Einführung von Smart Contracts in das föderierte Lernen: Wie Flock die Produktionsbeziehungen der KI neu gestaltet?

In Zukunft plant FLock zudem, benutzerfreundlichere Mechanismen zur Aufgabeninitiierung einzuführen, um die Vision von „AI für alle“ zu verwirklichen.

Autorin: LINDABELL

In der letzten Welle des dezentralisierten AI-Booms wurden Projekte wie Bittensor, io.net und Olas dank ihrer innovativen Technologien und vorausschauenden Strategien schnell zu Branchenführern. Mit dem stetigen Anstieg der Bewertungen dieser etablierten Projekte wird jedoch die Einstiegshürde für gewöhnliche Investoren immer höher. Gibt es angesichts der aktuellen Rotation im Sektor noch neue Einstiegsmöglichkeiten?

Flock: Dezentralisiertes Netzwerk für AI-Training und -Validierung

Flock ist eine dezentrale Plattform für das Training und die Anwendung von AI-Modellen, die föderiertes Lernen mit Blockchain-Technologie kombiniert, um den Nutzern eine sichere Umgebung für das Modelltraining und -management zu bieten und gleichzeitig Datenschutz und faire Community-Beteiligung zu gewährleisten. Der Begriff Flock tauchte erstmals 2022 in der Öffentlichkeit auf, als das Gründerteam gemeinsam eine wissenschaftliche Arbeit mit dem Titel „FLock: Defending malicious behaviors in federated learning with blockchain“ veröffentlichte, in der das Konzept vorgestellt wurde, Blockchain in föderiertes Lernen zu integrieren, um böswilliges Verhalten zu verhindern. Die Arbeit erläuterte, wie durch dezentrale Mechanismen die Datensicherheit und der Datenschutz im Modelltraining gestärkt werden können, und zeigte zudem das Anwendungspotenzial dieser neuen Architektur im Bereich des verteilten Rechnens auf.

Nach einer ersten Konzeptvalidierung brachte Flock 2023 das dezentrale Multi-Agenten-AI-Netzwerk Flock Research auf den Markt. In Flock Research ist jeder Agent ein auf ein bestimmtes Fachgebiet abgestimmtes Large Language Model (LLM), das durch Zusammenarbeit den Nutzern Einblicke aus verschiedenen Bereichen bietet. Im Mai 2024 wurde dann das Testnetzwerk der dezentralen AI-Trainingsplattform offiziell eröffnet. Nutzer können mit Test-Token FML am Training und Feintuning von Modellen teilnehmen und Belohnungen erhalten. Bis zum 30. September 2024 hat die Zahl der täglich aktiven AI-Ingenieure auf der Flock-Plattform 300 überschritten, und es wurden insgesamt über 15.000 Modelle eingereicht.

Mit der kontinuierlichen Entwicklung des Projekts hat Flock auch das Interesse des Kapitalmarkts geweckt. Im März dieses Jahres schloss Flock eine Finanzierungsrunde über 6 Millionen US-Dollar ab, angeführt von Lightspeed Faction und Tagus Capital, mit Beteiligung von DCG, OKX Ventures, Inception Capital und Volt Capital. Bemerkenswert ist, dass Flock das einzige AI-Infrastrukturprojekt war, das im akademischen Förderprogramm der Ethereum Foundation 2024 einen Zuschuss erhielt.

Grundlage für die Neugestaltung der AI-Produktionsverhältnisse: Einführung von Smart Contracts in föderiertes Lernen

Föderiertes Lernen (Federated Learning) ist eine Methode des maschinellen Lernens, die es mehreren Entitäten (in der Regel Clients) ermöglicht, Modelle gemeinsam zu trainieren, während die Daten lokal gespeichert bleiben. Im Gegensatz zum traditionellen maschinellen Lernen werden beim föderierten Lernen nicht alle Daten auf einen zentralen Server hochgeladen, sondern durch lokale Berechnungen der Datenschutz der Nutzer gewahrt. Föderiertes Lernen wird bereits in mehreren realen Szenarien eingesetzt, zum Beispiel hat Google seit 2017 föderiertes Lernen in seine Gboard-Tastatur integriert, um Eingabevorschläge und Textvorhersagen zu optimieren, ohne dass die Eingabedaten der Nutzer hochgeladen werden. Auch Tesla nutzt ähnliche Technologien in seinem Autopilot-System, um die Umgebungswahrnehmung der Fahrzeuge lokal zu verbessern und den Bedarf an der Übertragung großer Videodatenmengen zu reduzieren.

Dennoch bestehen weiterhin Probleme, insbesondere im Bereich Datenschutz und Sicherheit. Zum einen müssen Nutzer zentralisierten Drittanbietern vertrauen, zum anderen muss während der Übertragung und Aggregation der Modellparameter verhindert werden, dass böswillige Knoten gefälschte Daten oder schädliche Parameter hochladen, was zu Verzerrungen oder fehlerhaften Vorhersagen führen kann. Laut einer im IEEE-Journal veröffentlichten Studie des FLock-Teams sinkt die Genauigkeit traditioneller föderierter Lernmodelle bei einem Anteil von 10% böswilliger Knoten auf 96,3%. Steigt der Anteil böswilliger Knoten auf 30% bzw. 40%, fällt die Genauigkeit auf 80,1% bzw. 70,9%.

Um diese Probleme zu lösen, hat Flock in seine föderierte Lernarchitektur Smart Contracts auf der Blockchain als „Vertrauens-Engine“ integriert. Smart Contracts ermöglichen in einer dezentralen Umgebung die automatisierte Sammlung und Validierung von Parametern sowie die unparteiische Veröffentlichung von Modellergebnissen und verhindern so effektiv die Manipulation von Daten durch böswillige Knoten. Im Vergleich zu traditionellen föderierten Lernlösungen kann das Modell von FLock selbst bei einem Anteil von 40% böswilliger Knoten eine Genauigkeit von über 95,5% aufrechterhalten.

Positionierung als AI-Execution-Layer: Analyse der dreischichtigen FLock-Architektur

Ein zentrales Problem im aktuellen AI-Bereich ist, dass die Ressourcen für das Training von AI-Modellen und die Nutzung von Daten weiterhin stark bei einigen wenigen großen Unternehmen konzentriert sind, sodass gewöhnliche Entwickler und Nutzer diese Ressourcen kaum effektiv nutzen können. Nutzer sind daher gezwungen, vorgefertigte Standardmodelle zu verwenden, ohne sie an ihre eigenen Bedürfnisse anpassen zu können. Diese Diskrepanz zwischen Angebot und Nachfrage führt dazu, dass selbst bei reichlich vorhandener Rechenleistung und Daten keine tatsächlich nutzbaren Modelle und Anwendungen entstehen.

Um dieses Problem zu lösen, möchte Flock ein effektives System zur Koordination von Nachfrage, Ressourcen, Rechenleistung und Daten werden. Flock orientiert sich am Web3-Technologie-Stack und positioniert sich als „Execution Layer“, da die Kernfunktion darin besteht, die individuellen AI-Anforderungen der Nutzer an verschiedene dezentrale Knoten zum Training zu verteilen und diese Aufgaben über Smart Contracts weltweit zu koordinieren.

Um ein faires und effizientes Ökosystem zu gewährleisten, ist das FLock-System zudem für „Settlement“ und „Consensus“ zuständig. Settlement bezieht sich auf die Belohnung und Verwaltung der Beiträge der Teilnehmer, basierend auf dem Abschluss der Aufgaben. Consensus bewertet und optimiert die Qualität der Trainingsergebnisse, um sicherzustellen, dass das endgültige Modell die global optimale Lösung darstellt.

Die Gesamtarchitektur von FLock besteht aus drei Hauptmodulen: AI Arena, FL Alliance und AI Marketplace. Die AI Arena ist für das dezentrale Basistraining der Modelle zuständig, die FL Alliance übernimmt das Feintuning der Modelle unter Einsatz von Smart Contracts, und der AI Marketplace ist der Marktplatz für die endgültigen Modellanwendungen.

AI Arena: Lokales Modelltraining und Validierungsanreize

AI Arena ist die dezentrale AI-Trainingsplattform von Flock. Nutzer können durch das Staking von Flock-Testnet-Token FML teilnehmen und entsprechende Staking-Belohnungen erhalten. Nachdem Nutzer das gewünschte Modell definiert und die Aufgabe eingereicht haben, trainieren die Trainingsknoten in der AI Arena das Modell lokal mit der vorgegebenen Architektur, ohne dass Daten auf zentrale Server hochgeladen werden müssen. Nach Abschluss des Trainings auf jedem Knoten bewerten Validatoren die Arbeit der Trainingsknoten, prüfen die Modellqualität und vergeben Punkte. Wer nicht am Validierungsprozess teilnehmen möchte, kann seine Token auch an Validatoren delegieren, um Belohnungen zu erhalten.

In der AI Arena hängen die Belohnungsmechanismen aller Rollen von zwei Kernfaktoren ab: der Menge der gestakten Token und der Qualität der Aufgaben. Die Menge der gestakten Token steht für das „Commitment“ der Teilnehmer, während die Aufgabenqualität ihren Beitrag misst. Die Belohnung der Trainingsknoten richtet sich nach der Menge der gestakten Token und dem Qualitätsranking des eingereichten Modells. Die Belohnung der Validatoren hängt von der Übereinstimmung ihrer Abstimmung mit dem Konsens, der Menge der gestakten Token sowie der Anzahl und dem Erfolg ihrer Validierungen ab. Die Erträge der Delegatoren richten sich nach dem gewählten Validator und der gestakten Menge.

AI Arena unterstützt traditionelle Trainingsmodi für maschinelles Lernen, und Nutzer können wählen, ob sie lokale oder öffentliche Daten auf ihren eigenen Geräten verwenden, um die Leistung des endgültigen Modells zu maximieren. Im öffentlichen Testnetz der AI Arena gibt es derzeit 496 aktive Trainingsknoten, 871 Validierungsknoten und 72 Delegatoren. Die aktuelle Staking-Quote der Plattform beträgt 97,74%, der durchschnittliche monatliche Ertrag der Trainingsknoten liegt bei 40,57%, der der Validierungsknoten bei 24,70%.

FL Alliance: Automatisiertes Feintuning-Management durch Smart Contracts

Die in der AI Arena am besten bewerteten Modelle werden als „Konsensmodelle“ ausgewählt und zur weiteren Feinabstimmung an die FL Alliance übergeben. Das Feintuning erfolgt in mehreren Runden. Zu Beginn jeder Runde erstellt das System automatisch einen FL-Smart-Contract, der mit der jeweiligen Aufgabe verknüpft ist und die Ausführung und Belohnung der Aufgabe automatisch verwaltet. Auch hier müssen alle Teilnehmer eine bestimmte Menge FML-Token staken. Die Teilnehmer werden zufällig als Proposer oder Voter zugewiesen. Proposer trainieren das Modell mit ihren lokalen Datensätzen und laden die trainierten Modellparameter oder -gewichte für andere Teilnehmer hoch. Voter fassen die Modell-Updates der Proposer zusammen und bewerten sie durch Abstimmung. Alle Ergebnisse werden anschließend an den Smart Contract übermittelt, der die Punktzahl jeder Runde mit der vorherigen vergleicht, um die Leistungsverbesserung oder -verschlechterung des Modells zu bewerten. Bei einer Leistungssteigerung geht das System in die nächste Trainingsphase über; bei einer Verschlechterung wird das in der vorherigen Runde validierte Modell für eine weitere Runde Training, Aggregation und Bewertung verwendet.

FL Alliance kombiniert föderiertes Lernen mit Smart-Contract-Mechanismen, um das gemeinsame Training eines globalen Modells durch mehrere Teilnehmer unter Wahrung der Datensouveränität zu ermöglichen. Durch die Integration verschiedener Daten und die Aggregation von Gewichten kann ein leistungsfähigeres und fähigeres globales Modell erstellt werden. Darüber hinaus zeigen Teilnehmer durch das Staking von Token ihr Engagement und erhalten Belohnungen entsprechend der Modellqualität und dem Konsensergebnis, was ein faires und transparentes Ökosystem schafft.

AI Marketplace: Wie werden personalisierte AI-Dienste angeboten?

Die nach dem Training in der AI Arena und dem Feintuning in der FL Alliance entstandenen Modelle werden schließlich im AI Marketplace bereitgestellt und können von anderen Anwendungen genutzt werden. Im Gegensatz zu traditionellen „Modellmärkten“ bietet der AI Marketplace nicht nur fertige Modelle an, sondern ermöglicht es den Nutzern auch, Modelle weiter zu modifizieren und neue Datenquellen zu integrieren, um verschiedene Anwendungsszenarien abzudecken. Darüber hinaus ist im AI Marketplace die RAG-Technologie (Retrieval-Augmented Generation) integriert, um die Genauigkeit von Modellen in bestimmten Bereichen zu erhöhen. RAG ist eine Methode zur Verbesserung von Large Language Models, indem bei der Generierung von Antworten relevante Informationen aus externen Wissensdatenbanken abgerufen werden, um die Antworten genauer und personalisierter zu gestalten.

Derzeit sind im AI Marketplace bereits viele anwendungsspezifische GPT-Modelle verfügbar, darunter BTC GPT, Farcaster GPT, Scroll GPT, Ethereum GPT und andere. Am Beispiel von BTC GPT lässt sich der Unterschied zwischen einem spezialisierten und einem allgemeinen Modell verdeutlichen.

Im Dezember 2023 wurde sowohl BTC GPT als auch ChatGPT die Frage gestellt: „Was ist ARC20?“

• Antwort von BTC GPT: „Das ARC20-Protokoll ist ein auf dem Bitcoin-Netzwerk basierendes Protokoll, das es Nutzern ermöglicht, digitale Gegenstände wie NFTs und fungible Token zu erstellen, zu übertragen und zu aktualisieren. Über das ARC20-Protokoll können auf dem Bitcoin-Netzwerk nicht-fungible NFTs und fungible Token generiert werden. Das Haupt-Token des ARC20-Protokolls ist ATOM und wird für verschiedene Zwecke innerhalb des Protokolls verwendet.“
• Antwort von ChatGPT: „Bis zu meinem letzten Wissensstand im Januar 2022 gibt es in den Bereichen Technik, Finanzen oder anderen gängigen Bereichen keinen weithin anerkannten Standard oder eine Technologie namens ARC20. Es ist möglich, dass nach diesem Zeitpunkt eine neue Technologie oder ein Standard namens ARC20 eingeführt wurde, aber ich habe dazu keine Informationen.“

Die Antworten zeigen die Bedeutung und den Vorteil spezialisierter GPT-Modelle. Im Gegensatz zu allgemeinen Sprachmodellen können spezialisierte GPT-Modelle durch Training mit domänenspezifischen Daten präzisere Antworten liefern.

Beide von DCG unterstützt: Was sind die Unterschiede und Gemeinsamkeiten zwischen Flock und Bittensor?

Mit der Erholung des AI-Sektors ist der Token des dezentralen AI-Projekts Bittensor in den letzten 30 Tagen um mehr als 93,7% gestiegen, der Preis erreichte beinahe ein Allzeithoch und die Marktkapitalisierung überschritt erneut 4 Milliarden US-Dollar. Bemerkenswert ist, dass DCG, ein Investor von Flock, auch einer der größten Validatoren und Miner im Bittensor-Ökosystem ist. Laut Insidern hält DCG etwa 100 Millionen US-Dollar an TAO, und in einem Artikel von „Business Insider“ aus dem Jahr 2021 empfahl DCG-Investor Matthew Beck Bittensor als eines der 53 vielversprechendsten Krypto-Startups.

Obwohl beide Projekte von DCG unterstützt werden, unterscheiden sich FLock und Bittensor in ihrer Ausrichtung. Bittensor zielt darauf ab, ein dezentrales AI-Internet zu schaffen und verwendet „Subnets“ als Grundeinheit. Jedes Subnet entspricht einem dezentralen Markt, dem Teilnehmer als „Miner“ oder „Validator“ beitreten können. Im Bittensor-Ökosystem gibt es derzeit 49 Subnets, die Bereiche wie Text-to-Speech, Content-Generierung und Feintuning von Large Language Models abdecken.

Seit dem letzten Jahr steht Bittensor im Fokus des Marktes. Einerseits wegen des rasanten Anstiegs des Token-Preises von 80 US-Dollar im Oktober 2023 auf ein Hoch von 730 US-Dollar in diesem Jahr. Andererseits gibt es auch Kritik, etwa ob das auf Token-Anreizen basierende Modell zur Entwicklergewinnung nachhaltig ist. Zudem halten die drei größten Validatoren (Opentensor Foundation, Taostats & Corcel, Foundry) zusammen fast 40% der gestakten TAO, was Bedenken hinsichtlich des Dezentralisierungsgrads aufwirft.

Im Gegensatz zu Bittensor setzt FLock auf die Integration von Blockchain in föderiertes Lernen und möchte den Nutzern personalisierte AI-Dienste bieten. Flock versteht sich als „Uber der AI-Branche“ und fungiert als dezentrales Dispositionssystem, das AI-Anforderungen und Entwickler zusammenbringt. Über Smart Contracts werden Aufgabenverteilung, Ergebnisvalidierung und Belohnungsabrechnung automatisch verwaltet, sodass jeder Teilnehmer entsprechend seinem Beitrag fair beteiligt wird. Ähnlich wie bei Bittensor können Nutzer neben der Rolle als Trainingsknoten und Validator auch als Delegator teilnehmen.

Konkret bedeutet das:

• Trainingsknoten: Nehmen durch das Staking von Token am Wettbewerb um AI-Trainingsaufgaben teil, geeignet für Nutzer mit Rechenleistung und AI-Entwicklungserfahrung.
• Validatoren: Müssen ebenfalls Token staken, um am Netzwerk teilzunehmen, sind für die Validierung der Modellqualität der Miner verantwortlich und beeinflussen durch die Einreichung von Bewertungspunkten die Belohnungsverteilung.
• Delegatoren: Delegieren Token an Miner- und Validator-Knoten, um deren Gewichtung bei der Aufgabenverteilung zu erhöhen und teilen die Belohnungen der delegierten Knoten. So können auch Nutzer ohne technische Fähigkeiten am Training oder an der Validierung teilnehmen und Erträge erzielen.

FLock.io hat die Delegator-Funktion offiziell freigeschaltet. Jeder Nutzer kann durch das Staking von FML-Token Erträge erzielen und durch die Auswahl des optimalen Knotens basierend auf der erwarteten Jahresrendite seine Staking-Erträge maximieren. Flock weist darauf hin, dass das Staking und die entsprechenden Aktionen im Testnetz Auswirkungen auf potenzielle Airdrop-Belohnungen nach dem Start des Mainnets haben werden.

In Zukunft plant FLock, benutzerfreundlichere Mechanismen zur Aufgabeninitiierung einzuführen, sodass auch Einzelpersonen ohne AI-Fachwissen einfach an der Erstellung und dem Training von AI-Modellen teilnehmen können, um die Vision von „AI für alle“ zu verwirklichen. Gleichzeitig arbeitet Flock aktiv an verschiedenen Kooperationen, zum Beispiel mit Request Finance zur Entwicklung eines On-Chain-Credit-Scoring-Modells, mit Morpheus und Ritual zur Entwicklung von Trading-Bot-Modellen sowie an der Bereitstellung von One-Click-Deployment-Templates für Trainingsknoten, damit Entwickler einfach auf Akash Modelltraining starten und betreiben können. Darüber hinaus hat Flock für Aptos einen Move-Sprachprogrammierassistenten für Entwickler trainiert.

Insgesamt lässt sich sagen, dass Bittensor und Flock zwar unterschiedliche Marktpositionierungen haben, aber beide versuchen, durch verschiedene dezentrale Technologiearchitekturen die Produktionsverhältnisse im AI-Ökosystem neu zu definieren. Ihr gemeinsames Ziel ist es, das Monopol zentralisierter Großunternehmen auf AI-Ressourcen zu durchbrechen und ein offeneres und faireres AI-Ökosystem zu schaffen – genau das, was der Markt derzeit dringend benötigt.