Во время предыдущего всплеска децентрализованного ИИ выдающиеся проекты, такие как Bittensor, io.net и Olas, быстро стали лидерами отрасли благодаря своим передовым технологиям и дальновидным стратегиям. Однако по мере того, как стоимость этих проектов растет, барьеры входа для обычных инвесторов также растут. Есть ли еще новые возможности для участия в текущей ротации секторов?

Flock: Децентрализованная сеть обучения и верификации искусственного интеллекта

Flock — это децентрализованная платформа для обучения и применения моделей ИИ, которая сочетает в себе федеративное обучение с технологией блокчейн, предлагая пользователям безопасную среду для обучения и управления моделями, обеспечивая при этом конфиденциальность данных и способствуя справедливому участию сообщества. Термин «Стая» впервые получил известность в 2022 году, когда команда его основателей выпустила научную статью под названием «FLock: Защита от вредоносных действий в федеративном обучении с помощью блокчейна.” В статье предлагается использовать блокчейн для борьбы с вредоносными действиями в федеративном обучении. Она описывает, как децентрализованный подход может усилить безопасность данных и конфиденциальность во время обучения модели, продемонстрировав потенциальные применения этой инновационной архитектуры в распределенных вычислениях.

После начальной проверки концепции Flock запустил децентрализованную мультиагентную сеть искусственного интеллекта Flock Research в 2023 году. В Flock Research каждый агент представляет собой большую языковую модель (LLM), настроенную для конкретных областей и способную предоставлять пользователям идеи в различных областях путем сотрудничества. В середине мая 2024 года Flock официально открыл тестовую сеть для своей децентрализованной платформы обучения искусственного интеллекта, позволяющую пользователям участвовать в тренировке и настройке моделей с использованием тестового токена FML и зарабатывать вознаграждения. На 30 сентября 2024 года количество ежедневно активных инженеров по искусственному интеллекту на платформе Flock превысило 300, а общее количество представленных моделей составляет более 15 000.

По мере роста проекта Flock также привлекает внимание капитальных рынков. В марте текущего года Flock завершил раунд финансирования на сумму 6 миллионов долларов, в котором участвовали Lightspeed Faction и Tagus Capital, а также DCG, OKX Ventures, Inception Capital и Volt Capital. Следует отметить, что Flockединственный проект инфраструктуры искусственного интеллекта, получивший грантв 2024 году в рамках академического финансирования Ethereum Foundation.

Угловой камень переформирования отношений в области производства искусственного интеллекта: Введение смарт-контрактов для федеративного обучения

Federated Learning - это подход к машинному обучению, который позволяет нескольким сущностям (часто называемым клиентами) совместно обучать модели, при этом обеспечивается хранение данных локально. В отличие от традиционного машинного обучения, федеративное обучение избегает загрузки всех данных на центральный сервер, тем самым защищая конфиденциальность пользователей через локальные вычисления. Этот метод уже был применен в различных реальных сценариях; например, Google внедрил федеративное обучение в свою клавиатуру Gboard в 2017 году для оптимизации предложений ввода и прогнозов текста, обеспечивая при этом, что данные пользовательского ввода не загружаются. Tesla также использует аналогичную технологию в своей системе автономного вождения, улучшая локальное восприятие окружающей среды транспортного средства и уменьшая необходимость в массовой передаче видеоданных.

Однако эти приложения все еще сталкиваются с проблемами, особенно в отношении конфиденциальности и безопасности. Во-первых, пользователям необходимо доверять централизованным третьим сторонам. Во-вторых, во время передачи и агрегации параметров модели крайне важно предотвратить злонамеренные узлы от загрузки ложных данных или вредоносных параметров, что может привести к искажениям в общей производительности модели или даже ошибочным прогнозам. Исследование, проведенное командой FLock и опубликованное в IEEEжурнал, указывает, что точность традиционных моделей федеративного обучения снижается до 96,3%, когда 10% узлов злонамеренные, и дальше падает до 80,1% и 70,9%, когда доля злонамеренных узлов увеличивается до 30% и 40% соответственно.

Для решения этих проблем Flock внедрил смарт-контракты на блокчейне как «двигатель доверия» в своей федеративной системе обучения. В качестве двигателя доверия смарт-контракты могут автоматизировать сбор и проверку параметров в децентрализованной среде, позволяя осуществлять несмещенную публикацию результатов модели и эффективно предотвращая вмешательство злонамеренных узлов в данные. По сравнению с традиционными решениями федеративного обучения, точность модели Flock остается выше 95,5%, даже при наличии 40% злонамеренных узлов.

Слой выполнения искусственного интеллекта: анализ трехуровневой архитектуры FLock

Основная проблема современного ландшафта искусственного интеллекта заключается в том, что ресурсы для обучения моделей ИИ и использования данных остаются высоко концентрированными среди нескольких крупных компаний, что затрудняет обычным разработчикам и пользователям эффективное использование этих ресурсов. В результате пользователи остаются с готовыми стандартизированными моделями и не могут настроить их под свои конкретные потребности. Это расхождение между спросом и предложением приводит к ситуации, когда, несмотря на обилие вычислительной мощности и запасов данных на рынке, они не могут быть превращены в практически пригодные модели и приложения.

Для решения этой проблемы Flock стремится выступать в качестве эффективной системы планирования, координирующей спрос, ресурсы, вычислительную мощность и данные. Основываясь на технологическом стеке Web3, Flock позиционирует себя как "уровень выполнения", в первую очередь отвечающий за распределение индивидуальных требований пользователей к искусственному интеллекту на различные децентрализованные узлы для обучения, используя смарт-контракты для оркестрации этих задач по всему миру.

Кроме того, для обеспечения справедливости и эффективности во всей экосистеме, система FLock также отвечает за "уровень расчетов" и "уровень консенсуса". Уровень расчетов относится к стимулированию и управлению вкладами участников, вознаграждая или наказывая их в зависимости от выполнения задачи. Уровень консенсуса включает оценку и оптимизацию качества результатов обучения, обеспечивая, чтобы окончательно сгенерированные модели представляли глобально оптимальное решение.

Общая архитектура продукта FLock состоит из трех основных модулей: AI Arena, FL Alliance и AI Marketplace. AI Arena отвечает за децентрализованное обучение фундаментальных моделей, FL Alliance сосредоточена на настройке моделей в соответствии с механизмом смарт-контракта, а AI Marketplace служит финальным рынком приложений моделей.

AI Arena: Стимулы для локализованного обучения и валидации моделей

AI Arena - это децентрализованная платформа обучения искусственного интеллекта Flock, где пользователи могут принимать участие, ставя токены тестовой сети Flock (FML) и получая соответствующие награды за ставки. После того как пользователи определят необходимые модели и отправят задачи, узлы обучения в AI Arena будут обучать модели локально, используя указанную начальную архитектуру модели, без необходимости прямой загрузки данных на централизованные серверы. После завершения обучения каждым узлом, валидаторы отвечают за оценку работы узлов обучения, проверку качества моделей и их оценку. Те, кто не хочет участвовать в процессе валидации, могут делегировать свои токены валидаторам за вознаграждение.

В рамках AI Arena механизмы вознаграждения для всех ролей зависят от двух основных факторов: объема заложенных токенов и качества задач. Объем заложенных токенов отражает "приверженность" участников, а качество задач измеряет их вклад. Например, вознаграждение для узлов обучения зависит от объема заложенных токенов и ранжирования качества представленной модели, в то время как вознаграждение валидаторов зависит от согласованности результатов голосования с консенсусом, количества заложенных токенов и частоты и успешности их участия в проверках. Доходы делегатов зависят от выбранных ими валидаторов и объема, который они заложили.

AI Аренаподдерживает традиционные режимы обучения моделей машинного обучения, позволяя пользователям выбирать обучение на локальных данных с их устройств или общедоступных данных для максимизации производительности конечной модели. В настоящее время у общественной тестовой сети AI Arena всего496 активных узлов обучения, 871 узел проверки и 72 делегата. Ставка стейкинга платформы составляет 97,74%, средние ежемесячные доходы составляют 40,57% для узлов обучения и 24,70% для узлов проверки.

FL Alliance: Платформа тонкой настройки, управляемая смарт-контрактами

Наиболее высокооцененные модели на площадке AI Arena выбираются как «консенсусные модели» и передаются в FL Alliance для дальнейшей настройки. Этот процесс настройки состоит из нескольких раундов. В начале каждого раунда система автоматически создает умный контракт FL, связанный с задачей, который управляет выполнением задачи и вознаграждениями. Аналогично каждому участнику требуется заложить определенное количество токенов FML. Участники случайным образом назначаются ролями предложителей или голосующих. Предложители используют свои локальные наборы данных для обучения модели и загружают обученные параметры или веса модели на других участников. Затем голосующие подводят и голосуют для оценки результатов обновления модели предложителя.

Все результаты передаются смарт-контракту, который сравнивает баллы из каждого раунда с баллами из предыдущего раунда, чтобы оценить улучшения или ухудшения производительности модели. Если балл производительности улучшается, система переходит к следующему этапу обучения; если он снижается, обучение будет перезапущено с использованием ранее проверенной модели для еще одного раунда обучения, обобщения и оценки.

FL Allianceдостигает цели коллективного обучения глобальной модели с участием нескольких участников, обеспечивая суверенитет данных путем объединения механизмов федеративного обучения и смарт-контрактов. Путем интеграции различных источников данных и агрегации весов она может создавать глобальную модель, которая работает лучше и имеет большие возможности. Кроме того, участники демонстрируют свое обязательство к участию, стейкинг токенов и получают вознаграждение на основе качества модели и результатов консенсуса, формируя справедливую и прозрачную экосистему.

AI Marketplace: Как предоставить персонализированные услуги искусственного интеллекта?

Модели, обученные в AI Arena и тщательно настроенные в FL Alliance, в конечном итоге будут развернуты на AI Marketplace для использования другими приложениями. В отличие от традиционных «рынков моделей», AI Marketplace предлагает не только готовые модели, но и позволяет пользователям модифицировать эти модели и интегрировать новые источники данных для решения различных сценариев применения. Более того, AI Marketplace включает технологию Retrieval-Augmented Generation (RAG) для повышения точности моделей в конкретных областях. RAG - это метод, который усиливает большие языковые модели путем извлечения соответствующей информации из внешних баз знаний во время генерации ответов, обеспечивая более точные и персонализированные ответы модели.

В настоящее время на рынке искусственного интеллекта запущено множество настраиваемых моделей GPT на основе различных сценариев применения, включая BTC GPT, Farcaster GPT, Scroll GPT и Ethereum GPT. Давайте возьмем BTC GPT в качестве примера, чтобы проиллюстрировать разницу между настраиваемыми моделями и общими моделями.

В декабре 2023 года, когда одновременно обратились к BTC GPT и ChatGPT с вопросом «Что такое ARC20?»:

• BTC GPTответил: "Протокол ARC20 построен на сети Биткоин и позволяет пользователям создавать, передавать и обновлять цифровые объекты, такие как NFT и обращаемые токены. С использованием протокола ARC20 можно создавать невзаимозаменяемые NFT и обращаемые токены на сети Биткоин. Основной токен протокола ARC20 - это ATOM, который используется для различных целей внутри протокола."
• ChatGPTответил: "По последним моим сведениям, на январь 2022 года, не существует широко признанного стандарта или технологии под названием ARC20 в области технологий, финансов или других общих областях. Возможно, с тех пор появилась новая технология или стандарт под названием ARC20, но у меня нет соответствующей информации."

Из их ответов мы видим важность и преимущества настраиваемых моделей GPT. В отличие от универсальных языковых моделей, настраиваемые модели GPT могут быть обучены на данных, специфичных для определенных областей, что позволяет давать более точные ответы.

Каковы сходства и различия между Flock и Bittensor, оба поддерживаемые DCG?

По мере того, как сектор искусственного интеллекта возрождается, Bittensor, один из представителей децентрализованных проектов ИИ, за последние 30 дней продемонстрировал рост своего токена более чем на 93,7%, достигнув почти исторического пика, а его рыночная капитализация снова превысила 4 миллиарда долларов. Примечательно, что инвестиционная компания Flock, Digital Currency Group (DCG), также является одним из крупнейших валидаторов и майнеров в экосистеме Bittensor. Согласно источникам, DCG владеет примерно $100 млн в TAO, а в статье Business Insider 2021 года инвестор DCG Мэтью Бек рекомендовал Bittensor как один из 53 самых перспективных криптостартапов.

Несмотря на то, что оба проекта поддерживаются DCG, Flock и Bittensor фокусируются на различных аспектах. В частности, Bittensor нацелен на создание децентрализованного искусственного интеллекта, используя "подсети" в качестве основной единицы, где каждая подсеть представляет собой децентрализованный рынок. Участники могут присоединиться в качестве "майнеров" или "валидаторов". В настоящее время экосистема Bittensor включает в себя 49 подсетей, охватывающих различные области, такие как преобразование текста в речь, генерация контента и настройка больших языковых моделей.

С прошлого года Bittensor является центром внимания на рынке. С одной стороны, цена его токена взлетела, подскочив с 80 долларов в октябре 2023 года до пика в 730 долларов в этом году. С другой стороны, он столкнулся с различными критиками, включая вопросы о устойчивости его модели, которая полагается на токенные стимулы для привлечения разработчиков. Кроме того, трое лучших валидаторов в экосистеме Bittensor (Opentensor Foundation, Taostats & Corcel и Foundry) вместе держат почти 40% замороженного TAO, что вызывает беспокойство пользователей относительно уровня децентрализации.

В отличие от этого, Flock нацелен на предоставление персонализированных услуг искусственного интеллекта путем интеграции блокчейна в федеративное обучение. Flock позиционирует себя как "Uber в сфере искусственного интеллекта", выступая в качестве "десентрализованной системы планирования", которая соответствует потребностям искусственного интеллекта разработчикам. Через умные контракты on-chain Flock автоматически управляет выделением задач, проверкой результатов и расчетом вознаграждения, обеспечивая, что каждый участник может справедливо получить долю в соответствии с их вкладом. Подобно Bittensor, Flock также предлагает пользователям возможность участвовать в качестве делегатов.

Конкретно, Flock предоставляет следующие роли:

• Узлы обучения:Эти узлы могут участвовать в соревнованиях по обучению задач ИИ, заложив токены, подходящие для пользователей с вычислительными возможностями и опытом разработки ИИ.
• Валидаторы:Они также должны заложить токены, чтобы присоединиться к сети, отвечают за проверку качества моделей майнеров и влияют на распределение вознаграждения через представленные оценки проверки.
• Делегаторы:Они могут делегировать токены на майнерские и валидаторские узлы, чтобы увеличить вес этих узлов в распределении задач, одновременно получая долю в вознаграждениях, полученных делегированными узлами. Это позволяет пользователям без технических навыков в обучении или проверке задач участвовать в сети и зарабатывать вознаграждения.

Flock.io официально открыл функцию делегирования, позволяя любому пользователю ставить токены FML для заработка наград. Пользователи могутвыбратьFlock также позволяет выбрать оптимальные узлы на основе ожидаемой годовой доходности, чтобы максимизировать вознаграждения за стейкинг. Flock также указывает, что стейкинг и связанные с этим операции во время тестовой сети будут влиять на возможные вознаграждения за эйрдроп после запуска основной сети.

В будущем Flock стремится внедрить более удобный механизм инициации задач, который позволит людям без опыта в области искусственного интеллекта легко приступить к созданию и обучению моделей искусственного интеллекта, реализуя видение «каждый может участвовать в ИИ». Flock также активно ищет различные партнерства, такие как разработка модели оценки кредитоспособности на блокчейне с Request Finance и партнерство с Morpheus и Ritual для создания моделей торговых ботов, предлагающих шаблоны развертывания с одним кликом для обучения узлов, что делает простым начало и запуск обучения моделей на Akash. Кроме того, Flock обучил помощника по программированию на языке Move для поддержки разработчиков на платформе Aptos.

В целом, хотя Bittensor и Flock занимают разные рыночные позиции, оба стремятся переопределить производственные отношения в экосистеме искусственного интеллекта с помощью различных децентрализованных технологий. Их общая цель - разрушить монополию централизованных гигантов над ресурсами искусственного интеллекта и способствовать более открытой и справедливой экосистеме искусственного интеллекта, которая срочно нужна на современном рынке.

Отказ от ответственности:

1. Эта статья перепечатана с [chainfeeds], Все авторские права принадлежат оригинальному автору [Линда Белл]. Если есть возражения против этого перепечатывания, пожалуйста, свяжитесь с Gate Learnкоманда, и они незамедлительно разберутся с этим.
2. Отказ от ответственности за обязательства: Взгляды и мнения, выраженные в этой статье, являются исключительно мнениями автора и не являются инвестиционным советом.
3. Переводы статьи на другие языки выполняются командой Gate Learn. Если не указано иное, копирование, распространение или плагиат переведенных статей запрещены.