Lors de la précédente poussée de l'IA décentralisée, des projets phares tels que Bittensor, io.net et Olas sont rapidement devenus des leaders de l'industrie grâce à leurs technologies de pointe et à leurs stratégies visionnaires. Cependant, à mesure que les valorisations de ces projets augmentent, les barrières à l'entrée pour les investisseurs réguliers ont également augmenté. En cette période de rotation sectorielle, existe-t-il encore des opportunités nouvelles pour s'impliquer ?

Flock: Un réseau décentralisé d'apprentissage et de vérification de l'IA

Flock est une plateforme de formation et d'application de modèles d'IA décentralisée qui combine l'apprentissage fédéré avec la technologie de la blockchain, offrant aux utilisateurs un environnement sécurisé pour la formation et la gestion de modèles tout en préservant la confidentialité des données et facilitant la participation équitable de la communauté. Le terme "Flock" a pris de l'importance en 2022 lorsque son équipe fondatrice a publié un article académique intitulé ""FLock: Défendre les comportements malveillants dans l'apprentissage fédéré avec la blockchain.” Le document proposait d'utiliser la blockchain pour lutter contre les actions malveillantes dans l'apprentissage fédéré. Il a expliqué comment une approche décentralisée peut renforcer la sécurité des données et la confidentialité lors de la formation du modèle, en mettant en évidence les applications potentielles de cette architecture innovante dans le calcul distribué.

Après validation du concept initial, Flock a lancé le réseau multi-agent d'intelligence artificielle décentralisée, Flock Research, en 2023. Dans Flock Research, chaque agent est un modèle de langue de grande taille (LLM) adapté à des domaines spécifiques, capable de fournir aux utilisateurs des informations dans divers domaines grâce à la collaboration. Mi-mai 2024, Flock a officiellement ouvert le testnet de sa plateforme d'entraînement d'IA décentralisée, permettant aux utilisateurs de participer à l'entraînement et à l'adaptation des modèles en utilisant le jeton de test FML et de gagner des récompenses. Au 30 septembre 2024, le nombre d'ingénieurs en IA actifs quotidiens sur la plateforme Flock a dépassé 300, avec plus de 15 000 modèles soumis au total.

Alors que le projet continue de croître, Flock a également attiré l'attention des marchés financiers. En mars de cette année, Flock a bouclé un tour de financement de 6 millions de dollars dirigé par Lightspeed Faction et Tagus Capital, avec la participation de DCG, OKX Ventures, Inception Capital et Volt Capital. Il est à noter que Flock est le seul projet d'infrastructure d'IA à avoir reçu une subventiondans le tour de financement académique de la Fondation Ethereum 2024.

La pierre angulaire de la refonte des relations de production d'IA: introduction de contrats intelligents pour l'apprentissage fédéré

Le Federated Learning est une approche d'apprentissage automatique qui permet à de multiples entités (souvent appelées clients) d'entraîner des modèles de manière collaborative tout en veillant à ce que les données restent stockées localement. Contrairement à l'apprentissage automatique traditionnel, le federated learning évite de télécharger toutes les données sur un serveur central, protégeant ainsi la vie privée des utilisateurs grâce au calcul local. Cette méthode a déjà été appliquée dans divers scénarios réels ; par exemple, Google a intégré le federated learning dans son clavier Gboard en 2017 pour optimiser les suggestions de saisie et les prédictions de texte tout en veillant à ce que les données d'entrée des utilisateurs ne soient pas téléchargées. Tesla utilise également une technologie similaire dans son système de conduite autonome, améliorant la perception environnementale du véhicule localement et réduisant ainsi la nécessité d'une transmission massive de données vidéo.

Cependant, ces applications rencontrent encore des défis, en particulier en ce qui concerne la confidentialité et la sécurité. Tout d'abord, les utilisateurs doivent faire confiance à des tiers centralisés. Deuxièmement, lors de la transmission et de l'agrégation des paramètres de modèle, il est crucial d'empêcher les nœuds malveillants de télécharger de fausses données ou des paramètres nocifs, ce qui pourrait conduire à des biais dans la performance globale du modèle ou même à des prédictions erronées. Les recherches menées par l'équipe FLock, publiées dans le IEEELe journal indique que la précision des modèles traditionnels d'apprentissage fédéré chute à 96,3% lorsque 10% des nœuds sont malveillants, et diminue encore à 80,1% et 70,9% lorsque les proportions de nœuds malveillants augmentent respectivement à 30% et 40%.

Pour remédier à ces problèmes, Flock a introduit des contrats intelligents sur la blockchain en tant que « moteur de confiance » au sein de son cadre d'apprentissage fédéré. En tant que moteur de confiance, les contrats intelligents peuvent automatiser la collecte et la validation des paramètres dans un environnement décentralisé, permettant une publication impartiale des résultats du modèle et empêchant efficacement les nœuds malveillants de manipuler les données. Comparé aux solutions d'apprentissage fédéré traditionnelles, la précision du modèle de FLock reste supérieure à 95,5 %, même avec 40 % des nœuds malveillants.

La couche d'exécution de l'IA : Analyse de l'architecture à trois couches de FLock

Le principal problème dans le paysage actuel de l'IA est que les ressources pour la formation des modèles d'IA et l'utilisation des données restent très concentrées chez quelques grandes entreprises, ce qui rend difficile pour les développeurs et les utilisateurs ordinaires de les utiliser efficacement. Par conséquent, les utilisateurs se retrouvent avec des modèles standardisés pré-construits et ne peuvent pas les personnaliser en fonction de leurs besoins spécifiques. Ce déséquilibre entre l'offre et la demande conduit à une situation où, malgré une puissance de calcul et des réserves de données abondantes sur le marché, elles ne peuvent pas être transformées en modèles et applications pratiquement utilisables.

Pour relever ce défi, Flock vise à servir de système de planification efficace qui coordonne la demande, les ressources, la puissance de calcul et les données. S'appuyant sur la pile technologique Web3, Flock se positionne comme la "couche d'exécution", principalement responsable de l'allocation des besoins en IA personnalisés des utilisateurs à divers nœuds décentralisés pour la formation, en utilisant des contrats intelligents pour orchestrer ces tâches à travers des nœuds mondiaux.

De plus, pour garantir l'équité et l'efficacité dans l'ensemble de l'écosystème, le système FLock est également responsable de la « couche de règlement » et de la « couche de consensus ». La couche de règlement fait référence à l'incitation et à la gestion des contributions des participants, en les récompensant ou en les pénalisant en fonction de l'achèvement des tâches. La couche de consensus consiste à évaluer et à optimiser la qualité des résultats de formation, en veillant à ce que les modèles finaux générés représentent la solution optimale mondiale.

L'architecture globale du produit FLock comprend trois modules principaux: AI Arena, FL Alliance et AI Marketplace. L'AI Arena est responsable de la formation de modèle fondamentale décentralisée, FL Alliance se concentre sur le raffinement de modèle sous le mécanisme de contrat intelligent, et AI Marketplace sert de marché final d'application de modèle.

AI Arena: Incitations pour la formation et la validation de modèles localisés

L'Arena AI est la plateforme de formation en IA décentralisée de Flock, où les utilisateurs peuvent participer en misant des jetons de testnet Flock (FML) et recevoir des récompenses correspondantes. Une fois que les utilisateurs définissent les modèles dont ils ont besoin et soumettent des tâches, les nœuds de formation dans l'Arena AI formeront les modèles localement en utilisant l'architecture de modèle initial spécifiée, sans nécessiter de téléchargements de données directs vers des serveurs centralisés. Après que chaque nœud a terminé la formation, des validateurs sont responsables d'évaluer le travail des nœuds de formation, de vérifier la qualité des modèles et de les noter. Ceux qui ne souhaitent pas participer au processus de validation peuvent déléguer leurs jetons aux validateurs pour des récompenses.

Dans l'Arena de l'IA, les mécanismes de récompense pour tous les rôles dépendent de deux facteurs principaux : le montant des jetons mis en jeu et la qualité des tâches. Le montant mis en jeu reflète l'« engagement » des participants, tandis que la qualité des tâches mesure leur contribution. Par exemple, les récompenses pour les nœuds d'entraînement dépendent du montant mis en jeu et du classement de la qualité des modèles soumis, tandis que les récompenses des validateurs dépendent de la cohérence des résultats de vote avec le consensus, du nombre de jetons mis en jeu, ainsi que de la fréquence et du taux de réussite de leur participation aux validations. Les rendements des délégataires dépendent des validateurs qu'ils choisissent et du montant qu'ils misent.

AI Arenaprend en charge les modes traditionnels d'entraînement des modèles d'apprentissage automatique, permettant aux utilisateurs de choisir de s'entraîner sur des données locales à partir de leurs appareils ou des données disponibles publiquement pour maximiser les performances du modèle final. Actuellement, le testnet public AI Arena a un total de496 nœuds d'entraînement actifs, 871 nœuds de validation et 72 délégataires. Le ratio de mise en jeu de la plateforme s'élève à 97,74 %, avec des gains mensuels moyens de 40,57 % pour les nœuds d'entraînement et de 24,70 % pour les nœuds de validation.

FL Alliance: Une plateforme de réglage gérée par des contrats intelligents

Les modèles les mieux notés sur AI Arena sont sélectionnés comme "modèles de consensus" et attribués à FL Alliance pour un ajustement fin supplémentaire. Ce processus d'ajustement fin se compose de plusieurs rounds. Au début de chaque round, le système crée automatiquement un contrat intelligent FL lié à la tâche, qui gère l'exécution de la tâche et les récompenses. De même, chaque participant doit miser une certaine quantité de jetons FML. Les participants sont assignés aléatoirement à des rôles de proposants ou de votants. Les proposants utilisent leurs ensembles de données locaux pour entraîner le modèle et télécharger les paramètres ou poids du modèle entraîné à d'autres participants. Les votants résument ensuite et votent pour évaluer les résultats de la mise à jour du modèle du proposant.

Tous les résultats sont soumis au contrat intelligent, qui compare les scores de chaque tour avec ceux du tour précédent pour évaluer les améliorations ou les déclins de la performance du modèle. Si le score de performance s'améliore, le système avance à la prochaine étape de la formation; si elle diminue, la formation recommencera en utilisant le modèle précédemment validé pour un autre tour de formation, de résumé et d'évaluation.

Alliance FLatteint l'objectif de former de manière collaborative un modèle mondial avec plusieurs participants tout en garantissant la souveraineté des données en combinant l'apprentissage fédéré et les mécanismes de contrat intelligent. En intégrant différentes sources de données et en agrégeant les poids, il est possible de construire un modèle mondial qui fonctionne mieux et possède des capacités plus grandes. De plus, les participants démontrent leur engagement à participer en misant des jetons et reçoivent des récompenses basées sur la qualité du modèle et les résultats du consensus, formant un écosystème équitable et transparent.

Marché de l'IA : Comment fournir des services d'IA personnalisés ?

Les modèles entraînés dans AI Arena et affinés dans FL Alliance seront finalement déployés sur le marché de l’IA pour être utilisés par d’autres applications. Contrairement aux « places de marché modèles » traditionnelles, AI Marketplace propose non seulement des modèles prêts à l’emploi, mais permet également aux utilisateurs de modifier ces modèles et d’intégrer de nouvelles sources de données pour répondre à différents scénarios d’application. De plus, le marché de l’IA intègre la technologie RAG (Retrieval-Augmented Generation) pour améliorer la précision des modèles dans des domaines spécifiques. RAG est une méthode qui augmente les grands modèles de langage en récupérant des informations pertinentes à partir de bases de connaissances externes lors de la génération de réponses, garantissant ainsi que les réponses du modèle sont plus précises et personnalisées.

Actuellement, le marché de l'IA a lancé de nombreux modèles GPT personnalisés basés sur différents scénarios d'application, y compris BTC GPT, Farcaster GPT, Scroll GPT et Ethereum GPT. Prenons l'exemple de BTC GPT pour illustrer la différence entre les modèles personnalisés et les modèles généraux.

En décembre 2023, lorsque BTC GPT et ChatGPT sont simultanément interrogés sur « Qu'est-ce que l'ARC20 ? » :

• BTC GPTa répondu: «Le protocole ARC20 est construit sur le réseau Bitcoin et permet aux utilisateurs de créer, transférer et mettre à niveau des éléments numériques, tels que des NFT et des jetons fongibles. Avec le protocole ARC20, des NFT non fongibles et des jetons fongibles peuvent être générés sur le réseau Bitcoin. Le jeton principal du protocole ARC20 est ATOM, qui est utilisé à diverses fins au sein du protocole.
• ChatGPTa répondu: «Selon ma dernière mise à jour des connaissances en janvier 2022, il n'existait pas de norme ou de technologie largement reconnue connue sous le nom de ARC20 dans les domaines de la technologie, de la finance ou d'autres domaines courants. Il est possible qu'une nouvelle technologie ou norme appelée ARC20 ait émergé depuis lors, mais je n'ai pas d'informations pertinentes.

De leurs réponses, nous pouvons voir l'importance et les avantages des modèles GPT personnalisés. Contrairement aux modèles de langage généralistes, les modèles GPT personnalisés peuvent être entraînés sur des données spécifiques à certains domaines, ce qui permet de fournir des réponses plus précises.

Quelles sont les similitudes et les différences entre Flock et Bittensor, tous deux soutenus par DCG ?

Alors que le secteur de l’IA redémarre, Bittensor, l’un des représentants des projets d’IA décentralisée, a vu son jeton augmenter de plus de 93,7 % au cours des 30 derniers jours, atteignant près de son pic historique, sa capitalisation boursière dépassant à nouveau les 4 milliards de dollars. Notamment, la société d’investissement de Flock, Digital Currency Group (DCG), est également l’un des plus grands validateurs et mineurs de l’écosystème Bittensor. Selon des sources, DCG détient environ 100 millions de dollars en TAO, et dans un article de 2021 de « Business Insider », l’investisseur de DCG, Matthew Beck, a recommandé Bittensor comme l’une des 53 startups cryptographiques les plus prometteuses.

Malgré le soutien de DCG, Flock et Bittensor se concentrent sur des aspects différents. Plus précisément, Bittensor vise à construire un internet de l'IA décentralisé, en utilisant des "sous-réseaux" comme unité de base, où chaque sous-réseau représente un marché décentralisé. Les participants peuvent rejoindre en tant que "mineurs" ou "validateurs". Actuellement, l'écosystème Bittensor comprend 49 sous-réseaux, couvrant divers domaines tels que la synthèse vocale, la génération de contenu et l'optimisation de grands modèles linguistiques.

Depuis l'année dernière, Bittensor a été un point focal sur le marché. D'une part, le prix de son jeton a explosé, passant de 80 $ en octobre 2023 à un pic de 730 $ cette année. D'autre part, il a fait face à diverses critiques, notamment des questions sur la viabilité de son modèle, qui repose sur des incitations en jetons pour attirer les développeurs. De plus, les trois principaux validateurs de l'écosystème Bittensor (Opentensor Foundation, Taostats & Corcel et Foundry) détiennent collectivement près de 40 % des TAO mis en jeu, suscitant des inquiétudes chez les utilisateurs quant au niveau de décentralisation.

En revanche, Flock vise à fournir des services d'IA personnalisés en intégrant la blockchain dans l'apprentissage fédéré. Flock se positionne comme le « Uber de l'espace de l'IA », en tant que « système de planification décentralisé » qui met en correspondance les besoins en IA avec les développeurs. Grâce à des contrats intelligents on-chain, Flock gère automatiquement l'allocation des tâches, la validation des résultats et le règlement des récompenses, garantissant que chaque participant peut recevoir équitablement une part en fonction de ses contributions. Tout comme Bittensor, Flock offre également aux utilisateurs la possibilité de participer en tant que délégués.

Plus précisément, Flock offre les rôles suivants :

• Noeuds de formation:Ces nœuds peuvent participer à des compétitions de formation de tâches d'IA en misant des jetons, adaptés aux utilisateurs ayant des capacités de calcul et une expérience en développement d'IA.
• Validateurs:Ils doivent également miser des jetons pour rejoindre le réseau, responsables de la vérification de la qualité des modèles des mineurs et influant sur la répartition des récompenses grâce aux scores de validation soumis.
• Délégués:Ils peuvent déléguer des jetons aux nœuds mineurs et validateurs pour renforcer le poids de ces nœuds dans l'allocation des tâches tout en partageant les récompenses gagnées par les nœuds délégués. Cela permet aux utilisateurs sans expertise technique dans la formation ou la validation des tâches de participer au réseau et de gagner des récompenses.

Flock.io a officiellement ouvert la fonction de délégation, permettant à tout utilisateur de miser des jetons FML pour gagner des récompenses. Les utilisateurs peuventchoisirles nœuds optimaux en fonction de leurs rendements annualisés attendus pour maximiser leurs récompenses de validation. Flock indique également que la validation et les opérations associées pendant la phase de testnet affecteront les récompenses potentielles de largage aérien après le lancement du mainnet.

À l'avenir, Flock vise à introduire un mécanisme d'initiation de tâches plus convivial qui permet aux individus sans expertise en intelligence artificielle de s'engager facilement dans la création et la formation de modèles d'IA, réalisant ainsi la vision de « tout le monde peut participer à l'IA ». Flock poursuit également activement diverses collaborations, telles que le développement d'un modèle de notation de crédit sur chaîne avec Request Finance et le partenariat avec Morpheus et Ritual pour créer des modèles de trading de robots qui offrent des modèles de déploiement en un clic pour les nœuds de formation, facilitant ainsi le démarrage et l'exécution de la formation de modèles sur Akash par les développeurs. De plus, Flock a formé un assistant de programmation de langage Move pour soutenir les développeurs sur la plateforme Aptos.

Dans l'ensemble, bien que Bittensor et Flock occupent des positions différentes sur le marché, ils cherchent tous deux à redéfinir les relations de production au sein de l'écosystème de l'IA grâce à des technologies décentralisées distinctes. Leur objectif commun est de démanteler le monopole des géants centralisés sur les ressources en IA et de favoriser un écosystème de l'IA plus ouvert et équitable, ce qui est urgent sur le marché d'aujourd'hui.

Avertissement：

1. Cet article est repris de [gatechainfeeds], Tous les droits d'auteur appartiennent à l'auteur original [Linda Bell]. Si des objections sont soulevées à cette réimpression, veuillez contacter le Gate Learnéquipe, et ils s'en occuperont rapidement.
2. Clause de non-responsabilité : Les points de vue et opinions exprimés dans cet article sont uniquement ceux de l'auteur et ne constituent en aucun cas des conseils en matière d'investissement.
3. Les traductions de l'article dans d'autres langues sont effectuées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdit.