Pertama-tama, apa sebenarnya Bittensor itu?

Bittensor sendiri bukan produk AI, juga tidak memproduksi atau menyediakan produk atau layanan AI apa pun. Bittensor adalah sistem ekonomi yang berfungsi sebagai pengoptimal untuk pasar produk AI dengan menyediakan sistem insentif yang sangat kompetitif bagi produsen produk AI. Dalam ekosistem Bittensor, produsen berkualitas tinggi menerima lebih banyak insentif, sementara produsen yang kurang kompetitif secara bertahap dieliminasi.

Jadi, bagaimana Bittensor secara khusus menciptakan mekanisme insentif ini yang mendorong persaingan yang efektif dan mempromosikan produksi organik produk AI berkualitas tinggi?

Model flywheel Bittensor

Bittensor mencapai tujuan ini melalui model roda gila. Validator mengevaluasi kualitas produk AI dalam ekosistem dan mendistribusikan insentif berdasarkan kualitasnya, memastikan produsen berkualitas tinggi menerima lebih banyak insentif. Hal ini merangsang peningkatan kontinu output berkualitas tinggi, dengan demikian meningkatkan nilai jaringan Bittensor dan meningkatkan apresiasi TAO. Apresiasi TAO tidak hanya menarik produsen berkualitas tinggi lainnya untuk bergabung dengan ekosistem Bittensor tetapi juga meningkatkan biaya serangan oleh manipulator yang memanipulasi hasil evaluasi kualitas. Hal ini lebih memperkuat konsensus Validator yang jujur dan meningkatkan objektivitas dan keadilan hasil evaluasi, sehingga mencapai mekanisme kompetisi dan insentif yang lebih efektif.

Memastikan keadilan dan objektivitas hasil evaluasi adalah langkah penting dalam mengubah roda. Ini juga merupakan teknologi inti Bittensor, yaitu sistem validasi abstrak berdasarkan Konsensus Yuma.

Jadi, apa itu Konsensus Yuma dan bagaimana cara memastikan bahwa hasil evaluasi kualitas setelah konsensus adil dan objektif?

Yuma Consensus adalah mekanisme konsensus yang dirancang untuk menghitung hasil evaluasi final dari evaluasi yang beragam yang diberikan oleh banyak Validator. Sama seperti mekanisme konsensus toleransi kesalahan Byzantine, selama sebagian besar Validator dalam jaringan jujur, keputusan yang benar dapat dicapai pada akhirnya. Dengan asumsi bahwa Validator yang jujur dapat memberikan evaluasi objektif, hasil evaluasi setelah konsensus juga akan adil dan objektif.

Mengambil evaluasi kualitas Subnets sebagai contoh, Root Network Validators mengevaluasi dan merangking kualitas output masing-masing Subnet. Hasil evaluasi dari 64 Validators diagregat, dan hasil evaluasi akhir diperoleh melalui algoritma Konsensus Yuma. Hasil akhir kemudian digunakan untuk mengalokasikan TAO yang baru ditambang ke setiap Subnet.

Saat ini, Yuma Consensus memang memiliki ruang untuk perbaikan:

1. Validator Jaringan Root mungkin tidak sepenuhnya mewakili semua pemegang TAO, dan hasil evaluasi yang mereka berikan mungkin tidak selalu mencerminkan beragam sudut pandang. Selain itu, evaluasi dari beberapa Validator teratas mungkin tidak selalu objektif. Bahkan jika terdapat bias yang teridentifikasi, mungkin tidak langsung diperbaiki.
2. Kehadiran Root Network Validators membatasi jumlah Subnet yang dapat diakomodasi oleh Bittensor. Untuk bersaing dengan raksasa AI terpusat, memiliki hanya 32 Subnet tidak mencukupi. Namun, bahkan dengan 32 Subnet, Root Network Validators mungkin akan kesulitan untuk memantau dengan efektif semua Subnet tersebut.
3. Validator mungkin tidak memiliki kecenderungan kuat untuk bermigrasi ke Subnet baru. Dalam jangka pendek, Validator mungkin kehilangan sebagian imbalan ketika bermigrasi dari Subnet lama dengan emisi yang lebih tinggi ke Subnet baru dengan emisi yang lebih rendah. Ketidakpastian apakah emisi Subnet baru akhirnya akan menyamai, ditambah dengan kerugian pasti imbalan selama mengejarnya, meredam kemauan mereka untuk bermigrasi.

Bittensor juga merencanakan mekanisme upgrade untuk mengatasi kekurangan-kekurangan ini:

1. Dynamic TAO akan mendesentralisasi kekuatan untuk mengevaluasi kualitas Subnet dengan mendistribusikannya kepada semua pemegang TAO, daripada hanya beberapa Validator. Pemegang TAO akan dapat secara tidak langsung menentukan rasio alokasi masing-masing Subnet melalui staking.
2. Tanpa batasan Root Network Validators, jumlah maksimum Subnet aktif akan ditingkatkan hingga 1024. Hal ini akan secara signifikan menurunkan hambatan bagi tim baru untuk bergabung dengan ekosistem Bittensor, sehingga memunculkan persaingan yang lebih ketat di antara Subnet.
3. Validator yang bermigrasi ke Subnet baru lebih awal kemungkinan besar akan menerima imbalan yang lebih tinggi. Migrasi awal ke Subnet baru berarti membeli dTAO dari Subnet tersebut dengan harga lebih rendah, meningkatkan kemungkinan menerima lebih banyak TAO di masa depan.

Inklusivitas yang kuat juga merupakan salah satu keuntungan utama dari Yuma Consensus. Yuma Consensus tidak hanya digunakan untuk menentukan emisi dari setiap Subnet tetapi juga untuk menentukan rasio alokasi dari setiap Penambang dan Validator dalam Subnet yang sama. Selain itu, terlepas dari tugas Penambang, kontribusi yang dimilikinya, termasuk daya komputasi, data, kontribusi manusia, dan kecerdasan, dianggap secara abstrak. Oleh karena itu, setiap tahap produksi komoditas kecerdasan buatan dapat mengakses ekosistem Bittensor, menikmati insentif sambil juga meningkatkan nilai jaringan Bittensor.

Selanjutnya, mari kita jelajahi beberapa Subnets terkemuka dan amati bagaimana Bittensor mendorong output dari Subnets ini.

Subnet #3 Myshell TTS

GitHub — myshell-ai/MyShell-TTS-Subnet

Berpartisipasi dalam pengembangan myshell-ai/MyShell-TTS-Subnet dengan membuat akun di GitHub.

github.com

Emission：3.46% （2024–04–09）

Latar belakang: Myshell adalah tim di balik Myshell TTS (Text-to-Speech), yang terdiri dari anggota inti dari institusi ternama seperti MIT, Universitas Oxford, dan Universitas Princeton. Myshell bertujuan untuk menciptakan platform tanpa kode, yang memungkinkan mahasiswa kuliah tanpa latar belakang pemrograman untuk dengan mudah membuat robot yang mereka inginkan. Mengkhususkan diri di bidang TTS, buku audio, dan asisten virtual, Myshell meluncurkan chatbot suara pertamanya, Samantha, pada Maret 2023. Dengan ekspansi terus menerus dari matriks produknya, hingga saat ini telah terkumpul lebih dari sejuta pengguna terdaftar. Platform ini menyediakan berbagai jenis robot, termasuk yang berfokus pada pembelajaran bahasa, pendidikan, dan utilitas.

Posisi: Myshell meluncurkan Subnet ini untuk mengumpulkan kebijaksanaan dari seluruh komunitas sumber terbuka dan membangun model TTS sumber terbuka terbaik. Dengan kata lain, TTS Myshell tidak langsung menjalankan model atau menangani permintaan pengguna akhir; sebaliknya, ini adalah jaringan untuk melatih model TTS.

Arsitektur Myshell TSS

Proses yang dijalankan oleh Myshell TTS diilustrasikan dalam diagram di atas. Para penambang bertanggung jawab untuk melatih model dan mengunggah model-model yang telah dilatih ke Kolam Model (metadata dari model juga disimpan dalam jaringan blockchain Bittensor); Validator mengevaluasi model dengan membuat kasus uji, menilai kinerja model, dan memberikan skor berdasarkan hasilnya; blockchain Bittensor bertanggung jawab untuk menggabungkan bobot menggunakan Yuma Consensus, menentukan bobot akhir, dan rasio alokasi untuk setiap Penambang.

Sebagai kesimpulan, para penambang harus terus-menerus mengirimkan model-model berkualitas tinggi untuk mempertahankan imbalan mereka.

Saat ini, Myshell juga telah meluncurkan demo di platformnya untuk pengguna mencoba model-model di Myshell TTS.

Di masa depan, ketika model yang dilatih oleh Myshell TTS menjadi lebih dapat diandalkan, akan ada lebih banyak kasus penggunaan yang muncul secara online. Selain itu, sebagai model open-source, mereka tidak hanya terbatas pada Myshell tetapi juga dapat diperluas ke platform lain. Bukankah melatih dan mendorong model open-source melalui pendekatan terdesentralisasi seperti inilah yang kita harapkan dalam Kecerdasan Buatan Terdesentralisasi?

Subnet #5 Terbuka Kaito

GitHub - OpenKaito/openkaito

Berpartisipasi dalam pengembangan OpenKaito/openkaito dengan membuat akun di GitHub.

github.com

Emisi: 4,39% (2024-04-09)

Latar Belakang: Kaito.ai didukung oleh tim di balik Open Kaito, yang anggotanya inti memiliki pengalaman luas di bidang kecerdasan buatan, sebelumnya bekerja di perusahaan-perusahaan kelas atas seperti AWS, META, dan Citadel. Sebelum memasuki Subnet Bittensor, mereka meluncurkan produk andalan mereka, Kaito.ai — mesin pencari data off-chain Web3, pada Kuartal 4 2023. Dengan memanfaatkan algoritma kecerdasan buatan, Kaito.ai mengoptimalkan komponen inti dari mesin pencari, termasuk pengumpulan data, algoritma peringkat, dan algoritma pengambilan. Produk ini telah mendapat pengakuan sebagai salah satu alat pengumpulan informasi utama dalam komunitas kripto.

Pengaturan: Open Kaito bertujuan untuk membentuk lapisan indeksing terdesentralisasi untuk mendukung pencarian dan analisis cerdas. Mesin pencari bukan sekadar database atau algoritma peringkat tetapi sistem yang kompleks. Selain itu, mesin pencari yang efektif juga memerlukan latensi rendah, yang menimbulkan tantangan tambahan untuk membangun versi terdesentralisasi. Untungnya, dengan sistem insentif Bittensor, tantangan-tantangan ini diharapkan dapat diatasi.

Membuka Arsitektur Kaito

Proses operasi Open Kaito diilustrasikan dalam diagram di atas. Open Kaito tidak hanya mendekentralisasi setiap komponen mesin pencari tetapi mendefinisikan masalah pengindeksan sebagai masalah Penambang-Validator. Artinya, Penambang bertanggung jawab untuk menanggapi permintaan pengindeksan pengguna, sementara Validator mendistribusikan permintaan dan memberi skor tanggapan dari Penambang.

Open Kaito tidak membatasi bagaimana Penambang menyelesaikan tugas pengindeksan, tetapi lebih berfokus pada hasil akhir yang dihasilkan oleh Penambang untuk mendorong solusi inovatif. Hal ini membantu memupuk lingkungan persaingan yang sehat di antara Penambang. Menghadapi tuntutan pengindeksan pengguna, Penambang berusaha untuk meningkatkan rencana eksekusi mereka untuk mencapai hasil respons berkualitas lebih tinggi dengan sumber daya yang lebih sedikit.

Subnet #6 Kami Menyetel Ulang

GitHub — NousResearch/finetuning-subnet

Berikan kontribusi untuk pengembangan NousResearch/finetuning-subnet dengan membuat akun di GitHub.

github.com

Emisi：6.26% （2024–04–09）

Latar Belakang: Tim di balik Nous Finetuning berasal dari Nous Research, sebuah tim peneliti yang berfokus pada arsitektur model bahasa skala besar (LLM), sintesis data, dan inferensi di perangkat. Para pendiri sebelumnya menjabat sebagai Insinyur Utama di Jaringan Eden.

Positioning: Nous Finetuning adalah sebuah subnet yang didedikasikan untuk menyempurnakan model bahasa besar. Selain itu, data yang digunakan untuk penyempurnaan juga berasal dari ekosistem Bittensor, khususnya Subnet #18.

Proses operasi Nous Finetuning mirip dengan Myshell TSS. Para penambang melatih model berdasarkan data dari Subnet #18 dan secara berkala merilisnya untuk di-host di Hugging Face; Validator mengevaluasi model dan memberikan peringkat; begitu juga, blockchain Bittensor bertanggung jawab untuk menggabungkan bobot menggunakan Yuma Consensus, menentukan bobot akhir dan emisi untuk setiap Penambang.

Subnet #18 Cortex.t

GitHub — corcel-api/cortex.t

Berpartisipasi dalam pengembangan corcel-api/cortex.t dengan membuat akun di GitHub.

github.com

Emisi: 7,74% (2024-04-09)

Latar Belakang: Tim di balik Cortex.t adalah Corcel.io, yang telah menerima dukungan dari Mog, validator terbesar kedua dalam jaringan Bittensor. Corcel.io adalah aplikasi yang ditujukan untuk pengguna akhir, menyediakan pengalaman serupa dengan ChatGPT dengan memanfaatkan produk kecerdasan buatan dari ekosistem Bittensor.

Positioning: Cortex.t diposisikan sebagai lapisan terakhir sebelum menyampaikan hasil kepada pengguna akhir. Ini bertanggung jawab untuk mendeteksi dan mengoptimalkan output dari berbagai subnet untuk memastikan bahwa hasilnya akurat dan dapat diandalkan, terutama ketika satu prompt memanggil beberapa model. Cortex.t bertujuan untuk mencegah output kosong atau tidak konsisten, memastikan pengalaman pengguna yang lancar.

Para penambang di Cortex.t memanfaatkan subnet lain dalam ekosistem Bittensor untuk menangani permintaan dari pengguna akhir. Mereka juga menggunakan GPT-3.5-turbo atau GPT-4 untuk memverifikasi hasil output, menjamin keandalan bagi pengguna akhir. Validator menilai output Penambang dengan membandingkannya dengan hasil yang dihasilkan oleh OpenAI.

Visi Subnet #19

GitHub - namoray/vision

Berpartisipasi dalam pengembangan namoray/vision dengan membuat akun di GitHub.

github.com

Emiten: 9,47% (2024-04-09)

Latar Belakang: Tim pengembang di balik Vision juga berasal dari Corcel.io.

Penempatan: Visi bertujuan untuk memaksimalkan kapasitas output jaringan Bittensor dengan memanfaatkan kerangka kerja pembangunan subnets yang dioptimalkan yang disebut DSIS (Inferensi subnet terdesentralisasi dalam skala). Kerangka kerja ini mempercepat respon Miner terhadap Validator. Saat ini, Visi difokuskan pada skenario generasi gambar.

Validator menerima permintaan dari frontend Corcel.io dan mendistribusikannya ke Penambang. Penambang memiliki kebebasan untuk memilih tumpukan teknologi yang mereka sukai (tidak terbatas pada model) untuk memproses permintaan dan menghasilkan tanggapan. Validator kemudian menilai kinerja Penambang. Berkat DSIS, Vision dapat merespons permintaan ini lebih cepat dan efisien daripada Subnet lainnya.

Ringkasan

Dari contoh di atas, jelas bahwa Bittensor menunjukkan tingkat inklusivitas yang tinggi. Generasi oleh Penambang dan validasi oleh Validator terjadi di luar rantai, dengan jaringan Bittensor berfungsi semata-mata untuk mengalokasikan imbalan kepada setiap Penambang berdasarkan evaluasi dari Validator. Setiap aspek dari generasi produk AI yang sesuai dengan arsitektur Penambang-Validator dapat diubah menjadi Subnet.

Penafian Tanggung Jawab: Pandangan dan opini yang terungkap dalam artikel ini semata-mata milik penulis dan tidak merupakan saran investasi apa pun.

Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang sudah diterjemahkan dilarang.

Secara teori, persaingan di antara Subnet seharusnya sangat ketat. Agar sebuah Subnet terus menerima imbalan, ia harus secara konsisten menghasilkan output berkualitas tinggi. Sebaliknya, jika output dari sebuah Subnet dianggap rendah nilainya oleh Root Network Validators, alokasinya dapat berkurang, dan pada akhirnya dapat digantikan oleh Subnet baru.

Namun, pada kenyataannya, kami memang telah mengamati beberapa masalah:

1. Redundansi dan duplikasi sumber daya karena posisi Subnet yang serupa. Di antara 32 Subnet yang ada, ada beberapa Subnet yang berfokus pada arah populer seperti teks-ke-gambar, petunjuk teks, dan prediksi harga.
2. Keberadaan Subnets tanpa kasus penggunaan praktis. Meskipun prediksi harga Subnets mungkin memiliki nilai teoritis sebagai penyedia oracle, kinerja saat ini dari data prediksi jauh dari dapat digunakan oleh pengguna akhir.
3. Kejadian “uang buruk menggusur uang baik.” Beberapa Validator teratas mungkin tidak memiliki kecenderungan kuat untuk bermigrasi ke Subnet baru, meskipun beberapa Subnet baru menunjukkan kualitas yang jauh lebih tinggi. Namun, karena kurangnya dukungan modal, mereka mungkin tidak menerima emisi yang cukup dalam jangka pendek. Karena Subnet baru memiliki periode proteksi hanya selama 7 hari setelah diluncurkan, jika mereka gagal untuk segera mengumpulkan jumlah emisi yang memadai, mereka mungkin menghadapi risiko digeser keluar dan offline.

Masalah-masalah ini mencerminkan kurangnya persaingan di antara Subnets, dan beberapa Validator tidak berperan dalam mendorong persaingan yang efektif.

Validator Yayasan Open Tensor (OTF) telah menerapkan beberapa langkah sementara untuk meredakan situasi ini. Sebagai Validator terbesar yang memiliki 23% dari kekuatan staking (termasuk delegasi), OTF menyediakan saluran bagi Subnet untuk bersaing lebih banyak TAO yang Dipertaruhkan: Pemilik subnet dapat mengajukan permintaan kepada OTF setiap minggu untuk menyesuaikan proporsinya dari Staked TAO di Subnet. Permintaan ini harus mencakup 10 aspek, termasuk 'Tujuan subnet dan kontribusi terhadap ekosistem Bittensor,' 'Mekanisme reward subnet,' 'Desain protokol komunikasi,' 'Sumber data dan keamanan,' 'Persyaratan komputasi,' dan 'Rencana jalan,' antara lain, untuk memfasilitasi pengambilan keputusan akhir OTF.

Namun, untuk secara mendasar mengatasi masalah ini, di satu sisi, kita mendesak membutuhkan peluncuran dTAO (@0xai.dev/what-is-the-impact-of-dynamic-tao-on-bittensor-efcc8ebe4e27">Dynamic TAO), yang dirancang untuk secara mendasar mengubah masalah yang tidak masuk akal yang disebutkan sebelumnya. Atau, kita dapat mengajukan permohonan kepada Validator besar yang memegang sejumlah besar Staking TAO untuk mempertimbangkan pengembangan jangka panjang ekosistem Bittensor lebih dari sudut pandang 'pengembangan ekosistem' daripada hanya dari sudut pandang 'return keuangan'.

Sebagai kesimpulan, dengan mengandalkan inklusivitasnya yang kuat, lingkungan persaingan yang sengit, dan mekanisme insentif yang efektif, kami percaya bahwa ekosistem Bittensor dapat secara organik menghasilkan produk AI berkualitas tinggi. Meskipun tidak semua output dari Subnets yang ada mungkin bisa menyaingi produk-produk terpusat, jangan lupa bahwa arsitektur Bittensor saat ini baru berusia satu tahun (Subnet #1 terdaftar pada 13 April 2023). Untuk platform dengan potensi untuk menyaingi raksasa-raksasa AI terpusat, mungkin sebaiknya kita fokus pada mengajukan rencana perbaikan yang praktis daripada dengan cepat mengkritik kekurangannya. Pada akhirnya, kita semua tidak ingin melihat AI terus-menerus dikendalikan oleh beberapa raksasa.

Penyangkalan：

1. Artikel ini diambil dari [Medium], Semua hak cipta dimiliki oleh penulis asli [0xaiJika ada keberatan terhadap cetak ulang ini, silakan hubungiGate Belajartim, dan mereka akan menanganinya dengan segera.
2. Penafian Tanggung Jawab: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan saran investasi apa pun.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang.