Introduction de contrats intelligents pour le fédéré learning : comment Flock réinvente-t-il les relations de production en IA ?
TechFlow SélectionTechFlow Sélection
Introduction de contrats intelligents pour le fédéré learning : comment Flock réinvente-t-il les relations de production en IA ?
À l'avenir, FLock prévoit également de mettre en place un mécanisme de création de tâches encore plus convivial, afin de concrétiser la vision selon laquelle « chacun peut participer à l'IA ».
Dédié à des analyses Web3 approfondiesRédaction : LINDABELL
Lors de la précédente vague d'enthousiasme pour l'IA décentralisée, des projets phares tels que Bittensor, io.net et Olas sont rapidement devenus des leaders du secteur grâce à leurs innovations technologiques et à leur vision prospective. Cependant, avec la hausse constante de la valorisation de ces projets établis, le seuil d'entrée pour les investisseurs ordinaires devient de plus en plus élevé. Dans ce contexte, face au mouvement sectoriel actuel, existe-t-il encore de nouvelles opportunités d’investissement ?
Flock : un réseau décentralisé pour l'entraînement et la validation de l'IA
Flock est une plateforme décentralisée dédiée à l'entraînement et à l'application de modèles d'intelligence artificielle, combinant apprentissage fédéré et technologie blockchain afin d'offrir aux utilisateurs un environnement sécurisé pour l'entraînement et la gestion des modèles tout en protégeant la confidentialité des données et en assurant une participation communautaire équitable. Le terme « Flock » a fait son entrée dans le champ public en 2022, lorsque son équipe fondatrice a publié conjointement un article académique intitulé « FLock: Defending malicious behaviors in federated learning with blockchain ». Cet article proposait d'introduire la blockchain dans l'apprentissage fédéré afin de prévenir les comportements malveillants. Il expliquait comment renforcer la sécurité des données et la protection de la vie privée durant le processus d'entraînement des modèles via des mécanismes décentralisés, tout en révélant le potentiel d'application de cette nouvelle architecture dans le calcul distribué.
Après une phase initiale de preuve de concept, Flock a lancé en 2023 son réseau multi-Agent IA décentralisé, Flock Research. Dans Flock Research, chaque Agent est un grand modèle linguistique (LLM) optimisé pour un domaine spécifique, capable de fournir des analyses pluridisciplinaires par coordination. Puis, mi-mai 2024, Flock a officiellement ouvert le testnet de sa plateforme décentralisée d'entraînement IA. Les utilisateurs peuvent désormais participer à l'entraînement et au réglage fin des modèles en utilisant des jetons-test FML, et recevoir des récompenses en retour. Au 30 septembre 2024, le nombre quotidien d'ingénieurs IA actifs sur la plateforme dépassait 300, avec plus de 15 000 modèles soumis au total.
Avec le développement continu du projet, Flock a également attiré l'attention des marchés capitalistes. En mars dernier, Flock a levé 6 millions de dollars lors d'une série A dirigée par Lightspeed Faction et Tagus Capital, avec la participation de DCG, OKX Ventures, Inception Capital et Volt Capital. À noter que Flock est le seul projet d'infrastructure IA à avoir reçu une subvention dans le cadre du cycle 2024 de financement académique de la Fondation Ethereum.
La pierre angulaire de la transformation des relations de production en IA : intégrer les contrats intelligents à l’apprentissage fédéré
L’apprentissage fédéré (Federated Learning) est une méthode d'apprentissage automatique permettant à plusieurs entités (généralement appelées clients) de collaborer à l'entraînement d'un modèle tout en conservant leurs données localement. Contrairement à l'apprentissage automatique traditionnel, l’apprentissage fédéré évite le transfert de toutes les données vers un serveur central, préservant ainsi la vie privée des utilisateurs via des calculs effectués en local. Cette technologie est déjà utilisée dans plusieurs cas concrets : Google l’a intégrée dès 2017 à son clavier Gboard pour améliorer les suggestions de texte tout en garantissant que les données saisies ne soient pas envoyées sur ses serveurs. Tesla utilise aussi une approche similaire dans son système de conduite autonome, améliorant localement la perception de l’environnement par les véhicules et réduisant ainsi le besoin de transmettre d'immenses volumes de données vidéo.
Ces applications présentent toutefois certaines faiblesses, notamment en matière de confidentialité et de sécurité. Premièrement, elles exigent de faire confiance à un tiers centralisé. Deuxièmement, pendant le transfert et l’agrégation des paramètres du modèle, il faut prévenir les nœuds malveillants qui pourraient envoyer de fausses données ou des paramètres corrompus, entraînant des biais dans les performances globales du modèle, voire des résultats erronés. Selon une étude publiée par l’équipe FLock dans une revue IEEE, un modèle d’apprentissage fédéré traditionnel voit son taux de précision chuter à 96,3 % en présence de 10 % de nœuds malveillants, puis descend à 80,1 % et 70,9 % respectivement lorsque ce ratio atteint 30 % et 40 %.
Pour résoudre ces problèmes, Flock introduit les contrats intelligents de la blockchain comme « moteur de confiance » dans son architecture d’apprentissage fédéré. Ce moteur de confiance permet, dans un environnement décentralisé, une collecte et une vérification automatisées des paramètres, ainsi qu’une publication impartiale des résultats du modèle, empêchant efficacement la falsification des données par des nœuds malveillants. Comparé aux solutions traditionnelles, FLock maintient un taux de précision supérieur à 95,5 % même lorsque 40 % des nœuds sont malveillants.
Positionnement au niveau de l’exécution de l’IA : analyse de l’architecture en trois couches de FLock
Un problème majeur actuel dans le domaine de l’IA est que les ressources pour l'entraînement des modèles et l'utilisation des données restent fortement concentrées entre les mains de quelques grandes entreprises. Les développeurs et utilisateurs ordinaires ont donc du mal à y accéder efficacement. Par conséquent, ils doivent se contenter de modèles standardisés prédéfinis, sans possibilité de personnalisation selon leurs besoins spécifiques. Ce déséquilibre entre offre et demande fait que, malgré des capacités de calcul et des réserves de données abondantes sur le marché, celles-ci ne se traduisent pas en modèles et applications concrètement utilisables.
Pour répondre à ce problème, Flock vise à devenir un système de coordination efficace entre la demande, les ressources, la puissance de calcul et les données. S’inspirant de la pile technologique Web3, Flock s’auto-positionne comme la « couche d’exécution », dont la fonction principale consiste à attribuer les demandes personnalisées d’IA aux différents nœuds décentralisés pour entraînement, et à orchestrer ces tâches via des contrats intelligents exécutés sur l’ensemble du réseau mondial.
En outre, pour garantir équité et efficacité au sein de l'écosystème, le système FLock assume également les fonctions de « règlement » et de « consensus ». Le règlement concerne l'incitation et la gestion des contributions des participants, via des récompenses ou pénalités selon l'exécution des tâches. Le consensus, quant à lui, évalue et optimise la qualité des résultats d'entraînement, veillant à ce que le modèle final reflète bien la solution optimale globale.
L’architecture produit complète de FLock repose sur trois modules principaux : AI Arena, FL Alliance et AI Marketplace. AI Arena gère l'entraînement de base des modèles en mode décentralisé, FL Alliance supervise l'ajustement fin des modèles sous contrat intelligent, tandis qu’AI Marketplace constitue le marché final des applications de modèles.
AI Arena : entraînement local des modèles et incitations à la validation
AI Arena est la plateforme d'entraînement IA décentralisée de Flock. Les utilisateurs peuvent y participer en misant des jetons-test FML du testnet Flock, et recevoir des récompenses proportionnelles. Une fois qu’un utilisateur a défini le modèle souhaité et soumis sa tâche, les nœuds d’entraînement dans AI Arena entraînent localement le modèle à partir d’une architecture initiale donnée, sans avoir à transférer directement les données vers un serveur centralisé. Après l’achèvement de l’entraînement par chaque nœud, des validateurs évaluent le travail effectué, examinent la qualité du modèle et attribuent une note. Pour ceux qui ne souhaitent pas participer directement à la validation, il est possible de déléguer ses jetons à un validateur et percevoir une partie des récompenses générées.
Dans AI Arena, le mécanisme de récompense pour tous les rôles dépend de deux facteurs clés : la quantité mise en jeu et la qualité de la tâche réalisée. La mise représente l’« engagement » du participant, tandis que la qualité mesure sa contribution effective. Par exemple, la récompense d’un nœud d’entraînement dépend de sa mise et du classement qualitatif du modèle soumis ; celle d’un validateur dépend de la cohérence entre son vote et le consensus global, de la quantité de jetons misés, ainsi que du nombre et du succès de ses validations. Le rendement d’un délégant dépend du validateur choisi et du montant délégué.
AI Arena prend en charge les modes traditionnels d’entraînement de modèles d’apprentissage automatique, et permet aux utilisateurs de choisir d’utiliser leurs propres données locales ou des données publiques pour maximiser les performances du modèle final. Actuellement, sur le testnet public d’AI Arena, on compte 496 nœuds d’entraînement actifs, 871 validateurs et 72 utilisateurs déléguants. Le taux de mise global sur la plateforme est de 97,74 %. Le rendement mensuel moyen des nœuds d’entraînement est de 40,57 %, et celui des validateurs de 24,70 %.
FL Alliance : une plateforme de réglage fin gérée automatiquement par contrat intelligent
Les modèles ayant obtenu les meilleurs scores dans AI Arena sont sélectionnés comme « modèles de consensus » et transférés vers FL Alliance pour un ajustement fin supplémentaire. Ce processus se déroule en plusieurs tours. Au début de chaque tour, un contrat intelligent FL lié à la tâche est automatiquement créé, gérant l’exécution de la tâche et la distribution des récompenses. De la même manière, chaque participant doit miser une certaine quantité de jetons FML. Les participants sont ensuite assignés aléatoirement en tant que « proposants » ou « votants ». Les proposants entraînent le modèle avec leur propre jeu de données local, puis envoient les paramètres ou poids du modèle aux autres participants. Les votants, eux, agrègent les mises à jour proposées et votent pour évaluer leur qualité. Tous les résultats sont ensuite transmis au contrat intelligent, qui compare le score de performance du tour courant à celui du tour précédent afin d’évaluer l’amélioration ou la détérioration du modèle. Si le score augmente, le système passe à l’étape suivante ; sinon, il relance un nouveau tour d’entraînement, d’agrégation et d’évaluation à partir du modèle validé au tour précédent.
Grâce à l’intégration de l’apprentissage fédéré et des contrats intelligents, FL Alliance permet à plusieurs participants d’entraîner conjointement un modèle global tout en préservant la souveraineté de leurs données. En combinant divers jeux de données et en agrégeant les poids, il devient possible de construire un modèle global plus performant et plus robuste. En outre, les participants démontrent leur engagement via la mise de jetons, et reçoivent des récompenses selon la qualité du modèle et le résultat du consensus, créant ainsi un écosystème équitable et transparent.
AI Marketplace : comment offrir des services IA personnalisés ?
Les modèles entraînés dans AI Arena puis affinés dans FL Alliance sont finalement déployés sur AI Marketplace, où ils peuvent être appelés et utilisés par d'autres applications. Contrairement aux « marchés de modèles » traditionnels, AI Marketplace ne propose pas seulement des modèles prêts à l’emploi, mais permet également aux utilisateurs de modifier ces modèles et d’y intégrer de nouvelles sources de données afin de les adapter à divers scénarios d’utilisation. De plus, AI Marketplace intègre la technologie RAG (Retrieval-Augmented Generation – génération augmentée par recherche), améliorant ainsi la précision des modèles dans des domaines spécifiques. Le RAG est une méthode permettant de renforcer les grands modèles linguistiques en récupérant des informations pertinentes depuis une base de connaissances externe lors de la génération de réponses, garantissant ainsi des sorties plus précises et personnalisées.
Déjà, AI Marketplace propose de nombreux modèles GPT personnalisés basés sur divers cas d’usage, tels que BTC GPT, Farcaster GPT, Scroll GPT, Ethereum GPT, etc. Examinons l’exemple de BTC GPT pour mieux comprendre la différence entre un modèle personnalisé et un modèle généraliste.
En décembre 2023, lorsqu’on posait simultanément à BTC GPT et ChatGPT la question « Qu’est-ce qu’ARC20 ? », on obtenait :
-
Réponse de BTC GPT : « Le protocole ARC20 est construit sur le réseau Bitcoin et permet aux utilisateurs de créer, transférer et mettre à jour des objets numériques, tels que des NFT et des jetons fongibles. Grâce au protocole ARC20, il est possible de générer à la fois des NFT non fongibles et des jetons fongibles sur le réseau Bitcoin. Le jeton principal du protocole ARC20 est ATOM, utilisé à diverses fins au sein du protocole. »
-
Réponse de ChatGPT : « À la date de ma dernière mise à jour en janvier 2022, aucun standard ou technologie nommé ARC20 n’était largement reconnu dans les domaines technologiques, financiers ou autres domaines courants. Il se peut qu’une nouvelle technologie ou norme portant ce nom soit apparue depuis, mais je n’ai pas d’information à ce sujet. »
Ces réponses illustrent clairement l’importance et les avantages des modèles GPT personnalisés. Contrairement aux modèles linguistiques généraux, les modèles GPT spécialisés peuvent être entraînés sur des données ciblées, offrant ainsi des réponses nettement plus précises.
Flock et Bittensor, tous deux soutenus par DCG : similitudes et différences
Avec le rebond du secteur IA, le token du projet phare d’IA décentralisée Bittensor a grimpé de plus de 93,7 % au cours des 30 derniers jours, approchant presque son plus haut historique, repoussant sa capitalisation totale au-delà de 4 milliards de dollars. Notons que DCG, l’un des investisseurs de Flock, est également l’un des plus grands validateurs et mineurs au sein de l’écosystème Bittensor. Selon des sources proches, DCG détiendrait environ 100 millions de dollars de TAO. En outre, dans un article du « Business Insider » daté de 2021, Matthew Beck, investisseur chez DCG, avait recommandé Bittensor comme l’une des 53 startups cryptographiques les plus prometteuses.
Bien que tous deux soutenus par DCG, FLock et Bittensor diffèrent sensiblement dans leurs orientations. En termes de positionnement, Bittensor vise à construire un « Internet de l’IA décentralisé », utilisant le concept de « sous-réseau (Subnet) » comme unité de base. Chaque sous-réseau agit comme un marché décentralisé où les participants peuvent intervenir en tant que « mineurs » ou « validateurs ». À ce jour, l’écosystème Bittensor compte 49 sous-réseaux couvrant des domaines variés tels que la synthèse vocale, la génération de contenu ou l’ajustement fin de grands modèles linguistiques.
Depuis l’année dernière, Bittensor attire l’attention des marchés. D’une part, en raison de la forte hausse de son prix, passant de 80 dollars en octobre 2023 à un sommet de 730 dollars cette année. D’autre part, en raison des critiques croissantes, notamment sur la durabilité de son modèle reposant sur des incitations par jetons pour attirer les développeurs. De plus, dans l’écosystème Bittensor, les trois principaux validateurs (Opentensor Foundation, Taostats & Corcel, Foundry) détiennent ensemble près de 40 % des parts de TAO mises en jeu, ce qui suscite des inquiétudes quant au degré réel de décentralisation du projet.
À la différence de Bittensor, FLock cherche à fournir des services IA personnalisés en intégrant la blockchain à l’apprentissage fédéré. Flock s’auto-désigne comme « l’Uber du monde de l’IA », jouant le rôle d’un « système de dispatching décentralisé » reliant la demande en IA aux développeurs. Grâce aux contrats intelligents sur la blockchain, il gère automatiquement l’attribution des tâches, la vérification des résultats et le règlement des récompenses, garantissant ainsi une répartition équitable selon les contributions de chacun. Tout comme Bittensor, FLock propose également une option de délégation aux utilisateurs, en plus des rôles de nœud d’entraînement et de validateur.
Plus précisément :
-
Nœud d’entraînement : participe à la compétition d’entraînement des tâches IA moyennant une mise de jetons, adapté aux utilisateurs disposant de puissance de calcul et d’expérience en développement IA.
-
Validateurs : doivent également miser des jetons pour rejoindre le réseau, chargés de vérifier la qualité des modèles des mineurs, influençant la distribution des récompenses via leurs évaluations.
-
Délégants : délèguent leurs jetons à des nœuds mineurs ou validateurs, augmentant ainsi le poids de ces nœuds dans l’allocation des tâches, tout en partageant une partie de leurs récompenses. Ainsi, même les utilisateurs sans compétences techniques peuvent participer au réseau et générer des revenus.
La fonctionnalité de délégation est désormais officiellement ouverte sur FLock.io. Tout utilisateur peut miser des jetons FML pour générer des revenus, et choisir les nœuds offrant le meilleur rendement annualisé espéré afin de maximiser ses gains. Flock indique également que les mises et opérations effectuées durant la phase testnet influenceront les futures récompenses de type airdrop après le lancement du mainnet.
À l’avenir, FLock prévoit de lancer un système de création de tâches encore plus convivial, permettant aux utilisateurs particuliers sans expertise en IA de participer facilement à la création et à l’entraînement de modèles, réalisant ainsi la vision d’une « IA accessible à tous ». Par ailleurs, Flock développe activement plusieurs partenariats : collaboration avec Request Finance pour développer un modèle de notation de crédit sur chaîne, travail conjoint avec Morpheus et Ritual pour construire des modèles de robots de trading, mise à disposition de modèles prêts à l’emploi pour lancer rapidement des nœuds d’entraînement sur Akash. Flock a également formé un assistant de programmation en langage Move destiné aux développeurs d’Aptos.
En résumé, bien que Bittensor et Flock diffèrent dans leur positionnement, les deux tentent de redéfinir les relations de production dans l’écosystème de l’IA via des architectures décentralisées distinctes. Leur objectif commun est de briser le monopole des géants centralisés sur les ressources d’IA, afin de construire un écosystème plus ouvert et équitable — une nécessité urgente pour le marché actuel.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@ChainFeedsxyz
