作者: リンダベル
分散型 AI ブームの最終段階では、Bittensor、io.net、Olas などのスター プロジェクトが、革新的なテクノロジーと先進的なレイアウトですぐに業界のリーダーになりました。しかし、これらの確立されたプロジェクトの評価額が上昇し続けるにつれて、一般投資家の参加敷居もますます高くなっています。それでは、現在のセクターローテーションのラウンドに直面して、新たに参加する機会はあるのでしょうか?
Flock: 分散型 AI トレーニングおよび検証ネットワーク
Flock は、フェデレーテッド ラーニングとブロックチェーン テクノロジーを組み合わせた分散型 AI モデル トレーニングおよびアプリケーション プラットフォームで、データ プライバシーと公正なコミュニティ参加を保護しながら、安全なモデル トレーニングおよび管理環境をユーザーに提供します。 Flock という言葉が初めて公の場に登場したのは 2022 年でした。その創設チームは共同で「FLock: ブロックチェーンによるフェデレーテッド ラーニングにおける悪意のある行動の防御」というタイトルの学術論文を発表し、悪意のある行動を防ぐためのフェデレーテッド ラーニングにブロックチェーンを導入することを提案しました。このペーパーでは、分散メカニズムを通じてモデルのトレーニング中にデータ セキュリティとプライバシー保護を強化する方法を説明し、分散コンピューティングにおけるこの新しいアーキテクチャの応用可能性も明らかにします。
最初の概念実証を経て、Flock は 2023 年に分散型マルチエージェント AI ネットワーク Flock Research を立ち上げました。 Flock Reseach では、各エージェントは特定のドメイン向けに調整された大規模言語モデル (LLM) であり、コラボレーションを通じてさまざまなドメインの洞察をユーザーに提供できます。その後、2024 年 5 月中旬に、Flock は分散型 AI トレーニング プラットフォームのテストネットを正式にオープンし、ユーザーはテスト トークン FML を使用してモデルのトレーニングと微調整に参加し、報酬を受け取ることができます。 2024 年 9 月 30 日の時点で、Flock プラットフォーム上で毎日アクティブな AI エンジニアの数は 300 名を超え、提出されたモデルの累計数は 15,000 以上に達しました。
プロジェクトが発展し続けるにつれて、Flock は資本市場の注目も集めています。今年3月、FlockはLightspeed FactionとTagus Capitalが主導し、DCG、OKX Ventures、Inception Capital、Volt Capitalの参加を得て600万ドルの資金調達ラウンドを完了した。注目すべきことに、Flock は 2024 年の Ethereum Foundation Academic Funding Round で資金提供を受けた唯一の AI インフラストラクチャ プロジェクトでもあります。
AI 生産関係の基礎を再構築: フェデレーション ラーニングのためのスマート コントラクトの導入
フェデレーテッド ラーニングは、データがローカルに保存されていることを確認しながら、複数のエンティティ (クライアントと呼ばれることが多い) が共同でモデルをトレーニングできるようにする機械学習方法です。従来の機械学習とは異なり、フェデレーテッド ラーニングはすべてのデータを中央サーバーにアップロードすることを回避し、代わりにローカル計算を通じてユーザーのプライバシーを保護します。現在、フェデレーテッド ラーニングは多くの実用的なシナリオに実際に適用されています。たとえば、Google は 2017 年から Gboard 入力メソッドにフェデレーテッド ラーニングを導入し、ユーザーの入力データがアップロードされないようにしています。テスラも同様の技術を自社の自動運転システムに適用して、車両の環境意識を局所的に向上させ、大量のビデオデータ送信の必要性を軽減しています。
しかし、これらのアプリには、特にプライバシーとセキュリティの点でまだいくつかの問題があります。まず第一に、ユーザーは集中化されたサードパーティを信頼する必要があります。第二に、モデルパラメータの送信と集約のプロセス中に、悪意のあるノードが偽のデータや悪意のあるパラメータをアップロードして、モデル全体のパフォーマンスやパフォーマンスに逸脱を引き起こすことを防ぐ必要もあります。間違った予測結果を出力することさえあります。 FLock チームが IEEE ジャーナルに発表した研究によると、悪意のあるノードが 10% 存在する場合、悪意のあるノードの割合が 30% および 40% に増加すると、従来のフェデレーテッド ラーニング モデルの精度は 96.3% に低下します。はそれぞれ96.3％、80.1％、70.9％に低下する。
これらの問題を解決するために、Flock はフェデレーテッド ラーニング アーキテクチャの「トラスト エンジン」としてブロックチェーン上にスマート コントラクトを導入しました。トラストエンジンとして、スマートコントラクトは、分散環境で自動化されたパラメータの収集と検証を実現し、偏りなくモデルの結果を公開することで、悪意のあるノードによるデータの改ざんを効果的に防止できます。従来のフェデレーテッド ラーニング スキームと比較すると、ノードの 40% が悪意のあるノードであっても、FLock のモデル精度は 95.5% 以上を維持できます。
AI実行層を配置し、FLockの3層アーキテクチャを分析
現在の AI 分野の大きな問題点は、AI モデルのトレーニングとデータ使用のためのリソースが依然として少数の大企業の手に集中しており、一般の開発者やユーザーがこれらのリソースを効果的に使用することが困難であることです。その結果、ユーザーは事前に構築された標準化されたモデルに限定され、ニーズに合わせてカスタマイズすることができません。この需要と供給の不一致は、たとえ市場に豊富なコンピューティング能力とデータの蓄えがあっても、それを実際に使用可能なモデルやアプリケーションに変換できないという事実にもつながります。
この問題に対処するために、Flock は需要、リソース、コンピューティング能力、データを効果的に調整するスケジューリング システムになることを目指しています。 Flock は、Web3 テクノロジー スタックを利用して自身を「実行層」として位置付けています。コア機能として、ユーザーのカスタマイズされた AI ニーズをトレーニングのためにさまざまな分散ノードに割り当て、世界中のスマート コントラクトを通じてこれらのタスクをスケジュールすることが主な役割だからです。 .ノード上で実行します。
同時に、エコシステム全体の公平性と効率性を確保するために、FLockシステムは「決済」と「合意」の役割も担っています。決済とは、参加者の貢献を動機付けて管理し、タスクの完了に基づいて報酬と罰を与えることを指します。コンセンサスは、最終的に生成されたモデルが全体的な最適なソリューションを表現できることを保証するために、トレーニング結果の品質を評価および最適化する責任を負います。
FLock の全体的な製品アーキテクチャは、AI Arena、FL Alliance、AI Marketplace の 3 つの主要モジュールで構成されています。このうち、AI Arenaは分散型モデルの基本トレーニングを担当し、FL Allianceはスマートコントラクトメカニズムに基づくモデルの微調整を担当し、AI Marketplaceは最終的なモデルアプリケーション市場を担当します。
AI Arena: ローカライズされたモデルのトレーニングと検証のインセンティブ
AI ArenaはFlockの分散型AIトレーニングプラットフォームで、ユーザーはFlockのテストネットトークンFMLをステーキングすることで参加でき、対応するステーキング報酬を受け取ることができます。ユーザーが必要なモデルを定義してタスクを送信すると、AI Arena のトレーニング ノードは、指定された初期モデル アーキテクチャを使用して、データを集中サーバーに直接アップロードせずにローカルでモデルをトレーニングします。各ノードがトレーニングを完了すると、トレーニング ノードの作業を評価し、モデルの品質をチェックしてスコアを付ける責任を負う検証者が存在します。検証プロセスに参加したくない場合は、トークンをバリデーターに委任して報酬を受け取ることも選択できます。
AI Arena では、すべてのキャラクターの報酬メカニズムは、誓約数とタスクの品質という 2 つの主要な要素によって決まります。誓約の数は参加者の「コミットメント」を表し、タスクの質は参加者の貢献度を測定します。たとえば、トレーニング ノードの報酬は、誓約数と提出されたモデルの品質ランキングに依存しますが、検証者の報酬は、投票結果とコンセンサスとの一貫性、誓約されたトークンの数、および検証への参加数と成功数。委任者の収入は、選択したバリデーターと誓約額によって異なります。
AI Arena は従来の機械学習モデルのトレーニング モードをサポートしており、ユーザーはローカル データまたはパブリック データを使用して自分のデバイスでトレーニングすることを選択して、最終モデルのパフォーマンスを最大化できます。現在、AI Arena パブリック テスト ネットワークには、496 のアクティブなトレーニング ノード、871 の検証ノード、および 72 の委任ユーザーがいます。現在のプラットフォーム誓約率は97.74%、トレーニングノードの平均月収は40.57%、検証ノードの平均月収は24.70%です。
FL Alliance: 自動化されたスマート コントラクト管理のための微調整されたプラットフォーム
AI Arena で最も高いスコアを獲得したモデルが「コンセンサス モデル」として選択され、さらなる微調整のために FL Alliance に割り当てられます。微調整は複数のラウンドを経て行われます。各ラウンドの開始時に、システムはタスクに関連する FL スマート コントラクトを自動的に作成し、このコントラクトはタスクの実行と報酬を自動的に管理します。同様に、各参加者は一定量の FML トークンをステークする必要があります。参加者は提案者または投票者としてランダムに割り当てられます。提案者は独自のローカル データセットを使用してモデルをトレーニングし、トレーニングされたモデルのパラメーターまたは重みを他の参加者にアップロードします。有権者は提案者のモデル更新結果を要約し、それらを評価するために投票します。次に、すべての結果がスマート コントラクトに送信され、各ラウンドのスコアが前のラウンドのスコアと比較され、モデルのパフォーマンスの向上または低下が評価されます。パフォーマンス スコアが向上すると、システムはトレーニングの次の段階に入ります。パフォーマンス スコアが低下すると、前のラウンドで検証されたモデルを使用して別のラウンドのトレーニング、集計、評価が開始されます。
FL Ailiance は、フェデレーテッド ラーニングとスマート コントラクト メカニズムを組み合わせることで、データ主権を確保しながら、複数の参加者が共同でグローバル モデルをトレーニングするという目標を達成します。また、さまざまなデータを統合し、重みを集約することで、より優れたパフォーマンスとより強力な機能を備えたグローバル モデルを構築できます。さらに、参加者はトークンを誓約することで参加へのコミットメントを示し、モデルの品質とコンセンサス結果に基づいて報酬を受け取り、公平で透明な生態学的メカニズムを形成します。
AI マーケットプレイス: パーソナライズされた AI サービスを提供するには?
AI Arena によってトレーニングされ、FL Alliance によって微調整されたモデルは、最終的には AI Marketplace にデプロイされ、他のアプリケーションで使用されます。従来の「モデル マーケット」とは異なり、AI マーケットプレイスでは既製のモデルを提供するだけでなく、ユーザーがモデルをさらに変更したり、新しいデータ ソースを統合してさまざまなアプリケーション シナリオに対応したりすることもできます。さらに、AI マーケットプレイスには RAG (検索拡張生成) テクノロジーも統合されており、特定の分野でのモデルの精度が向上します。 RAG は、回答を生成するときに外部知識ベースから関連情報を取得することで大規模な言語モデルを強化し、モデルの回答がより正確でパーソナライズされたものになるようにする方法です。
現在、BTC GPT、Farcaster GPT、Scroll GPT、Ethereum GPT など、さまざまなアプリケーション シナリオに基づいてカスタマイズされた多くの GPT モデルが AI マーケットプレイスで発売されています。 BTC GPT を例として使用すると、カスタマイズされたモデルと一般的なモデルの違いを理解できます。
2023 年 12 月に、BTC GPT と ChatGPT の両方に「ARC20 とは何ですか?」と尋ねたとき:
BTC GPT の答え: 「ARC20 プロトコルは、ユーザーが NFT や代替トークンなどのデジタル アイテムを作成、転送、アップグレードできるようにする、ビットコイン ネットワーク上に構築されたプロトコルです。ARC20 プロトコルを通じて、非対話型トークンをビットコイン上で生成できます。 ARC20 プロトコルの主要なトークンは ATOM であり、プロトコル内のさまざまな目的に使用されます。
ChatGPT の回答: 「2022 年 1 月の最後の知識更新の時点では、テクノロジー、金融、またはその他の一般的な分野で ARC20 という名前の広く認識されている標準またはテクノロジはありません。それ以降、ARC20 という名前の新しいテクノロジまたは標準が登場した可能性があります。」 , でも情報がありません。」
両方の回答から、GPT モデルをカスタマイズすることの重要性と利点がわかります。 汎用言語モデルとは異なり、カスタマイズされた GPT モデルはドメイン固有のデータでトレーニングして、より正確な答えを提供できます。
どちらも DCG をサポートしていますが、Flock と Bittensor の類似点と相違点は何ですか?
AIセクターの景気が回復するにつれ、分散型AIプロジェクトの代表の1つであるBittensorのトークンは過去30日間で93.7％以上上昇し、一時は史上最高値に近づきました。市場総額は再び40億米ドルを超えました。 Flock の投資機関である DCG は、Bittensor エコシステムにおける最大のバリデーターおよびマイナーの 1 つでもあることは注目に値します。事情に詳しい関係者によると、DCGは約1億ドルのTAOを保有しており、2021年の「ビジネスインサイダー」の記事では、DCGの投資家マシュー・ベック氏が最も有望な仮想通貨スタートアップ53社の1社としてビットテンソールを推薦した。
どちらも DCG がサポートするプロジェクトですが、FLock と Bittensor は焦点が異なります。具体的な位置付けとしては、Bittensor の目標は、「サブネット」を基本単位として分散型 AI インターネットを構築することであり、各サブネットは分散型市場に相当し、参加者は「マイナー」や「検証者」などの役割を使用できます。参加する。現在、Bittensor エコシステムには 49 のサブネットがあり、テキスト読み上げ、コンテンツ生成、大規模な言語モデルの微調整などの複数の分野をカバーしています。
ビテンソールは昨年から注目を集めている。一方で、トークン価格の急速な上昇が原因で、2023年10月の80米ドルから今年の最高値730米ドルまで高騰した。一方で、開発者誘致をトークンのインセンティブに依存するモデルが持続可能かどうかなど、さまざまな疑問もある。さらに、Bittensor エコシステムでは、上位 3 つのバリデーター (Opentensor Foundation、Taostats & Corcel、Foundry) が約束した TAO シェアの合計が 40% 近くになっており、これもユーザーがその分散化の度合いを心配する原因となっています。
Bittensor とは異なり、FLock はフェデレーテッド ラーニングにブロックチェーンを導入することで、ユーザーにパーソナライズされた AI サービスを提供することに取り組んでいます。このモデルでは、Flock は AI のニーズと開発者をマッチングする「分散型スケジューリング システム」として機能し、チェーン上のスマート コントラクトを通じてタスクの割り当て、結果の検証、報酬を自動的に管理します。各参加者は、自分の貢献度に基づいて公平に配布に参加できます。ただし、Bittensor と同様に、Flock はトレーニング ノードおよび検証者になることに加えて、ユーザーに委任された参加のオプションも提供します。
具体的には：
トレーニング ノード: トークンをステーキングして AI タスクのトレーニング コンテストに参加します。コンピューティング能力と AI 開発経験のあるユーザーに適しています。
検証者: ネットワークに参加するためにトークンを誓約することも必要で、マイナーのモデル品質を検証し、検証スコアを提出することで報酬の分配に影響を与える責任があります。
委任者: トークンをマイナーおよび検証者ノードに委任して、タスク割り当てにおけるノードの重みを増やし、委任されたノードの報酬を共有します。このようにして、タスクをトレーニングまたは検証する技術的能力を持たないユーザーでもネットワークに参加して収益を得ることができます。
FLock.io は、プリンシパル参加機能を正式にオープンし、どのユーザーも FML トークンをステーキングすることで収入を得ることができ、ステーキング収入を最大化するために予想される年間収益率に基づいて最適なノードを選択することができます。フロック氏はまた、テストネット段階でのステーキングと関連操作は、将来メインネットがオンラインになった後の潜在的なエアドロップ報酬に影響を与えるとも述べた。
将来的には、FLock は、AI の専門知識を持たない個人ユーザーでも簡単に AI モデルの作成とトレーニングに参加できるように、よりフレンドリーなタスク開始メカニズムを立ち上げ、「誰もが AI に参加できる」というビジョンを実現する予定です。同時にFlockは、Request Financeと協力してオンチェーン信用スコアリングモデルを開発したり、MorpheusやRitualと協力してトレーディングロボットモデルを構築したり、ワンクリック導入トレーニングノードを提供したりするなど、さまざまな面での協力も積極的に行っている。テンプレートを使用すると、開発者はモデル トレーニングを簡単に開始して実行できます。さらに、Flock は Aptos の Move 言語プログラミング アシスタントについてサービス開発者をトレーニングしました。
全体として、Bittensor と Flock の市場での位置付けの違いにもかかわらず、両者は異なる分散型テクノロジー アーキテクチャを通じて AI エコシステムにおける生産関係を再定義しようとしています。その共通の目標は、集中型巨大企業の独占を打ち破ることです。よりオープンで公平な AI エコシステム、これが現在の市場が緊急に必要としているものです。
