Pagpapakilala ng mga Smart Contract sa Federated Learning: Paano Binabago ng Flock ang Relasyon ng Produksyon sa AI?

Sa hinaharap, plano rin ng FLock na maglunsad ng mas user-friendly na mekanismo para sa pagsisimula ng mga gawain, upang maisakatuparan ang layunin ng “AI para sa lahat.”

May-akda: LINDABELL

Sa nakaraang yugto ng hype sa decentralized AI, mabilis na naging mga lider ng industriya ang mga proyektong tulad ng Bittensor, io.net, at Olas dahil sa kanilang makabagong teknolohiya at foresighted na pagpoposisyon. Gayunpaman, habang patuloy na tumataas ang valuation ng mga proyektong ito, nagiging mas mataas din ang threshold para sa mga ordinaryong mamumuhunan. Kaya, sa kasalukuyang rotation ng sektor, may mga bagong pagkakataon pa bang sumali?

Flock: Isang Decentralized na AI Training at Validation Network

Ang Flock ay isang decentralized na platform para sa AI model training at application, na pinagsasama ang federated learning at blockchain technology upang magbigay ng secure na kapaligiran para sa model training at management, habang pinoprotektahan ang data privacy at patas na partisipasyon ng komunidad. Unang lumitaw ang salitang Flock sa publiko noong 2022, nang inilathala ng founding team ang isang academic paper na pinamagatang "FLock: Defending malicious behaviors in federated learning with blockchain", na nagmungkahi ng ideya ng pag-integrate ng blockchain sa federated learning upang labanan ang malicious behaviors. Ipinaliwanag ng papel kung paano mapapalakas ng decentralized na mekanismo ang data security at privacy protection sa proseso ng model training, at inilahad din ang potensyal ng bagong arkitektura na ito sa distributed computing.

Matapos ang paunang proof of concept, inilunsad ng Flock noong 2023 ang decentralized multi-Agent AI network na Flock Research. Sa Flock Research, bawat Agent ay isang large language model (LLM) na na-optimize para sa partikular na larangan, at maaaring mag-collaborate upang magbigay ng insights sa iba’t ibang domain para sa mga user. Noong kalagitnaan ng Mayo 2024, opisyal na binuksan ng Flock ang testnet ng decentralized AI training platform, kung saan maaaring sumali ang mga user sa training at fine-tuning ng mga modelo gamit ang test token na FML at makatanggap ng rewards. Hanggang Setyembre 30, 2024, umabot na sa mahigit 300 ang daily active AI engineers sa Flock platform, at higit sa 15,000 ang kabuuang bilang ng mga na-submit na modelo.

Habang patuloy na umuunlad ang proyekto, napansin din ito ng capital market. Noong Marso ngayong taon, nakumpleto ng Flock ang $6 milyon na financing na pinangunahan ng Lightspeed Faction at Tagus Capital, kasama ang DCG, OKX Ventures, Inception Capital, at Volt Capital bilang mga co-investors. Kapansin-pansin, ang Flock ay tanging AI infrastructure project na nakatanggap ng grant mula sa Ethereum Foundation Academic Grant Round 2024.

Pundasyon ng Pagbabago sa AI Production Relations: Pagdadala ng Smart Contracts sa Federated Learning

Ang Federated Learning ay isang machine learning method na nagpapahintulot sa maraming entity (karaniwang tinatawag na clients) na mag-train ng modelo nang hindi iniiwan ang kanilang data sa lokal na storage. Hindi tulad ng tradisyonal na machine learning, iniiwasan ng federated learning ang pag-upload ng lahat ng data sa central server at sa halip ay gumagamit ng lokal na computation upang maprotektahan ang privacy ng user. Sa kasalukuyan, ginagamit na ang federated learning sa maraming aktwal na scenario, tulad ng pag-integrate ng Google ng federated learning sa Gboard input method simula 2017 upang i-optimize ang input suggestions at text prediction, habang tinitiyak na hindi na-upload ang user input data. Ginagamit din ng Tesla ang katulad na teknolohiya sa kanilang autonomous driving system upang mapabuti ang environmental perception ng sasakyan sa lokal na paraan at mabawasan ang pangangailangan sa malakihang video data transmission.

Ngunit may mga problema pa rin ang mga application na ito, lalo na sa privacy at security. Una, kailangan ng user na magtiwala sa centralized third party; pangalawa, sa proseso ng transmission at aggregation ng model parameters, kailangang maiwasan ang malicious nodes na mag-upload ng pekeng data o malicious parameters na maaaring magdulot ng bias o maling prediction sa model performance. Ayon sa pananaliksik ng FLock team na inilathala sa IEEE journal, bumababa ang accuracy ng tradisyonal na federated learning model sa 96.3% kapag may 10% malicious nodes, at bumababa pa sa 80.1% at 70.9% kapag tumaas ang malicious nodes sa 30% at 40%.

Upang malutas ang mga problemang ito, nag-integrate ang Flock ng smart contracts sa blockchain bilang “trust engine” sa kanilang federated learning architecture. Bilang trust engine, ang smart contracts ay maaaring magsagawa ng automated parameter collection at validation sa decentralized environment, at mag-publish ng model results nang walang bias, kaya epektibong napipigilan ang malicious nodes sa pag-manipulate ng data. Kumpara sa tradisyonal na federated learning, kahit na umabot sa 40% ang malicious nodes, nananatili pa rin sa higit 95.5% ang model accuracy ng FLock.

Pagpoposisyon bilang AI Execution Layer: Pagsusuri sa Tatlong-layer na Arkitektura ng FLock

Isa sa mga pangunahing problema sa kasalukuyang AI field ay ang resources para sa AI model training at data usage ay nakasentro pa rin sa ilang malalaking kumpanya, kaya’t mahirap para sa ordinaryong developers at users na magamit ang mga ito nang epektibo. Dahil dito, napipilitan ang users na gumamit ng pre-built standardized models at hindi makagawa ng customizations ayon sa kanilang pangangailangan. Ang mismatch na ito sa supply at demand ay nagreresulta na kahit mayaman ang market sa computing power at data, hindi ito nagiging aktwal na magagamit na models at applications.

Upang tugunan ito, layunin ng Flock na maging isang epektibong scheduler ng demand, resources, computing power, at data. Ginamit ng Flock ang Web3 tech stack at ipinoposisyon ang sarili bilang “execution layer,” na pangunahing responsable sa pag-distribute ng custom AI needs ng users sa iba’t ibang decentralized nodes para sa training, at ginagamit ang smart contracts upang i-schedule ang mga tasks na ito sa global nodes.

Kasabay nito, upang matiyak ang patas at epektibong ecosystem, responsable rin ang FLock system sa “settlement” at “consensus.” Ang settlement ay tumutukoy sa pag-incentivize at pamamahala ng kontribusyon ng mga participants, na may reward at penalty base sa task completion. Ang consensus naman ay tumutukoy sa pag-evaluate at pag-optimize ng kalidad ng training results, upang matiyak na ang final model ay global optimal solution.

Ang kabuuang product architecture ng FLock ay binubuo ng tatlong pangunahing modules: AI Arena, FL Alliance, at AI Marketplace. Ang AI Arena ay responsable sa decentralized base model training, ang FL Alliance ay para sa model fine-tuning sa ilalim ng smart contract mechanism, at ang AI Marketplace ang final application market ng mga modelo.

AI Arena: Lokal na Model Training at Validation Incentives

Ang AI Arena ay decentralized AI training platform ng Flock, kung saan maaaring mag-stake ng Flock testnet token na FML ang users upang sumali at makatanggap ng staking rewards. Kapag na-define na ng user ang kinakailangang model at na-submit ang task, ang training nodes sa AI Arena ay magsasagawa ng model training gamit ang initial model architecture sa lokal na device, nang hindi kinakailangang i-upload ang data sa centralized server. Pagkatapos ng bawat training, may validators na mag-evaluate ng trabaho ng training nodes, susuriin ang kalidad ng modelo, at magbibigay ng score. Kung ayaw sumali sa validation process, maaaring i-delegate ang token sa validator upang makatanggap ng rewards.

Sa AI Arena, ang reward mechanism ng lahat ng roles ay nakabatay sa dalawang core factors: staking amount at task quality. Ang staking amount ay nagpapakita ng “commitment” ng participant, habang ang task quality ay sumusukat sa halaga ng kanilang kontribusyon. Halimbawa, ang reward ng training nodes ay nakabatay sa staking amount at quality ranking ng submitted model, habang ang reward ng validators ay nakabatay sa consistency ng voting result sa consensus, staking amount, at bilang at tagumpay ng validation participation. Ang kita ng delegators ay nakabatay sa napiling validator at staking amount.

Sinusuportahan ng AI Arena ang tradisyonal na machine learning model training mode, at maaaring pumili ang users na gumamit ng local data o public data sa kanilang sariling device para sa training, upang mapabuti ang performance ng final model. Sa kasalukuyan, may 496 active training nodes, 871 validation nodes, at 72 delegators sa public testnet ng AI Arena. Ang kasalukuyang staking ratio ng platform ay 97.74%, ang average monthly return ng training nodes ay 40.57%, at ang average monthly return ng validation nodes ay 24.70%.

FL Alliance: Automated Fine-tuning Platform na Pinamamahalaan ng Smart Contracts

Ang model na may pinakamataas na score sa AI Arena ay pipiliin bilang “consensus model” at ililipat sa FL Alliance para sa karagdagang fine-tuning. Ang fine-tuning ay isinasagawa sa maraming rounds. Sa bawat round, awtomatikong gagawa ang system ng FL smart contract na may kaugnayan sa task, na siyang mag-a-automate ng task execution at rewards. Kailangan ding mag-stake ng FML tokens ang bawat participant. Random na itatalaga ang participants bilang proposer o voter, kung saan ang proposer ay gagamit ng sariling local dataset para i-train ang model at i-upload ang model parameters o weights sa ibang participants. Ang voters naman ay mag-susummarize at mag-vote sa model update ng proposer. Lahat ng resulta ay ipapasa sa smart contract, na magko-compare ng scores ng bawat round upang i-evaluate ang progress o decline ng model performance. Kapag tumaas ang performance score, magpapatuloy sa susunod na training stage; kapag bumaba, gagamitin ang last validated model para magsimula ng panibagong round ng training, summarization, at evaluation.

Pinagsasama ng FL Alliance ang federated learning at smart contract mechanism upang makamit ang goal na collaborative training ng global model habang pinapanatili ang data sovereignty ng bawat participant. Sa pamamagitan ng integration ng iba’t ibang data at aggregation ng weights, nakakapagbuo ng mas mahusay at mas malakas na global model. Bukod dito, ipinapakita ng staking ng tokens ng participants ang kanilang commitment, at nakakatanggap sila ng rewards base sa model quality at consensus result, na bumubuo ng patas at transparent na ecosystem.

AI Marketplace: Paano Magbigay ng Personalized na AI Services?

Ang mga model na na-train sa AI Arena at na-fine-tune sa FL Alliance ay ide-deploy sa AI Marketplace, kung saan maaaring gamitin ng ibang applications. Hindi tulad ng tradisyonal na “model market,” hindi lang nag-aalok ang AI Marketplace ng ready-made models, kundi pinapayagan din ang users na i-modify pa ang models at mag-integrate ng bagong data sources para sa iba’t ibang application scenarios. Bukod dito, integrated na rin ang RAG (Retrieval-Augmented Generation) technology sa AI Marketplace upang mapabuti ang accuracy ng models sa specific domains. Ang RAG ay isang paraan ng pagpapahusay ng large language models, kung saan kumukuha ng relevant information mula sa external knowledge base habang bumubuo ng sagot, upang mas maging accurate at personalized ang response ng model.

Sa kasalukuyan, maraming custom GPT models na para sa iba’t ibang application scenarios ang available sa AI Marketplace, kabilang ang BTC GPT, Farcaster GPT, Scroll GPT, Ethereum GPT, at iba pa. Halimbawa, gamitin natin ang BTC GPT upang ipaliwanag ang pagkakaiba ng custom at general models.

Noong Disyembre 2023, nang sabay na tanungin ang BTC GPT at ChatGPT ng “Ano ang ARC20?”:

• Sagot ng BTC GPT: “Ang ARC20 protocol ay isang protocol na binuo sa Bitcoin network, na nagpapahintulot sa users na lumikha, maglipat, at mag-upgrade ng digital items tulad ng NFT at fungible tokens. Sa pamamagitan ng ARC20 protocol, maaaring lumikha ng non-fungible NFT at fungible tokens sa Bitcoin network. Ang pangunahing token ng ARC20 protocol ay ATOM, na ginagamit sa iba’t ibang layunin sa loob ng protocol.”
• Sagot ng ChatGPT: “Hanggang sa huling update ng aking kaalaman noong Enero 2022, walang malawakang kinikilalang standard o teknolohiya na tinatawag na ARC20 sa teknikal, pinansyal, o iba pang karaniwang larangan. Maaaring may lumitaw na bagong teknolohiya o standard na tinatawag na ARC20 pagkatapos noon, ngunit wala akong impormasyon tungkol dito.”

Mula sa mga sagot, makikita ang kahalagahan at bentahe ng custom GPT models. Hindi tulad ng general language models, ang custom GPT models ay na-train gamit ang data para sa partikular na domain, kaya mas eksakto ang mga sagot.

Parehong Sinusuportahan ng DCG, Ano ang Pagkakatulad at Pagkakaiba ng Flock at Bittensor?

Habang bumabalik ang sigla ng AI sector, ang Bittensor, isa sa mga kinatawan ng decentralized AI projects, ay tumaas ng higit 93.7% ang token price sa nakaraang 30 araw, halos umabot sa all-time high, at muling lumampas sa $4 billions ang total market cap. Kapansin-pansin, ang DCG, na investor ng Flock, ay isa ring pinakamalaking validator at miner sa Bittensor ecosystem. Ayon sa mga insider, humahawak ang DCG ng humigit-kumulang $100 millions na TAO, at sa isang artikulo ng “Business Insider” noong 2021, inirekomenda ni DCG investor Matthew Beck ang Bittensor bilang isa sa 53 pinaka-promising crypto startups.

Kahit parehong sinusuportahan ng DCG, magkaiba ang focus ng FLock at Bittensor. Sa partikular na positioning, layunin ng Bittensor na bumuo ng decentralized AI internet gamit ang “subnet” bilang basic unit, kung saan bawat subnet ay parang isang decentralized market na maaaring salihan ng participants bilang “miners” o “validators.” Sa kasalukuyan, may 49 subnets sa Bittensor ecosystem na sumasaklaw sa text-to-speech, content generation, at LLM fine-tuning, at iba pa.

Mula noong nakaraang taon, naging sentro ng atensyon ang Bittensor sa market. Una, dahil sa mabilis na pagtaas ng token price mula $80 noong Oktubre 2023 hanggang sa pinakamataas na $730 ngayong taon. Pangalawa, dahil sa iba’t ibang pagdududa, kabilang ang sustainability ng modelo nitong umaasa sa token incentives upang makaakit ng developers. Bukod dito, sa Bittensor ecosystem, ang top 3 validators (Opentensor Foundation, Taostats & Corcel, Foundry) ay may kabuuang halos 40% ng staked TAO, na nagdudulot ng pag-aalala sa antas ng decentralization nito.

Hindi tulad ng Bittensor, ang FLock ay nagdadala ng blockchain sa federated learning upang magbigay ng personalized AI services sa users. Ipinoposisyon ng Flock ang sarili bilang “Uber ng AI field,” kung saan nagsisilbi itong decentralized scheduling system na nagma-match ng AI demand at developers, at awtomatikong pinamamahalaan ng on-chain smart contracts ang task allocation, result validation, at reward settlement, upang matiyak na patas ang partisipasyon ng bawat contributor. Ngunit tulad ng Bittensor, bukod sa pagiging training node at validator, nagbibigay din ang Flock ng delegation option para sa users.

Sa partikular:

• Training nodes: Sumali sa AI task training competition sa pamamagitan ng pag-stake ng tokens, na angkop para sa users na may computing power at AI development experience.
• Validators: Kailangan ding mag-stake ng tokens upang sumali sa network, responsable sa pag-validate ng model quality ng miners, at nakakaapekto sa reward distribution sa pamamagitan ng submission ng validation scores.
• Delegators: I-dedelegate ang tokens sa miners at validator nodes upang mapataas ang weight ng node sa task allocation, at mag-share ng reward income ng delegated nodes. Sa ganitong paraan, kahit walang technical skills sa training o validation, maaaring sumali at kumita ang users sa network.

Opisyal nang binuksan ng FLock.io ang delegation feature, kaya’t maaaring mag-stake ng FML tokens ang sinumang user upang kumita, at pumili ng optimal node base sa inaasahang annualized return upang ma-maximize ang staking income. Ayon sa Flock, ang staking at related operations sa testnet phase ay makakaapekto sa potential airdrop rewards sa mainnet launch sa hinaharap.

Sa hinaharap, plano rin ng FLock na maglunsad ng mas user-friendly na task initiation mechanism, upang kahit ang mga indibidwal na walang AI expertise ay madaling makasali sa paglikha at training ng AI models, at maisakatuparan ang layunin ng “AI para sa lahat.” Aktibo ring nakikipagtulungan ang Flock sa iba’t ibang partners, tulad ng pag-develop ng on-chain credit scoring model kasama ang Request Finance, pagbuo ng trading bot models kasama ang Morpheus at Ritual, at pagbibigay ng one-click deployment training node templates upang mapadali ang pagsisimula at pagpapatakbo ng model training sa Akash para sa developers. Bukod dito, nag-train din ang Flock ng Move language programming assistant para sa Aptos developers.

Sa kabuuan, kahit magkaiba ang market positioning ng Bittensor at Flock, pareho silang nagsusumikap na muling tukuyin ang production relations sa AI ecosystem gamit ang iba’t ibang decentralized technology architectures. Ang kanilang common goal ay basagin ang monopolyo ng centralized giants sa AI resources at bumuo ng mas bukas at patas na AI ecosystem, na siyang lubos na kinakailangan ng market ngayon.