Penulis asli: @dvzhangtz
Sumber asli: X
Hari ini ada @TheBittensorHub (TAO) baru di Binance. Apa yang telah dilakukan proyek ini sehingga memungkinkannya menduduki peringkat 30 teratas dari semua koin sebelum mencapai tahap besar?
Singkatnya, proyek ini tidak secara langsung menyumbangkan data atau daya komputasi. Sebaliknya, algoritma yang berbeda dijadwalkan dan disaring melalui jaringan blockchain dan mekanisme insentif, sehingga memungkinkan bidang AI untuk membentuk pasar algoritma (model) untuk persaingan bebas dan berbagi pengetahuan.
Ringkasan
Tiga elemen era AI adalah algoritma (yaitu model), daya komputasi, dan data. Kami memiliki solusi yang relatif jelas tentang bagaimana menggabungkan kekuatan komputasi dan data dengan blockchain untuk distribusi terdistribusi, namun bagaimana mendesentralisasikan algoritma dan bagaimana menyatukan upaya semua orang untuk bersama-sama membangun algoritma dan model selalu menjadi pertanyaan yang diragukan.
Bittensor memecahkan masalah ini.
Bittensor membagi AI menjadi beberapa tugas berbeda, dan setiap tugas memulai subnet. Setiap penambang menyediakan modelnya sendiri untuk tugas yang dikuasainya, dan jaringan memberi penghargaan kepada penambang yang melakukan yang terbaik pada setiap tugas. Dan melalui algoritma konsensus Yuma yang unik, ini memastikan bahwa semua peserta tidak melakukan kejahatan.
Dalam hal ekonomi token, token TAO-nya adalah mata uang penambangan murni. Tidak ada putaran VC, putaran ekuitas swasta, ICO/IEO/IDO, atau reservasi yayasan. Sebagai mata uang pertambangan, para penambang akan memiliki motivasi yang kuat untuk menarik pasar pada tahap awal. Saat ini, 89% token yang dipertaruhkan di seluruh jaringan terkunci.
Bittensor menyediakan produk ToC langsung, chatbots, dan API untuk pengembang, dengan pengalaman pengguna yang baik.
Latar Belakang Bagian1
Masalah dengan pasar AI
Isu saat ini:
Model AI saat ini terlalu mengandalkan tolok ukur dan tidak memiliki metode evaluasi yang terdiversifikasi, sehingga menghasilkan situasi yang menguntungkan semua pihak.
Saat ini model masing-masing perusahaan relatif independen
Bittensor percaya bahwa hal ini merugikan kemajuan keseluruhan AI dan efisiensi inovasi algoritma. Model terisolasi dan layanan AI yang hanya memilih pemenang berarti bahwa ketika seseorang ingin mengembangkan model baru, mereka mungkin harus memulai dari awal; dengan asumsi bahwa model A mahir berbahasa Spanyol dan model B mahir dalam menulis kode, ketika pengguna memerlukannya meminta AI untuk menjelaskan Saat mengomentari kode dalam bahasa Spanyol, terlihat jelas bahwa kedua algoritme bekerja sama untuk menghasilkan keluaran terbaik, tetapi hal ini tidak mungkin dilakukan di lingkungan saat ini, karena integrasi aplikasi pihak ketiga memerlukan izin dari pemilik model AI, fungsi yang terbatas juga berarti nilai yang terbatas. Oleh karena itu, tujuan besar proyek Bittensor adalah memungkinkan algoritma dan model AI yang berbeda untuk berkolaborasi, belajar, dan menggabungkan satu sama lain untuk membentuk model yang lebih kuat dan melayani pengembang dan pengguna dengan lebih baik.
Ini mempunyai beberapa keuntungan:
Bangun jaringan kolaborasi berbagai model, gunakan jaringan ini untuk menilai kualitas model yang disediakan oleh orang berbeda, dan biarkan mereka berkolaborasi
Bagi pengguna yang menggunakan AI, tidak ada perantara yang mendapatkan selisih harga, dan mereka bisa mendapatkan layanan AI dengan harga lebih murah.
Banyak model yang dikembangkan oleh tim kecil sendiri, sehingga perusahaan kecil yang bukan raksasa dapat menikmati manfaat tersebut dan memiliki kepemilikan atas AI.
Latar Belakang Bagian2
Pemikiran dari BTC
BTC menyediakan serangkaian layanan akuntansi. Sistem itu sendiri tidak menyediakan daya komputasi. Sistem ini hanya menentukan cara verifikasi daya komputasi, yang merupakan mekanisme POW-nya.
Terinspirasi oleh mekanisme POW, para penambang di seluruh dunia mencoba mengoptimalkan mesin penambangan mereka, mencari tagihan listrik yang lebih rendah, dan penambangan yang lebih baik (menyediakan layanan akuntansi BTC).
Namun, kita tahu bahwa rangkaian POW ini melakukan operasi yang tidak berarti, namun jika penambang di seluruh dunia dapat terus secara aktif menemukan cara untuk mengurangi biaya penambangan TAO di pasar ini, mengoptimalkan algoritme, meningkatkan akurasi, dan mengurangi biaya listrik, Untuk memberikan layanan model yang lebih baik, ada baiknya untuk memikirkannya
teknologi
Part1 Peran dan fungsi dalam jaringan
Penambang: dapat dipahami sebagai penyedia berbagai algoritma dan model AI di seluruh dunia. Mereka menghosting model AI dan menyediakannya ke jaringan Bittensor;
Verifikator: Evaluator dalam jaringan Bittensor. Evaluasi kualitas dan efektivitas model AI, rangking model AI berdasarkan kinerja pada tugas tertentu, dan bantu konsumen menemukan solusi terbaik.
Nominator: Mendelegasikan token ke validator tertentu untuk menunjukkan dukungan, atau Anda dapat mendelegasikan token ke validator berbeda. Ini seperti DeFi di mana Anda mempertaruhkan token Anda ke Lido untuk mendapatkan penghasilan. Pengguna: Pengguna akhir model AI yang disediakan oleh Bittensor. Bisa jadi individu, atau bisa juga pengembang yang ingin menggunakan model AI untuk aplikasi. (19/6)
Teknologi Bagian2
hubungan antar karakter
Pengguna membutuhkan model AI yang lebih baik;
Penambang menyediakan model AI mereka sendiri;
Verifikator bertanggung jawab untuk memilih model AI yang lebih baik berdasarkan kegunaan yang berbeda;
Nominator memilih untuk mendukung validator yang berbeda.
Terus terang, ini adalah rantai pasokan dan permintaan AI yang terbuka: beberapa orang menyediakan model yang berbeda, beberapa mengevaluasi model yang berbeda, dan beberapa menggunakan hasil yang diberikan oleh model terbaik.
Teknologi Bagian3
Cara memastikan bahwa penambang & validator tidak melakukan kejahatan: Konsensus Yuma
Dalam jaringan terbuka, tidak ada pengawasan lembaga yang terpusat, dan penyedia layanan secara alami rela melakukan kejahatan demi "mengurangi biaya dan meningkatkan efisiensi". Perbuatan jahat yang mungkin terjadi antara lain:
Penambang tidak menjalankan layanan model dengan benar, dan hasilnya adalah angka acak.
Penambang hanya terhubung ke validator yang berkolusi dengan dirinya sendiri, dan mereka adalah atlet sekaligus wasit.
Node yang jujur mungkin tidak sepenuhnya terhubung karena alasan jaringan, dan sejumlah besar node yang tidak jujur berkomunikasi satu sama lain untuk mencapai kolusi.
Bittensor memberikan solusi untuk masalah ini, yang menurut saya merupakan inovasi terbesar dari proyek ini. Paragraf berikut adalah fokus dan kesulitan artikel ini.
Teknologi Bagian4
Untuk memahami solusi Bittensor, pertama-tama kita perlu membahas beberapa pengetahuan dasar dalam pembelajaran mesin: pelatihan, fungsi kerugian, penurunan gradien
Jika Anda ingin mengajari anak anjing Anda cara buang air kecil di matras (kasus klasik, tidak ada petunjuk yang buruk) - (jika Anda ingin mengajari mesin itu sedikit pengetahuan)
Cara 1: Jika anjing buang air kecil di atas matras, beri hadiah sepotong daging, jika tidak, pukul pantatnya.
Cara 2: Jika anjing buang air kecil di atas matras, beri hadiah sepotong daging, dan jika tidak, pukul; dan semakin jauh dari matras, pukulannya akan semakin keras (hitung fungsi kerugiannya)
Metode 3: Setiap kali anjing mengambil langkah, keputusan dibuat:
Jika Anda berjalan menuju matras, Anda akan diberi hadiah sepotong daging. Jika Anda tidak berjalan menuju matras, Anda akan dipukul.
(Setiap kali pelatihan dilakukan, fungsi kerugian dihitung)
Metode 4: Setiap kali anjing mengambil langkah, keputusan dibuat:
Jika Anda berjalan menuju matras, beri hadiah sepotong daging; jika Anda tidak berjalan menuju matras, Anda akan dipukul;
Dan letakkan sepotong daging untuk anjing searah dengan matras untuk menarik perhatian anjing agar pergi ke matras.
(Setiap pelatihan dilakukan, fungsi kerugian dihitung, lalu arah yang paling mengurangi fungsi kerugian dilakukan, dan penurunan gradien dilakukan)
Teknologi Bagian5
Oke, setelah memahami konsep-konsep ini secara umum, kembali ke Bittensor
Bittensor membagi AI menjadi beberapa tugas berbeda, dan setiap tugas memulai subnet. Ketika subnet dibuat, pendiri akan menentukan tugas apa yang perlu diselesaikan subnet (penerjemahan, tanya jawab, pembuatan gambar, dll.) dan menentukan indikator pengukuran (fungsi kerugian, BLEU, dll., di bawah, fungsi kerugian adalah digunakan sebagai contoh)
Kami memiliki beberapa penambang dan beberapa validator yang berpartisipasi dalam subnet Bittensor untuk menyediakan beberapa jenis layanan AI.
Bagaimana mengukur hasil yang dihasilkan penambang
Skor kredibilitas: menentukan apakah setiap penambang dapat dipercaya
Beberapa penambang mungkin tidak terhubung ke beberapa validator karena kondisi jaringan yang buruk (hubungan koneksi antara validator dan penambang direpresentasikan sebagai matriks C di kertas putih)
Nilai ini ditimbang dengan jumlah kontribusi masing-masing validator (S di kertas putih) untuk mendapatkan skor kredibilitas (semakin banyak penambang terhubung ke validator dengan jumlah kontribusi tinggi, semakin tinggi nilainya. Nilai ini adalah T di dalam kertas putih)
Skor efek: Menilai keluaran setiap penambang.
Lakukan langkah-langkah berikut untuk setiap hasil penambang:
Setiap validator yang terhubung ke penambang mengeluarkan hasil untuk penambang ini dan menggunakan modelnya sendiri untuk menghitung fungsi kerugian dan selanjutnya memperoleh skor (W di kertas putih)
Validator yang berbeda memiliki kepentingan yang berbeda. Jumlah kontribusi masing-masing validator (S di kertas putih) digunakan sebagai bobot dikalikan dengan hasil langkah pertama untuk mendapatkan nilai. Ini adalah skor semua validator pada hasil ini (R in kertas putih)
Skor akhir = skor kinerja * skor kredibilitas (I di kertas putih)
Token didistribusikan secara langsung berdasarkan skor akhir masing-masing penambang (St+1 di kertas putih)
Cara menilai validator
Tetapkan fungsi kerugian untuk terus mengoptimalkan jaringan. Tujuan pengoptimalan fungsi ini adalah untuk memiliki lebih banyak node dengan skor tinggi yang terhubung satu sama lain dalam jaringan.
Tokenomics Bagian 1 https://taostats.io/tokenomics/
Apa yang diberi insentif oleh token TAO?
Untuk validator: Semakin akurat dan konsisten penyaringan dan evaluasi model AI, semakin banyak imbalan yang akan mereka terima. Tentunya, untuk menjadi validator, Anda perlu menjanjikan sejumlah token TAO. Untuk penambang: berikan model mereka sendiri sebagai respons terhadap kebutuhan pengguna, dan dapatkan token TAO berdasarkan kontribusi mereka. Kepada nominator: percayakan TAO mereka kepada verifikator, mirip dengan mempertaruhkan likuiditas untuk pengguna: Membayar token TAO untuk memulai tugas sama dengan konsumsi (19/11)
Ekonomi Token Bagian2
mekanisme pelepasan
TAO memiliki pasokan sebesar 21.000.000 (mengacu pada BTC) dan juga memiliki siklus separuh 4 tahun, dengan setiap hadiah blok dikurangi setengahnya setiap 10,5 juta blok. Sebanyak 64 peristiwa separuh akan terjadi, dengan siklus separuh terbaru terjadi pada Agustus 2025.
Saat ini, TAO dikirim ke jaringan setiap 12 detik. Perhitungan kasar menunjukkan bahwa 7,200 TAO akan diproduksi dalam sehari, dengan penambang dan validator masing-masing mengambil setengahnya. Tidak ada rutinitas umum seperti putaran VC, putaran ekuitas swasta, ICO/IEO/IDO, reservasi yayasan, dll. Ini dapat dipahami sebagai mata uang penambangan murni.
Ekonomi Token Bagian3
Mari kita lihat secara mendetail bagaimana rilis dialokasikan ke setiap subnet:
TAO yang dirilis setiap 12 detik ini akan dialokasikan ke 32 subnet sesuai persentase tertentu (berdasarkan performa masing-masing subnet, ditentukan oleh root subnet yaitu subnet No. 0). Kemudian didistribusikan ke setiap penambang dan verifikator di setiap subnet.
Validator subnet 0 adalah 64 validator dengan jumlah kontribusi terbesar di seluruh jaringan. Jika Anda ingin mengetahui cara mereka mengalokasikan token, Anda dapat melihat kodenya setelah menjalankan tutorial instalasi di bagian terakhir dokumen ini, metagraph. bobot .shape adalah torch.Size([64, 33]), yang berisi bobot pentingnya 64 validator untuk setiap subnet
Metode operasi Bagian1
Ingin menggunakan layanan AI-nya
Hubungi langsung melalui chatbot-nya: https://app.corcel.io/chat
Panggil API secara langsung (memerlukan kunci API): https://api.corcel.io/docs
Kunci API ada di sini: https://app.corcel.io/dashboard/api-key…
Github dari platform panggilan ini: https://github.com/corcel-api
Metode operasi Bagian2
Lihat riwayat transaksi
Gunakan url dengan format serupa, diikuti dengan alamat
https://x.taostats.io/account/5HKtJCP7tMwncxNBH4EfjwKnSZmey2G3PdCNKYSMyp6xFY1d…
https://x.taostats.io/account/5F4tQyWrhfGVcNhoqeiNsR6KjD4wMZ2kfhLj4oHyuyHbZAc3… (alamat yayasan)
Metode operasi Bagian3
Sebagai nominator, Anda ingin menerima manfaat staking
Dompet - unduh ekstensi - dompet baru - baru - konfirmasi - buat - ketik ulang - kata sandi - simpan alamat
Tarik koin ke alamat - klik taruhan - Anda memerlukan alamat validator
Metode operasi Bagian4
Pendapatan staking saat ini adalah https://taostats.io/staking/, pendapatannya sekitar 20% apy, hampir 90% (5,3 juta / 5,9 juta) token di seluruh jaringan sedang dipertaruhkan, dan Anda dapat membatalkan taruhannya di kapan pun
Metode operasi Part5: Masuk ke halaman validator (https://taostats.io/verified-validators/…), salin alamat, klik taruhan di dompet, masukkan kata sandi, sukses
referensi
Situs web resmi untuk properti tampilan: https://bittensor.com
Dokumentasi (logika pengantar): https://docs.bittensor.com
Jika Anda ingin memahami logikanya secara mendalam, Anda perlu memasangkannya dengan dua kertas putih.
https://bittensor.com/whitepaper
https://bittensor.com/about
Situs web resmi data (data on-chain, data janji, dll.): https://taostats.io
Antarmuka aplikasi (aplikasi ToC): https://app.corcel.io/chat
Github (banyak materi pengembangan yang perlu dibaca): https://github.com/opentensor
Artikel ini juga mengacu pada sejumlah besar laporan penelitian, terima kasih untuk ini!
Tao ke Bulan!
