Introduzindo contratos inteligentes ao aprendizado federado: como Flock está remodelando as relações de produção de IA?

No futuro, a FLock também planeja lançar um mecanismo de iniciação de tarefas mais amigável, a fim de realizar a visão de "IA para todos".

Autor: LINDABELL

Na última onda de entusiasmo por IA descentralizada, projetos de destaque como Bittensor, io.net e Olas rapidamente se tornaram líderes do setor graças à sua tecnologia inovadora e visão de futuro. No entanto, à medida que a valorização desses projetos tradicionais aumenta, a barreira de entrada para investidores comuns também se eleva. Diante da atual rotação de setores, ainda existem novas oportunidades de participação?

Flock: Rede descentralizada de treinamento e validação de IA

Flock é uma plataforma descentralizada de treinamento e aplicação de modelos de IA, que combina aprendizado federado e tecnologia blockchain para fornecer aos usuários um ambiente seguro de treinamento e gerenciamento de modelos, protegendo a privacidade dos dados e promovendo a participação justa da comunidade. O termo Flock entrou no radar público pela primeira vez em 2022, quando sua equipe fundadora publicou em conjunto um artigo acadêmico intitulado "FLock: Defending malicious behaviors in federated learning with blockchain", propondo a introdução do blockchain no aprendizado federado para prevenir comportamentos maliciosos. O artigo explica como mecanismos descentralizados podem fortalecer a segurança dos dados e a proteção da privacidade durante o treinamento de modelos, além de revelar o potencial dessa nova arquitetura em computação distribuída.

Após a validação inicial do conceito, a Flock lançou em 2023 a rede descentralizada de IA multi-Agente Flock Research. No Flock Research, cada Agente é um modelo de linguagem grande (LLM) ajustado para um domínio específico, capaz de colaborar para fornecer insights em diferentes áreas aos usuários. Em meados de maio de 2024, a Flock abriu oficialmente a testnet da plataforma descentralizada de treinamento de IA, permitindo que os usuários participem do treinamento e ajuste fino de modelos usando o token de teste FML e recebam recompensas. Até 30 de setembro de 2024, o número diário de engenheiros de IA ativos na plataforma Flock ultrapassou 300, com mais de 15.000 modelos submetidos no total.

Com o desenvolvimento contínuo do projeto, a Flock também atraiu a atenção do mercado de capitais. Em março deste ano, a Flock concluiu uma rodada de financiamento de 6 milhões de dólares liderada por Lightspeed Faction e Tagus Capital, com participação de DCG, OKX Ventures, Inception Capital e Volt Capital. Vale destacar que a Flock foi o único projeto de infraestrutura de IA a receber subsídio na rodada de financiamento acadêmico da Ethereum Foundation em 2024.

O alicerce para remodelar as relações de produção em IA: introduzindo contratos inteligentes no aprendizado federado

O aprendizado federado (Federated Learning) é um método de aprendizado de máquina que permite que múltiplas entidades (geralmente chamadas de clientes) treinem modelos em conjunto, mantendo os dados armazenados localmente. Diferente do aprendizado de máquina tradicional, o aprendizado federado evita o upload de todos os dados para um servidor central, protegendo a privacidade do usuário por meio de computação local. Atualmente, o aprendizado federado já é aplicado em vários cenários práticos, como o Google, que desde 2017 o utiliza no Gboard para otimizar sugestões de entrada e previsão de texto, garantindo que os dados dos usuários não sejam enviados para a nuvem. A Tesla também aplica tecnologia semelhante em seu sistema de direção autônoma, aprimorando a percepção ambiental dos veículos localmente e reduzindo a necessidade de transferir grandes volumes de dados de vídeo.

No entanto, essas aplicações ainda apresentam alguns problemas, especialmente em relação à privacidade e segurança. Primeiro, os usuários precisam confiar em terceiros centralizados; segundo, durante a transmissão e agregação dos parâmetros do modelo, é necessário evitar que nós maliciosos enviem dados ou parâmetros falsos, o que pode causar desvios no desempenho do modelo ou até resultados de previsão incorretos. Segundo pesquisa publicada pela equipe da FLock na revista IEEE, modelos tradicionais de aprendizado federado têm sua precisão reduzida para 96,3% na presença de 10% de nós maliciosos, caindo para 80,1% e 70,9% quando a proporção de nós maliciosos aumenta para 30% e 40%, respectivamente.

Para resolver esses problemas, a Flock introduziu contratos inteligentes em blockchain como "motores de confiança" em sua arquitetura de aprendizado federado. Os contratos inteligentes, atuando como motores de confiança, permitem a coleta e validação automatizada de parâmetros em um ambiente descentralizado, além de publicar resultados de modelos de forma imparcial, prevenindo efetivamente a manipulação de dados por nós maliciosos. Em comparação com soluções tradicionais de aprendizado federado, mesmo com 40% dos nós sendo maliciosos, a precisão do modelo da FLock permanece acima de 95,5%.

Posicionamento na camada de execução de IA: análise da arquitetura em três camadas da FLock

Um dos principais desafios atuais no campo da IA é que os recursos para treinamento de modelos e uso de dados ainda estão altamente concentrados nas mãos de algumas grandes empresas, dificultando o acesso efetivo de desenvolvedores e usuários comuns. Assim, os usuários só podem utilizar modelos padronizados pré-construídos, sem possibilidade de personalização conforme suas necessidades. Esse descompasso entre oferta e demanda faz com que, mesmo havendo abundância de capacidade computacional e dados no mercado, eles não sejam convertidos em modelos e aplicações realmente utilizáveis.

Para resolver esse problema, a Flock busca ser um sistema de coordenação eficiente de demandas, recursos, capacidade computacional e dados. Inspirando-se na stack tecnológica Web3, a Flock se posiciona como "camada de execução", pois sua principal função é distribuir as demandas personalizadas de IA dos usuários para nós descentralizados para treinamento, utilizando contratos inteligentes para orquestrar a execução dessas tarefas globalmente.

Além disso, para garantir a justiça e eficiência do ecossistema, o sistema FLock também é responsável por "liquidação" e "consenso". Liquidação refere-se ao incentivo e gerenciamento das contribuições dos participantes, recompensando ou punindo conforme o desempenho nas tarefas. O consenso avalia e otimiza a qualidade dos resultados do treinamento, garantindo que o modelo final represente a solução globalmente ótima.

A arquitetura do produto FLock é composta por três módulos principais: AI Arena, FL Alliance e AI Marketplace. O AI Arena é responsável pelo treinamento básico descentralizado de modelos, o FL Alliance cuida do ajuste fino dos modelos sob mecanismos de contratos inteligentes, e o AI Marketplace é o mercado final de aplicações dos modelos.

AI Arena: treinamento local de modelos e incentivos à validação

AI Arena é a plataforma descentralizada de treinamento de IA da Flock, onde os usuários podem participar apostando o token FML da testnet da Flock e receber recompensas correspondentes. Após definir o modelo desejado e submeter a tarefa, os nós de treinamento do AI Arena utilizam localmente a arquitetura inicial do modelo para treinamento, sem necessidade de upload dos dados para um servidor centralizado. Após o treinamento em cada nó, validadores avaliam o trabalho dos nós de treinamento, verificando a qualidade do modelo e atribuindo pontuações. Quem não quiser participar do processo de validação pode delegar tokens aos validadores para receber recompensas.

No AI Arena, o mecanismo de recompensa de todos os papéis depende de dois fatores principais: quantidade apostada e qualidade da tarefa. A quantidade apostada representa o "compromisso" do participante, enquanto a qualidade da tarefa mede sua contribuição. Por exemplo, a recompensa dos nós de treinamento depende da quantidade apostada e da classificação da qualidade do modelo submetido; a recompensa dos validadores depende da consistência dos votos com o consenso, quantidade de tokens apostados, número de participações e sucessos na validação. O rendimento dos delegadores depende do validador escolhido e da quantidade apostada.

O AI Arena suporta o modo tradicional de treinamento de modelos de aprendizado de máquina, permitindo que os usuários escolham usar dados locais em seus próprios dispositivos ou dados públicos para treinamento, maximizando o desempenho final do modelo. Atualmente, a testnet pública do AI Arena conta com 496 nós de treinamento ativos, 871 nós de validação e 72 usuários delegadores. A taxa de staking da plataforma está em 97,74%, com rendimento médio mensal de 40,57% para nós de treinamento e 24,70% para nós de validação.

FL Alliance: plataforma de ajuste fino gerida automaticamente por contratos inteligentes

Os modelos com melhor pontuação no AI Arena são selecionados como "modelos de consenso" e encaminhados ao FL Alliance para ajuste fino adicional. O ajuste fino ocorre em múltiplas rodadas. No início de cada rodada, o sistema cria automaticamente um contrato inteligente FL relacionado à tarefa, que gerencia automaticamente a execução e as recompensas. Da mesma forma, cada participante deve apostar uma quantidade de tokens FML. Os participantes são aleatoriamente designados como proponentes ou votantes: os proponentes usam seus próprios conjuntos de dados locais para treinar o modelo e enviam os parâmetros ou pesos treinados aos demais participantes; os votantes agregam e avaliam as atualizações dos modelos dos proponentes por meio de votação. Todos os resultados são então submetidos ao contrato inteligente, que compara a pontuação de cada rodada com a anterior para avaliar o progresso ou regressão do desempenho do modelo. Se a pontuação melhorar, o sistema avança para a próxima etapa de treinamento; se piorar, o modelo validado na rodada anterior é usado para iniciar uma nova rodada de treinamento, agregação e avaliação.

O FL Alliance, ao combinar aprendizado federado e contratos inteligentes, permite que múltiplos participantes treinem juntos um modelo global, mantendo a soberania dos dados. Ao integrar diferentes conjuntos de dados e agregar pesos, é possível construir um modelo global mais eficiente e poderoso. Além disso, os participantes demonstram compromisso ao apostar tokens e recebem recompensas conforme a qualidade do modelo e os resultados do consenso, formando um ecossistema justo e transparente.

AI Marketplace: como fornecer serviços de IA personalizados?

Após o treinamento no AI Arena e o ajuste fino no FL Alliance, os modelos são finalmente implantados no AI Marketplace, onde podem ser utilizados por outros aplicativos. Diferente dos "mercados de modelos" tradicionais, o AI Marketplace não só oferece modelos prontos, mas também permite que os usuários modifiquem os modelos e integrem novas fontes de dados para diferentes cenários de aplicação. Além disso, o AI Marketplace integra a tecnologia RAG (Retrieval-Augmented Generation), que aprimora a precisão dos modelos em domínios específicos. O RAG é um método que melhora grandes modelos de linguagem, recuperando informações relevantes de bases de conhecimento externas durante a geração de respostas, garantindo maior precisão e personalização.

Atualmente, o AI Marketplace já lançou diversos modelos GPT personalizados para diferentes cenários, incluindo BTC GPT, Farcaster GPT, Scroll GPT, Ethereum GPT, entre outros. Podemos usar o BTC GPT como exemplo para entender a diferença entre modelos personalizados e modelos genéricos.

Em dezembro de 2023, ao perguntar simultaneamente ao BTC GPT e ao ChatGPT "O que é ARC20?":

• Resposta do BTC GPT: "O protocolo ARC20 é construído sobre a rede Bitcoin, permitindo que os usuários criem, transfiram e atualizem itens digitais, como NFTs e tokens fungíveis. Com o protocolo ARC20, é possível gerar NFTs não fungíveis e tokens fungíveis na rede Bitcoin. O principal token do protocolo ARC20 é o ATOM, utilizado para várias funções dentro do protocolo."
• Resposta do ChatGPT: "Até minha última atualização de conhecimento em janeiro de 2022, não havia nenhum padrão ou tecnologia amplamente reconhecida chamada ARC20 nos campos de tecnologia, finanças ou outros. Pode ser que uma nova tecnologia ou padrão chamado ARC20 tenha surgido depois disso, mas não tenho informações a respeito."

As respostas mostram a importância e as vantagens dos modelos GPT personalizados. Diferente dos modelos de linguagem genéricos, os modelos GPT personalizados podem ser treinados com dados específicos de um domínio, fornecendo respostas mais precisas.

Ambos com apoio da DCG, quais as semelhanças e diferenças entre Flock e Bittensor?

Com a recuperação do setor de IA, o token do Bittensor, um dos principais projetos de IA descentralizada, subiu mais de 93,7% nos últimos 30 dias, chegando próximo ao seu recorde histórico, com valor de mercado ultrapassando novamente 4 bilhões de dólares. Vale notar que a DCG, investidora da Flock, também é um dos maiores validadores e mineradores do ecossistema Bittensor. Segundo fontes, a DCG detém cerca de 100 milhões de dólares em TAO, e em um artigo da "Business Insider" de 2021, o investidor da DCG Matthew Beck recomendou o Bittensor como uma das 53 startups cripto mais promissoras.

Apesar de ambos serem apoiados pela DCG, FLock e Bittensor têm focos diferentes. Especificamente, o Bittensor visa construir uma internet de IA descentralizada, utilizando "subnets" como unidades básicas, cada uma funcionando como um mercado descentralizado onde participantes podem atuar como "mineradores" ou "validadores". Atualmente, o ecossistema Bittensor possui 49 subnets, abrangendo áreas como conversão de texto em fala, geração de conteúdo e ajuste fino de grandes modelos de linguagem.

Desde o ano passado, o Bittensor tem sido o centro das atenções do mercado. Por um lado, devido à rápida valorização do seu token, que saltou de 80 dólares em outubro de 2023 para o pico de 730 dólares este ano. Por outro lado, surgiram várias dúvidas, incluindo se o modelo de atrair desenvolvedores por meio de incentivos de tokens é sustentável. Além disso, no ecossistema Bittensor, os três maiores validadores (Opentensor Foundation, Taostats & Corcel, Foundry) detêm juntos quase 40% do staking de TAO, levantando preocupações sobre o grau de descentralização.

Diferente do Bittensor, a FLock busca fornecer serviços de IA personalizados aos usuários ao introduzir blockchain no aprendizado federado. A Flock se posiciona como o "Uber do setor de IA", atuando como um "sistema de orquestração descentralizado" que conecta demandas de IA e desenvolvedores, gerenciando automaticamente a distribuição de tarefas, validação de resultados e liquidação de recompensas por meio de contratos inteligentes on-chain, garantindo que cada participante seja recompensado de forma justa conforme sua contribuição. Mas, assim como o Bittensor, além de atuar como nó de treinamento e validador, a Flock também oferece a opção de participação por delegação aos usuários.

Especificamente:

• Nós de treinamento: participam da competição de tarefas de IA apostando tokens, ideal para usuários com capacidade computacional e experiência em desenvolvimento de IA.
• Validadores: também precisam apostar tokens para participar da rede, sendo responsáveis por validar a qualidade dos modelos dos mineradores e influenciar a distribuição de recompensas por meio das avaliações submetidas.
• Delegadores: delegam tokens a nós de mineradores e validadores para aumentar o peso desses nós na distribuição de tarefas, compartilhando as recompensas dos nós delegados. Dessa forma, mesmo usuários sem habilidades técnicas para treinar ou validar tarefas podem participar da rede e obter rendimentos.

O FLock.io agora abriu oficialmente a função de participação para delegadores, permitindo que qualquer usuário obtenha rendimentos apostando tokens FML e escolha os melhores nós com base na taxa de rendimento anual esperada para maximizar seus ganhos. A Flock também afirmou que o staking e as operações realizadas durante a fase de testnet influenciarão as potenciais recompensas de airdrop após o lançamento da mainnet.

No futuro, a FLock também planeja lançar mecanismos de iniciação de tarefas ainda mais amigáveis, permitindo que usuários individuais sem conhecimento especializado em IA participem facilmente da criação e treinamento de modelos de IA, realizando a visão de "IA para todos". Ao mesmo tempo, a Flock está promovendo diversas colaborações, como o desenvolvimento de modelos de pontuação de crédito on-chain em parceria com a Request Finance, construção de modelos de robôs de negociação com Morpheus e Ritual, fornecimento de templates de nós de treinamento de implantação com um clique para que desenvolvedores possam facilmente iniciar e executar o treinamento de modelos na Akash. Além disso, a Flock treinou um assistente de programação em linguagem Move para desenvolvedores da Aptos.

No geral, embora Bittensor e Flock tenham posicionamentos de mercado diferentes, ambos buscam redefinir as relações de produção no ecossistema de IA por meio de diferentes arquiteturas tecnológicas descentralizadas. O objetivo comum é romper o monopólio das grandes empresas centralizadas sobre os recursos de IA e construir um ecossistema de IA mais aberto e justo, algo que o mercado atualmente necessita com urgência.