来人管管， 编号 96 的子网里有人说 FLock OFF 美国作家布莱恩的科幻小说《玩家一号》非常好看，它描述了主人公韦德在虚拟世界“绿洲”的各个子网之间任意穿梭，发生了一连串神奇的冒险故事。 我最近也陷入了一个网，不能自拔，不是情网，是编号SN96 的子网。 让我们潜入！ ⬇️ 6 和 9 我都不喜欢，但组合起来我很喜欢。所以我第一次看见 SN96 的时候，就沉迷了。SN96 是 Bittensor 网络上的第 96 个子网 ，也被称作 FLock OFF @flock_off_sn96。 96、F**** OFF 这太不羁了，是我喜欢的风格，仔细研究了一下，的确也是实至名归： SN96 推崇开放激励、联邦学习、无惧权威，对陈旧的中心化控制、隐私泄露说 F*** OFF。 这是一篇软核科普，通过本文你可以对以下知识一知半解： ▰ 什么是 SN96 ▰ 什么是联邦学习 ▰ 什么是边缘计算 ▰ 谁是卧底游戏怎么作弊（不是 我知道有些超纲了，我会努力通俗易懂并且诙谐有趣，并尽量短一点、浅一点、慢一点… 1️⃣ 异军突起的 SN96 最近 TAO 社区有点热闹过头了。有一个新子网上线了，叫 FLock OFF，编号是 96，直接让整个社区炸锅了。连 Bittensor 的创始人@const_reborn 都亲自下场围观，这可不是闹着玩的。 Flock OFF 是啥意思？听起来有点调皮，但其实背后藏着深意。FLock OFF 的名字本身就带着一种“摆脱束缚”的态度，呼吁大家不要再被中心化的 AI 模式绑架。但严肃一点，其实又是一些单词的组合： FLock：由 http://FLock.io 创建的隐私训练平台 Open：无需许可的参与 Federated：联邦学习 Framework：去中心化 AI 训练和验证框架 FLock OFF 的目标是打造一个开源框架，专门用于构建高质量的小语言模型训练数据集，包括监督微调（SFT）和直接偏好优化（DPO）数据，以帮助提升模型性能。 联邦学习可以让小语言模型在手机等设备上高效训练，非常适合网络和算力有限的场景。这种方法能让小模型在边缘设备上不断进步，最终性能甚至可能超过 GPT-4-nano这样的精简大模型。 不到一个月时间，FLock OFF 的 FDV 达到 3.1 亿美元，有 780 名持有人、251 名活跃矿工和 5 个验证者，这个数据绝对是最厉害了。 为什么这么厉害？ 很简单，因为是创建 SN96 的超强正规军带来了实际的落地。 2️⃣ SN 96 背后的正规军 正规军说的是开发 SN96 的 @flock_io ，就是喊出“Not your models, not your AI”的隐私模型训练平台。为了让联邦学习的训练节点高效工作，每个设备只需要少量但高质量的数据。SN96 技术能够智能筛选更优质的数据，并研究如何在压缩数据的同时，确保训练出来的模型仍然保持强大的性能。 我们来梳理一下 http://FLock.io 与 SN96 之间的业务流程。 SN96 作为 Bittensor 网络上的子网，通过其去中心化的数据集质量竞争网络，激励矿工上传优质数据，验证者则使用 LoRA 训练评估数据质量，确保仅选择最佳数据集。这一过程对于为下一阶段提供高质量、多样化的数据至关重要。 另一方面，http://FLock.io 在 FL Alliance 中促进这些数据集的联邦微调，FL Alliance 是一个利用联邦学习保护数据隐私同时优化模型性能的协作网络。http://FLock.io 的角色是协调这一微调过程，确保模型在分布式节点上高效训练。最后，训练好的模型通过 Moonbase 部署，Moonbase 是 http://FLock.io 支持实际应用的基础设施，完成了从训练到部署的整个循环。 FLock OFF 是团队在 Bittensor 的研究阵地，是 FLock 生态的一个补充。http://FLock.io 作为 SN96 背后的团队，已与阿里巴巴千问 Qwen 等主流 AI 团队开展合作， 成为首个被领先开源模型提供商集成的去中心化 AI 训练平台。这可不是闹着玩的，说明 http://FLock.io 的技术已经被主流 AI 界认可，双方可能在更大规模的模型协同训练与部署领域中拓展落地空间。 http://FLock.io 的模型通过其去中心化的协作机制，确保数据隐私和高效运算，已被成功应用于多个项目，特别是在政务和金融领域。例如，与 Animoca Brands 的合作中，http://FLock.io 协助开发了 http://heyani.xyz 项目，利用其 AI 模型提升区块链应用的尽职调查、投资和市场制作能力，确保数据隐私和高效协作。在与 UCL 医院的合作中，则通过其隐私训练整体解决方案，给医院和病人提供了完整的血糖监测和预测模型，为万千血糖尿病病人的生命健康保驾护航。 噢对了，http://FLock.io 还支持 Base 的 MCP 项目，帮助其完成 AI 应用的落地，优化去中心化身份验证和智能合约执行的效率。 3️⃣ SN96 到底能做什么 一句话概括：去中心化数据集的创建、验证和激励。 《失控》这本书里有几个例子我印象深刻。蜜蜂在没有统一领导部署的情况下可以搭建出几何学完美的蜂巢、蚂蚁在没有领导督导的情况可以完成大型货物物流运输。人类组织里一直觉得需要中心化的决策才能完成的事情，自然界的去中心化或者无中心化给出了相反的答案。 FLock OFF 是一个去中心化的系统，矿工通过上传高质量数据集参与竞争，这些数据集旨在提升 AI 模型的性能。验证者通过 LoRA（Low-Rank Adaptation）训练评估数据集的质量。 这些不是靠统一部署、督促，而是靠无形的手。 矿工因提供优质数据集获得代币奖励，验证者因准确评估数据集质量获得代币奖励，这种机制通过博弈论框架优化参与者的贡献质量。通过 Bittensor 的子网架构，FLock OFF 允许全球参与者以去中心化的方式贡献数据和算力，避免中心化实体对数据的控制。 这就是 FLock OFF 强调“激励驱动的无信任协调”（Incentives drive trustless coordination），通过经济激励确保参与者贡献有价值的数据，同时保持系统的公平性和去中心化特性。 4️⃣ 什么是联邦学习 受不了了，好几次提到这个词语了，必须得搞搞清楚。 你们玩过谁是卧底游戏吗？没玩过可以看看 @degirls 这一期。谁是卧底游戏规则很简单，大家在不共享原始数据（身份）的情况下，通过提问、回答共同训练一个心智模型（猜测），找出谁是卧底。 那联邦学习如何训练AI呢？具体来说，每个人都在本地，利用本地设备来训练模型，只上传模型的更新信息给中央服务器，中央服务器聚合这些更新来改进整体模型。 这种模型训练方法加上边缘计算对设备的低要求，可以让Flock OFF 从大量数据任务中精选出对模型性能提升最有价值的样本。等于是它不参加模型训练和部署，但是严格筛选、把控数据，这直接决定了模型最终性能。 噢对了，如何在谁是卧底游戏里作弊？其实就是中心化那套弊病，比如提前泄露身份、信号传递、操纵讨论、外部协助等等。 http://FLock.io 利用代币经济体系来维护网络的安全和效率： 经济激励与惩罚：参与者需要预先质押代币才能加入网络。如果节点作恶（如提交虚假数据），系统会扣除（slash）其质押的代币，提高作恶成本，从而减少不良行为。 区块链溯源防篡改：所有数据操作都会被记录在区块链上，确保可追溯。作恶节点提交的虚假信息会被识别并剔除，保证最终训练出的模型高质量、可信赖。 // 在这个去中心化的AI市场里，每个人都是参与者，每个人都是 builder。http://FLock.io 的加入，让 SN96 变得更有看头，社区的热闹反应也证明了这一点。 希望这篇文章让你对 http://FLock.io、SN96、Bittensor 子网、联邦学习、边缘计算有了更深的理解。毕竟，AI 的世界可不只有 GPT-4，还有无数的可能性等着我们去探索。so, FLock OFF, Get's Go!