Jiahao Sun, VD och grundare av FLock.io – Intervjuserie

Jiahao Sun, VD och grundare av FLock.io, har lett företaget sedan april 2022. Före grundandet av FLock.io tillbringade han många år i AI‑drivna roller — inklusive som Director of Artificial Intelligence på ett stort finansföretag — och tjänstgjorde som Research Fellow vid ett ledande universitet där han studerade kunskapsgrafsgenerering, NLP och maskininlärning för finansiell prognostisering. Hans omfattande bakgrund inom både företags‑AI och akademisk forskning gör honom väl lämpad att leda ett projekt som syftar till att omdefiniera hur AI byggs och distribueras.

FLock.io är en decentraliserad AI‑plattform som kombinerar federated learning med blockchain. Istället för att centralisera data möjliggör den för samhällen att gemensamt bygga, träna och distribuera AI‑modeller samtidigt som information hålls privat på lokala enheter. Systemet erbjuder incitament för bidragsgivare som tillhandahåller beräkning, data eller validering, och fördelar ägande och styrning över nätverket för att säkerställa transparens, säkerhet och långsiktig motståndskraft.

Du grundade FLock.io efter år av arbete med avancerad AI‑forskning och finansiell prognostisering vid Imperial College samt ledande AI‑innovation på RBC Wealth Management. Vad var det som ursprungligen tände idén att bygga en decentraliserad AI‑plattform, och vilket gap såg du som traditionella AI‑arkitekturer inte kunde lösa?

Idén till FLock uppstod när jag såg samma problem både i min akademiska forskning och i finansarbetet. Värdefull data var låst bort, och organisationer kunde inte använda AI tillsammans utan att ge upp integritet eller kontroll. Traditionella AI‑system byggs kring stora centrala leverantörer, och det begränsar vem som kan delta och hur brett fördelarna kan delas. Jag insåg att ett decentraliserat tillvägagångssätt kunde lösa detta. Med nya verktyg som blockchain, federated learning och integritetsskyddande teknik kan människor och företag bidra med data eller beräkningskraft på ett säkert sätt, samtidigt som de behåller ägandet. FLock skapades för att göra AI mer öppen, mer säker och något som alla kan hjälpa till att bygga, inte bara några få stora aktörer.

Din bakgrund inkluderar forskning om kunskapsgrafer och zero‑shot‑inlärning för finansiell prognostisering. Hur har den erfarenheten format sättet som FLock.io närmar sig modellträning, validering och dataintegritet på kedjan?

Jag har genom erfarenhet lärt mig att finansiell prognostisering är ett i grunden höginsats‑område där dataintegritet, modellförklarbarhet och förmågan att generalisera från begränsade datamängder är avgörande. Inom finans är källan och kvaliteten på data allt. Vi översatte detta behov av verifierbar proveniens till vår on‑chain‑arkitektur på FLock. Vi strukturerar ett decentraliserat nätverk av datasilos, vilket låter AI‑modellen lära sig den kollektiva kunskapen utan att någonsin centralisera den råa datan. Detta gör det möjligt för oss att bygga kraftfulla modeller i känsliga sektorer som sjukvård och finans, där datan måste förbli distribuerad och privat.

FLock.io:s AI Arena har redan producerat mer än 9 000 fullt tränade maskininlärningsmodeller på under ett år. Vad avslöjar den här aktivitetsnivån om efterfrågan på decentraliserad AI, och varför tror du att utvecklare väljer gemenskapsdriven träning framför centrala alternativ?

Denna aktivitetsnivå avslöjar två kritiska insikter om det nuvarande AI‑marknadsläget. För det första bekräftar den den enorma efterfrågan på decentraliserad AI‑infrastruktur. Utvecklare söker aktivt alternativ till den centraliserade molnmodellen eftersom den är strukturellt skör, dyr och skapar en enda felpunkt för data. Till skillnad från centraliserade plattformar där deltagarna äger modellen, behåller modellutvecklare och bidragsgivare i AI Arena ägandet och belönas med FLOCK‑tokens när deras modeller används.

Decentraliserad AI förlitar sig starkt på incitament för att attrahera validatorer, delegatörer och nodoperatörer. Hur alignerar FLOCK‑token‑designen incitamenten över hela ekosystemet, och vilka ekonomiska beteenden har du observerat nu när det finns över 55 000 tokeninnehavare?

FLOCK‑token är vår styrnings‑ och nyttighetsmotor som hjälper oss att säkerställa att incitamenten för varje deltagare är perfekt anpassade till nätverkets långsiktiga hälsa och kvaliteten på de modeller som produceras. Vår design bygger på ett tydligt princip att belöna produktiva, verifierbara bidrag som driver samarbete mellan dataägare, beräkningsleverantörer, validatorer och delegatörer. Till exempel tjänar beräkningsleverantörer och nodoperatörer FLOCK för att bidra med sina beräkningsresurser till modellträning. Validatorer belönas för att säkerställa säkerheten och noggrannheten i modelluppdateringar, medan delegatörer, som satsar FLOCK för att stödja dem, får en del av dessa belöningar. Vi ser ett bestående engagemang från vårt community, med en hög staking‑grad som indikerar en preferens för långsiktigt nätverksdeltagande framför kortsiktig handel.

FLock.io har säkrat partnerskap med United Nations Development Programme, Alibaba, NHS och andra stora institutioner. Vad övertygade dessa organisationer att anta ett decentraliserat AI‑ramverk istället för traditionell molnbaserad träning?

Dessa partnerskap har hjälpt oss att implementera lösningar på de utmaningar som traditionell, molnbaserad träning inte kan hantera. Vårt ramverk, som kombinerar federated learning med blockchain, möjliggör att AI‑modeller tränas direkt på lokala servrar. Endast de aggregerade, anonymiserade modellinsikterna delas till blockchain. Alla transformerande AI‑genombrott kräver att data‑insikter samlas över institutioner som aldrig skulle lita på en central mellanhand. Vårt arbete med UNDP är ett tydligt exempel, där vi tillsammans med NGO:er bygger AI‑modeller för att uppnå hållbarhetsmålen. Vårt blockchain‑styrda ramverk ger den transparens och gemenskapskonsensus som krävs för etisk AI‑utveckling på global skala.

Integritetsskyddande AI blir allt viktigare inom sektorer som sjukvård, offentlig förvaltning och vetenskaplig forskning. Hur säkerställer FLock.io att känslig data kan användas för att träna högvärdesmodeller utan att någonsin exponeras eller centraliseras?

FLocks kärnteknik förenar det bästa av federated learning och blockchain‑teknik, vilket säkerställer att känslig data kan användas för att träna högvärdesmodeller utan att någonsin exponeras eller centraliseras. Istället för att samla in stora mängder känslig data i en enda central plats låter federated learning flera enheter gemensamt träna en modell genom att föra träningsprocessen direkt till datan – och bara samla in uppdateringarna, inte rådata. Lägg till blockchain så blir det ännu mer integritetsskyddande och skalbart genom ett system av kryptoincentiv.

Till exempel möjliggör vi genombrott inom områden som läkemedelsupptäckt och folkhälsa genom att låta forskare utnyttja en enorm pool av verklig data, samtidigt som full datakontroll och efterlevnad upprätthålls.

Eftersom både krypto och AI utvecklas snabbt, hur ser du på korsningen mellan blockchain‑baserad infrastruktur och maskininlärning de kommande fem åren, och vilken roll kommer decentraliserade modellmarknadsplatser som FLock.io att spela?

Monopolet för centraliserade AI‑företag kommer inte att hålla för evigt, eftersom världen vaknar upp för den kraftfulla potentialen i mer samarbetsinriktad, suverän AI. Decentraliserade ramverk kommer att bli standardinfrastrukturen för alla känsliga AI‑applikationer, tack vare deras lokala träning och datakontroll. När beräkningskraft blir alltmer distribuerad och kommersialiserad genom decentraliserade nätverk, kommer det verkliga värdet att skifta till data och modellerna själva. Vi bygger infrastrukturen för en AI‑framtid där integritet är en garanti, inte ett avvägning, och blockchain blir den föredragna tekniken för att säkerställa detta.

AI Arena använder en uppgiftsbaserad struktur där samhällen gemensamt tränar och validerar modeller. Hur förbättrar denna konkurrens‑samarbetsmiljö modellprestanda, och vilka nya användningsfall dyker upp?

Det konkurrensdrivna elementet incitamentar vårt nätverk av maskininlärningsingenjörer att skicka in de bäst presterande modelluppgifterna, och de tjänar belöningar baserade på noggrannhet och effektivitet i deras inlämningar. Samtidigt förbättrar den samarbetsinriktade konsensusmekanismen transparensen genom att filtrera bort bias från centraliserade enheter. Den är utformad för att producera mer robusta och specialiserade AI‑modeller mer effektivt än traditionella centraliserade modeller.

Genom detta tillvägagångssätt möjliggör FLock för olika samhällen att utveckla skräddarsydda AI‑modeller, med skräddarsydda lösningar anpassade till specifika behov. Vi har upptäckt att denna struktur verkligen briljerar i olika, globala och nischade domäner där bevarande av integritet är avgörande. Detta inkluderar sjukvård, finansiella tjänster och logistikkedjor, där känslig data kan analyseras lokalt utan att någonsin samla den råa informationen i en central databas, vilket säkerställer maximal säkerhet.

Du byggde tidigare NORA på RBC — ett av de ledande AI‑systemen för förmögenhetsförvaltning. Hur jämförs utveckling av AI i en reglerad finansiell miljö med att bygga decentraliserad AI‑infrastruktur där transparens och öppenhet är inbyggda i kärnan?

Intressant nog är de tekniska grunderna inte så olika. Varje modell måste valideras och granskas för inneboende bias och kräver enormt mycket arbete från skickliga ingenjörer. Skillnaden ligger dock i den kulturella mentaliteten som driver arbetet.

Inom förmögenhetsförvaltning fokuseras man på en enda, starkt kontrollerad modell som garanterar regulatorisk efterlevnad men saknar smidighet. Riskminskning och efterlevnad står i främsta rummet för varje aktivitet, medan decentraliserad AI naturligt vänder på detta. Istället betraktas transparens och öppenhet som grundläggande designprinciper snarare än eftertankar. Denna öppenhet lockar en mer diversifierad gemenskap av bidragsgivare, vilket i sin tur gör de slutgiltiga modellerna mer motståndskraftiga mot bias och enskilda felpunkter som kan drabba modeller byggda av ett enda, centraliserat team.

FLock.io var det enda decentraliserade AI‑träningsprojektet som namngavs i CB Insights AI 100. Vad tror du särskiljer decentraliserad AI från den bredare vågen av AI‑acceleration som sker idag?

Det som skiljer decentraliserad AI från den nuvarande vågen av innovation som fokuserar på beräkningsskala är skiftet i fokus mot styrning, integritet och ekonomisk anpassning. De grundläggande principerna för decentralisering, transparens och öppenhet utmanar direkt de få centraliserade aktörer som för närvarande dominerar AI‑området för att säkerställa rättvisare ekonomiska möjligheter, större globalt samarbete samt sann data‑suveränitet och integritet.

Att vara det enda decentraliserade AI‑träningsprojektet som namngavs i CB Insights AI 100 bekräftar fullt ut vårt värdeerbjudande och vår kärntes. Det visar att decentralisering är nästa och nödvändiga steg för att möjliggöra innovation som gör att AI kan användas för gott.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka FLock.io.