Primeiro as coisas primeiro, o que exatamente é Bittensor?

Bittensor em si não é um produto de IA, nem produz ou fornece quaisquer produtos ou serviços de IA. Bittensor é um sistema econômico que serve como otimizador para o mercado de produtos de IA, fornecendo um sistema de incentivos altamente competitivo para os produtores de produtos de IA. No ecossistema Bittensor, os produtores de alta qualidade recebem mais incentivos, enquanto os produtores menos competitivos são gradualmente eliminados.

Então, como o Bittensor cria especificamente esse mecanismo de incentivo que encoraja a competição eficaz e promove a produção orgânica de produtos de IA de alta qualidade?

Modelo de volante do Bittensor

O Bittensor alcança este objetivo através de um modelo de volante. Os validadores avaliam a qualidade dos produtos de IA no ecossistema e distribuem incentivos com base na sua qualidade, garantindo que os produtores de alta qualidade recebam mais incentivos. Isso estimula um aumento contínuo na produção de alta qualidade, aumentando assim o valor da rede Bittensor e aumentando a valorização do TAO. A valorização do TAO não só atrai mais produtores de alta qualidade para se juntarem ao ecossistema Bittensor, mas também aumenta o custo dos ataques por manipuladores que manipulam os resultados da avaliação de qualidade. Isso fortalece ainda mais o consenso dos validadores honestos e aprimora a objetividade e a justiça dos resultados da avaliação, alcançando assim um mecanismo de competição e incentivo mais eficaz.

Assegurar a imparcialidade e objetividade dos resultados de avaliação é uma etapa crucial para fazer girar a roda. Essa é também a tecnologia central do Bittensor, ou seja, o sistema de validação abstrata baseado no Consenso Yuma.

Então, o que é o Consenso Yuma e como ele garante que os resultados da avaliação de qualidade após o consenso sejam justos e objetivos?

O Consenso Yuma é um mecanismo de consenso projetado para calcular os resultados finais de avaliação a partir das diversas avaliações fornecidas por numerosos Validadores. Semelhante aos mecanismos de consenso de tolerância a falhas bizantinas, contanto que a maioria dos Validadores na rede sejam honestos, a decisão correta pode ser alcançada no final. Supondo que Validadores honestos possam fornecer avaliações objetivas, os resultados de avaliação após o consenso também serão justos e objetivos.

Tomando a avaliação da qualidade das Subredes como exemplo, os Validadores da Rede Raiz avaliam e classificam a qualidade da saída de cada Subrede. Os resultados da avaliação de 64 Validadores são agregados, e os resultados finais da avaliação são obtidos por meio do algoritmo de Consenso Yuma. Os resultados finais são então usados para alocar novos TAOs para cada Subrede.

Atualmente, o Consenso Yuma realmente tem espaço para melhorias:

1. Os validadores da Root Network podem não representar totalmente todos os detentores de TAO, e os resultados da avaliação que eles fornecem podem não refletir necessariamente uma ampla gama de pontos de vista. Além disso, as avaliações de alguns dos principais Validadores podem nem sempre ser objetivas. Mesmo se forem identificadas instâncias de viés, elas podem não ser corrigidas imediatamente.
2. A presença de Validadores de Rede Raiz limita o número de Sub-redes que Bittensor pode acomodar. Para competir com gigantes de IA centralizados, ter apenas 32 Sub-redes é insuficiente. No entanto, mesmo com 32 Sub-redes, os Validadores de Rede Raiz podem ter dificuldades para monitorar efetivamente todas elas.
3. Os validadores podem não ter uma forte inclinação para migrar para novas Subredes. A curto prazo, os validadores podem perder algumas recompensas ao migrar de uma Subrede mais antiga com uma emissão maior para uma nova Subrede com uma emissão menor. A incerteza de se a emissão da nova Subrede eventualmente alcançará, juntamente com a perda definitiva de recompensas durante a busca, diminui a disposição deles para migrar.

Bittensor também está planejando mecanismos de atualização para resolver essas deficiências:

1. O TAO dinâmico descentralizará o poder de avaliar a qualidade da Subnet distribuindo-o para todos os detentores de TAO, em vez de alguns Validadores. Os detentores de TAO poderão determinar indiretamente a proporção de alocação de cada Subnet por meio de staking.
2. Sem as limitações dos Validadores da Rede Raiz, o número máximo de Sub-redes ativas será aumentado para 1024. Isso diminuirá significativamente a barreira para novas equipes se juntarem ao ecossistema Bittensor, levando a uma competição mais acirrada entre as Sub-redes.
3. Os validadores que migrarem para novas Sub-redes mais cedo provavelmente receberão recompensas mais altas. A migração precoce para uma nova Sub-rede significa comprar dTAO dessa Sub-rede a um preço mais baixo, aumentando a probabilidade de receber mais TAO no futuro.

A forte inclusividade também é uma das principais vantagens do Consenso Yuma. O Consenso Yuma não é apenas usado para determinar as emissões de cada Subnet, mas também para decidir a proporção de alocação de cada Minerador e Validador dentro da mesma Subnet. Além disso, independentemente da tarefa do Minerador, as contribuições que contém, incluindo potência de computação, dados, contribuição humana e inteligência, são consideradas de forma abstrata. Portanto, qualquer estágio de produção de commodities de IA pode acessar o ecossistema Bittensor, desfrutando de incentivos e ao mesmo tempo aprimorando o valor da rede Bittensor.

Em seguida, vamos explorar alguns Subnets líderes e observar como o Bittensor incentiva a saída desses Subnets.

Subnet #3 Myshell TTS

GitHub — myshell-ai/MyShell-TTS-Subnet

Contribua para o desenvolvimento de myshell-ai/MyShell-TTS-Subnet criando uma conta no GitHub.

github.com

Emissão: 3,46% (2024-04-09)

Antecedentes: Myshell é a equipe por trás do Myshell TTS (Texto para Fala), composta por membros principais de instituições renomadas como MIT, Universidade de Oxford e Universidade de Princeton. Myshell tem como objetivo criar uma plataforma sem código, permitindo que estudantes universitários sem formação em programação criem facilmente seus robôs desejados. Especializada no campo de TTS, audiolivros e assistentes virtuais, Myshell lançou seu primeiro chatbot de voz, Samantha, em março de 2023. Com a expansão contínua de sua matriz de produtos, já acumulou mais de um milhão de usuários registrados até o momento. A plataforma hospeda vários tipos de robôs, incluindo os de aprendizado de idiomas, educacionais e focados em utilidade.

Posicionamento: Myshell lançou essa Subnet para reunir a sabedoria de toda a comunidade de código aberto e construir os melhores modelos de TTS de código aberto. Em outras palavras, o TTS da Myshell não executa diretamente modelos ou lida com solicitações de usuários finais; em vez disso, é uma rede para treinar modelos de TTS.

Arquitetura Myshell TSS

O processo executado pelo Myshell TTS é ilustrado no diagrama acima. Os miners são responsáveis por treinar modelos e fazer upload dos modelos treinados para o Pool de Modelos (os metadados dos modelos também são armazenados na rede blockchain Bittensor); Os validadores avaliam os modelos gerando casos de teste, avaliando o desempenho do modelo e atribuindo pontuações com base nos resultados; a blockchain Bittensor é responsável por agregar pesos usando o Consenso Yuma, determinando os pesos finais e as proporções de alocação para cada minerador.

Em conclusão, os mineradores devem continuamente submeter modelos de maior qualidade para sustentar suas recompensas.

Atualmente, Myshell também lançou um demo em sua plataforma para os usuários experimentarem os modelos no Myshell TTS.

No futuro, à medida que os modelos treinados pelo Myshell TTS se tornarem mais confiáveis, haverá mais casos de uso sendo disponibilizados online. Além disso, como modelos de código aberto, eles não se limitarão apenas ao Myshell, mas também podem ser expandidos para outras plataformas. Treinar e incentivar modelos de código aberto por meio de abordagens descentralizadas é exatamente o que almejamos na IA descentralizada, não é mesmo?

Sub-rede #5 Aberto Kaito

GitHub — OpenKaito/openkaito

Contribua para o desenvolvimento do OpenKaito/openkaito criando uma conta no GitHub.

github.com

Emissão: 4.39% (2024-04-09)

Contexto: A Kaito.ai é apoiada pela equipe por trás do Open Kaito, cujos membros principais possuem uma extensa experiência no campo da IA, tendo trabalhado anteriormente em empresas de alto nível como AWS, META e Citadel. Antes de se aventurar na Sub-rede Bittensor, eles lançaram seu produto principal, Kaito.ai - um mecanismo de busca de dados off-chain Web3, no quarto trimestre de 2023. Aproveitando os algoritmos de IA, o Kaito.ai otimiza os componentes principais dos motores de busca, incluindo coleta de dados, algoritmos de classificação e algoritmos de recuperação. Ele ganhou reconhecimento como uma das principais ferramentas de coleta de informações na comunidade cripto.

Posicionamento: Open Kaito tem como objetivo estabelecer uma camada de indexação descentralizada para apoiar a pesquisa e análise inteligente. Um mecanismo de busca não é simplesmente um banco de dados ou algoritmo de classificação, mas sim um sistema complexo. Além disso, um mecanismo de busca eficaz também requer baixa latência, o que apresenta desafios adicionais para a construção de uma versão descentralizada. Felizmente, com o sistema de incentivo do Bittensor, espera-se que esses desafios sejam resolvidos.

Arquitetura Aberta Kaito

O processo de operação do Open Kaito é ilustrado no diagrama acima. O Open Kaito não descentraliza simplesmente cada componente do mecanismo de busca, mas define o problema de indexação como um problema de Miner-Validator. Ou seja, os Miners são responsáveis por responder às solicitações de indexação do usuário, enquanto os Validators distribuem as demandas e pontuam as respostas dos Miners.

O Open Kaito não restringe como os Mineradores completam tarefas de indexação, mas sim foca nos resultados finais produzidos pelos Mineradores para incentivar soluções inovadoras. Isso ajuda a promover um ambiente competitivo saudável entre os Mineradores. Diante das demandas de indexação dos usuários, os Mineradores se esforçam para melhorar seus planos de execução a fim de alcançar resultados de resposta de alta qualidade com menos recursos.

Subnet #6 Nous Finetuning

GitHub — NousResearch/finetuning-subnet

Contribua para o desenvolvimento do NousResearch/finetuning-subnet criando uma conta no GitHub.

github.com

Emissão: 6,26% (2024-04-09)

Antecedentes: A equipe por trás do Nous Finetuning vem da Nous Research, uma equipe de pesquisa dedicada à arquitetura de modelos de linguagem em grande escala (LLM), síntese de dados e inferência em dispositivos. Seus co-fundadores anteriormente atuaram como Engenheiro Principal na Eden Network.

Posicionamento: Nous Finetuning é uma sub-rede dedicada ao ajuste fino de grandes modelos de linguagem. Além disso, os dados usados para o ajuste fino também vêm do ecossistema Bittensor, especificamente da Sub-rede #18.

O processo de operação do Nous Finetuning é semelhante ao do Myshell TSS. Os mineradores treinam modelos com base nos dados da Subnet #18 e regularmente os liberam para serem hospedados no Hugging Face; Os validadores avaliam os modelos e fornecem classificações; de forma semelhante, o blockchain Bittensor é responsável por agregar pesos usando o Yuma Consensus, determinando os pesos e emissões finais para cada minerador.

Subnet #18 Cortex.t

GitHub — corcel-api/cortex.t

Contribua para o desenvolvimento do corcel-api/cortex.t criando uma conta no GitHub.

github.com

Emissão: 7.74% (2024-04-09)

Antecedentes: A equipe por trás do Cortex.t é a Corcel.io, que recebeu apoio da Mog, a segunda maior validadora na rede Bittensor. A Corcel.io é um aplicativo voltado para os usuários finais, proporcionando uma experiência semelhante ao ChatGPT, aproveitando os produtos de IA do ecossistema Bittensor.

Posicionamento: Cortex.t é posicionado como uma camada final antes de entregar resultados aos usuários finais. É responsável por detectar e otimizar as saídas de várias sub-redes para garantir que os resultados sejam precisos e confiáveis, especialmente quando uma única solicitação convoca múltiplos modelos. Cortex.t tem como objetivo evitar saídas em branco ou inconsistentes, garantindo uma experiência do usuário sem interrupções.

Os mineradores no Cortex.t utilizam outras sub-redes dentro do ecossistema Bittensor para lidar com solicitações de usuários finais. Eles também empregam GPT-3.5-turbo ou GPT-4 para verificar os resultados de saída, garantindo confiabilidade para os usuários finais. Validadores avaliam as saídas dos mineradores comparando-as com os resultados gerados pela OpenAI.

Subrede #19 Visão

GitHub — namoray/vision

Contribua para o desenvolvimento do namoray/vision criando uma conta no GitHub.

github.com

Emissão: 9,47% (2024–04–09)

Antecedentes: A equipe de desenvolvimento por trás da Vision também é originária da Corcel.io.

Posicionamento: A Vision tem como objetivo maximizar a capacidade de saída da rede Bittensor, aproveitando um framework de construção de sub-redes otimizado chamado DSIS (Inferência de sub-rede descentralizada em escala). Este framework acelera as respostas dos Mineradores aos Validadores. Atualmente, a Vision está focada no cenário de geração de imagens.

Os validadores recebem demandas do frontend da Corcel.io e as distribuem para os mineradores. Os mineradores têm a liberdade de escolher sua pilha de tecnologia preferida (não limitada a modelos) para processar as demandas e gerar respostas. Os validadores então pontuam o desempenho dos mineradores. Graças ao DSIS, a Vision pode responder a essas demandas de forma mais rápida e eficiente do que outras Subredes.

Resumo

Dos exemplos acima, é evidente que o Bittensor exibe um alto grau de inclusividade. A geração por Mineiros e a validação por Validadores ocorrem off-chain, com a rede Bittensor servindo apenas para alocar recompensas para cada Mineiro com base na avaliação dos Validadores. Qualquer aspecto da geração de produtos de IA que se encaixe na arquitetura Mineiro-Validador pode ser transformado em uma Subnet.

Responsabilidade Legal: As visões e opiniões expressas neste artigo são exclusivamente do autor e não constituem nenhum conselho de investimento.

As traduções do artigo para outros idiomas são feitas pela equipe Gate Learn. Salvo indicação em contrário, copiar, distribuir ou plagiar os artigos traduzidos é proibido.

Em teoria, a competição entre Sub-redes deve ser intensa. Para que uma Sub-rede continue a receber recompensas, ela deve consistentemente produzir resultados de alta qualidade. Caso contrário, se a saída de uma Sub-rede for considerada de baixo valor pelos validadores da Rede Principal, sua alocação pode diminuir e ela poderá eventualmente ser substituída por uma nova Sub-rede.

No entanto, na realidade, de fato observamos algumas questões:

1. Redundância e duplicação de recursos devido à posição semelhante das Subredes. Entre as 32 Subredes existentes, existem várias Subredes focadas em direções populares como texto para imagem, texto sugestão e previsão de preço.
2. Existência de Subnets sem casos de uso práticos. Embora as Subnets de previsão de preço possam ter valor teórico como provedores de oracle, o desempenho atual dos dados de previsão está longe de ser utilizável pelos usuários finais.
3. Casos de “dinheiro ruim expulsando o bom”. Certos principais Validadores podem não ter uma forte inclinação para migrar para novas Subnets, mesmo que algumas novas Subnets demonstrem qualidade significativamente superior. No entanto, devido à falta de suporte de capital, eles podem não receber emissões suficientes a curto prazo. Como as novas subnets têm um período de proteção de apenas 7 dias após o lançamento, se elas não conseguirem acumular rapidamente uma quantidade adequada de emissões, elas podem enfrentar o risco de serem descontinuadas e saírem do ar.

Essas questões refletem competição insuficiente entre Subnets, e alguns Validadores não desempenharam um papel em incentivar uma competição eficaz.

O Open Tensor Foundation Validator (OTF) implementou algumas medidas temporárias para aliviar esta situação. Como o maior Validator detentor de 23% do poder de staking (incluindo delegação), OTF fornece canais para Subredes competirem por mais TAO apostado: Os proprietários da Subrede podem enviar solicitações à OTF semanalmente para ajustar sua proporção de TAO bloqueado na Subrede. Essas solicitações devem abranger 10 aspectos, incluindo “Metas da Subrede e contribuições para o ecossistema Bittensor,” “Mecanismo de recompensa da Subrede,” “Design do protocolo de comunicação,” “Fontes de dados e segurança,” “Requisitos computacionais” e “Roadmap,” entre outros, para facilitar a decisão final do OTF.

No entanto, para lidar fundamentalmente com essa questão, por um lado, precisamos urgentemente do lançamento do dTAO (@0xai.dev/o-que-e-o-impacto-do-dynamic-tao-no-bittensor-efcc8ebe4e27">Dynamic TAO), que é projetado para mudar fundamentalmente os problemas irrazoáveis mencionados. Alternativamente, podemos apelar para grandes Validadores que possuem uma quantidade significativa de Staking TAO para considerar o desenvolvimento de longo prazo do ecossistema Bittensor mais do ponto de vista do "desenvolvimento do ecossistema" do que exclusivamente do ponto de vista do "retorno financeiro".

Em conclusão, confiando em sua forte inclusividade, ambiente competitivo acirrado e mecanismo de incentivo eficaz, acreditamos que o ecossistema Bittensor pode produzir organicamente produtos de IA de alta qualidade. Embora nem todas as saídas das Sub-redes existentes possam rivalizar com as dos produtos centralizados, não nos esqueçamos de que a arquitetura atual do Bittensor acabou de completar um ano (a Sub-rede #1 foi registrada em 13 de abril de 2023). Para uma plataforma com potencial para rivalizar com gigantes de IA centralizados, talvez devêssemos nos concentrar em propor planos de melhoria práticos em vez de criticar apressadamente suas deficiências. Afinal, não queremos ver a IA constantemente controlada por alguns gigantes.

Aviso Legal：

1. Este artigo foi reimpresso do [Medium], Todos os direitos autorais pertencem ao autor original [0xai]. Se houver objeções a essa reprodução, entre em contato com o Gate Learnequipe e eles vão lidar com isso prontamente.
2. Isenção de responsabilidade: As opiniões expressas neste artigo são exclusivamente do autor e não constituem qualquer conselho de investimento.
3. As traduções do artigo para outros idiomas são feitas pela equipe Gate Learn. Salvo indicação em contrário, copiar, distribuir ou plagiar os artigos traduzidos é proibido.