前回の分散型AIの急増では、Bittensor、io.net、およびOlasなどの傑出したプロジェクトが、その先端技術と先見の明を活かして業界のリーダーとなりました。しかし、これらのプロジェクトの評価が急上昇する中、一般投資家の参入障壁も高まっています。現在のセクターローテーションの中で、まだ新たな参加の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あり、フェデレーテッドラーニングとブロックチェーン技術を組み合わせています。ユーザーにモデルトレーニングと管理のための安全な環境を提供し、データプライバシーを保護し、公平なコミュニティ参加を促進します。2022年、Flockという用語はその創設チームが「」と題した学術論文を公開した際に注目を集めました。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.” その論文では、ブロックチェーンを使用して連邦学習における悪意のある行動と戦うことが提案されました。分散型アプローチがモデルトレーニング中のデータセキュリティとプライバシーを強化する方法が概説され、この革新的なアーキテクチャの潜在的な応用が分散コンピューティングにおける可能性を示しています。

初期のコンセプト検証に続いて、Flockは2023年に分散型マルチエージェントAIネットワークであるFlock Researchを立ち上げました。Flock Researchでは、各エージェントが特定の領域に特化した大規模言語モデル（LLM）であり、協力を通じてさまざまな分野でユーザーに洞察を提供できる能力を持っています。2024年5月中旬、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、ユーザーがテストトークンFMLを使用してモデルのトレーニングと微調整に参加し、報酬を獲得できるようにしました。2024年9月30日現在、Flockプラットフォーム上の日毎の活発なAIエンジニアの数は300人を超え、総計15,000以上のモデルが提出されています。

プロジェクトが成長し続けるにつれて、Flockは資本市場からも注目を集めています。今年3月、FlockはLightspeed FactionとTagus Capitalを主導とする600万ドルの資金調達ラウンドを完了しました。DCG、OKX Ventures、Inception Capital、Volt Capitalも参加しました。特筆すべきは、Flockは唯一のAIインフラプロジェクトで助成金を受ける2024年のイーサリアム財団の学術資金調達ラウンドで。

AIプロダクション関係を再構築するための礎：フェデレーテッド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、複数のエンティティ（クライアントとも呼ばれることが多い）がモデルの共同トレーニングを行う機械学習の手法であり、データがローカルに保存されたままであることを保証します。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なく、ローカルの計算によってユーザーのプライバシーを保護します。この手法は既にさまざまな実世界のシナリオで応用されており、たとえばGoogleは2017年にGboardキーボードにフェデレーテッドラーニングを導入して、入力の提案やテキストの予測を最適化すると同時に、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律走行システムに応用しており、車両の環境感知をローカルで強化し、大量のビデオデータの送信の必要性を減らしています。

しかし、これらのアプリケーションは依然としてプライバシーやセキュリティに関する課題に直面しています。まず第一に、ユーザーは中央集権化された第三者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中に、虚偽のデータや有害なパラメータをアップロードする悪意のあるノードを防ぐことが重要です。これによって、全体のモデルパフォーマンスに偏りが生じたり、誤った予測がなされる可能性があります。FLockチームによって行われた研究は、に掲載されました。IEEEjournal、10%のノードが悪意を持っている場合、従来の連合学習モデルの精度は96.3%に低下し、悪意のあるノードの割合が30%および40%に増加すると、さらに80.1%および70.9%に低下します。

これらの問題に対処するために、Flockはブロックチェーン上でスマートコントラクトを導入し、そのフェデレーテッドラーニングフレームワーク内で「信頼エンジン」として位置付けました。 信頼エンジンとして、スマートコントラクトは分散環境でのパラメータの収集と検証を自動化し、モデルの結果を公正に公開し、悪意のあるノードがデータを改ざんするのを効果的に防ぎます。 伝統的なフェデレーテッドラーニングソリューションと比較して、Flockのモデルの正確さは、ノードの40%が悪意のあるものであっても95.5%以上を維持しています。

AI実行レイヤー：FLockの3層アーキテクチャの分析

現在のAIの最大の問題は、AIモデルのトレーニングやデータ利用のリソースがわずかな大手企業に高度に集中しているため、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利用することが難しいということです。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しか利用できず、特定のニーズに応じてカスタマイズすることができません。この供給と需要の不一致は、市場に豊富にある計算能力やデータリソースが実用的に利用可能なモデルやアプリケーションに変換されない状況を引き起こしています。

この問題に対処するために、Flockは需要、リソース、計算能力、およびデータを調整する効果的なスケジューリングシステムとして機能することを目指しています。Web3テクノロジースタックを活用し、Flockは主にユーザーのカスタマイズされたAI要件をさまざまな分散ノードに割り当てることを主な責任とし、これらのタスクをグローバルノード全体で組織化するためにスマートコントラクトを使用しています。

また、エコシステム全体での公正性と効率性を確保するために、FLockシステムは「決済層」と「コンセンサス層」も担当しています。決済層とは、参加者の貢献をインセンティブ化し、管理することを指し、タスクの完了に基づいて報酬や罰則を与えます。コンセンサス層では、トレーニング結果の品質を評価し最適化することで、最終的な生成モデルがグローバルな最適解を表すことを確認します。

FLockの全体的な製品アーキテクチャは、AI Arena、FL Alliance、およびAI Marketplaceの3つの主要モジュールで構成されています。 AI Arenaは分散型の基礎モデル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の下でのモデルの微調整に焦点を当て、AI Marketplaceは最終的なモデルアプリケーション市場として機能します。

AIアリーナ：ローカライズされたモデルトレーニングと検証に対するインセンティブ

AI ArenaはFlockの分散型AIトレーニングプラットフォームであり、ユーザーはFlockのテストネットトークン（FML）をステーキングして対応するステーキングリワード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、タスクを提出すると、AI Arena内のトレーニングノードが指定された初期モデルアーキテクチャを使用してモデルをローカルでトレーニングし、中央集権化されたサーバーへの直接データのアップロードを必要としません。各ノードがトレーニングを完了した後、バリデーターは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リングを行います。バリデーションプロセスに参加したくない人は、報酬を受け取るためにトークンをバリデーターに委任することができます。

AIアリーナ内では、すべての役割の報酬メカニズムは、ステークされたトークンの量とタスクの品質の2つの核心要因に依存します。ステークされた金額は参加者の「コミットメント」を反映し、タスクの品質は彼らの貢献を測定します。たとえば、トレーニングノードの報酬は、ステークされた量と提出されたモデルの品質のランキングに依存し、バリデータの報酬は、投票結果がコンセンサスと一致することの一貫性、ステークされたトークンの数、およびバリデーションへの参加の頻度と成功率にかかっています。デリゲーターのリターンは、彼らが選択したバリデータとステークした金額に依存します。

AIアリーナ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いるため、ユーザーはデバイスからのローカルデータでトレーニングするか、公開されているデータでトレーニングするかを選択して、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のパブリックテストネットには合計496アクティブトレーニングノード、871バリデーションノード、および72デリゲーター。プラットフォームのステーキング比率は97.74％で、トレーニングノードの平均月間収益は40.57％、バリデーションノードの平均月間収益は24.70％です。

FL Alliance: スマートコントラクトによって管理される微調整プラットフォーム

AI Arenaで最高評価を受けたモデルは、「合意モデル」として選択され、さらなる微調整のためにFLアライアンスに割り当てられます。この微調整プロセスは複数のラウンドで構成されています。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、タスクの実行と報酬を管理します。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の役割にランダムに割り当てられます。提案者は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または重みを他の参加者にアップロードします。投票者は提案者のモデルの更新結果を要約し、評価するために投票します。

すべての結果はスマートコントラクトに提出され、各ラウンドのスコアと前ラウンドのスコアを比較してモデルのパフォーマンスの向上または低下を評価します。パフォーマンススコアが向上すると、システムは次のトレーニング段階に進みます。減少する場合、トレーニングは以前に検証されたモデルを使用して再開され、トレーニング、要約、評価の別のラウンドが行われます。

FL Alliance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、複数の参加者によるグローバルモデルの共同トレーニングを実現し、データ主権を保証します。さまざまなデータソースを統合し、重みを集約することにより、より優れた性能と大きな機能を備えたグローバルモデルを構築することができます。また、参加者はトークンをステーキングして参加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、公正かつ透明なエコシステムを形成します。

AIマーケットプレイス：個別のAIサービスを提供する方法は？

AIアリーナで訓練され、FLアライアンスで微調整されたモデルは、最終的に他のアプリケーションによって使用されるためにAIマーケットプレイスに展開されます。従来の「モデルマーケットプレイス」とは異なり、AIマーケットプレイスは、既製のモデルを提供するだけでなく、これらのモデルを変更し、新しいデータソースを統合して異なるアプリケーションシナリオに対応することができます。さらに、AIマーケットプレイスには、Retrieval-Augmented Generation（RAG）技術が組み込まれており、特定の領域でモデルの精度を向上させています。RAGは、応答生成中に外部の知識ベースから関連情報を取得して大規模な言語モデルを拡張する手法であり、モデルの応答がより正確かつ個人に適したものになるよう保証しています。

現在、AIマーケットプレイスでは、さまざまなアプリケーションシナリオに基づいて多くのカスタマイズされたGPTモデルが展開されており、BTC GPT、Farcaster GPT、Scroll GPT、およびEthereum GPTなどが含まれています。カスタマイズされたモデルと一般的なモデルの違いを説明するために、BTC GPTを例に取り上げてみましょう。

2023年12月、BTC GPTおよびChatGPTに同時に「ARC20とは何ですか？」と尋ねられたとき:

• BTC GPT応答しました：“ARC20プロトコルはBitcoinネットワーク上に構築されており、ユーザーはNFTや代替可能トークンなどのデジタルアイテムを作成、転送、アップグレードすることができます。ARC20プロトコルを使用すると、Bitcoinネットワーク上で不可分なNFTや代替可能トークンを生成することができます。ARC20プロトコルの主なトークンはATOMであり、プロトコル内でさまざまな目的に使用されます。”
• ChatGPT「2022年1月の最後の知識更新時点では、テクノロジーや金融、その他の一般的な領域において、ARC20という広く認識された標準や技術は存在しませんでした。それ以降、ARC20という新しい技術や標準が登場した可能性はありますが、関連する情報は持っていません。」と答えました。

彼らの回答から、カスタマイズされたGPTモデルの重要性と利点が見えてきます。汎用の言語モデルとは異なり、カスタマイズされたGPTモデルは特定の分野に特化したデータで訓練されるため、より正確な回答を提供できます。

FlockとBittensorの類似点と相違点は何ですか、両方ともDCGによってサポートされていますか？

AIセクターが復活するにつれ、分散型AIプロジェクトの代表的存在であるBittensorは、過去30日間でトークン価格が93.7%以上上昇し、歴史的なピークに近づき、時価総額が再び40億ドルを超えました。特筆すべきは、Flockの投資会社であるDigital Currency Group（DCG）が、Bittensorエコシステムで最大のバリデータおよびマイナーの1つであることです。情報筋によると、DCGはTAOに約1億ドルを保有しており、「ビジネスインサイダー」の2021年の記事では、DCGの投資家であるMatthew BeckがBittensorを53の最も有望な暗号通貨スタートアップの1つとして推薦しました。

DCGの支援を受けている両プロジェクトであるFlockとBittensorは、異なる側面に焦点を当てています。具体的には、Bittensorは「サブネット」を基本単位として使用し、各サブネットが分散型マーケットを表す分散型AIインターネットを構築することを目指しています。参加者は「マイナー」または「バリデータ」として参加できます。現在、Bittensorエコシステムにはテキスト読み上げ、コンテンツ生成、大規模言語モデルの微調整など、さまざまなドメインをカバーする49のサブネットがあります。

昨年以来、Bittensorは市場で注目されてきました。一方で、そのトークン価格は急騰し、2023年10月の80ドルから今年の730ドルのピークにまで上昇しました。一方で、トークンインセンティブに依存するモデルの持続可能性についての疑問など、さまざまな批判に直面しています。さらに、Bittensorエコシステムのトップ3のバリデータ（Opentensor Foundation、Taostats＆Corcel、Foundry）は、ステークされたTAOの約40％を保有しており、ユーザーは分散化のレベルについて懸念を抱いています。

一方、Flockは、ブロックチェーンを連邦学習に統合することで、個別のAIサービスを提供することを目指しています。 Flockは自身を「AIスペースのUber」と位置付けており、AIのニーズと開発者をマッチングする「分散スケジューリングシステム」として機能します。Flockはオンチェーン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、報酬の決済を自動的に管理し、各参加者が貢献に基づいて公平にシェアを受け取ることができるようにします。Bittensorと同様に、Flockもユーザーがデリゲートとして参加するオプションを提供しています。

具体的には、Flockは次の役割を提供します:

• トレーニングノード:これらのノードは、トークンをステーキングすることで、AIタスクのトレーニング競技に参加することができます。これは、計算能力とAI開発経験を持つユーザーに適しています。
• バリデーター：彼らはネットワークに参加するためにトークンをステークする必要があり、マイナーのモデルの品質を検証し、提出された検証スコアによって報酬分配に影響を与える責任があります。
• デリゲーター:彼らはトークンをマイナーやバリデータノードに委任して、委任されたノードがタスクの割り当てで重みを増やし、同時に報酬を共有することができます。これにより、トレーニングや検証タスクの技術的な専門知識を持たないユーザーもネットワークに参加し、報酬を得ることができます。

Flock.ioが公式に委任機能を開始し、どのユーザーもFMLトークンをステークして報酬を得ることができます。ユーザーは選択する彼らの予想される年次収益に基づいて最適なノードを選択し、ステーキング報酬を最大化します。Flockはまた、テストネットフェーズ中のステーキングおよび関連する操作が、メインネットのローンチ後のポテンシャルなエアドロップ報酬に影響すると示しています。

将来、Flockは、AIの専門知識を持たない個人が簡単にAIモデルの作成とトレーニングに参加できるような、より使いやすいタスク起動メカニズムを導入することを目指しています。これにより、「誰もがAIに参加できる」というビジョンを実現します。Flockはまた、Request Financeとのオンチェーンクレジットスコアリングモデルの開発や、MorpheusとRitualとの提携を積極的に追求しており、トレーニングノードのワンクリック展開テンプレートを提供する取引ボットモデルの作成も行っています。これにより、開発者がAkash上でモデルのトレーニングを開始して実行することを簡単にすることができます。さらに、FlockはMove言語プログラミングアシスタントをトレーニングして、Aptosプラットフォーム上の開発者をサポートしています。

全体的に、BittensorとFlockは異なる市場ポジションを持っていますが、両者とも異なる分散型技術を通じてAIエコシステム内の生産関係を再定義しようとしています。彼らの共通の目標は、中央集権的な巨大企業によるAIリソースの独占を解体し、よりオープンで公平なAIエコシステムを育成することです。これは今日の市場で緊急に必要とされています。

免責事項：

1. この記事は[から転載されていますchainfeeds], すべての著作権は元の作者に帰属します [リンダ・ベル]. この転載に異議がある場合は、お問い合わせください。gateの学習チームはそれを迅速に処理します。
2. 責任の免責事項：この記事で表現されている意見や見解は、著者個人のものであり、投資アドバイスを構成するものではありません。
3. 記事の翻訳は、gate Learn チームによって他の言語に行われます。特に記載がない限り、翻訳された記事の複製、配布、盗用は禁止されています。