ในโครงการที่โดดเด่นเช่น Bittensor, io.net และ Olas กลายเป็นผู้นําอุตสาหกรรมอย่างรวดเร็วด้วยเทคโนโลยีที่ทันสมัยและกลยุทธ์ที่มีวิสัยทัศน์ อย่างไรก็ตามเมื่อการประเมินมูลค่าของโครงการเหล่านี้พุ่งสูงขึ้นอุปสรรคในการเข้าสําหรับนักลงทุนทั่วไปก็เพิ่มขึ้นเช่นกัน ท่ามกลางการหมุนเวียนของภาคส่วนในปัจจุบันยังมีโอกาสใหม่ ๆ สําหรับการมีส่วนร่วมหรือไม่?

Flock: เครือข่ายการฝึกอบรมและการตรวจสอบ AI แบบกระจาย

Flock เป็นการฝึกอบรมโมเดล AI แบบกระจายอํานาจและแพลตฟอร์มแอปพลิเคชันที่รวมการเรียนรู้แบบรวมศูนย์เข้ากับเทคโนโลยีบล็อกเชน ทําให้ผู้ใช้มีสภาพแวดล้อมที่ปลอดภัยสําหรับการฝึกอบรมและการจัดการโมเดลในขณะที่ปกป้องความเป็นส่วนตัวของข้อมูลและอํานวยความสะดวกในการมีส่วนร่วมของชุมชนที่เป็นธรรม คําว่า "ฝูง" ได้รับความนิยมครั้งแรกในปี 2022 เมื่อทีมผู้ก่อตั้งได้เปิดตัวบทความทางวิชาการชื่อ "FLock: การป้องกันพฤติกรรมที่ไม่เหมาะสมในการเรียนรู้แบบเก็บรวบรวมด้วยบล็อกเชน.” กระดาษเสนอใช้บล็อกเชนเพื่อต่อต้านการกระทำที่เจตนาไม่ดีในการเรียนรู้แบบเพนเดอร์เรท มันโครงสร้างว่าทางเลือกแบบกระจายสามารถเสริมความปลอดภัยของข้อมูลและความเป็นส่วนตัวในระหว่างการฝึกโมเดล โดยโชว์ไความสามารถในการประยุกต์ใช้สถาปัตยกรรมนวัตกรรมนี้ในการคำนวณแบบกระจาย

หลังจากการตรวจสอบแนวคิดเบื้องต้น Flock ได้เปิดตัวเครือข่าย AI แบบฉายาที่กระจายอย่างพร้อมพรัอม Flock Research ในปี 2023 ใน Flock Research แต่ละเอเจนต์คือโมเดลภาษาขนาดใหญ่ (LLM) ที่ปรับปรุงให้เหมาะสำหรับโดเมนที่เฉพาะเจา สามารถให้ผู้ใช้ดูเห็นข้อมูลทางด้านต่าง ๆ ผ่านการทำงานร่วมกัน เมื่อกลางเดือนพฤษภาคม พ.ศ. 2024 Flock เปิดตัวเทสเน็ตสำหรับแพลตฟอร์มการฝึกอบรม AI แบบกระจายของตัวเอง ทำให้ผู้ใช้สามารถเข้าร่วมการฝึกอบรมและปรับปรุงโมเดลโดยใช้โทเคนทดสอบ FML และได้รับรางวัล ถึงวันที่ 30 กันยายน พ.ศ. 2024 จำนวนวิศวกร AI ที่ใช้งานอยู่ในแพลตฟอร์ม Flock รายวันได้เกิน 300 คน โดยทั้งหมดมีโมเดลกว่า 15,000 รายการ

เนื่องจากโครงการยังคงเติบโตอย่างต่อเนื่อง Flock ยังได้รับความสนใจจากตลาดทุนด้วย ในเดือนมีนาคมของปีนี้ Flock ได้เสร็จสิ้นรอบการระดมทุนมูลค่า 6 ล้านดอลลาร์ที่นำโดย Lightspeed Faction และ Tagus Capital พร้อมร่วมลงทุนจาก DCG OKX Ventures Inception Capital และ Volt Capital โดยที่น่าสนใจ Flock เป็นโครงการโครงสร้างพื้นฐาน AI เพียงโครงการเดียวที่ได้รับทุนสนับสนุนในรอบการจัดทุนทางวิชาการของ Ethereum Foundation ปี 2024

มุมหน้าของการสร้างรูปแบบความสัมพันธ์ในการผลิต AI: การเสนอสัญญาอัจฉริยะสำหรับการเรียนรู้แบบสมาคม

Federated Learning เป็นวิธีการแมชชีนเลิร์นนิงที่ช่วยให้หลายเอนทิตี (มักเรียกว่าลูกค้า) สามารถฝึกอบรมโมเดลร่วมกันในขณะที่ตรวจสอบให้แน่ใจว่าข้อมูลยังคงเก็บไว้ในเครื่อง การเรียนรู้แบบรวมศูนย์แตกต่างจากแมชชีนเลิร์นนิงแบบดั้งเดิมเพื่อหลีกเลี่ยงการอัปโหลดข้อมูลทั้งหมดไปยังเซิร์ฟเวอร์กลางซึ่งจะช่วยปกป้องความเป็นส่วนตัวของผู้ใช้ผ่านการคํานวณภายในเครื่อง วิธีนี้ถูกนําไปใช้แล้วในสถานการณ์จริงต่างๆ ตัวอย่างเช่น Google ได้เปิดตัวการเรียนรู้แบบรวมศูนย์ในแป้นพิมพ์ Gboard ในปี 2017 เพื่อเพิ่มประสิทธิภาพคําแนะนําการป้อนข้อมูลและการคาดคะเนข้อความในขณะที่มั่นใจได้ว่าจะไม่มีการอัปโหลดข้อมูลป้อนเข้าของผู้ใช้ เทสลายังใช้เทคโนโลยีที่คล้ายคลึงกันในระบบขับขี่อัตโนมัติช่วยเพิ่มการรับรู้ด้านสิ่งแวดล้อมของยานพาหนะในท้องถิ่นและลดความจําเป็นในการส่งข้อมูลวิดีโอจํานวนมาก

อย่างไรก็ตามแอปพลิเคชันเหล่านี้ยังคงเผชิญกับความท้าทายโดยเฉพาะอย่างยิ่งเกี่ยวกับความเป็นส่วนตัวและความปลอดภัย ประการแรกผู้ใช้ต้องไว้วางใจบุคคลที่สามจากส่วนกลาง ประการที่สองในระหว่างการส่งและการรวมพารามิเตอร์แบบจําลองสิ่งสําคัญคือต้องป้องกันไม่ให้โหนดที่เป็นอันตรายอัปโหลดข้อมูลเท็จหรือพารามิเตอร์ที่เป็นอันตรายซึ่งอาจนําไปสู่อคติในประสิทธิภาพของโมเดลโดยรวมหรือแม้แต่การคาดการณ์ที่ผิดพลาด งานวิจัยที่ดําเนินการโดยทีม FLock ซึ่งตีพิมพ์ใน IEEEวารสารแสดงให้เห็นว่าความแม่นยำของโมเดลการเรียนรู้แบบเฟเดอเรทเต็ดเรียบร้อยลงเป็น 96.3% เมื่อมีโหนดที่เป็นอันตราย 10% และลดลงเป็น 80.1% และ 70.9% เมื่อสัดส่วนของโหนดที่เป็นอันตรายเพิ่มขึ้นเป็น 30% และ 40% ตามลำดับ

เพื่อแก้ไขปัญหาเหล่านี้ Flock ได้แนะนําสัญญาอัจฉริยะบนบล็อกเชนในฐานะ "เครื่องมือความไว้วางใจ" ภายในกรอบการเรียนรู้แบบรวมศูนย์ ในฐานะที่เป็นเอ็นจิ้นความน่าเชื่อถือสัญญาอัจฉริยะสามารถรวบรวมและตรวจสอบความถูกต้องของพารามิเตอร์โดยอัตโนมัติในสภาพแวดล้อมแบบกระจายอํานาจทําให้สามารถเผยแพร่ผลลัพธ์ของแบบจําลองได้อย่างเป็นกลางและป้องกันโหนดที่เป็นอันตรายจากการปลอมแปลงข้อมูลได้อย่างมีประสิทธิภาพ เมื่อเทียบกับโซลูชันการเรียนรู้แบบรวมศูนย์แบบดั้งเดิมความแม่นยําของโมเดลของ FLock ยังคงสูงกว่า 95.5% แม้ว่า 40% ของโหนดจะเป็นอันตรายก็ตาม

เลเยอร์การปฏิบัติงาน AI: วิเคราะห์โครงสร้างสามชั้นของ FLock

ปัญหาสําคัญในภูมิทัศน์ AI ปัจจุบันคือทรัพยากรสําหรับการฝึกอบรมโมเดล AI และการใช้ข้อมูลยังคงกระจุกตัวอยู่ในบริษัทขนาดใหญ่ไม่กี่แห่งทําให้นักพัฒนาและผู้ใช้ทั่วไปใช้ทรัพยากรเหล่านี้ได้อย่างมีประสิทธิภาพ ดังนั้นผู้ใช้จึงเหลือโมเดลมาตรฐานที่สร้างไว้ล่วงหน้าและไม่สามารถปรับแต่งได้ตามความต้องการเฉพาะของพวกเขา ความไม่ตรงกันระหว่างอุปสงค์และอุปทานนี้นําไปสู่สถานการณ์ที่แม้จะมีพลังงานในการคํานวณและการสํารองข้อมูลมากมายในตลาด แต่ก็ไม่สามารถเปลี่ยนเป็นโมเดลและแอปพลิเคชันที่ใช้งานได้จริง

เพื่อแก้ไขปัญหานี้ Flock มีจุดมุ่งหมายเพื่อทําหน้าที่เป็นระบบการจัดกําหนดการที่มีประสิทธิภาพซึ่งประสานงานความต้องการทรัพยากรพลังการคํานวณและข้อมูล ด้วยสแต็คเทคโนโลยี Web3 Flock วางตําแหน่งตัวเองเป็น "เลเยอร์การดําเนินการ" ซึ่งรับผิดชอบหลักในการจัดสรรข้อกําหนด AI ที่กําหนดเองของผู้ใช้ไปยังโหนดกระจายอํานาจต่างๆ สําหรับการฝึกอบรม โดยใช้สัญญาอัจฉริยะเพื่อจัดระเบียบงานเหล่านี้ในโหนดทั่วโลก

นอกจากนี้เพื่อให้มั่นใจในความเป็นธรรมและความมีประสิทธิภาพทั่วระบบ ระบบ FLock ยังรับผิดชอบในชั้นขั้น 'ชั้นการตัดสิน' และ 'ชั้นความเห็นต่าง' ชั้นการตัดสิน หมายถึงการระงับและบริหารผู้ร่วมกิจกรรมให้มีสิ่งส่งแรงและลงโทษโดยอิงจากการทำงานสำเร็จ ส่วนชั้นความเห็นต่าง เกี่ยวข้องกับการประเมินและปรับปรุงคุณภาพของผลลัพธ์การฝึกอบรมเพื่อให้มั่นใจว่าโมเดลที่สร้างขึ้นสุดท้ายแทนแนวทางที่เหมาะสมที่สุดในระดับโลก

สถาปัตยกรรมผลิตภัณฑ์โดยรวมของ FLock ประกอบด้วยโมดูลสามส่วนหลัก คือ AI Arena, FL Alliance และ AI Marketplace โมดูล AI Arena รับผิดชอบการฝึกอบรมโมเดลรากฐานแบบกระจาย FL Alliance ให้ความสำคัญกับการปรับแต่งโมเดลภายใต้กลไกสัญญาอัจฉริยะและ AI Marketplace เป็นตลาดใช้งานโมเดลสุดท้าย

AI Arena: สิ่งตั้งใจสำหรับการฝึกอบรมและการตรวจสอบโมเดลในสถานที่

AI Arena เป็นแพลตฟอร์มการฝึกอบรม AI แบบกระจายอํานาจของ Flock ซึ่งผู้ใช้สามารถเข้าร่วมได้โดยการปักหลัก Flock testnet tokens (FML) และรับรางวัลการปักหลักที่สอดคล้องกัน เมื่อผู้ใช้กําหนดโมเดลที่ต้องการและส่งงานโหนดการฝึกอบรมภายใน AI Arena จะฝึกโมเดลภายในเครื่องโดยใช้สถาปัตยกรรมโมเดลเริ่มต้นที่ระบุโดยไม่ต้องอัปโหลดข้อมูลโดยตรงไปยังเซิร์ฟเวอร์ส่วนกลาง หลังจากแต่ละโหนดเสร็จสิ้นการฝึกอบรมผู้ตรวจสอบจะรับผิดชอบในการประเมินการทํางานของโหนดการฝึกอบรมตรวจสอบคุณภาพของแบบจําลองและให้คะแนน ผู้ที่ไม่ต้องการเข้าร่วมในกระบวนการตรวจสอบสามารถมอบหมายโทเค็นของตนให้กับผู้ตรวจสอบเพื่อรับรางวัล

ภายใน AI Arena กลไกการให้รางวัลสําหรับทุกบทบาทขึ้นอยู่กับปัจจัยหลักสองประการ: จํานวนโทเค็นที่เดิมพันและคุณภาพของงาน จํานวนเงินที่เดิมพันสะท้อนให้เห็นถึง "ความมุ่งมั่น" ของผู้เข้าร่วมในขณะที่คุณภาพของงานวัดการมีส่วนร่วมของพวกเขา ตัวอย่างเช่นรางวัลสําหรับโหนดการฝึกอบรมขึ้นอยู่กับจํานวนเงินที่เดิมพันและการจัดอันดับคุณภาพแบบจําลองที่ส่งในขณะที่รางวัลของผู้ตรวจสอบขึ้นอยู่กับความสอดคล้องของผลการลงคะแนนด้วยฉันทามติจํานวนโทเค็นที่เดิมพันและความถี่และอัตราความสําเร็จของการมีส่วนร่วมในการตรวจสอบ ผลตอบแทนสําหรับผู้รับมอบสิทธิ์ขึ้นอยู่กับผู้ตรวจสอบความถูกต้องที่พวกเขาเลือกและจํานวนเงินที่พวกเขาเดิมพัน

AI Arenaรองรับโหมดการฝึกรูปแบบการเรียนรู้ของเครื่องแบบที่เป็นแบบดั้งเดิม ทำให้ผู้ใช้สามารถเลือกที่จะฝึกฝนข้อมูลในเครื่องจักรของพวกเขาหรือข้อมูลที่มีอยู่สาธารณะเพื่อเพิ่มประสิทธิภาพของโมเดลสุดท้าย ณ ปัจจุบัน ทาง AI Arena มีเน็ตเวิร์กทดสอบสาธารณะรวมทั้งหมด496 โหนดการฝึกฝนทำงาน, 871 โหนดการตรวจสอบและ 72 เจ้าภาพ อัตราการฝากของแพลตฟอร์มอยู่ที่ 97.74% โดยมีรายได้เฉลี่ยรายเดือนของโหนดการฝึกฝนที่ 40.57% และโหนดการตรวจสอบที่ 24.70%

FL Alliance: แพลตฟอร์มการปรับแต่งที่จัดการโดย Smart Contracts

โมเดลที่ได้รับคะแนนสูงสุดใน AI Arena ได้รับเลือกให้เป็น "โมเดลฉันทามติ" และมอบหมายให้ FL Alliance เพื่อปรับแต่งเพิ่มเติม กระบวนการปรับแต่งนี้ประกอบด้วยหลายรอบ ในตอนต้นของแต่ละรอบระบบจะสร้างสัญญาอัจฉริยะ FL ที่เกี่ยวข้องกับงานโดยอัตโนมัติซึ่งจัดการการดําเนินการและรางวัล ในทํานองเดียวกันผู้เข้าร่วมแต่ละคนจะต้องเดิมพันโทเค็น FML จํานวนหนึ่ง ผู้เข้าร่วมจะได้รับมอบหมายบทบาทแบบสุ่มในฐานะผู้เสนอหรือผู้มีสิทธิเลือกตั้ง ผู้เสนอใช้ชุดข้อมูลท้องถิ่นของตนเพื่อฝึกโมเดลและอัปโหลดพารามิเตอร์แบบจําลองหรือน้ําหนักที่ผ่านการฝึกอบรมไปยังผู้เข้าร่วมรายอื่น จากนั้นผู้ลงคะแนนจะสรุปและลงคะแนนเพื่อประเมินผลการอัปเดตแบบจําลองของผู้เสนอ

ผลลัพธ์ทั้งหมดถูกส่งให้สัญญาฉลาดเพื่อเปรียบเทียบคะแนนจากแต่ละรอบกับคะแนนจากรอบก่อนหน้าเพื่อประเมินการปรับปรุงหรือการตกต่ำในประสิทธิภาพของโมเดล หากคะแนนประสิทธิภาพดีขึ้น ระบบก้าวหน้าไปสู่ขั้นตอนการฝึกอบรมขั้นต่อไป หากคะแนนลดลงการฝึกอบรมจะเริ่มต้นใช้โมเดลที่ได้รับการยืนยันไว้ก่อนหน้าสำหรับรอบการฝึกอบรม สรุป และประเมินค่าใหม่

FL Alliance บรรลุเป้าหมายในการฝึกอบรมโมเดลระดับโลกร่วมกับผู้เข้าร่วมหลายคนในขณะที่รับประกันอํานาจอธิปไตยของข้อมูลโดยการรวมการเรียนรู้แบบรวมศูนย์และกลไกสัญญาอัจฉริยะ ด้วยการรวมแหล่งข้อมูลที่แตกต่างกันและน้ําหนักรวมเข้าด้วยกันจะสามารถสร้างแบบจําลองระดับโลกที่ทํางานได้ดีขึ้นและมีความสามารถมากขึ้น นอกจากนี้ผู้เข้าร่วมยังแสดงให้เห็นถึงความมุ่งมั่นในการเข้าร่วมโดยการปักหลักโทเค็นและรับรางวัลตามคุณภาพของแบบจําลองและผลลัพธ์ที่เป็นเอกฉันท์สร้างระบบนิเวศที่ยุติธรรมและโปร่งใส

ตลาด AI: วิธีการให้บริการ AI ที่ปรับให้เหมาะกับบุคคล?

โมเดลที่ได้รับการฝึกฝนใน AI Arena และปรับแต่งใน FL Alliance จะถูกปรับใช้ใน AI Marketplace เพื่อใช้งานโดยแอปพลิเคชันอื่น ซึ่งแตกต่างจาก "ตลาดโมเดล" แบบดั้งเดิม AI Marketplace ไม่เพียง แต่นําเสนอโมเดลสําเร็จรูป แต่ยังช่วยให้ผู้ใช้สามารถปรับเปลี่ยนโมเดลเหล่านี้และรวมแหล่งข้อมูลใหม่เพื่อจัดการกับสถานการณ์การใช้งานที่แตกต่างกัน นอกจากนี้ AI Marketplace ยังรวมเอาเทคโนโลยี Retrieval-Augmented Generation (RAG) เพื่อเพิ่มความแม่นยําของโมเดลในโดเมนเฉพาะ RAG เป็นวิธีการที่เสริมโมเดลภาษาขนาดใหญ่โดยการดึงข้อมูลที่เกี่ยวข้องจากฐานความรู้ภายนอกในระหว่างการสร้างการตอบสนองเพื่อให้แน่ใจว่าการตอบสนองของแบบจําลองมีความแม่นยําและเป็นส่วนตัวมากขึ้น

ในปัจจุบัน ตลาด AI ได้เปิดตัวโมเดล GPT ที่ได้รับการปรับแต่งมากมาย โดยขึ้นอยู่กับสถานการณ์การใช้งานที่แตกต่างกัน รวมถึง BTC GPT, Farcaster GPT, Scroll GPT และ Ethereum GPT พร้อมใช้ตัว BTC GPT เป็นตัวอย่างเพื่ออธิบายความแตกต่างระหว่างโมเดลที่ได้รับการปรับแต่งและโมเดลทั่วไป

ในเดือนธันวาคม 2023 เมื่อถามว่า "ARC20 คืออะไร?" พร้อมกันกับ BTC GPT และ ChatGPT:

• BTC GPTตอบกลับ: “โปรโตคอล ARC20 ถูกสร้างบนเครือข่าย Bitcoin และอนุญาตให้ผู้ใช้สร้าง โอน และอัปเกรดไอเทมดิจิทัล เช่น NFTs และโทเคนที่สามารถแลกเปลี่ยนได้ ด้วยโปรโตคอล ARC20 ไอเทมดิจิทัลที่ไม่ใช่แท่งเทียนและโทเคนที่สามารถแลกเปลี่ยนได้สามารถถูกสร้างขึ้นบนเครือข่าย Bitcoin โทเคนหลักของโปรโตคอล ARC20 คือ ATOM ซึ่งใช้เพื่อวัตถุประสงค์ต่าง ๆ ภายในโปรโตคอล”
• ChatGPTตอบกลับว่า: “ตั้งแต่ครั้งสุดท้ายที่ฉันมีความรู้ในมกราคม 2022 ไม่มีมาตรฐานหรือเทคโนโลยีที่รู้จักกันแพร่หลายหรือเทคโนโลยีที่รู้จักที่เรียกว่า ARC20 ในด้านเทคโนโลยี การเงิน หรือพื้นที่ทั่วไปอื่น ๆ สามารถมีเทคโนโลยีหรือมาตรฐานใหม่ที่เรียกว่า ARC20 ที่เกิดขึ้นตั้งแต่นั้นมา แต่ฉันไม่มีข้อมูลที่เกี่ยวข้อง

จากการตอบสนองของพวกเขา เราสามารถเห็นความสำคัญและข้อดีของโมเดล GPT ที่ปรับแต่ง ไม่เหมือนกับโมเดลภาษาแบบทั่วไป โมเดล GPT ที่ปรับแต่งสามารถฝึกอบรมด้วยข้อมูลที่เฉพาะเจาะจงของสาขาบางประการ ซึ่งจะทำให้ได้คำตอบที่แม่นยำมากขึ้น

ความเหมือนและความแตกต่างระหว่าง Flock และ Bittensor ทั้งสองรองรับโดย DCG คืออะไร?

ในขณะที่ภาค AI ฟื้นตัว Bittensor ซึ่งเป็นหนึ่งในตัวแทนของโครงการ AI แบบกระจายอํานาจได้เห็นโทเค็นเพิ่มขึ้นมากกว่า 93.7% ในช่วง 30 วันที่ผ่านมาใกล้ถึงจุดสูงสุดในประวัติศาสตร์โดยมีมูลค่าตลาดทะลุ 4 พันล้านดอลลาร์อีกครั้ง โดยเฉพาะอย่างยิ่ง Digital Currency Group (DCG) บริษัทการลงทุนของ Flock ยังเป็นหนึ่งในผู้ตรวจสอบและนักขุดที่ใหญ่ที่สุดในระบบนิเวศของ Bittensor ตามแหล่งข่าว DCG ถือประมาณ 100 ล้านดอลลาร์ในปี TAO และในบทความปี 2021 โดย "Business Insider" Matthew Beck นักลงทุน DCG แนะนํา Bittensor ให้เป็นหนึ่งใน 53 สตาร์ทอัพ crypto ที่มีแนวโน้มมากที่สุด

แม้ว่าทั้งสองจะเป็นโครงการที่ได้รับการสนับสนุนจาก DCG แต่ Flock และ Bittensor ก็มุ่งเน้นไปที่แง่มุมที่แตกต่างกัน โดยเฉพาะอย่างยิ่ง Bittensor มีจุดมุ่งหมายเพื่อสร้างอินเทอร์เน็ต AI แบบกระจายอํานาจโดยใช้ "เครือข่ายย่อย" เป็นหน่วยพื้นฐานซึ่งแต่ละเครือข่ายย่อยแสดงถึงตลาดแบบกระจายอํานาจ ผู้เข้าร่วมสามารถเข้าร่วมในฐานะ "นักขุด" หรือ "ผู้ตรวจสอบความถูกต้อง" ปัจจุบันระบบนิเวศของ Bittensor ประกอบด้วยเครือข่ายย่อย 49 เครือข่ายซึ่งครอบคลุมโดเมนต่างๆเช่นการแปลงข้อความเป็นคําพูดการสร้างเนื้อหาและการปรับแต่งโมเดลภาษาขนาดใหญ่

ตั้งแต่ปีที่แล้ว Bittensor เป็นจุดโฟกัสในตลาด ในอีกด้านหนึ่งราคาโทเค็นได้พุ่งสูงขึ้นโดยทะยานขึ้นจาก 80 ดอลลาร์ในเดือนตุลาคม 2023 เป็นจุดสูงสุดที่ 730 ดอลลาร์ในปีนี้ ในทางกลับกันมันต้องเผชิญกับการวิพากษ์วิจารณ์ต่าง ๆ รวมถึงคําถามเกี่ยวกับความยั่งยืนของโมเดลซึ่งอาศัยแรงจูงใจโทเค็นเพื่อดึงดูดนักพัฒนา นอกจากนี้ผู้ตรวจสอบสามอันดับแรกในระบบนิเวศของ Bittensor (Opentensor Foundation, Taostats & Corcel และ Foundry) ถือหุ้นรวมกันเกือบ 40% ของ TAO ที่เดิมพันทําให้เกิดความกังวลของผู้ใช้เกี่ยวกับระดับการกระจายอํานาจ

ในทางตรงกันข้าม Flock มีจุดมุ่งหมายเพื่อให้บริการ AI ส่วนบุคคลโดยการรวมบล็อกเชนเข้ากับการเรียนรู้แบบรวมศูนย์ Flock วางตําแหน่งตัวเองเป็น "Uber of the AI space" ซึ่งทําหน้าที่เป็น "ระบบการจัดกําหนดการแบบกระจายอํานาจ" ที่ตรงกับความต้องการของ AI กับนักพัฒนา ด้วยสัญญาอัจฉริยะแบบ on-chain Flock จะจัดการการจัดสรรงาน การตรวจสอบผลลัพธ์ และการจ่ายรางวัลโดยอัตโนมัติ เพื่อให้มั่นใจว่าผู้เข้าร่วมแต่ละคนจะได้รับส่วนแบ่งอย่างเป็นธรรมตามการมีส่วนร่วมของพวกเขา เช่นเดียวกับ Bittensor ฝูงยังเสนอตัวเลือกให้ผู้ใช้เข้าร่วมในฐานะผู้รับมอบสิทธิ์

โดยเฉพาะอย่างยิ่ง Flock ให้บทบาทต่อไปนี้:

• โหนดการฝึกอบรม:โหนดเหล่านี้สามารถเข้าร่วมการแข่งขันการฝึกอบรม AI โดยการเดิมพันโทเค็น เหมาะสำหรับผู้ใช้ที่มีความสามารถทางคอมพิวเตอร์และประสบการณ์ในการพัฒนา AI
• Validators:พวกเขายังต้องจำนำโทเค็นเพื่อเข้าร่วมเครือข่าย รับผิดชอบในการตรวจสอบคุณภาพของแบบจำลองของนักขุดและส่งผลคะแนนการตรวจสอบเพื่อมีผลต่อการกระจายรางวัล
• ผู้มอบหมาย:พวกเขาสามารถมอบหมายโทเค็นให้กับโหนดขุดแร่และโหนดผู้ตรวจสอบเพื่อเพิ่มน้ำหนักของโหนดเหล่านั้นในการจัดส่งงานในขณะที่แบ่งปันรางวัลที่ได้รับจากโหนดที่ถูกมอบหมาย นี้ทำให้ผู้ใช้ที่ไม่มีความชำนาญทางเทคนิคในการฝึกอบรมหรือตรวจสอบงานสามารถเข้าร่วมในเครือข่ายและได้รับรางวัล

Flock.io ได้เปิดให้ใช้งานฟีเจอร์การมอบหมายอย่างเป็นทางการแล้ว โดยให้ผู้ใช้ใดๆ สามารถฝาก FML สำหรับฟรีเควสเพื่อรับรางวัลได้ ผู้ใช้สามารถเลือกFlock ยังบอกว่าการ stake และการดำเนินการที่เกี่ยวข้องในช่วงเทสเน็ตจะมีผลต่อรางวัล airdrop ที่เป็นไปได้หลังจากเปิดตัว mainnet

ในอนาคต Flock มีเป้าหมายที่จะแนะนํากลไกการเริ่มต้นงานที่ใช้งานง่ายยิ่งขึ้นซึ่งช่วยให้บุคคลที่ไม่มีความเชี่ยวชาญด้าน AI สามารถมีส่วนร่วมในการสร้างและฝึกอบรมโมเดล AI ได้อย่างง่ายดายโดยตระหนักถึงวิสัยทัศน์ของ "ทุกคนสามารถมีส่วนร่วมใน AI" ฝูงแกะยังแสวงหาความร่วมมือต่าง ๆ อย่างแข็งขันเช่นการพัฒนารูปแบบการให้คะแนนเครดิตแบบ on-chain ด้วย Request Finance และการเป็นพันธมิตรกับ Morpheus และ Ritual เพื่อสร้างโมเดลบอทซื้อขายที่มีเทมเพลตการปรับใช้ในคลิกเดียวสําหรับโหนดการฝึกอบรมทําให้นักพัฒนาสามารถเริ่มและเรียกใช้การฝึกอบรมโมเดลบน Akash ได้อย่างง่ายดาย นอกจากนี้ Flock ยังได้ฝึกอบรมผู้ช่วยการเขียนโปรแกรมภาษา Move เพื่อสนับสนุนนักพัฒนาบนแพลตฟอร์ม Aptos

โดยรวมแล้ว ในขณะที่ Bittensor และ Flock มีตําแหน่งทางการตลาดที่แตกต่างกัน ทั้งคู่พยายามกําหนดความสัมพันธ์ด้านการผลิตใหม่ภายในระบบนิเวศ AI ผ่านเทคโนโลยีการกระจายอํานาจที่แตกต่างกัน เป้าหมายร่วมกันของพวกเขาคือการรื้อการผูกขาดของยักษ์ใหญ่แบบรวมศูนย์เหนือทรัพยากร AI และส่งเสริมระบบนิเวศ AI ที่เปิดกว้างและเท่าเทียมกันมากขึ้นซึ่งจําเป็นเร่งด่วนในตลาดปัจจุบัน

Disclaimer：

1. บทความนี้ถูกคัดลอกมาจาก [gatechainfeeds], ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [Linda Bell]. If there are objections to this reprint, please contact the เกตเรียนทีมของเราจะดูแลมันโดยเร็ว
2. คำประกาศความรับผิดชอบ: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำในการลงทุนใดๆ
3. การแปลบทความเป็นภาษาอื่นๆ โดยทีมงานเรียนรู้ของเกต เว้นแต่จะระบุไว้ ห้ามคัดลอก กระจาย หรือลอกเลียนแบบบทความที่ถูกแปล