0xai 团队：为什么我们看好 Bittensor？

作者：0xai，AI创作平台 来源：medium 翻译：善欧巴，

Bittensor 到底是什么？

Bittensor本身并不是人工智能产品，也不生产或提供任何人工智能产品或服务。Bittensor是一个经济系统，通过为AI产品生产者提供极具竞争力的激励体系，充当AI产品市场的优化器。在Bittensor生态中，优质的生产者获得更多的激励，而竞争力较差的生产者则逐渐被淘汰。

0xai 团队、Jacob 和 Vitalik 在小组讨论中

那么，Bittensor具体是如何打造这种鼓励有效竞争、促进优质AI产品有机生产的激励机制呢？

Bittensor 飞轮模型

Bittensor 通过飞轮模型实现了这一目标。验证者评估生态系统中人工智能产品的质量，并根据其质量分配激励，确保高质量的生产者获得更多的激励。这刺激了高质量产出的不断增加，从而提升了Bittensor网络的价值并增加了TAO的升值。TAO的升值不仅吸引了更多优质生产者加入Bittensor生态，同时也增加了操纵者操纵质量评价结果的攻击成本。这进一步强化了诚实验证者的共识，增强了评价结果的客观性和公平性，从而实现了更有效的竞争和激励机制。

确保评价结果的公正性和客观性是转动飞轮的关键一步。这也是Bittensor的核心技术，即基于Yuma共识的抽象验证系统。

那么，什么是玉马共识，它如何保证共识后的质量评价结果公平客观呢？

Yuma共识是一种共识机制，旨在从众多验证者提供的多样化评估中计算出最终评估结果。类似于拜占庭容错共识机制，只要网络中大多数验证者是诚实的，最终就能达成正确的决策。假设诚实的验证者能够提供客观的评价，那么共识后的评价结果也将是公平客观的。

以子网质量评估为例，根网络验证器对每个子网输出的质量进行评估和排名。将64个Validator的评估结果进行汇总，通过Yuma共识算法得到最终的评估结果。然后使用最终结果将新创建的 TAO 分配给每个子网。

目前，尤马共识确实还有改进的空间：

根网络验证者可能无法完全代表所有 TAO 持有者，他们提供的评估结果也不一定反映广泛的观点。此外，一些顶级验证者的评估可能并不总是客观的。即使发现了偏见，也可能不会立即纠正。

根网络验证器的存在限制了 Bittensor 可容纳的子网数量。要与集中式人工智能巨头竞争，仅拥有 32 个子网是不够的。然而，即使有 32 个子网，根网络验证器也可能难以有效监控所有子网。

验证者可能没有强烈的意愿迁移到新的子网。短期内，验证者从排放量较高的旧子网迁移到排放量较低的新子网时可能会失去一些奖励。新子网的排放最终能否赶上的不确定性，加上追求过程中奖励的明确损失，削弱了他们迁移的意愿。

Bittensor 还计划升级机制来解决这些缺点：

动态 TAO 将评估子网质量的权力分散给所有 TAO 持有者，而不是少数验证者。TAO持有者将能够通过质押间接确定每个子网的分配比例。

没有根网络验证器的限制，活跃子网的最大数量将增加到1024个。这将大大降低新团队加入Bittensor生态系统的门槛，导致子网之间的竞争更加激烈。

较早迁移到新子网的验证者可能会获得更高的奖励。尽早迁移到新的子网意味着以较低的价格购买该子网的 dTAO，从而增加了未来接收更多 TAO 的可能性。

较强的包容性也是尤马共识的一大优势。Yuma共识不仅用于确定每个子网的排放量，还用于决定同一子网内每个矿工和验证者的分配比例。而且，无论矿工的任务是什么，它所包含的贡献，包括计算能力、数据、人类贡献和智力，都是抽象考虑的。因此，AI商品生产的任何阶段都可以接入Bittensor生态系统，享受激励的同时也提升了Bittensor网络的价值。

接下来，我们来探索一些领先的子网，并观察 Bittensor 如何激励这些子网的输出。

子网

子网3：Myshell TTS

可以通过在GitHub上创建一个帐户来贡献myshell ai/MyShell TTS 子网的开发。

发行量：3.46% （2024年4月9日）

背景：Myshell是Myshell TTS（文本转语音）背后的团队，核心成员来自麻省理工学院、牛津大学、普林斯顿大学等知名院校。Myshell旨在创建一个无代码平台，让没有编程背景的大学生轻松创建自己想要的机器人。Myshell专注于TTS领域、有声读物和虚拟助理，于2023年3月推出了首款语音聊天机器人Samantha。随着产品矩阵的不断扩大，目前注册用户已超过百万。该平台托管各种类型的机器人，包括语言学习型、教育型和实用型机器人。

定位：Myshell推出这个Subnet是为了汇聚整个开源社区的智慧，打造最好的开源TTS模型。换句话说，Myshell TTS 并不直接运行模型或处理最终用户的请求；相反，它是一个用于训练 TTS 模型的网络。

Myshell TSS架构

Myshell TTS 运行的流程如上图所示。矿工负责训练模型并将训练好的模型上传到模型池（模型的元数据也存储在Bittensor区块链网络中）；验证者通过生成测试用例、评估模型性能并根据结果评分来评估模型；Bittensor 区块链负责使用 Yuma 共识聚合权重，确定每个矿工的最终权重和分配比例。

总之，矿工必须不断提交更高质量的模型来维持他们的奖励。

目前，Myshell也在其平台上推出了demo，供用户试用Myshell TTS中的模型。

未来，随着 Myshell TTS 训练的模型变得更加可靠，将会有更多的用例上线。而且，作为开源模式，它们将不仅仅局限于Myshell，还可以扩展到其他平台。通过这种去中心化的方法来训练和激励开源模型不正是我们在去中心化人工智能中的目标吗？

子网5：Open Kaito

可以通过在GitHub上创建一个帐户来贡献Open Kaito的开发。

发行量：4.39% （2024年4月9日）

背景：Kaito.ai背后的团队是Open Kaito团队，其核心成员在人工智能领域拥有丰富的经验，之前曾在AWS、META和Citadel等一流公司工作。在进入Bittensor子网之前，他们推出了旗舰产品Kaito.ai——一个Web3链下数据搜索引擎，在2023年第四季度推出。利用人工智能算法，Kaito.ai优化了搜索引擎的核心组件，包括数据收集、排名算法和检索算法。它已被认可为加密社区中的一流信息收集工具。

定位：Open Kaito旨在建立一个去中心化的索引层，以支持智能搜索和分析。搜索引擎不仅仅是一个数据库或排名算法，而是一个复杂的系统。此外，一个有效的搜索引擎还需要低延迟，这对构建分散版本提出了额外的挑战。幸运的是，通过Bittensor的激励系统，这些挑战有望得到解决。

Open Kaito的运行流程如上图所示。Open Kaito 并不是简单地分散搜索引擎的每个组件，而是将索引问题定义为矿工验证器问题。也就是说，矿工负责响应用户索引请求，而验证者则分发需求并对矿工的响应进行评分。

Open Kaito 并不限制矿工如何完成索引任务，而是关注矿工最终输出的结果，以鼓励创新解决方案。这有助于在矿工之间营造健康的竞争环境。面对用户索引需求，矿工努力完善执行计划，以更少的资源获得更高质量的响应结果。

子网6：Nous Finetuning

可以通过在GitHub上创建一个帐户来贡献Nous Research/finetuning 子网的开发。

发行量：6.26% （2024年4月9日）

背景：Nous Finetuning背后的团队来自Nous Research，这是一个专注于大规模语言模型（LLM）架构、数据合成和设备内推理的研究团队。其联合创始人曾担任Eden Network的首席工程师。

定位：Nous Finetuning是一个专门用于微调大型语言模型的子网。此外，用于微调的数据也来自Bittensor生态系统，具体来说是子网18。

Nous Finetuning的运行过程类似于Myshell TSS。矿工基于来自子网18的数据训练模型，并定期发布这些模型以在Hugging Face上托管；验证者评估模型并提供评分；同样，Bittensor区块链负责使用Yuma共识来聚合权重，确定每个矿工的最终权重和发行量。

子网18：Cortex.t

可以通过在GitHub上创建一个帐户来贡献corcel-api/cortex.t的开发。

发行量：7.74%（2024年4月9日）

背景：Cortex.t背后的团队是Corcel.io，其获得了Bittensor网络第二大验证者Mog的支持。Corcel.io是一个面向最终用户的应用程序，通过利用Bittensor生态系统的人工智能产品提供与ChatGPT类似的体验。

定位：Cortex.t被定位为向最终用户提供结果之前的最后一层。它负责检测和优化各种子网的输出，以确保结果准确可靠，特别是当单个提示调用多个模型时。Cortex.t旨在防止空白或不一致的输出，确保无缝的用户体验。

Cortex.t中的矿工利用Bittensor生态系统中的其他子网来处理最终用户的请求。他们还使用GPT 3.5 turbo或GPT 4来验证输出结果，以确保对最终用户的可靠性。验证者通过将其与OpenAI生成的结果进行比较来评估矿工的输出。

子网19：Vision

通过在GitHub上创建一个帐户来贡献namoray/vision的开发。

发行量：9.47%（2024年4月9日）

背景：Vision背后的开发团队也来自Corcel.io。

定位：Vision旨在通过利用一种名为DSIS（分布式规模推理子网）的优化子网构建框架，最大化Bittensor网络的产出能力。该框架加速了矿工对验证者的响应。目前，Vision专注于图像生成的场景。

验证者从Corcel.io前端接收需求并将其分发给矿工。矿工可以自由选择自己喜欢的技术堆栈（不限于模型）来处理需求并生成响应。然后，验证者评估矿工的表现。由于DSIS的存在，Vision能够比其他子网更快、更有效地响应这些需求。

总结

从上面的例子可以看出，Bittensor 表现出了高度的包容性。矿工的生成和验证者的验证发生在链下，Bittensor 网络仅根据验证者的评估向每个矿工分配奖励。适合矿工验证器架构的人工智能产品生成的任何方面都可以转换为子网。

理论上，子网之间的竞争应该很激烈。任何子网要继续获得奖励，就必须持续产生高质量的输出。否则，如果根网络验证器认为某个子网的输出价值较低，则其分配可能会减少，并且最终可能会被新的子网取代。

但在现实中，我们确实发现了一些问题：

由于子网定位相似而导致资源冗余和重复。现有32个Subnet中，有多个Subnet专注于文本转图像、文本提示、价格预测等热门方向。

存在没有实际用例的子网。虽然价格预测子网作为预言机提供商可能具有理论上的价值，但预测数据的当前性能还远远不能被最终用户使用。

“劣币驱逐良币”的例子。某些顶级验证者可能没有强烈的意愿迁移到新的子网，即使某些新子网表现出明显更高的质量。但由于缺乏资金支持，短期内可能无法获得足够的排放量。由于新子网上线后的保护期只有7天，如果不能快速积累足够的排放量，可能会面临被淘汰、下线的风险。

这些问题反映出子网之间的竞争不够充分，一些验证者没有起到鼓励有效竞争的作用。

开放张量基金会验证器（OTF）实施了一些临时措施来缓解这种情况。作为拥有 23% 质押权（包括委托）的最大验证人，OTF 为子网提供了争夺更多 Staked TAO 的渠道：子网所有者可以每周向 OTF 提交请求，调整其在子网中 Staked TAO 的比例。这些请求必须涵盖“子网目标和对Bittensor生态系统的贡献”、“子网奖励机制”、“通信协议设计”、“数据源和安全”、“计算要求”和“路线图”等10个方面，以方便OTF的最终决策。

然而，要从根本上解决这个问题，一方面，我们迫切需要推出dTAO（Dynamic TAO），旨在从根本上改变上述不合理的问题。或者，我们可以呼吁持有大量 Stake TAO 的大型验证者更多地从“生态系统发展”的角度而不是仅仅从“财务回报”的角度来考虑 Bittensor 生态系统的长期发展。

综上所述，凭借其强大的包容性、激烈的竞争环境和有效的激励机制，我们相信Bittensor生态系统能够有机地生产出高质量的人工智能产品。尽管并非现有子网的所有输出都可以与中心化产品的输出相媲美，但我们不要忘记当前的 Bittensor 架构刚刚成立一周年（子网 #1 于 2023 年 4 月 13 日注册）。对于一个有潜力与中心化人工智能巨头竞争的平台，或许我们应该专注于提出切实可行的改进计划，而不是急于批评它的缺点。毕竟，我们都不希望看到人工智能不断被少数巨头控制。