联邦学习与区块链的结合：FLock去中心化AI网络内幕

从 Shoal Research 了解更多

加密研究与见解

已有账户？ 登录

联邦学习与区块链的结合：FLock 去中心化 AI 网络内幕

探索 FLock 如何将联邦学习与基于区块链的激励机制相结合，以取代中心化 AI 系统。

去中心化 AI 正在开始跨越鸿沟。联合国开发计划署 (UNDP) 长期以来一直倡导可持续地利用 AI 来增强发展中国家和弱势社区的能力，以此作为实现其可持续发展目标(SDG)的一部分。本周早些时候，UNDP 选择了 FLock（一个去中心化 AI 网络）作为其战略 AI 合作伙伴。这一切为什么重要，FLock 的去中心化方法如何解决中心化 AI 无法解决的挑战？

AI 是不可避免的

AI 在我们日常生活中的作用持续增长。数百万人正在使用像 ChatGPT 这样由 AI 驱动的应用程序。企业正在投入数千亿美元来开发基础设施、培训和将 AI 集成到其工作流程中。政府部门正在 积极实施 AI 解决方案，以提高公共运营效率。

这一切都是有充分理由的：AI 有望开启前所未有的 生产力提升。它已经在各个科学研究领域引领 突破性应用。人们正在自动化繁琐的工作，从而催生更多创造性的举措和实验。新一代的商品和服务正在积极地从自然语言转化为现实，这就是所谓的“vibe-coding”。麦肯锡 预测，AI 的采用将带来 4.4 万亿美元的生产力提升，而高盛则预测到 2030 年全球 GDP 将增长高达 7%。

但有一个需要注意的地方：我们今天所知和使用的 AI 模型是 黑盒：由中心化的营利性实体开发和维护的闭源 LLM。这些实体控制着 AI 模型的开发和训练方式，并决定了访问和使用这些模型的条款和方式。乍一看，这些都是足智多谋、合法合规的公司，它们有强大的经济动机来不断改进这些 AI 模型，并倾听客户的反馈和要求。那么，具体来说，关注点是什么？

为什么不直接使用中心化 AI？

人们已经开始意识到社交媒体算法的危险现实，意识到这些由营利性实体维护的黑盒在多大程度上影响着他们的思维和行为。AI 的影响要大得多。

Binji 的 AI 治疗师推文提供了一个更为滑稽的例子来思考，但它说明了与在幕后以未知方式运行的黑盒对话所带来的令人担忧的影响。但是，远离中心化 AI 并不是要实现乌托邦式的密码朋克理想：在个人、企业和国家层面都存在合理的担忧和风险：

• 单点故障： 中心化 AI 为其用户引入了单点故障。首先，如果这些设施因中断、攻击或自然灾害而离线，则会带来运营风险。这并非 罕见。其次，存在重大的安全问题，包括用户提示、聊天记录以及包含单点故障的敏感数据泄露的风险。AI 公司的此类漏洞可能会暴露日常用户信息，并在涉及政府或敏感数据时成为国家安全责任。

• 数据保护： 中心化 AI 应用程序需要存储和维护用户数据，以改进模型并提供个性化体验。用户正在向 LLM 提供有关他们自己的各种数据，包括敏感和个人信息。这里的担忧是双重的：数据有被泄露的风险。此外，风险在于 AI 公司会像社交媒体和互联网公司历来将其用户货币化一样，将用户数据货币化。

• 价值多元化和模型输出偏差： 模型输出有偏向于单个实体的价值观和观点的风险。Google Gemini 事件 争议虽然只是一个孤立的例子，但突显了模型向其用户提供错误信息的潜在风险。

• 可扩展性： 随着时间的推移，处理能力仅限于单个实体会产生潜在的瓶颈。随着用量的增加，可能会出现网络延迟、容量限制和过度配置挑战，并且整个网络都假设中心化 AI 提供商有足够的处理能力和容量来处理所有这些。

除此之外，如果只有有限数量的人或实体可以试验和开发新模型，创新 将会受到抑制。大多数互联网基础设施都运行在 Linux 上，这是一种开源操作系统，它使全球的开发人员能够自由地创新和适应。维基百科是一个可以自由编辑和协作维护的知识库，是全球数十亿人的信息门户。在计算机和软件领域，开源技术运动已经反复表明，与闭源替代方案相比，协作开发可以产生更优越、更具弹性的解决方案。

UNDP：将 AI 用作促进公益的变革力量

AI 是一项足以改变世界的技术。在一个国家可能仅仅是生活质量的改善，而在另一个国家则可能是 0:1 的变革。然而，中心化 AI 本身与它作为公共产品的潜力相冲突。

UNDP 成立于 1965 年，旨在通过可持续发展帮助在世界范围内消除贫困和减少不平等。多年来，UNDP 一直倡导将 AI 作为促进公益的变革力量。具体而言，UNDP 认为 AI 可以帮助加速其使命。

他们关注的主要挑战包括：

• 数字公共基础设施： 发展中国家可能无力构建 Google/OpenAI 规模的系统。与此同时，他们也不想依赖美国或中国等其他国家开发的 AI。

• 国家特定需求： 各国需要根据其特定需求和规模量身定制的 AI 解决方案，而不是满足于千篇一律的通用解决方案。

• 数据主权： 各国需要保护其公民的数据，尤其是在医疗保健、农业和其他敏感和个人数据方面。

就在本周早些时候，UNDP 宣布了一个新的战略 AI 合作伙伴。它不是 OpenAI、Anthropic 或 Google，而是一个新的去中心化替代方案：FLock。

FLock 介绍

FLock 是 Federated machine learning on blockchain（区块链上的联邦机器学习）的缩写，是一个去中心化 AI 网络。它不是由单个实体，而是使世界各地的任何人都可以贡献模型、数据和计算资源，并参与开放、协作的去中心化 AI 训练环境。为此，FLock 将 传统的和联邦学习 AI 模型训练与基于区块链的自动化奖励分配相结合。

总而言之，这创建了一个由社区拥有、构建和领导的特定于应用程序的模型的开放市场。

它的工作原理

为了更好地理解 FLock 的方法，首先了解一下 联邦学习 会有所帮助。

联邦学习，或联邦机器学习，是一种协作机器学习技术，其中多个参与客户端可以协作训练全局模型，而无需暴露任何原始数据。这种方法旨在通过使 AI 模型能够在更广泛和更多样化的数据源上进行训练来提高输出质量，同时保护参与者数据的隐私。

联邦学习通常涉及一个中央枢纽服务器，全局模型驻留在该服务器上并重新分配以进行本地训练。然后，参与客户端使用其本地数据训练全局模型，并且仅将其梯度（本地训练中使用的权重和参数）交换回枢纽服务器。然后，枢纽服务器聚合这些梯度以更新全局模型，并重复该过程直到训练完成。

事实证明，联邦学习是解决 AI 训练中用户隐私问题的有效解决方案，但这种设置存在一个问题。首先，全局模型所在的中央枢纽服务器仍然是单点故障。如果由于任何原因停止工作，整个学习过程就会停止。此外，联邦学习仍然假定数据客户端提供的数据是诚实的。换句话说，它没有解决 数据中毒 的风险，这是一种客户端提供旨在降低模型训练质量，从而降低其输出质量的未经身份验证的数据的技术。随着当今世界越来越依赖 AI 模型，尤其是在 医疗保健等领域 领域，这正成为一个日益令人担忧的问题。

FLock 旨在通过实施链上强制执行的密码学证明和经济激励措施来解决这些问题。那么这到底是怎么运作的呢？

FLock 系统架构

FLock 由三个相互连接的系统组成，这些系统构成了其去中心化 AI 生态系统：

• AI Arena： 一个去中心化训练平台，开发人员可以在该平台上提交在公共数据集上竞争的模型。这些模型由分布式验证器网络进行评估，其一个重要特征是：验证器无法识别哪个模型来自哪个训练器，从而防止了勾结。高性能模型可获得奖励，而性能不佳的模型可以进行改进并重新提交。这种竞争过程会产生针对实际性能优化的模型，参与需要代币股份以确保问责制。

• FL Alliance： FLock 的联邦学习客户端，可以在不暴露敏感私人数据的情况下进行训练。该系统随机将参与者分配为提议者（在本地训练模型）或投票者（评估结果）。当大多数投票者批准模型更新时，提议者会收到奖励。那些提交损坏数据或虚假验证的人会损失其股份。

• AI Marketplace： Arena 和 Alliance 中成功的模型已部署在 Marketplace 中以供生产使用，具有版本控制、性能监控和自动更新功能。模型主机提供基础设施并设置定价，而用户则为超出免费层限制的 API 访问付费。更高质量的模型会吸引更多用户，从而为创建者和主机产生收入 - 从而为持续改进创造市场激励。

总而言之，模型从竞技场开始，进行公共数据训练，然后在联盟中使用私有数据进行改进，然后在市场中投入生产。使用数据反馈以改进后续训练周期。其关键创新在于 FLock 如何应用链上机制来协调网络参与者之间的激励。

链上层

FLock 的关键创新是使用区块链来解决联邦学习中参与者之间缺乏协调的问题。在 Base L2 上线的一个名为 FLOCK 的代币是协调整个网络激励机制的关键。

权益证明

FLock 实施了一种强大的激励机制，以激励其联邦学习参与者中的诚实行为（并惩罚恶意行为）。该机制基于 FLock 团队发表的 研究论文，该机制使用权益证明系统，参与者在其中质押 FLOCK 代币以参与。恶意行为，即数据中毒，会冒着实际经济价值的风险，而诚实的贡献会获得奖励。奖励以 FLOCK 的形式分配，与股份规模和绩效质量成正比。

有三种参与方式：

• 训练节点运营商： 质押代币以参与模型训练任务。

• 验证者： 质押代币以评估和评价提交的模型。

• 委托者： 将股份委托给 [训练节点]，并相应地获得奖励。

智能合约编排

FLock 使用一组智能合约来编排训练和验证过程。创建任务时，智能合约负责：

• 使用股份加权随机性选择参与者以防止游戏

• 根据聚合的验证分数分配奖励

• 削减提交中毒数据或虚假验证的参与者的股份

• 管理运营商和委托人之间的奖励分配

关于 FLOCK 的更多信息

FLOCK 代币在 Base L2 上线，在生态系统中具有三个功能：

实用性： FLOCK 被质押在不同的角色中，较大的质押会增加训练和验证任务的选择概率。任务创建者可以支付额外的 FLOCK 作为赏金以加快其训练过程。该系统实施了基于时间的乘数：更长的质押期（最多 365 天）会生成 gmFLOCK（治理加权 FLOCK），从而增加网络排放的影响力和奖励份额。

支付： 用户可以使用基于股份金额的速率限制访问在 AI Arena 和 FL Alliance 中训练的模型，并为超出这些限制的使用量以 FLOCK 支付。模型主机质押 FLOCK 以服务模型并设置自定义定价结构。

治理： FLOCK 持有者参与 DAO 治理，对任务验证（确定哪些任务有资格获得奖励）、参数调整（奖励分配、削减率）和协议升级进行投票。

用例和应用

FLock 已经在众多现实世界的应用程序中得到了积极部署，这些应用程序需要深入的、特定于应用程序的上下文知识、严格的隐私保证和去中心化：

专业区块链开发：Aptos Move LLM

FLock 与 Aptos 基金会合作开发了一个 LLM，该 LLM 在生成特定于 Move 的代码方面优于 ChatGPT-4o，从简单的“Hello World”脚本到像具有 AMM 交易功能的收益代币化这样的复杂程序。该模型专门针对社区贡献的 Move 代码数据集进行了训练，从而利用了 FLock 的去中心化训练基础设施。

初步测试表明，与 ChatGPT-4o 相比，该模型具有卓越的性能，具有更高的准确性和对 Aptos 特定要求的坚持。该模型建立在 DeepSeek 的基础上，可在 Hugging Face 上使用，专门为 Move 编程实现了 ChatGPT-4 级别的性能。

社区特定的 AI 助手

FLock 能够定制了解特定上下文的 AI 助手：

• FarcasterGPT： 在 Farcaster 协议数据上进行训练，以了解其独特的社交动态、术语和用户模式

• ScrollGPT： 针对 Scroll L2 生态系统进行了优化，了解其技术文档、治理提案和开发人员模式

• DAO 特定模型： 了解各个 DAO 的治理结构、历史决策和社区规范的自定义助手

保护隐私的医疗保健应用

FLock 使医疗保健提供商能够在使用线性回归的糖尿病预测模型上进行协作，其中每个参与者都可以控制其数据，同时在本地计算模型更新。多家医院可以训练其本地患者记录，仅贡献数学梯度来改进全局模型。

这种方法对于遵守严格的健康数据保护法规（如 HIPAA）至关重要，因为患者数据永远不会离开机构。通过集成来自不同人口统计和社会地理位置的数据，而无需共享原始数据，FLock 有助于开发更准确和通用的模型，从而解决人口变化问题。

去中心化计算集成：FLock x Akash

FLock 已与 Akash Network 集成，以创建一键式部署模板，用于在去中心化计算基础设施上运行 FLock 验证器和训练节点。这种合作关系体现了去中心化系统的可组合性，因为用户现在可以：

• 以最少的配置在 Akash 上部署 FLock 验证器

• 通过 Akash 的市场访问 GPU 资源

• 使用具有可自定义硬件规范的 Docker 容器运行训练节点

• 使用 AKT 代币支付计算费用，同时获得 FLOCK 用于验证

该集成包括预配置的模板，仅需要 API 密钥和任务 ID，从而使非技术用户也能访问去中心化 AI 训练。

自然语言数据库访问：Text2SQL

FLock 的 Text2SQL 模型使用户能够使用自然语言命令查询数据库，从而简化了 SQL 语法。该模型通过 AI Arena 的竞争训练过程开发，并在经过广泛清理和手动审查的开源数据集上进行训练。

前进的道路

AI 代表人机交互的下一个基础层。但是，围绕中心化 AI 的实际问题越来越难以忽视。单点故障可能会瘫痪国家。数据主权违规可能会损害数百万人。创新瓶颈可能会在很大程度上有利于现有利益。

在 Shoal Research，我们认为这一层必须像互联网一样构建：作为一种开放的协作努力，而不是企业化的中心化服务。我们很高兴看到这一领域向前发展，并且认为 FLock 将联邦学习与链上激励机制和密码学相结合的方法在此提供了一种创新的解决方案。被 UNDP 选中后，FLock 将指导气候融资、包容性能源和社会保护方面的五个试点项目，证明去中心化 AI 可以解决人类最复杂的挑战。

时间会证明结果如何，但是 FLock 已做好充分准备，在一个拥抱 AI 作为公共产品，并以去中心化 AI 网络作为实现这一目标的方法的世界中蓬勃发展。

参考资料

1. 联合国开发计划署。(不适用)。可持续发展目标。UNDP。https://www.undp.org/sustainable-development-goals

2. FLock。(不适用)。文档。FLock 文档。https://docs.flock.io/

3. FLock。(不适用)。白皮书。FLock。https://www.flock.io/whitepaper

4. FLock。(2022)。FLock：区块链上的联邦学习。arXiv。https://arxiv.org/abs/2211.04344

5. FLock。(2024)。去中心化联邦学习：激励和机制。ACM 数字图书馆。https://dl.acm.org/doi/10.1145/3701716.3715484

6. FLock。(2024)。支持区块链的联邦学习：去中心化 AI 中的隐私和信任。IEEE Xplore。https://ieeexplore.ieee.org/abstract/document/10471193

不是财务或税务建议。 这篇文章的目的纯粹是教育性的，不应被视为投资建议、法律建议、购买或出售任何资产的请求或提出任何财务决定的建议。它不能代替税务建议。请咨询你的会计师并进行你自己的研究。

• 原文链接： shoal.gg/p/federated-lea...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～