作者：LindaBell

在上一輪去中心化 AI 熱潮中，Bittensor、io.net 和 Olas 等明星項目憑藉其創新技術與前瞻性布局，迅速成為了行業領軍者。然而，隨着這些老牌項目估值的節節攀升，普通投資者的參与門檻也越來越高。那麼，面對目前這一輪的板塊輪動，是否還存在新的參与機會？

Flock：去中心化 AI 訓練和驗證網絡

Flock 是一個去中心化的 AI 模型訓練和應用平台，將聯邦學習和區塊鏈技術結合，以為用戶提供安全的模型訓練和管理環境，同時保護數據隱私和公平社區參与。Flock 這個詞最初於 2022 年進入公眾視野，其創始團隊聯合發布了一篇題為「FLock: Defending malicious behaviors in federated learning with blockchain」的學術論文，提出了將區塊鏈引入聯邦學習以防範惡意行為的理念。該論文闡述了如何通過去中心化機制加強模型訓練過程中的數據安全和隱私保護，還揭示了這種新架構在分佈式計算中的應用潛力。

經過初期的概念驗證后，Flock 在 2023 年推出了去中心化的多 Agent AI 網絡 Flock Research。在 Flock Reseach 中，每個 Agent 都是為特定領域調優的大語言模型（LLM），能夠通過協作為用戶提供不同領域的見解。隨後在 2024 年 5 月中旬，Flock 正式開放了去中心化 AI 訓練平台的測試網，用戶可以通過使用測試代幣 FML 參与模型的訓練和微調，並獲得獎勵。截至 2024 年 9 月 30 日，Flock 平台的日活躍 AI 工程師數量已突破 300 人，累計提交模型數量達到 15,000 以上。

隨着項目的持續發展，Flock 也受到了資本市場的關注。今年 3 月，Flock 完成了由 Lightspeed Faction 和 Tagus Capital 領投的 600 萬美元融資，DCG、OKX Ventures、Inception Capital 和 Volt Capital 等參投。值得注意的是，Flock 還是 2024 年以太坊基金會學術資助輪中唯一獲得撥款的 AI 基礎設施項目。

重塑 AI 生產關係的基石：為聯邦學習引入智能合約

聯邦學習（Federated Learning）是一種機器學習方法，允許多個實體（通常稱為客戶端）在確保數據本地存儲的前提下，共同訓練模型。與傳統的機器學習不同，聯邦學習避免了將所有數據上傳至中心服務器，而是通過本地計算的方式保護用戶隱私。目前，聯邦學習其實已經在多個實際場景中得到了應用，例如谷歌自 2017 年起將聯邦學習引入其 Gboard 輸入法中，用於優化輸入建議和文字預測，同時確保用戶的輸入數據不被上傳。特斯拉在其自動駕駛系統中也應用了類似技術，以本地方式提高車輛的環境感知能力，減少了對海量視頻數據傳輸的需求。

但這些應用仍存在一些問題，尤其是在隱私和安全性方面。首先用戶需要信任中心化的第三方，其次在模型參數傳輸和聚合的過程中，還需要防止惡意節點上傳虛假數據或惡意參數，導致模型在整體性能上產生偏差甚至輸出錯誤的預測結果。根據 FLock 團隊在 IEEE 期刊上發表的研究显示，傳統聯邦學習模型在 10% 的惡意節點存在時，準確率會下降至 96.3%，而當惡意節點比例增至 30% 和 40% 時，準確率則分別降至 80.1% 和 70.9%。

為了解決這些問題，Flock 在其聯邦學習架構中引入了區塊鏈上的智能合約作為「信任引擎」。 智能合約作為信任引擎，能夠在去中心化環境下實現自動化的參數收集與驗證，並對模型結果進行無偏見的發布，從而有效防止惡意節點篡改數據。與傳統聯邦學習方案相比，即使在 40% 節點為惡意節點的情況下，FLock 的模型準確率仍能保持在 95.5% 以上。

定位 AI 執行層，解析 FLock 三層架構

當前 AI 領域的一個主要痛點在於，AI 模型訓練和數據使用的資源仍然高度集中在幾家大型公司手中，普通開發者和用戶很難有效使用這些資源。因此，用戶只能使用預先構建的標準化模型，而無法根據自身需求進行定製化。這種供需錯配的現象也導致即使市場擁有豐富的計算能力和數據儲備，也無法轉化為實際可用的模型和應用。

針對這一問題，Flock 希望能夠成為一個有效協調需求、資源、計算能力和數據的調度系統。Flock 借鑒 Web3 技術棧將自己定位為「執行層」，因為作為核心功能，其主要負責將用戶的定製化 AI 需求分配至各個去中心化節點進行訓練，並通過智能合約來調度這些任務在全球各節點上運行。

同時，為了確保整個生態系統的公平和高效，FLock 系統還負責「結算」和「共識」。結算指的是激勵和管理參与者的貢獻，根據任務完成情況進行獎勵和懲罰。而共識則負責對訓練結果的質量進行評估和優化，確保最終生成的模型能夠代表全局最優解。

FLock 整體產品架構由三大模塊構成：AI Arena、FL Alliance 和 AI Marketplace。其中，AI Arena 負責去中心化的模型基礎訓練，FL Alliance 負責在智能合約機制下進行模型微調，而 AI Marketplace 則是最終的模型應用市場。

AI Arena：本地化模型訓練與驗證激勵

AI Arena 是 Flock 的去中心化 AI 訓練平台，用戶可以通過質押 Flock 測試網代幣 FML 參与，並獲得相應的質押獎勵。在用戶定義好需要的模型並提交任務后，AI Arena 中的訓練節點會在本地使用給定的初始模型架構進行模型訓練，無需將數據直接上傳至中心化服務器。在每個節點完成訓練后，會有驗證者負責評估訓練節點的工作，檢查模型的質量並進行評分。如果不想參与驗證過程，也可以選擇將代幣委託給驗證者以獲得獎勵。

在 AI Arena 中，所有角色的獎勵機制都取決於質押數量和任務質量兩個核心因素。質押數量代表了參与者的「承諾」，而任務質量則衡量了其貢獻值。例如，訓練節點的獎勵取決於質押數量及提交模型的質量排名，而驗證者的獎勵則取決於投票結果與共識的一致性、質押代幣數量及參与驗證的次數和成功數。委託者的收益則取決於其選擇的驗證者及質押數量。

AI Arena 支持傳統的機器學習模型訓練模式，而且用戶可以選擇在自己的設備上使用本地數據或公開數據進行訓練，以最大限度提升最終模型的性能。目前，AI Arena 公開測試網上共有 496 個活躍訓練節點，871 個驗證節點及 72 個委託用戶。當前平台質押比例為 97.74%，訓練節點的平均月收益為 40.57%，驗證節點的平均月收益為 24.70%。

FL Alliance：智能合約自動管理的微調平台

在 AI Arena 上評分最高的模型會被選定為「共識模型」，並會被分配至 FL Alliance 中進一步微調。微調會經過多輪操作。每輪開始時，系統都會自動創建一個與該任務相關的 FL 智能合約，這個合約會自動管理任務執行及獎勵。同樣地，每個參与者都需要質押一定數量的 FML 代幣。參与者會被隨機分配為提議者或投票者，其中提議者使用自己的本地數據集進行模型訓練，並將訓練后的模型參數或權重上傳給其他參与者。而投票者則會對提議者的模型更新結果進行匯總並投票評估。隨後所有結果會被提交給智能合約，智能合約會將每一輪分數與上一輪分數進行比較，以評估模型性能的進步或下降。如果性能分數有所提高，系統將進入下一階段的訓練；如果性能分數有所下降，則將使用上一輪驗證過的模型開始另一輪訓練、匯總和評估。

FL Ailliance 通過結合聯邦學習和智能合約機制，實現了多參与者在保證數據主權的前提下共同訓練一個全局模型的目標。而且通過整合不同的數據並聚合權重，能構建一個性能更好及能力更強的全局模型。此外，參与者通過質押代幣表明參与承諾，並根據模型質量和共識結果獲得獎勵，形成了一個公平透明的生態機制。

AI Marketplace：如何提供個性化 AI 服務？

而在經過 AI Arena 訓練和 FL Alliance 微調后的模型，將被最終部署至 AI Marketplace 中，供其他應用程序調用使用。和傳統的「模型市場」不同，AI Marketplace 不僅提供現成的模型，還允許用戶進一步對模型進行修改，並集成新的數據源以應對不同的應用場景。此外，AI Marketplace 還集成了 RAG（Retrieval-Augmented Generation「檢索增強生成」）技術，以提升特定領域的模型準確性。RAG 是一種增強大語言模型的方法，通過在生成回答時從外部知識庫中檢索相關信息，確保模型的相應更加準確和個性化。

目前 AI Marketplace 上已經推出了很多基於不同應用場景的定製化 GPT 模型，包括 BTC GPT、Farcaster GPT、Scroll GPT、Ethereum GPT 等。我們可以通過 BTC GPT 舉個例子來理解定製化模型和通用模型的區別。

2023 年 12 月，當同時向 BTC GPT 和 ChatGPT 提問「什麼是 ARC20？」時：

• BTC GPT 的回答：「ARC20 協議是基於比特幣網絡構建的協議，允許用戶創建、轉移和升級数字物品，例如 NFT 和可互換的代幣。通過 ARC20 協議，可以在比特幣網絡上生成非互換的 NFT 和可互換的代幣。ARC20 協議的主要代幣是 ATOM，並用於協議內的各種用途。」

• ChatGPT 的回答：「截至我在 2022 年 1 月的最後一次知識更新時，技術、金融或其他常見領域中沒有被廣泛認可的名為 ARC20 的標準或技術。可能在那之後出現了名為 ARC20 的新技術或標準，但我沒有相關信息。」

從二者的回答中我們可以看出定製 GPT 模型的重要性和優勢。 不同於通用型語言模型，定製化 GPT 模型可以通過針對特定領域的數據進行訓練，從而提供更精準的回答。

同為 DCG 支持，Flock 和 Bittensor 有何異同？

隨着 AI 板塊的回暖，去中心化 AI 項目的代表之一 Bittensor 的代幣在過去 30 天內漲幅超過 93.7%，價格一度接近歷史最高點，總市值再度突破 40 億美元。值得注意的是，Flock 的投資機構 DCG 也是 Bittensor 生態中最大的驗證者和礦工之一。此前據知情人士透露，DCG 持有約 1 億美元的 TAO，並且在 2021 年「商業內幕」的一篇文章中，DCG 投資者 Matthew Beck 推薦 Bittensor 為 53 家最有前途的加密初創公司之一。

儘管同為 DCG 支持的項目，FLock 和 Bittensor 的側重點卻有所不同。在具體定位上，Bittensor 的目標是構建一個去中心化的 AI 互聯網，使用了「子網（Subnet）」作為基本單位，每個子網都相當於一個去中心化的市場，參与者可以以「礦工」或「驗證者」等角色加入。目前，Bittensor 生態系統中有 49 個子網，覆蓋文本轉語音、內容生成及大語言模型微調等多個領域。

自去年以來，Bittensor 一直是市場關注的焦點。一方面是由於其代幣價格的迅速上漲，從 2023 年 10 月的 80 美金一路狂飆至今年的最高點 730 美金。另一方面則是各種各樣的質疑聲，包括對其依賴代幣激勵吸引開發者的模式是否能夠可持續發展。此外，Bittensor 生態中，前三大驗證者（Opentensor Foundation、Taostats & Corcel、Foundry）質押的 TAO 份額合計接近 40%，這也引發了用戶對其去中心化程度的擔憂。

與 Bittensor 不同， FLock 則通過將區塊鏈引入聯邦學習，致力於為用戶提供個性化 AI 服務。Flock 將自己定位為「AI 領域的 Uber」，在這一模式中，Flock 充當了匹配 AI 需求與開發者的「去中心化調度系統」，通過鏈上智能合約自動管理任務分配、結果驗證和獎勵結算，確保每個參与者都能夠根據其貢獻公平地參与分配。但和 Bittensor 類似的是，除了成為訓練節點和驗證者，Flock 也為用戶提供了委託參与的選項。

具體而言：

• 訓練節點：通過質押代幣參与 AI 任務的訓練競爭，適合擁有計算能力和 AI 開發經驗的用戶。

• 驗證者：同樣需要質押代幣參与網絡，負責驗證礦工的模型質量，並通過提交驗證評分影響獎勵分配。

• 委託人：將代幣委託給礦工和驗證者節點，以提升節點在任務分配中的權重，同時分享被委託節點的獎勵收益。通過這種方式，即使沒有技術能力去訓練或驗證任務的用戶，也可以參与網絡並賺取收益。

FLock.io 現正式開放委託人參與功能，任何用戶均可通過質押 FML 代幣來獲取收益，並且可以根據預期年化收益率選擇最優節點從而最大化自己的質押收益。Flock 還表示，測試網階段的質押和相關操作將影響未來主網上線后的潛在空投獎勵。

未來，FLock 還計劃推出更加友好的任務發起機制，讓沒有 AI 專業知識的個人用戶也能夠輕鬆參与到 AI 模型的創建和訓練中，實現「人人皆可參与 AI」的願景。同時，Flock 還在积極展開多方面合作，例如與 Request Finance 合作開發鏈上信用評分模型，與 Morpheus 及 Ritual 合作構建交易機器人模型 提供一鍵部署的訓練節點模板使得開發者能夠輕鬆在 Akash 上啟動和運行模型訓練。此外，Flock 還為 Aptos 訓練了服務開發者的 Move 語言編程助手。

總體來看，儘管 Bittensor 和 Flock 在市場定位上存在差異，但二者都在嘗試通過不同的去中心化技術架構來重新定義 AI 生態中的生產關係，它們的共同目標都是打破中心化巨頭對 AI 資源的垄斷，構建一個更加開放和公平的 AI 生態體系，而這也正是目前市場所迫切需要的。