Wprowadzenie inteligentnych kontraktów do federacyjnego uczenia się: Jak Flock przekształca relacje produkcyjne w AI?

W przyszłości FLock planuje również wprowadzenie bardziej przyjaznego mechanizmu inicjowania zadań, aby zrealizować wizję „AI dla każdego”.

Autor: LINDABELL

W poprzedniej fali zdecentralizowanego AI, projekty takie jak Bittensor, io.net i Olas szybko stały się liderami branży dzięki innowacyjnym technologiom i wizjonerskiemu podejściu. Jednak wraz ze wzrostem wycen tych uznanych projektów, próg wejścia dla zwykłych inwestorów staje się coraz wyższy. Czy w obecnej rotacji sektorów pojawiają się jeszcze nowe możliwości uczestnictwa?

Flock: Zdecentralizowana sieć do trenowania i weryfikacji AI

Flock to zdecentralizowana platforma do trenowania i wdrażania modeli AI, łącząca federacyjne uczenie się z technologią blockchain, aby zapewnić użytkownikom bezpieczne środowisko do trenowania modeli i zarządzania nimi, przy jednoczesnej ochronie prywatności danych i sprawiedliwym udziale społeczności. Nazwa Flock po raz pierwszy pojawiła się w przestrzeni publicznej w 2022 roku, kiedy zespół założycielski opublikował wspólnie artykuł naukowy zatytułowany „FLock: Defending malicious behaviors in federated learning with blockchain”, w którym zaproponowano wprowadzenie blockchain do federacyjnego uczenia się w celu przeciwdziałania złośliwym działaniom. Artykuł wyjaśniał, jak zdecentralizowane mechanizmy mogą wzmacniać bezpieczeństwo danych i ochronę prywatności podczas trenowania modeli, a także ujawniał potencjał tej nowej architektury w zastosowaniach rozproszonych obliczeń.

Po początkowej weryfikacji koncepcji, Flock w 2023 roku uruchomił zdecentralizowaną sieć AI z wieloma Agentami – Flock Research. W Flock Research każdy Agent to duży model językowy (LLM) dostrojony do konkretnej dziedziny, który dzięki współpracy może dostarczać użytkownikom wglądu z różnych obszarów. Następnie, w połowie maja 2024 roku, Flock oficjalnie otworzył testnet zdecentralizowanej platformy do trenowania AI, gdzie użytkownicy mogą uczestniczyć w trenowaniu i dostrajaniu modeli za pomocą testowych tokenów FML i zdobywać nagrody. Do 30 września 2024 roku liczba aktywnych dziennie inżynierów AI na platformie Flock przekroczyła 300 osób, a łączna liczba zgłoszonych modeli przekroczyła 15 000.

Wraz z rozwojem projektu, Flock przyciągnął uwagę rynku kapitałowego. W marcu tego roku Flock zakończył rundę finansowania na kwotę 6 milionów dolarów, prowadzoną przez Lightspeed Faction i Tagus Capital, z udziałem DCG, OKX Ventures, Inception Capital i Volt Capital. Warto zauważyć, że Flock był jedynym projektem infrastruktury AI, który otrzymał grant w ramach akademickiego programu dotacyjnego Ethereum Foundation w 2024 roku.

Kamień milowy w redefinicji relacji produkcyjnych AI: wprowadzenie smart kontraktów do federacyjnego uczenia się

Federacyjne uczenie się (Federated Learning) to metoda uczenia maszynowego, która pozwala wielu podmiotom (zwykle nazywanym klientami) wspólnie trenować model, przy jednoczesnym zachowaniu danych lokalnie. W przeciwieństwie do tradycyjnego uczenia maszynowego, federacyjne uczenie się unika przesyłania wszystkich danych na centralny serwer, chroniąc w ten sposób prywatność użytkowników poprzez lokalne obliczenia. Obecnie federacyjne uczenie się jest już stosowane w wielu rzeczywistych scenariuszach, na przykład Google od 2017 roku wprowadził je do swojej klawiatury Gboard, aby optymalizować sugestie i przewidywanie tekstu, jednocześnie zapewniając, że dane wejściowe użytkownika nie są przesyłane. Tesla również stosuje podobną technologię w swoim systemie autonomicznej jazdy, aby lokalnie poprawiać zdolność pojazdów do postrzegania otoczenia i ograniczać potrzebę przesyłania ogromnych ilości danych wideo.

Jednak te zastosowania nadal napotykają pewne problemy, zwłaszcza w zakresie prywatności i bezpieczeństwa. Po pierwsze, użytkownicy muszą ufać scentralizowanym podmiotom trzecim, po drugie, podczas przesyłania i agregowania parametrów modelu należy zapobiegać przesyłaniu fałszywych danych lub złośliwych parametrów przez złośliwe węzły, co może prowadzić do zniekształcenia wydajności modelu lub błędnych wyników. Według badań zespołu FLock opublikowanych w czasopiśmie IEEE, tradycyjne modele federacyjnego uczenia się, przy obecności 10% złośliwych węzłów, osiągają dokładność na poziomie 96,3%, a gdy odsetek złośliwych węzłów wzrasta do 30% i 40%, dokładność spada odpowiednio do 80,1% i 70,9%.

Aby rozwiązać te problemy, Flock wprowadził smart kontrakty na blockchainie jako „silnik zaufania” w swojej architekturze federacyjnego uczenia się. Smart kontrakty jako silnik zaufania umożliwiają automatyczne zbieranie i weryfikację parametrów w zdecentralizowanym środowisku oraz bezstronne publikowanie wyników modeli, skutecznie zapobiegając manipulacji danymi przez złośliwe węzły. W porównaniu z tradycyjnymi rozwiązaniami federacyjnego uczenia się, nawet przy 40% złośliwych węzłów, dokładność modelu FLock pozostaje powyżej 95,5%.

Pozycjonowanie warstwy wykonawczej AI: analiza trójwarstwowej architektury FLock

Jednym z głównych problemów obecnej branży AI jest to, że zasoby do trenowania modeli AI i wykorzystywania danych są nadal silnie skoncentrowane w rękach kilku dużych firm, przez co zwykli deweloperzy i użytkownicy mają trudności z efektywnym korzystaniem z tych zasobów. W rezultacie użytkownicy mogą korzystać jedynie z gotowych, standaryzowanych modeli, bez możliwości ich dostosowania do własnych potrzeb. To niedopasowanie popytu i podaży sprawia, że nawet przy bogatych zasobach obliczeniowych i danych na rynku, nie można ich przekształcić w rzeczywiście użyteczne modele i aplikacje.

Aby rozwiązać ten problem, Flock chce stać się skutecznym systemem koordynującym popyt, zasoby, moc obliczeniową i dane. Flock, czerpiąc z technologii Web3, pozycjonuje się jako „warstwa wykonawcza”, ponieważ jego główną funkcją jest rozdzielanie spersonalizowanych potrzeb AI użytkowników do zdecentralizowanych węzłów w celu trenowania oraz zarządzanie tymi zadaniami na całym świecie za pomocą smart kontraktów.

Jednocześnie, aby zapewnić sprawiedliwość i efektywność całego ekosystemu, system FLock odpowiada również za „rozliczenia” i „konsensus”. Rozliczenia oznaczają motywowanie i zarządzanie wkładem uczestników, nagradzając i karząc w zależności od realizacji zadań. Konsensus odpowiada za ocenę i optymalizację jakości wyników trenowania, zapewniając, że ostatecznie wygenerowany model reprezentuje globalne optimum.

Cała architektura produktu FLock składa się z trzech głównych modułów: AI Arena, FL Alliance i AI Marketplace. AI Arena odpowiada za zdecentralizowane podstawowe trenowanie modeli, FL Alliance za dostrajanie modeli w ramach mechanizmu smart kontraktów, a AI Marketplace to końcowy rynek aplikacji modeli.

AI Arena: Lokalny trening modeli i motywacja do weryfikacji

AI Arena to zdecentralizowana platforma treningowa AI Flock, na której użytkownicy mogą uczestniczyć poprzez staking tokenów testnetu Flock FML i otrzymywać odpowiednie nagrody za staking. Po zdefiniowaniu potrzebnego modelu i zgłoszeniu zadania przez użytkownika, węzły treningowe w AI Arena trenują model lokalnie na podstawie podanej początkowej architektury modelu, bez konieczności przesyłania danych na scentralizowany serwer. Po zakończeniu treningu przez każdy węzeł, weryfikatorzy oceniają pracę węzłów treningowych, sprawdzają jakość modeli i przyznają oceny. Jeśli użytkownik nie chce uczestniczyć w procesie weryfikacji, może powierzyć swoje tokeny weryfikatorom, aby otrzymać nagrody.

W AI Arena mechanizm nagradzania wszystkich ról zależy od dwóch kluczowych czynników: ilości stakowanych tokenów i jakości wykonania zadania. Ilość stakowanych tokenów reprezentuje „zaangażowanie” uczestnika, a jakość zadania mierzy jego wkład. Na przykład nagroda dla węzłów treningowych zależy od ilości stakowanych tokenów i pozycji modelu w rankingu jakości, a nagroda dla weryfikatorów zależy od zgodności głosowania z konsensusem, ilości stakowanych tokenów oraz liczby i skuteczności udziału w weryfikacji. Zyski delegujących zależą od wybranego weryfikatora i ilości stakowanych tokenów.

AI Arena obsługuje tradycyjne tryby treningu modeli uczenia maszynowego, a użytkownicy mogą wybrać trenowanie na własnych urządzeniach z użyciem lokalnych lub publicznych danych, aby maksymalnie zwiększyć wydajność końcowego modelu. Obecnie na publicznym testnecie AI Arena działa 496 aktywnych węzłów treningowych, 871 weryfikatorów i 72 użytkowników delegujących. Aktualny wskaźnik stakingu na platformie wynosi 97,74%, średni miesięczny zysk węzłów treningowych to 40,57%, a weryfikatorów 24,70%.

FL Alliance: Platforma do automatycznego dostrajania zarządzana przez smart kontrakty

Modele o najwyższych ocenach z AI Arena są wybierane jako „modele konsensusu” i przekazywane do dalszego dostrajania w FL Alliance. Dostrajanie odbywa się w wielu rundach. Na początku każdej rundy system automatycznie tworzy powiązany z zadaniem smart kontrakt FL, który zarządza realizacją zadania i nagrodami. Każdy uczestnik musi również stakować określoną liczbę tokenów FML. Uczestnicy są losowo przydzielani jako proponenci lub głosujący – proponenci trenują model na własnych lokalnych danych i przesyłają wytrenowane parametry lub wagi innym uczestnikom, a głosujący agregują i oceniają aktualizacje modeli proponowanych przez proponujących. Wszystkie wyniki są następnie przesyłane do smart kontraktu, który porównuje wyniki każdej rundy z poprzednią, aby ocenić postęp lub spadek wydajności modelu. Jeśli wynik się poprawia, system przechodzi do kolejnego etapu treningu; jeśli wynik się pogarsza, rozpoczyna się kolejna runda treningu, agregacji i oceny na podstawie poprzedniego, zweryfikowanego modelu.

FL Alliance, łącząc federacyjne uczenie się z mechanizmem smart kontraktów, umożliwia wspólne trenowanie globalnego modelu przez wielu uczestników przy zachowaniu suwerenności danych. Ponadto, dzięki integracji różnych danych i agregacji wag, można zbudować bardziej wydajny i potężniejszy model globalny. Uczestnicy wyrażają swoje zaangażowanie poprzez staking tokenów i otrzymują nagrody w zależności od jakości modelu i wyników konsensusu, tworząc sprawiedliwy i przejrzysty ekosystem.

AI Marketplace: Jak zapewnić spersonalizowane usługi AI?

Modele wytrenowane w AI Arena i dostrojone w FL Alliance są ostatecznie wdrażane w AI Marketplace, gdzie mogą być wykorzystywane przez inne aplikacje. W przeciwieństwie do tradycyjnych „rynków modeli”, AI Marketplace nie tylko oferuje gotowe modele, ale także umożliwia użytkownikom dalszą ich modyfikację i integrację nowych źródeł danych w celu dostosowania do różnych scenariuszy. Ponadto AI Marketplace integruje technologię RAG (Retrieval-Augmented Generation), aby zwiększyć dokładność modeli w określonych dziedzinach. RAG to metoda wzmacniania dużych modeli językowych poprzez wyszukiwanie odpowiednich informacji z zewnętrznych baz wiedzy podczas generowania odpowiedzi, co zapewnia większą precyzję i personalizację.

Obecnie na AI Marketplace dostępnych jest wiele spersonalizowanych modeli GPT dla różnych zastosowań, w tym BTC GPT, Farcaster GPT, Scroll GPT, Ethereum GPT i inne. Przykład BTC GPT pozwala zrozumieć różnicę między modelem spersonalizowanym a ogólnym.

W grudniu 2023 roku, zapytano jednocześnie BTC GPT i ChatGPT: „Czym jest ARC20?”:

• Odpowiedź BTC GPT: „Protokół ARC20 to protokół zbudowany na sieci Bitcoin, który pozwala użytkownikom tworzyć, przesyłać i aktualizować cyfrowe przedmioty, takie jak NFT i wymienialne tokeny. Dzięki protokołowi ARC20 można generować niewymienialne NFT i wymienialne tokeny na sieci Bitcoin. Głównym tokenem protokołu ARC20 jest ATOM, używany do różnych celów w protokole.”
• Odpowiedź ChatGPT: „Na dzień mojej ostatniej aktualizacji wiedzy w styczniu 2022 roku nie istniał powszechnie uznany standard lub technologia o nazwie ARC20 w dziedzinie technologii, finansów lub innych popularnych branżach. Możliwe, że po tej dacie pojawiła się nowa technologia lub standard o nazwie ARC20, ale nie posiadam na ten temat informacji.”

Odpowiedzi obu modeli pokazują znaczenie i przewagę modeli GPT dostosowanych do konkretnych dziedzin. W przeciwieństwie do ogólnych modeli językowych, spersonalizowane modele GPT mogą być trenowane na danych z określonej dziedziny, aby zapewnić bardziej precyzyjne odpowiedzi.

Oba wspierane przez DCG – czym różnią się Flock i Bittensor?

Wraz z ożywieniem sektora AI, token zdecentralizowanego projektu AI Bittensor w ciągu ostatnich 30 dni wzrósł o ponad 93,7%, a cena zbliżyła się do historycznego maksimum, a kapitalizacja rynkowa ponownie przekroczyła 4 miliardy dolarów. Warto zauważyć, że inwestor Flock, DCG, jest również największym weryfikatorem i górnikiem w ekosystemie Bittensor. Według osób wtajemniczonych, DCG posiada około 100 milionów dolarów w TAO, a w artykule „Business Insider” z 2021 roku inwestor DCG Matthew Beck polecił Bittensor jako jedną z 53 najbardziej obiecujących firm kryptowalutowych.

Mimo że oba projekty są wspierane przez DCG, FLock i Bittensor różnią się pod względem priorytetów. Bittensor dąży do zbudowania zdecentralizowanego internetu AI, wykorzystując „subnety” jako podstawową jednostkę – każdy subnet to zdecentralizowany rynek, do którego uczestnicy mogą dołączyć jako „górnicy” lub „weryfikatorzy”. Obecnie w ekosystemie Bittensor istnieje 49 subnetów, obejmujących takie dziedziny jak zamiana tekstu na mowę, generowanie treści i dostrajanie dużych modeli językowych.

Od zeszłego roku Bittensor pozostaje w centrum uwagi rynku. Z jednej strony ze względu na gwałtowny wzrost ceny tokena – od 80 dolarów w październiku 2023 roku do szczytu 730 dolarów w tym roku. Z drugiej strony pojawiają się różne wątpliwości, w tym dotyczące trwałości modelu przyciągającego deweloperów za pomocą zachęt tokenowych. Ponadto w ekosystemie Bittensor trzy największe weryfikatory (Opentensor Foundation, Taostats & Corcel, Foundry) łącznie stakują prawie 40% TAO, co budzi obawy użytkowników o stopień decentralizacji.

W przeciwieństwie do Bittensor, FLock wprowadza blockchain do federacyjnego uczenia się, koncentrując się na dostarczaniu użytkownikom spersonalizowanych usług AI. Flock pozycjonuje się jako „Uber AI”, pełniąc rolę zdecentralizowanego systemu koordynującego zapotrzebowanie na AI i deweloperów, automatycznie zarządzając przydziałem zadań, weryfikacją wyników i rozliczaniem nagród za pomocą smart kontraktów on-chain, aby zapewnić sprawiedliwy udział każdego uczestnika zgodnie z jego wkładem. Podobnie jak w Bittensor, oprócz roli węzła treningowego i weryfikatora, Flock oferuje również opcję delegowania udziału użytkownikom.

Konkretne role:

• Węzeł treningowy: uczestniczy w rywalizacji o zadania AI poprzez staking tokenów, odpowiedni dla użytkowników posiadających moc obliczeniową i doświadczenie w rozwoju AI.
• Weryfikator: również wymaga stakingu tokenów, odpowiada za weryfikację jakości modeli górników i poprzez zgłaszanie ocen wpływa na podział nagród.
• Delegujący: deleguje tokeny do węzłów treningowych i weryfikatorów, zwiększając ich wagę w przydziale zadań i dzieląc się nagrodami tych węzłów. Dzięki temu nawet użytkownicy bez umiejętności technicznych mogą uczestniczyć w sieci i zarabiać.

FLock.io oficjalnie otworzył funkcję udziału delegujących – każdy użytkownik może stakować tokeny FML, aby uzyskać zyski, a także wybrać optymalny węzeł w oparciu o oczekiwaną roczną stopę zwrotu, maksymalizując swoje zyski ze stakingu. Flock informuje również, że staking i powiązane działania w fazie testnetu wpłyną na potencjalne nagrody airdropowe po uruchomieniu mainnetu.

W przyszłości FLock planuje również wprowadzenie bardziej przyjaznego mechanizmu inicjowania zadań, aby osoby bez wiedzy specjalistycznej z zakresu AI mogły łatwo uczestniczyć w tworzeniu i trenowaniu modeli AI, realizując wizję „AI dla każdego”. Jednocześnie Flock aktywnie rozwija współpracę w różnych obszarach, na przykład z Request Finance przy opracowywaniu on-chainowego modelu oceny zdolności kredytowej, z Morpheus i Ritual przy budowie modeli botów tradingowych, oferując szablony węzłów treningowych do wdrożenia jednym kliknięciem, co pozwala deweloperom łatwo uruchamiać i trenować modele na Akash. Ponadto Flock wytrenował asystenta programowania w języku Move dla deweloperów Aptos.

Podsumowując, mimo różnic w pozycjonowaniu rynkowym, zarówno Bittensor, jak i Flock próbują na nowo zdefiniować relacje produkcyjne w ekosystemie AI poprzez różne zdecentralizowane architektury technologiczne. Ich wspólnym celem jest przełamanie monopolu scentralizowanych gigantów na zasoby AI i budowa bardziej otwartego i sprawiedliwego ekosystemu AI, czego obecnie rynek bardzo potrzebuje.