tarefas mais amigável ao usuário que permita que indivíduos sem conhecimento em IA participem facilmente da criação e treinamento de modelos de IA, realizando a visão de “todos podem participar da IA”. A Flock também está buscando ativamente várias colaborações, como o desenvolvimento de um modelo de pontuação de crédito on-chain com a Request Finance e a parceria com a Morpheus e a Ritual para criar modelos de bots de negociação que oferecem templates de implantação com um clique para nós de treinamento, facilitando para os desenvolvedores iniciar e executar 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.

Em geral, embora a Bittensor e a Flock tenham posições de mercado diferentes, ambas buscam redefinir as relações de produção dentro do ecossistema de IA por meio de tecnologias descentralizadas distintas. Seu objetivo comum 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 republicado a partir de [chainfeeds], Todos os direitos autorais pertencem ao autor original [Linda Bell]. Se houver objeções a esta reimpressão, entre em contato com o Gate Learnequipe e eles irão lidar com isso prontamente.
2. Responsabilidade de Isenção de Responsabilidade: As visões e opiniões expressas neste artigo são exclusivamente do autor e não constituem qualquer conselho de investimento.
3. As traduções do artigo para outras línguas são feitas pela equipe do Gate Learn. A menos que seja mencionado, copiar, distribuir ou plagiar os artigos traduzidos é proibido.