Спочатку-речі, що саме таке Біттензор?

Bittensor сам по собі не є продуктом штучного інтелекту, ні виробником, ні постачальником будь-яких продуктів або послуг штучного інтелекту. Биттенсор - це економічна система, яка служить оптимізатором для ринку продуктів штучного інтелекту, забезпечуючи висококонкурентну систему стимулювання для виробників продуктів штучного інтелекту. У екосистемі Біттенсор високоякісні виробники отримують більше стимулів, тоді як менш конкурентоспроможні виробники поступово вибувають.

Отже, як саме Bittensor створює цей стимулюючий механізм, який сприяє ефективній конкуренції та сприяє органічному виробництву високоякісних продуктів штучного інтелекту?

Модель мухлівного колеса Bittensor

Bittensor досягає цієї мети за допомогою моделі маховика. Валідатори оцінюють якість продуктів штучного інтелекту в екосистемі та розподіляють стимули на основі їх якості, забезпечуючи, що високоякісні виробники отримують більше стимулів. Це стимулює постійне зростання високоякісного виробництва, тим самим підвищуючи вартість мережі Bittensor та збільшуючи оцінку TAO. Підвищення TAO не тільки привертає більше високоякісних виробників до участі в екосистемі Bittensor, але й збільшує витрати на атаки з боку маніпуляторів, що маніпулюють результатами оцінки якості. Це ще більше зміцнює згоду чесних валідаторів та підвищує об'єктивність та справедливість результатів оцінки, тим самим досягаючи більш ефективного конкурентного та стимулюючого механізму.

Забезпечення справедливості та об'єктивності результатів оцінки - це важливий крок у включенні маховика. Це також основна технологія Bittensor, а саме абстрактна система валідації на основі Yuma Consensus.

Отже, що таке Yuma Consensus і як воно забезпечує, що результати оцінки якості після консенсусу є справедливими та об'єктивними?

Yuma Consensus - це механізм консенсусу, розроблений для розрахунку кінцевих результатів оцінки на основі різноманітних оцінок, наданих численними валідаторами. Подібно до механізмів консенсусу з толерантністю до вад за типом Візантійського, якщо більшість валідаторів в мережі є чесними, правильне рішення може бути прийняте в кінці. Припускаючи, що чесні валідатори можуть надавати об'єктивні оцінки, результати оцінки після досягнення консенсусу також будуть справедливими та об'єктивними.

Наприклад, при оцінці якості підмережі Мережеві валідатори оцінюють та ранжують якість виходу кожної підмережі. Результати оцінки від 64 валідаторів агрегуються, і кінцеві результати отримуються за допомогою алгоритму консенсусу Yuma. Кінцеві результати потім використовуються для виділення відновленого TAO кожній підмережі.

Наразі Консенсус Юма дійсно має місце для покращення:

1. Мережеві валідатори Root можуть не повністю відображати всіх власників TAO, і результати їх оцінки можуть не обов'язково відображати широкий спектр точок зору. Крім того, оцінки від кількох провідних валідаторів не завжди можуть бути об'єктивними. Навіть якщо виявлено випадки упередженості, їх не завжди виправляють негайно.
2. Наявність кореневих мережевих перевіряючих обмежує кількість підмереж, які може розмістити Bittensor. Щоб конкурувати з централізованими велетнями штучного інтелекту, недостатньо мати лише 32 підмережі. Проте навіть з 32 підмережами кореневим мережевим перевіряючим може бути важко ефективно контролювати всі з них.
3. Валідатори можуть не мати вираженої схильності мігрувати на нові підмережі. У короткостроковій перспективі валідатори можуть втратити деякі винагороди під час міграції зі старої підмережі з вищим викидом на нову підмережу з нижчим викидом. Невизначеність того, чи врешті-решт емісія нової підмережі наздоганяє, разом із безумовною втратою винагород під час переслідування, приглушує їхню готовність до міграції.

Bittensor також планує механізми оновлення, щоб вирішити ці недоліки:

1. Динамічний TAO розцентрує владу оцінки якості Підмережі, розподіливши її між всіма власниками TAO, а не лише кількома Валідаторами. Власники TAO зможуть опосередковано визначити співвідношення виділення кожної Підмережі через стейкінг.
2. Без обмежень валідаторів кореневої мережі максимальна кількість активних підмереж буде збільшена до 1024. Це значно знизить бар'єр для нових команд, що приєднуються до екосистеми Bittensor, що призведе до жорсткої конкуренції серед підмереж.
3. Валідатори, які мігрують на нові підмережі раніше, ймовірно, отримають вищі винагороди. Рання міграція на нову підмережу означає придбання dTAO цієї підмережі за нижчою ціною, що збільшує ймовірність отримання більшої кількості TAO в майбутньому.

Сильна інклюзивність також є однією з головних переваг Yuma Consensus. Консенсус Yuma використовується не тільки для визначення емісії кожної підмережі, але й для визначення коефіцієнта розподілу кожного майнера та валідатора в межах однієї підмережі. Крім того, незалежно від завдання майнера, внески, які він містить, включаючи обчислювальні потужності, дані, людський внесок та інтелект, розглядаються абстрактно. Таким чином, будь-який етап виробництва товарів зі штучним інтелектом може отримати доступ до екосистеми Bittensor, отримуючи стимули, а також підвищуючи цінність мережі Bittensor.

Далі давайте дослідимо деякі провідні підмережі та спостерігатимемо, як Bittensor стимулює вивід цих підмереж.

Підмережа #3 Myshell TTS

GitHub — myshell-ai/MyShell-TTS-Subnet

Долучайтесь до розвитку моєї мережі myshell-ai/MyShell-TTS-Subnet, створивши обліковий запис на GitHub.

github.com

Емісія: 3,46% (2024-04-09)

Команда Myshell, яка стоїть за Myshell TTS (Text-to-Speech), складається з основних учасників відомих установ, таких як МІТ, Оксфордський університет та Принстонський університет. Myshell має на меті створити платформу без необхідності кодування, яка дозволить студентам коледжу без програмістського досвіду легко створювати бажані роботи. Спеціалізуючись у галузі TTS, аудіокниг і віртуальних асистентів, Myshell запустив свого першого голосового чат-бота, Саманту, у березні 2023 року. З постійним розширенням своєї продуктової матриці, на сьогоднішній день вона набрала понад мільйон зареєстрованих користувачів. Платформа містить різноманітні типи роботів, включаючи навчальні, освітні та утилітарні.

Позиціонування: Myshell запустив цю підмережу, щоб зібрати мудрість усього відкритої спільноти та побудувати найкращі відкриті моделі TTS. Іншими словами, Myshell TTS не прямо запускає моделі або обробляє запити кінцевих користувачів; замість цього це мережа для тренування моделей TTS.

Архітектура Myshell TSS

Процес, яким керує Myshell TTS, зображений на діаграмі вище. Шахтарі відповідальні за тренування моделей та завантаження навчених моделей до Пулу Моделей (метадані моделей також зберігаються в мережі блокчейн Bittensor); Валідатори оцінюють моделі, генеруючи тестові випадки, оцінюючи продуктивність моделі та надаючи оцінки на основі результатів; блокчейн Bittensor відповідальний за агрегацію ваг за допомогою Yuma Consensus, визначення остаточних ваг та коефіцієнтів розподілу для кожного Шахтаря.

Заключно, Шахтарі повинні постійно подавати моделі вищої якості, щоб забезпечити свої винагороди.

Наразі Myshell також запустив демо-версію на своїй платформі для користувачів, щоб спробувати моделі в Myshell TTS.

У майбутньому, коли моделі, навчені Myshell TTS, стануть надійнішими, з'явиться більше випадків використання в Інтернеті. Крім того, як відкриті моделі, вони не будуть обмежені лише Myshell, а також можуть бути розширені на інші платформи. Чи не навчання та стимулювання відкритих моделей через такі децентралізовані підходи відповідають тому, чого ми прагнемо в Децентралізованому AI?

Підмережа #5 Відкритий Кайто

GitHub — OpenKaito/openkaito

Сприяти розвитку OpenKaito/openkaito, створивши обліковий запис на GitHub.

github.com

Емісія: 4.39% (2024-04-09)

Фон: Kaito.ai підтримується командою за Open Kaito, головні члени якої мають великий досвід у галузі штучного інтелекту, раніше працювали в провідних компаніях, таких як AWS, META і Citadel. Перед тим як вирушити в Bittensor Subnet, вони запустили свій флагманський продукт, Kaito.ai — пошуковий двигун даних поза ланцюжком блоку Web3, у четвертому кварталі 2023 року. Використовуючи алгоритми штучного інтелекту, Kaito.ai оптимізує основні компоненти пошукових двигунів, включаючи збір даних, алгоритми ранжування та алгоритми витягування. Його визнано одним із передових інструментів для збору інформації в криптоспільноті.

Позиціонування: Open Kaito має на меті створення децентралізованого індексного рівня для підтримки інтелектуального пошуку та аналізу. Пошуковий двигун не просто база даних або алгоритм ранжування, а складна система. Більше того, ефективний пошуковий двигун також потребує низької затримки, що ставить додаткові виклики для побудови децентралізованої версії. На щастя, завдяки системі стимулювання Bittensor, ці виклики передбачається вирішити.

Відкрита Архітектура Кайто

Процес роботи Open Kaito показано на діаграмі вище. Open Kaito не просто децентралізує кожну компоненту пошукової системи, а визначає проблему індексації як проблему Майнера-Валідатора. Тобто, Майнери відповідають за реагування на запити користувачів щодо індексації, тоді як Валідатори розподіляють вимоги та оцінюють відповіді від Майнерів.

Open Kaito не обмежує спосіб, яким Шахраї завершують індексаційні завдання, а зосереджується на кінцевих результатів, які Шахраї виводять, щоб заохотити інноваційні рішення. Це допомагає сприяти здоровому конкурентному середовищу серед Шахраїв. Зіткнувшись з вимогами користувачів щодо індексації, Шахраї прагнуть вдосконалити свої плани виконання, щоб досягти відповідей вищої якості з меншими ресурсами.

Підмережа #6 Наша Фінетюнінг

GitHub — NousResearch/finetuning-subnet

Долучайтеся до розробки NousResearch/finetuning-subnet, створивши обліковий запис на GitHub.

github.com

Емісія: 6.26% (2024-04-09)

Команда за проектом Nous Finetuning походить від компанії Nous Research, присвяченої дослідницькій роботі, зосередженій на архітектурі мовних моделей великого масштабу (LLM), синтезі даних та вбудованому виведенні. Її співзасновники раніше працювали на посаді головного інженера в Eden Network.

Позиціонування: Nous Finetuning - це підмережа, присвячена доточенню великих мовних моделей. Крім того, дані, які використовуються для доточування, також походять з екосистеми Bittensor, зокрема з підмережі №18.

Процес експлуатації Nous Finetuning схожий на той, що в Myshell TSS. Шахтарі навчають моделі на основі даних з Subnet #18 та регулярно випускають їх для розміщення в Hugging Face; Валідатори оцінюють моделі та надають їм рейтинги; подібно, блокчейн Bittensor відповідальний за агрегування ваг за допомогою Yuma Consensus, визначення кінцевих ваг та викиди для кожного Шахтаря.

Підмережа #18 Cortex.t

GitHub — corcel-api/cortex.t

Долучайтеся до розвитку corcel-api/cortex.t, створивши обліковий запис на GitHub.

github.com

Емісія: 7.74% (2024-04-09)

За кулісами: Команда за Cortex.t - це Corcel.io, яка отримала підтримку від Mog, другого за розміром валідатора в мережі Bittensor. Corcel.io є додатком, спрямованим на кінцевих користувачів, які надають досвід, схожий на ChatGPT, використовуючи продукти штучного інтелекту з екосистеми Bittensor.

Позиціонування: Cortex.t позиціонується як останній рівень перед наданням результатів кінцевим користувачам. Він відповідає за виявлення та оптимізацію виходів різних підмереж для забезпечення того, що результати є точними та надійними, особливо коли одне запитання викликає використання кількох моделей. Cortex.t має на меті запобігти видачі порожніх або неузгоджених результатів, забезпечуючи безперервний досвід користувача.

Шахтарі в Cortex.t використовують інші підмережі в екосистемі Bittensor для обробки запитів від кінцевих користувачів. Вони також використовують GPT-3.5-turbo або GPT-4 для перевірки вихідних результатів, гарантуючи надійність для кінцевих користувачів. Валідатори оцінюють вихідні дані шахтаря, порівнюючи їх з результатами, згенерованими OpenAI.

Підмережа #19 Візія

GitHub — namoray/vision

Долучайтесь до розвитку namoray / vision, створивши обліковий запис на GitHub.

github.com

Емісія: 9.47% (2024-04-09)

Фон: Команда розробників Vision також походить з Corcel.io.

Позиціонування: Візія спрямована на максимізацію потужності виходу мережі Bittensor за допомогою оптимізованої фреймворку побудови підмережі, яку називають DSIS (децентралізоване виведення підмереж на шкалі). Цей фреймворк прискорює відповіді майнерів на валідаторів. В даний час, Візія сконцентрована на сценарії генерації зображень.

Валідатори отримують вимоги від фронтенду Corcel.io та розподіляють їх майнерам. Майнери мають волю вибирати свій улюблений технологічний стек (не обмежений моделями) для обробки вимог та генерації відповідей. Валідатори потім оцінюють продуктивність майнерів. Завдяки DSIS Vision може відповідати на ці вимоги швидше та ефективніше, ніж інші підмережі.

Огляд

З прикладів вище очевидно, що Bittensor виявляє високий рівень інклюзивності. Генерація шахтарями та підтвердження валідаторами відбувається поза ланцюжком, причому мережа Bittensor служить виключно для розподілу винагород кожному шахтарю на основі оцінки від валідаторів. Будь-який аспект генерації продукту штучного інтелекту, який відповідає архітектурі Шахтар-Валідатор, може бути перетворений в підмережу.

Відповідальність за відмову: Погляди та думки, висловлені в цій статті, є виключно тими автора і не становлять жодних інвестиційних порад.

Переклади статей на інші мови виконуються командою Gate Learn. Якщо не зазначено інше, копіювання, поширення або плагіат перекладених статей заборонені.

В теорії конкуренція серед Підмереж повинна бути інтенсивною. Для того щоб будь-яка Підмережа продовжувала отримувати винагороду, вона повинна постійно виробляти продукцію високої якості. В іншому випадку, якщо вихід Підмережі вважається низькою вартістю Валідаторами Кореневої Мережі, її розподіл може зменшитися, і в кінцевому результаті її може замінити нова Підмережа.

Однак у реальності ми дійсно спостерігали деякі проблеми:

1. Зайвість та дублювання ресурсів через подібне розташування Підмереж. Серед існуючих 32 Підмереж є кілька Підмереж, що фокусуються на популярних напрямках, таких як текст-зображення, текстова підказка та прогноз ціни.
2. Існування підмереж без практичного застосування. Хоча підмережі для передбачення цін можуть мати теоретичну цінність як постачальники оракулів, поточна продуктивність даних передбачень далека від того, щоб бути корисною для кінцевих користувачів.
3. Приклади «погані гроші витісняють добрі». Деякі провідні Валідатори можуть не мати сильної нахилу до міграції на нові Підмережі, навіть якщо деякі нові Підмережі демонструють значно вищу якість. Однак через відсутність капітальної підтримки вони можуть не отримати достатньо емісій у короткостроковій перспективі. Оскільки нові підмережі мають період захисту лише 7 днів після запуску, якщо вони не вдасться швидко накопичити достатню кількість емісій, вони можуть стикнутися з ризиком бути вилученими з лінії та вийти з ладу.

Ці питання відображають недостатню конкуренцію серед підмереж, а деякі Валідатори не взяли участь у сприянні ефективній конкуренції.

Валідатор Фонду відкритих тензорів (OTF) вжив деяких тимчасових заходів для полегшення цієї ситуації. Як найбільший валідатор, який утримує 23% потужності стейкінгу (включаючи делегування),OTF надає канали для Підмереж, які борються за більше ставленого TAO: Власники підмереж можуть щотижня подавати запити до OTF на налаштування його частки від Staked TAO в підмережі. Ці запити повинні охоплювати 10 аспектів, включаючи «Мети підмережі та внесок у екосистему Bittensor», «Механізм винагороди підмережі», «Дизайн протоколу зв'язку», «Джерела даних та безпека», «Обчислювальні вимоги» та «Дорожню карту», серед іншого, для сприяння кінцевому прийняттю рішення OTF.

Однак, щоб фундаментально вирішити це питання, з одного боку, нам терміново потрібен запуск dTAO (@0xai.dev/what-is-the-impact-of-dynamic-tao-on-bittensor-efcc8ebe4e27">Динамічний TAO), який призначений фундаментально змінити вищезазначені нерозумні проблеми. Альтернативно, ми можемо звернутися до великих Валідаторів, які мають значну кількість Staking TAO, щоб розглянути довгостроковий розвиток екосистеми Bittensor більше з погляду "розвитку екосистеми", а не лише з позиції "фінансового прибутку".

Підсумовуючи, покладаючись на його високу інклюзивність, жорстке конкурентне середовище та ефективний стимулюючий механізм, ми вважаємо, що екосистема Bittensor може органічно виробляти продукти штучного інтелекту високої якості. Хоча не всі виходи з існуючих підмереж можуть конкурувати з централізованими продуктами, не забувайте, що поточна архітектура Bittensor лише що виповнилася один рік (Підмережа №1 була зареєстрована 13 квітня 2023 року). Для платформи з потенціалом конкурувати з централізованими гігантами штучного інтелекту, можливо, ми повинні зосередитися на пропозиції практичних планів покращень, а не поспішати критикувати його недоліки. Зрештою, ми всі не хочемо бачити, як штучний інтелект постійно контролюється декількома гігантами.

Disclaimer：

1. Цю статтю перепечатано з [Medium], Всі авторські права належать оригінальному автору [0xai]. Якщо є заперечення стосовно цього перепублікування, будь ласка, зв'яжіться з Gate Learnкоманда, і вони оперативно з цим впораються.
2. Відповідальність за відмову: Погляди та думки, висловлені в цій статті, є виключно тими, автора і не є жодними інвестиційними порадами.
3. Переклади статті на інші мови виконуються командою Gate Learn. Якщо не вказано інше, копіювання, поширення або плагіат перекладених статей заборонені.