作者：Teng Yan，前Delphi Digital NFT研究主管；翻譯：0xjs@黃金財經
我對去中心化集體智慧的想法很著迷，所以最近，我一直在探索Bittensor 模型來引導啟動特定領域的AI網路。
但我發現Bittensor有幾個嚴重缺陷。我的發現令人震驚，也讓我暫停下來。
Bittensor快速回顧
來源：Bittensor.com
Bittensor作為AI模型的去中心化激勵網路運作。
在其32 個子網路中，礦工部署AI模型，根據特定標準進行競爭。然後驗證者對這些產出進行評估和排名，礦工根據其相對錶現賺取TAO 代幣。目前，這些子網路正在處理文字生成、圖像生成、文字轉語音和模型微調等任務。
「AI模型的賽馬」：使用DALL-E 2 產生的影像
簡而言之：這是AI模型的賽馬。最好的馬（模型）獲得最大的獎勵。
這裡的重要想法是，金錢激勵自然會吸引表現最好的模型和創新者到最相關的子網。
我第一次分享我對Bittensor 的一些早期看法是在去年11 月。從那時起，Bittensor 逐漸成為Crypto Twitter 的寵兒，成為去中心化AI運動的旗手。截至目前，Bittensor 的市值為28 億美元，完全稀釋後的估值為85 億美元。
前進的道路崎嶇不平
在我看來，Bittensor最大的問題是：
1.橫向經濟被打破
如果實施得當，子網路內激勵驅動的競爭以產生最佳輸出是有意義的。
請注意粗體、大寫的「如果」。
存在諸如激勵博弈、中繼挖礦以及驗證者對真正正確輸出的了解等挑戰。我相信這些問題可以透過足夠的研究和實驗來解決。一些子網路已經採取措施或修改了其標準，以阻止中繼挖礦和其他不當行為。
然而，當競爭橫向擴展時，經濟模式開始崩潰。
子網路必須相互競爭才能獲得更大的通貨膨脹獎勵分配。一旦實現動態TAO，這一點將變得更加明顯（子網將擁有自己的動態代幣，代幣持有者可以影響子網之間獎勵的分配）
這就引出了一個問題：
TAO 持有者該如何比較不同子網路帶給Bittensor 網路的經濟價值？例如：
(1) 文字轉語音模型（子網路3）與
(2) 篩檢X 光疾病的視覺模型？
每種情況下生成的價值完全不同。你可以用多種方式來解釋這個問題，但答案從來都不是明確的。依靠市場力量來確定每個子網路的價值貢獻對於長期策略發展來說並不是最佳選擇。
這就像是讓每個AAPL 股東投票決定蘋果應該開發的下一個產品。
2. 子網路的競爭挑戰
我懷疑Bittensor 子網路在基本的生成式AI任務（例如一般圖像和文字生成）中是否具有競爭力。已經有一些開源專案在這些領域表現出色，這些專案通常受到聲譽、研究貢獻和公共服務的推動。
以Meta 發布的強大的大語言模型(LLM) Llama-3 作為開源工具為例。儘管Llama-3 的開發投入了數十億美元，但它仍然可以免費使用，並獲得了社區的大力支持。自上週發布以來，它在Huggingface 上的下載量已超過500,000 次。
基準比較表明，像Llama-3 這樣的開源LLM 已經是同類中的佼佼者，並且可以說與OpenAI 的GPT-4 等專有模型不相上下。
到目前為止，我還沒有看到Bittensor 子網實現了超越現有開源模型的成果或功能。我也沒有看到證據顯示它們的表現優於既定基準。在某些時候，你必須問自己是否會這樣做。
3.智慧網運作成本高
該網路在很大程度上依賴其原生代幣TAO 來運作。礦工主要在發現計算套利機會時加入網絡，特別是當挖礦獎勵超過計算成本時。
TAO 的需求取決於：
(1) 投機者（一大堆蠕蟲，我們不會在這裡討論）
(2) 增加更多Bittensor 子網，或增加成為礦工或驗證者的需求。然而，這種成長往往會削弱現有參與者的動機。由於礦工/驗證者的單位經濟效益面臨壓力，代幣價格下跌會導致網路活動反身性下降。
來源：Taostats.io
Bittensor 的營運成本很高，每天向子網路所有者+ 礦工+ 驗證者支付7,200 TAO 的通貨膨脹。這相當於每天約320 萬美元或每年12 億美元。
這就提出了一個關鍵問題：這筆資金從哪裡來？主要是投機者。但是Bittensor 一年內會產生12億美元的價值嗎？它的估值可能已經遠遠超出了自身的價值。
4、透明度
儘管Bittensor 提供了一定程度的去中心化，但值得注意的是，它不是開源的——這是一個至關重要的區別。雖然子網路的參與對任何人開放，但內部機制並不透明，導致使用者對以下活動的了解有限：
-
礦工們在做什麼？
-
他們運行什麼演算法？
-
最終結果是如何產生的？
這種透明度的缺乏可能會限制使用子網輸出開發的應用程式的多樣性，因為許多開發人員需要清楚地了解底層推理過程。
一些思考
我並不反對Bittensor。事實上，我發現它是新興的Crypto x AI領域最有趣的實驗之一。
它成功地圍繞著其願景聚集了一群聰明人。它可能會激發許多未來的項目。然而，Bittensor 必須正面應對當前的挑戰，才有機會在現實世界中取得成功，否則它將迷失在投機炒作的墳墓中。
一些結束的想法：
-
如果網路內的所有子網路都針對特定部門而不是分散在各種不相關的任務中，則可以實現更大的協同作用。
-
例如，我設想“用於基因組研究/藥物發現的Bittensor ”或“用於金融/交易的Bittensor ”。這實際上可以做得很好。這種願景的一致性可以促進經濟凝聚力、策略方向和業務發展努力。
-
Bittensor 的經濟模型（在目前的狀態下）可能最適合AI的生態位，這些領域不會引起廣泛關注，但可以從有針對性的激勵措施中受益。潛在的應用包括特定於加密貨幣的任務，例如預測代幣價格。
最後，我堅信AI的去中心化在世界上發揮著極其重要的作用——平衡大型科技公司的全球主導地位並促進創新，特別是透過開源措施。我將在以後的文章中詳細闡述我的想法。