在上一波去中心化人工智能浪潮中，像Bittensor、io.net和Olas这样的杰出项目凭借其尖端技术和开拓性战略迅速成为行业领导者。然而，随着这些项目的估值飙升，普通投资者的进入门槛也在提高。在当前的行业轮动中，是否仍然有新的参与机会呢？

Flock：一個去中心化的人工智能訓練和驗證網絡

Flock是一個結合聯邦學習與區塊鏈技術的去中心化AI模型訓練和應用平台，為用戶提供安全的模型訓練和管理環境，同時保護數據隱私並促進公平的社區參與。2022年，Flock這一詞在其創始團隊發布了一篇名為《...》的學術論文後首次受到關注。FLock：使用區塊鏈捍衛聯合學習中的惡意行為該論文提出使用區塊鏈來對抗聯邦學習中的惡意行為。它概述了分散式方法如何在模型訓練期間增強數據安全和隱私，展示了這種創新架構在分散式計算中的潛在應用。

在初步概念驗證之後，Flock於2023年推出了去中心化多智能體人工智能網絡Flock Research。在Flock Research中，每個智能體都是一個針對特定領域進行了調整的大型語言模型（LLM），能夠通過協作為用戶提供各個領域的見解。2024年5月中旬，Flock正式開放了其去中心化人工智能訓練平台的測試網，允許用戶使用測試代幣FML參與模型訓練和調整並獲得獎勵。截至2024年9月30日，在Flock平台上每日活躍的人工智能工程師人數已超過300人，總計提交了超過15,000個模型。

隨著項目的不斷發展，Flock也引起了資本市場的關注。今年3月，Flock完成了由Lightspeed Faction和Tagus Capital領投的600萬美元融資，DCG，OKX Ventures，Inception Capital和Volt Capital參與其中。值得注意的是，羊群是唯一獲得資助的AI基礎設施項目在2024年以太坊基金會的學術資助回合中。

重塑AI生產關係的基石：引入聯邦學習的智能合約

聯邦學習是一種機器學習方法，允許多個實體（通常稱為客戶端）在確保數據保持本地存儲的同時協作訓練模型。與傳統的機器學習不同，聯邦學習避免將所有數據上傳到中央伺服器，從而通過本地計算保護用戶隱私。這種方法已經應用於各種現實場景；例如，谷歌在2017年將聯邦學習引入其Gboard鍵盤中，以優化輸入建議和文本預測，同時確保用戶輸入數據不會被上傳。特斯拉在其自動駕駛系統中也採用了類似技術，增強了車輛的環境感知能力，並減少了大規模視頻數據傳輸的需求。

然而，這些應用程式仍然面臨著挑戰，特別是在隱私和安全方面。首先，用戶需要信任中心化的第三方。其次，在模型參數的傳輸和聚合過程中，防止惡意節點上傳虛假數據或有害參數至關重要，這可能導致整個模型性能出現偏差甚至錯誤預測。FLock團隊進行的研究刊登在IEEE一份刊物指出，傳統聯邦學習模型的準確性在10%的節點是惡意節點時下降至96.3%，當惡意節點的比例增加到30%和40%時，進一步下降至80.1%和70.9%。

為了解決這些問題，Flock在其聯邦學習框架中引入了區塊鏈上的智能合約作為“信任引擎”。作為信任引擎，智能合約可以自動化在去中心化環境中收集和驗證參數，實現模型結果的無偏發布，有效地防止惡意節點對數據進行篡改。與傳統的聯邦學習解決方案相比，Flock的模型準確度仍然保持在95.5%以上，即使有40%的節點是惡意的。

AI 執行層：分析 FLock 的三層架構

當前AI領域的關鍵問題在於AI模型訓練和數據使用的資源仍然高度集中在少數幾家大公司手中，這使得普通開發者和用戶難以有效利用這些資源。因此，用戶只能使用預先構建的標準化模型，無法根據自身需求自定義模型。供需之間的不匹配導致這樣一種情況：市場上雖然有豐富的計算能力和數據儲備，但卻無法轉化為實際可用的模型和應用程式。

為了應對這一問題，Flock旨在成為一個有效的排程系統，協調需求、資源、計算能力和數據。借助Web3技術堆棧，Flock將自己定位為“執行層”，主要負責將用戶定製的人工智能需求分配給各個分散式節點進行訓練，並使用智能合約在全球節點之間協調這些任務。

此外，為了確保生態系統的公平性和效率性，FLock 系統也負責“結算層”和“共識層”。 結算層指的是激勵和管理參與者的貢獻，根據任務完成情況對其進行獎勵或處罰。 共識層涉及評估和優化訓練結果的質量，確保最終生成的模型代表全球最優解。

FLock的整體產品架構包括三個主要模塊：AI Arena、FL聯盟和AI Marketplace。AI Arena負責去中心化基礎模型訓練，FL聯盟專注於智能合約機制下的模型微調，而AI Marketplace則作為最終模型應用市場。

AI Arena: 本地化模型訓練和驗證的獎勵

AI Arena是Flock的去中心化AI訓練平台，用戶可以通過抵押Flock測試網絡代幣（FML）參與其中並獲得相應的抵押獎勵。用戶在定義所需模型並提交任務後，AI Arena內的訓練節點將使用指定的初始模型架構在本地進行模型訓練，而無需直接上傳數據到集中式服務器。每個節點完成訓練後，驗證者負責評估訓練節點的工作，檢查模型的質量並對其進行評分。不希望參與驗證過程的人可以將其代幣委託給驗證者以獲得獎勵。

在AI競技場中，所有角色的獎勵機制都取決於兩個核心因素：押注的代幣數量和任務的質量。押注的數量反映了參與者的“承諾”，而任務的質量則衡量了他們的貢獻。例如，訓練節點的獎勵取決於押注的數量和提交的模型質量排名，而驗證者的獎勵則取決於投票結果與共識的一致性、押注代幣的數量，以及參與驗證的頻率和成功率。委託人的回報取決於他們選擇的驗證者和押注的數量。

AI競技場支持傳統的機器學習模型訓練模式，允許用戶選擇在本地設備上訓練本地數據或公開可用數據，以最大限度地提高最終模型的性能。目前，AI Arena公共測試網絡有總共496個活躍的訓練節點，871個驗證節點和72個委託人。平台的抵押比例為97.74％，訓練節點的月均收益率為40.57％，驗證節點的月均收益率為24.70％。

FL聯盟：由智能合約管理的微調平台

AI Arena上評分最高的模型被選為「共識模型」，並分配給FL聯盟進行進一步微調。這個微調過程包括多輪。在每一輪開始時，系統會自動創建與任務相關的FL智慧合約，用於管理任務執行和獎勵。同樣，每個參與者都需要質押一定數量的 FML 代幣。參與者被隨機分配為提議者或選民的角色。提議者使用其本地數據集來訓練模型，並將訓練好的模型參數或權重上傳給其他參與者。然後，投票者總結並投票以評估提議者的模型更新結果。

所有結果都提交到智能合約，該合約將每一輪的分數與上一輪進行比較，以評估模型性能的改善或下降。如果性能分數提升，系統將進入下一個訓練階段；如果下降，將使用先前驗證的模型重新啟動另一輪訓練、總結和評估。

FL 聯盟通過結合聯邦學習和智能合約機制，實現了多個參與者共同培訓全球模型的目標，同時確保數據主權。通過整合不同的數據源並聚合權重，可以構建性能更好並具有更大能力的全球模型。此外，參與者通過抵押代幣展示他們參與的承諾，並根據模型質量和共識結果獲得獎勵，形成公平和透明的生態系統。

AI Marketplace: 如何提供個性化人工智能服務？

在AI Arena中訓練並在FL Alliance中微調的模型最終將部署在AI Marketplace中，供其他應用程式使用。與傳統的“模型市場”不同，AI Marketplace不僅提供現成的模型，還允許使用者修改這些模型並集成新的數據源，以應對不同的應用場景。此外，人工智慧市場採用了檢索增強生成（RAG）技術，以提高特定領域模型的準確性。RAG 是一種通過在回應生成過程中從外部知識庫檢索相關信息來增強大型語言模型的方法，確保模型的回應更加準確和個人化。

目前，AI Marketplace推出了許多基於不同應用場景的定制GPT模型，包括BTC GPT、Farcaster GPT、Scroll GPT和Ethereum GPT。讓我們以BTC GPT為例，來說明定制模型和普通模型之間的區別。

2023年12月，當被問及“ARC20是什麼？”時，同時向BTC GPT和ChatGPT提問：

• BTC GPT回答：“ARC20協議是建立在比特幣網絡上的，它允許用戶創建、轉移和升級數字資產，例如NFT和可替代資產。通過ARC20協議，非可替代NFT和可替代資產可以在比特幣網絡上生成。ARC20協議的主要代幣是ATOM，在協議內部用於各種目的。”
• ChatGPT回答說：“截至我在2022年1月的最後一次知識更新時，科技、金融或其他常見領域中並不存在廣泛認可的名為ARC20的標準或技術。自那時以來，可能出現了一種名為ARC20的新技術或標準，但我並沒有相關信息。”

從他們的回答中，我們可以看到定制GPT模型的重要性和優勢。與通用語言模型不同，定制的GPT模型可以根據特定領域的數據進行訓練，從而提供更準確的回應。

Flock和Bittensor在DCG支持下的相似之處和不同之處是什麼？

隨著人工智能行業的復蘇，去中心化AI項目代表之一的Bittensor在過去30天內看到其代幣上漲了93.7%，接近歷史高峰，市值再次超過40億美元。值得注意的是，Flock的投資公司數字貨幣集團（DCG）也是Bittensor生態系統中最大的驗證者和礦工之一。根據消息人士透露，DCG持有約1億美元的TAO，而DCG投資者Matthew Beck在《商業內幕》的一篇2021年文章中推薦Bittensor為53個最有前途的加密初創企業之一。

儘管兩者都是DCG支持的項目，但Flock和Bittensor專注於不同的方面。具體而言，Bittensor旨在構建一個分散式人工智能互聯網，使用“子網”作為其基本單元，其中每個子網代表一個分散式市場。參與者可以加入為“礦工”或“驗證者”。目前，Bittensor生態系統包括49個子網，涵蓋各種領域，如文本轉語音、內容生成和調整大型語言模型。

自去年以來，Bittensor 一直是市場的焦點。一方面，其代幣價格飆升，從 2023 年 10 月的 80 美元飆升至今年的最高峰 730 美元。另一方面，它面臨著各種批評，包括對其模型可持續性的質疑，該模型依賴代幣激勵吸引開發人員。此外，Bittensor 生態系統中排名前三的驗證者（Opentensor Foundation、Taostats＆Corcel 和 Foundry）共持有近 40％ 的抵押 TAO，引起用戶對去中心化程度的擔憂。

相反，Flock旨在通過將區塊鏈與聯邦學習相結合，提供個性化的人工智能服務。Flock定位自己為“人工智能領域的Uber”，作為一個“去中心化的調度系統”，將人工智能需求與開發者相匹配。通過鏈上智能合約，Flock自動管理任務分配、結果驗證和獎勵結算，確保每個參與者都能公平地根據自己的貢獻獲得一份。與Bittensor類似，Flock還提供用戶以代表身份參與的選項。

具體而言，Flock 提供以下角色:

• 訓練節點：這些節點可以通過抵押代幣參與AI任務訓練競賽，適合具有計算能力和AI開發經驗的用戶。
• 驗證者:他們還必須抵押代幣加入網路，負責驗證礦工模型的質量並通過提交的驗證分數影響獎勵分配。
• 委託者：他們可以將代幣委派給礦工和驗證節點，以增加這些節點在任務分配中的權重，同時分享被委派節點賺取的獎勵。這使得沒有在培訓或驗證任務方面擁有技術專長的用戶能夠參與網絡並獲得獎勵。

Flock.io已正式開放委託功能，允許任何用戶抵押FML代幣以獲得獎勵。用戶可以選擇根據預期年化回報最大化其權益獎勵的最佳節點。Flock還指出，在測試網階段進行的權益和相關操作將會影響主網啟動後的潛在空投獎勵。

在未來，Flock旨在推出一種更加用戶友好的任務啟動機制，使沒有人工智能專業知識的個人可以輕鬆參與創建和訓練人工智能模型，實現“每個人都可以參與人工智能”的願景。 Flock還積極追求各種合作，例如與Request Finance合作開發基於鏈上的信用評分模型，並與Morpheus和Ritual合作創建交易機器人模型，提供一鍵部署模板以訓練節點，使開發人員可以輕鬆開始和運行Akash上的模型訓練。此外，Flock還訓練了一個Move語言編程助手，以支持Aptos平台上的開發人員。

總的來說，儘管Bittensor和Flock在市場定位上存在差異，但兩者都希望通過不同的去中心化技術重新定義AI生態系統中的生產關係。他們共同的目標是瓦解中央集權的巨頭對AI資源的壟斷，並促進更加開放和公平的AI生態系統，在當今市場上迫切需要。

免責聲明：

1. 這篇文章是從[chainfeeds], 所有版權屬於原作者 [琳達貝爾]. 如果有对此转载的异议，请联系Gate Learn團隊，他們將會迅速處理。
2. 責任聲明：本文所表達的觀點和意見僅代表作者個人觀點，並不構成任何投資建議。
3. 文章的翻譯是由 Gate Learn 團隊完成的。未經註明，禁止複製、分發或剽竊翻譯後的文章。