Jiahao Sun, administrerende direktør og grundlægger af FLock.io – Interviewserie

Jiahao Sun, administrerende direktør og grundlægger af FLock.io, har ledet virksomheden siden april 2022. Før han grundlagde FLock.io, tilbragte han mange år i AI-drevne roller — herunder som direktør for kunstig intelligens i en stor finansiel virksomhed — og tjente som forskningsstipendiat på et førende universitet, hvor han studerede generering af vidensgrafer, NLP og maskinlæring til finansiel forudsigelse. Hans omfattende baggrund inden for både enterprise AI og akademisk forskning gør ham velrustet til at lede et projekt, der har til formål at genopfinde, hvordan AI bygges og implementeres.

FLock.io er en decentraliseret AI-platform, der kombinerer federated learning med blockchain. I stedet for at centralisere data gør den det muligt for fællesskaber at samarbejde om at bygge, træne og implementere AI-modeller, mens informationen forbliver privat på lokale enheder. Systemet tilbyder incitamenter til bidragydere, der leverer beregning, data eller validering, og fordeler ejerskab og styring på tværs af netværket for at sikre gennemsigtighed, sikkerhed og langsigtet robusthed.

Du grundlagde FLock.io efter mange år med avanceret AI-forskning og finansiel forudsigelse på Imperial College samt ledelse af AI-innovation hos RBC Wealth Management. Hvad udløste oprindeligt idéen om at bygge en decentraliseret AI-platform, og hvilket hul så du, som traditionelle AI-arkitekturer ikke kunne løse?

Ideen til FLock opstod ved at se det samme problem i både min akademiske forskning og mit arbejde inden for finans. Værdifulde data var låst væk, og organisationer kunne ikke bruge AI sammen uden at opgive privatliv eller kontrol. Traditionelle AI-systemer er bygget omkring store centrale udbydere, og det begrænser, hvem der kan deltage, og hvor bredt fordelene kan deles. Jeg indså, at en decentraliseret tilgang kunne løse dette. Med nye værktøjer som blockchain, federated learning og privatlivsbeskyttende teknologi kan folk og virksomheder bidrage med data eller beregningskraft sikkert, mens de bevarer ejerskabet. FLock blev skabt for at gøre AI mere åben, mere sikker, og noget som alle kan hjælpe med at bygge, ikke kun nogle få store aktører.

Din baggrund inkluderer forskning i vidensgrafer og zero-shot learning til finansiel forudsigelse. Hvordan har den erfaring påvirket den måde, FLock.io nærmer sig modeltræning, validering og dataintegritet on-chain?

Jeg har gennem erfaring lært, at finansiel forudsigelse er et iboende højt risikofyldt område, hvor dataintegritet, modelforklarbarhed og evnen til at generalisere fra begrænsede datasæt er altafgørende. I finans er datakilden og -kvaliteten alt. Vi omsatte dette behov for verificerbar oprindelse til vores on-chain-arkitektur i FLock. Vi strukturerer et decentraliseret netværk af datasiloer, som gør det muligt for AI at lære den samlede viden uden nogensinde at centralisere de rå data. Dette gør os i stand til at bygge kraftfulde modeller i følsomme sektorer som sundhedspleje og finans, hvor dataene skal forblive distribuerede og private.

FLock.io’s AI Arena har allerede produceret mere end 9,000 fuldt trænede maskinlæringsmodeller på under et år. Hvad afslører dette aktivitetsniveau om efterspørgslen efter decentraliseret AI, og hvorfor tror du, at udviklere vælger fællesskabsdrevet træning frem for centraliserede alternativer?

Dette aktivitetsniveau afslører to kritiske indsigter om den aktuelle tilstand på AI-markedet. For det første bekræfter det den enorme efterspørgsel efter decentraliseret AI-infrastruktur. Udviklere søger aktivt alternativer til den centraliserede cloud-model, fordi den er strukturelt skrøbelig, dyr og skaber et enkelt fejlpunkts for data. I modsætning til centraliserede platforme, hvor deltagerne ejer modellen, bevarer modeludviklerne og bidragyderne i AI Arena ejerskabet og belønnes med FLOCK‑tokens, når deres modeller anvendes.

Decentraliseret AI er stærkt afhængig af incitamenter for at tiltrække validatorer, delegatorer og node‑operatører. Hvordan sikrer FLOCK‑token‑designet, at incitamenterne er afstemt på tværs af økosystemet, og hvilke økonomiske adfærdsmønstre har du observeret nu, hvor der er over 55,000 token‑indehavere?

FLOCK‑tokenet er vores styrings‑ og nytte‑motor, som hjælper os med at sikre, at incitamenterne for hver deltager er perfekt afstemt med netværkets langsigtede sundhed og kvaliteten af de producerede modeller. Vores design er bygget på et klart princip om at belønne produktive, verificerbare bidrag, der fremmer samarbejde mellem dataejere, beregningsudbydere, validatorer og delegatorer. For eksempel tjener beregningsudbydere og node‑operatører FLOCK for at bidrage med deres beregningsressourcer til modeltræning. Validatorer belønnes for at sikre sikkerheden og nøjagtigheden af modelopdateringer, mens delegatorer, der satser FLOCK for at støtte dem, får en andel af disse belønninger. Vi ser en vedvarende forpligtelse fra vores fællesskab, med en høj staking‑ratio, der indikerer en præference for langsigtet netværksdeltagelse frem for kortsigtet handel.

FLock.io har sikret partnerskaber med United Nations Development Programme, Alibaba, NHS og andre store institutioner. Hvad overbeviste disse organisationer til at adoptere en decentraliseret AI-ramme i stedet for traditionel cloud‑baseret træning?

Disse partnerskaber har hjulpet os med at implementere løsninger på de udfordringer, som traditionel cloud‑baseret træning ikke kan løse. Vores ramme, som kombinerer federated learning med blockchain, gør det muligt at træne AI‑modeller direkte på lokale servere. Kun de aggregerede, anonymiserede modelindsigter deles til blockchainen. Alle transformative AI‑gennembrud kræver, at dataindsigter samles på tværs af institutioner, som aldrig ville stole på en central mellemmand. Vores arbejde med UNDP er et fremragende eksempel, hvor vi sammen med NGO’er bygger AI‑modeller for at nå de bæredygtige udviklingsmål. Vores blockchain‑styrede ramme leverer den gennemsigtighed og fællesskabskonsensus, der er nødvendig for etisk AI‑udvikling i global skala.

Privatlivsbeskyttende AI bliver stadig vigtigere i sektorer som sundhedspleje, offentlig forvaltning og videnskabelig forskning. Hvordan sikrer FLock.io, at følsomme data kan bruges til at træne højt værdifulde modeller uden nogensinde at blive eksponeret eller centraliseret?

FLocks kerne­teknologi samler det bedste fra federated learning og blockchain‑teknologi, hvilket sikrer, at følsomme data kan bruges til at træne højt værdifulde modeller uden nogensinde at blive eksponeret eller centraliseret. I stedet for at indsamle store mængder følsomme data i en enkelt central placering, gør federated learning det muligt for flere enheder at træne en model i fællesskab ved at bringe træningsprocessen direkte til dataene – og kun indsamle opdateringerne, ikke de rå data. Tilføj blockchain, så bliver det endnu mere privatlivsbeskyttende og skalerbart gennem et system af kryptoincentiver.

For eksempel muliggør vi gennembrud inden for områder som lægemiddelforskning og folkesundhed ved at give forskere adgang til en enorm pulje af virkelige data, samtidig med at fuld datakontrol og overholdelse af regler opretholdes.

Efterhånden som både crypto og AI udvikler sig hurtigt, hvordan ser du krydsfeltet mellem blockchain‑baseret infrastruktur og maskinlæring udvikle sig i de næste fem år, og hvilken rolle vil decentraliserede modelmarkeder som FLock.io spille?

Monopolet af centraliserede AI‑virksomheder vil ikke vare evigt, efterhånden som verden vågner op for det kraftfulde potentiale i mere samarbejdende, suveræn AI. Decentraliserede rammer vil blive standardinfrastrukturen for enhver følsom AI‑applikation, på grund af deres lokale træning og datakontrol. Efterhånden som beregningskraft bliver mere og mere distribueret og kommercialiseret gennem decentraliserede netværk, vil den egentlige værdi skifte til dataene og modellerne selv. Vi bygger infrastrukturen til en AI‑fremtid, hvor privatliv er en garanti, ikke et kompromis, og blockchain vil blive den foretrukne teknologi for at sikre dette.

AI Arena bruger en opgavebaseret struktur, hvor fællesskaber samarbejder om at træne og validere modeller. Hvordan forbedrer dette konkurrencedygtige‑samarbejdsmiljø modelpræstationen, og hvilke nye anvendelsestilfælde opstår der fra det?

Det konkurrencedygtige element incitamenterer vores netværk af maskinlæringsingeniører til at indsende de bedst‑performende modelopgaver og tjene belønninger baseret på nøjagtigheden og effektiviteten af deres indsendelser. Samtidig forbedrer den samarbejdende konsensusmekanisme gennemsigtigheden ved at filtrere bias fra centraliserede enheder. Den er designet til at producere mere robuste og specialiserede AI‑modeller mere effektivt end traditionelle centraliserede modeller.

Gennem denne tilgang gør FLock det muligt for forskellige fællesskaber at udvikle formålsbyggede AI‑modeller, der tilbyder skræddersyede løsninger til specifikke behov. Vi har erfaret, at denne struktur virkelig udmærker sig i forskellige, globale og niche‑områder, hvor bevarelse af privatliv er altafgørende. Dette inkluderer sundhedspleje, finansielle tjenester og forsyningskædelogistik, hvor følsomme data kan analyseres lokalt uden nogensinde at samle de rå oplysninger i en central database, hvilket sikrer maksimal sikkerhed.

Du har tidligere bygget NORA hos RBC — et af de førende AI‑systemer til formueforvaltning. Hvordan sammenlignes udviklingen af AI i et reguleret finansielt miljø med opbygningen af decentraliseret AI‑infrastruktur, hvor gennemsigtighed og åbenhed er indbygget i kernen?

Interessant nok er de tekniske grundprincipper ikke så forskellige. Hver model skal valideres og revideres for indbyggede bias og kræver en enorm indsats fra dygtige ingeniører. Forskellen ligger dog i den kulturelle tankegang, der driver arbejdet.

I formueforvaltning er fokus på en enkelt, stærkt kontrolleret model, der garanterer regulatorisk overholdelse, men mangler smidighed. Risikominimering og compliance er i forgrunden af al aktivitet, mens decentraliseret AI naturligt vender dette scenarie på hovedet. I stedet betragtes gennemsigtighed og åbenhed som grundlæggende designprincipper frem for eftertanke. Denne åbenhed tiltrækker et mere diversificeret fællesskab af bidragydere, hvilket i sig selv gør de endelige modeller mere robuste over for bias og enkelt‑punkts‑fejl, som kan plage modeller bygget af et enkelt, centraliseret team.

FLock.io var det eneste decentraliserede AI‑træningsprojekt, der blev navngivet i CB Insights AI 100. Hvad mener du adskiller decentraliseret AI fra den bredere bølge af AI‑acceleration, der sker i dag?

Det, der adskiller decentraliseret AI fra den nuværende bølge af innovation, der fokuserer på beregningsskala, er skiftet i fokus mod styring, privatliv og økonomisk afstemning. De grundlæggende principper for decentralisering, gennemsigtighed og åbenhed udfordrer direkte status for de få centraliserede aktører, der i øjeblikket dominerer AI‑området, for at sikre mere retfærdige økonomiske muligheder, større globalt samarbejde samt ægte datasuverænitet og privatliv.

At være det eneste decentraliserede AI‑træningsprojekt, der er navngivet i CB Insights AI 100, bekræfter fuldstændigt vores værdiforslag og kernehypotese. Det viser, at decentralisering er det næste og nødvendige skridt for at muliggøre innovation, som vil gøre det muligt at bruge AI til gavn.

Tak for det fantastiske interview, læsere der ønsker at lære mere bør besøge FLock.io.