四、团队与融资概况
Nous Research 成立于 2023 年，由 Jeffrey Quesnelle（CEO）、Karan Malhotra、Teknium、Shivani Mitra 等人联合创办。团队以哲学驱动与系统工程并重，拥有机器学习、系统安全、去中心化网络等多元背景。2024 年获得 520 万美元种子轮融资，2025 年 4 月，完成由 Paradigm 领投的 5,000 万美元 A 轮融资，估值达 10 亿美元，跻身 Web3 AI 独角兽行列。
Flock：区块链增强型联邦学习网络Flock.io 是一个基于区块链的联邦学习平台，旨在实现 AI 训练的数据、计算和模型的去中心化。FLock 倾向于「联邦学习 + 区块链奖励层」的整合框架，本质上是对 传统 FL 架构的链上演进版本，而非构建全新训练协议的系统性探索。与 Gensyn、Prime Intellect、Nous Research 和 Pluralis 等去中心化训练项目相比，Flock 侧重隐私保护与可用性改进，而非在通信、验证或训练方法上展开理论突破，其真正适合对比的对象为 Flower、FedML、OpenFL 等联邦学习系统。
一、Flock.io 的核心机制
1. 联邦学习架构：强调数据主权与隐私保护
Flock 基于经典联邦学习（Federated Learning, FL）范式，允许多个数据拥有者在不共享原始数据的前提下协同训练统一模型，重点解决数据主权、安全与信任问题。核心流程包括：
-
本地训练：每个参与者（Proposer）在本地设备上训练模型，不上传原始数据；
-
链上聚合：训练完成后提交本地权重更新，由链上 Miner 聚合为全局模型；
-
委员会评估：通过 VRF 随机选举 Voter 节点使用独立测试集评估聚合模型效果并打分；
-
激励与惩罚：根据得分结果执行奖励或罚没抵押金，实现抗作恶与动态信任维护。
2. 区块链集成：实现去信任的系统协调
Flock 将训练过程的核心环节（任务分配、模型提交、评估评分、激励执行）全部链上化，以实现系统透明、可验证与抗审查。主要机制包括：
-
VRF 随机选举机制：提升 Proposer 与 Voter 的轮换公平性与抗操控能力；
-
权益抵押机制（PoS）：通过代币抵押与惩罚约束节点行为，提升系统鲁棒性；
-
链上激励自动执行：通过智能合约实现任务完成与评估结果绑定的奖励分发与 slashing 扣罚，构建无需信任中介的协作网络。
3. zkFL：零知识聚合机制的隐私保护创新：Flock 引入 zkFL 零知识聚合机制，使 Proposer 可提交本地更新的零知识证明，Voter 无需访问原始梯度即可验证其正确性，在保障隐私的同时提升训练过程的可信性，代表了联邦学习在隐私保护与可验证性融合方向上的重要创新。
二、Flock 的核心产品组件
AI Arena：是 Flock.io 的去中心化训练平台，用户可通过 train.flock.io 参与模型任务，担任训练者、验证者或委托者角色，通过提交模型、评估表现或委托代币获得奖励。目前任务由官方发布，未来将逐步开放给社区共创。