Ditulis oleh: LINDABELL
Pada putaran terakhir booming AI yang terdesentralisasi, proyek-proyek ternama seperti Bittensor, io.net, dan Olas dengan cepat menjadi pemimpin industri dengan teknologi inovatif dan tata letak berwawasan ke depan. Namun, seiring dengan meningkatnya valuasi proyek-proyek yang sudah mapan ini, ambang partisipasi bagi investor biasa juga semakin tinggi. Lantas, dalam menghadapi putaran rotasi sektor saat ini, adakah peluang baru untuk berpartisipasi?
Flock: Jaringan pelatihan dan validasi AI yang terdesentralisasi
Flock adalah platform pelatihan dan aplikasi model AI terdesentralisasi yang menggabungkan pembelajaran gabungan dan teknologi blockchain untuk memberikan pelatihan model dan lingkungan manajemen yang aman kepada pengguna sekaligus melindungi privasi data dan partisipasi komunitas yang adil. Kata Flock pertama kali muncul ke publik pada tahun 2022. Tim pendiri bersama-sama menerbitkan makalah akademis berjudul "FLock: Membela perilaku jahat dalam pembelajaran gabungan dengan blockchain", mengusulkan untuk memperkenalkan blockchain ke dalam pembelajaran gabungan untuk mencegah konsep perilaku jahat. Makalah ini menjelaskan cara meningkatkan keamanan data dan perlindungan privasi selama pelatihan model melalui mekanisme desentralisasi, dan juga mengungkapkan potensi penerapan arsitektur baru ini dalam komputasi terdistribusi.
Setelah pembuktian konsep awal, Flock meluncurkan jaringan AI multi-agen terdesentralisasi Flock Research pada tahun 2023. Dalam Flock Reseach, setiap Agen adalah model bahasa besar (LLM) yang disesuaikan untuk domain tertentu dan dapat memberikan wawasan kepada pengguna di domain berbeda melalui kolaborasi. Kemudian pada pertengahan Mei 2024, Flock secara resmi membuka testnet platform pelatihan AI terdesentralisasi. Pengguna dapat berpartisipasi dalam pelatihan model dan penyempurnaan dengan menggunakan token uji FML, dan menerima hadiah. Pada tanggal 30 September 2024, jumlah insinyur AI yang aktif setiap hari di platform Flock telah melampaui 300, dan jumlah kumulatif model yang dikirimkan telah mencapai lebih dari 15.000.
Seiring berkembangnya proyek, Flock juga menarik perhatian pasar modal. Pada bulan Maret tahun ini, Flock menyelesaikan putaran pembiayaan senilai $6 juta yang dipimpin oleh Lightspeed Faction dan Tagus Capital, dengan partisipasi dari DCG, OKX Ventures, Inception Capital, dan Volt Capital. Khususnya, Flock juga merupakan satu-satunya proyek infrastruktur AI yang menerima pendanaan dalam Putaran Pendanaan Akademik Ethereum Foundation 2024.
Membentuk kembali landasan hubungan produksi AI: memperkenalkan kontrak pintar untuk pembelajaran gabungan
Pembelajaran Federasi adalah metode pembelajaran mesin yang memungkinkan beberapa entitas (sering disebut klien) untuk bersama-sama melatih suatu model sambil memastikan bahwa data disimpan secara lokal. Tidak seperti pembelajaran mesin tradisional, pembelajaran gabungan menghindari pengunggahan semua data ke server pusat dan sebagai gantinya melindungi privasi pengguna melalui perhitungan lokal. Saat ini, pembelajaran gabungan sebenarnya telah diterapkan dalam banyak skenario praktis. Misalnya, Google telah memperkenalkan pembelajaran gabungan ke dalam metode masukan Gboard sejak tahun 2017 untuk mengoptimalkan saran masukan dan prediksi teks sekaligus memastikan bahwa data masukan pengguna tidak diunggah. Tesla juga telah menerapkan teknologi serupa dalam sistem mengemudi otonomnya untuk meningkatkan kesadaran lingkungan kendaraan secara lokal dan mengurangi kebutuhan transmisi data video secara besar-besaran.
Namun masih ada beberapa masalah dengan aplikasi ini, terutama dalam hal privasi dan keamanan. Pertama-tama, pengguna perlu mempercayai pihak ketiga yang terpusat. Kedua, selama proses transmisi dan agregasi parameter model, mereka juga perlu mencegah node jahat mengunggah data palsu atau parameter berbahaya, yang menyebabkan model menyimpang dalam kinerja atau keseluruhan. bahkan mengeluarkan hasil prediksi yang salah. Menurut penelitian yang dipublikasikan oleh tim FLock di jurnal IEEE, ketika ada 10% node jahat, akurasi model pembelajaran gabungan tradisional akan turun menjadi 96,3%. akan turun menjadi 96,3%. masing-masing turun menjadi 80,1% dan 70,9%.
Untuk mengatasi masalah ini, Flock memperkenalkan kontrak pintar pada blockchain sebagai "mesin kepercayaan" dalam arsitektur pembelajaran gabungannya. Sebagai mesin kepercayaan, kontrak pintar dapat mewujudkan pengumpulan dan verifikasi parameter otomatis dalam lingkungan terdesentralisasi, dan mempublikasikan hasil model tanpa bias, sehingga secara efektif mencegah node jahat merusak data. Dibandingkan dengan skema pembelajaran gabungan tradisional, akurasi model FLock dapat tetap di atas 95,5% bahkan ketika 40% node merupakan node berbahaya.
Posisikan lapisan eksekusi AI dan analisis arsitektur tiga lapisan FLock
Masalah utama dalam bidang AI saat ini adalah sumber daya untuk pelatihan model AI dan penggunaan data masih sangat terkonsentrasi di tangan beberapa perusahaan besar, sehingga menyulitkan pengembang dan pengguna biasa untuk menggunakan sumber daya ini secara efektif. Akibatnya, pengguna terbatas pada model standar yang sudah dibuat sebelumnya dan tidak dapat menyesuaikannya agar sesuai dengan kebutuhan mereka. Ketidaksesuaian antara penawaran dan permintaan ini juga mengakibatkan fakta bahwa meskipun pasar memiliki daya komputasi dan cadangan data yang melimpah, pasar tidak dapat diubah menjadi model dan aplikasi yang benar-benar dapat digunakan.
Untuk mengatasi masalah ini, Flock berharap dapat menjadi sistem penjadwalan yang secara efektif mengoordinasikan permintaan, sumber daya, daya komputasi, dan data. Flock memanfaatkan tumpukan teknologi Web3 untuk memposisikan dirinya sebagai "lapisan eksekusi" karena sebagai fungsi inti, Flock terutama bertanggung jawab untuk mengalokasikan kebutuhan AI pengguna yang disesuaikan ke berbagai node terdesentralisasi untuk pelatihan, dan menjadwalkan tugas-tugas ini melalui kontrak pintar di seluruh dunia .
Pada saat yang sama, untuk memastikan keadilan dan efisiensi seluruh ekosistem, sistem FLock juga bertanggung jawab atas "penyelesaian" dan "konsensus". Penyelesaian mengacu pada memotivasi dan mengelola kontribusi peserta, serta memberi penghargaan dan menghukum mereka berdasarkan penyelesaian tugas. Konsensus bertanggung jawab untuk mengevaluasi dan mengoptimalkan kualitas hasil pelatihan untuk memastikan bahwa model akhir yang dihasilkan dapat mewakili solusi optimal global.
Arsitektur produk FLock secara keseluruhan terdiri dari tiga modul utama: AI Arena, FL Alliance, dan AI Marketplace. Diantaranya, AI Arena bertanggung jawab atas pelatihan dasar model terdesentralisasi, FL Alliance bertanggung jawab atas penyempurnaan model di bawah mekanisme kontrak pintar, dan AI Marketplace adalah pasar aplikasi model terakhir.
AI Arena: Pelatihan model lokal dan insentif verifikasi
AI Arena adalah platform pelatihan AI terdesentralisasi Flock. Pengguna dapat berpartisipasi dengan mempertaruhkan FML token testnet Flock dan menerima hadiah taruhan yang sesuai. Setelah pengguna menentukan model yang diperlukan dan mengirimkan tugas, node pelatihan di AI Arena akan menggunakan arsitektur model awal yang diberikan untuk melatih model secara lokal tanpa langsung mengunggah data ke server terpusat. Setelah setiap node menyelesaikan pelatihan, akan ada verifikator yang bertanggung jawab untuk mengevaluasi kerja node pelatihan, memeriksa kualitas model, dan menilainya. Jika Anda tidak ingin berpartisipasi dalam proses verifikasi, Anda juga dapat memilih untuk mendelegasikan token Anda ke validator untuk menerima hadiah.
Di AI Arena, mekanisme hadiah untuk semua karakter bergantung pada dua faktor inti: jumlah kontribusi dan kualitas tugas. Jumlah janji mewakili “komitmen” peserta, sedangkan kualitas tugas mengukur kontribusi mereka. Misalnya, imbalan dari node pelatihan bergantung pada jumlah janji dan peringkat kualitas model yang dikirimkan, sedangkan imbalan bagi verifikator bergantung pada konsistensi hasil pemungutan suara dengan konsensus, jumlah token yang dijanjikan, dan jumlah token yang dijanjikan. jumlah partisipasi dalam verifikasi dan jumlah keberhasilan. Pendapatan delegator bergantung pada validator yang dipilihnya dan jumlah jaminan.
AI Arena mendukung mode pelatihan model pembelajaran mesin tradisional, dan pengguna dapat memilih untuk berlatih di perangkat mereka sendiri menggunakan data lokal atau data publik untuk memaksimalkan performa model akhir. Saat ini, terdapat 496 node pelatihan aktif, 871 node verifikasi, dan 72 pengguna yang didelegasikan di jaringan pengujian publik AI Arena. Rasio kontribusi platform saat ini adalah 97,74%, pendapatan bulanan rata-rata node pelatihan adalah 40,57%, dan pendapatan bulanan rata-rata node verifikasi adalah 24,70%.
FL Alliance: platform yang disempurnakan untuk manajemen kontrak pintar otomatis
Model dengan skor tertinggi di AI Arena akan dipilih sebagai “model konsensus” dan ditugaskan ke FL Alliance untuk penyesuaian lebih lanjut. Penyempurnaan melewati beberapa putaran. Di awal setiap putaran, sistem akan secara otomatis membuat kontrak pintar FL yang terkait dengan tugas tersebut, dan kontrak ini akan secara otomatis mengelola pelaksanaan tugas dan hadiahnya. Demikian pula, setiap peserta diharuskan mempertaruhkan sejumlah token FML tertentu. Peserta ditetapkan secara acak sebagai pengusul atau pemilih, di mana pengusul menggunakan kumpulan data lokal mereka sendiri untuk melatih model dan mengunggah parameter atau bobot model yang dilatih ke peserta lain. Para pemilih akan merangkum hasil pembaruan model pengusul dan memberikan suara untuk mengevaluasinya. Semua hasil kemudian diserahkan ke kontrak pintar, yang membandingkan skor setiap putaran dengan skor putaran sebelumnya untuk mengevaluasi peningkatan atau penurunan kinerja model. Jika skor kinerja meningkat, sistem akan memasuki tahap pelatihan berikutnya; jika skor kinerja menurun, putaran pelatihan, agregasi, dan evaluasi lainnya akan dimulai menggunakan model yang telah divalidasi pada putaran sebelumnya.
Dengan menggabungkan pembelajaran gabungan dan mekanisme kontrak pintar, FL Ailliance mencapai tujuan dari banyak peserta yang bersama-sama melatih model global sambil memastikan kedaulatan data. Dan dengan mengintegrasikan data yang berbeda dan menggabungkan bobot, model global dengan kinerja lebih baik dan kemampuan lebih kuat dapat dibangun. Selain itu, peserta menunjukkan komitmen mereka untuk berpartisipasi dengan menjanjikan token dan menerima penghargaan berdasarkan kualitas model dan hasil konsensus, sehingga membentuk mekanisme ekologi yang adil dan transparan.
AI Marketplace: Bagaimana cara menyediakan layanan AI yang dipersonalisasi?
Model yang dilatih oleh AI Arena dan disempurnakan oleh FL Alliance pada akhirnya akan diterapkan ke AI Marketplace untuk digunakan oleh aplikasi lain. Berbeda dengan “pasar model” tradisional, AI Marketplace tidak hanya menyediakan model siap pakai, tetapi juga memungkinkan pengguna untuk memodifikasi model lebih lanjut dan mengintegrasikan sumber data baru untuk mengatasi berbagai skenario aplikasi. Selain itu, AI Marketplace juga mengintegrasikan teknologi RAG (Retrieval-Augmented Generation) untuk meningkatkan akurasi model pada bidang tertentu. RAG adalah metode untuk menyempurnakan model bahasa besar dengan mengambil informasi yang relevan dari basis pengetahuan eksternal saat menghasilkan jawaban, memastikan bahwa respons model lebih akurat dan dipersonalisasi.
Saat ini, banyak model GPT yang disesuaikan berdasarkan skenario aplikasi berbeda telah diluncurkan di AI Marketplace, termasuk BTC GPT, Farcaster GPT, Scroll GPT, Ethereum GPT, dll. Kita dapat menggunakan BTC GPT sebagai contoh untuk memahami perbedaan antara model yang disesuaikan dan model umum.
Pada bulan Desember 2023, ketika menanyakan "Apa itu ARC20?" pada BTC GPT dan ChatGPT:
Jawaban BTC GPT: “Protokol ARC20 adalah protokol yang dibangun di jaringan Bitcoin yang memungkinkan pengguna membuat, mentransfer, dan meningkatkan item digital, seperti NFT dan token yang dapat dipertukarkan. Melalui protokol ARC20, token non-interaktif dapat dihasilkan di Bitcoin jaringan. Token utama protokol ARC20 adalah ATOM dan digunakan untuk berbagai tujuan dalam protokol.
Jawaban ChatGPT: “Pada pembaruan pengetahuan terakhir saya pada Januari 2022, belum ada standar atau teknologi bernama ARC20 yang dikenal luas di bidang teknologi, keuangan, atau bidang umum lainnya , tapi saya tidak punya informasinya.”
Dari jawaban keduanya, kita dapat melihat pentingnya dan keuntungan menyesuaikan model GPT. Berbeda dengan model bahasa tujuan umum, model GPT yang disesuaikan dapat dilatih pada data khusus domain untuk memberikan jawaban yang lebih akurat.
Sama-sama support DCG, apa persamaan dan perbedaan Flock dan Bittensor?
Ketika sektor AI meningkat, token Bittensor, salah satu perwakilan proyek AI terdesentralisasi, telah meningkat lebih dari 93.7% dalam 30 hari terakhir. Harganya pernah mendekati titik tertinggi sepanjang masa, dan total nilai pasar sekali lagi melebihi US$4 miliar. Perlu dicatat bahwa lembaga investasi Flock, DCG, juga merupakan salah satu validator dan penambang terbesar di ekosistem Bittensor. Menurut orang-orang yang mengetahui masalah ini, DCG memiliki sekitar $100 juta di TAO, dan dalam artikel "Business Insider" tahun 2021, investor DCG Matthew Beck merekomendasikan Bittensor sebagai salah satu dari 53 startup kripto paling menjanjikan.
Meski sama-sama merupakan proyek yang didukung oleh DCG, FLock dan Bittensor memiliki fokus yang berbeda. Dalam hal penentuan posisi tertentu, tujuan Bittensor adalah membangun Internet AI terdesentralisasi, menggunakan "Subnet" sebagai unit dasar. Setiap subnet setara dengan pasar terdesentralisasi, dan peserta dapat menggunakan "penambang" untuk "atau" pemverifikasi "dan peran lainnya untuk bergabung. Saat ini, terdapat 49 subnet di ekosistem Bittensor, yang mencakup berbagai bidang seperti text-to-speech, pembuatan konten, dan penyesuaian model bahasa besar.
Bittensor telah menjadi sorotan sejak tahun lalu. Di satu sisi, hal ini disebabkan oleh kenaikan harga tokennya yang pesat, yang melonjak dari US$80 pada Oktober 2023 ke titik tertinggi US$730 tahun ini. Di sisi lain, terdapat berbagai keraguan, termasuk apakah model yang mengandalkan insentif token untuk menarik pengembang dapat berkelanjutan. Selain itu, di ekosistem Bittensor, total saham TAO yang dijanjikan oleh tiga validator teratas (Opentensor Foundation, Taostats & Corcel, dan Foundry) mendekati 40%, yang juga menyebabkan pengguna khawatir tentang tingkat desentralisasinya.
Tidak seperti Bittensor, FLock berkomitmen untuk menyediakan layanan AI yang dipersonalisasi kepada pengguna dengan memperkenalkan blockchain ke dalam pembelajaran gabungan. Flock memposisikan dirinya sebagai "Uber AI". Dalam model ini, Flock bertindak sebagai "sistem penjadwalan terdesentralisasi" yang menyesuaikan dengan kebutuhan dan pengembang AI, secara otomatis mengelola alokasi tugas, verifikasi hasil, dan penghargaan melalui kontrak pintar dalam rantai setiap peserta dapat berpartisipasi secara adil dalam pendistribusian berdasarkan kontribusinya. Namun mirip dengan Bittensor, selain menjadi node pelatihan dan verifikator, Flock juga memberi pengguna opsi untuk mendelegasikan partisipasi.
Secara khusus:
Node pelatihan: Berpartisipasi dalam kompetisi pelatihan tugas AI dengan mempertaruhkan token, cocok untuk pengguna dengan kekuatan komputasi dan pengalaman pengembangan AI.
Verifikator: Juga diharuskan untuk menjaminkan token untuk berpartisipasi dalam jaringan, bertanggung jawab untuk memverifikasi kualitas model penambang, dan memengaruhi distribusi hadiah dengan mengirimkan skor verifikasi.
Delegator: Mendelegasikan token ke node penambang dan verifikator untuk meningkatkan bobot node dalam alokasi tugas dan berbagi hadiah dari node yang didelegasikan. Dengan cara ini, bahkan pengguna yang tidak memiliki kemampuan teknis untuk melatih atau memvalidasi tugas dapat berpartisipasi dalam jaringan dan memperoleh pendapatan.
FLock.io sekarang secara resmi membuka fungsi partisipasi utama. Setiap pengguna dapat memperoleh pendapatan dengan mempertaruhkan token FML, dan dapat memilih node optimal berdasarkan tingkat pengembalian tahunan yang diharapkan untuk memaksimalkan pendapatan taruhannya. Flock juga mengatakan bahwa staking dan operasi terkait selama fase testnet akan mempengaruhi potensi hadiah airdrop setelah mainnet online di masa depan.
Di masa depan, FLock juga berencana meluncurkan mekanisme inisiasi tugas yang lebih ramah sehingga pengguna individu tanpa keahlian AI dapat dengan mudah berpartisipasi dalam pembuatan dan pelatihan model AI, mewujudkan visi "semua orang dapat berpartisipasi dalam AI." Pada saat yang sama, Flock juga aktif melakukan kerja sama di berbagai aspek, seperti bekerja sama dengan Request Finance untuk mengembangkan model penilaian kredit on-chain, bekerja sama dengan Morpheus dan Ritual untuk membangun model robot perdagangan, dan menyediakan node pelatihan penerapan satu klik templat sehingga pengembang dapat dengan mudah memulai dan meluncurkan di Akash. Selain itu, Flock melatih pengembang layanan tentang asisten pemrograman bahasa Move untuk Aptos.
Secara umum, meskipun ada perbedaan posisi pasar antara Bittensor dan Flock, keduanya mencoba mendefinisikan kembali hubungan produksi dalam ekosistem AI melalui arsitektur teknologi terdesentralisasi yang berbeda. Tujuan bersama mereka adalah untuk mematahkan monopoli raksasa yang tersentralisasi ekosistem AI yang lebih terbuka dan adil, yang merupakan hal yang sangat dibutuhkan pasar saat ini.
