작성자: 린다벨
탈중앙화 AI 붐의 마지막 단계에서 Bittensor, io.net 및 Olas와 같은 스타 프로젝트는 혁신적인 기술과 미래 지향적인 레이아웃으로 빠르게 업계 리더가 되었습니다. 그러나 이러한 확립된 프로젝트의 가치가 지속적으로 상승함에 따라 일반 투자자의 참여 임계값도 점점 더 높아지고 있습니다. 그렇다면 현재의 부문 순환 라운드 대면 새로운 참여 기회가 있습니까?
Flock: 탈중앙화 AI 훈련 및 검증 네트워크
Flock은 데이터 프라이버시와 공정한 커뮤니티 참여를 보호하는 동시에 사용자에게 안전한 모델 훈련 및 관리 환경을 제공하기 위해 연합 학습과 블록체인 기술을 결합한 탈중앙화 AI 모델 훈련 및 애플리케이션 플랫폼입니다. Flock이라는 단어는 2022년에 처음 대중에게 공개되었습니다. Flock의 창립 팀은 " Flock: 블록체인을 사용하여 연합 학습에서 악의적인 행동 방어 "라는 학술 논문을 공동으로 발표했으며, 악의적인 행동 개념을 방지하기 위해 연합 학습에 블록체인을 도입할 것을 제안했습니다. 이 문서에서는 탈중앙화 메커니즘을 통해 모델 훈련 중에 데이터 보안 및 개인 정보 보호를 강화하는 방법을 설명하고 분산 컴퓨팅에서 이 새로운 아키텍처의 응용 가능성을 보여줍니다.
초기 개념 증명 이후 Flock은 2023년에 탈중앙화 다중 에이전트 AI 네트워크 Flock Research를 출시했습니다. Flock Reseach에서 각 에이전트는 특정 도메인에 맞게 조정된 LLM(대형 언어 모델)이며 협업을 통해 사용자에게 다양한 도메인에 대한 통찰력을 제공할 수 있습니다. 그런 다음 2024년 5월 중순에 Flock은 탈중앙화 AI 훈련 플랫폼의 테스트 네트워크를 공식적으로 열었습니다. 사용자는 테스트 토큰 FML을 사용하여 모델 훈련 및 미세 조정에 참여하고 보상을 받을 수 있습니다. 2024년 9월 30일 현재 Flock 플랫폼의 일일 활성 AI 엔지니어 수는 300명을 초과했으며 제출된 모델의 누적 수는 15,000개를 넘었습니다.
프로젝트가 계속 발전함에 따라 Flock은 자본 시장의 주목도 받았습니다. 올해 3월 Flock은 Lightspeed Faction과 Tagus Capital이 주도하고 DCG, OKX Ventures, Inception Capital 및 Volt Capital이 참여하여 600만 달러 융자 완료했습니다. Flock은 2024년 이더 재단 학술 자금 조달 라운드에서 자금을 받은 유일한 AI 인프라 프로젝트이기도 하다.
AI 생산 관계의 초석 재편: 연합 학습을 위한 스마트 계약 도입
연합 학습은 데이터가 로컬에 저장되도록 하면서 여러 엔터티(클라이언트라고도 함)가 공동으로 모델을 훈련할 수 있도록 하는 머신러닝(ML) 방법입니다. 기존 머신러닝(ML) 과 달리 연합 학습은 모든 데이터를 중앙 서버에 업로드하지 않고 대신 로컬 계산을 통해 사용자 개인정보를 보호합니다. 현재 연합 학습은 실제로 많은 실제 시나리오에 적용되었습니다. 예를 들어 Google은 사용자의 입력 데이터가 업로드되지 않도록 하면서 입력 제안 및 텍스트 예측을 최적화하기 위해 2017년부터 Gboard 입력 방법에 연합 학습을 도입했습니다. Tesla는 또한 유사한 기술을 자율주행 시스템에 적용하여 차량의 환경 인식을 현지 방식으로 향상시키고 대규모 비디오 데이터 전송의 필요성을 줄였습니다.
그러나 이러한 앱에는 특히 개인 정보 보호 및 보안 측면에서 여전히 몇 가지 문제가 있습니다. 우선, 사용자는 중앙화된 제3자를 신뢰해야 합니다. 둘째, 모델 매개변수 전송 및 집계 과정에서 악의적인 노드가 허위 데이터나 악의적인 매개변수를 업로드하여 모델의 전체 성능에서 벗어나거나 발생하는 것을 방지해야 합니다. 잘못된 예측 결과를 출력하기도 합니다. IEEE 저널에 FLock 팀이 발표한 연구에 따르면 악성 노드가 10% 존재할 때 기존 연합 학습 모델의 정확도는 악성 노드의 비율이 30%, 40%로 증가하면 96.3%로 떨어집니다. 각각 80.1%, 70.9%로 감소합니다.
이러한 문제를 해결하기 위해 Flock은 연합 학습 아키텍처의 "신뢰 엔진"으로 블록체인 온체인 스마트 계약을 도입했습니다. 신뢰 엔진으로서 스마트 계약은 탈중앙화 환경에서 자동화된 매개변수 수집 및 검증을 실현하고 편견 없이 모델 결과를 게시함으로써 악의적인 노드가 데이터를 변조하는 것을 효과적으로 방지할 수 있습니다. 기존 연합 학습 솔루션과 비교하여 FLock의 모델 정확도는 노드의 40%가 악성 노드인 경우에도 여전히 95.5% 이상을 유지할 수 있습니다.
AI 실행 계층을 찾고 FLock 3계층 아키텍처를 분석합니다.
현재 AI 분야의 가장 큰 문제점은 AI 모델 훈련과 데이터 활용을 위한 자원이 여전히 몇몇 대기업에 집중되어 있어 일반 개발자와 사용자가 이러한 자원을 효과적으로 활용하기 어렵다는 점이다. 결과적으로 사용자는 사전 구축된 표준화된 모델로만 제한되며 필요에 맞게 사용자 정의할 수 없습니다. 이러한 공급과 수요의 불일치는 시장에 풍부한 컴퓨팅 능력과 데이터 보유량이 있더라도 실제로 사용 가능한 모델과 애플리케이션으로 전환될 수 없다는 사실로 이어집니다.
이 문제를 해결하기 위해 Flock은 수요, 리소스, 컴퓨팅 성능 및 데이터를 효과적으로 조정하는 스케줄링 시스템이 되기를 희망합니다. Flock은 Web3 기술 스택을 활용하여 "실행 계층"으로 자리매김합니다. 왜냐하면 핵심 기능으로서 훈련을 위해 사용자의 맞춤형 AI 요구 사항을 다양한 탈중앙화 노드에 할당하고 전 세계의 스마트 계약을 통해 이러한 작업을 예약하는 일을 주로 담당하기 때문입니다. . 노드에서 실행됩니다.
동시에 전체 생태계의 공정성과 효율성을 보장하기 위해 FLock 시스템은 '정산'과 '합의'도 담당합니다. 정산이란 참여자들의 기여도에 동기를 부여하고 관리하며, 과업 완수에 따라 보상과 처벌을 하는 것을 말한다. 합의는 최종 생성된 모델이 전역 최적의 솔루션을 나타낼 수 있도록 훈련 결과의 품질을 평가하고 최적화하는 역할을 담당합니다.
FLock의 전체 제품 아키텍처는 AI Arena, FL Alliance 및 AI Marketplace의 세 가지 주요 모듈 로 구성됩니다. 그 중 AI Arena는 탈중앙화 모델 기본 교육을 담당하고, FL Alliance는 스마트 계약 메커니즘에 따른 모델 미세 조정을 담당하며, AI Marketplace는 최종 모델 애플리케이션 시장입니다.
AI Arena: 현지화된 모델 교육 및 검증 인센티브
AI Arena는 Flock의 탈중앙화 AI 훈련 플랫폼입니다. 사용자는 Flock의 테스트넷 토큰 FML을 스테이킹 하여 참여하고 해당 스테이킹 보상을 받을 수 있습니다. 사용자가 필요한 모델을 정의하고 작업을 제출하면 AI Arena의 훈련 노드는 데이터를 중앙 서버에 직접 업로드하지 않고 주어진 초기 모델 아키텍처를 사용하여 로컬로 모델을 훈련합니다. 각 노드가 훈련을 완료한 후에는 훈련 노드의 작업을 평가하고 모델의 품질을 확인하고 점수를 매기는 역할을 담당하는 검증자가 있습니다. 검증 과정에 참여하고 싶지 않다면 토큰을 검증인에게 위임하여 보상을 받도록 선택할 수도 있습니다.
AI 아레나에서 모든 캐릭터에 대한 보상 메커니즘은 스테이킹 수와 작업 품질이라는 두 가지 핵심 요소에 따라 달라집니다. 스테이킹 횟수는 참가자의 "헌신"을 나타내고, 작업의 질은 참가자의 기여도를 측정합니다. 예를 들어, 훈련 노드의 보상은 제출된 모델의 스테이킹 수와 품질 순위에 따라 달라지며, 검증자의 보상은 투표 결과의 합의, 스테이킹 토큰 수 및 모델의 일관성에 따라 달라집니다. 검증 참여 횟수 및 성공 횟수. 위임자의 수입은 그가 선택한 검증인과 스테이킹 금액에 따라 달라집니다.
AI Arena는 전통적인 머신러닝(ML) 모델 훈련 모드를 지원하며, 사용자는 최종 모델의 성능을 극대화하기 위해 로컬 데이터 또는 공개 데이터를 사용하여 자신의 장치에서 훈련하도록 선택할 수 있습니다. 현재 AI Arena 공개 테스트 네트워크에는 496개의 활성 훈련 노드, 871개의 검증 노드 및 72명의 위임된 사용자가 있습니다. 현재 플랫폼 스테이킹 비율은 97.74%, 훈련 노드의 월 평균 수입은 40.57%, 검증 노드의 월 평균 수입은 24.70%입니다.
FL Alliance: 자동화된 스마트 계약 관리를 위해 정밀하게 조정된 플랫폼
AI Arena에서 가장 높은 점수를 받은 모델은 "합의 모델"로 선정되어 FL Alliance에 할당되어 추가 미세 조정이 이루어집니다. 미세 조정은 여러 라운드를 거칩니다. 각 라운드가 시작될 때 시스템은 작업과 관련된 FL 스마트 계약을 자동으로 생성하며, 이 계약은 작업 실행 및 보상을 자동으로 관리합니다. 마찬가지로 각 참가자는 일정량의 FML 토큰을 스테이킹 해야 합니다. 참가자는 무작위로 제안자 또는 투표자로 지정되며, 제안자는 자신의 로컬 데이터세트를 사용하여 모델을 훈련하고 훈련된 모델 매개변수 또는 가중치를 다른 참가자에게 업로드합니다. 유권자는 제안자의 모델 업데이트 결과를 요약하고 이를 평가하기 위해 투표합니다. 그런 다음 모든 결과는 스마트 계약에 제출되며, 스마트 계약은 각 라운드의 점수를 이전 라운드의 점수와 비교하여 모델 성능의 개선 또는 감소를 평가합니다. 성능 점수가 향상되면 시스템은 다음 훈련 단계로 진입하고, 성능 점수가 감소하면 이전 라운드에서 검증된 모델을 사용하여 또 다른 훈련, 집계 및 평가가 시작됩니다.
FL Ailliance는 연합 학습과 스마트 계약 메커니즘을 결합하여 여러 참가자가 데이터 주권을 보장하면서 글로벌 모델을 공동으로 교육한다는 목표를 달성합니다. 그리고 서로 다른 데이터를 통합하고 가중치를 집계함으로써 더 나은 성능과 더 강력한 기능을 갖춘 글로벌 모델을 구축할 수 있습니다. 또한, 참가자들은 토큰을 스테이킹 함으로써 참여 의지를 표명하고 모델 품질과 합의 결과에 따라 보상을 받음으로써 공정하고 투명한 생태계 메커니즘을 형성합니다.
AI 마켓플레이스: 맞춤형 AI 서비스를 어떻게 제공할 것인가?
AI Arena에서 훈련되고 FL Alliance에서 미세 조정된 모델은 결국 다른 애플리케이션에서 사용할 수 있도록 AI Marketplace에 배포될 것입니다. 전통적인 '모델 시장'과 달리 AI 마켓플레이스는 기성 모델을 제공할 뿐만 아니라 사용자가 모델을 추가로 수정하고 새로운 데이터 소스를 통합하여 다양한 애플리케이션 시나리오에 대처할 수 있도록 합니다. 또한 AI 마켓플레이스에는 RAG(Retrieval-Augmented Generation) 기술도 통합해 특정 분야의 모델 정확도를 높인다. RAG는 답변을 생성할 때 외부 지식 기반에서 관련 정보를 검색하여 모델의 응답이 더 정확하고 개인화되도록 보장함으로써 대규모 언어 모델을 향상시키는 방법입니다.
현재 BTC GPT, Farcaster GPT, Scroll GPT, Ethereum GPT 등 다양한 애플리케이션 시나리오를 기반으로 한 많은 맞춤형 GPT 모델이 AI 마켓플레이스에 출시되었습니다. 맞춤형 모델과 일반 모델의 차이점을 이해하기 위해 BTC GPT를 예로 들 수 있습니다.
2023년 12월 BTC GPT와 ChatGPT 모두에 "ARC20이 무엇인가요?"라는 질문을 받았을 때:
BTC GPT의 답변: “ARC20 프로토콜은 사용자가 NFT 및 대체 가능한 토큰과 같은 디지털 항목을 생성, 전송 및 업그레이드할 수 있도록 하는 비트코인 네트워크에 구축된 프로토콜입니다. ARC20 프로토콜을 통해 비트코인에서 비대화형 토큰을 생성할 수 있습니다. ARC20 프로토콜의 주요 토큰은 ATOM이며 프로토콜 내에서 다양한 용도로 사용됩니다.
ChatGPT의 답변: “2022년 1월의 마지막 지식 업데이트 현재 기술, 금융 또는 기타 공통 영역에서 ARC20이라는 널리 알려진 표준이나 기술은 그 이후에 등장했을 가능성이 있습니다. 새로운 기술 또는 표준. , 하지만 정보가 없습니다.”
두 사람의 답변을 통해 GPT 모델 맞춤설정의 중요성과 장점을 알 수 있습니다. 범용 언어 모델과 달리 맞춤형 GPT 모델은 특정 분야의 데이터를 학습하여 보다 정확한 답변을 제공할 수 있습니다.
둘 다 DCG를 지원합니다. Flock과 Bittensor의 유사점과 차이점은 무엇입니까?
AI 분야가 활기를 띠면서 탈중앙화 AI 프로젝트의 대표주자 중 하나인 비트텐서(Bittensor)의 토큰은 지난 30일 동안 93.7% 이상 상승해 한때 가격이 역대 최고치에 가까웠고, 총 시총 다시 한번 40억 달러를 넘어섰습니다. Flock의 투자 기관인 DCG가 Bittensor 생태계에서 가장 큰 검증자이자 채굴자 중 하나라는 점은 주목할 가치가 있습니다. 이전에 이 문제에 정통한 사람들에 따르면 DCG는 TAO에서 약 1억 달러를 보유하고 있으며 2021년 "Business Insider" 기사에서 DCG 투자자 Matthew Beck은 Bittensor를 가장 유망한 암호화폐 스타트업 53개 중 하나로 추천했습니다.
둘 다 DCG가 지원하는 프로젝트이지만 FLock과 Bittensor는 초점이 다릅니다. 구체적인 포지셔닝 측면에서 Bittensor의 목표는 "서브넷"을 기본 단위로 사용하여 탈중앙화 AI 인터넷을 구축하는 것입니다. 각 서브넷은 탈중앙화 시장과 동일하며 참가자는 "채굴자"를 "또는 검증자" 및 기타 역할로 사용할 수 있습니다. 가입하다. 현재 Bittensor 생태계에는 텍스트 음성 변환, 콘텐츠 생성 및 대규모 언어 모델 미세 조정과 같은 여러 분야를 다루는 49개의 서브넷이 있습니다.
Bittensor는 작년부터 주목을 받아왔습니다. 한편으로는 토큰 가격이 2023년 10월 80달러에서 올해 최고치인 730달러까지 급등한 데 따른 것이다. 반면, 개발자 유치를 위해 토큰 인센티브에 의존하는 모델이 지속 가능한지 등 다양한 의구심이 있습니다. 또한, Bittensor 생태계에서는 상위 3개 검증기관(Opentensor Foundation, Taostats & Corcel, Foundry)이 스테이킹 TAO 점유율 총액이 40%에 가까워 사용자들이 탈중앙화 정도에 대한 우려를 표하기도 했습니다.
Bittensor와 달리 FLock은 연합 학습에 블록체인을 도입하여 사용자에게 맞춤형 AI 서비스를 제공하는 데 최선을 다하고 있습니다. Flock은 "AI의 Uber"로 자리매김합니다. 이 모델에서 Flock은 AI 요구 사항과 개발자를 일치시키는 "탈중앙화 일정 관리 시스템" 역할을 하며, 온체인 스마트 계약을 통해 작업 할당, 결과 확인 및 보상을 자동으로 관리합니다. 각 참가자는 자신의 기여도에 따라 분배에 공정하게 참여할 수 있습니다. 그러나 Bittensor와 유사하게 Flock은 훈련 노드 및 검증자가 되는 것 외에도 사용자에게 위임된 참여 옵션을 제공합니다.
구체적으로:
훈련 노드: 컴퓨팅 능력과 AI 개발 경험이 있는 사용자에게 적합한 토큰을 스테이킹 하여 AI 작업 훈련 경쟁에 참여합니다.
검증자: 또한 네트워크에 참여하기 위해 토큰을 스테이킹 해야 하며, 채굴자의 모델 품질을 검증하고 검증 점수를 제출하여 보상 분배에 영향을 미치는 역할을 담당합니다.
위임자: 토큰을 채굴자 및 검증자 노드에 위임하여 작업 할당에서 노드의 가중치를 높이고 위임된 노드의 보상을 공유합니다. 이러한 방식으로 작업을 훈련하거나 검증할 수 있는 기술적 능력이 없는 사용자라도 네트워크에 참여하여 수익을 얻을 수 있습니다.
FLock.io는 이제 공식적으로 원금 참여 기능을 개시합니다. 모든 사용자는 FML 토큰을 스테이킹 하여 수익을 얻을 수 있으며, 예상 연간 수익률에 따라 최적의 노드를 선택하여 스테이킹 수익을 극대화할 수 있습니다. Flock은 또한 테스트넷 단계의 스테이킹 및 관련 작업이 향후 메인넷이 온라인 상태가 된 후 잠재적인 에어드랍 보상에 영향을 미칠 것이라고 말했습니다.
앞으로 FLock은 AI 전문 지식이 없는 개인 사용자도 AI 모델 생성 및 훈련에 쉽게 참여할 수 있도록 보다 친숙한 작업 시작 메커니즘을 출시하여 "모든 사람이 AI에 참여할 수 있다"는 비전을 실현할 계획입니다. 동시에 Flock은 Request Finance와 협력하여 온체인 신용 평가 모델 개발, Morpheus 및 Ritual과 협력하여 거래 로봇 모델 구축, 원클릭 배포 교육 노드 제공 등 다양한 측면에서 적극적으로 협력을 수행하고 있습니다. 개발자가 모델 훈련을 쉽게 시작하고 실행할 수 있도록 하는 템플릿입니다. 또한 Flock은 서비스 개발자를 위한 Aptos의 Move 언어 프로그래밍 도우미도 교육했습니다.
전반적으로 Bittensor와 Flock 간의 시장 포지셔닝 차이에도 불구하고 둘 다 서로 다른 탈중앙화 기술 아키텍처를 통해 AI 생태계에서 생산 관계를 재정의하려고 노력하고 있습니다. 그들의 공통 목표는 중앙 집중식 거대 기업의 독점을 깨뜨리는 것입니다. 보다 개방적이고 공정한 AI 생태계, 이것이 현재 시장에 시급히 필요한 것입니다.
