เริ่มต้นด้วยสิ่งสำคัญที่สุด Bittensor คืออะไร

Bittensor เองไม่ใช่ผลิตภัณฑ์ AI และไม่มีการผลิตหรือให้บริการผลิตภัณฑ์หรือบริการ AI ใด ๆ Bittensor เป็นระบบเศรษฐกิจที่ทำหน้าที่เป็นตัวปรับปรุงสำหรับตลาดผลิตภัณฑ์ AI โดยให้ระบบสิ่งส่งตัวจุดประสงค์ที่มีการแข่งขันอย่างสูงสำหรับผู้ผลิตผลิตภัณฑ์ AI ในนิเวศ Bittensor ผู้ผลิตคุณภาพสูงได้รับสิทธิประโยชน์มากกว่าในขณะที่ผู้ผลิตที่ไม่แข่งขันได้ถูกกำจัดอย่างละเอียด

ดังนั้น วิธี Bittensor สร้างกลไกสร้างสรรค์นี้อย่างเฉพาะเจาะจงอย่างไร เพื่อสร้างสรรค์การแข่งขันที่มีประสิทธิภาพและส่งเสริมการผลิตของผลิตภัณฑ์ AI คุณภาพสูงอย่างเชื่อถือได้อย่างไร

โมเดลลูกล้อ Bittensor

Bittensor บรรลุเป้าหมายนี้ผ่านโมเดลมู่เล่ ผู้ตรวจสอบประเมินคุณภาพของผลิตภัณฑ์ AI ในระบบนิเวศและแจกจ่ายสิ่งจูงใจตามคุณภาพของพวกเขาเพื่อให้แน่ใจว่าผู้ผลิตคุณภาพสูงจะได้รับสิ่งจูงใจมากขึ้น สิ่งนี้ช่วยกระตุ้นการเพิ่มผลผลิตคุณภาพสูงอย่างต่อเนื่องซึ่งจะช่วยเพิ่มมูลค่าของเครือข่าย Bittensor และเพิ่มการชื่นชม TAO การชื่นชม TAO ไม่เพียง แต่ดึงดูดผู้ผลิตคุณภาพสูงให้เข้าร่วมระบบนิเวศของ Bittensor แต่ยังเพิ่มต้นทุนการโจมตีโดยผู้ควบคุมที่จัดการผลการประเมินคุณภาพ สิ่งนี้เสริมสร้างฉันทามติของผู้ตรวจสอบที่ซื่อสัตย์และเพิ่มความเป็นกลางและความเป็นธรรมของผลการประเมินจึงบรรลุการแข่งขันและกลไกแรงจูงใจที่มีประสิทธิภาพมากขึ้น

การรักษาความยุติธรรมและวัตถุประสงค์ของผลการประเมินเป็นขั้นตอนสำคัญในการเปลี่ยนทิวล้อ นี่คือเทคโนโลยีหลักของ Bittensor หรือระบบการตรวจสอบที่มีความนิยมโดยใช้ Yuma Consensus เป็นพื้นฐาน

ดังนั้น Yuma Consensus คืออะไร และวิธีการทำให้แน่ใจว่าผลการประเมินคุณภาพหลังจากที่มีตัดสินใจเป็นอย่างยุติธรรมและเป็นฝ่าย

Yuma Consensus เป็นกลไกความเห็นร่วมที่ออกแบบมาเพื่อคำนวณผลการประเมินสุดท้ายจากการประเมินที่หลากหลายที่ได้รับจากผู้ตรวจสอบจำนวนมาก คล้ายกับกลไกความเห็นร่วมข้อบกพร่องของบีซันไทน์ โดยที่ต้องให้ความเห็นจากส่วนใหญ่ของผู้ตรวจสอบในเครือข่ายเป็นคนซื่อสัตย์ การตัดสินใจที่ถูกต้องสามารถถึงได้ในที่สุด โดยสมมติว่าผู้ตรวจสอบที่ซื่อสัตย์สามารถให้การประเมินอย่างแท้จริง ผลการประเมินหลังจากความเห็นร่วมก็จะเป็นธรรมและแท้จริง

ในการตรวจสอบคุณภาพของ Subnets เป็นตัวอย่าง Root Network Validators ประเมินและจัดอันดับคุณภาพของผลลัพธ์ของแต่ละ Subnet ผลการประเมินจาก 64 ผู้ตรวจสอบถูกรวบรวมและผลการประเมินสุดท้ายได้ผ่านขั้นตอนของอัลกอริทึม Yuma Consensus ผลลัพธ์สุดท้ายจากนั้นถูกใช้ในการจัดสรร TAO ที่สร้างใหม่ให้กับแต่ละ Subnet

ในปัจจุบัน Yuma Consensus แท้จริงมีที่ต้องปรับปรุง:

1. Root Network Validators อาจจะไม่แทนส่วนใหญ่ของผู้ถือ TAO อย่างเต็มที่ และผลการประเมินที่พวกเขาให้อาจไม่จำเป็นต้องสะท้อนมุมมองที่หลากหลาย เพิ่มเติม การประเมินจาก Validators ชั้นนำบางรายอาจไม่เสมอไปกับวัตถุประสงค์ เฉยๆ แม้ว่าจะพบกรณีที่มีลักษณะเอนไปที่ระบุ อาจจะไม่ได้รับการแก้ไขทันที
2. การมีตัวตรวจสอบเครือข่ายราก จำกัดจำนวนของเน็ตเวิร์กที่ Bittensor สามารถรองรับได้ ในการแข่งขันกับยักษ์ใหญ่ที่มีความสามารถศูนย์กลาง การมีแค่ 32 เน็ตเวิร์ก ยังไม่เพียงพอ อย่างไรก็ตาม แม้จะมี 32 เน็ตเวิร์ก ตัวตรวจสอบเครือข่ายรากอาจพบว่ามีความยากลำบากในการตรวจสอบทั้งหมด
3. Validators อาจจะไม่มีความชอบที่แข็งแกร่งในการย้ายไปยัง Subnets ใหม่ ในระยะสั้น Validators อาจสูญเสียรางวัลบางส่วนเมื่อย้ายจาก Subnet เก่าที่มีการปล่อยก๊าซมากกว่าไปยัง Subnet ใหม่ที่มีการปล่อยก๊าซน้อยลง ความไม่แน่นอนในเรื่องว่าการปล่อยก๊าซของ Subnet ใหม่จะสามารถทำให้ได้เท่ากันในที่สุด ร่วมกับการสูญเสียแน่นอนของรางวัลในระหว่างการตามหา ทำให้ลดความยินดีของพวกเขาในการย้ายไปยัง Subnet ใหม่

บิทเทนเซอร์กำลังวางแผนเครื่องมืออัพเกรดเพื่อแก้ไขข้อบกพร่องเหล่านี้ด้วย:

1. Dynamic TAO จะทำให้การกระจายอำนาจในการประเมินคุณภาพของ Subnet โดยการกระจายไปยังผู้ถือ TAO ทั้งหมด แทนที่จะมี Validators เพียงไม่กี่คน TAO holders จะสามารถกำหนดอัตราส่วนการจัดสรรของแต่ละ Subnet อย่างอ้อมค้อมผ่านการ stake เงิน
2. โดยไม่จำกัดผู้ตรวจสอบเครือข่ายราก จำนวนขั้นตอนย่อยที่ใช้งานอยู่สูงสุดจะเพิ่มขึ้นเป็น 1024 นี้จะทำให้ภาวะขัดข้องสำหรับทีมใหม่ที่จะเข้าร่วมระบบ Bittensor ลดลงอย่างมีนัยสำคัญ นำไปสู่การแข่งขันที่ดุเดือดระหว่างขั้นตอนย่อย
3. Validators ที่ย้ายไปยัง Subnets ใหม่ก่อนนี้เป็นไปได้ที่จะได้รับรางวัลที่สูงกว่า การย้ายไปยัง Subnet ใหม่ในช่วงแรกหมายถึงการซื้อ dTAO ของ Subnet นั้นในราคาที่ต่ำกว่า ซึ่งเพิ่มโอกาสในการได้รับ TAO มากขึ้นในอนาคต

ความสามารถในการรวมกันที่แข็งแกร่งก็เป็นหนึ่งในข้อดีสำคัญของ Yuma Consensus นอกจากนี้ Yuma Consensus ยังใช้เพื่อกำหนดการปล่อยของแต่ละ Subnet และการตัดสินใจอัตราส่วนการจัดสรรของแต่ละ Miner และ Validator ภายใน Subnet เดียวกัน นอกจากนี้ โดยไม่ว่างานของ Miner จะเป็นอย่างไร การมีส่วนร่วมที่มีอยู่ภายใน ซึ่งรวมถึงพลังคำนวณ ข้อมูล การมีส่วนร่วมของมนุษย์ และปัญญา ถือเป็นสิ่งสำคัญอย่างนานาสาระ ด้วยเหตุนี้ วัตถุประสงค์ในการผลิตสินค้า AI ใดๆ ก็สามารถเข้าถึงระบบนิเวศ Bittensor โดยได้รับสิทธิประโยชน์ในขณะเดียวกัน และเพิ่มค่าของเครือข่าย Bittensor

ต่อไปเราจะสำรวจ Subnets ชั้นนำบางรายและสังเกตว่า Bittensor สร้างสรรค์สิทธิ์ในการผลิตของ Subnets เหล่านี้

Subnet #3 Myshell TTS

GitHub — myshell-ai/MyShell-TTS-Subnet

Contribute to myshell-ai/MyShell-TTS-Subnet development by creating an account on GitHub.

github.com

ออกซิเจน：3.46% （2024–04–09）

ความเป็นมา: Myshell เป็นทีมที่อยู่เบื้องหลัง Myshell TTS (Text-to-Speech) ซึ่งประกอบด้วยสมาชิกหลักจากสถาบันที่มีชื่อเสียงเช่น MIT, Oxford University และ Princeton University Myshell มีจุดมุ่งหมายเพื่อสร้างแพลตฟอร์มที่ไม่มีโค้ดช่วยให้นักศึกษาที่ไม่มีพื้นฐานการเขียนโปรแกรมสามารถสร้างหุ่นยนต์ที่ต้องการได้อย่างง่ายดาย เชี่ยวชาญในสาขา TTS หนังสือเสียงและผู้ช่วยเสมือน Myshell เปิดตัวแชทบอทเสียงตัวแรก Samantha ในเดือนมีนาคม 2023 ด้วยการขยายตัวอย่างต่อเนื่องของเมทริกซ์ผลิตภัณฑ์จึงมีผู้ใช้ที่ลงทะเบียนมากกว่าหนึ่งล้านคนจนถึงปัจจุบัน แพลตฟอร์มนี้โฮสต์หุ่นยนต์ประเภทต่างๆรวมถึงการเรียนรู้ภาษาการศึกษาและหุ่นยนต์ที่เน้นยูทิลิตี้

Positioning: Myshell ได้เปิดตัว Subnet นี้เพื่อรวบรวมปัญญาของชุมชนโอเพนซอร์สทั้งหมดและสร้างแบบจำลอง TTS โอเพนซอร์สที่ดีที่สุด กล่าวคือ Myshell TTS ไม่ได้รันแบบจำลองโดยตรงหรือจัดการคำขอของผู้ใช้สุดท้าย แต่เป็นเครือข่ายสำหรับการฝึกสอนแบบจำลอง TTS

โครงสร้าง Myshell TSS

กระบวนการที่ดำเนินไปโดย Myshell TTS แสดงในแผนภูมิด้านบน นักขุดเหมืองมีหน้าที่ในการฝึกโมเดลและอัปโหลดโมเดลที่ฝึกไว้ไปยังรวมโมเดล (ข้อมูลเมตาดาต้าของโมเดลก็ถูกเก็บไว้ในเครือข่ายบล็อกเชน Bittensor); Validators ประเมินโมเดลโดยการสร้างกรณีทดสอบ ประเมินประสิทธิภาพของโมเดล และให้คะแนนโดยอิงจากผลลัพธ์; บล็อกเชน Bittensor รับผิดชอบในการรวบรวมน้ำหนักโดยใช้ Yuma Consensus กำหนดน้ำหนักสุดท้ายและอัตราส่วนการจัดสรรสำหรับแต่ละนักขุด

ในสรุป, นักขุดต้องส่งโมเดลคุณภาพสูงขึ้นอย่างต่อเนื่องเพื่อรักษารางวัลของพวกเขา

ในปัจจุบัน Myshell ยังเปิดตัวเวอร์ชันสาธิตบนแพลตฟอร์มของตนสำหรับผู้ใช้ทดลองรุ่นใน Myshell TTS ได้

ในอนาคตเมื่อระบบจำลองที่ฝึกฝนโดย Myshell TTS เป็นที่เชื่อถือได้มากขึ้น จะมีกรณีการใช้งานมากขึ้นที่เข้ามาในเครือข่าย นอกจากนี้ โดยเป็นระบบจำลองแบบโอเพนซอร์ส พวกเขาจะไม่ จำกัด ที่ Myshell เท่านั้น แต่ยังสามารถขยายไปยังแพลตฟอร์มอื่น ๆ ไม่ใช่การฝึกอบรมและแรงขัน ระบบจำลองแบบโอเพนซอร์สผ่านการใช้วิธีการทำเช่นนี้เป็นเพียงใดที่เรามุ่งหวังสำหรับใน Decentralized AI ใช่ไหม

Subnet #5 เปิด Kaito

GitHub — OpenKaito/openkaito

Contribute to OpenKaito/openkaito development by creating an account on GitHub.

github.com

ออกซึม: 4.39% （2024–04–09）

ความเป็นมา: Kaito.ai ได้รับการสนับสนุนจากทีมที่อยู่เบื้องหลัง Open Kaito ซึ่งสมาชิกหลักมีประสบการณ์มากมายในสาขา AI โดยก่อนหน้านี้เคยทํางานที่บริษัทชั้นนําเช่น AWS, META และ Citadel ก่อนที่จะเข้าสู่เครือข่ายย่อย Bittensor พวกเขาได้เปิดตัวผลิตภัณฑ์เรือธง Kaito.ai ซึ่งเป็นเครื่องมือค้นหาข้อมูลนอกเครือข่าย Web3 ในไตรมาสที่ 4 ปี 2023 ใช้ประโยชน์จากอัลกอริธึม AI Kaito.ai เพิ่มประสิทธิภาพส่วนประกอบหลักของเครื่องมือค้นหารวมถึงการรวบรวมข้อมูลอัลกอริทึมการจัดอันดับและอัลกอริทึมการดึงข้อมูล ได้รับการยอมรับว่าเป็นหนึ่งในเครื่องมือรวบรวมข้อมูลชั้นนําในชุมชน crypto

ตำแหน่ง: Open Kaito มีเป้าหมายที่จะสร้างชั้นดัชนีที่ไม่ centralize เพื่อสนับสนุนการค้นหาและการวิเคราะห์ที่ฉลาด เครื่องมือค้นหาไม่ใช่ฐานข้อมูลหรืออัลกอริทึมการจัดอันดับเพียงอย่างเดียวแต่เป็นระบบที่ซับซ้อน นอกจากนี้ เครื่องมือค้นหาที่มีประสิทธิภาพยังต้องการเลือดต่ำซึ่งทำให้เกิดความท้าทายเพิ่มเติมในการสร้างรุ่นที่ไม่ centralize อย่างไรก็ตาม โชคดีที่มีระบบสินะปัจจัยของ Bittensor ที่คาดว่าจะช่วยแก้ปัญหาเหล่านี้

เปิดสถาปัตยกรรม Kaito

กระบวนการดำเนินการของ Open Kaito ถูกแสดงในแผนภาพด้านบน Open Kaito ไม่ได้ทำให้การกระจายทั้งหมดของเครื่องมือค้นหาแต่ละส่วนเท่านั้น แต่กำหนดปัญหาการทำดัชนีเป็นปัญหาของผู้ขุด-ผู้ตรวจสอบ นั่นคือ ผู้ขุดรับผิดชอบการตอบสนองต่อคำขอการทำดัชนีของผู้ใช้ ในขณะที่ผู้ตรวจสอบแจกจ่ายความต้องการและให้คะแนนการตอบกลับจากผู้ขุด

Open Kaito ไม่จำกัดวิธีที่มัทร์จะทำงานด้านการจัดทำดัชนี แต่เน้นไปที่ผลลัพธ์สุดท้ายที่มัทร์เอาออกมาเพื่อกระตุ้นให้มีความคิดสร้างสรรค์ ซึ่งจะช่วยส่งเสริมสภาพแวดล้อมการแข่งขันที่ดีขึ้นระหว่างมัทร์ หน้ามุมการจัดทำดัชนีตามที่ผู้ใช้ต้องการ มัทร์พยายามปรับปรุงแผนการดำเนินงานของพวกเขาเพื่อให้ได้ผลลัพธ์การตอบสนองคุณภาพสูงขึ้นด้วยทรัพยากรที่น้อยลง

Subnet #6 การปรับแต่งโน้มถึงเรา

GitHub — NousResearch/finetuning-subnet

Contribute to NousResearch/finetuning-subnet development by creating an account on GitHub.

github.com

ออกซิเดชัน: 6.26% (2024-04-09)

พื้นหลัง: ทีมงานที่อยู่หลัง Nous Finetuning เป็นผู้ก่อตั้งจาก Nous Research ทีมงานวิจัยที่มุ่งเน้นไปที่โครงสร้างโมเดลภาษาขนาดใหญ่ (LLM) การสังเคราะห์ข้อมูล และการออกแบบบนอุปกรณ์ ผู้ก่อตั้งร่วมกันก่อนหน้านี้เป็นผู้ช่วยวิศวกรรมหลักที่ Eden Network

การตำแหน่ง: Nous Finetuning เป็นเน็ตเวิร์กที่มุ่งเน้นการปรับแต่งโมเดลภาษาขนาดใหญ่ นอกจากนี้ ข้อมูลที่ใช้ในการปรับแต่งยังมาจากระบบนิวรอลเน็ตเวิร์ก โดยเฉพาะเซอบเน็ต #18

กระบวนการทำงานของ Nous Finetuning คล้ายกับ Myshell TSS ค่ะ นักขุดฝึกโมเดลตามข้อมูลจาก Subnet #18 และปล่อยโมเดลเหล่านั้นอย่างสม่ำเสมอเพื่อให้โฮสต์บน Hugging Face นักตรวจสอบประเมินโมเดลและให้คะแนน ในทำนองเดียวกัน Bittensor blockchain รับผิดชอบในการรวบรวมน้ำหนักโดยใช้ Yuma Consensus กำหนดน้ำหนักสุดท้ายและการปล่อยก๊าซสำหรับแต่ละนักขุด

Subnet #18 Cortex.t

GitHub — corcel-api/cortex.t

Contribute to corcel-api/cortex.t development by creating an account on GitHub.

github.com

ออกฤทธิ์: 7.74% (2024-04-09)

พื้นหลัง: ทีมงานที่อยู่เบื้องหลัง Cortex.t คือ Corcel.io ซึ่งได้รับการสนับสนุนจาก Mog ผู้ตรวจสอบที่สองใหญ่ที่สุดในเครือข่าย Bittensor Corcel.io เป็นแอปพลิเคชั่นที่มุ่งเน้นผู้ใช้สุดท้ายโดยให้ประสบการณ์ที่คล้ายกับ ChatGPT โดยใช้ผลิตภัณฑ์ AI จากนิเวศ Bittensor

การจัดตำแหน่ง: Cortex.t ถูกตั้งอยู่เป็นชั้นสุดท้ายก่อนส่งผลลัพธ์ให้แก่ผู้ใช้สุดท้าย มันรับผิดชอบในการตรวจจับและปรับปรุงผลลัพธ์จากเน็ตเวิร์กต่าง ๆ เพื่อให้แน่ใจว่าผลลัพธ์ถูกต้องและเชื่อถือได้ โดยเฉพาะเมื่อมีคำสั่งเดียวเรียกหลายโมเดล Cortex.t มุ่งเน้นการป้องกันผลลัพธ์ที่ว่างเปล่าหรือไม่สอดคล้อง โดยให้ความสำคัญกับประสบการณ์ผู้ใช้ที่ไม่มีข้อต่อ

นักขุดใน Cortex.t ใช้เครือข่ายย่อยอื่นภายในระบบนิวรอน Bittensor เพื่อจัดการคำขอจากผู้ใช้ปลายทาง พวกเขายังใช้ GPT-3.5-turbo หรือ GPT-4 เพื่อตรวจสอบผลลัพธ์เอาต์พุต ทำให้มั่นใจในเรื่องความเชื่อถือสำหรับผู้ใช้ปลายทาง ผู้ตรวจสอบประเมินผลลัพธ์ของนักขุดโดยเปรียบเทียบกับผลลัพธ์ที่สร้างโดย OpenAI

วิสัยที่มีหมายเลขโซนย่อย #19

GitHub — namoray/vision

Contribute to namoray/vision development by creating an account on GitHub.

github.com

Emission：9.47%（2024–04–09）

พื้นหลัง: ทีมพัฒนา Vision ก็มาจาก Corcel.io ด้วย

การตำแหน่ง: Vision มุ่งหวังที่จะสูงสุดให้กำลังการผลิตของเครือข่าย Bittensor โดยการใช้โครงสร้างการสร้างเน็ตเวิร์กที่ถูกปรับเปลี่ยนชื่อ DSIS (การสร้างเครือข่ายที่ไม่มีการจำกัดอย่างกระจายแบบกระทู้) โดยอ้างอิงจากกรอบการตอบสนองของผู้ขุดข้อมูลต่อผู้ตรวจสอบ ในปัจจุบัน Vision โดยเฉพาะกำลังใส่ใจกับสถานการณ์การสร้างภาพ

Validators ได้รับความต้องการจากด้านหน้า Corcel.io และแจกจ่ายให้กับนักขุด นักขุดมีเสรีภาพในการเลือกเทคโนโลยีสแต็กที่พวกเขาชอบ (ไม่จำกัดเพียงแบบจำลอง) เพื่อประมวลความต้องการและสร้างคำตอบ Validators จึงให้คะแนนประสิทธิภาพของนักขุด ด้วย DSIS วิชั่นสามารถตอบสนองต่อความต้องการเหล่านี้ได้ด้วยความรวดเร็วและมีประสิทธิภาพมากกว่า Subnets อื่น ๆ

สรุป

จากตัวอย่างข้างต้นจะเห็นได้ว่า Bittensor แสดงให้เห็นถึงความครอบคลุมในระดับสูง การสร้างโดยนักขุดและการตรวจสอบความถูกต้องโดย Validators เกิดขึ้นนอกเครือข่ายโดยเครือข่าย Bittensor ทําหน้าที่เพียงเพื่อจัดสรรรางวัลให้กับนักขุดแต่ละคนตามการประเมินจาก Validators ทุกแง่มุมของการสร้างผลิตภัณฑ์ AI ที่เหมาะกับสถาปัตยกรรม Miner-Validator สามารถเปลี่ยนเป็นซับเน็ตได้

คำประกาศความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นไปตามของผู้เขียนเท่านั้น และไม่ใช่เป็นคำแนะนำในการลงทุนใด ๆ

การแปลบทความเป็นภาษาอื่น ๆ โดยทีม Gate Learn นอกจากที่ได้กล่าวถึงไว้ ห้ามคัดลอก แจกจ่าย หรือลอกเลียนบทความที่ถูกแปล

ในทฤษฎี การแข่งขันในหมวดหมู่ของ Subnets ควรจะเป็นการแข่งขันที่รุนแรง สำหรับ Subnet ใด ๆ เพื่อที่จะได้รับรางวัลต่อไป จะต้องมีการผลิตผลลัพธ์ที่มีคุณภาพสูงอย่างต่อเนื่อง มิฉะนั้น หากผลลัพธ์ของ Subnet ถูกพิจารณาว่ามีค่าต่ำโดย Root Network Validators ส่วนแบ่งของมันอาจจะลดลง และในที่สุดอาจถูกแทนที่ด้วย Subnet ใหม่

อย่างไรก็ตาม ในความเป็นจริง เราได้สังเกตเห็นปัญหาบางอย่างจริง ๆ แล้ว

1. การทำซ้ำซ้อนและการทำซ้ำของทรัพยากรเนื่องจากตำแหน่งของ Subnets ที่คล้ายกัน ในหมู่ Subnets 32 ตัวที่มีอยู่ มี Subnets หลายตัวที่เน้นไปที่ทิศทางยอดนิยม เช่น การแปลงข้อความเป็นภาพ โปรโปตเชนต์ข้อความ และการทำนายราคา
2. มีการมีอยู่ของเครือข่ายย่อยโดยไม่มีกรณีการใช้จริง ในขณะที่การทำนายราคา Subnets อาจถือมูลค่าทฤษฎีเป็นผู้ให้บริการออราเคิล แต่ประสิทธิภาพปัจจุบันของข้อมูลการทำนายอยู่ห่างไกลจากการใช้งานได้โดยผู้ใช้ทั่วไป
3. กรณีของ “เงินที่ไม่ดีกำลังขับเงินที่ดีออกไป” บาง Validator ชั้นนำอาจจะไม่มีความโดดเด่นที่แข็งแกรงในการย้ายไปยัง Subnets ใหม่ แม้ว่า Subnets บางแห่งจะแสดงให้เห็นว่ามีคุณภาพสูงขึ้นอย่างมีนัยสำคัญ อย่างไรก็ตาม ด้วยขาดทุนในการสนับสนุน บางครั้งพวกเขาอาจจะไม่ได้รับออกมาที่เพียงพอในระยะสั้น ๆ นี้ โดยเนื่องจาก Subnets ใหม่มีช่วงระยะเวลาป้องกันเพียง 7 วันหลังจากเปิดตัว หากพวกเขาไม่สามารถสะสมปริมาณออกมาที่เพียงพอได้อย่างรวดเร็ว พวกเขาอาจจะเผชิญกับความเสี่ยงที่จะถูกตัดออกและออฟไลน์ไป

ปัญหาเหล่านี้反映出了子网之间竞争不足，而一些验证者并未在鼓励有效竞争方面发挥作用。

Open Tensor Foundation Validator (OTF) ได้นำมาตรการชั่วคราวบางรายเพื่อบรรเทาสถานการณ์นี้ โดยเป็น Validator ที่ใหญ่ที่สุดที่ถืออำนาจการจัดวางเป็น 23% (รวมถึงการมอบอำนาจ)OTF ให้ช่องทางให้ Subnets แข่งขันเพื่อรับ TAO ที่มีการเสี่ยง: เจ้าของ Subnet สามารถยื่นคำขอถึง OTF รายสัปดาห์เพื่อปรับสัดส่วน Staked TAO ใน Subnet ได้ คำขอเหล่านี้ต้องครอบคลุม 10 ด้าน ซึ่งรวมถึง "เป้าหมายของ Subnet และการมีส่วนร่วมในระบบ Bittensor" "กลไกการรีวอร์ดของ Subnet" "การออกแบบโปรโตคอลสื่อสาร" "แหล่งข้อมูลและความปลอดภัย" "ความต้องการด้านการคำนวณ" และ "แผนการดำเนินงาน" ระหว่างอื่น ๆ เพื่อช่วยให้ OTF ตัดสินใจสุดท้าย

อย่างไรก็ตาม เพื่อแก้ไขปัญหานี้ให้ถึงพื้นฐาน ในทางหนึ่งเร่งด่วนต้องการการเปิดตัว dTAO@0xai.dev/what-is-the-impact-of-dynamic-tao-on-bittensor-efcc8ebe4e27">Dynamic TAO) ซึ่งออกแบบมาเพื่อเปลี่ยนปัญหาที่ไม่สมเหตุสมผลดังกล่าวโดยพื้นฐาน อีกทางเลือกหนึ่งเราสามารถดึงดูดผู้ตรวจสอบความถูกต้องรายใหญ่ที่ถือ Staking TAO จํานวนมากเพื่อพิจารณาการพัฒนาระยะยาวของระบบนิเวศ Bittensor จากมุมมองของ "การพัฒนาระบบนิเวศ" มากกว่าจากมุมมอง "ผลตอบแทนทางการเงิน" เพียงอย่างเดียว

สรุป โดยการพึ่งพาบนความสามารถในการรวมกันที่แข็งแกร่ง สภาพแวดล้อมที่แข็งแกร่งและกลไกสร้างสรรค์ที่มีประสิทธิภาพ เราเชื่อว่า นิเวศน์ Bittensor สามารถสร้างผลิตภัณฑ์ AI ที่มีคุณภาพสูงอย่างเชิงอินทรีย์ได้ แม้ว่าผลลัพธ์จาก Subnets ที่มีอยู่อาจไม่สามารถเอาชนะผลิตภัณฑ์จากศูนย์กลางได้ทั้งหมด แต่เราอย่าลืมว่า สถาปัตยกรรม Bittensor ณ ขณะนี้ก็เพิ่งทำเสร็จไปหนึ่งปี (Subnet #1 ลงทะเบียนเมื่อ 13 เมษายน 2023) สำหรับแพลตฟอร์มที่มีศักยภาพที่จะต่อสู้กับยักษ์ใหญ่ AI จากศูนย์กลาง บางทีเราควรโฟกัสที่จะนำเสนอแผนปรับปรุงที่เป็นประโยชน์ แทนที่จะวิจารณ์ด่วนด้อยเสีย หลังจากทุกสิ่ง เราไม่ต้องการเห็น AI ที่ถูกควบคุมโดยยักษ์ใหญ่ไม่กี่ราย

ข้อความประกาศ

1. บทความนี้ถูกพิมพ์ใหม่จาก [Medium], สงวนลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [ 0xai]. หากมีข้อโต้แย้งต่อการพิมพ์ซ้ำนี้ กรุณาติดต่อGate Learnทีม และพวกเขาจะดำเนินการโดยเร็ว
2. คำประกาศความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำทางการลงทุนใด ๆ
3. การแปลบทความเป็นภาษาอื่นๆ ทำโดยทีม Gate Learn หากไม่ได้กล่าวถึง การคัดลอก การกระจาย หรือการลอกเลียนแบบบทความที่ถูกแปล จะถูกห้าม