撰文:LINDABELL

在上一輪去中心化AI 熱潮中,Bittensor、io.net 和Olas 等明星項目憑藉其創新技術與前瞻性佈局,迅速成為了行業領導者。然而,隨著這些老牌計畫估值的節期攀升,一般投資人的參與門檻也越來越高。那麼,面對目前這一輪的板塊輪動,是否還存在新的參與機會?

Flock:去中心化AI 訓練和驗證網絡

Flock 是一個去中心化的AI 模型訓練和應用平台,將聯邦學習和區塊鏈技術結合,以為用戶提供安全的模型訓練和管理環境,同時保護資料隱私和公平社區參與。 Flock 這個詞最初於2022 年進入公眾視野,其創始團隊聯合發布了一篇題為“FLock: Defending malicious behaviors in federated learning with blockchain”的學術論文,提出了將區塊鏈引入聯邦學習以防範惡意行為的理念。該論文闡述如何透過去中心化機制來加強模型訓練過程中的資料安全和隱私保護,也揭示了這種新架構在分散式運算中的應用潛力。

經過初期的概念驗證後,Flock 在2023 年推出了去中心化的多Agent AI 網路Flock Research。在Flock Reseach 中,每個Agent 都是為特定領域調優的大語言模型(LLM),能夠透過協作為使用者提供不同領域的見解。隨後在2024 年5 月中旬,Flock 正式開放了去中心化AI 訓練平台的測試網,用戶可以透過使用測試代幣FML 參與模型的訓練和微調,並獲得獎勵。截至2024 年9 月30 日,Flock 平台的每日活躍AI 工程師數量已突破300 人,累計提交模型數量達到15,000 以上。

隨著專案的持續發展,Flock 也受到了資本市場的關注。今年3 月,Flock 完成了由Lightspeed Faction 和Tagus Capital 領投的600 萬美元融資,DCG、OKX Ventures、Inception Capital 和Volt Capital 等人參投。值得注意的是,Flock 也是2024 年以太坊基金會學術資助輪中唯一獲得撥款的AI 基礎設施項目。

為聯邦學習引入智能合約:Flock 如何重塑 AI 生產關係?

重塑AI 生產關係的基石:為聯邦學習引入智能合約

聯邦學習(Federated Learning)是一種機器學習方法,允許多個實體(通常稱為客戶端)在確保資料本地儲存的前提下,共同訓練模型。與傳統的機器學習不同,聯邦學習避免了將所有資料上傳至中心伺服器,而是透過本地運算的方式保護使用者隱私。目前,聯邦學習其實已經在多個實際場景中得到了應用,例如穀歌自2017 年起將聯邦學習引入其Gboard 輸入法中,用於優化輸入建議和文字預測,同時確保用戶的輸入資料不會上傳。特斯拉在其自動駕駛系統中也應用了類似技術,以本地方式提高車輛的環境感知能力,減少了對大量視訊資料傳輸的需求。

但這些應用仍存在一些問題,尤其是在隱私和安全性方面。首先使用者需要信任中心化的第三方,其次在模型參數傳輸和聚合的過程中,還需要防止惡意節點上傳虛假資料或惡意參數,導致模型在整體效能上產生偏差甚至輸出錯誤的預測結果。根據FLock 團隊在IEEE期刊上發表的研究顯示,傳統聯邦學習模式在10% 的惡意節點存在時,準確率會下降至96.3%,而當惡意節點比例增至30% 和40% 時,準確率則分別降至80.1% 和70.9%。

為了解決這些問題,Flock 在其聯邦學習架構中引入了區塊鏈上的智慧合約作為「信任引擎」。智慧合約作為信任引擎,能夠在去中心化環境下實現自動化的參數收集與驗證,並對模型結果進行無偏見的發布,從而有效防止惡意節點篡改資料。與傳統聯邦學習方案相比,即使在40% 節點為惡意節點的情況下,FLock 的模型準確率仍能維持在95.5% 以上。

定位AI 執行層,解析FLock 三層架構

目前AI 領域的一個主要痛點在於,AI 模型訓練和資料使用的資源仍然高度集中在幾家大型公司手中,普通開發者和使用者很難有效使用這些資源。因此,使用者只能使用預先建立的標準​​化模型,而無法根據自身需求進行客製化。這種供需錯配的現像也導致即使市場擁有豐富的運算能力和資料儲備,也無法轉化為實際可用的模型和應用。

針對這個問題,Flock 希望能夠成為一個有效協調需求、資源、運算能力和資料的調度系統。 Flock 借鑒Web3 技術堆疊將自己定位為「執行層」,因為作為核心功能,其主要負責將使用者的客製化AI 需求分配至各個去中心化節點進行訓練,並透過智慧合約來調度這些任務在全球各節點上運行。

同時,為了確保整個生態系統的公平和高效,FLock 系統也負責「結算」和「共識」。結算指的是激勵和管理參與者的貢獻,根據任務完成情況進行獎勵和懲罰。而共識則負責對訓練結果的品質進行評估與最佳化,確保最終產生的模型能夠代表全域最優解。

FLock 整體產品架構由三大模組構成:AI Arena、FL Alliance 和AI Marketplace。其中,AI Arena 負責去中心化的模型基礎訓練,FL Alliance 負責在智慧合約機制下進行模型微調,而AI Marketplace 則是最終的模型應用市場。

AI Arena:本地化模型訓練與驗證激勵

AI Arena 是Flock 的去中心化AI 訓練平台,用戶可以透過質押Flock 測試網代幣FML 參與,並獲得相應的質押獎勵。在使用者定義好需要的模型並提交任務後,AI Arena 中的訓練節點會在本地使用給定的初始模型架構進行模型訓練,無需將資料直接上傳至中心化伺服器。在每個節點完成訓練後,會有驗證者負責評估訓練節點的工作,檢查模型的品質並進行評分。如果不想參與驗證過程,也可以選擇將代幣委託給驗證者以獲得獎勵。

在AI Arena 中,所有角色的獎勵機制都取決於質押數量和任務品質兩個核心因素。質押數量代表了參與者的「承諾」,而任務品質則衡量了其貢獻值。例如,訓練節點的獎勵取決於質押數量及提交模型的品質排名,而驗證者的獎勵則取決於投票結果與共識的一致性、質押代幣數量及參與驗證的次數和成功數。委託者的收益則取決於其所選的驗證者及質押數量。

AI Arena 支援傳統的機器學習模型訓練模式,使用者可以選擇在自己的裝置上使用本地資料或公開資料進行訓練,以最大限度地提升最終模型的效能。目前,AI Arena 公開測試網路上共有496 個活躍訓練節點,871 個驗證節點及72 個委託用戶。目前平台質押比例為97.74%,訓練節點的平均月收益為40.57%,驗證節點的平均月收益為24.70%。

FL Alliance:智慧合約自動管理的微調平台

在AI Arena 上評分最高的模型會被選定為「共識模型」,並會被分配到FL Alliance 中進一步微調。微調會經過多輪操作。每回合開始時,系統會自動建立一個與該任務相關的FL 智慧合約,這個合約會自動管理任務執行及獎勵。同樣地,每位參與者都需要質押一定數量的FML 代幣。參與者會被隨機分配為提議者或投票者,其中提議者使用自己的本地資料集進行模型訓練,並將訓練後的模型參數或權重上傳給其他參與者。而投票者則會對提議者的模型更新結果進行總結並投票評估。隨後所有結果會提交給智能合約,智能合約會將每一輪分數與上一輪分數進行比較,以評估模型性能的進步或下降。如果效能分數有所提高,系統將進入下一階段的訓練;如果效能分數有所下降,則將使用上一輪驗證過的模型開始另一輪訓練、匯總和評估。

為聯邦學習引入智能合約:Flock 如何重塑 AI 生產關係?

FL Ailliance 透過結合聯邦學習和智慧合約機制,實現了多參與者在保證資料主權的前提下共同訓練一個全局模型的目標。而且透過整合不同的數據並聚合權重,能建構一個性能更好且能力更強的全局模型。此外,參與者透過質押代幣表明參與承諾,並根據模型品質和共識結果獲得獎勵,形成了一個公平透明的生態機制。

AI Marketplace:如何提供個人化AI 服務?

而在經過AI Arena 訓練和FL Alliance 微調後的模型,將最終部署至AI Marketplace 中,供其他應用程式呼叫使用。和傳統的「模型市場」不同,AI Marketplace 不僅提供現成的模型,還允許用戶進一步對模型進行修改,並整合新的資料來源以應對不同的應用場景。此外,AI Marketplace 還整合了RAG(Retrieval-Augmented Generation「檢索增強生成」)技術,以提升特定領域的模型準確性。 RAG 是一種增強大語言模型的方法,透過在產生答案時從外部知識庫中檢索相關訊息,確保模型的相應更加準確和個性化。

目前AI Marketplace 上已經推出了許多基於不同應用情境的客製化GPT 模型,包括BTC GPT、Farcaster GPT、Scroll GPT、Ethereum GPT 等。我們可以透過BTC GPT 舉個例子來理解客製化模型和通用模型的差異。

2023 年12 月,當同時向BTC GPT 和ChatGPT 提問「什麼是ARC20?」時:

  • BTC GPT 的回答:「ARC20 協議是基於比特幣網路構建的協議,允許用戶創建、轉移和升級數位物品,例如NFT 和可互換的代幣。透過ARC20 協議,可以在比特幣網路上產生非互換的NFT 和可互換的代幣。
  • ChatGPT 的回答:「截至我在2022 年1 月的最後一次知識更新時,技術、金融或其他常見領域中沒有被廣泛認可的名為ARC20 的標準或技術。可能在那之後出現了名為ARC20 的新技術或標準,但我沒有相關資訊。

從二者的回答中我們可以看出客製化GPT 模型的重要性與優點。 不同於通用型語言模型,客製化GPT 模型可以透過針對特定領域的資料進行訓練,從而提供更精準的答案。

為聯邦學習引入智能合約:Flock 如何重塑 AI 生產關係?

為聯邦學習引入智能合約:Flock 如何重塑 AI 生產關係?

同為DCG 支持,Flock 和Bittensor 有何異同?

隨著AI 板塊的回暖,去中心化AI 計畫的代表之一Bittensor 的代幣在過去30 天內漲幅超過93.7%,價格一度接近歷史最高點,總市值再突破40 億美元。值得注意的是,Flock 的投資機構DCG 也是Bittensor 生態中最大的驗證者和礦工之一。先前據知情人士透露,DCG 持有約1 億美元的TAO,並且在2021 年「商業內幕」的一篇文章中,DCG 投資者Matthew Beck 推薦Bittensor 為53 家最有前途的加密新創公司之一。

儘管同為DCG 支持的項目,FLock 和Bittensor 的重點卻有所不同。在具體定位上,Bittensor 的目標是建立一個去中心化的AI 互聯網,使用了「子網路(Subnet)」作為基本單位,每個子網路都相當於一個去中心化的市場,參與者可以以「礦工”或“驗證者”等角色加入。目前,Bittensor 生態系中有49 個子網,涵蓋文字轉語音、內容生成及大語言模型微調等多個領域。

為聯邦學習引入智能合約:Flock 如何重塑 AI 生產關係?

自去年以來,Bittensor 一直是市場的焦點。一方面是由於其代幣價格的快速上漲,從2023 年10 月的80 美金一路狂飆至今年的最高點730 美金。另一方面則是各種質疑的聲音,包括對其依賴代幣激勵吸引開發者的模式是否能夠永續發展。此外,Bittensor 生態中,前三大驗證者(Opentensor Foundation、Taostats & Corcel、Foundry)質押的TAO 份額合計接近40%,這也引發了用戶對其去中心化程度的擔憂。

與Bittensor 不同, FLock 則透過將區塊鏈引入聯邦學習,致力於為用戶提供個人化AI 服務。 Flock 將自己定位為「AI 領域的Uber」,在這一模式中,Flock 充當了匹配AI 需求與開發者的「去中心化調度系統」,透過鏈上智能合約自動管理任務分配、結果驗證和獎勵結算,確保每個參與者都能夠根據其貢獻公平地參與分配。但和Bittensor 類似的是,除了成為訓練節點和驗證者,Flock 也為使用者提供了委託參與的選項。

具體而言:

  • 訓練節點:透過質押代幣參與AI 任務的訓練競爭,適合擁有運算能力和AI 開發經驗的使用者。
  • 驗證者:同樣需要質押代幣參與網絡,負責驗證礦工的模型質量,並透過提交驗證評分來影響獎勵分配。
  • 委託人:將代幣委託給礦工和驗證者節點,以提升節點在任務分配中的權重,同時分享被委託節點的獎勵收益。透過這種方式,即使沒有技術能力去訓練或驗證任務的用戶,也可以參與網路並賺取收益。

FLock.io 現已正式開放委託人參與功能,任何用戶均可透過質押FML 代幣來獲取收益,並且可以根據預期年化收益率選擇最優節點從而最大化自己的質押收益。 Flock 也表示,測試網階段的質押和相關操作將影響未來主線上線後的潛在空投獎勵。

為聯邦學習引入智能合約:Flock 如何重塑 AI 生產關係?

未來,FLock 也計劃推出更友善的任務發起機制,讓沒有AI 專業知識的個人使用者也能夠輕鬆參與AI 模型的創建和訓練中,實現「人人皆可參與AI」的願景。同時,Flock 也積極展開多方面合作,例如與Request Finance 合作開發鏈上信用評分模型,與Morpheus 及Ritual 合作構建交易機器人模型提供一鍵部署的訓練節點模板使得開發者能夠輕鬆在Akash 上啟動和運行模型訓練。此外,Flock 也為Aptos 訓練了服務開發者的Move 語言程式設計助理。

整體來看,儘管Bittensor 和Flock 在市場定位上存在差異,但二者都在嘗試透過不同的去中心化技術架構來重新定義AI 生態中的生產關係,它們的共同目標都是打破中心化巨頭對AI 資源的壟斷,建構一個更開放、更公平的AI 生態體系,而這也正是目前市場所迫切需要的。