0xai 團隊：為什麼我們看好Bittensor？

作者：0xai，AI創作平台來源：medium 翻譯：善歐巴，金色財經

Bittensor 到底是什麼？

Bittensor本身並不是人工智慧產品，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生態中，優質的生產者獲得更多的激勵，而競爭力較差的生產者則逐漸被淘汰。

0xai 團隊、Jacob 和Vitalik 在小組討論中

那麼，Bittensor具體是如何打造這種鼓勵有效競爭、促進優質AI產品有機生產的激勵機制呢？

Bittensor 飛輪模型

Bittensor 透過飛輪模型實現了這一目標。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，確保高品質的生產者獲得更多的激勵。這刺激了高品質產出的不斷增加，從而提升了Bittensor網路的價值並增加了TAO的升值。 TAO的升值不僅吸引了更多優質生產者加入Bittensor生態，同時也增加了操縱者操縱品質評估結果的攻擊成本。這進一步強化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。

確保評估結果的公正性和客觀性是轉動飛輪的關鍵一步。這也是Bittensor的核心技術，也就是基於Yuma共識的抽象驗證系統。

那麼，什麼是玉馬共識，它如何保證共識後的品質評估結果公平客觀呢？

Yuma共識是一種共識機制，旨在從眾多驗證者提供的多樣化評估中計算出最終評估結果。類似拜占庭容錯共識機制，只要網路中大多數驗證者是誠實的，最終就能達成正確的決策。假設誠實的驗證者能夠提供客觀的評價，那麼共識後的評價結果也會是公平客觀的。

以子網路品質評估為例，根網路驗證器對每個子網路輸出的品質進行評估和排名。將64個Validator的評估結果進行匯總，透過Yuma共識演算法得到最終的評估結果。然後使用最終結果將新建立的TAO 分配給每個子網路。

目前，尤馬共識確實還有進步的空間：

1. 根網路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也不一定反映廣泛的觀點。此外，一些頂級驗證者的評估可能並不總是客觀的。即使發現了偏見，也可能不會立即糾正。

2. 根網路驗證器的存在限制了Bittensor 可容納的子網路數量。要與集中式人工智慧巨頭競爭，僅擁有32 個子網路是不夠的。然而，即使有32 個子網，根網路驗證器也可能難以有效監控所有子網路。

3. 驗證者可能沒有強烈的意願遷移到新的子網路。短期內，驗證者從排放量較高的舊子網遷移到排放量較低的新子網時可能會失去一些獎勵。新子網的排放最終能否趕上的不確定性，加上追求過程中獎勵的明確損失，削弱了他們遷移的意願。

Bittensor 還計劃升級機制來解決這些缺點：

1. 動態TAO 將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。

2. 沒有根網路驗證器的限制，活躍子網路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。

3. 較早遷移到新子網路的驗證者可能會獲得更高的獎勵。儘早遷移到新的子網路意味著以較低的價格購買該子網路的dTAO，增加了未來接收更多TAO 的可能性。

較強的包容性也是尤馬共識的一大優勢。 Yuma共識不僅用於確定每個子網路的排放量，還用於決定同一子網路內每個礦工和驗證者的分配比例。而且，無論礦工的任務是什麼，它所包含的貢獻，包括運算能力、數據、人類貢獻和智力，都是抽象考慮的。因此，AI商品生產的任何階段都可以連接到Bittensor生態系統，享受激勵的同時也提升了Bittensor網路的價值。

接下來，我們來探索一些領先的子網，並觀察Bittensor 如何激勵這些子網的輸出。

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，核心成員來自麻省理工學院、牛津大學、普林斯頓大學等知名學院。 Myshell旨在創建一個無程式碼平台，讓沒有程式設計背景的大學生輕鬆創建自己想要的機器人。 Myshell專注於TTS領域、有聲書和虛擬助理，於2023年3月推出了首款語音聊天機器人Samantha。隨著產品矩陣的不斷擴大，目前註冊用戶已超過百萬。該平台託管各種類型的機器人，包括語言學習型、教育型和實用型機器人。

定位： Myshell推出這個Subnet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將訓練好的模型上傳到模型池（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評分來評估模型；Bittensor 區塊鏈負責使用Yuma 共識聚合權重，以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來維持他們的獎勵。

目前，Myshell也在其平台上推出了demo，供使用者試用Myshell TTS中的模型。

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。而且，作為開源模式，它們將不僅限於Myshell，還可以擴展到其他平台。透過這種去中心化的方法來訓練和激勵開源模型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，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的運作流程如上圖所示。 Open Kaito 並不是簡單地分散搜尋引擎的每個元件，而是將索引問題定義為礦工驗證器問題。也就是說，礦工負責響應用戶索引請求，而驗證者則分發需求並對礦工的回應進行評分。

Open Kaito 並未限制礦工如何完成索引任務，而是專注於礦工最終產出的結果，以鼓勵創新解決方案。這有助於在礦工之間營造健康的競爭環境。面對用戶索引需求，礦工努力完善執行計劃，以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、資料合成和裝置內推理的研究團隊。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的運行過程類似Myshell TSS。礦工基於子網路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的支援。 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

從上面的例子可以看出，Bittensor 表現出了高度的包容性。礦工的生成和驗證者的驗證發生在鏈下，Bittensor 網路僅根據驗證者的評估向每個礦工分配獎勵。適合礦工驗證器架構的人工智慧產品產生的任何方面都可以轉換為子網路。

理論上，子網路之間的競爭應該會很激烈。任何子網路要繼續獲得獎勵，就必須持續產生高品質的輸出。否則，如果根網路驗證器認為某個子網路的輸出價值較低，則其分配可能會減少，並且最終可能會被新的子網路取代。

但在現實中，我們確實發現了一些問題：

1. 由於子網路定位相似而導致資源冗餘和重複。現有32個Subnet中，有多個Subnet專注於文字轉圖像、文字提示、價格預測等熱門方向。

2. 存在沒有實際用例的子網路。雖然價格預測子網路作為預言機提供者可能具有理論上的價值，但預測資料的當前效能還遠遠不能被最終使用者使用。

3. 「劣幣驅逐良幣」的例子。某些頂級驗證者可能沒有強烈的意願遷移到新的子網，即使某些新子網表現出明顯更高的品質。但由於缺乏資金支持，短期內可能無法獲得足夠的排放量。由於新子網路上線後的保護期只有7天，如果無法快速累積足夠的排放量，可能會面臨被淘汰、下線的風險。

這些問題反映出子網路之間的競爭不夠充分，有些驗證者沒有起到鼓勵有效競爭的作用。

開放張量基金會驗證器（OTF）實施了一些臨時措施來緩解這種情況。作為擁有23% 質押權（包括委託）的最大驗證人，OTF 為子網提供了爭奪更多Staked TAO 的渠道：子網所有者可以每周向OTF 提交請求，調整其在子網中Staked TAO 的比例。這些請求必須涵蓋「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」、「資料來源與安全性」、「運算需求」和「路線圖」等10個面向，以方便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出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。