Сначала и прежде всего, что такое Bittensor?

Сам по себе Bittensor не является продуктом искусственного интеллекта, ни производит, ни предоставляет какие-либо продукты или услуги искусственного интеллекта. Bittensor - это экономическая система, которая служит оптимизатором для рынка продуктов искусственного интеллекта, предоставляя высококонкурентную инцентивную систему для производителей продуктов искусственного интеллекта. В экосистеме Bittensor высококачественные производители получают больше инцентивов, в то время как менее конкурентоспособные производители постепенно исключаются.

Итак, как же Bittensor конкретно создает этот инцентивный механизм, который способствует эффективной конкуренции и стимулирует органическое производство высококачественной продукции в области искусственного интеллекта?

Модель маховика Bittensor

Bittensor достигает эту цель через модель маховика. Валидаторы оценивают качество продуктов искусственного интеллекта в экосистеме и распределяют поощрения на основе их качества, обеспечивая, что высококачественные производители получают больше поощрений. Это стимулирует непрерывное увеличение высококачественного продукта, тем самым повышая ценность сети Bittensor и увеличивая оценку TAO. Оценка TAO не только привлекает больше высококачественных производителей в экосистему Bittensor, но и увеличивает стоимость атак со стороны манипуляторов, манипулирующих результатами оценки качества. Это дополнительно укрепляет консенсус честных валидаторов и повышает объективность и справедливость результатов оценки, тем самым достигая более эффективного конкурентного и стимулирующего механизма.

Обеспечение справедливости и объективности результатов оценки является ключевым шагом в запуске механизма. Это также является основной технологией Bittensor, а именно абстрактной системой валидации на основе Yuma Consensus.

Итак, что такое Yuma Consensus и как он обеспечивает справедливость и объективность результатов оценки качества после консенсуса?

Консенсус Yuma - это механизм консенсуса, разработанный для вычисления окончательных результатов оценки на основе разнообразных оценок, предоставленных многочисленными валидаторами. Подобно механизмам консенсуса, обеспечивающим устойчивость к византийским ошибкам, при условии, что большинство валидаторов в сети честны, правильное решение можно принять в конечном итоге. Предполагая, что честные валидаторы могут предоставить объективные оценки, результаты оценки после консенсуса также будут справедливыми и объективными.

Возьмем оценку качества подсетей в качестве примера. Корневые сетевые валидаторы оценивают и ранжируют качество выхода каждой подсети. Результаты оценки от 64 валидаторов агрегируются, и окончательные результаты оценки получаются с помощью алгоритма консенсуса Юма. Затем окончательные результаты используются для выделения вновь чеканящихся TAO для каждой подсети.

В настоящее время Yuma Consensus действительно имеет потенциал для улучшения:

1. Валидаторы сети Root могут не полностью представлять всех держателей ТАО, и результаты оценки, которые они предоставляют, не обязательно отражают широкий спектр точек зрения. Кроме того, оценки от нескольких лучших Валидаторов не всегда бывают объективными. Даже если выявлены случаи предвзятости, они не всегда могут быть немедленно исправлены.
2. Присутствие проверяющих корневой сети ограничивает количество подсетей, которые может вместить Bittensor. Чтобы конкурировать с централизованными гигантами искусственного интеллекта, недостаточно иметь всего 32 подсети. Тем не менее, даже с 32 подсетями проверяющие корневой сети могут испытывать затруднения с эффективным контролем за всеми ними.
3. Валидаторы могут не проявлять сильного желания мигрировать на новые подсети. В краткосрочной перспективе валидаторы могут потерять часть наград при миграции с более старого подсети с более высоким эмиссионным объемом на новый подсеть с более низким эмиссионным объемом. Неопределенность в том, догонит ли эмиссия нового подсети в конечном итоге, а также определенная потеря наград во время преследования, сдерживает их готовность к миграции.

Bittensor также планирует механизмы обновления для решения этих недостатков:

1. Dynamic TAO децентрализует власть оценки качества подсети, распределяя ее на всех держателей TAO, а не на нескольких валидаторов. Держатели TAO смогут косвенно определять коэффициент выделения каждой подсети через стейкинг.
2. Без ограничений валидаторов корневой сети максимальное количество активных подсетей будет увеличено до 1024. Это значительно снизит барьер для новых команд, желающих присоединиться к экосистеме Bittensor, что приведет к более ожесточенной конкуренции среди подсетей.
3. Валидаторы, переходящие на новые подсети раньше, скорее всего, получат более высокие награды. Раннее переезд на новую подсеть означает покупку dTAO этой подсети по более низкой цене, увеличивая вероятность получения большего количества TAO в будущем.

Также сильная инклюзивность является одним из основных преимуществ Yuma Consensus. Yuma Consensus используется не только для определения объемов выбросов в каждой подсети, но и для определения коэффициента распределения каждого майнера и валидатора в пределах одной и той же подсети. Кроме того, независимо от задачи майнера, его вклады, включая вычислительную мощность, данные, человеческий вклад и интеллект, абстрактно рассматриваются. Поэтому любой этап производства товаров ИИ может получить доступ к экосистеме Bittensor, получая стимулы и повышая стоимость сети Bittensor.

Далее давайте исследуем некоторые ведущие подсети и наблюдаем, как Bittensor стимулирует вывод этих подсетей.

Subnet #3 Myshell TTS

GitHub — myshell-ai/MyShell-TTS-Subnet

Внести вклад в развитие myshell-ai/MyShell-TTS-Subnet, создав учетную запись на GitHub.

github.com

Эмиссия: 3.46% (2024-04-09)

Фон: Myshell - это команда, стоящая за Myshell TTS (Text-to-Speech), включающая в себя основных участников из известных учреждений, таких как MIT, Оксфордский университет и Принстонский университет. Myshell стремится создать платформу без кода, позволяющую студентам колледжей без программирования легко создавать желаемых роботов. Специализируясь в области TTS, аудиокниг и виртуальных ассистентов, Myshell запустил своего первого голосового чат-бота, Саманту, в марте 2023 года. С постоянным расширением своей продуктовой матрицы, на сегодняшний день у него более миллиона зарегистрированных пользователей. Платформа предлагает различные типы роботов, включая обучение языку, образовательные и ориентированные на утилиту.

Позиционирование: Myshell запустил этот Subnet, чтобы собрать мудрость всего сообщества с открытым исходным кодом и построить лучшие модели TTS с открытым исходным кодом. Другими словами, Myshell TTS не запускает модели напрямую или обрабатывает запросы конечных пользователей; вместо этого это сеть для обучения моделей TTS.

Архитектура Myshell TSS

Процесс, запущенный Myshell TTS, проиллюстрирован на диаграмме выше. Майнеры отвечают за обучение моделей и загрузку обученных моделей в пул моделей (метаданные моделей также хранятся в сети блокчейн Bittensor); Валидаторы оценивают модели, создавая тестовые случаи, оценивая производительность модели и выставляя оценки на основе результатов; сеть блокчейн Bittensor отвечает за агрегирование весов с использованием Yuma Consensus, определение окончательных весов и коэффициентов распределения для каждого майнера.

В заключение, Шахтеры должны непрерывно представлять модели более высокого качества, чтобы поддерживать свои награды.

В настоящее время Myshell также запустил демонстрационную версию на своей платформе для пользователей, чтобы попробовать модели в Myshell TTS.

В будущем, по мере того как модели, обученные Myshell TTS, станут более надежными, появится больше случаев использования в онлайн-режиме. Более того, как модели с открытым исходным кодом, они не будут ограничены только Myshell, но также могут быть расширены до других платформ. Разве обучение и поощрение моделей с открытым исходным кодом через такие децентрализованные подходы именно то, чего мы добиваемся в Децентрализованном ИИ?

Подсеть #5 Открытый Кайто

GitHub — OpenKaito/openkaito

Внесите вклад в развитие OpenKaito/openkaito, создав учетную запись на GitHub.

github.com

Эмиссия: 4.39% (2024-04-09)

Фон: Kaito.ai поддерживается командой, стоящей за Open Kaito, ядро которой имеет обширный опыт в области искусственного интеллекта, прежде работавших в ведущих компаниях, таких как AWS, META и Citadel. Прежде чем приступить к Bittensor Subnet, они запустили свой флагманский продукт, Kaito.ai — поисковый движок данных Web3 вне цепи, в IV квартале 2023 года. Используя алгоритмы искусственного интеллекта, Kaito.ai оптимизирует основные компоненты поисковых систем, включая сбор данных, алгоритмы ранжирования и алгоритмы извлечения. Он был признан одним из ведущих инструментов для сбора информации в криптосообществе.

Позиционирование: Open Kaito нацелен на создание децентрализованного индексного слоя для поддержки интеллектуального поиска и анализа. Поисковый движок не просто база данных или алгоритм ранжирования, а сложная система. Более того, эффективный поисковый движок также требует низкой задержки, что представляет дополнительные вызовы для создания децентрализованной версии. К счастью, благодаря системе поощрений Bittensor, ожидается, что эти вызовы будут решены.

Открыть архитектуру Kaito

Процесс работы Open Kaito проиллюстрирован на схеме выше. Open Kaito не просто децентрализует каждый компонент поисковой системы, но определяет проблему индексации как проблему майнера-валидатора. То есть, майнеры отвечают за обработку запросов на индексацию пользователей, в то время как валидаторы распределяют требования и оценивают ответы от майнеров.

Open Kaito не ограничивает способы завершения задач индексации Майнерами, а сконцентрирован на конечных результатах, получаемых Майнерами, чтобы поощрять инновационные решения. Это способствует созданию здоровой конкурентной среды среди Майнеров. Сталкиваясь с требованиями пользователей к индексации, Майнеры стремятся улучшить свои планы выполнения, чтобы достичь результатов высокого качества с меньшими ресурсами.

Подсеть №6 Наша доводка

GitHub — NousResearch/finetuning-subnet

Внесите свой вклад в развитие NousResearch/finetuning-subnet, создав учетную запись на GitHub.

github.com

Эмиссия: 6.26% (2024-04-09)

Команда, стоящая за Nous Finetuning, происходит из Nous Research, посвященной исследовательской группы, сосредоточенной на архитектуре крупномасштабных языковых моделей (LLM), синтезе данных и выводе на устройство. Ее соучредители ранее занимали должность главного инженера в Eden Network.

Позиционирование: Nous Finetuning - это подсеть, посвященная тонкой настройке крупных языковых моделей. Кроме того, данные, используемые для точной настройки, также поступают из экосистемы Bittensor, а именно Subnet #18.

Процесс работы Nous Finetuning аналогичен процессу работы Myshell TSS. Майнеры обучают модели на основе данных из Subnet #18 и регулярно выпускают их для размещения на Hugging Face; Валидаторы оценивают модели и предоставляют рейтинги; аналогично, блокчейн Bittensor отвечает за агрегацию весов с использованием Yuma Consensus, определение окончательных весов и эмиссии для каждого майнера.

Подсеть #18 Cortex.t

GitHub — corcel-api/cortex.t

Внесите вклад в развитие corcel-api/cortex.t, создав учетную запись на GitHub.

github.com

Эмиссия: 7.74% (2024-04-09)

Команда, стоящая за Cortex.t, - это Corcel.io, которая получила поддержку от Mog, второго по величине валидатора в сети Bittensor. Corcel.io - это приложение, ориентированное на конечных пользователей, обеспечивающее опыт, аналогичный ChatGPT, используя продукты искусственного интеллекта из экосистемы Bittensor.

Позиционирование: Cortex.t позиционируется как окончательный слой перед передачей результатов конечным пользователям. Он отвечает за обнаружение и оптимизацию результатов различных подсетей, чтобы гарантировать, что результаты точны и надежны, особенно когда один запрос вызывает несколько моделей. Cortex.t стремится предотвратить пустые или несогласованные результаты, обеспечивая беспрепятственное пользовательское взаимодействие.

Майнеры в Cortex.t используют другие подсети в экосистеме Bittensor для обработки запросов от конечных пользователей. Они также используют GPT-3.5-turbo или GPT-4 для проверки результатов вывода, гарантируя надежность для конечных пользователей. Валидаторы оценивают выводы майнеров, сравнивая их с результатами, сгенерированными OpenAI.

Подсеть #19 Vision

GitHub — namoray/vision

Содействуйте развитию vision, создавая учетную запись на GitHub.

github.com

Эмиссия: 9.47% (2024-04-09)

Фон: Команда разработчиков Vision также происходит из Corcel.io.

Позиционирование: Vision стремится максимизировать производительность сети Bittensor, используя оптимизированную сеть, называемую DSIS (децентрализованное подсетевое вывод на масштабе). Этот фреймворк ускоряет ответы майнеров перед валидаторами. В настоящее время Vision сосредоточена на сценарии генерации изображений.

Валидаторы получают запросы от фронтенда Corcel.io и распределяют их на Майнеров. Майнеры имеют свободу выбирать свой предпочитаемый технологический стек (не ограничиваясь моделями) для обработки запросов и генерации ответов. Затем валидаторы оценивают производительность Майнеров. Благодаря DSIS, Vision может быстрее и эффективнее реагировать на эти запросы, чем другие подсети.

Сводка

Из приведенных выше примеров очевидно, что Bittensor проявляет высокую степень инклюзивности. Генерация Майнерами и валидация Валидаторами происходит вне цепи, причем сеть Bittensor служит исключительно для распределения наград каждому Майнеру на основе оценки от Валидаторов. Любой аспект генерации продукта ИИ, который подходит для архитектуры Майнер-Валидатор, может быть преобразован в подсеть.

Ответственность за отказ от ответственности: Взгляды и мнения, высказанные в этой статье, являются исключительно мнением автора и не являются инвестиционными советами.

Переводы статьи на другие языки выполняются командой Gate Learn. Если не указано иное, копирование, распространение или плагиатство переведенных статей запрещено.

В теории конкуренция среди подсетей должна быть интенсивной. Для того чтобы любая подсеть продолжала получать награды, она должна постоянно производить продукцию высокого качества. В противном случае, если продукция подсети считается низкой ценностью сетью корневых валидаторов, ее награда может уменьшиться, и в конечном итоге ее может заменить новая подсеть.

Однако на самом деле мы действительно наблюдали некоторые проблемы:

1. Лишняя и дублирующая ресурсы из-за схожего расположения подсетей. Из существующих 32 подсетей есть несколько подсетей, сосредоточенных на популярных направлениях, таких как текст в изображение, текстовая подсказка и прогнозирование цен.
2. Существование подсетей без практических применений. В то время как прогнозы цен подсетей могут иметь теоретическую ценность в качестве поставщиков оракулов, текущая производительность данных прогнозирования далека от того, чтобы быть использованными конечными пользователями.
3. Примеры «плохих денег вытесняют хорошие». Некоторые топовые Валидаторы могут не иметь сильного желания мигрировать на новые подсети, даже если некоторые новые подсети демонстрируют значительно более высокое качество. Однако из-за отсутствия финансовой поддержки они могут не получить достаточного количества эмиссии в короткой перспективе. Поскольку у новых подсетей есть период защиты всего 7 дней после запуска, если им не удастся быстро накопить достаточное количество эмиссии, они могут столкнуться с риском быть вытесненными и выйти из строя.

Эти проблемы отражают недостаточную конкуренцию среди подсетей, и некоторые валидаторы не сыграли роли в поощрении эффективной конкуренции.

Валидатор Фонда Открытого Тензора (OTF) принял некоторые временные меры для смягчения этой ситуации. Поскольку он является крупнейшим Валидатором, удерживающим 23% стейкинговой мощности (включая делегирование), OTF предоставляет каналы для Subnets, чтобы бороться за большее количество заложенного TAO: Владельцы подсетей могут еженедельно подавать запросы в OTF на корректировку их доли заложенного TAO в подсети. Эти запросы должны охватывать 10 аспектов, включая «Цели подсети и вклад в экосистему Bittensor», «Механизм вознаграждения подсети», «Проектирование протокола коммуникации», «Источники данных и безопасность», «Вычислительные требования» и «Дорожная карта», среди прочего, для облегчения окончательного принятия решения OTF.

Однако для фундаментального решения этой проблемы, с одной стороны, нам срочно нужен запуск dTAO (@0xai.dev/what-is-the-impact-of-dynamic-tao-on-bittensor-efcc8ebe4e27">Dynamic TAO), который разработан для фундаментального изменения вышеупомянутых неразумных проблем. В качестве альтернативы мы можем обратиться к крупным Валидаторам, удерживающим значительное количество Staking TAO, чтобы рассмотреть долгосрочное развитие экосистемы Bittensor скорее с позиции «развития экосистемы», чем исключительно с позиции «финансовой отдачи».

В заключение, полагаясь на его сильную инклюзивность, ожесточенную конкурентную среду и эффективный механизм стимулирования, мы считаем, что экосистема Bittensor может органично производить продукты искусственного интеллекта высокого качества. Хотя не все результаты существующих подсетей могут конкурировать с централизованными продуктами, давайте не забывать, что текущая архитектура Bittensor только что исполнилось год (подсеть №1 была зарегистрирована 13 апреля 2023 года). Для платформы с потенциалом конкурировать с централизованными гигантами искусственного интеллекта, возможно, стоит сосредоточиться на предложении практических планов улучшения, а не на торопливой критике его недостатков. В конце концов, мы все не хотим видеть, как искусственный интеллект постоянно контролируется несколькими гигантами.

Отказ от ответственности:

1. Эта статья взята из [Medium], Все авторские права принадлежат оригинальному автору [0xai]. Если есть возражения к этому перепечатыванию, пожалуйста, свяжитесь с Шлюз Учитькоманда, и они быстро справятся с этим.
2. Ответственность за отказ от ответственности: Взгляды и мнения, высказанные в этой статье, являются исключительно мнением автора и не составляют инвестиционного совета.
3. Переводы статьи на другие языки выполняются командой Gate Learn. Если не указано иное, копирование, распространение или плагиат переведенных статей запрещены.