Đầu tiên, điều gì chính xác là Bittensor?

Bittensor chính là không phải là một sản phẩm AI, cũng không sản xuất hoặc cung cấp bất kỳ sản phẩm hoặc dịch vụ AI nào. Bittensor là một hệ thống kinh tế phục vụ như một bộ tối ưu hóa cho thị trường sản phẩm AI bằng cách cung cấp một hệ thống khuyến khích cạnh tranh cao cho các nhà sản xuất sản phẩm AI. Trong hệ sinh thái Bittensor, các nhà sản xuất chất lượng cao nhận được nhiều khuyến khích hơn, trong khi các nhà sản xuất ít cạnh tranh dần bị loại bỏ.

Vậy, Bittensor làm thế nào để tạo ra cơ chế khuyến khích cụ thể này, thúc đẩy cạnh tranh hiệu quả và khuyến khích sự sản xuất hữu cơ của các sản phẩm trí tuệ nhân tạo chất lượng cao?

Mô hình bánh xe quạt Bittensor

Bittensor đạt được mục tiêu này thông qua một mô hình bánh xe quay. Người xác minh đánh giá chất lượng của các sản phẩm trí tuệ nhân tạo trong hệ sinh thái và phân phối động cơ dựa trên chất lượng của họ, đảm bảo rằng những nhà sản xuất chất lượng cao nhận được nhiều động cơ hơn. Điều này kích thích sự tăng liên tục trong sản lượng chất lượng cao, từ đó tăng giá trị của mạng lưới Bittensor và tăng giá trị của TAO. Sự đánh giá cao của TAO không chỉ thu hút nhiều nhà sản xuất chất lượng cao hơn tham gia hệ sinh thái Bittensor mà còn tăng chi phí tấn công của những người điều khiển biến chất lượng kết quả đánh giá. Điều này làm tăng sức mạnh của sự đồng thuận của Người xác minh trung thực và nâng cao tính khách quan và công bằng của kết quả đánh giá, từ đó đạt được một cơ chế cạnh tranh và động cơ hiệu quả hơn.

Đảm bảo sự công bằng và khách quan của kết quả đánh giá là bước quan trọng trong việc xoay cần cân bằng. Điều này cũng là công nghệ cốt lõi của Bittensor, cụ thể là hệ thống xác thực trừu tượng dựa trên Yuma Consensus.

Vậy Yuma Consensus là gì và làm thế nào để đảm bảo kết quả đánh giá chất lượng sau khi thống nhất là công bằng và khách quan?

Yuma Consensus là một cơ chế đồng thuận được thiết kế để tính toán kết quả đánh giá cuối cùng từ những đánh giá đa dạng được cung cấp bởi rất nhiều Validators. Tương tự như các cơ chế đồng thuận có khả năng chống lỗi Byzantine, miễn là phần lớn Validators trong mạng là trung thực, quyết định đúng có thể được đạt được cuối cùng. Giả sử rằng Validators trung thực có thể cung cấp đánh giá khách quan, kết quả đánh giá sau đồng thuận cũng sẽ công bằng và khách quan.

Lấy việc đánh giá chất lượng của Subnet làm ví dụ, Root Network Validators đánh giá và xếp hạng chất lượng của mỗi đầu ra của Subnet. Kết quả đánh giá từ 64 Validators được tổng hợp, và kết quả đánh giá cuối cùng được thu được thông qua thuật toán Đồng thuận Yuma. Kết quả cuối cùng sau đó được sử dụng để phân bổ TAO mới đúc cho mỗi Subnet.

Hiện tại, Yuma Consensus thực sự cần được cải thiện:

1. Các máy chủ xác thực Mạng Gốc có thể không đại diện đầy đủ cho tất cả các chủ sở hữu TAO, và kết quả đánh giá mà họ cung cấp có thể không nhất thiết phản ánh một loạt quan điểm. Ngoài ra, các đánh giá từ một số máy chủ xác thực hàng đầu có thể không luôn luôn khách quan. Ngay cả khi phát hiện các trường hợp thiên vị, chúng có thể không được sửa ngay lập tức.
2. Sự hiện diện của Root Network Validators hạn chế số lượng Subnets mà Bittensor có thể chứa đựng. Để cạnh tranh với các ông lớn trung tâm trí tuệ nhân tạo, chỉ có 32 Subnets là chưa đủ. Tuy nhiên, ngay cả với 32 Subnets, Root Network Validators có thể gặp khó khăn trong việc giám sát hiệu quả tất cả chúng.
3. Các nhà xác thực có thể không có ý định mạnh mẽ để di cư sang các Mạng lưới mới. Trong tương lai ngắn, các nhà xác thực có thể mất một số phần thưởng khi di cư từ một Mạng lưới cũ với lượng phát thải cao hơn sang một Mạng lưới mới với lượng phát thải thấp hơn. Sự không chắc chắn về việc liệu lượng phát thải của Mạng lưới mới có thể tương xứng cuối cùng hay không, kết hợp với sự mất mát chắc chắn về phần thưởng trong quá trình theo đuổi, làm giảm sự sẵn lòng của họ để di cư.

Bittensor cũng đang lên kế hoạch cải tiến cơ chế để giải quyết những điểm yếu này:

1. Dynamic TAO sẽ phân quyền đánh giá chất lượng Subnet bằng cách phân phối cho tất cả các chủ sở hữu TAO, chứ không phải là một số lượng ít các Validators. Người nắm giữ TAO sẽ có khả năng xác định gián đoạn phân bổ của mỗi Subnet một cách gián tiếp thông qua việc đặt cược.
2. Không bị các giới hạn của Root Network Validators, số lượng tối đa của các Subnet hoạt động sẽ được tăng lên 1024. Điều này sẽ giảm đáng kể rào cản cho các đội mới tham gia hệ sinh thái Bittensor, dẫn đến sự cạnh tranh gay gắt hơn giữa các Subnet.
3. Các nhà xác thực chuyển đến các Mạng con mới sớm hơn có khả năng nhận được phần thưởng cao hơn. Việc di chuyển sớm đến một Mạng con mới có nghĩa là mua dTAO của Mạng con đó với giá thấp hơn, tăng cơ hội nhận được nhiều TAO hơn trong tương lai.

Tính bao quát mạnh mẽ cũng là một trong những lợi thế lớn của Yuma Consensus. Yuma Consensus không chỉ được sử dụng để xác định lượng phát thải của mỗi Mạng phụ mà còn để quyết định tỷ lệ phân phối của mỗi Mỏ và Xác minh viên trong cùng Mạng phụ. Hơn nữa, bất kể nhiệm vụ của Mỏ, những đóng góp mà nó chứa đựng, bao gồm sức mạnh tính toán, dữ liệu, đóng góp của con người và trí tuệ, đều được xem xét một cách trừu tượng. Do đó, bất kỳ giai đoạn nào của sản xuất hàng hóa AI đều có thể truy cập vào hệ sinh thái Bittensor, tận hưởng động lực đồng thời nâng cao giá trị của mạng Bittensor.

Tiếp theo, hãy khám phá một số Subnets hàng đầu và quan sát cách Bittensor khuyến khích sự đầu ra của những Subnets này.

Mạng con #3 Myshell TTS

GitHub — myshell-ai/MyShell-TTS-Subnet

Đóng góp vào sự phát triển của myshell-ai/MyShell-TTS-Subnet bằng cách tạo một tài khoản trên GitHub.

github.com

Phát ra: 3.46% (2024-04-09)

Nền tảng: Myshell là nhóm đứng sau Myshell TTS (Text-to-Speech), bao gồm các thành viên chính từ các viện đại học nổi tiếng như MIT, Đại học Oxford và Đại học Princeton. Myshell nhằm tạo ra một nền tảng không cần mã, cho phép sinh viên không có nền tảng lập trình dễ dàng tạo ra những robot mong muốn của họ. Chuyên sâu trong lĩnh vực TTS, sách nói và trợ lý ảo, Myshell đã tung ra trò chuyện đầu tiên bằng giọng nói, Samantha, vào tháng 3 năm 2023. Với sự mở rộng liên tục của ma trận sản phẩm, nó đã thu hút hơn một triệu người dùng đăng ký đến nay. Nền tảng chứa đựng các loại robot khác nhau, bao gồm việc học ngôn ngữ, giáo dục và các robot tập trung vào tiện ích.

Vị trí: Myshell đã ra mắt Subnet này để thu thập sự khôn ngoan của cộng đồng mã nguồn mở toàn cầu và xây dựng những mô hình TTS mã nguồn mở tốt nhất. Nói cách khác, Myshell TTS không chạy trực tiếp các mô hình hoặc xử lý yêu cầu của người dùng cuối; thay vào đó, đó là một mạng lưới để huấn luyện các mô hình TTS.

Kiến trúc Myshell TSS

Quy trình chạy bởi Myshell TTS được minh họa trong sơ đồ ở trên. Các thợ đào là người chịu trách nhiệm huấn luyện các mô hình và tải lên các mô hình đã được huấn luyện vào Hồ bơi Mô hình (thông tin siêu dữ liệu của các mô hình cũng được lưu trữ trên mạng lưới blockchain Bittensor); Người xác thực đánh giá các mô hình bằng cách tạo ra các trường hợp thử nghiệm, đánh giá hiệu suất mô hình và điểm dựa trên kết quả; mạng lưới blockchain Bittensor chịu trách nhiệm tổng hợp trọng số bằng cách sử dụng Yuma Consensus, xác định trọng số cuối cùng và tỷ lệ phân bổ cho mỗi Thợ đào.

Kết luận, Các thợ đào cần liên tục nộp các mô hình chất lượng cao hơn để duy trì phần thưởng của họ.

Hiện tại, Myshell cũng đã phát hành một bản demo trên nền tảng của mình để người dùng thử các mô hình trong Myshell TTS.

Trong tương lai, khi các mô hình được đào tạo bởi Myshell TTS trở nên đáng tin cậy hơn, sẽ có nhiều trường hợp sử dụng hơn trên internet. Hơn nữa, với các mô hình mã nguồn mở, chúng sẽ không chỉ bị giới hạn trong Myshell mà còn có thể mở rộng ra các nền tảng khác. Việc đào tạo và khuyến khích các mô hình mã nguồn mở thông qua các phương pháp phân cấp như vậy chính là mục tiêu mà chúng ta hướng đến trong Trí tuệ nhân tạo Phân cấp.

Subnet #5 Mở Kaito

GitHub — OpenKaito/openkaito

Đóng góp vào sự phát triển của OpenKaito/openkaito bằng cách tạo tài khoản trên GitHub.

github.com

Phát ra: 4,39% (2024-04-09)

Lịch sử: Kaito.ai được hậu thuẫn bởi nhóm đứng sau Open Kaito, các thành viên chính của họ có kinh nghiệm rộng lớn trong lĩnh vực AI, trước đây họ đã làm việc tại các công ty hàng đầu như AWS, META và Citadel. Trước khi mạo hiểm vào Bittensor Subnet, họ đã ra mắt sản phẩm chủ lực của mình, Kaito.ai — một công cụ tìm kiếm dữ liệu off-chain trên Web3, vào Q4 năm 2023. Tận dụng các thuật toán AI, Kaito.ai tối ưu hóa các thành phần cốt lõi của công cụ tìm kiếm, bao gồm việc thu thập dữ liệu, thuật toán xếp hạng và thuật toán truy xuất. Nó đã được công nhận là một trong những công cụ thu thập thông tin hàng đầu trong cộng đồng tiền điện tử.

Vị trí: Open Kaito nhằm mục tiêu xây dựng một lớp chỉ mục phi tập trung để hỗ trợ tìm kiếm và phân tích thông minh. Một công cụ tìm kiếm không chỉ đơn giản là một cơ sở dữ liệu hoặc thuật toán xếp hạng mà là một hệ thống phức tạp. Hơn nữa, một công cụ tìm kiếm hiệu quả cũng yêu cầu độ trễ thấp, đặt ra thách thức bổ sung cho việc xây dựng phiên bản phi tập trung. May mắn thay, với hệ thống khuyến khích của Bittensor, những thách thức này dự kiến sẽ được giải quyết.

Mở Kiến trúc Kaito

Quá trình vận hành của Open Kaito được minh họa trong sơ đồ ở trên. Open Kaito không chỉ đơn giản là phân quyền từng thành phần của công cụ tìm kiếm mà xác định vấn đề chỉ mục như một vấn đề Miner-Validator. Nghĩa là, Miner chịu trách nhiệm phản ứng với yêu cầu chỉ mục của người dùng, trong khi Validator phân phối các yêu cầu và đánh giá điểm của các phản ứng từ Miner.

Open Kaito không hạn chế cách Mỏ đào hoàn thành các nhiệm vụ chỉ mục, mà tập trung vào kết quả cuối cùng do Mỏ đào tạo ra để khuyến khích các giải pháp sáng tạo. Điều này giúp tạo môi trường cạnh tranh lành mạnh giữa các Mỏ đào. Đối mặt với nhu cầu chỉ mục của người dùng, các Mỏ đào cố gắng cải thiện kế hoạch thực thi của họ để đạt được kết quả phản hồi chất lượng cao hơn với ít tài nguyên hơn.

Subnet #6 Chúng tôi Điều chỉnh lại

GitHub — NousResearch/finetuning-subnet

Đóng góp vào sự phát triển của NousResearch/finetuning-subnet bằng cách tạo tài khoản trên GitHub.

github.com

Phát ra: 6.26% （2024–04–09）

Nền tảng: Đội ngũ đứng sau Nous Finetuning đến từ Nous Research, một đội nghiên cứu chuyên nghiệp tập trung vào kiến trúc mô hình ngôn ngữ quy mô lớn (LLM), tổng hợp dữ liệu và suy luận trên thiết bị. Các nhà sáng lập của nó trước đây đã phục vụ làm Kỹ sư Chính tại Mạng lưới Eden.

Vị trí: Nous Finetuning là một subnet được dành riêng cho việc điều chỉnh tinh chỉnh các mô hình ngôn ngữ lớn. Hơn nữa, dữ liệu được sử dụng để điều chỉnh tinh chỉnh cũng đến từ hệ sinh thái Bittensor, cụ thể là Subnet #18.

Quá trình vận hành của Nous Finetuning tương tự như của Myshell TSS. Các thợ mỏ huấn luyện các mô hình dựa trên dữ liệu từ Subnet #18 và thường xuyên phát hành chúng để được lưu trữ trên Hugging Face; Người xác thực đánh giá các mô hình và cung cấp xếp hạng; tương tự, blockchain Bittensor chịu trách nhiệm tổng hợp trọng số bằng cách sử dụng Yuma Consensus, xác định trọng lượng và phát thải cuối cùng cho mỗi Thợ mỏ.

Mạng con #18 Cortex.t

GitHub — corcel-api/cortex.t

Đóng góp vào sự phát triển của corcel-api/cortex.t bằng cách tạo tài khoản trên GitHub.

github.com

Emission：7.74%（2024–04–09）

Nền tảng: Đội ngũ đứng sau Cortex.t là Corcel.io, đã nhận được sự hỗ trợ từ Mog, nhà xác thực lớn thứ hai trong mạng lưới Bittensor. Corcel.io là một ứng dụng dành cho người dùng cuối, cung cấp trải nghiệm tương tự như ChatGPT bằng cách tận dụng các sản phẩm trí tuệ nhân tạo từ hệ sinh thái Bittensor.

Vị trí: Cortex.t được đặt ở vị trí cuối cùng trước khi giao kết quả cho người dùng cuối cùng. Nó chịu trách nhiệm phát hiện và tối ưu hóa đầu ra của các mạng con khác nhau để đảm bảo rằng kết quả là chính xác và đáng tin cậy, đặc biệt là khi một lệnh duy nhất yêu cầu nhiều mô hình. Cortex.t nhằm mục đích ngăn chặn đầu ra trống hoặc không nhất quán, đảm bảo trải nghiệm người dùng liền mạch.

Các thợ đào trong Cortex.t sử dụng các mạng con khác trong hệ sinh thái Bittensor để xử lý yêu cầu từ người dùng cuối. Họ cũng sử dụng GPT-3.5-tăng giá hoặc GPT-4 để xác minh kết quả đầu ra, đảm bảo đáng tin cậy cho người dùng cuối. Các nhà xác minh đánh giá kết quả của Thợ đào bằng cách so sánh chúng với kết quả được tạo ra bởi OpenAI.

Mạng con #19 Vision

GitHub — namoray/vision

Đóng góp vào sự phát triển của namoray/vision bằng cách tạo tài khoản trên GitHub.

github.com

Phát ra: 9.47% (2024-04-09)

Lịch sử: Nhóm phát triển đằng sau Vision cũng bắt nguồn từ Corcel.io.

Vị trí: Tầm nhìn nhằm tối đa hóa khả năng sản xuất của mạng Bittensor bằng cách tận dụng một khung xây dựng mạng lưới tối ưu gọi là DSIS (Rút trích mạng lưới phi tập trung ở quy mô). Khung này tăng tốc độ phản hồi của Miner đối với Validators. Hiện tại, Tầm nhìn tập trung vào tình huống tạo hình ảnh.

Các nhà xác minh nhận yêu cầu từ giao diện Corcel.io và phân phối chúng cho Người đào. Người đào có quyền lựa chọn ngăn xếp công nghệ ưa thích của họ (không giới hạn các mô hình) để xử lý các yêu cầu và tạo ra phản hồi. Các nhà xác minh sau đó đánh giá hiệu suất của Người đào. Nhờ DSIS, Vision có thể phản hồi những yêu cầu này nhanh hơn và hiệu quả hơn so với các Mạng con khác.

Tóm tắt

Từ các ví dụ trên, rõ ràng thấy rằng Bittensor thể hiện một mức độ bao gồm cao. Việc tạo ra bởi các Miner và xác thực bởi các Validators diễn ra ngoài chuỗi, với mạng lưới Bittensor phục vụ duy nhất để phân phối phần thưởng cho mỗi Miner dựa trên đánh giá từ Validators. Bất kỳ khía cạnh nào của việc tạo ra sản phẩm AI phù hợp với kiến trúc Miner-Validator có thể được chuyển đổi thành một Mạng con.

Bản quyền từ chối trách nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ là của tác giả và không cấu thành bất kỳ lời khuyên đầu tư nào.

Bản dịch của bài viết sang các ngôn ngữ khác được thực hiện bởi đội ngũ Gate Learn. Trừ khi được nêu, việc sao chép, phân phối hoặc đạo văn các bài viết dịch là không được phép.

Lý thuyết, sự cạnh tranh giữa các Mạng con nên rất gay gắt. Để tiếp tục nhận phần thưởng, bất kỳ Mạng con nào cũng phải liên tục tạo ra sản phẩm chất lượng cao. Nếu không, nếu sản phẩm của một Mạng con được xem là không có giá trị bởi các Nhà xác minh Mạng Gốc, phần phân bổ của nó có thể giảm đi và cuối cùng có thể bị thay thế bởi một Mạng con mới.

Tuy nhiên, trong thực tế, chúng tôi thực sự đã quan sát thấy một số vấn đề:

1. Sự dư thừa và sao chép tài nguyên do vị trí tương tự của Subnets. Trong số 32 Subnets hiện có, có nhiều Subnets tập trung vào các hướng phổ biến như chuyển đổi văn bản thành hình ảnh, gợi ý văn bản và dự đoán giá.
2. Sự tồn tại của các Mạng con mà không có trường hợp sử dụng thực tế. Trong khi Mạng con dự đoán giá có thể giữ giá trị lý thuyết như nhà cung cấp Oracle, hiệu suất hiện tại của dữ liệu dự đoán vẫn chưa thể sử dụng được bởi người dùng cuối.
3. Có những trường hợp của việc 'tiền xấu thúc đẩy tiền tốt ra khỏi thị trường.' Một số Validator hàng đầu có thể không có ý định mạnh mẽ để di chuyển sang các Subnet mới, ngay cả khi một số Subnet mới cho thấy chất lượng cao hơn đáng kể. Tuy nhiên, do thiếu hỗ trợ vốn, họ có thể không nhận đủ lượng phát thải trong tương lai ngắn. Bởi vì các Subnet mới chỉ có giai đoạn bảo vệ trong vòng 7 ngày sau khi ra mắt, nếu họ không nhanh chóng tích lũy đủ lượng phát thải đủ, họ có thể đối mặt với nguy cơ bị loại bỏ và ngưng hoạt động.

Những vấn đề này phản ánh sự cạnh tranh không đủ đẹp giữa các Mạng con, và một số Validators không đóng vai trò trong việc khuyến khích cạnh tranh hiệu quả.

Tổ chức Xác minh Nền tảng Open Tensor (OTF) đã triển khai một số biện pháp tạm thời để giảm nhẹ tình hình này. Với tư cách là Tổ chức Xác minh lớn nhất nắm giữ 23% sức mạnh đặt cược (bao gồm ủy quyền), OTF cung cấp các kênh cho các Mạng con cạnh tranh để có được nhiều TAO Đã Đặt hơn: Chủ sở hữu Subnet có thể gửi yêu cầu đến OTF hàng tuần để điều chỉnh tỷ lệ của Staked TAO trong Subnet. Những yêu cầu này phải bao gồm 10 khía cạnh, bao gồm “Mục tiêu của Subnet và đóng góp cho hệ sinh thái Bittensor,” “Cơ chế thưởng của Subnet,” “Thiết kế giao thức giao tiếp,” “Nguồn dữ liệu và bảo mật,” “Yêu cầu tính toán,” và “Lộ trình,” cùng với những yếu tố khác, để tạo điều kiện cho quyết định cuối cùng của OTF.

Tuy nhiên, để giải quyết vấn đề này một cách cơ bản, một mặt, chúng ta cần sự ra mắt của dTAO (@0xaiDynamic TAO), được thiết kế để thay đổi một cách cơ bản các vấn đề không hợp lý đã đề cập ở trên. Hoặc chúng ta có thể kêu gọi các Nhà xác minh lớn nắm giữ một lượng đáng kể của Staking TAO xem xét phát triển dài hạn của hệ sinh thái Bittensor từ góc độ “phát triển hệ sinh thái” hơn là chỉ từ góc độ “lợi nhuận tài chính”.

Kết luận, dựa vào tính bao dung mạnh mẽ, môi trường cạnh tranh gay gắt và cơ chế khuyến khích hiệu quả, chúng tôi tin rằng hệ sinh thái Bittensor có thể tự nhiên tạo ra các sản phẩm AI chất lượng cao. Mặc dù không phải tất cả các kết quả từ các Subnets hiện tại có thể sánh kịp với các sản phẩm tập trung, nhưng đừng quên rằng kiến trúc Bittensor hiện tại chỉ mới tròn một tuổi (Subnet #1 đã được đăng ký vào ngày 13 tháng 4 năm 2023). Đối với một nền tảng có tiềm năng để cạnh tranh với các tập đoàn AI tập trung, có lẽ chúng ta nên tập trung vào việc đề xuất các kế hoạch cải tiến thực tế thay vì chỉ trích một cách vội vã những điểm yếu của nó. Cuối cùng, chúng ta đều không muốn thấy AI luôn bị một vài ông trùm kiểm soát.

Tuyên bố từ chối trách nhiệm：

1. Bài viết này được sao chép từ [Medium], Tất cả bản quyền thuộc về tác giả gốc [ 0xai]. Nếu có bất kỳ ý kiến phản đối nào về việc tái bản này, vui lòng liên hệ với Học cổngđội, và họ sẽ xử lý nhanh chóng.
2. Bảng miễn trách nhiệm về trách nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ là của tác giả và không hề cấu thành bất kỳ lời khuyên đầu tư nào.
3. Bản dịch của bài viết ra các ngôn ngữ khác được thực hiện bởi nhóm Gate Learn. Trừ khi được nêu, việc sao chép, phân phối hoặc đạo văn các bài viết dịch là không được phép.