原文標題：《Demystify Bittensor ：How’s the Decentralized AI Network?》
撰文：Ming Ruan、Wenshuang Guo，Animoca Brands Research
編譯：Scof，ChainCatcher
簡要概述
-
人工智慧的發展已達到關鍵的臨界點，其對世界的深遠影響不僅不可避免，而且預計在範圍和深度上呈指數級增長。預計未來五年市場規模將超過1 兆美元，能夠加速AI 成長的項目將創造巨大的價值。
-
Bittensor 由TAO 代幣驅動，是一個去中心化的人工智慧網絡，旨在讓專案透過眾包AI 相關的「數位商品」作為去中心化AI 訓練的替代方案。
-
Bittensor 的功能依賴於兩個核心機制。第一個是創新的Yuma 共識，它使得驗證者能夠就礦工之間獎勵分配達成一致。第二個是TAO 代幣的持續發行，每12 秒發行1 個代幣。發行速率每四年減半，從而創造出可預測但逐漸減少的TAO 供應量。
-
Bittensor 的基本構建單元是子網，子網由三個關鍵參與者組成：1）子網所有者，設定子網的目標；2）礦工，提供計算能力並競爭更大份額的獎勵；3）驗證者，評估礦工的表現並因其評估而獲得獎勵。分配給子網路的總獎勵由「根子網路」或子網路0 決定。
-
目前，Bittensor 上運作超過50 個子網，涵蓋了包括基礎設施、資料來源、模型訓練、微調等在內的多種AI 相關需求。一些子網在生成特定維度上超越了中心化替代品，並展示了早期的成功。
-
像許多新成立的生態系統一樣，Bittensor 的經濟模型仍有缺陷。其自上而下的資金分配設計尚未完全對齊各方利益。此外，支持網路資金的TAO 代幣價格仍然容易受到即將到來的減半事件的影響。我們提出了一種方法來解決這些問題，提升Bittensor 生態系統的利益對齊性和永續性。
去中心化AI 的需求
人工智慧領域正以前所未有的速度發展，但這並非沒有挑戰。目前，中心化的資料訓練模式主導著這個領域，主要由OpenAI、Google 和X（前身為Twitter）等科技巨頭控制。
儘管中心化的AI 訓練近年來取得了顯著的成就，但它也存在一定的限制。首先，資料訓練過程中存在一些問題，例如私密資訊的未經授權使用、資料審查導致訓練結果失真，以及資料來源缺乏可追溯性。在演算法方面，中心化的模型嚴重依賴資料質量，並且往往難以進行即時評估以實現迭代改進。
去中心化AI 訓練提出了一個替代方案，但面臨巨大的挑戰，尤其是資源不足。目前，訓練大型模式的成本已超過1 億美元，使得社群驅動的計畫幾乎無法與之競爭。去中心化的努力依賴於運算能力、數據和人才的自願貢獻，但這些資源不足以支持類似規模的專案。因此，去中心化AI 的潛力仍然受到限制，無法在規模和影響力上完全與中心化AI 競爭。
來源：Statista
Bittensor 概述
Bittensor 是一個去中心化網絡，旨在形成一個智慧市場，使高品質的AI 模型能夠以去中心化的方式開發。透過利用激勵機制並獎勵參與者提供運算資源、專業知識和創新貢獻，Bittensor 建立了一個開源的AI 能力生態系統，其中原生貨幣TAO 既是獎勵代幣，也是存取網路的憑證。
Bittensor 的核心元件，包括其Yuma 共識、子網和TAO 代幣，最初在2021 年11 月隨著版本「中本聰」發布而推出，並建構成Polkadot 的平行鏈。隨後在2023 年遷移到基於Polkadot Substrate 建構的Layer 1 鏈，TAO 的發行計畫保持不變。
Bittensor 的創建者和營運主體——Opentensor Foundation，由前谷歌工程師Jacob Steeves 和機器學習學者Ala Shaabana 共同創立，基金會目前約有30 名員工，幾乎所有員工都從事工程職能，缺乏B2B 市場拓展、商業發展、合作夥伴關係或開發者關係等職能。
基本原理：Bittensor 如何運作？
Bittensor 開發了一個創新的網絡，基於動態激勵共識框架，允許參與者為生產機器智能所需的資源貢獻提供支持，每個子網作為一個特定任務的模型運作，擁有自己獨立的性能評估標準，並通過Bittensor 的整體Yuma 共識分配激勵。
讓我們透過一個類比來說明子網路如何運作。子網可以類比為一本雜誌的出版商，每月舉辦寫作比賽。每月，一位編輯會發布一個主題，供作家競逐10000 美元的獎勵池。標準是「最能體現web3 精神的作品」。作家將文章提交給編輯進行審閱，所有編輯會評估所有提交的作品，編輯的評分結果會決定最終的排名。排名最高的文章將被發布，並獲得最大的獎勵份額，而排名較低的文章也可能會獲得較小的獎勵。所有提交的文章及其評分都會與參與的作家和編輯分享，以便回饋和學習。透過這樣的激勵結構，作家會持續參與並貢獻，作家和編輯之間的標準也會逐步趨同，使雜誌能夠發布最能「體現web3 精神」的高品質文章。
在這個類比中，雜誌出版商代表了子網，作家代表了礦工，編輯則代表了驗證者。編輯總結對文章的評價過程就是Yuma 共識機制。在實際的子網中，礦工將獲得TAO 代幣而非美元，這些代幣由根子網（子網0）分配；驗證者也會受到激勵，以便他們的標準與匯總的評分接近，從而獲得更多獎勵。
在這一框架下，子網路所有者透過驗證者的手段，從礦工那裡訓練和獲取智慧能力，建構出具有特定功能的AI 模組。除了子網，Bittensor 還設有其他支援整個網路功能的層次：
-
應用層：外部應用程式將請求傳送到子網路以獲取智慧回應。
-
執行層：由一組子網路組成，每個子網路都在訓練和利用礦工以實現其開發智慧及其他相關能力的目標。
-
資金層：根子網路（子網路0）負責分配TAO 發行量，以資助其活動給子網路。
-
區塊鏈層：發放TAO 並在子網路鏈上記錄交易。
a. 應用層
使用者可以透過各種應用程式與Bittensor 進行互動，這些應用程式連接到子網路或作為子網路。使用者提出服務請求，例如語言翻譯或資料分析，應用程式透過驗證者API 將請求路由到子網路。最佳的礦工答案由驗證者共識選出，並回傳給使用者。
b. 執行層
這層由一組子網路組成，所有子網路都使用Yuma 共識來訓練和利用礦工。在不深入討論各個子網路的情況下，我們將在這裡討論Yuma 共識及子網路的參與情況。
Yuma 共識
Yuma 共識是建立驗證者之間共識的演算法，用於確定獎勵分配。簡化的理解方式是，每位驗證者將其總評分1 分分配給礦工。然後，每個礦工的共識得分將是所有驗證者評分的加權平均值。這個得分決定了礦工可以獲得的獎勵份額。
子網
任務特定的子網路使用一個為其目標設計的框架，稱為「驗證棧」。驗證者執行該棧，指導礦工朝著創造價值的任務前進，確保子網路目標得以實現。礦工的目標是超越同行，贏得更大份額的獎勵。
成為子網路所有者，需要先支付註冊費，然後才能連接子網路。註冊費會根據需求波動，目前約為3000 TAO。子網註銷時，費用將退還。
成為驗證者需要抵押TAO。最小抵押門檻由抵押量排名第64 的驗證者決定。抵押規模更大的驗證者在每個子網路的服務請求和Yuma 共識中具有更高的權重。此外，一個驗證者可以在多個子網路中服務。
要加入子網，無論是作為驗證者還是礦工，都需要註冊一個名為「神經元」的位置。註冊費根據子網路而有所不同，且會根據需求和供應變化，但通常低於1 TAO。註冊一旦註銷將被回收且不予退還。除了入場費，礦工還需要自訂配置其軟硬體以服務子網路的目的。因此，礦工通常會綁定在一個子網路內。
截至2024 年12 月，共有250 個驗證者由173 個用戶帳戶運營，11,856 個礦工由2,709 個用戶帳戶運營。
激勵分配
在每個子網路內，分配的TAO 發行量由根子網路（funding layer 中的root）決定，並按照預定比例分配給驗證者和礦工：41% 分配給礦工，41% 分配給驗證者，18% 分配給子網所有者。在礦工中，激勵依據驗證者分配的「信任值」來決定。在驗證者中，激勵則根據驗證者的「信任評分」和抵押量進行分配。對於有委託TAO 抵押的驗證者，驗證者會與其他抵押者共享獎勵，並扣除其保留的「份額」後進行分配。
c. 資金層
根網絡，也稱為子網0，是Bittensor 堆疊中的資金層。在根子網路中，每位驗證者運行所有子網路的驗證棧，評估各子網路自身基準返回結果的品質、準確性和回應時間，從而確定其評分。然後，這些評分透過Yuma 共識轉換為子網路在TAO 發行中的份額。
根子網有兩個獨特的特點：首先，礦工被子網替代，作為評估的主體；其次，根子網中的驗證者數量固定為64 個。在設計中，新的申請者必須抵押一個超過現有驗證者最低抵押量的TAO 才能加入根子網路。然而，目前這項替代機制已暫停，因此，儘管抵押量有所不同，一組固定的64 個驗證者控制著根子網。
d. 區塊鏈層
Subtensor 是Bittensor 中的區塊鏈，負責發行TAO。子網路中的驗證者將權重評分、交易資料和效能指標提交到Subtensor 區塊鏈。 Subtensor 區塊鏈的驗證者節點由Opentensor 基金會使用權威證明（Proof-of-Authority）進行運營，負責驗證交易、更新Subtensor 帳本，並治理獎勵分配。關於這一區塊鏈層的去中心化聲明存在爭議，因為Opentensor 基金會團隊在需要時可以暫停區塊鏈。
評估子網
截至2024 年12 月，共有56 個活躍的子網路。這些子網路涵蓋了AI 開發的多個方面，例如訓練資料管道、運算能力、訓練平台、通用AI 模型和特定應用AI 工具。子網路之間的發行分配不均，前10 個子網路佔總發行量的約50%。
在本節的其餘部分，我們將深入探討三個有趣的子網，以說明子網所有者如何使用它們。
子網18：Cortex.t
Cortex.t 是由Corcel 在DSIS 框架下開發的子網，目標是透過GPT4o 和GPT4 產生動態合成數據，用於模型測試和無偏人工智慧評估。它創建了高品質的提示- 響應對，並將其存檔為wandb.ai 上的合成問答數據，同時利用提示進化和數據增強等技術優化輸出結果。
在Cortex.t 子網路中，礦工處理需要GPT4o 和GPT4 輸出的提示，其準確性、速度和效率由驗證者評估。這些驗證者使用相同的模型形成合成資料庫，同時管理API 伺服器以傳送提示。此外，驗證者還可以在DSIS 框架下將頻寬作為服務出售，用於生產級應用。
子網路37：模型微調
模型微調子網旨在利用去中心化能力訓練先進的專業模型，例如聊天機器人或推理系統。模型微調通常耗時、計算密集，並需要特定技能。透過應用子網結構，礦工可以貢獻其技能和資源以改進模型，並獲得相應獎勵。
礦工任務以微調模型的競賽形式組織。每場競賽都會公佈基礎模型、限制條件和目標。礦工以基礎模型為起點，離線運行微調，將微調後的模型提交到Hugging Face（一個人工智慧社群網站），並將模型元資料提交到Bittensor 鏈。
驗證者會擷取元資料以識別模型，並使用來自子網路18 的合成問答資料（Synthetic QA 資料）。隨後，驗證者在 SYNTHETIC_MMLU 任務中評估礦工模型的多項選擇題準確性，從而衡量礦工的表現。礦工根據驗證者的評分排名並獲得相應獎勵。
子網路5：Open Kaito
子網5 專注於開發文本嵌入模型，以增強語義搜尋和自然語言理解等應用的能力。礦工透過使用大規模文字資料集訓練這些模型，以確保其在生成嵌入方面的高效性能。驗證者透過與最先進的基準進行對比，評估模型表現，從而推動持續改進。
這些模型將透過公共驗證者API 提供存取權限，以便於整合到各種應用中，同時目標是超越現有的效能標準。
Open Kaito 團隊最近宣稱，子網路5 的礦工已在外部保留基準測試中超越OpenAI 嵌入模型。這是在先前使用大規模合成資料集取得的較低損失和更高Top-1 準確率的基礎上實現的突破。這項成功具有重要意義，因為它表明去中心化的人工智慧模型訓練在某些方面能夠超越中心化模型。
來源：wandb
從這些子網路範例中，我們可以看出Bittensor 作為一個去中心化人工智慧生態系統的早期成功跡象。在單一子網路層面，去中心化的模式訓練和微調是可行的。這一點也得到了Prime Intelligence 最近成功訓練首個去中心化100 億參數模型 INTELLECT-1 的支持。在生態系層面，各子網路之間可以相互合作，形成價值鏈。因此，不僅模型訓練部分，甚至整個人工智慧價值鏈都有可能透過Bittensor 實現去中心化。
在評估Bittensor 上去中心化人工智慧的技術可行性後，我們將進一步探討其生態系統的經濟性，以判斷其設計是否能支援一個可持續的人工智慧訓練價值鏈。
TAO 代幣經濟模型
Bittensor 的激勵代幣TAO 建立在其區塊鏈Subtensor 之上。目前，每12 秒產生一個新區塊，每個區塊鑄造1 個TAO 作為獎勵分發給網路參與者。 TAO 的發行率在首批10,500,000 個代幣被鑄造後將迎來首次減半，隨後每當達到前一減半週期發行量的一半（如第2 次減半為5,250,000 個代幣）時，發行率將繼續減半。這項減半機制設定了TAO 的總供應上限為2,100 萬枚。截至2024 年12 月，約37.8% 的總供應量，即793 萬TAO，已經被鑄造。
每次減半事件的時間主要由區塊生成速率決定，同時也受到代幣回收的影響。每回收1 個TAO（通常來自區塊鏈手續費或子網參與者註冊費用），便阻止了1 個新TAO 的鑄造，從而延遲一個區塊生成週期的減半時間。根據最新估算，下次減半日期為 2025 年11 月29 日。
在前文中，我們已提到TAO 的主要用途是作為獎勵代幣以激勵網路參與者。以下是TAO 的其他用途：
-
質押：TAO 持有者可以將TAO 直接質押到自己的驗證者，或委託給驗證者並分享驗證者活動的獎勵，最低質押金額為0.1 TAO。
-
網路存取：礦工、驗證者和子網路所有者需要支付TAO 註冊費用才能加入Bittensor 網路。
-
治理：TAO 持有者可以透過「參議院」影響網路治理決策，例如協議升級和發行調整，「參議院」成員包括活躍的子網路驗證者。
-
交易費用：TAO 是Subtensor 區塊鏈的燃料費用代幣。
Bittensor 是否可持續？
Bittensor 被定位為一個智慧市場，讓尋求人工智慧能力的使用者可以透過建立子網路吸引驗證者和礦工進行合作。然而，其機制偏離了傳統市場結構：子網所有者並未直接為礦工或驗證者的服務支付報酬，這些貢獻者的收入也未與其產出或工作量掛鉤。
實際上，Bittensor 更像是自上而下的撥款系統，而非市場。子網路活動透過「根」網路分配的撥款來激勵，但撥款金額的決定標準並不總是與子網路的實際價值或工作量一致。此外，無論生態系中子網數量如何變化，總撥款池始終固定。
為了更好地理解這一實踐，可以將其類比為城市。在這座城市中，除了我們之前討論的雜誌出版商外，還有圖書出版商、音樂工作室和表演學校等商業實體。這些企業的唯一收入來源是市府的撥款，只要能獲得撥款委員會的批准，就能持續獲得資金，而不考慮其實際價值創造。對於新加入的企業，則需從政府購買土地以獲得資格。隨著新企業的增加，總撥款池依然固定，無論企業數量如何變化。
這種非傳統系統扭曲了市場動態，導致資源分配效率低落。撥款分配者（根網路）缺乏有效手段來衡量子網路的貢獻，而子網路則沒有動力與更廣泛的生態系統分享其人工智慧能力所帶來的利潤。礦工傾向於以最小的努力換取最大的TAO 分配，而非提高能力或承擔更多工作量。
儘管2024 年1 月提出了動態TAO（Dynamic TAO）的建議以應對部分低效問題，但該提案尚未實施，其有效性仍不確定。
TAO 的激勵模型高度依賴TAO 的強勁價格，而大多數網路參與者的主要收入為TAO，這導致了持續的拋售壓力。為平衡這種壓力，質押已成為主要機制，但區塊鏈手續費和註冊費帶來的代幣回收量仍然有限。
質押分為兩種形式：
-
驗證者質押：參與者將TAO 質押以支持網路安全並獲得獎勵，約佔所有已發行TAO 的75%。驗證者目前每天分配2,952 TAO，年化報酬率為16%。然而，第一次減半後，這項分配將減少到每天1,476 TAO，質押吸引力將下降，從而削弱質押對代幣供需平衡的影響。
-
子網路註冊質押：子網路註冊費約3,000 TAO，新子網路的加入顯著影響TAO 的供應。但這也引發了一個難題：由於TAO 的總發行量固定，子網路數量增加會稀釋所有子網路的獎勵，使現有子網路難以維持運營，可能導致部分子網路退出網路。
Bittensor 目前的經濟模式並不具有永續性。其自上而下的撥款結構未能有效率地在子網間分配資源。更重要的是，TAO 的需求不足以支撐其減半後的價值，這加劇了網路的脆弱性，威脅其長期生存能力。
我們的提案
我們提出一項兩部分策略以增強Bittensor 的可持續性：
-
激勵子網貢獻：允許子網路所有者向其子網路提供額外的TAO 獎勵，這些獎勵將加入根網路分配給子網路的總激勵池，並透過現有共識機制分配給參與者。此舉將激勵那些從子網中獲得顯著價值的子網所有者向子網獎勵池貢獻資金，從而確保礦工和驗證者的積極參與，並讓子網所有者成為TAO 代幣的購買力量，有效支撐其價格。
-
優先撥款分配：根網路應優先為新建和高潛力子網路分配撥款，同時逐步減少對老舊子網路的支援。此舉將透過自然淘汰產生價值較低的子網，確保新子網在不被總子網數量稀釋的情況下獲得充足的資金。此外，這種方式將減輕根網路驗證者的負擔，使其專注於新子網路的成長，更符合自上而下的撥款模式。
透過實施這些策略，Bittensor 可以為TAO 代幣創造持續需求，幫助其維持價值，而不再只依賴質押。同時，這些措施透過引入自然選擇機制推動生態系統成長，集中資源孵化新子網路。
結語
人工智慧無疑代表著科技進步的未來。這一點從人工智慧價值鏈中領先企業的高估值以及其在社會各領域的廣泛應用潛力中得以體現。儘管中心化的人工智慧開發推動了進步，但也暴露了依賴中心化資料、模型開發和利潤集中的弊端。
Bittensor 提供了一種去中心化人工智慧的有力替代方案。在自上而下的撥款模型和穩健的TAO 代幣價格支持下，多個子網已展示出推動人工智慧能力發展的潛力。整體而言，Bittensor 可形成涵蓋人工智慧生態系統整個價值鏈的綜合平台。
然而，正如其他新興生態系統一樣，Bittensor 也面臨挑戰，特別是在第一次減半後，其代幣經濟模型的可持續性和獎勵分配系統的有效性。為解決這些問題，我們建議對獎勵模型進行調整，優先支持新建和高潛力子網，使其如創投一樣運作。這將使現有子網所有者能夠資助其參與者，並從去中心化人工智慧的貢獻中獲益。
透過這項調整，我們相信Bittensor 的激勵模型能夠實現永續性，從而將注意力轉向真正關鍵的問題：去中心化人工智慧何時能夠創造高價值的現實應用？