Introduciendo contratos inteligentes en el aprendizaje federado: ¿Cómo Flock está transformando las relaciones de producción en la IA?

En el futuro, FLock también planea lanzar un mecanismo de inicio de tareas más amigable, con el objetivo de lograr la visión de "IA para todos".

Escrito por: LINDABELL

En la anterior ola de entusiasmo por la IA descentralizada, proyectos destacados como Bittensor, io.net y Olas se convirtieron rápidamente en líderes del sector gracias a su tecnología innovadora y su visión de futuro. Sin embargo, a medida que la valoración de estos proyectos consolidados sigue aumentando, la barrera de entrada para los inversores comunes es cada vez más alta. Entonces, frente a la actual rotación de sectores, ¿existen nuevas oportunidades de participación?

Flock: Red descentralizada para entrenamiento y validación de IA

Flock es una plataforma descentralizada para el entrenamiento y la aplicación de modelos de IA, que combina el aprendizaje federado con la tecnología blockchain para ofrecer a los usuarios un entorno seguro para el entrenamiento y la gestión de modelos, protegiendo al mismo tiempo la privacidad de los datos y fomentando la participación justa de la comunidad. El término Flock apareció por primera vez en el ojo público en 2022, cuando su equipo fundador publicó conjuntamente un artículo académico titulado "FLock: Defending malicious behaviors in federated learning with blockchain", en el que se propuso la idea de introducir blockchain en el aprendizaje federado para prevenir comportamientos maliciosos. El artículo explica cómo fortalecer la seguridad de los datos y la protección de la privacidad durante el proceso de entrenamiento de modelos mediante mecanismos descentralizados, y también revela el potencial de esta nueva arquitectura en la computación distribuida.

Tras la validación inicial del concepto, Flock lanzó en 2023 la red descentralizada multi-Agent de IA Flock Research. En Flock Research, cada Agent es un modelo de lenguaje grande (LLM) ajustado para un campo específico, capaz de colaborar para ofrecer a los usuarios perspectivas de diferentes áreas. Posteriormente, a mediados de mayo de 2024, Flock abrió oficialmente la testnet de su plataforma descentralizada de entrenamiento de IA, permitiendo a los usuarios participar en el entrenamiento y ajuste fino de modelos utilizando el token de prueba FML y recibir recompensas. Hasta el 30 de septiembre de 2024, el número de ingenieros de IA activos diarios en la plataforma Flock superó los 300, y el número acumulado de modelos presentados alcanzó más de 15,000.

Con el desarrollo continuo del proyecto, Flock también ha atraído la atención del mercado de capitales. En marzo de este año, Flock completó una ronda de financiación de 6 millones de dólares liderada por Lightspeed Faction y Tagus Capital, con la participación de DCG, OKX Ventures, Inception Capital y Volt Capital. Cabe destacar que Flock fue el único proyecto de infraestructura de IA que recibió una subvención en la ronda académica de la Ethereum Foundation en 2024.

Piedra angular para remodelar las relaciones de producción de IA: introducción de contratos inteligentes en el aprendizaje federado

El aprendizaje federado (Federated Learning) es un método de aprendizaje automático que permite a múltiples entidades (normalmente denominadas clientes) entrenar conjuntamente un modelo, asegurando que los datos permanezcan almacenados localmente. A diferencia del aprendizaje automático tradicional, el aprendizaje federado evita subir todos los datos a un servidor central, protegiendo así la privacidad del usuario mediante el cálculo local. Actualmente, el aprendizaje federado ya se aplica en varios escenarios prácticos, por ejemplo, Google lo introdujo en su teclado Gboard desde 2017 para optimizar las sugerencias de entrada y la predicción de texto, asegurando que los datos de entrada del usuario no se suban. Tesla también utiliza tecnología similar en su sistema de conducción autónoma, mejorando la percepción ambiental de los vehículos de manera local y reduciendo la necesidad de transferir grandes volúmenes de datos de video.

Sin embargo, estas aplicaciones aún presentan algunos problemas, especialmente en cuanto a privacidad y seguridad. En primer lugar, los usuarios deben confiar en terceros centralizados; en segundo lugar, durante la transmisión y agregación de los parámetros del modelo, es necesario prevenir que nodos maliciosos suban datos o parámetros falsos, lo que podría sesgar el rendimiento general del modelo o incluso generar resultados de predicción erróneos. Según una investigación publicada por el equipo de FLock en la revista IEEE, la precisión de los modelos tradicionales de aprendizaje federado cae al 96.3% cuando hay un 10% de nodos maliciosos, y baja al 80.1% y 70.9% cuando la proporción de nodos maliciosos aumenta al 30% y 40%, respectivamente.

Para resolver estos problemas, Flock ha introducido contratos inteligentes en blockchain como "motor de confianza" en su arquitectura de aprendizaje federado. Los contratos inteligentes, actuando como motor de confianza, pueden automatizar la recopilación y verificación de parámetros en un entorno descentralizado y publicar los resultados del modelo de manera imparcial, previniendo eficazmente la manipulación de datos por parte de nodos maliciosos. En comparación con las soluciones tradicionales de aprendizaje federado, incluso con un 40% de nodos maliciosos, la precisión del modelo de FLock se mantiene por encima del 95.5%.

Posicionamiento como capa de ejecución de IA: análisis de la arquitectura de tres capas de FLock

Uno de los principales problemas actuales en el campo de la IA es que los recursos para el entrenamiento de modelos y el uso de datos siguen estando altamente concentrados en manos de unas pocas grandes empresas, lo que dificulta que desarrolladores y usuarios comunes accedan a estos recursos de manera efectiva. Por lo tanto, los usuarios solo pueden utilizar modelos estandarizados preconstruidos, sin poder personalizarlos según sus necesidades. Este desajuste entre oferta y demanda provoca que, aunque el mercado cuente con abundante capacidad de cómputo y reservas de datos, no se traduzca en modelos y aplicaciones realmente utilizables.

Para abordar este problema, Flock aspira a convertirse en un sistema de coordinación eficaz de demanda, recursos, capacidad de cómputo y datos. Inspirándose en la pila tecnológica Web3, Flock se posiciona como "capa de ejecución", ya que su función principal es distribuir las necesidades personalizadas de IA de los usuarios a los distintos nodos descentralizados para su entrenamiento, y gestionar estas tareas en nodos globales mediante contratos inteligentes.

Al mismo tiempo, para garantizar la equidad y eficiencia de todo el ecosistema, el sistema FLock también se encarga de la "liquidación" y el "consenso". La liquidación se refiere a incentivar y gestionar las contribuciones de los participantes, recompensando o penalizando según el cumplimiento de las tareas. El consenso se encarga de evaluar y optimizar la calidad de los resultados del entrenamiento, asegurando que el modelo final represente la mejor solución global.

La arquitectura general del producto FLock consta de tres módulos principales: AI Arena, FL Alliance y AI Marketplace. AI Arena se encarga del entrenamiento básico descentralizado de modelos, FL Alliance se ocupa del ajuste fino de modelos bajo el mecanismo de contratos inteligentes, y AI Marketplace es el mercado final de aplicaciones de modelos.

AI Arena: Incentivos para entrenamiento y validación de modelos locales

AI Arena es la plataforma descentralizada de entrenamiento de IA de Flock, donde los usuarios pueden participar apostando el token FML de la testnet de Flock y recibir recompensas correspondientes. Una vez que el usuario define el modelo necesario y envía la tarea, los nodos de entrenamiento en AI Arena entrenan el modelo localmente usando la arquitectura inicial proporcionada, sin necesidad de subir los datos a un servidor centralizado. Tras completar el entrenamiento en cada nodo, los validadores evalúan el trabajo de los nodos de entrenamiento, verifican la calidad del modelo y lo puntúan. Si no se desea participar en el proceso de validación, también se puede delegar el token a un validador para obtener recompensas.

En AI Arena, el mecanismo de recompensas para todos los roles depende de dos factores clave: la cantidad apostada y la calidad de la tarea. La cantidad apostada representa el "compromiso" del participante, mientras que la calidad de la tarea mide su contribución. Por ejemplo, la recompensa de los nodos de entrenamiento depende de la cantidad apostada y la clasificación de calidad del modelo presentado, mientras que la recompensa de los validadores depende de la coherencia entre los resultados de votación y el consenso, la cantidad de tokens apostados y el número y éxito de las validaciones. Las ganancias de los delegadores dependen del validador elegido y la cantidad apostada.

AI Arena admite el modo tradicional de entrenamiento de modelos de aprendizaje automático, y los usuarios pueden elegir entrenar con datos locales en sus propios dispositivos o con datos públicos para maximizar el rendimiento final del modelo. Actualmente, la testnet pública de AI Arena cuenta con 496 nodos de entrenamiento activos, 871 nodos de validación y 72 usuarios delegadores. La tasa de staking en la plataforma es del 97.74%, el rendimiento mensual promedio de los nodos de entrenamiento es del 40.57% y el de los nodos de validación es del 24.70%.

FL Alliance: Plataforma de ajuste fino gestionada automáticamente por contratos inteligentes

Los modelos mejor puntuados en AI Arena son seleccionados como "modelos de consenso" y se asignan a FL Alliance para su ajuste fino adicional. El ajuste fino pasa por varias rondas. Al inicio de cada ronda, el sistema crea automáticamente un contrato inteligente FL relacionado con la tarea, que gestiona automáticamente la ejecución y las recompensas. De igual manera, cada participante debe apostar una cantidad determinada de tokens FML. Los participantes son asignados aleatoriamente como proponentes o votantes: los proponentes entrenan el modelo con su propio conjunto de datos local y suben los parámetros o pesos del modelo entrenado a los demás participantes, mientras que los votantes resumen y evalúan mediante votación los resultados de las actualizaciones del modelo de los proponentes. Todos los resultados se envían al contrato inteligente, que compara la puntuación de cada ronda con la anterior para evaluar el progreso o retroceso del rendimiento del modelo. Si la puntuación mejora, el sistema pasa a la siguiente fase de entrenamiento; si la puntuación disminuye, se utiliza el modelo validado de la ronda anterior para iniciar otra ronda de entrenamiento, resumen y evaluación.

FL Alliance, al combinar el aprendizaje federado con el mecanismo de contratos inteligentes, logra que múltiples participantes entrenen conjuntamente un modelo global garantizando la soberanía de los datos. Además, al integrar diferentes datos y agregar pesos, se puede construir un modelo global de mejor rendimiento y mayor capacidad. Los participantes demuestran su compromiso apostando tokens y reciben recompensas según la calidad del modelo y los resultados de consenso, formando un ecosistema justo y transparente.

AI Marketplace: ¿Cómo ofrecer servicios de IA personalizados?

Los modelos entrenados en AI Arena y ajustados en FL Alliance se despliegan finalmente en AI Marketplace, donde pueden ser utilizados por otras aplicaciones. A diferencia de los "mercados de modelos" tradicionales, AI Marketplace no solo ofrece modelos listos para usar, sino que también permite a los usuarios modificar los modelos y agregar nuevas fuentes de datos para adaptarse a diferentes escenarios de aplicación. Además, AI Marketplace integra la tecnología RAG (Retrieval-Augmented Generation), que mejora la precisión de los modelos en campos específicos. RAG es un método que mejora los grandes modelos de lenguaje al recuperar información relevante de bases de conocimiento externas durante la generación de respuestas, asegurando respuestas más precisas y personalizadas.

Actualmente, AI Marketplace ya ha lanzado muchos modelos GPT personalizados para diferentes escenarios de aplicación, incluyendo BTC GPT, Farcaster GPT, Scroll GPT, Ethereum GPT, entre otros. Podemos tomar BTC GPT como ejemplo para entender la diferencia entre modelos personalizados y modelos generales.

En diciembre de 2023, al preguntar simultáneamente a BTC GPT y ChatGPT "¿Qué es ARC20?":

• Respuesta de BTC GPT: "El protocolo ARC20 es un protocolo construido sobre la red Bitcoin que permite a los usuarios crear, transferir y actualizar objetos digitales, como NFT y tokens intercambiables. A través del protocolo ARC20, se pueden generar NFT no intercambiables y tokens intercambiables en la red Bitcoin. El token principal del protocolo ARC20 es ATOM, que se utiliza para diversos fines dentro del protocolo."
• Respuesta de ChatGPT: "Hasta mi última actualización de conocimientos en enero de 2022, no existe un estándar o tecnología ampliamente reconocida llamada ARC20 en los campos de tecnología, finanzas u otros. Es posible que haya surgido una nueva tecnología o estándar llamado ARC20 después de esa fecha, pero no tengo información al respecto."

De las respuestas de ambos se puede ver la importancia y ventaja de los modelos GPT personalizados. A diferencia de los modelos de lenguaje generales, los modelos GPT personalizados pueden entrenarse con datos específicos de un campo para ofrecer respuestas más precisas.

Ambos apoyados por DCG, ¿en qué se parecen y diferencian Flock y Bittensor?

Con el repunte del sector de IA, el token de Bittensor, uno de los proyectos representativos de IA descentralizada, ha subido más del 93.7% en los últimos 30 días, acercándose a su máximo histórico y con una capitalización de mercado que supera nuevamente los 4.0 billions de dólares. Cabe destacar que DCG, inversor de Flock, también es uno de los mayores validadores y mineros del ecosistema de Bittensor. Según fuentes, DCG posee aproximadamente 100 millions de dólares en TAO, y en un artículo de "Business Insider" de 2021, el inversor de DCG Matthew Beck recomendó a Bittensor como una de las 53 startups cripto más prometedoras.

Aunque ambos proyectos cuentan con el apoyo de DCG, FLock y Bittensor tienen enfoques diferentes. En cuanto a su posicionamiento, Bittensor busca construir un internet de IA descentralizado, utilizando "subredes" como unidad básica, donde cada subred funciona como un mercado descentralizado y los participantes pueden unirse como "mineros" o "validadores". Actualmente, el ecosistema de Bittensor cuenta con 49 subredes que abarcan desde texto a voz, generación de contenido y ajuste fino de grandes modelos de lenguaje, entre otros campos.

Desde el año pasado, Bittensor ha sido el centro de atención del mercado. Por un lado, debido al rápido aumento del precio de su token, que pasó de 80 dólares en octubre de 2023 a un máximo de 730 dólares este año. Por otro lado, han surgido diversas dudas, incluyendo si su modelo de atraer desarrolladores mediante incentivos de tokens es sostenible. Además, en el ecosistema de Bittensor, los tres principales validadores (Opentensor Foundation, Taostats & Corcel, Foundry) concentran cerca del 40% del staking de TAO, lo que genera preocupaciones sobre su nivel de descentralización.

A diferencia de Bittensor, FLock introduce blockchain en el aprendizaje federado y se dedica a ofrecer servicios de IA personalizados a los usuarios. Flock se posiciona como el "Uber del sector IA", actuando como un "sistema de coordinación descentralizado" que empareja la demanda de IA con los desarrolladores, gestionando automáticamente la asignación de tareas, la validación de resultados y la liquidación de recompensas mediante contratos inteligentes on-chain, asegurando que cada participante reciba una distribución justa según su contribución. Sin embargo, al igual que Bittensor, además de ser nodo de entrenamiento o validador, Flock también ofrece a los usuarios la opción de participar como delegadores.

En concreto:

• Nodos de entrenamiento: participan en la competencia de entrenamiento de tareas de IA apostando tokens, ideal para usuarios con capacidad de cómputo y experiencia en desarrollo de IA.
• Validadores: también deben apostar tokens para participar en la red, se encargan de validar la calidad de los modelos de los mineros y, mediante la presentación de puntuaciones de validación, influyen en la distribución de recompensas.
• Delegadores: delegan tokens a los nodos de mineros y validadores para aumentar su peso en la asignación de tareas y compartir las recompensas de los nodos delegados. De este modo, incluso los usuarios sin conocimientos técnicos para entrenar o validar tareas pueden participar en la red y obtener ingresos.

FLock.io ha abierto oficialmente la función de participación para delegadores, permitiendo que cualquier usuario obtenga ingresos apostando tokens FML y eligiendo el nodo óptimo según la tasa de rendimiento anual esperada para maximizar sus ganancias. Flock también indica que el staking y las operaciones relacionadas durante la fase de testnet influirán en las posibles recompensas de airdrop tras el lanzamiento de la mainnet.

En el futuro, FLock planea lanzar un mecanismo de inicio de tareas aún más amigable, permitiendo que usuarios individuales sin conocimientos profesionales de IA puedan participar fácilmente en la creación y entrenamiento de modelos de IA, logrando así la visión de "IA para todos". Al mismo tiempo, Flock está llevando a cabo colaboraciones en múltiples frentes, como el desarrollo de un modelo de puntuación crediticia on-chain junto a Request Finance, la construcción de modelos de bots de trading con Morpheus y Ritual, y la provisión de plantillas de nodos de entrenamiento de despliegue con un solo clic para que los desarrolladores puedan iniciar y ejecutar fácilmente el entrenamiento de modelos en Akash. Además, Flock ha entrenado un asistente de programación en lenguaje Move para desarrolladores de Aptos.

En general, aunque Bittensor y Flock tienen diferencias en su posicionamiento de mercado, ambos intentan redefinir las relaciones de producción en el ecosistema de IA mediante diferentes arquitecturas tecnológicas descentralizadas. Su objetivo común es romper el monopolio de los gigantes centralizados sobre los recursos de IA y construir un ecosistema de IA más abierto y justo, algo que el mercado necesita urgentemente en la actualidad.