إدخال العقود الذكية في التعلم الفيدرالي: كيف تعيد Flock تشكيل علاقات الإنتاج في الذكاء الاصطناعي؟

في المستقبل، تخطط FLock أيضًا لإطلاق آلية أكثر سهولة لإطلاق المهام، بهدف تحقيق رؤية "مشاركة الجميع في الذكاء الاصطناعي".

الكتابة: LINDABELL

في موجة الذكاء الاصطناعي اللامركزي السابقة، أصبحت مشاريع رائدة مثل Bittensor وio.net وOlas قادة في الصناعة بفضل تقنياتها المبتكرة وتخطيطها المستقبلي. ومع ذلك، مع ارتفاع تقييم هذه المشاريع القديمة بشكل مستمر، أصبح من الصعب على المستثمرين العاديين المشاركة. إذًا، في ظل هذه الدورة الجديدة من تناوب القطاعات، هل لا تزال هناك فرص جديدة للمشاركة؟

Flock: شبكة تدريب وتحقق الذكاء الاصطناعي اللامركزية

Flock هي منصة تدريب وتطبيق نماذج الذكاء الاصطناعي اللامركزية، تجمع بين التعلم الفيدرالي وتقنية البلوكشين، لتوفير بيئة آمنة لتدريب وإدارة النماذج للمستخدمين، مع حماية خصوصية البيانات وضمان المشاركة العادلة للمجتمع. ظهر اسم Flock لأول مرة في عام 2022 عندما نشر الفريق المؤسس ورقة أكاديمية بعنوان "FLock: Defending malicious behaviors in federated learning with blockchain"، حيث طرحوا فكرة إدخال البلوكشين في التعلم الفيدرالي لمنع السلوكيات الخبيثة. شرحت الورقة كيف يمكن تعزيز أمان البيانات وحماية الخصوصية أثناء عملية تدريب النماذج من خلال آليات لامركزية، وكشفت أيضًا عن إمكانيات هذا الهيكل الجديد في الحوسبة الموزعة.

بعد إثبات المفهوم في المرحلة الأولى، أطلقت Flock في عام 2023 شبكة الذكاء الاصطناعي متعددة الوكلاء اللامركزية Flock Research. في Flock Research، كل وكيل هو نموذج لغة كبير (LLM) تم تحسينه لمجال محدد، ويمكنه التعاون لتقديم رؤى في مجالات مختلفة للمستخدمين. وفي منتصف مايو 2024، فتحت Flock رسميًا شبكة الاختبار لمنصة تدريب الذكاء الاصطناعي اللامركزية، حيث يمكن للمستخدمين المشاركة في تدريب النماذج وتخصيصها باستخدام توكن الاختبار FML والحصول على مكافآت. حتى 30 سبتمبر 2024، تجاوز عدد مهندسي الذكاء الاصطناعي النشطين يوميًا على منصة Flock 300 شخص، مع أكثر من 15,000 نموذج تم تقديمه.

مع استمرار تطور المشروع، حظيت Flock أيضًا باهتمام سوق رأس المال. في مارس من هذا العام، أكملت Flock جولة تمويل بقيمة 6 ملايين دولار بقيادة Lightspeed Faction وTagus Capital، وشاركت فيها DCG وOKX Ventures وInception Capital وVolt Capital. ومن الجدير بالذكر أن Flock كانت مشروع البنية التحتية للذكاء الاصطناعي الوحيد الذي حصل على منحة في جولة التمويل الأكاديمية لمؤسسة Ethereum لعام 2024.

حجر الأساس لإعادة تشكيل علاقات إنتاج الذكاء الاصطناعي: إدخال العقود الذكية في التعلم الفيدرالي

التعلم الفيدرالي (Federated Learning) هو طريقة تعلم آلي تسمح لعدة كيانات (تسمى عادة العملاء) بتدريب نموذج بشكل مشترك مع ضمان بقاء البيانات مخزنة محليًا. على عكس التعلم الآلي التقليدي، يتجنب التعلم الفيدرالي رفع جميع البيانات إلى خادم مركزي، بل يعتمد على الحوسبة المحلية لحماية خصوصية المستخدم. حاليًا، تم تطبيق التعلم الفيدرالي بالفعل في العديد من السيناريوهات العملية، مثل إدخال Google للتعلم الفيدرالي في لوحة مفاتيح Gboard منذ عام 2017 لتحسين اقتراحات الإدخال وتوقع النصوص مع ضمان عدم رفع بيانات المستخدم. كما استخدمت Tesla تقنية مماثلة في نظام القيادة الذاتية لديها لتحسين قدرة السيارة على إدراك البيئة محليًا وتقليل الحاجة لنقل كميات هائلة من بيانات الفيديو.

لكن هذه التطبيقات لا تزال تواجه بعض المشكلات، خاصة في جوانب الخصوصية والأمان. أولاً، يحتاج المستخدمون إلى الوثوق بطرف ثالث مركزي، وثانيًا، أثناء نقل وتجميع معلمات النموذج، يجب منع العقد الخبيثة من رفع بيانات أو معلمات مزيفة، مما قد يؤدي إلى انحراف أداء النموذج أو حتى إنتاج نتائج خاطئة. وفقًا لدراسة نشرها فريق FLock في مجلة IEEE، ينخفض معدل دقة النماذج التقليدية للتعلم الفيدرالي إلى 96.3% عند وجود 10% من العقد الخبيثة، وعندما ترتفع النسبة إلى 30% و40%، تنخفض الدقة إلى 80.1% و70.9% على التوالي.

لحل هذه المشكلات، أدخلت Flock العقود الذكية على البلوكشين كـ"محرك ثقة" في هيكل التعلم الفيدرالي الخاص بها. تعمل العقود الذكية كمحرك ثقة، حيث تتيح جمع والتحقق التلقائي من المعلمات في بيئة لامركزية، ونشر نتائج النماذج بشكل غير متحيز، مما يمنع العقد الخبيثة من التلاعب بالبيانات. مقارنة بحلول التعلم الفيدرالي التقليدية، حتى مع وجود 40% من العقد الخبيثة، تظل دقة نموذج FLock أعلى من 95.5%.

تحديد موقع طبقة تنفيذ الذكاء الاصطناعي، تحليل هيكل FLock ثلاثي الطبقات

إحدى المشكلات الرئيسية في مجال الذكاء الاصطناعي حاليًا هي أن موارد تدريب النماذج واستخدام البيانات لا تزال مركزة بشكل كبير في أيدي عدد قليل من الشركات الكبرى، مما يصعب على المطورين والمستخدمين العاديين الاستفادة منها بفعالية. لذلك، لا يمكن للمستخدمين سوى استخدام النماذج القياسية المعدة مسبقًا، دون إمكانية التخصيص حسب احتياجاتهم. أدى هذا الخلل في العرض والطلب إلى عدم تحويل وفرة القدرات الحاسوبية واحتياطيات البيانات في السوق إلى نماذج وتطبيقات عملية قابلة للاستخدام.

لمعالجة هذه المشكلة، تأمل Flock أن تصبح نظام جدولة فعال ينسق بين الطلب والموارد والقدرات الحاسوبية والبيانات. استلهمت Flock من تقنية Web3 وحددت نفسها كـ"طبقة تنفيذ"، حيث تتمثل وظيفتها الأساسية في توزيع احتياجات الذكاء الاصطناعي المخصصة للمستخدمين على العقد اللامركزية للتدريب، وجدولة هذه المهام عبر العقود الذكية لتعمل على مستوى العالم.

ولضمان عدالة وكفاءة النظام البيئي بأكمله، تتولى FLock أيضًا مسؤولية "التسوية" و"الإجماع". تشير التسوية إلى تحفيز وإدارة مساهمات المشاركين، مع مكافآت وعقوبات بناءً على إنجاز المهام. أما الإجماع فيتعلق بتقييم وتحسين جودة نتائج التدريب، لضمان أن النموذج النهائي يمثل الحل الأمثل عالميًا.

يتكون الهيكل العام لمنتج FLock من ثلاثة وحدات رئيسية: AI Arena، FL Alliance وAI Marketplace. حيث تتولى AI Arena تدريب النماذج الأساسية بشكل لامركزي، بينما تتولى FL Alliance تخصيص النماذج عبر آلية العقود الذكية، ويعد AI Marketplace السوق النهائي لتطبيق النماذج.

AI Arena: تحفيز التدريب والتحقق المحلي للنماذج

AI Arena هي منصة تدريب الذكاء الاصطناعي اللامركزية من Flock، حيث يمكن للمستخدمين المشاركة من خلال رهن توكن FML الخاص بشبكة الاختبار والحصول على مكافآت الرهن المقابلة. بعد تحديد المستخدم للنموذج المطلوب وتقديم المهمة، تقوم عقد التدريب في AI Arena بتدريب النموذج محليًا باستخدام الهيكل الأولي المحدد، دون الحاجة لرفع البيانات إلى خادم مركزي. بعد إكمال كل عقدة للتدريب، يتولى المدققون تقييم عمل عقد التدريب، وفحص جودة النموذج وتقييمه. إذا لم يرغب المستخدم في المشاركة في عملية التحقق، يمكنه تفويض توكناته للمدققين للحصول على مكافآت.

في AI Arena، تعتمد آلية مكافآت جميع الأدوار على عاملين أساسيين: كمية الرهن وجودة المهمة. تمثل كمية الرهن "الالتزام" من قبل المشاركين، بينما تقيس جودة المهمة قيمة مساهمتهم. على سبيل المثال، تعتمد مكافآت عقد التدريب على كمية الرهن وترتيب جودة النموذج المقدم، بينما تعتمد مكافآت المدققين على توافق نتائج التصويت مع الإجماع، وكمية التوكنات المرهونة وعدد مرات المشاركة في التحقق ونجاحها. أما عوائد المفوضين فتعتمد على اختيارهم للمدققين وكمية الرهن.

تدعم AI Arena نماذج التدريب التقليدية للتعلم الآلي، ويمكن للمستخدمين اختيار استخدام بياناتهم المحلية أو البيانات العامة على أجهزتهم لتعظيم أداء النموذج النهائي. حاليًا، يوجد على شبكة الاختبار العامة لـ AI Arena 496 عقدة تدريب نشطة، و871 عقدة تحقق و72 مستخدم مفوض. تبلغ نسبة الرهن على المنصة حاليًا 97.74%، ومتوسط العائد الشهري لعقد التدريب 40.57%، ومتوسط العائد الشهري لعقد التحقق 24.70%.

FL Alliance: منصة تخصيص تدار تلقائيًا عبر العقود الذكية

يتم اختيار النماذج الأعلى تقييمًا في AI Arena كـ"نماذج إجماع"، وتوزع على FL Alliance لمزيد من التخصيص. يمر التخصيص بعدة جولات. في بداية كل جولة، ينشئ النظام تلقائيًا عقد FL ذكي مرتبط بالمهمة، يدير تنفيذ المهمة والمكافآت تلقائيًا. وبالمثل، يجب على كل مشارك رهن كمية معينة من توكن FML. يتم توزيع المشاركين عشوائيًا كمقترحين أو مصوتين، حيث يستخدم المقترحون مجموعات بياناتهم المحلية لتدريب النموذج ويرفعون معلمات أو أوزان النموذج المدرب للمشاركين الآخرين. أما المصوتون فيجمعون نتائج تحديث النموذج من المقترحين ويقيمونها بالتصويت. ثم تُرفع جميع النتائج للعقد الذكي، الذي يقارن كل جولة من الدرجات بالجولة السابقة لتقييم تقدم أو تراجع أداء النموذج. إذا تحسنت الدرجة، ينتقل النظام للمرحلة التالية من التدريب؛ وإذا تراجعت، يبدأ النظام جولة جديدة باستخدام النموذج الذي تم التحقق منه في الجولة السابقة.

يحقق FL Alliance هدف تدريب نموذج عالمي مشترك من قبل عدة مشاركين مع الحفاظ على سيادة البيانات، من خلال الجمع بين التعلم الفيدرالي وآلية العقود الذكية. كما أن دمج البيانات المختلفة وتجميع الأوزان يتيح بناء نموذج عالمي أكثر كفاءة وقوة. بالإضافة إلى ذلك، يوضح المشاركون التزامهم من خلال رهن التوكنات، ويحصلون على مكافآت بناءً على جودة النموذج ونتائج الإجماع، مما يخلق نظامًا بيئيًا عادلًا وشفافًا.

AI Marketplace: كيف تقدم خدمات ذكاء اصطناعي مخصصة؟

بعد تدريب النماذج في AI Arena وتخصيصها في FL Alliance، يتم نشرها أخيرًا في AI Marketplace ليتمكن التطبيقات الأخرى من استخدامها. على عكس "سوق النماذج" التقليدي، لا يوفر AI Marketplace نماذج جاهزة فقط، بل يسمح للمستخدمين أيضًا بتعديل النماذج ودمج مصادر بيانات جديدة لتلبية سيناريوهات تطبيق مختلفة. بالإضافة إلى ذلك، يدمج AI Marketplace تقنية RAG (Retrieval-Augmented Generation "التوليد المعزز بالاسترجاع") لتحسين دقة النماذج في المجالات المتخصصة. RAG هي طريقة لتعزيز النماذج اللغوية الكبيرة من خلال استرجاع معلومات ذات صلة من قاعدة معرفة خارجية أثناء توليد الإجابات، لضمان أن تكون الاستجابات أكثر دقة وتخصيصًا.

حاليًا، تم إطلاق العديد من نماذج GPT المخصصة في AI Marketplace لسيناريوهات تطبيق مختلفة، بما في ذلك BTC GPT وFarcaster GPT وScroll GPT وEthereum GPT وغيرها. يمكننا أن نأخذ BTC GPT كمثال لفهم الفرق بين النماذج المخصصة والنماذج العامة.

في ديسمبر 2023، عند طرح سؤال "ما هو ARC20؟" لكل من BTC GPT وChatGPT:

• إجابة BTC GPT: "بروتوكول ARC20 هو بروتوكول مبني على شبكة Bitcoin، يسمح للمستخدمين بإنشاء ونقل وترقية الأصول الرقمية مثل NFT والتوكنات القابلة للاستبدال. من خلال بروتوكول ARC20، يمكن إنشاء NFT غير القابلة للاستبدال والتوكنات القابلة للاستبدال على شبكة Bitcoin. التوكن الرئيسي في بروتوكول ARC20 هو ATOM ويستخدم لمختلف الأغراض داخل البروتوكول."
• إجابة ChatGPT: "حتى آخر تحديث لمعرفتي في يناير 2022، لم يكن هناك معيار أو تقنية معروفة على نطاق واسع باسم ARC20 في المجالات التقنية أو المالية أو غيرها من المجالات الشائعة. قد يكون هناك تقنية أو معيار جديد باسم ARC20 ظهر بعد ذلك، لكن لا توجد لدي معلومات عنه."

من خلال الإجابتين يمكننا أن نرى أهمية وفائدة نماذج GPT المخصصة. على عكس النماذج اللغوية العامة، يمكن للنماذج المخصصة تقديم إجابات أكثر دقة من خلال التدريب على بيانات متخصصة في مجال معين.

بدعم من DCG، ما أوجه التشابه والاختلاف بين Flock وBittensor؟

مع انتعاش قطاع الذكاء الاصطناعي، ارتفع توكن مشروع الذكاء الاصطناعي اللامركزي Bittensor بأكثر من 93.7% خلال الثلاثين يومًا الماضية، واقترب سعره من أعلى مستوى تاريخي له، وتجاوزت قيمته السوقية الإجمالية 4.0 billions دولار. ومن الجدير بالذكر أن DCG، وهي إحدى الجهات الاستثمارية في Flock، تعد أيضًا أكبر مدقق ومنقب في نظام Bittensor البيئي. ووفقًا لمصادر مطلعة، تمتلك DCG حوالي 100 millions دولار من TAO، وفي مقال نشرته "Business Insider" عام 2021، أوصى المستثمر في DCG Matthew Beck بمشروع Bittensor كواحد من بين 53 شركة ناشئة في مجال العملات الرقمية الأكثر وعدًا.

على الرغم من أن كلا المشروعين مدعومان من DCG، إلا أن FLock وBittensor يختلفان في تركيزهما. من حيث التوجه، تهدف Bittensor إلى بناء إنترنت ذكاء اصطناعي لامركزي، وتستخدم "الشبكات الفرعية (Subnet)" كوحدة أساسية، حيث تمثل كل شبكة فرعية سوقًا لامركزيًا يمكن للمشاركين الانضمام إليه كـ"منقبين" أو "مدققين" وغيرهم. حاليًا، يوجد في نظام Bittensor البيئي 49 شبكة فرعية تغطي تحويل النص إلى كلام، وتوليد المحتوى، وتخصيص النماذج اللغوية الكبيرة وغيرها من المجالات.

منذ العام الماضي، كانت Bittensor محور اهتمام السوق. من ناحية، بسبب الارتفاع السريع في سعر التوكن الخاص بها، من 80 دولارًا في أكتوبر 2023 إلى أعلى نقطة هذا العام عند 730 دولارًا. ومن ناحية أخرى، بسبب الشكوك المختلفة، بما في ذلك ما إذا كان نموذج جذب المطورين من خلال الحوافز الرمزية يمكن أن يستمر. بالإضافة إلى ذلك، في نظام Bittensor البيئي، تبلغ حصة TAO المرهونة من قبل أكبر ثلاثة مدققين (Opentensor Foundation، Taostats & Corcel، Foundry) مجتمعة حوالي 40%، مما أثار قلق المستخدمين بشأن درجة اللامركزية.

على عكس Bittensor، تسعى FLock إلى تقديم خدمات ذكاء اصطناعي مخصصة للمستخدمين من خلال إدخال البلوكشين في التعلم الفيدرالي. تحدد Flock نفسها كـ"Uber مجال الذكاء الاصطناعي"، حيث تعمل كنظام جدولة لامركزي يطابق احتياجات الذكاء الاصطناعي مع المطورين، وتدير توزيع المهام والتحقق من النتائج وتسوية المكافآت تلقائيًا عبر العقود الذكية على السلسلة، لضمان مشاركة كل مشارك بشكل عادل بناءً على مساهمته. ولكن، مثل Bittensor، توفر Flock أيضًا خيار المشاركة المفوضة للمستخدمين بالإضافة إلى أن يصبحوا عقد تدريب أو مدققين.

بالتفصيل:

• عقد التدريب: المشاركة في تدريب مهام الذكاء الاصطناعي من خلال رهن التوكنات، مناسبة للمستخدمين الذين لديهم قدرات حاسوبية وخبرة في تطوير الذكاء الاصطناعي.
• المدققون: يحتاجون أيضًا إلى رهن التوكنات للمشاركة في الشبكة، ويتولون التحقق من جودة نماذج المنقبين، ويؤثرون على توزيع المكافآت من خلال تقديم تقييمات التحقق.
• المفوضون: يفوضون توكناتهم لعقد المنقبين والمدققين لزيادة وزن العقد في توزيع المهام، ويشاركون في عوائد العقد المفوضة. وبهذه الطريقة، يمكن للمستخدمين الذين ليس لديهم القدرة التقنية على تدريب أو التحقق من المهام المشاركة في الشبكة وكسب العوائد.

فتح FLock.io الآن رسميًا وظيفة مشاركة المفوضين، حيث يمكن لأي مستخدم الحصول على عوائد من خلال رهن توكن FML، ويمكنه اختيار أفضل عقدة بناءً على العائد السنوي المتوقع لتعظيم عوائد الرهن الخاصة به. كما أشارت Flock إلى أن الرهن والعمليات ذات الصلة في مرحلة شبكة الاختبار ستؤثر على مكافآت الإيردروب المحتملة بعد إطلاق الشبكة الرئيسية في المستقبل.

في المستقبل، تخطط FLock أيضًا لإطلاق آلية أكثر سهولة لإطلاق المهام، بحيث يمكن للمستخدمين الأفراد الذين ليس لديهم معرفة متخصصة في الذكاء الاصطناعي المشاركة بسهولة في إنشاء وتدريب نماذج الذكاء الاصطناعي، لتحقيق رؤية "مشاركة الجميع في الذكاء الاصطناعي". في الوقت نفسه، تواصل Flock التعاون في مجالات متعددة، مثل التعاون مع Request Finance لتطوير نموذج تصنيف ائتماني على السلسلة، والتعاون مع Morpheus وRitual لبناء نماذج روبوتات تداول، وتوفير قوالب عقد تدريب بنقرة واحدة لتمكين المطورين من بدء وتشغيل تدريب النماذج بسهولة على Akash. بالإضافة إلى ذلك، قامت Flock أيضًا بتدريب مساعد برمجة بلغة Move لخدمة مطوري Aptos.

بشكل عام، على الرغم من وجود اختلافات في التوجه السوقي بين Bittensor وFlock، إلا أن كلاهما يحاول إعادة تعريف علاقات الإنتاج في نظام الذكاء الاصطناعي البيئي من خلال هياكل تقنية لامركزية مختلفة، وهدفهما المشترك هو كسر احتكار عمالقة المركزية لموارد الذكاء الاصطناعي، وبناء نظام بيئي أكثر انفتاحًا وعدالة للذكاء الاصطناعي، وهو ما يحتاجه السوق بشدة حاليًا.