Під час попереднього сплеску децентралізованого штучного інтелекту видатні проєкти, такі як Bittensor, io.net та Olas, швидко стали лідерами галузі завдяки своїм передовим технологіям та далекоглядним стратегіям. Однак у міру того, як вартість цих проектів стрімко зростає, бар'єри входу для звичайних інвесторів також зросли. На тлі нинішньої ротації секторів, чи є ще нові можливості для залучення?

Flock: Децентралізована мережа навчання та верифікації штучного інтелекту

Flock - це децентралізована платформа навчання та застосування моделей штучного інтелекту, що поєднує федеративне навчання з технологією блокчейн, пропонуючи користувачам безпечне середовище для навчання та управління моделями, забезпечуючи конфіденційність даних та сприяючи справедливій участі спільноти. Термін "Flock" вперше набув популярності в 2022 році, коли засновницький колектив випустив наукову статтю під назвою " FLock: Захист зловмисних дій у федеративному навчанні з блокчейном.” У документі запропоновано використовувати блокчейн для боротьби зі шкідливими діями у федеративному навчанні. У ньому було описано, як децентралізований підхід може підвищити безпеку та конфіденційність даних під час навчання моделі, демонструючи потенційне застосування цієї інноваційної архітектури в розподілених обчисленнях.

Після початкової перевірки концепції Flock запустив децентралізовану мультиагентну мережу штучного інтелекту Flock Research у 2023 році. У Flock Research кожен агент є великою мовною моделлю (LLM), точно налаштованою для конкретних доменів, здатною надавати користувачам інформацію в різних сферах завдяки співпраці. У середині травня 2024 року Flock офіційно відкрив тестову мережу для своєї децентралізованої навчальної платформи зі штучним інтелектом, що дозволяє користувачам брати участь у навчанні та тонкому налаштуванні моделей за допомогою тестового токена FML та отримувати винагороди. Станом на 30 вересня 2024 року кількість щоденних активних інженерів штучного інтелекту на платформі Flock перевищила 300, загалом було представлено понад 15 000 моделей.

По мере роста проекта Flock также привлек внимание капитальных рынков. В марте этого года Flock завершил раунд финансирования на сумму 6 миллионов долларов, возглавив который стали Lightspeed Faction и Tagus Capital, с участием DCG, OKX Ventures, Inception Capital и Volt Capital. Следует отметить, что Flock єдиний проект інфраструктури штучного інтелекту, який отримав гранту фінансуванні академічних програм Фонду Ethereum на 2024 рік.

Основа перетворення взаємин виробництва штучного інтелекту: введення смарт-контрактів для федеративного навчання

Федеративне навчання — це підхід до машинного навчання, який дозволяє кільком організаціям (часто їх називають клієнтами) спільно навчати моделі, гарантуючи, що дані зберігаються локально. На відміну від традиційного машинного навчання, федеративне навчання дозволяє уникнути завантаження всіх даних на центральний сервер, тим самим захищаючи конфіденційність користувачів за допомогою локальних обчислень. Цей метод вже застосовувався в різних реальних сценаріях; наприклад, у 2017 році Google запровадив федеративне навчання у своїй клавіатурі Gboard, щоб оптимізувати пропозиції введення та прогнози тексту, гарантуючи, що дані введення користувача не завантажуються. Tesla також використовує аналогічні технології у своїй системі автономного водіння, покращуючи сприйняття автомобіля на місцевому рівні та зменшуючи потребу у масовій передачі відеоданих.

Однак, ці застосунки все ще зіткнуться з проблемами, особливо з приватністю та безпекою. По-перше, користувачам потрібно довіряти централізованим сторонам. По-друге, під час передачі та агрегації параметрів моделі важливо запобігти завантаженню хибних даних або шкідливих параметрів з боку зловмисних вузлів, що може призвести до впливів на загальну продуктивність моделі або навіть помилкових прогнозів. Дослідження, проведені командою FLock, опубліковані в IEEEжурнал вказує, що точність традиційних моделей федеративного навчання падає до 96,3%, коли 10% вузлів є зловмисними, і подальше зменшується до 80,1% і 70,9%, коли частки зловмисних вузлів збільшуються до 30% і 40% відповідно.

Для вирішення цих проблем Flock впровадив розумні контракти на блокчейні як «двигун довіри» в межах своєї федеративної системи навчання. Як двигун довіри, розумні контракти можуть автоматизувати збір та перевірку параметрів у децентралізованому середовищі, що дозволяє неупереджену публікацію результатів моделі та ефективно запобігає зловживанню даними зловмисних вузлів. У порівнянні з традиційними рішеннями федеративного навчання точність моделі FLock залишається на рівні понад 95,5%, навіть при 40% зловмисних вузлах.

Шар виконання AI: Аналіз трьохшарової архітектури FLock

Головна проблема в сучасному AI-ландшафті полягає в тому, що ресурси для тренування моделей штучного інтелекту та використання даних залишаються високо концентрованими серед кількох великих компаній, що ускладнює ефективне використання цих ресурсів звичайними розробниками та користувачами. В результаті користувачі залишаються з готовими стандартизованими моделями та не можуть налаштувати їх згідно зі своїми конкретними потребами. Ця неспівмірність між пропозицією та попитом призводить до ситуації, де, незважаючи на велику потужність обчислень та резерви даних на ринку, їх не можна перетворити на практично використовувані моделі та додатки.

Для вирішення цієї проблеми Flock має на меті служити ефективною системою планування, яка координує попит, ресурси, обчислювальну потужність та дані. Використовуючи стек технологій Web3, Flock позиціонує себе як «рівень виконання», в основному відповідальний за розподіл настроюваних вимог користувачів до штучного інтелекту на різні децентралізовані вузли для навчання, використовуючи розумні контракти для оркестрації цих завдань по всьому світу.

Крім того, для забезпечення справедливості та ефективності в усьому екосистемі, система FLock також відповідальна за "шар розрахунків" та "шар консенсусу". Шар розрахунків посилається на стимулювання та управління внесками учасників, винагороду або покарання їх на основі завершення завдань. Шар консенсусу передбачає оцінку та оптимізацію якості результатів навчання, забезпечення того, що кінцеві згенеровані моделі представляють глобально оптимальне рішення.

Загальна архітектура продукту FLock складається з трьох основних модулів: AI Arena, FL Alliance і AI Marketplace. AI Arena відповідає за децентралізоване навчання фундаментальних моделей, FL Alliance зосереджується на тонкому налаштуванні моделей за механізмом смарт-контрактів, а AI Marketplace служить ринком кінцевих прикладних моделей.

AI Арена: Спонуки для локалізованого навчання та валідації моделей

AI Arena - це децентралізована платформа навчання штучного інтелекту Flock, де користувачі можуть брати участь, ставлячи тестові токени Flock (FML) та отримувати відповідні винагороди за ставки. Коли користувачі визначають потрібні моделі та подають завдання, навчальні вузли в межах AI Arena будуть навчати моделі локально за допомогою вказаної початкової архітектури моделі, не потребуючи прямого завантаження даних на централізовані сервери. Після завершення навчання кожен вузол відповідальний за оцінку роботи навчальних вузлів, перевірку якості моделей та їх оцінку. Ті, хто не бажає брати участь у процесі валідації, можуть делегувати свої токени валідаторам за винагороду.

У рамках AI Arena механізми винагород для всіх ролей залежать від двох основних факторів: кількості ставлених жетонів та якості завдань. Ставлена сума відображає "зобов'язаність" учасників, тоді як якість завдання вимірює їхній внесок. Наприклад, винагорода для тренувальних вузлів залежить від кількості ставлених жетонів та рейтингу якості поданої моделі, тоді як винагорода для валідаторів залежить від узгодженості результатів голосування з консенсусом, кількості ставлених жетонів та частоти та успішності їхньої участі в перевірках. Прибуток для делегаторів залежить від валідаторів, яких вони обирають, та суми, яку вони ставлять.

AI Аренапідтримує традиційні режими навчання моделей машинного навчання, що дозволяє користувачам вибирати навчання на локальних даних зі своїх пристроїв або загальнодоступних даних, щоб максимізувати продуктивність кінцевої моделі. На даний момент у публічній тестовій мережі AI Arena є всього496 активних вузлів навчання, 871 вузол валідації та 72 делегати. Коефіцієнт стейкінгу платформи становить 97,74%, середньомісячний дохід складає 40,57% для вузлів навчання та 24,70% для вузлів валідації.

FL Alliance: Платформа настройки, керована смарт-контрактами

Найвище оцінені моделі на AI Arena вибираються як «консенсусні моделі» та призначаються FL Alliance для подальшої деталізації. Цей процес деталізації складається з кількох раундів. На початку кожного раунду система автоматично створює FL розумний контракт, що стосується завдання, який керує виконанням завдання та винагородами. Подібно до цього, кожен учасник повинен вкласти певну кількість токенів FML. Учасники випадковим чином призначаються ролями - пропонувальниками або виборцями. Пропонувальники використовують свої локальні набори даних для навчання моделі та завантажують навчені параметри або ваги моделі до інших учасників. Виборці тоді підбивають підсумки та голосують, щоб оцінити результати оновлення моделі від пропонувальника.

Всі результати подаються до смарт-контракту, який порівнює бали з кожного раунду з попереднім раундом, щоб оцінити поліпшення або зниження продуктивності моделі. Якщо бал продуктивності покращується, система переходить до наступного етапу навчання; якщо він знижується, навчання буде перезапущено з використанням попередньо перевіреної моделі для ще одного раунду навчання, узагальнення та оцінювання.

FL Alliance Досягає мети спільного навчання глобальної моделі з кількома учасниками, забезпечуючи при цьому суверенітет даних шляхом поєднання механізмів федеративного навчання та смарт-контрактів. Інтегруючи різні джерела даних і агрегуючи ваги, він може побудувати глобальну модель, яка працює краще і володіє більшими можливостями. Крім того, учасники демонструють свою прихильність до участі, здійснюючи стейкінг токенів, і отримують винагороду на основі якості моделі та результатів консенсусу, формуючи справедливу та прозору екосистему.

AI Marketplace: Як надавати персоналізовані послуги штучного інтелекту?

Моделі, навчені на AI Arena і доопрацьовані в FL Alliance, в кінцевому підсумку будуть розгорнуті на ринку штучного інтелекту для використання іншими додатками. На відміну від традиційних «маркетплейсів моделей», AI Marketplace не тільки пропонує готові моделі, але й дозволяє користувачам модифікувати ці моделі та інтегрувати нові джерела даних для вирішення різних сценаріїв застосування. Крім того, маркетплейс штучного інтелекту включає технологію Retrieval-Augmented Generation (RAG) для підвищення точності моделей у певних областях. RAG — це метод, який доповнює великі мовні моделі, отримуючи відповідну інформацію із зовнішніх баз знань під час генерації відповідей, гарантуючи, що відповіді моделі є більш точними та персоналізованими.

Наразі AI Marketplace запустив багато настроюваних моделей GPT на основі різних сценаріїв застосування, включаючи BTC GPT, Farcaster GPT, Scroll GPT та Ethereum GPT. Давайте візьмемо BTC GPT як приклад, щоб проілюструвати різницю між настроюваними моделями та загальними моделями.

У грудні 2023 року, коли запитали «Що таке ARC20?» одночасно BTC GPT і ChatGPT:

• BTC GPTвідповів: «Протокол ARC20 побудований на мережі Bitcoin і дозволяє користувачам створювати, передавати та оновлювати цифрові предмети, такі як NFT-токени та товаришки токени. За допомогою протоколу ARC20 на мережі Bitcoin можна генерувати нефункціональні NFT-токени та товаришки токени. Основним токеном протоколу ARC20 є ATOM, який використовується для різних цілей в межах протоколу».
• ChatGPTвідповів: "На момент мого останнього оновлення знань в січні 2022 року не існувало загальновизнаного стандарту або технології, відомої як ARC20 в галузі технологій, фінансів або інших загальних сфер. Можливо, з тих пір з'явилася нова технологія або стандарт під назвою ARC20, але у мене немає відповідної інформації".

З їх відповідей ми бачимо важливість та переваги індивідуалізованих моделей GPT. У відміну від універсальних мовних моделей, індивідуалізовані моделі GPT можуть бути навчені на даних, специфічних для певних галузей, тим самим надаючи більш точні відповіді.

Які схожості й відмінності між Flock та Bittensor, обидва підтримувані DCG?

У міру того, як сектор штучного інтелекту відроджується, Bittensor, один із представників децентралізованих проєктів штучного інтелекту, побачив, що його токен зріс більш ніж на 93,7% за останні 30 днів, досягнувши майже свого історичного піку, а його ринкова капіталізація знову перевищила 4 мільярди доларів. Примітно, що інвестиційна компанія Flock, Digital Currency Group (DCG), також є одним з найбільших валідаторів і майнерів в екосистемі Bittensor. Згідно з джерелами, DCG володіє приблизно 100 мільйонами доларів у TAO, а в статті «Business Insider» за 2021 рік інвестор DCG Метью Бек рекомендував Bittensor як один із 53 найперспективніших криптостартапів.

Незважаючи на те, що обидва проекти підтримує DCG, Flock та Bittensor фокусуються на різних аспектах. Зокрема, Bittensor має на меті побудувати децентралізований штучний інтелект Інтернету, використовуючи "підмережі" як його основну одиницю, де кожна підмережа представляє децентралізований ринок. Учасники можуть приєднатися як "шахтарі" або "підтверджувачі". На даний момент екосистема Bittensor складається з 49 підмереж, що охоплюють різні сфери, такі як перетворення тексту в мову, генерація вмісту та налаштування великих мовних моделей.

З минулого року Bittensor був центром уваги на ринку. З одного боку, його ціна на токен виросла, підлетівши від 80 доларів у жовтні 2023 року до піку в 730 доларів цього року. З іншого боку, він зіткнувся з різними критиками, включаючи питання про стійкість його моделі, яка ґрунтується на токен-інцентивах для приваблення розробників. Крім того, топ-3 валідаторів у екосистемі Bittensor (Opentensor Foundation, Taostats & Corcel та Foundry) разом володіють майже 40% стейкованого TAO, що викликає занепокоєння користувачів щодо рівня децентралізації.

Наприклад, Flock має на меті забезпечити персоналізовані послуги AI, інтегруючи блокчейн у федеративне навчання. Flock позиціонує себе як «Uber у просторі AI», служачи «децентралізованою системою планування», яка відповідає потребам AI з розробниками. Завдяки розумним контрактам на ланцюжку Flock автоматично керує процесом розподілу завдань, перевірки результатів та розрахунку винагород, забезпечуючи, що кожен учасник може справедливо отримати частку на основі своїх внесків. Подібно до Bittensor, Flock також пропонує користувачам можливість брати участь як делегати.

Зокрема, Flock забезпечує наступні ролі:

• Тренувальні вузли:Ці вузли можуть брати участь у змаганнях з тренування завдань штучного інтелекту, ставлячи токени, що підходить для користувачів з обчислювальними можливостями та досвідом розробки ШІ.
• Валідатори:Вони також повинні заставити токени, щоб приєднатися до мережі, відповідальні за перевірку якості моделей майнерів та вплив на розподіл винагороди через подані оцінки валідації.
• Делегати:Вони можуть делегувати токени майнерам та валідаторам, щоб підвищити вагу цих вузлів у розподілі завдань, отримуючи частку в нагороді, заробленій делегованими вузлами. Це дозволяє користувачам без технічних знань у навчанні або перевірці завдань брати участь в мережі та отримувати винагороду.

Flock.io офіційно відкрив можливість делегування, що дозволяє будь-якому користувачеві ставити токени FML для отримання винагороди. Користувачі можутьвибиратиоптимальні вузли на основі їх очікуваних щорічних доходів для максимізації їхніх винагород за стейкінг. Flock також вказує, що стейкінг та пов'язані операції під час фази тестування будуть впливати на потенційні винагороди за airdrop після запуску mainnet.

У майбутньому Flock прагне запровадити більш зручний механізм ініціації завдань, який дозволить людям без досвіду роботи зі штучним інтелектом легко брати участь у створенні та навчанні моделей штучного інтелекту, реалізуючи бачення «кожен може брати участь у штучному інтелекті». Flock також активно співпрацює з різними організаціями, такими як розробка ончейн-моделі кредитного скорингу за допомогою Request Finance і партнерство з Morpheus і Ritual для створення моделей торгових ботів, які пропонують шаблони розгортання в один клік для навчальних вузлів, що спрощує розробникам початок і проведення навчання моделей на Akash. Крім того, Flock навчив помічника з програмування мови Move для підтримки розробників на платформі Aptos.

В цілому, хоча Bittensor та Flock мають різні ринкові позиції, обидва прагнуть переозначити виробничі взаємини в екосистемі штучного інтелекту за допомогою різних децентралізованих технологій. Їх спільна мета - розірвати монополію централізованих гігантів над ресурсами штучного інтелекту та сприяти більш відкритій та справедливій екосистемі штучного інтелекту, яка нагально потрібна на сучасному ринку.

Відмова від відповідальності:

1. Цю статтю перепринтовано з [chainfeeds], Всі авторські права належать оригінальному автору [Лінда Белл]. Якщо є заперечення проти цього передруку, будь ласка, зв'яжіться з gate Learnкоманда, і вони оперативно займуться цим.
2. Відмова від відповідальності: Погляди та думки, висловлені в цій статті, належать виключно автору і не є жодною інвестиційною порадою.
3. Переклади статті на інші мови виконуються командою Gate Learn. Якщо не зазначено, копіювання, поширення або плагіат перекладених статей заборонені.