I 2019 møtte jeg en senioringeniør som hadde forlatt Facebook og jobbet med et B/To G-prosjekt basert på Federated Learning-teknologi. Jeg introduserte den for Sequoias investorsøster, og prosjektet vant raskt Sequoias englerunde på 3 millioner dollar. På den tiden tok jeg hensyn til teknologien til "føderert læring", og jeg følte at det var mye rom for fantasi når det ble kombinert med blokkjede. Kjernen i føderert læring er at flere servere kan samarbeide for å trene modeller uten å dele rådata. Data forblir lokale, og bare modelloppdateringer (vektinger/graderinger) deles, noe som beskytter brukernes personvern og oppfyller kravene til databehandling og suverenitet. Dette er en av grunnene til at jeg tok hensyn til @flock_io, som ikke bare er et AI × Crypto-prosjekt, men som også bruker "føderert læring" som kjerneteknologi. Nylig har Flock hatt to store grep som er verdt å ta hensyn til. Den første er et partnerskap med Hong Kong Generative Artificial Intelligence Research and Development Centre (HKGAI). Med føderert læringsteknologi som kjernen, vil de to partene i fellesskap utvikle en ny generasjon AI-løsninger for myndigheter og offentlig sektor, fremme konstruksjonen av et kompatibelt, pålitelig, personvern-først intelligent myndighetssystem, og forbedre nøyaktigheten og effektiviteten til offentlige tjenester. HKGAI er et AI-prosjekt støttet av Hong Kong-regjeringen, og et slikt samarbeid gjenspeiler også regjeringens omfavnelse av AI-teknologi i en tid med "digital olje". Flock bruker føderert læring + anonym krypteringsmekanisme for å sikre bunnlinjen for personvernsikkerhet. Å trekke regjeringen til å gripe inn er ikke bare et sterkt bevis på samsvar og praktisk, men gir også praktisk støtte og flere datakilder for FLocks virksomhet. Den andre er at Coinbase i forrige uke la $FLOCK til veikartet for oppføring, og det bør bli oppført i nær fremtid. $FLOCK er det opprinnelige tokenet til FLock-prosjektet, og bygger en forretningsmodell rundt tokenet. For eksempel kan oppgaveskapere betale FLOCK-tokens for å starte opplæringsoppgaver, hvorfra plattformen tar en prosentandel av serviceavgiften, og resten gis til modell- og datakraftleverandørene.