作者：0xai
編譯：深潮TechFlow
Bittensor 是什麼？
Bittensor 本身不是人工智慧產品，也不生產或提供任何人工智慧產品或服務。 Bittensor 是一個經濟系統，透過為AI 產品生產者提供極具競爭力的激勵體系，充當AI 產品市場的優化器。在Bittensor 生態系統中，高品質的生產者會獲得更多的激勵，而競爭力較弱的生產者則逐漸被淘汰。
那麼，Bittensor 是如何具體創建這種激勵機制的，以鼓勵有效競爭並促進高品質人工智慧產品的有機生產？
Bittensor 飛輪模型
Bittensor 透過一個飛輪模型實現了這個目標。驗證者評估生態系統中人工智慧產品的質量，並根據其品質分配激勵，確保高品質生產者獲得更多的激勵。這激發了高品質產出的持續增加，從而增強了Bittensor 網路的價值並促進了TAO 的增值。 TAO 的增值不僅吸引了更多高品質的生產者加入Bittensor 生態系統，而且增加了操縱品質評估結果的操縱者的攻擊成本。這進一步加強了誠實驗證者的共識，增強了評估結果的客觀性和公平性，從而實現了更有效的競爭和激勵機制。
確保評估結果的公平性和客觀性是啟動飛輪的關鍵一步。這也是Bittensor 的核心技術，即基於Yuma 共識的抽象驗證系統。
那麼，Yuma 共識是什麼，它是如何確保共識後的品質評估結果是公平客觀的呢？
Yuma 共識是一種共識機制，旨在根據眾多驗證者提供的多樣化評估來計算最終的評估結果。類似於拜占庭容錯共識機制，只要網路中的大多數驗證者是誠實的，最終就能做出正確的決定。假設誠實的驗證者能夠提供客觀的評估，那麼共識後的評估結果也將是公平客觀的。
以子網品質評估為例，根網驗證者評估並排名每個子網路的產出品質。來自64 個驗證者的評估結果被匯總，並透過Yuma 共識演算法得出最終的評估結果。然後，這些最終結果用於為每個子網分配新鑄造的TAO。
目前，Yuma 共識確實還有進步的空間：
- 根網驗證者可能無法完全代表所有TAO 持有者，他們提供的評估結果可能不一定反映了廣泛的觀點。此外，一些頂級驗證者的評估可能並不總是客觀的。即使發現偏見的情況，也可能無法立即糾正。
- 根網驗證者的存在限制了Bittensor 可以容納的子網數量。要與中心化的人工智慧巨頭競爭，只有32 個子網路是不夠的。然而，即使有32 個子網，根網驗證者也可能難以有效監控所有子網路。
- 驗證者可能沒有強烈的傾向於遷移到新的子網路。短期內，驗證者可能會在從發行量較高的舊子網路遷移到發行量較低的新子網路時失去一些獎勵。新子網路的發行量最終能否趕上的不確定性，再加上在追求過程中明確的獎勵損失，會降低他們遷移的意願。
Bittensor 還計劃升級機制來解決這些缺點：
- 動態TAO 將把評估子網路品質的權力分散給所有TAO 持有者，而不是少數驗證者。 TAO 持有者將能夠透過質押間接確定每個子網路的分配比例。
- 沒有根網驗證者的限制，活躍子網的最大數量將增加到1024 個。這將大大降低新團隊加入Bittensor 生態系統的門檻，導致子網路之間的競爭更加激烈。
- 較早遷移到新子網路的驗證者可能會獲得更高的獎勵。早期遷移到新子網路意味著以較低的價格購買該子網路的動態TAO，增加了未來獲得更多TAO 的可能性。
強大的包容性也是Yuma 共識的主要優勢之一。 Yuma 共識不僅用於確定每個子網路的發行量，還用於確定同一子網路內每個礦工和驗證者的分配比例。此外，無論礦工的任務是什麼，其包含的貢獻，包括運算能力、數據、人類貢獻和智力，都是抽象考慮的。因此，人工智慧商品生產的任何階段都可以存取Bittensor 生態系統，享受激勵，同時增強Bittensor 網路的價值。
接下來，讓我們探討一些領先的子網，觀察Bittensor 如何激勵這些子網的產出。
優秀的子網
子網路3：Myshell TTS
可以透過在GitHub 上建立一個帳戶來貢獻myshell ai/MyShell TTS 子網路的開發。
發行量：3.46% （2024 年4 月9 日）
背景：Myshell 是Myshell TTS（文字轉語音）背後的團隊，由麻省理工學院、牛津大學和普林斯頓大學等知名機構的核心成員組成。 Myshell 旨在創建一個無程式碼平台，使沒有程式設計背景的大學生能夠輕鬆創建自己想要的機器人。專注於TTS 領域、有聲書和虛擬助手，Myshell 於2023 年3 月推出了第一個語音聊天機器人Samantha。隨著產品矩陣的不斷擴張，迄今已累積了超過一百萬註冊用戶。該平台託管各種類型的機器人，包括語言學習、教育和效用機器人。
定位：Myshell 推出這個子網路是為了匯集整個開源社群的智慧，打造最好的開源TTS 模型。換句話說，Myshell TTS 不會直接運行模型或處理最終用戶的請求；相反，它是一個用於訓練TTS 模型的網路。
Myshell TSS 架構
Myshell TTS 運作的流程如上圖所示。礦工負責訓練模型並上傳已訓練好的模型到模型池（模型的元資料也儲存在Bittensor 區塊鏈網路中）；驗證者透過產生測試案例、評估模型效能並根據結果進行評分來評估模型；Bittensor區塊鏈負責使用Yuma 共識來聚合權重，確定每個礦工的最終權重和分配比例。
總之，礦工必須不斷提交更高品質的模型以維持其獎勵。
目前，Myshell 也在其平台上推出了一個演示，供使用者嘗試Myshell TTS 中的模型。
Open Kaito 架構
在未來，隨著Myshell TTS 訓練的模型變得更加可靠，將會有更多的用例上線。此外，作為開源模型，它們不僅限於Myshell，還可以擴展到其他平台。透過這種去中心化的方法訓練和激勵開源模型，難道不正是我們在去中心化人工智慧中的目標嗎？
子網路5：Open Kaito
可以透過在GitHub 上建立一個帳戶來貢獻Open Kaito 的開發。
發行量：4.39% （2024 年4 月9 日）
背景：Kaito.ai 背後的團隊是Open Kaito 團隊，其核心成員在人工智慧領域擁有豐富的經驗，之前曾在AWS、META 和Citadel 等一流公司工作。在進入Bittensor 子網路之前，他們推出了旗艦產品Kaito.ai——一個Web3 鏈下資料搜尋引擎，在2023 年第四季推出。利用人工智慧演算法，Kaito.ai 優化了搜尋引擎的核心元件，包括資料收集、排名演算法和檢索演算法。它已被認可為加密社區中一流的資訊收集工具。
定位：Open Kaito 旨在建立一個去中心化的索引層，以支援智慧搜尋和分析。搜尋引擎不僅僅是一個資料庫或排名演算法，而是一個複雜的系統。此外，一個有效的搜尋引擎還需要低延遲，這對建立分散版本提出了額外的挑戰。幸運的是，透過Bittensor 的激勵系統，這些挑戰有望得到解決。
Open Kaito 的運作過程如上圖所示。 Open Kaito 不僅分散了搜尋引擎的每個元件，而且將索引問題定義為礦工- 驗證者問題。也就是說，礦工負責回應用戶的索引請求，而驗證者則分發需求並對礦工的回應進行評分。
Open Kaito 不會限制礦工如何完成索引任務，而是專注於礦工產出的最終結果，以鼓勵創新解決方案。這有助於培養礦工之間的健康競爭環境。面對用戶的索引需求，礦工努力改進執行計劃，以使用更少的資源獲得更高品質的回應結果。
子網路6：Nous Finetuning
可以透過在GitHub 上建立一個帳戶來貢獻Nous Research/finetuning 子網路的開發。
發行量：6.26% （2024 年4 月9 日）
背景：Nous Finetuning 背後的團隊來自Nous Research，這是一個專注於大規模語言模型（LLM）架構、資料合成和設備內推理的研究團隊。其共同創辦人曾擔任Eden Network 的首席工程師。
定位：Nous Finetuning 是一個專門用於微調大型語言模型的子網路。此外，用於微調的數據也來自Bittensor 生態系統，具體來說是子網路18。
Nous Finetuning 的運作過程類似Myshell TSS。礦工基於來自子網路18 的資料訓練模型，並定期發布這些模型以在Hugging Face 上託管；驗證者評估模型並提供評分；同樣，Bittensor 區塊鏈負責使用Yuma 共識來聚合權重，確定每個礦工的最終權重和發行量。
子網18：Cortex.t
可以透過在GitHub 上建立一個帳戶來貢獻corcel-api/cortex.t 的開發。
發行量：7.74%（2024 年4 月9 日）
背景：Cortex.t 背後的團隊是Corcel.io，獲得了Bittensor 網路第二大驗證者Mog 的支持。 Corcel.io 是一個面向最終用戶的應用程序，透過利用Bittensor 生態系統的人工智慧產品提供與ChatGPT 類似的體驗。
定位：Cortex.t 被定位為向最終用戶提供結果之前的最後一層。它負責偵測和最佳化各種子網路的輸出，以確保結果準確可靠，特別是當單一提示呼叫多個模型時。 Cortex.t 旨在防止空白或不一致的輸出，確保無縫的使用者體驗。
Cortex.t 中的礦工利用Bittensor 生態系統中的其他子網路來處理最終用戶的請求。他們還使用GPT 3.5 turbo 或GPT 4 來驗證輸出結果，以確保對最終用戶的可靠性。驗證者透過將其與OpenAI 產生的結果進行比較來評估礦工的產出。
子網路19：Vision
透過在GitHub 上建立一個帳戶來貢獻namoray/vision 的開發。
發行量：9.47%（2024 年4 月9 日）
背景：Vision 背後的開發團隊也來自Corcel.io。
定位：Vision 旨在透過利用一種名為DSIS（分散式規模推理子網路）的最佳化子網路建構框架，最大化Bittensor 網路的產出能力。該框架加速了礦工對驗證者的回應。目前，Vision 專注於影像生成的場景。
驗證者從Corcel.io 前端接收需求並分發給礦工。礦工可以自由選擇自己喜歡的技術堆疊（不限於模型）來處理需求並產生回應。然後，驗證者評估礦工的表現。由於DSIS 的存在，Vision 能夠比其他子網路更快、更有效地回應這些需求。
總結
從上述範例中可以明顯看出，Bittensor 具有很高的包容性。礦工的生成和驗證者的驗證都發生在鏈下，Bittensor 網路僅用於根據驗證者的評估為每個礦工分配獎勵。符合礦工- 驗證者架構的人工智慧產品生成的任何方面都可以轉化為子網路。
從理論上講，子網路之間的競爭應該是激烈的。對於任何子網路來說，要繼續獲得獎勵，就必須持續產出高品質的輸出。否則，如果根網驗證者認為子網路的產出低價值，其分配可能會減少，最終可能被新子網路取代。
然而，在現實中，我們確實觀察到了一些問題：
- 由於子網路定位相似而導致的資源冗餘和重複。在現有的32 個子網路中，有多個子網路專注於諸如文字到圖像、文字提示和價格預測等熱門方向。
- 存在沒有實際用例的子網路。儘管價格預測子網可能作為預言機提供理論價值，但目前的預測數據效能遠未達到最終用戶可用的水平。
- 存在「劣幣驅逐良幣」的情況。某些頂級驗證者可能不傾向於遷移到新的子網，即使一些新的子網表現出明顯更高的品質。然而，由於缺乏資金支持，他們可能在短期內無法獲得足夠的發行量。由於新的子網路只有7 天的保護期，如果它們無法迅速累積足夠的發行量，它們可能面臨被淘汰和下線的風險。
這些問題反映出子網路之間競爭不足，有些驗證者沒有發揮鼓勵有效競爭的功能。
Open Tensor Foundation 驗證者（OTF）已經實施了一些臨時措施來緩解這種情況。作為持有23% 質押權的最大驗證者（包括委託），OTF 為子網提供了爭奪更多質押TAO 的管道：子網所有者可以每周向OTF 提交請求，以調整其在子網中的質押TAO 比例。這些請求必須涵蓋10 個方面，包括「子網路目標和對Bittensor 生態系統的貢獻」、「子網路獎勵機制」、「通訊協定設計」、「資料來源和安全性」、「運算要求」和「路線圖」等，以促進OTF 的最終決策。
然而，要從根本解決這個問題，一方面，我們迫切需要推出dTAO（Dynamic TAO），旨在從根本上改變上述不合理的問題。或者，我們可以呼籲持有大量Stake TAO 的大型驗證者更多地從「生態系統發展」的角度而不是僅僅從「財務回報」的角度來考慮Bittensor 生態系統的長期發展。
綜上所述，憑藉其強大的包容性、激烈的競爭環境和有效的激勵機制，我們相信Bittensor 生態系統能夠有機地生產高品質的人工智慧產品。儘管並非現有子網路的所有輸出都可以與中心化產品的輸出相媲美，但我們不要忘記目前的Bittensor 架構剛剛成立一周年（子網路1 於2023 年4 月13 日註冊）。對於一個有潛力與中心化人工智慧巨頭競爭的平台，或許我們應該專注於提出切實可行的改進計劃，而不是急於批評它的缺點。畢竟，我們都不希望看到人工智慧不斷被少數巨頭控制。
APP 
