我们为什么看好Bittensor？

0xai 团队，Jacob和Vitalik在一个小组讨论中

首先，Bittensor到底是什么？

Bittensor 本身不是一个 AI 产品，也不生产或提供任何 AI 产品或服务。Bittensor 是一个经济系统，通过为 AI 产品生产者提供高度竞争的激励机制，作为 AI 产品市场的优化者。在 Bittensor 生态系统中，高质量的生产者获得更多的激励，而竞争力较弱的生产者则逐渐被淘汰。

那么，Bittensor 是如何具体创造这种激励机制，鼓励有效竞争并促进高质量 AI 产品的有机生产的呢？

Bittensor 飞轮模型

Bittensor 通过飞轮模型实现这个目标。验证者评估生态系统中 AI 产品的质量，并根据其质量分配激励，确保高质量生产者获得更多的激励。这刺激了高质量输出的持续增加，从而增强了 Bittensor 网络的价值，并增加了 TAO 的升值。TAO 的升值不仅吸引了更多高质量的生产者加入 Bittensor 生态系统，也增加了操纵质量评估结果的操纵者的攻击成本。这进一步加强了诚实验证者的共识，提升了评估结果的客观性和公平性，从而实现了更有效的竞争和激励机制。

确保评估结果的公平性和客观性是转动飞轮的关键步骤。这也是 Bittensor 的核心技术，即基于 Yuma Consensus 的抽象验证系统。

那么，Yuma Consensus 是什么，如何确保共识后的质量评估结果是公平和客观的？

Yuma Consensus 是一种共识机制，旨在计算来自众多验证者提供的多种评估的最终评估结果。与拜占庭容错共识机制类似，只要网络中大多数验证者是诚实的，最终就能够达成正确的决定。假设诚实的验证者能够提供客观的评估，那么共识后的评估结果也将是公平和客观的。

以对子网质量的评估为例，根网络验证者评估并排名每个子网的输出质量。64 位验证者的评估结果被聚合，最终评估结果通过 Yuma Consensus 算法获得。然后，最终结果用于分配新铸造的 TAO 给每个子网。

目前，Yuma Consensus 确实有改进的空间：

1. 根网络验证者可能无法完全代表所有 TAO 持有者，他们提供的评估结果可能不一定反映广泛的观点。此外，少数顶级验证者的评估可能不总是客观的。即使识别出偏见的实例，也可能不会立刻得到纠正。
2. 根网络验证者的存在限制了 Bittensor 能够容纳的子网数量。为了与中心化人工智能巨头竞争，仅有 32 个子网是远远不够的。然而，即使有 32 个子网，根网络验证者也可能难以有效地监控所有子网。
3. 验证者可能对迁移到新子网的意愿不强。在短期内，验证者在从一个排放量较高的旧子网迁移到一个排放量较低的新子网时可能会失去一些奖励。新子网的排放在最终能否赶上还存在不确定性，伴随着追求过程中的奖励确认损失，降低了他们的迁移意愿。

Bittensor 还计划采取升级机制来解决这些问题：

1. 动态 TAO 将通过将评估子网质量的权力分散到所有 TAO 持有者，而不是少数验证者。TAO 持有者将能够通过质押间接决定每个子网的分配比率。
2. 没有根网络验证者的限制，活跃子网的最大数量将增加到 1024。这将显著降低新团队加入 Bittensor 生态系统的门槛，导致子网之间的竞争更加激烈。
3. 早期迁移到新子网的验证者可能会获得更高的奖励。早期迁移到新子网意味着以较低的价格购买该子网的 dTAO，增加未来获得更多 TAO 的可能性。

强大的包容性也是 Yuma Consensus 的主要优势之一。Yuma Consensus 不仅用于确定每个子网的排放，还决定同一子网内每个矿工和验证者的分配比率。此外，无论矿工的任务是什么，所包含的贡献，包括计算能力、数据、人类贡献和智能，都是抽象考虑的。因此，任何 AI 商品生产的阶段都可以进入 Bittensor 生态系统，享受激励，同时提升 Bittensor 网络的价值。

接下来，让我们探索一些领先的子网，观察 Bittensor 如何激励这些子网的输出。

子网 #3 Myshell TTS

GitHub — myshell-ai/MyShell-TTS-Subnet \ \ 通过在 GitHub 上创建账户为 myshell-ai/MyShell-TTS-Subnet 的开发做出贡献。\ \ github.com

排放： 3.46% （2024–04–09）

背景： Myshell 是 Myshell TTS（文本转语音）的团队，核心成员来自MIT、牛津大学和普林斯顿大学等著名机构。Myshell 旨在创建一个无代码的平台，让没有编程背景的大学生也能轻松创建他们想要的机器人。专注于 TTS 领域、有声书和虚拟助手，Myshell 于2023年3月推出了首款语音聊天机器人Samantha。随着产品矩阵的不断扩展，截至目前已拥有超过一百万注册用户。该平台承载了多种类型的机器人，包括语言学习、教育和实用型。

定位： Myshell 启动该子网以汇聚整个开源社区的智慧，构建最佳的开源 TTS 模型。换句话说，Myshell TTS 并不直接运行模型或处理最终用户的请求，而是一个训练 TTS 模型的网络。

Myshell TSS 架构

Myshell TTS 运行的过程如上图所示。矿工负责训练模型并将训练好的模型上传到模型池（模型的元数据也存储在 Bittensor 区块链网络中）；验证者通过生成测试案例、评估模型性能和基于结果打分来评估模型；Bittensor 区块链负责利用 Yuma Consensus 聚合权重，确定每个矿工的最终权重和分配比率。

总之，矿工必须不断提交更高质量的模型以维持他们的奖励。

目前，Myshell 还在其平台上推出了一个演示，让用户尝试 Myshell TTS 中的模型。

未来，随着 Myshell TTS 训练出的模型变得更加可靠，将会有更多的使用案例上线。此外，作为开源模型，它们不仅限于 Myshell，还可以扩展到其他平台。通过这种去中心化的方式来训练和激励开源模型，难道不正是我们在去中心化 AI 中所追求的吗？

子网 #5 Open Kaito

GitHub — OpenKaito/openkaito \ \ 通过在 GitHub 上创建账户为 OpenKaito/openkaito 的开发做出贡献。\ \ github.com

排放： 4.39% （2024–04–09）

背景： Kaito.ai 是 Open Kaito 背后的团队支持，核心成员在 AI 领域有着丰富的经验，曾在 AWS、META 和 Citadel 等顶级公司工作。在进入 Bittensor 子网之前，他们于2023年第四季度推出了旗舰产品 Kaito.ai——一个 Web3 离线数据搜索引擎。Kaito.ai 利用 AI 算法，优化搜索引擎的核心组成部分，包括数据收集、排名算法和检索算法。它已被认为是加密社区中最优质的信息收集工具之一。

定位： Open Kaito 的目标是建立一个去中心化的索引层，以支持智能搜索和分析。搜索引擎不仅仅是数据库或排名算法，而是一个复杂的系统。此外，一个有效的搜索引擎还需要低延迟，这为构建去中心化版本带来了额外的挑战。幸运的是，借助 Bittensor 的激励机制，预计可以解决这些挑战。

Open Kaito 架构

Open Kaito 的操作过程如上图所示。Open Kaito 并不只是去中心化搜索引擎的每个组件，而是将索引问题定义为矿工-验证者问题，即矿工负责处理用户的索引请求，而验证者分配需求并对矿工的响应评分。

Open Kaito 不限制矿工完成索引任务的方式，而是专注于矿工最终输出的结果，以鼓励创新解决方案。这有助于在矿工之间培养健康的竞争环境。面对用户的索引需求，矿工努力改进其执行计划，以更少的资源实现更高质量的响应结果。

子网 #6 Nous Finetuning

GitHub — NousResearch/finetuning-subnet \ \ 通过在 GitHub 上创建账户为 NousResearch/finetuning-subnet 的开发做出贡献。\ \ github.com

排放： 6.26% （2024–04–09）

背景： Nous Finetuning 背后的团队来自 Nous Research，这是一支专注于大规模语言模型（LLM）架构、数据合成和设备内推理的研究团队。其共同创始人曾担任 Eden Network 的首席工程师。

定位： Nous Finetuning 是一个专注于微调大语言模型的子网。此外，用于微调的数据也来自 Bittensor 生态系统，具体来自子网 #18。

Nous Finetuning 的操作过程与 Myshell TSS 类似。矿工根据子网 #18 提供的数据训练模型，并定期将其发布到 Hugging Face；验证者对这些模型进行评估并提供评分；类似地，Bittensor 区块链负责利用 Yuma Consensus 聚合权重，确定每个矿工的最终权重和排放。

子网 #18 Cortex.t

GitHub — corcel-api/cortex.t \ \ 通过在 GitHub 上创建账户为 corcel-api/cortex.t 的开发做出贡献。\ \ github.com

排放： 7.74%（2024–04–09）

背景： Cortex.t 背后的团队是 Corcel.io，得到了 Bittensor 网络第二大验证者 Mog 的支持。Corcel.io 是一个面向最终用户的应用，利用 Bittensor 生态系统中的 AI 产品提供类似 ChatGPT 的体验。

定位： Cortex.t 被定位为向最终用户提供结果之前的最终层。它负责检测和优化各种子网的输出，以确保结果准确和可靠，特别是在单个提示调用多个模型时。Cortex.t 旨在防止空白或不一致的输出，确保无缝的用户体验。

Cortex.t 中的矿工利用 Bittensor 生态系统中的其他子网来处理最终用户的请求。他们还使用 GPT-3.5-turbo 或 GPT-4 来验证输出结果，确保对最终用户的可靠性。验证者通过将矿工的输出与 OpenAI 产生的结果进行比较来评估。

子网 #19 Vision

GitHub — namoray/vision \ \ 通过在 GitHub 上创建账户为 namoray/vision 的开发做出贡献。\ \ github.com

排放： 9.47%（2024–04–09）

背景： Vision 背后的开发团队也来自 Corcel.io。

定位： Vision 旨在通过利用一个名为 DSIS（去中心化子网推理规模）的优化子网构建框架，最大化 Bittensor 网络的输出能力。该框架加速了矿工对验证者的响应。目前，Vision专注于图像生成的场景。

验证者接收来自 Corcel.io 前端的需求并将其分配给矿工。矿工可以自由选择他们喜欢的技术堆栈（不限于模型）来处理需求并生成响应。然后，验证者对矿工的性能进行评分。由于 DSIS，Vision 能够比其他子网更快且更高效地响应这些需求。

总结

从上述实例中可以明显看出，Bittensor 展现出较高的包容性。矿工的生成和验证者的验证发生在链下，Bittensor 网络仅负责根据验证者的评估来分配奖励给每个矿工。任何符合矿工-验证者架构的 AI 产品生成方面都可以转变为子网。

理论上，子网之间的竞争应该是激烈的。为了继续获得奖励，任何子网必须不断高质量地产生输出。否则，如果某个子网的输出被根网络验证者认为是低价值的，其配额可能会减少，最终可能会被新的子网取代。

然而，实际上，我们确实观察到了一些问题：

1. 子网由于相似的定位而导致的资源冗余和重复。在现有的 32 个子网中，有多个子网集中在文本到图像、文本提示和价格预测等热门方向上。
2. 存在没有实际应用案例的子网。虽然价格预测子网可能作为预言机提供者具有理论价值，但当前预测数据的表现远未能被最终用户所使用。
3. “劣币驱逐良币”的实例。某些顶级验证者可能并不十分愿意迁移到新子网，即使一些新子网表现明显更高质量。然而，由于缺乏资金支持，他们在短期内可能无法获得足够的排放。由于新子网在发布后只有 7 天的保护期，如果无法迅速积累足够的排放，面临被淘汰下线的风险。

这些问题反映了子网之间竞争不足，一些验证者并未在促进有效竞争方面发挥作用。

开放张量基金会验证者（OTF）已实施一些临时措施来缓解这一情况。作为持有 23% 投票权（包括委托）的最大验证者，OTF 为子网提供更高比例的质押 TAO 的竞争渠道: 子网所有者可以每周向 OTF 提交请求，以调整其在子网中的质押 TAO 比例。这些请求必须涵盖“子网的目标和对 Bittensor 生态系统的贡献”、“子网奖励机制”、“通信协议设计”、“数据来源和安全性”、“计算要求”和“路线图”等 10 个方面，以帮助 OTF 最终决策。

然而，根本解决这一问题，一方面，我们迫切需要动态 TAO 的发布（Dynamic TAO），旨在根本改变上述不合理的情况。另一方面，我们可以呼吁持有大量质押 TAO 的大型验证者，从“生态系统发展”的角度考虑 Bittensor 生态系统的长期发展，而不仅仅是从“财务回报”的角度。

总之，依靠其强大的包容性、激烈的竞争环境和有效的激励机制，我们相信 Bittensor 生态系统能够有机地生产高质量的 AI 产品。尽管现有子网的所有输出可能无法与中心化产品竞争，但我们不要忘记，目前 Bittensor 架构刚刚满一年（子网 #1 于 2023 年 4 月 13 日注册）。对于一个有潜力与中心化 AI 巨头抗衡的平台，也许我们应该更多地集中于提出切实的改进计划，而不是匆忙批评其短处。毕竟，我们都不想看到 AI 一直被少数巨头控制。

• 原文链接： medium.com/@0xai.dev/why...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～