人工智慧革命的背景

AI Boom的背景

隨著人工智慧（AI）技術的快速發展，我們正在進入一個數據驅動的新時代。深度學習和自然語言處理等領域的突破使得AI應用無處不在。ChatGPT在2022年的推出點燃了AI行業，隨之而來的是一系列用於視頻生成、自動化辦公任務的AI工具，以及“AI+”應用的採用。相應地，AI行業的市場價值也大幅增長，預計到2030年將達到1850億美元。

圖1：人工智能市場價值的變化

傳統互聯網公司壟斷人工智能
目前，人工智慧行業由NVIDIA、Microsoft、Google和OpenAI等公司主導。雖然技術進步帶來了快速發展，但也帶來了數據集中化和計算資源分配不均等挑戰。然而，Web3的去中心化特性為解決這些問題提供了新的可能性，潛在地重塑了當前人工智慧發展的格局。

Web3+AI的最新發展

隨著人工智慧行業持續蓬勃發展，一波高質量的Web3+AI項目應運而生。Fetch.ai利用區塊鏈技術創建去中心化經濟，支持自主代理和智能合約，以優化人工智慧模型訓練和應用。Numerai利用區塊鏈技術和一群數據科學家社區來預測市場趨勢，通過激勵機制獎勵模型開發者。Velas建立了一個高性能智能合約平台，整合了人工智慧和區塊鏈，提供更快的交易速度和更高的安全性。

AI項目本質上包括三個關鍵元素：數據、算法和計算能力。雖然Web3+數據和Web3+計算能力領域蓬勃發展，但Web3+算法方向卻存在分散，導致單向應用的孤立。Bittensor通過創建具有內置選擇和激勵機制的競爭性AI算法平台來解決這一差距，從而確保只有最優秀的AI項目能夠蓬勃發展。

Bittensor的開發時間軸

創新突破
Bittensor 是一個去中心化的激勵機器學習網絡和數字商品市場。

分散化：Bittensor 在由不同公司和組織控制的數千台計算機組成的分佈式網絡上運行，解決了數據集中化等問題。

公平的激勵機制：在Bittensor網絡中，$TAO代幣按照每個子網的貢獻程度進行分配。同樣，子網向其礦工和驗證者提供的獎勵也與其節點貢獻成比例。

機器學習資源：分散式網絡可以向任何需要的個人提供機器學習計算資源。

多樣化的數字商品市場：起初，Bittensor 的數字商品市場專門設計用於機器學習模型和相關數據的交易。然而，由於 Bittensor 網絡的擴展和 Yuma 共識機制的數據不可知原則，它已演變為一個可以交易任何形式數據的市場。

1. 開發過程

與當前市場上許多高估值的VC專案不同，Bittensor是由技術愛好者創建的更公平，更有趣，更有意義的專案。其發展歷史缺乏其他專案中典型的「吸引投資的宏偉願景」階段。

概念形成和項目啟動（2021年）：Bittensor是由一群科技愛好者和專家創立的，致力於推進去中心化人工智能網絡。他們使用Substrate框架構建了Bittensor區塊鏈，確保其靈活性和可擴展性。

早期開發和技術驗證（2022年）：團隊發布了網絡的Alpha版本，驗證了去中心化人工智能的可行性。他們還引入了Yuma共識，強調數據無關性原則以保護用戶隱私。

網路擴展和社區建設（2023）：該團隊推出了Beta版本，並引入了代幣經濟模型（TAO）來激勵網路維護。

技術創新與跨鏈兼容性（2024年）：團隊利用分布式哈希表（DHT）集成技術來提升數據存儲和檢索效率。該項目還開始著眼於推廣和擴大其子網和數字商品市場。

圖2: Bittensor網絡宣傳圖片

在Bittensor的开发过程中，没有太多传统的风险投资公司介入，避免了中心化控制的风险。该项目通过代币激励节点和矿工，也保证了Bittensor网络的活力。本质上，Bittensor是一个由GPU矿工驱动的人工智能计算能力和服务项目。

Tokenomics

Bittensor 網絡代幣是TAO。為了表達對比特幣的敬意，TAO 在許多方面類似於 BTC。其總供應量為 2100 萬枚，每四年減半。當 Bittensor 網絡啟動時，TAO 代幣將通過公平發行進行分發。沒有預挖礦，因此沒有代幣為創始團隊和 VC 保留。目前，Bittensor 網絡大約每 12 秒生成一個區塊。每個區塊可獲得 1 $TAO 代幣。每天大約產生 7200 TAO。這些獎勵現在根據貢獻分發給每個子網絡，然後分發給該子網絡的擁有者、驗證者和礦工。

圖3：Bittensor社區促銷圖片

TAO代幣可以用於在Bittensor網絡上購買和獲取計算資源、數據和AI模型，也是參與社區治理的證明。

發展現狀

Bittensor網絡上的帳戶總數已超過100,000個，其中超過80,000個是非零餘額帳戶。

圖4：Bittensor帳戶號碼的變化

在過去一年中，TAO的價格已經大幅上漲了數倍，市值達到了22.78億美元，當前的代幣價格為321美元。

圖5：TAO代幣價格變化

子網結構的逐步實施

位張量協定

Bittensor Protocol是一個去中心化的機器學習協議，它使網絡參與者能夠交換機器學習能力和預測。它促進了機器學習模型和服務的共享和協作，以點對點的方式進行。

圖 6：Bittensor Protocol

Bittensor協議包括網絡架構、子張量、子網絡架構、驗證節點、子網絡生態系統內的礦工節點等。基本上，Bittensor網絡由參與協議的節點組成，每個節點運行Bittensor客戶端軟件與其他網絡進行交互。這些節點由子網絡管理，子網絡以適者生存的原則運作。效能不佳的子網絡將被替換為新的子網絡，每個子網絡內的效能不佳的驗證節點和礦工節點也將被淘汰。因此，子網絡是Bittensor網絡架構的重要組成部分。

子網路邏輯

子網可以被視為獨立運行的程式碼片段，它們建立了獨特的用戶激勵和功能，同時保持了與 Bittensor 主網相同的共識接口。子網分為本地子網、測試網子網和主網子網。目前除根子網外，共有45個子網，預計在2024年5月至7月之間將從32個增長到64個，每週增加四個新的子網。

子網路角色和權限

整個Bittensor網絡包括六個功能角色：用戶、開發人員、礦工、權益驗證者、子網絡擁有者和委員會。在子網絡中，這些角色包括子網絡擁有者、礦工和權益驗證者。

1. 子網擁有者：子網擁有者負責提供基礎礦工和驗證器代碼。他們可以設置獨特的額外激勵機制並將工作激勵分配給礦工。
2. 礦工：鼓勵礦工節點反覆運算其伺服器和挖掘代碼，以在同一子網內的競爭中保持領先地位。排放量最低的礦工將被新礦工取代，並且必須重新註冊其節點。值得注意的是，礦工可以跨多個子網操作多個節點。
3. 驗證者：驗證者會獲得獎勵，評估每個子網絡的貢獻並確保其正確性。他們還可以在驗證者節點中抵押 TAO 代幣，獲得0-18%的抵押獎勵（可調整）。

子網排放是指Bittensor網路中將TAO代幣作為獎勵分配給礦工和驗證者的機制。通常，子網內的排放獎勵旨在將 18% 分配給子網擁有者，41% 分配給驗證者，41% 分配給礦工。一個子網由 256 個 UID 插槽組成，其中 64 個 UID 插槽分配給驗證者，192 個 UID 插槽分配給礦工。只有質押金額最高的前64名驗證人才能獲得驗證人許可權，並被識別為子網內的活動驗證人。驗證者的權益和性能決定了他們在子網中的排名和獎勵。礦工性能根據子網驗證器的請求和評估進行評估和評分。表現不佳的礦工將被新註冊的礦工取代。因此，驗證者質押的代幣總量越大，礦工的計算效率越高，子網的總排放量就越高，從而產生更好的排名。

子網註冊和替換

註冊後，子網路進入7天的免疫期。初始註冊費為100 $TAO，重新註冊費用翻倍，最終隨時間減少至100 $TAO。當所有子網路插槽被佔據時，註冊新的子網路將導致刪除不處於免疫期的排放量最低的子網路，以容納新的子網路。因此，子網路必須在UID插槽和礦工效率內最大化抵押金額，以避免在免疫期結束後被刪除。

圖7：子網名稱

借助Bittensor网络的子网络架构，实现了去中心化的AI数据网络Masa，并成为Bittensor网络中首个双币奖励系统，吸引了1800万美元的融资。

圖8：Masa的促銷

共識和驗證機制

Bittensor網路結合了各種共識和證明機制。在傳統的去中心化網路中，礦工節點通常使用PoW（工作量證明）來確保其對網路的貢獻，根據其計算能力和數據處理質量獲得獎勵。驗證器節點通常在PoV（驗證證明）機制下運行，以確保網路安全和完整性。然而，在Bittensor網路中，創新的PoI（情報證明）機制與Yuma共識相結合，用於實現驗證和獎勵分配。

智能機制的驗證

Bittensor的PoI機制是一種獨特的驗證和激勵系統，通過完成智能計算任務來衡量參與者的貢獻，從而確保網絡的安全性、數據質量和計算資源的高效使用。

礦工節點通過完成智能計算任務來證明它們的工作，這些任務可能包括自然語言處理、數據分析、機器學習模型訓練等。

任務由驗證者分配給礦工，然後礦工完成任務並將結果返回給驗證者。驗證者評估任務完成的品質並相應地分配分數。

Yuma 共識

Yuma 共識是 Bittensor 網絡內的核心共識機制。驗證者完成任務後，將分數輸入 Yuma 共識算法。在此算法中，擁有更高 TAO 押注量的驗證者其分數具有更大的權重。該算法會過濾掉明顯偏離大多數驗證者的結果。最後，系統會根據聚合分數分配代幣獎勵。

圖 9：共識算法示意圖

1. 數據不可知論原則：此原則確保在數據處理過程中的隱私和安全。節點可以在無需了解其處理的數據的具體內容的情況下完成計算和驗證。
2. 基於績效的獎勵：獎勵根據節點的績效和貢獻進行分配，確保了高效和高質量的計算資源和數據處理。

MOE 机制合作

Bittensor在網絡中集成了MOE（專家混合）機制，將多個專家級子模型融入單個模型架構中。每個專家模型在處理特定領域問題時都有相對優勢。因此，當新數據引入模型架構時，不同的子模型可以合作，產生比單個模型更好的結果。

根據Yuma共識機制，驗證者還可以根據其能力對專家模型進行評分和排名，並相應地分配代幣獎勵。這激勵了模型的優化和改進。

圖10：解決問題的方法

子網項目

截至撰寫本文時，Bittensor 網路中已註冊的子網數量已達到 45 個，其中 40 個已正式命名。過去，在子網數量有限的情況下，子網註冊競爭激烈，註冊價格飆升至100萬美元。目前，Bittensor正在逐步開放更多的子網註冊插槽。新註冊的子網可能與已運行較長時間的子網的穩定性和模型有效性不匹配。但是，由於Bittensor引入的子網消除機制，從長遠來看，此過程將有利於適者生存。模型性能差、功能不足的子網將難以生存。

圖11：Bittensor子網項目詳細信息

除去根子網絡外，子網絡19、18和1分別獲得了相當大的關注，其發行份額分別為8.72％、6.47％和4.16％。

子網 19

Subnet 19，名為Vision，於2023年12月18日註冊。Vision專注於去中心化圖像生成和推斷。該網絡提供訪問最佳的開源LLM、圖像生成模型（包括在Subnet 19的數據集上訓練的模型）和其他雜項模型，如嵌入模型。

目前，Vision子網路插槽的註冊費為3.7 TAO。總24小時節點收入約為627.84 TAO，節點在過去24小時兌換了約64.79 TAO。如果新註冊的節點達到平均性能水平，每日收益可能高達2.472 TAO，約合866美元。

圖12: Vision Subnet 註冊費用數據

目前，Vision子网的全體回收節點價值約為19,200 TAO。

圖13：Vision子網回收費用

子網路 18

子網 18，名為Cortex.t，是由Corcel開發的。Cortex.t致力於打造一個尖端的人工智能平台，通過API為用戶提供可靠的高質量文本和圖像響應。

目前，Cortex.t子網路插槽的註冊費為3.34 TAO。總24小時節點收入約457.2 TAO，節點在過去24小時內已回收約106.32 TAO。如果新註冊節點達到平均表現水平，每日收入可能高達1.76 TAO，相當於約553.64美元。

圖14：Cortex.t子網註冊費數據

目前，Cortex.t子網絡的總回收節點價值約為27,134 TAO。

圖15：Cortex.t子網回收費用

子網 1

Subnet 1是由Opentensor基金會開發的分散式子網，專門用於文本生成。作為Bittensor子網下的第一個項目，它最初面臨了顯著的懷疑。今年三月，Taproot Wizards創始人Eric Wall將Bittensor的TAO代幣稱為AI領域中的“迷因幣”，並批評Subnet 1在回答基於文本的問題時在數百個節點上生成類似的結果，未能有效改善問題解決結果。

其他

就模型類別而言，子網19、18和1都屬於生成模型類別。此外，還有數據處理大模型、交易AI模型等。例如，子網22的Meta Search分析Twitter數據以提供市場情緒，子網2的Omron則通過深度神經網絡學習優化持幣策略。

從收入風險的角度來看：如果新註冊的節點可以成功運行幾個星期，它將提供可觀的收入潛力。但是，如果節點無法使用高性能的GPU並優化本地算法，它將很難在與其他節點的競爭中生存下來。

未來發展

在受歡迎程度方面：人工智慧概念與 Web3 概念一樣熱門，如果不是更多的話，現在可能流入 Web3 行業的大部分資本都被人工智慧所吸引。因此，Web3+AI很可能在很長一段時間內仍然是市場關注的焦點。

從項目架構的角度來看：Bittensor不是一個傳統的創投支持項目；自從推出以來，它的價值已經增長了數倍，得到了技術和市場需求的支持。

從技術創新的角度來看：Bittensor 打破了過去 Web3+AI 專案獨立運作的模式。其創新的子網絡架構可以降低 AI 實力強大的團隊遷移到去中心化網絡並快速產生收益的障礙。此外，由於競爭性淘汰機制，子網絡項目必須不斷優化模型並增加抵押以避免被新的子網絡取代。

從風險角度看：當Bittensor增加子網路插槽數量時，不可避免地降低了註冊閾值，提高了低質量項目進入混合的可能性。與此同時，隨著子網路數量的增加，先前註冊的子網路的TAO獎勵將逐漸下降。如果TAO代幣價格未能與子網路數量同步上漲，收益可能會低於預期。

免責聲明：

1. 本文轉載自[PANews].所有版權歸原作者所有 [rustless實驗室]. 如果对此转载有异议，请联系 Gate Learn團隊，他們會迅速處理。
2. 責任聲明: 本文所表達的觀點和意見僅代表作者自己的立場，並不構成任何投資建議。
3. 該文章的翻譯工作由Gate Learn團隊完成。未經許可，禁止複製、分發或剽竊翻譯的文章。