Introdurre i contratti intelligenti nel federated learning: come Flock sta rimodellando le relazioni di produzione dell’AI?

In futuro, FLock prevede inoltre di lanciare un meccanismo di avvio dei task ancora più user-friendly, per realizzare la visione di "AI per tutti".

Autore: LINDABELL

Nell'ultima ondata di entusiasmo per l'AI decentralizzata, progetti di punta come Bittensor, io.net e Olas sono rapidamente diventati leader del settore grazie alle loro tecnologie innovative e alla loro visione lungimirante. Tuttavia, con la crescita costante della valutazione di questi progetti consolidati, la soglia di partecipazione per gli investitori comuni è diventata sempre più alta. Di fronte all'attuale rotazione dei settori, esistono ancora nuove opportunità di partecipazione?

Flock: rete decentralizzata per l'addestramento e la validazione dell'AI

Flock è una piattaforma decentralizzata per l'addestramento e l'applicazione di modelli AI, che combina il federated learning con la tecnologia blockchain, offrendo agli utenti un ambiente sicuro per l'addestramento e la gestione dei modelli, proteggendo al contempo la privacy dei dati e garantendo una partecipazione equa della comunità. Il termine Flock è entrato per la prima volta nell'opinione pubblica nel 2022, quando il team fondatore ha pubblicato congiuntamente un articolo accademico intitolato "FLock: Defending malicious behaviors in federated learning with blockchain", proponendo l'idea di introdurre la blockchain nel federated learning per prevenire comportamenti malevoli. L'articolo spiega come rafforzare la sicurezza dei dati e la protezione della privacy nel processo di addestramento dei modelli tramite meccanismi decentralizzati e rivela anche il potenziale di questa nuova architettura nell'ambito del calcolo distribuito.

Dopo una fase iniziale di proof of concept, nel 2023 Flock ha lanciato la rete AI decentralizzata multi-Agent Flock Research. In Flock Research, ogni Agent è un modello linguistico di grandi dimensioni (LLM) ottimizzato per un settore specifico, in grado di collaborare per offrire agli utenti approfondimenti in diversi ambiti. Successivamente, a metà maggio 2024, Flock ha ufficialmente aperto la testnet della piattaforma di addestramento AI decentralizzata, consentendo agli utenti di partecipare all'addestramento e al fine-tuning dei modelli utilizzando il token di test FML e di ricevere ricompense. Al 30 settembre 2024, il numero di ingegneri AI attivi giornalieri sulla piattaforma Flock ha superato le 300 persone, con oltre 15.000 modelli presentati in totale.

Con il continuo sviluppo del progetto, Flock ha attirato anche l'attenzione dei mercati finanziari. A marzo di quest'anno, Flock ha completato un round di finanziamento da 6 milioni di dollari guidato da Lightspeed Faction e Tagus Capital, con la partecipazione di DCG, OKX Ventures, Inception Capital e Volt Capital. È degno di nota che Flock è stato anche l'unico progetto di infrastruttura AI a ricevere una sovvenzione nel round di finanziamento accademico della Ethereum Foundation nel 2024.

La pietra angolare per rimodellare le relazioni produttive dell'AI: introdurre smart contract nel federated learning

Il federated learning è un metodo di machine learning che consente a più entità (solitamente chiamate client) di addestrare congiuntamente un modello mantenendo i dati localmente. A differenza del machine learning tradizionale, il federated learning evita di caricare tutti i dati su un server centrale, proteggendo così la privacy degli utenti tramite il calcolo locale. Attualmente, il federated learning è già stato applicato in diversi scenari reali: ad esempio, Google ha introdotto il federated learning nella sua tastiera Gboard dal 2017 per ottimizzare i suggerimenti di input e la previsione del testo, garantendo che i dati degli utenti non vengano caricati. Anche Tesla utilizza tecnologie simili nei suoi sistemi di guida autonoma, migliorando localmente la percezione ambientale dei veicoli e riducendo la necessità di trasferire enormi quantità di dati video.

Tuttavia, queste applicazioni presentano ancora alcune problematiche, soprattutto in termini di privacy e sicurezza. Innanzitutto, gli utenti devono fidarsi di terze parti centralizzate; inoltre, durante la trasmissione e l'aggregazione dei parametri del modello, è necessario prevenire che nodi malevoli carichino dati falsi o parametri dannosi, causando deviazioni nelle prestazioni complessive del modello o addirittura risultati errati. Secondo una ricerca pubblicata dal team FLock sulla rivista IEEE, la precisione dei modelli federated learning tradizionali scende al 96,3% in presenza del 10% di nodi malevoli, mentre con il 30% e il 40% di nodi malevoli la precisione scende rispettivamente all'80,1% e al 70,9%.

Per risolvere questi problemi, Flock ha introdotto smart contract on-chain come "motore di fiducia" nella sua architettura di federated learning. Gli smart contract, in quanto motore di fiducia, consentono la raccolta e la validazione automatica dei parametri in un ambiente decentralizzato e la pubblicazione imparziale dei risultati del modello, prevenendo efficacemente la manipolazione dei dati da parte di nodi malevoli. Rispetto alle soluzioni federated learning tradizionali, anche con il 40% di nodi malevoli, la precisione del modello FLock rimane superiore al 95,5%.

Posizionamento come execution layer AI: analisi dell'architettura a tre livelli di FLock

Uno dei principali punti dolenti dell'attuale settore AI è che le risorse per l'addestramento dei modelli e l'utilizzo dei dati sono ancora fortemente concentrate nelle mani di poche grandi aziende, rendendo difficile per sviluppatori e utenti comuni accedere efficacemente a tali risorse. Di conseguenza, gli utenti possono solo utilizzare modelli standardizzati pre-costruiti, senza possibilità di personalizzazione in base alle proprie esigenze. Questo disallineamento tra domanda e offerta fa sì che, anche se il mercato dispone di abbondanti capacità di calcolo e riserve di dati, queste non possano essere convertite in modelli e applicazioni realmente utilizzabili.

Per affrontare questo problema, Flock mira a diventare un sistema di orchestrazione efficace per domanda, risorse, capacità di calcolo e dati. Ispirandosi allo stack tecnologico Web3, Flock si posiziona come "execution layer", poiché la sua funzione principale è assegnare le richieste AI personalizzate degli utenti ai vari nodi decentralizzati per l'addestramento, orchestrando questi task a livello globale tramite smart contract.

Allo stesso tempo, per garantire equità ed efficienza dell'intero ecosistema, il sistema FLock si occupa anche di "settlement" e "consensus". Il settlement riguarda l'incentivazione e la gestione dei contributi dei partecipanti, premiando o penalizzando in base al completamento dei task. Il consensus valuta e ottimizza la qualità dei risultati dell'addestramento, assicurando che il modello finale rappresenti la soluzione globale ottimale.

L'architettura complessiva di FLock è composta da tre moduli principali: AI Arena, FL Alliance e AI Marketplace. AI Arena si occupa dell'addestramento di base decentralizzato dei modelli, FL Alliance gestisce il fine-tuning tramite smart contract, mentre AI Marketplace è il mercato finale delle applicazioni dei modelli.

AI Arena: incentivi per l'addestramento e la validazione dei modelli locali

AI Arena è la piattaforma decentralizzata di addestramento AI di Flock, dove gli utenti possono partecipare depositando il token FML della testnet Flock e ricevere ricompense di staking. Una volta definito il modello desiderato e inviato il task, i nodi di addestramento in AI Arena utilizzano localmente l'architettura del modello iniziale fornita per l'addestramento, senza dover caricare i dati su un server centralizzato. Al termine dell'addestramento di ciascun nodo, dei validatori valutano il lavoro svolto, controllando la qualità del modello e assegnando un punteggio. Chi non desidera partecipare alla validazione può delegare i propri token ai validatori per ricevere ricompense.

In AI Arena, il meccanismo di ricompensa per tutti i ruoli dipende da due fattori chiave: la quantità di staking e la qualità del task. La quantità di staking rappresenta l'"impegno" del partecipante, mentre la qualità del task misura il valore del suo contributo. Ad esempio, la ricompensa dei nodi di addestramento dipende dalla quantità di staking e dal ranking della qualità del modello presentato, mentre quella dei validatori dipende dalla coerenza tra il voto espresso e il consensus, dalla quantità di token in staking e dal numero e successo delle validazioni. I deleganti guadagnano in base ai validatori scelti e alla quantità di staking.

AI Arena supporta il training di modelli di machine learning tradizionali e consente agli utenti di scegliere se utilizzare dati locali o pubblici sui propri dispositivi per massimizzare le prestazioni del modello finale. Attualmente, sulla testnet pubblica di AI Arena sono attivi 496 nodi di addestramento, 871 nodi di validazione e 72 utenti deleganti. Il tasso di staking sulla piattaforma è del 97,74%, con un rendimento medio mensile del 40,57% per i nodi di addestramento e del 24,70% per i nodi di validazione.

FL Alliance: piattaforma di fine-tuning gestita automaticamente tramite smart contract

I modelli con il punteggio più alto su AI Arena vengono selezionati come "modelli di consensus" e assegnati a FL Alliance per ulteriori operazioni di fine-tuning. Il fine-tuning avviene in più round. All'inizio di ogni round, il sistema crea automaticamente uno smart contract FL relativo al task, che gestisce in modo automatico l'esecuzione del task e le ricompense. Anche in questo caso, ogni partecipante deve depositare una certa quantità di token FML. I partecipanti vengono assegnati casualmente come proponenti o votanti: i proponenti utilizzano i propri dataset locali per addestrare il modello e caricano i parametri o i pesi del modello addestrato agli altri partecipanti. I votanti aggregano e valutano tramite voto i risultati degli aggiornamenti dei proponenti. Tutti i risultati vengono poi inviati allo smart contract, che confronta il punteggio di ogni round con quello precedente per valutare i progressi o il peggioramento delle prestazioni del modello. Se il punteggio migliora, il sistema passa alla fase successiva di addestramento; se peggiora, si utilizza il modello validato nel round precedente per iniziare un nuovo ciclo di addestramento, aggregazione e valutazione.

FL Alliance, combinando federated learning e smart contract, consente a più partecipanti di addestrare congiuntamente un modello globale garantendo la sovranità dei dati. Inoltre, integrando dati diversi e aggregando i pesi, è possibile costruire un modello globale più performante e potente. I partecipanti dimostrano il proprio impegno tramite lo staking dei token e ricevono ricompense in base alla qualità del modello e ai risultati del consensus, creando un ecosistema equo e trasparente.

AI Marketplace: come offrire servizi AI personalizzati?

Dopo l'addestramento in AI Arena e il fine-tuning in FL Alliance, i modelli vengono infine distribuiti su AI Marketplace, dove possono essere richiamati da altre applicazioni. Diversamente dai tradizionali "mercati dei modelli", AI Marketplace non offre solo modelli pronti all'uso, ma permette anche agli utenti di modificarli ulteriormente e integrare nuove fonti di dati per adattarsi a diversi scenari applicativi. Inoltre, AI Marketplace integra la tecnologia RAG (Retrieval-Augmented Generation) per migliorare la precisione dei modelli in settori specifici. RAG è un metodo che potenzia i grandi modelli linguistici recuperando informazioni rilevanti da knowledge base esterne durante la generazione delle risposte, garantendo risposte più accurate e personalizzate.

Attualmente, su AI Marketplace sono già disponibili numerosi modelli GPT personalizzati per diversi scenari applicativi, tra cui BTC GPT, Farcaster GPT, Scroll GPT, Ethereum GPT e altri. Prendiamo BTC GPT come esempio per comprendere la differenza tra modelli personalizzati e modelli generici.

Nel dicembre 2023, ponendo contemporaneamente la domanda "Cos'è ARC20?" a BTC GPT e ChatGPT:

• Risposta di BTC GPT: "Il protocollo ARC20 è un protocollo costruito sulla rete Bitcoin che consente agli utenti di creare, trasferire e aggiornare oggetti digitali, come NFT e token fungibili. Tramite il protocollo ARC20, è possibile generare NFT non fungibili e token fungibili sulla rete Bitcoin. Il token principale del protocollo ARC20 è ATOM, utilizzato per vari scopi all'interno del protocollo."
• Risposta di ChatGPT: "Fino al mio ultimo aggiornamento delle conoscenze nel gennaio 2022, non esisteva uno standard o una tecnologia ampiamente riconosciuta chiamata ARC20 nei settori tecnologico, finanziario o altri settori comuni. Potrebbe essere emersa una nuova tecnologia o standard chiamato ARC20 dopo tale data, ma non ho informazioni a riguardo."

Dalle risposte si può notare l'importanza e il vantaggio dei modelli GPT personalizzati. Diversamente dai modelli linguistici generici, i modelli GPT personalizzati possono essere addestrati su dati specifici di settore, offrendo risposte più precise.

Entrambi supportati da DCG: quali sono le differenze tra Flock e Bittensor?

Con il ritorno di interesse per il settore AI, il token di Bittensor, uno dei progetti rappresentativi dell'AI decentralizzata, è aumentato di oltre il 93,7% negli ultimi 30 giorni, avvicinandosi al massimo storico, con una capitalizzazione di mercato che ha nuovamente superato i 4 billions di dollari. È interessante notare che DCG, investitore di Flock, è anche uno dei maggiori validatori e miner nell'ecosistema Bittensor. Secondo fonti informate, DCG detiene circa 100 millions di TAO e, in un articolo di "Business Insider" del 2021, l'investitore DCG Matthew Beck ha raccomandato Bittensor tra le 53 startup crypto più promettenti.

Sebbene entrambi i progetti siano supportati da DCG, FLock e Bittensor hanno focus diversi. In termini di posizionamento, Bittensor mira a costruire un internet AI decentralizzato, utilizzando le "Subnet" come unità di base: ogni subnet equivale a un mercato decentralizzato, in cui i partecipanti possono unirsi come "miner" o "validator". Attualmente, l'ecosistema Bittensor conta 49 subnet, che coprono ambiti come text-to-speech, content generation e fine-tuning di grandi modelli linguistici.

Dallo scorso anno, Bittensor è stato al centro dell'attenzione del mercato. Da un lato, per il rapido aumento del prezzo del token, passato da 80 dollari nell'ottobre 2023 al massimo di 730 dollari di quest'anno. Dall'altro, per le numerose critiche, tra cui dubbi sulla sostenibilità del modello che si basa sugli incentivi dei token per attrarre sviluppatori. Inoltre, nell'ecosistema Bittensor, i primi tre validatori (Opentensor Foundation, Taostats & Corcel, Foundry) detengono complessivamente quasi il 40% dei TAO in staking, sollevando preoccupazioni sulla reale decentralizzazione.

A differenza di Bittensor, FLock introduce la blockchain nel federated learning, puntando a offrire servizi AI personalizzati agli utenti. Flock si definisce "l'Uber dell'AI", fungendo da sistema di orchestrazione decentralizzato che abbina le richieste AI agli sviluppatori, gestendo automaticamente tramite smart contract on-chain l'assegnazione dei task, la validazione dei risultati e la distribuzione delle ricompense, garantendo che ogni partecipante riceva una quota equa in base al proprio contributo. Tuttavia, come Bittensor, oltre a diventare nodi di addestramento e validatori, Flock offre agli utenti anche l'opzione di partecipare come deleganti.

In particolare:

• Nodi di addestramento: partecipano alla competizione per i task AI tramite staking di token, adatti a utenti con capacità di calcolo ed esperienza nello sviluppo AI.
• Validatori: anch'essi devono depositare token per partecipare alla rete, sono responsabili della validazione della qualità dei modelli dei miner e, tramite la presentazione delle valutazioni, influenzano la distribuzione delle ricompense.
• Deleganti: delegano i token ai nodi miner e validatori per aumentare il peso dei nodi nell'assegnazione dei task e condividere le ricompense dei nodi delegati. In questo modo, anche gli utenti senza competenze tecniche per addestrare o validare task possono partecipare alla rete e guadagnare.

FLock.io ha ora ufficialmente aperto la funzione di partecipazione per i deleganti: qualsiasi utente può guadagnare ricompense depositando token FML e scegliere i nodi ottimali in base al rendimento annuo previsto per massimizzare i propri guadagni. Flock ha inoltre dichiarato che lo staking e le relative operazioni durante la fase di testnet influenzeranno le potenziali ricompense airdrop dopo il lancio della mainnet.

In futuro, FLock prevede di lanciare meccanismi di avvio dei task ancora più user-friendly, consentendo anche agli utenti privi di competenze AI di partecipare facilmente alla creazione e all'addestramento dei modelli AI, realizzando la visione di "AI per tutti". Allo stesso tempo, Flock sta attivamente collaborando su più fronti, ad esempio con Request Finance per sviluppare modelli di credit scoring on-chain, con Morpheus e Ritual per costruire modelli di trading bot, fornendo template di nodi di addestramento one-click per consentire agli sviluppatori di avviare e gestire facilmente l'addestramento dei modelli su Akash. Inoltre, Flock ha addestrato un assistente di programmazione in linguaggio Move per gli sviluppatori Aptos.

In generale, sebbene Bittensor e Flock differiscano nel posizionamento di mercato, entrambi stanno cercando di ridefinire le relazioni produttive nell'ecosistema AI tramite diverse architetture tecnologiche decentralizzate. Il loro obiettivo comune è rompere il monopolio delle grandi aziende centralizzate sulle risorse AI e costruire un ecosistema AI più aperto ed equo, che è esattamente ciò di cui il mercato ha urgente bisogno.