万字详解：Bittensor网络和代币TAO如何革新AI行业
介绍
随着人工智能最近的飙升和普及，许多人对人工智能和加密货币的重叠提出了不同的论点。这些创新有可能彻底改变我们数字生活的各个方面，从管理数字资产到保护知识产权和打击欺诈。值得注意的是，这种融合引发了两大明显的趋势：
- 人工智能与区块链基础设施的集成，例如 Render ($RNDR)、Akash ($AKT) 或 Fetch.ai ($FET)。
- 协议的出现推动机器学习智能的产生，例如 Bittensor ($TAO)。
在区块链出现之前，AI应用主要集中在基础设施上，致力于实现AI/ML模型存储和GPU租赁。这导致了诸如代币激励的强化学习、zkML 和基于区块链的身份注册来打击深度造假的趋势。与此同时，一个平行的趋势正在蓄势待发：协议激励智能。
在本报告中，我们深入研究了人工智能和加密货币的交叉点，重点关注 Bittensor 和 $TAO 代币，探讨它们在点对点智能市场和数字商品市场兴起中的作用。
通过10月2日举行的最新革命升级，我们还提供了历史概述、行业前景、竞争分析以及对 $TAO 价值主张的见解。
概述
Bittensor 是一个开源协议，其核心使命是：通过区块链驱动的激励结构来推动人工智能的发展。在这个生态系统中，贡献者因其贡献而获得 $TAO 代币奖励。
Bittensor 是一个挖矿网络，利用代币激励来鼓励用户参与，同时坚持开放和去中心化的原则。在该网络中，多个节点托管机器学习模型，共同构成智能池。在分析大量文本数据、提取语义以及在各个领域生成有价值的见解方面，这些模型发挥着至关重要的作用。
从用户的角度来看，其基本功能包括查询网络以获取智能、让矿工和验证者参与 $TAO 代币挖矿以及钱包和余额监控。
Bittensor 的网络离不开各种利益相关者的贡献，包括矿工、验证者、被提名者和消费者。这种协作方法可让最好的人工智能模型与众不同，从而提高网络提供的人工智能服务的质量。
其供应侧有两层：人工智能（矿工）和区块链（验证者）。
- Bittensor 网络中的矿工托管人工智能模型并将其提供给网络，其成功取决于其提供的质量和性能。
- 矿工根据他们对网络贡献的智能获得 $TAO 补偿（尽管这取决于手头的具体任务）。
- 顶级型号的需求量更大，可以为矿工带来更多收入。
- 验证者是网络内的评估者。他们评估人工智能模型的质量和有效性并管理用户请求。通过这种方式，验证者可根据特定任务的性能对模型进行排名，帮助消费者找到最佳解决方案。评估越准确、一致，他们获得的奖励就越多。同样，不一致的评估可能会导致处罚，这确保验证者保持高标准。
- 验证者会受到 $TAO 的激励，根据矿工的“智能贡献”对他们进行排名。
- 验证者还负责路由输入以产生最佳输出。这是通过在相互补充（子网络）的矿工（模型）之间形成联盟来实现的。
在需求方面，开发人员可以在验证者之上构建应用程序，利用（并支付）来自网络的特定于用例的人工智能功能。
- 提名者是持有 $TAO 代币并通过将代币委托给特定验证者来积极支持特定验证者的个人。这个委托可帮助验证者获得更多的支持和奖励。被提名者本身会因参与这一过程而获得奖励。如果验证者表现不佳或者被提名者认为有更好的选择，他们就可以将支持转移给另一个验证者。
- 消费者是 Bittensor 提供的 AI 模型的终端用户。他们的范围包括从将人工智能功能集成到应用程序中的应用程序开发人员，再到寻求高质量响应的聊天机器人用户。
- 消费者优先考虑获得准确且有价值的答案。
- 特别是开发人员，会选择他们认为最能满足其要求的验证者，以确保向用户提供一流的人工智能服务。
上面列出的利益相关者之间的协调产物会产生一个网络，该网络可为给定用例推广最佳模型。由于任何人都可以进行实验，因此闭源企业甚至很难与之竞争。
信用(来源：David Attermann的《AI 乐高积木：Bittensor 论文》）
最常见的误解之一是网络支持机器学习训练。在目前的状态下，Bittensor 完全支持推理，即根据证据和推理得出结论并提供响应的过程。另一方面，培训是一个独特的过程，涉及教授机器学习模型来执行任务。这是通过向模型提供大量标记示例数据集来实现的，使其能够学习数据和标签之间的模式和关联。与此同时，推理利用经过训练的机器学习模型对新的、未见过的数据进行预测。例如，可以采用经过训练对图像进行分类的模型进行推理，以确定以前未见过的新图像的类别。
因此，需要注意的是，Bittensor 并不执行链上 ML，其功能更像是链上预言机或连接和编排链下 ML 节点（矿工）的验证者网络。这种配置创建了一个去中心化的专家混合 (MoE) 网络，这是一种 ML 架构，它混合了针对不同功能优化的多个模型，以形成更强大的整体模型。
点对点智能市场
Bittensor 的点对点智能市场是人工智能开发领域的一个开创性概念，提供了一个去中心化且非许可的平台，与 OpenAI 或谷歌 Gemini 等更封闭的模型形成鲜明对比。
该市场旨在促进竞争性创新，推动人工智能行业的发展，并使全球开发者和用户社区能够使用人工智能。任何形式的价值都可以受到激励——一个为任何数字商品激励/创建公平市场的协议。
换句话说，该协议体现了一种在网络内参与者之间交换机器学习能力和预测的点对点方法。它促进了机器学习模型和服务的共享和协作，有利于可托管开源和闭源模型的协作和包容性环境。
数字商品市场的兴起
Bittensor 的独特之处在于它为数字商品市场的出现奠定了基础，有效地将机器智能转变为可交易资产。该协议的核心是建立一个机器智能商品化的市场。
与遗传算法非常相似，Bittensor 的激励系统不断评估矿工的表现，并随时间选择或回收矿工。这个动态过程确保网络保持高效并能够响应不断变化的人工智能开发格局。
在 Bittensor 智能市场中，价值生成遵循双重方法：
- 由矿工（称为贡献者）托管的高性能人工智能模型会以 $TAO 代币的形式获得奖励。
- 评估和利用智能的验证者也将获得 $TAO 代币奖励。
值得注意的是，Bittensor 不仅仅奖励原始性能，还强调最有价值“信号”的生成。这意味着奖励系统优先考虑为广大受众提供实质性利益的信息创建，最终有利于开发更有价值的商品。
Yuma共识
作为独立的第1层区块链，Bittensor 由 Yuma 共识算法提供支持。它是一种去中心化的点对点共识算法，可以在节点网络中公平分配计算资源。
Yuma 采用结合了工作量证明 (PoW) 和权益证明 (PoS) 元素的混合共识机制。网络内的节点执行计算工作以验证交易并创建新区块。然后，这项工作将由其他节点进行验证，成功的贡献者将获得代币奖励。PoS 组件鼓励节点持有代币，使节点的利益符合网络的稳定性和增长。
与传统的共识机制相比，这种混合模型具有多种优势。一方面，它避免了通常与工作证明（PoW）相关的过度能源消耗，解决了环境问题。另一方面，它规避了权益证明（PoS）中出现的中心化风险，保持了网络的去中心化和安全性。
Yuma 共识机制具有在广泛的节点网络上分配计算资源的能力，因此而脱颖而出。这种方法具有深远的影响，因为它可以轻松处理更复杂的人工智能任务和更大的数据集。随着网络包含更多节点，它自然会扩展以适应日益增加的工作负载。
与依赖单个服务器或集群的传统中心化人工智能应用程序相比，Yuma 支持的应用程序可分布在节点网络中。该分布优化了计算资源，使其能处理复杂的任务，同时减轻了与单点故障和安全漏洞相关的风险。
知识精炼——数字蜂巢思维
知识精炼（Knowledge Distillation）是 Bittensor 协议中的一个基本概念，可促进网络节点之间的协作学习，以提高性能和准确性。与人脑中的神经元协同工作的方式类似，知识精炼使节点能够在网络内集体改进。
此过程需要节点之间交换数据样本和模型参数，从而形成一个随时间进行自我优化以进行更精确预测的网络。每个节点都为共享池做贡献，最终提高网络的整体性能，使其更快、更适合机器人和自动驾驶汽车等实时学习应用。
至关重要的是，这种方法降低了灾难性遗忘的风险，这是机器学习中的常见挑战。节点保留并扩展现有知识，同时融入新的见解，增强网络的弹性和适应性。
通过跨多个节点分发知识，Bittensor TAO 网络在处理中断和潜在的数据泄露时也变得更有弹性。这种稳健性对于处理高安全性和隐私敏感数据（例如财务和医疗信息）的应用程序尤其重要（稍后将详细介绍隐私）。
专家组合 (MoE)
Bittensor 网络进一步创新，引入了去中心化专家混合 (MoE) 的概念。这种方法利用了多个神经网络的力量，每个神经网络专门研究数据的不同方面。当引入新数据时，这些专家会合作产生比任何个别专家单独实现的更准确的集体预测。
所采用的共识机制将深度学习与区块链共识算法相结合。其主要目标是将权益分配给为网络贡献最大信息价值的同行。从本质上讲，它奖励那些增强网络知识和能力的人。
Bittensor 协议的核心由参数化函数组成，通常称为神经元。这些神经元以点对点的方式分布，每个神经元都持有记录在数字账本上的零个或多个网络权重。节点积极参与相互排名，训练神经网络以确定其相邻节点的值。这个排名过程对于评估各个节点对网络整体性能的贡献至关重要。
通过此排名过程生成的分数会累积在数字分类账上。排名较高的同行会获得金钱奖励，从而在网络中获得额外的权重。这在同伴的贡献和奖励之间建立了直接联系，提升了网络内的公平性和透明度。
这种方法提供了一个市场，其中其他智能系统通过互联网以点对点的方式对智能进行定价。它激励同行不断提高他们的知识和技能。
为了确保奖励的公平分配，Bittensor 采用了 Shapley 值，这是一个借鉴自合作博弈论的概念。Shapley 值提供了一种公平有效的方法，可根据网络同伴的贡献在他们之间分配奖励。这种激励与贡献的结合激励节点按照网络的最佳利益行事，从而提高网络的安全性和效率，同时推动持续改进。
Bittensor 的核心使命是通过去中心化框架促进人工智能领域的创新和协作。该框架实现了知识的快速扩展和共享，创建了一个不断增长且势不可挡的信息库。在这个市场中，开发人员能够将他们的人工智能模型货币化，并为企业和个人提供有价值的解决方案。
Bittensor 在未来的愿景是让人工智能模型能在各个行业中轻松访问和部署。这种可访问性将推动了进步并释放了新的可能性，缩小了人工智能功能和现实应用程序之间的差距。
与 Chat GPT 等著名的全球人工智能模型非常相似，Bittensor 模型基于通用数据集生成“代表”。为了评估模型性能，Fisher的信息 利用它来预估从网络中删除节点的影响，类似于人脑中神经元的丢失。
除了模型排名之外，Bittensor 还非常重视交互式学习。每个模型都会积极地与网络交互，寻求与其他模型的交互，类似于 DNS 查找。Bittensor 充当 API，利用开源和闭源模型促进这些模型之间的数据交换，推动协作学习和知识共享。
该生态系统利用 Yuma 共识来确保每个人都遵守规则，成为开源开发人员和人工智能研究实验室的驱动力，提供经济激励来增强开放基础模型。
从本质上讲，Bittensor 的作用是不断扩展的机器智能存储库。这是通过将4个不同的层组合在一起来实现的：
- 矿工层负责在网络内创作有价值的作品。
- 验证者层确保矿工遵守既定的共识规则。
- 企业层以现有基础设施为基础开发创新产品和服务。它是一个利用网络集体智慧创建新解决方案的平台。
- 消费者层从企业层所做的工作中受益。它代表使用 Bittensor 网络支持的产品和服务的终端用户或组织。
历史
Bittensor 由雅各布·斯蒂夫斯 和阿拉沙班（以及一位匿名白皮书作者 Yuma Rao）这两位人工智能研究人员于2019年创立。他们当时正寻找一种使人工智能可复合的方法，并很快意识到加密货币可能是解决方案——一种激励和协调全球机器学习节点网络以共同训练和学习特定问题的方法。添加到网络中的增量资源提高了整体智能，使之前的研究人员和模型所做的工作更加复杂。
2021年1月，“Kusanagi”得以推出，开启了 Bittensor 的旅程，标志着该网络的激活，并允许矿工和验证者开始赚取第一批 $TAO 奖励。然而，由于共识问题，这个最初的迭代被暂时停止。为应对这一问题，Bittensor 于2021年11月将“Kusanagi”分叉为“Nakamoto”。
2023年3月20日，“Nakamoto”再次分叉，演变为“Finney”，这是一个重要的里程碑。此次升级的目的是增强内核代码的性能。
值得注意的是，Bittensor 最初的目标是成为 Polkadot 上的平行链，并通过1月份的成功拍卖获得了平行链席位。然而，出于对 Polkadot 发展速度的担忧，团队决定利用自己的独立的、基于Substrate创建的第1层区块链而而不是 Polkadot。
当前状态
Bittensor 已在主网上运行有一年之多，其重点是开拓性研究并为其未来潜力奠定基础。以下是当前状态的概述以及尚未在其验证者之上构建业务用例的原因：
- 稀疏混合模型：Bittensor 作为一个整体运行稀疏混合模型。它将特定的人工智能模型吸引到这种混合物中，每个模型都在解决验证者定义的更大问题中扮演着利基角色。配置和调整该模型以达到最先进的水平通常复杂且需要迭代。此阶段的路线图目前由 Opentensor 基金会负责。
- 智能压缩（精炼）：智能压缩是 Bittensor 的核心研究重点。这涉及到提高网络效率和能力的精炼技术。
- 为宏伟目标而优化：Bittensor 的主要重点是优化宏伟目标，而不是短期业务用例。 Opentensor 致力于创建一个超越简单点对点平台且具有模型定价系统的网络。
- 进展与更新：在过去的一年里，Opentensor 取得了重大进展，包括 Synapse 更新，该更新向外部请求开放了 Bittensor。2023年20月，Revolution 升级实现了通过子网的扩展。这使得大型验证者能够独立定义问题，从他们的权益中创造现金流机会。
- 走向现实世界的扩展：Finney 网络标志着 Bittensor 的一个转折点，允许验证者更加独立地行动并降低最初的中心化。随着网络权益的增长和区块奖励的增加，它推动了人工智能的增长。
- 即将出现的人工智能业务用例： Bittensor 设想，随着包括人类和人工智能在内的利益相关者遵循他们的激励措施，现实世界的人工智能业务用例将得到扩展。多模态和元模态的实施即将到来，将子网络合并为统一的“智能”格式。
通过最新的 Revolution 升级，Bittensor 使任何人都能够创建专门针对特定类型应用程序的子网。例如，子网4使用JEPA （联合嵌入预测架构），这是 Meta 首创的一种人工智能方法Yann LeCun，用于在单个模型中处理各种输入和输出类型，例如视频、图像和音频。
另一个令人瞩目的成就是Cerebras, BTLM-3B-8K。这是 Bittensor 语言模型，一种 3B 参数模型，可以在移动设备上运行高精度和高性能模型，从而大大提高 AI 的可访问性。BTLM-3B-8K 可在Hugging Face获得，具有用于商业用途的 Apache 2.0 许可证。
大型 GPT 模型通常具有超过 100B 的参数，需要多个高端 GPU 才能执行推理。然而，Meta 发布的 LLaMA 为世界提供了低至 7B 参数的高性能模型，使得在高端 PC 上运行 LLM 成为可能。
但即使是量化到4位精度的 7B 参数模型也不适用于 iPhone 13（4GB RAM）等许多流行设备。虽然 3B 型号几乎适合所有移动设备，但之前的 3B 尺寸型号的性能远远低于 7B 型号。
BTLM 在模型大小和性能之间取得了平衡。它拥有 30 亿个参数，其准确性和功能水平明显优于以前的 3B 大小模型。
在查看各个基准时，BTLM 在除 TruthfulQA 之外的每个类别中得分最高。
BTLM-3B 不仅性能优于所有 3B 型号，而且其性能也与许多 7B 型号一致。
Revolution：Bittensor 子网升级
Bittensor 的 Revolution 升级于10月2日启动，标志着 Bittensor 发展的一个重要里程碑，为其运营结构带来了重大变化。此次升级的核心是引入“子网”，这是一个开创性的概念，赋予开发者前所未有的自主权，让他们能够在 Bittensor 生态系统中制定激励机制并建立市场。
此次升级的一个关键特点是引入了专门为制定激励系统而设计的专用编程语言。这项创新使开发人员能够在 Bittensor 网络上创建和实施他们的激励机制，利用其广泛的智能库根据他们的特定要求和偏好定制市场。
此次升级还体现了显著背离中心化模型的方面：在中心化模型中，单一基金会控制网络的所有方面，转向更加去中心化的框架；而现在，各种个人或团体都有机会拥有和管理子网。
随着“子网”的引入，任何人现在都可以创建自己的子网并定义自己的激励机制，从而在 Bittensor 生态系统中培育更广泛的服务。这一转变促进了网络内的多样性和去中心化，符合支持 Bittensor 使命的开放和协作原则。
此外，子网将通过在新的“路由网络”中获得代表的共识来竞争释放，引入可以推动创新和资源分配的竞争元素。
用户创建的子网的出现可以让人联想到以太坊向全球开发者社区敞开大门后应用程序的爆炸式增长。此次升级还强调了将各种工具和服务合并到一个有凝聚力的网络中的潜力。从本质上讲，打造智能所需的每个元素现在都集中在一个屋檐下，并由单一代币（$TAO）监管。
路由网络
路由网络是 Bittensor 生态系统中的关键组成部分。它充当一个元子网，在跨其他子网分配排放方面发挥着至关重要的作用，所有这些都基于关键代表的加权共识。这种转变本质上是变革性的，因为它从根本上将 Bittensor 从单一受控系统转变为动态的“各种网络的网络”。
至关重要的是，释放时间表不再仅仅由政府控制Opentensor基础。 “根”网络内的代表现在拥有激励分配的权力。这种转变使激励的控制权去中心化，消除了对任何单一实体的单独依赖，并将其置于“根”网络手中。
子网
Bittensor 网络内的子网是独立的激励机制，为矿工与平台互动提供了框架。这些子网在定义管理矿工和验证者之间交互的协议方面发挥着关键作用。
此外，激励机制的细节不再硬编码在 Bittensor 代码库中。相反，这些详细信息是在子网存储库中定义的，从而具有更大的灵活性和适应性。
Bittensor引入了特定的子网络，例如提示子网络和时间序列子网络。提示子网络能够执行各种提示神经网络，包括 GPT-3、GPT-4、ChatGPT 等，以进行去中心化推理。此功能允许用户与网络上的验证器交互，并从性能最佳的模型中获取输出，从而为他们的应用程序提供先进的人工智能功能。
子网的运行方式是根据矿工和验证者对网络贡献的价值，将 $TAO 代币分配给他们。矿工响应验证者查询的精确规则，协议以及验证者进行的评估过程由每个子网存储库中的代码确定。
- 发布时，将提供9个子网插槽，每个插槽默认可容纳256个 UID（子网1除外，可容纳 1024个UID）。子网将通过寻求“根”网络内代表的共识权重来积极竞争排放。
- 要注册子网，个人或实体必须在子网存在期间锁定特定数量的 $TAO。子网所有者承担完整的网络管理员的角色，并有权通过其各自的子网分配排放。他们拥有完整的权限，包括通过网络调用 sudo 操作的能力，例如设置网络最低速率等超参数。
- 每个子网都与一个唯一的网络 UID 相关联，子网的所有权将转移到锁定其注册所需金额的 $TAO 的钱包。当子网创建时，相应数量的$TAO将从创建者的钱包中扣除并附加到子网中。如果子网被注销，锁定的 $TAO 将返回给所有者。
- 值得注意的是，子网内质押 $TAO 返还的释放量的18%奖励给子网所有者。这会激励子网创建者制定吸引路由网络上的代表的机制，因为这降低了他们被注销的风险。
- 新注册的子网将获得为期一周的豁免期，在此期间无法取消注册。初始锁定成本设置为 2500 $TAO，新子网注册时会加倍。随着时间的推移，锁定成本逐渐下降，遵循类似于荷兰式拍卖机制的线性模式。该方法旨在通过随时间调整锁定成本来找到子网时隙需求的平衡。
- 当子网被注销时，为其注册而锁定的$TAO将返回给所有者，子网内的所有矿工都将被删除，并且网络状态将被重置。
根网络
根网络充当“元子网”，在之上运行并影响其他子网，同时在确定整个系统的排放分数方面发挥关键作用。
其主要功能是采用涉及代表的加权共识机制来为每个子网生成释放向量。“根”网络中的代表根据自己的偏好为不同子网分配权重，共识机制最终决定排放量的分配。
一个值得注意的方面是，“根”网络有效地巩固了参议院和代表机制的作用，将这些职能整合为一个实体。这种整合简化了 Bittensor 生态系统内的决策流程。
“根”网络拥有通过影响排放分配来塑造生态系统的权力。如果它认为某个子网或系统的某个特定方面没有价值，它就有能力减少或消除对该组件的排放。
Bittensor 网络内的子网必须积极努力吸引“根”网络内代表的大部分权重，以确保获得重要的排放份额。这种竞争性强调了子网在向更广泛的生态系统展示其价值和实用性方面的重要性。
此外，它还赋予网络内的前12个密钥权力，有可能否决三巨头提交的提案，从而为系统增加了额外的治理和制衡层。
行业展望
在科技领域，权力长期集中在少数科技巨头手中。这些巨头一直控制着对推动创新至关重要的有价值的数字商品。然而，Bittensor 通过其市场引入了更加民主且易于访问的系统，承认并挑战了这种流行的模式。
Bittensor 的基本见解在于理解智能是各种数字商品（例如计算能力和数据）的结果。从历史上看，这些商品一直受到严格控制，仅限于科技巨头的领域。Bittensor 试图通过引入用户创建的子网来打破这些链条。这些市场将在统一的代币系统下运作，确保世界各地的开发者能够平等地获得资源，而这些资源以前是大型科技公司封闭生态系统中少数人的专属领域。
潜在采用率
在当今的数字时代，人工智能 (AI) 的变革力量是不可否认的。人工智能已经成为我们生活中不可或缺的一部分，它精简了研究、自动化工作流程、协助编码以及从文本生成内容的效率。人工智能能力的快速增长是显而易见的，但这种增长也带来了与可扩展性以及最重要的可靠性相关的挑战。
最近发生的事件，例如 ChatGPT 在华盛顿讨论人工智能法规期间的暂时中断，凸显了迫切需要强大的解决方案来应对人工智能的扩展问题。随着人工智能越来越融入我们的日常生活，这些中断让用户担心人工智能的稳定性和可靠性。正是在这样的时刻，Bittensor 的 $TAO 的重要性才变得显而易见。
Bittensor 的方法不仅支持开源人工智能，而且还表明它在经济上可以是一项回报丰厚的追求。它反映了比特币挖矿领域的竞争演变，并为市场的繁荣发展创造了有利条件，让最好的人工智能模型脱颖而出。这种转变使人工智能研究人员能够将他们的专业知识贡献给开放和动态的环境，最终造福整个社会。
$TAO 提供了一种去中心化的人工智能基础设施，可以缓解 ChatGPT 遇到的潜在问题。通过去中心化 AI，Bittensor 确保了 AI 系统的弹性和可靠性，即使其需求不断增长。这种方法为人工智能服务的未来奠定了可靠的基础。
简而言之，Bittensor 已成为开源人工智能的全球市场，为解决闭源人工智能开发带来的挑战提供了令人信服的解决方案。
- 人工智能卓越的引力： Bittensor 作为一种引力，吸引了全世界研究人员最优秀的人工智能模型。通过培育人工智能的自由市场，该网络鼓励提交尖端模型。随着它的成熟，Bittensor 承诺更低的价格，消除平台风险，并提供最好的人工智能输出，无论是文本、图像、视频还是其他格式。
- 可盈利的开源：Bittensor 将开源人工智能转变为一项可盈利的事业。效仿比特币的例子，Bittensor 的构建假设利益相关者是利润驱动的。在这个生态系统中，最好的人工智能模型能赚到最多的钱。它与比特币挖矿的发展并行，转变为一个竞争激烈的专业化行业。博士研究人员现在有机会将他们的研究成果带到这个开放市场，缩小学术界和私营企业之间的差距。
- 可观的规模：Bittensor 的激励措施取得了显著成效。该网络为 4,000 多个 AI 模型提供服务，其中包含10 万亿个模型参数，十分惊人。从这个角度来看，GPT-3有1750亿个参数。
- 多元化的利益相关者：Bittensor 的生态系统涉及一系列利益相关者，包括矿工、验证者、被提名者和消费者。这种多元化的参与确保了网络的稳健性和持续增长。
一个重要的考虑因素是人工智能的当前状态，其中大部分仍处于闭门状态，并处于少数科技巨头的控制之下。这就提出了一个问题：如果人工智能可以开放并在协作环境中向其他人工智能模型学习，那么会怎样？ Bittensor 的 $TAO 试图为这个问题提供一个解决方案。
- 按增长采用：虽然一些主要的人工智能公司可能会犹豫是否公开其专有的人工智能技术，但 $TAO 提供了一个值得关注的提议。它引入了通过微交易进一步货币化的可能性。想象一下，每次有人在 Bittensor 生态系统中使用他们的训练模型来构建他们的产品和业务时，OpenAI 等成熟的人工智能解决方案都会接受小额支付。这可以为这些公司开辟新的收入来源，鼓励他们参与开放的人工智能网络。
- 按需求采用：或者，假设当前的人工智能解决方案仍然是封闭的并且对开放网络有抵抗力。即使拥有大量资金可供支配，开源也有可能超越这些资金雄厚的解决方案。虽然财政资源对于技术发展至关重要，但能够自主学习并从环境中学习的技术的潜力不应被低估。
开源困境
随着人们对人工智能对齐问题的担忧不断加剧，围绕人工智能模型是否应该开源的争论日益引人关注。根本问题是人工智能模型背后的实际代码是否应该可供每个人免费访问。有趣的是，即使像 OpenAI 这样的主要参与者开源他们的模型，也不一定会对 Bittensor 构成威胁。在开源环境中，任何人都可以在 Bittensor 网络上使用这些模型。
科技界内部对于此事存在不同意见。一些人认为，开源人工智能技术可能会让恶意行为者利用人工智能达到有害目的。相反，其他人则认为，向大公司授予人工智能技术的专有权会带来更大的危险。例如，将人工智能权力集中在几家价值数万亿美元的公司手中，正如 OpenAI 专注于筹集大量资金一样，可能会导致道德问题，凸显权力腐败的风险。
Meta 决定开源他们的Llama2 LLM，这表明该行业正在转向采用开源实践。此举为 Bittensor 提供了学习 Meta 的进步并将其整合到其网络中的机会，从而更快地缩小性能差距。
有必要检查 $TAO 和 OpenAI 的估值。目前，OpenAI在行业中占据主导地位，其估值介于 $80B 至 $90B 之间。然而，它在一个封闭的生态系统中运行，严重依赖微软及其许可的云服务。尽管如此，OpenAI 仍成功吸引了来自全球的顶尖人才。另一方面，随着时间的推移和开源计划变得更加普遍，可用人才库将呈指数级增长，覆盖互联网的每个角落。人工智能专业知识的民主化可能在影响 Bittensor 的采用方面发挥至关重要的作用。
竞争格局——中心化人工智能
开发者的采用仍然是 Bittensor 发展历程中的关键因素。目前，开发人员可以通过 OpenTensor 基金会开发的 Python API 与网络互动，这凸显了培养强大的开发人员社区以推动采用的重要性。如今，Bittensor 正在积极致力于网络关键方面的去中心化，例如模型创建和训练，奖励最精细调整的模型，同时促进社区驱动的决策。
有趣的是，人工智能领域的老牌企业，包括 OpenAI 和谷歌，现在已经成为 $TAO 的竞争对手。他们深入参与人工智能的模型生成阶段，甚至涉足各个行业内潜在的垂直整合。在这种背景下，$TAO 面临的主要挑战之一是数据划分问题。
与 Facebook、苹果、亚马逊、Netflix 和谷歌 (FAANG) 等科技巨头不同，它们可以访问大量有意义的数据存储库，而众包社区可能缺乏同等水平的资源和数据访问权限。 FAANG 组织具备财务手段，可以通过强大的硬件（例如 Nvidia 的尖端技术）支持其 AI 工作，包括 H100 和 GH200，可以大大加速 AI 模型训练。
同时需要注意的是，当今所有主流人工智能解决方案都具有封闭性和中心化的特点。其中包括 OpenAI、Google、Midjourney 等知名公司，每家公司都提供颠覆性的人工智能解决方案。然而，封闭模型和开源模型之间的差距正在迅速缩小。开源模型在速度、定制、隐私和整体功能方面正在取得进展。与封闭式同类产品相比，它们以相对适度的预算和参数大小实现了令人称赞的功能。此外，这些开源模型的运行速度更快，只需数周而不是数月即可交付结果。
谷歌本身就是一家科技巨头，它已经认识到了这一变革趋势。该公司的一份内部文件泄露表示：“我们没有护城河，OpenAI 也没有。”这一认可凸显了开源人工智能在竞争格局中日益增长的影响力。
在这个不断发展的人工智能生态系统中，$TAO 作为变革的催化剂出现，挑战了人工智能开发和培训的传统模式。其去中心化的方法和社区驱动的精神使其成为科技巨头曾经占据主导地位的动态舞台上的竞争者。
与限制访问单个人工智能模型的中心化平台不同，Bittensor 的架构提供了对智能的非许可的访问。它是人工智能开发人员的一站式商店，提供所有必要的计算资源，同时接受外部贡献。这种包容性模型将整个互联网的神经网络互连起来，创建了一个全球性、分布式、激励驱动的机器学习系统。
充分发挥人工智能的潜力需要摆脱闭源开发实践及其相关限制。正如孩子们通过社交互动扩大理解一样，人工智能也要在动态环境中蓬勃发展。接触不同的数据集、创新研究人员的见解以及与各种模型的交互有助于创建更强大、更智能的人工智能系统。人工智能的发展轨迹不应由单一实体决定。
在这个截然不同的未来中，要在由黑盒算法和集中权威主导的世界与开放、民主化的人工智能景观之间做出选择，这对于社会至关重要。
在第一种情况下，像 OpenAI 或 Anthropic 这样的大型企业掌握着人工智能解决方案的控制权，我们面临着生活受到持续监视制度控制的风险。这些公司将强有力地控制我们的个人数据和日常互动，有权关闭服务并报告个人的不同意见或讨论。
然而，更乐观的替代方案提供了一个人工智能扎根于开源平台，它建立在广泛拥有的网络上的世界。在这里，权力和控制是去中心化的，人工智能充当赋权工具而不是监视工具。在这种情况下，创造力和发展可以蓬勃发展，而不必担心公司偏见或审查制度。
正如互联网使信息获取民主化一样，开放的人工智能生态系统也将使智能获取民主化。它确保智能不会被少数人垄断，从而促进公平的竞争环境，让任何人都可以贡献、学习和受益。
$TAO 代币经济学
- 与比特币类似，$TAO 代币的总最大供应量上限为21,000,000枚，将在256年后发行。
- $TAO 减半将每1050万个区块发生一次，在未来 45 年以上的过程中将发生 64 次减半事件。
- 该网络的运行时间约为 12 秒，每挖掘一个区块，矿工和验证者获得1美元 TAO 的奖励。
- 目前，每天有 7,200 枚新的 $TAO 代币发行，在矿工和验证者之间均匀分配。
与比特币的另一个相似之处是，$TAO 的发行时间表也遵循减半的概念，大约每4年发生一次。然而，这是由代币发行总量决定的，而不是由区块数量决定的。例如，一旦发行了总供应量的一半，发行率就会减半。
重要的是，用于回收注册的 $TAO 代币销毁返回至未发行的供应中，导致减半间隔逐渐延长。这种机制确保发行时间表随时间动态调整，反映网络的需求和经济动态。
$TAO 代币经济
Bittensor 的 $TAO 代币经济的特点是简单、致力于去中心化和公平分配。与许多其他区块链项目不同，$TAO 代币并未通过 ICO、IDO、私募给 VC 或特权分配给团队、基金会或顾问的方式分配给任何一方。相反，每个流通的代币都必须通过积极参与网络来赚取。
网络中还有资本配置者，作为矿工或验证者参与并提供做市服务，例如 DCG、GSR 或多链。相关的是，他们都没有收到来自预售或私募的代币分配。
$TAO 代币可用于治理、质押和参与共识机制，以及作为 Bittensor 网络内的支付手段。
通过这种方式，验证者和矿工将他们的代币作为抵押品来保护网络并通过通货膨胀排放获得奖励，而用户和企业可使用 $TAO 来访问构建在网络上的人工智能服务和应用程序。
新的$TAO代币只能通过挖掘和验证来产生。网络奖励矿工和验证者，每个区块授予 1 $TAO 奖励，由矿工和验证者平均分配。因此，获取 $TAO 的唯一方法是在公开市场上购买代币或参与挖矿和验证活动。
$TAO 简单的代币分配模型反映了去中心化原则，让人想起中本聪设定的比特币精神。 $TAO 的创世铸造与比特币的排放时间表 ($BTC) 一致，为任何为网络贡献价值的人提供平等的机会。这种方法强调了防止权力和所有权中心化的重要性，特别是在人工智能领域，它具有重大的社会影响，不应由少数人控制。
这种分配模式确保采矿仍是一个竞争过程。随着越来越多的矿工加入网络，竞争加剧，保持盈利能力将面临挑战。这反过来又促使矿工寻找降低运营成本的方法，从而提高网络内的效率和创新。
$TAO 的价值捕获
$TAO 是 Bittensor 网络的原生代币，其内在价值源自其在生态系统中的独特作用。与网络代币通过出售区块空间获得价值的标准 L1 模型不同，$TAO 的价值与其支持的人工智能服务挂钩。随着这些人工智能服务变得更具影响力、实用性更强，对 $TAO 的需求也在增加。
持有 $TAO 可以访问各种互连的数字资源，包括由网络参与者生成和验证的数据、带宽和智能。正如排放计划所反映的，$TAO 的价值不仅仅基于投机或稀缺性，而是深深植根于它在 Bittensor 网络中提供的有形贡献和效用。
然而，维持这种创造和奖励的循环并不能得到保证。矿工和验证者在为网络贡献有价值的智能并赚取 TAO 代币作为回报的同时，也有动机出售以支付费用，类似于比特币矿工。
代币价格的价值如何？
与任何其他代币一样，$TAO 的价格由供求的基本经济原理决定。对 $TAO 的需求增加会导致价格升值，而需求减少会导致价格贬值。因此，我们的想法是，生态系统活动的需求将抵消供应释放。
您只能通过为网络做出贡献才能获得 $TAO。为此，您需要购买并持有或花费它才能开始使用网络。
- 需求驱动因素：
- 生态系统活动：
- 验证者需要 $TAO 代币进行注册。
- 用户可以购买$TAO来参与与智能对齐相关的投票过程。
- 用作网络内的支付。
- 需要质押并委托 $TAO 来赚取质押奖励。这有助于防止排放通胀。
- 投机溢价是押注区块链和人工智能等两种颠覆性技术融合的上行潜力的一种方式。
- 更多开发者进入网络并利用开源模型的潜力而产生的网络效应
- 生态系统活动：
- 供应驱动：
- 通胀排放代币发行总量达到21,000,000枚
- 矿工和验证者可以出售 $TAO 代币来支付运营费用。这方面类似于比特币矿工出售比特币以弥补成本。
随着网络的扩展以及更多人工智能模型和子网的添加，价值获取的潜力也在增加。人工智能和区块链之间的协同作用也推动了网络的增长，创造了一个自我强化的循环。
这样，Bittensor 体现了Metcalfe定律的原理，即网络的价值与连接的用户或节点数量的平方成正比。随着越来越多的参与者加入网络，它提供的价值呈指数级增长。
如何获取这样的价值
在 Bittensor 中，验证者会受到激励来吸引代币持有者的权益，而这种权益对于他们在网络中的运营至关重要。作为代币持有者，您可以选择各种不同的验证者来抵押您的 $TAO。最常见的选择是 OpenTensor 基金会本身，拥有约 20% 的网络所有权。
目前，验证者将 82% 的奖励以 $TAO 代币的形式分发给受托人。其结果是，委托 $TAO 向验证者提供代币，为代币持有者提供了赚取质押奖励的机会。这有助于保护用户免受通胀排放造成的潜在稀释。
- 验证者奖励目前占22.45%
- 目前质押奖励占18.41%
风险/回报和时间范围
在评估将部分投资组合分配给 $TAO 的风险/回报时，要了解您实际购买的是什么，这一点非常重要。例如，购买并不赋予持有者获得网络经济活动产生的以美元支付的任何形式的收益的权利。相反，您会获得代币排放作为奖励。作为代币持有者，您可以委托这些排放来赚取 APY 并增加您的 $TAO 持有量。
与比特币的类比很明显，但 BTC 背后的一个隐含的故事使其独一无二。对于 BTC 的价值是什么或为什么它具有某种价值的问题，没有人能够提供令人满意的答案，因此社区最终陷入了无币者、“垃圾币者”和比特币至上主义部落战争。
事实上，比特币的实际代币经济很容易理解：$BTC 用于激励矿工操作和运行网络。因此，现有持有者会被稀释（尽管他们可以成为矿工——或者在 Bittensor 的情况下成为代表）。因此，持有代币的人不会得到奖励，也不会从底层网络获得任何激励。
但就 BTC 而言，有一个重要因素需要考虑，那就是稀缺性。事实上，它的价值永远只有2100万美元，这一事实使其独一无二。尽管 $TAO 的代币经济是模仿比特币本身的，但仍有超过70%的代币未发行。这给投资者带来了一个两难的境地：他们更看重网络的去中心化，还是资产的稀缺性？
最后，$TAO 的效用源自它提供的人工智能模型访问权限、治理用途、获得质押奖励的机会以及作为激励机制的机会。
运营费用
目前的基础设施开发费用由Opentensor基金会使用代表团提供的资金以及代表团的奖励来支付。其他开发由运营自己的验证者的第三方进行，并通过委托提供资金。
正如任何全球计划都需要资金用于研究、开发和部署一样，人工智能的成功取决于如何协调资本以及如何奖励利益相关者的贡献。正是这种资源（研究、用于训练的 GPU 等）的战略分配推动了人工智能的发展和影响。
在人工智能领域，尤其是像 ChatGPT 这样的大型语言模型，运营成本非常高。例如，OpenAI 预计花费约每天 700,000 美元用于运营 ChatGPT，这凸显了与大规模人工智能模型相关的巨大财务负担。每个模型的培训成本可能从数百万美元到数千万美元不等，这使得它成为一项更加超级耗费资源的工作。在大型数据集上训练模型的成本可能更高，高达 3000 万美元。
尽管该公司已经筹集了大量资金，包括微软最近的投资（大约一半以 Azure 积分的形式），但训练大型语言模型的成本不断增长，这仍令人担忧。每次训练都要花费数百万美元，而新模型需要从头开始，这加剧了这个问题。
这就是 Bittensor 的“知识复合”方法发挥作用的地方。Bittensor 的独特方法侧重于通过“知识复利”进行去中心化和协作。这一理念允许人工智能系统以去中心化的方式建立在现有知识的基础上，具有以下优势：
- 成本效益：通过利用现有知识并不断改进，Bittensor 的方法有可能减少从头开始进行昂贵的再培训的需要。
- 适应性：大规模人工智能应用经常面临不断变化的需求和挑战。这就是去中心化方法使组织能够更灵活地调整其人工智能系统，确保它们在动态环境中保持相关性和有效性的地方。
- 去中心化：Bittensor 的去中心化网络为全球贡献者社区提供支持，减少对单一实体或中心化基础设施的依赖。这促进了人工智能开发的创新和多样性。
- 合作：知识复利的协作性质鼓励网络中节点之间的知识共享和合作学习，为人工智能的进步营造一个动态环境。
团队及投资者
Bittensor 是一种开源协议，为去中心化的、基于区块链的机器学习网络提供支持。Bittensor 背后的团队成员包括Jacob Steeves （创始人），Ala Shaabana （创始人），Jacqueline Dawn （营销总监），以及Saeideh Motlagh （区块链架构师）等。 Opentensor 基金会还计划今年扩大他们的团队。
Bittensor 的白皮书中也提到了一个名为 Yuma Rao 的化名，就像比特币中本聪一样。我们不知道这个人是否真的存在，我们可能永远不会获得更多关于她/他的信息。
除了从 OpenTensor 基金会（一个支持 Bittensor 开发的非营利组织）获得资金外，Bittensor 尚未透露任何著名顾问或主要投资者。 Bittensor 还没有宣布任何官方合作伙伴关系。
论点
大多数科技公司的估值远低于出名前的估值，但人工智能公司目前的估值倍数和增长率都已达到最高水平。
由于市值远低于行业巨头，Bittensor 实际上可能是大规模/高需求人工智能应用和开源模型使用的完美游乐场。
显然，衡量上行空间的最简单比较是与 OpenAI 的私人估值 $29B 进行比较。不管现实与否，这比 $TAO 的 FDV 高出 28 倍多一点。考虑到全部供应量进入流通需要多长时间，我们可以利用流通市值得出一个大概数字，其中 OpenAI 的私人估值超过 $TAO 市值的108倍。
然而，这是一种高度投机的方法，可以简化为对可以从人工智能和加密货币交叉点受益的项目进行押注。
要记住的最重要的特征是 Bittensor 正在解决人工智能的中心化问题。目前，少数公司控制着少数大型且强大的模型，但它们都是孤立的，几乎没有任何协作或知识共享。
孤立的人工智能模型无法相互学习，因此是非复利的（研究人员每次创建新模型时都必须从头开始）。这与人工智能研究形成鲜明对比，在人工智能研究中，新研究人员可以在过去研究人员的工作基础上进行研究，产生复利效应，促进创意发展。
孤立的人工智能在功能上也受到限制，因为第三方应用程序和数据集成需要模型所有者的许可（以技术合作伙伴关系和业务协议的形式）。这种限制直接影响人工智能的价值和效用，因为它的价值取决于它能有效支持的应用范围。
这种中心化、赢家通吃的环境对于资源较少的小团队来说并不有利。在此背景下，Bittensor 的核心优势在于其去中心化网络和激励机制，以鼓励小团队和研究人员将其工作货币化。
如果 Bittensor 成功缩小与 GPT-4 等领先闭源 AI 提供商的性能差距，它可能会成为加密货币和 AI 领域的开发人员、企业和研究人员的首选。其开放和协作的性质使其成为封闭生态系统的有吸引力的替代品，有可能带来广泛采用。
最终，TAO 的估值可以来自网络的效用（建立在其之上的经济活动），也可以来自协议的直接现金流。
- 作为实用型代币，$TAO 需要访问网络。因此，其估值可以根据建立在其之上的经济效用得出。
- 作为质押代币，持有者可以将 $TAO 委托给验证者并获得网络收入的一部分。
- 我们还可以根据市场份额和多重假设来衡量回报（这也会导致预测值不可靠）。
由于效用对于价值来说更加主观和抽象，因此我们可以从现金流开始。假设ML市场未来能够达到一定的市场规模（参见Precedence Research估计 如下图所示），我们可以根据 Bittensor 网络的潜在市场份额和收入倍数对其进行估值。
无论估计的市场规模如何，Bittensor 仍然是一个高度专业化且难以理解的复杂项目，这阻碍了开发人员的轻松入门和用户的采用。
该项目仍处于开发的早期阶段，网络可能会出现意想不到的问题。例如，6月份，矿工之间串通在网络中进行博弈，导致$TAO在市场上被出售。临时解决方案是将排放量减少90%，以便为 Opentensor 基金会提供额外的时间来研究解决方案，以保持网络诚实并允许协议按预期运行。
目前网络上的大多数产品也无法与中心化交易对手竞争，并且到目前为止采用率较低。学习和亲自尝试的最佳方法是试用Bittensor Hub网站上提供的服务。
我们还应该问一个问题：比特币代币经济学对于专门提供像 Bittensor 这样的人工智能服务的网络是否有意义。对于需要越来越多的矿工和应用程序来扩展的网络来说，也许 BTC 的通货紧缩性质并不是最好的。理想情况下，代币应随着网络采用的增长而膨胀，更像是数字石油而不是数字黄金。在某种程度上，这已经是内置的，激励矿工相互竞争并在 200 多年的时间里分配供应。
另一个挑战是隐私，因为在数据通过神经网络之前不可能对其进行加密。在去中心化的环境中，这甚至更成问题，因为经过学习和/或推理过程的任何数据肯定不是私有的。诚然，这也是中心化的一个潜在问题，但你只需要担心1个已知的一方会看到你的数据，而不是未知的许多方。
经济学
代币价格
相对于 ATH 和 ATL 的价格
供应分配
结语
Bittensor 可以成为人工智能和加密货币交叉领域的有力赌注。然而，它无疑是评估其增长率和潜在上涨空间的最复杂的项目之一。
去中心化网络显然有很大的潜力来利用人工智能的效用，特别是在激励开源模型和去中心化网络所有权时更是如此。然而，建立在 Bittensor 之上的服务和业务案例还不够有竞争力。
AI也是一个需要巨额运营费用和大量资金的行业，只有行业巨头才能实现。从这个意义上说，Bittensor 是一个非常逆向的赌注，这就是为什么要考虑尽可能多的风险/回报因素。
参考资料
Bittensor – TAO
- 网站
- 文档
- 白皮书
- Yuma共识
- 浏览器
- Taobridge
- 代表
- Taostats
- Tao资讯
- Coingecko
- 推特
- Discord
- 社区电报群
- Github
- @Bittensor">YouTube
- Opentensor 基金会博客
- Opentensor 基金会LinkedIn
- Bittensor 子网模板
- 验证者列表
外部资料
披露
Revelo 英特尔从未与 Bittensor 建立过商业关系，本报告并未以任何方式付费或委托。
Revelo Intel 团队的成员，包括直接参与上述分析的人员，可能对所讨论的代币有立场。
该内容仅供教育目的，并不构成财务或投资建议。请务必做好自我研究，并只投资您能承受损失的部分。Revelo Intel 是一个研究平台，而不是投资或财务顾问。
声明：
- 本文转载自 [revelointel]，著作权归属原作者[revelointel]，如对转载有异议，请联系Gate Learn团队，团队会根据相关流程尽速处理。
- 免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。
- 文章其他语言版本由Gate Learn团队翻译， 在未提及Gate.io的情况下不得复制、传播或抄袭经翻译文章。
Related articles
什么是比特币?
万字详解：Bittensor网络和代币TAO如何革新AI行业
介绍
随着人工智能最近的飙升和普及，许多人对人工智能和加密货币的重叠提出了不同的论点。这些创新有可能彻底改变我们数字生活的各个方面，从管理数字资产到保护知识产权和打击欺诈。值得注意的是，这种融合引发了两大明显的趋势：
- 人工智能与区块链基础设施的集成，例如 Render ($RNDR)、Akash ($AKT) 或 Fetch.ai ($FET)。
- 协议的出现推动机器学习智能的产生，例如 Bittensor ($TAO)。
在区块链出现之前，AI应用主要集中在基础设施上，致力于实现AI/ML模型存储和GPU租赁。这导致了诸如代币激励的强化学习、zkML 和基于区块链的身份注册来打击深度造假的趋势。与此同时，一个平行的趋势正在蓄势待发：协议激励智能。
在本报告中，我们深入研究了人工智能和加密货币的交叉点，重点关注 Bittensor 和 $TAO 代币，探讨它们在点对点智能市场和数字商品市场兴起中的作用。
通过10月2日举行的最新革命升级，我们还提供了历史概述、行业前景、竞争分析以及对 $TAO 价值主张的见解。
概述
Bittensor 是一个开源协议，其核心使命是：通过区块链驱动的激励结构来推动人工智能的发展。在这个生态系统中，贡献者因其贡献而获得 $TAO 代币奖励。
Bittensor 是一个挖矿网络，利用代币激励来鼓励用户参与，同时坚持开放和去中心化的原则。在该网络中，多个节点托管机器学习模型，共同构成智能池。在分析大量文本数据、提取语义以及在各个领域生成有价值的见解方面，这些模型发挥着至关重要的作用。
从用户的角度来看，其基本功能包括查询网络以获取智能、让矿工和验证者参与 $TAO 代币挖矿以及钱包和余额监控。
Bittensor 的网络离不开各种利益相关者的贡献，包括矿工、验证者、被提名者和消费者。这种协作方法可让最好的人工智能模型与众不同，从而提高网络提供的人工智能服务的质量。
其供应侧有两层：人工智能（矿工）和区块链（验证者）。
- Bittensor 网络中的矿工托管人工智能模型并将其提供给网络，其成功取决于其提供的质量和性能。
- 矿工根据他们对网络贡献的智能获得 $TAO 补偿（尽管这取决于手头的具体任务）。
- 顶级型号的需求量更大，可以为矿工带来更多收入。
- 验证者是网络内的评估者。他们评估人工智能模型的质量和有效性并管理用户请求。通过这种方式，验证者可根据特定任务的性能对模型进行排名，帮助消费者找到最佳解决方案。评估越准确、一致，他们获得的奖励就越多。同样，不一致的评估可能会导致处罚，这确保验证者保持高标准。
- 验证者会受到 $TAO 的激励，根据矿工的“智能贡献”对他们进行排名。
- 验证者还负责路由输入以产生最佳输出。这是通过在相互补充（子网络）的矿工（模型）之间形成联盟来实现的。
在需求方面，开发人员可以在验证者之上构建应用程序，利用（并支付）来自网络的特定于用例的人工智能功能。
- 提名者是持有 $TAO 代币并通过将代币委托给特定验证者来积极支持特定验证者的个人。这个委托可帮助验证者获得更多的支持和奖励。被提名者本身会因参与这一过程而获得奖励。如果验证者表现不佳或者被提名者认为有更好的选择，他们就可以将支持转移给另一个验证者。
- 消费者是 Bittensor 提供的 AI 模型的终端用户。他们的范围包括从将人工智能功能集成到应用程序中的应用程序开发人员，再到寻求高质量响应的聊天机器人用户。
- 消费者优先考虑获得准确且有价值的答案。
- 特别是开发人员，会选择他们认为最能满足其要求的验证者，以确保向用户提供一流的人工智能服务。
上面列出的利益相关者之间的协调产物会产生一个网络，该网络可为给定用例推广最佳模型。由于任何人都可以进行实验，因此闭源企业甚至很难与之竞争。
信用(来源：David Attermann的《AI 乐高积木：Bittensor 论文》）
最常见的误解之一是网络支持机器学习训练。在目前的状态下，Bittensor 完全支持推理，即根据证据和推理得出结论并提供响应的过程。另一方面，培训是一个独特的过程，涉及教授机器学习模型来执行任务。这是通过向模型提供大量标记示例数据集来实现的，使其能够学习数据和标签之间的模式和关联。与此同时，推理利用经过训练的机器学习模型对新的、未见过的数据进行预测。例如，可以采用经过训练对图像进行分类的模型进行推理，以确定以前未见过的新图像的类别。
因此，需要注意的是，Bittensor 并不执行链上 ML，其功能更像是链上预言机或连接和编排链下 ML 节点（矿工）的验证者网络。这种配置创建了一个去中心化的专家混合 (MoE) 网络，这是一种 ML 架构，它混合了针对不同功能优化的多个模型，以形成更强大的整体模型。
点对点智能市场
Bittensor 的点对点智能市场是人工智能开发领域的一个开创性概念，提供了一个去中心化且非许可的平台，与 OpenAI 或谷歌 Gemini 等更封闭的模型形成鲜明对比。
该市场旨在促进竞争性创新，推动人工智能行业的发展，并使全球开发者和用户社区能够使用人工智能。任何形式的价值都可以受到激励——一个为任何数字商品激励/创建公平市场的协议。
换句话说，该协议体现了一种在网络内参与者之间交换机器学习能力和预测的点对点方法。它促进了机器学习模型和服务的共享和协作，有利于可托管开源和闭源模型的协作和包容性环境。
数字商品市场的兴起
Bittensor 的独特之处在于它为数字商品市场的出现奠定了基础，有效地将机器智能转变为可交易资产。该协议的核心是建立一个机器智能商品化的市场。
与遗传算法非常相似，Bittensor 的激励系统不断评估矿工的表现，并随时间选择或回收矿工。这个动态过程确保网络保持高效并能够响应不断变化的人工智能开发格局。
在 Bittensor 智能市场中，价值生成遵循双重方法：
- 由矿工（称为贡献者）托管的高性能人工智能模型会以 $TAO 代币的形式获得奖励。
- 评估和利用智能的验证者也将获得 $TAO 代币奖励。
值得注意的是，Bittensor 不仅仅奖励原始性能，还强调最有价值“信号”的生成。这意味着奖励系统优先考虑为广大受众提供实质性利益的信息创建，最终有利于开发更有价值的商品。
Yuma共识
作为独立的第1层区块链，Bittensor 由 Yuma 共识算法提供支持。它是一种去中心化的点对点共识算法，可以在节点网络中公平分配计算资源。
Yuma 采用结合了工作量证明 (PoW) 和权益证明 (PoS) 元素的混合共识机制。网络内的节点执行计算工作以验证交易并创建新区块。然后，这项工作将由其他节点进行验证，成功的贡献者将获得代币奖励。PoS 组件鼓励节点持有代币，使节点的利益符合网络的稳定性和增长。
与传统的共识机制相比，这种混合模型具有多种优势。一方面，它避免了通常与工作证明（PoW）相关的过度能源消耗，解决了环境问题。另一方面，它规避了权益证明（PoS）中出现的中心化风险，保持了网络的去中心化和安全性。
Yuma 共识机制具有在广泛的节点网络上分配计算资源的能力，因此而脱颖而出。这种方法具有深远的影响，因为它可以轻松处理更复杂的人工智能任务和更大的数据集。随着网络包含更多节点，它自然会扩展以适应日益增加的工作负载。
与依赖单个服务器或集群的传统中心化人工智能应用程序相比，Yuma 支持的应用程序可分布在节点网络中。该分布优化了计算资源，使其能处理复杂的任务，同时减轻了与单点故障和安全漏洞相关的风险。
知识精炼——数字蜂巢思维
知识精炼（Knowledge Distillation）是 Bittensor 协议中的一个基本概念，可促进网络节点之间的协作学习，以提高性能和准确性。与人脑中的神经元协同工作的方式类似，知识精炼使节点能够在网络内集体改进。
此过程需要节点之间交换数据样本和模型参数，从而形成一个随时间进行自我优化以进行更精确预测的网络。每个节点都为共享池做贡献，最终提高网络的整体性能，使其更快、更适合机器人和自动驾驶汽车等实时学习应用。
至关重要的是，这种方法降低了灾难性遗忘的风险，这是机器学习中的常见挑战。节点保留并扩展现有知识，同时融入新的见解，增强网络的弹性和适应性。
通过跨多个节点分发知识，Bittensor TAO 网络在处理中断和潜在的数据泄露时也变得更有弹性。这种稳健性对于处理高安全性和隐私敏感数据（例如财务和医疗信息）的应用程序尤其重要（稍后将详细介绍隐私）。
专家组合 (MoE)
Bittensor 网络进一步创新，引入了去中心化专家混合 (MoE) 的概念。这种方法利用了多个神经网络的力量，每个神经网络专门研究数据的不同方面。当引入新数据时，这些专家会合作产生比任何个别专家单独实现的更准确的集体预测。
所采用的共识机制将深度学习与区块链共识算法相结合。其主要目标是将权益分配给为网络贡献最大信息价值的同行。从本质上讲，它奖励那些增强网络知识和能力的人。
Bittensor 协议的核心由参数化函数组成，通常称为神经元。这些神经元以点对点的方式分布，每个神经元都持有记录在数字账本上的零个或多个网络权重。节点积极参与相互排名，训练神经网络以确定其相邻节点的值。这个排名过程对于评估各个节点对网络整体性能的贡献至关重要。
通过此排名过程生成的分数会累积在数字分类账上。排名较高的同行会获得金钱奖励，从而在网络中获得额外的权重。这在同伴的贡献和奖励之间建立了直接联系，提升了网络内的公平性和透明度。
这种方法提供了一个市场，其中其他智能系统通过互联网以点对点的方式对智能进行定价。它激励同行不断提高他们的知识和技能。
为了确保奖励的公平分配，Bittensor 采用了 Shapley 值，这是一个借鉴自合作博弈论的概念。Shapley 值提供了一种公平有效的方法，可根据网络同伴的贡献在他们之间分配奖励。这种激励与贡献的结合激励节点按照网络的最佳利益行事，从而提高网络的安全性和效率，同时推动持续改进。
Bittensor 的核心使命是通过去中心化框架促进人工智能领域的创新和协作。该框架实现了知识的快速扩展和共享，创建了一个不断增长且势不可挡的信息库。在这个市场中，开发人员能够将他们的人工智能模型货币化，并为企业和个人提供有价值的解决方案。
Bittensor 在未来的愿景是让人工智能模型能在各个行业中轻松访问和部署。这种可访问性将推动了进步并释放了新的可能性，缩小了人工智能功能和现实应用程序之间的差距。
与 Chat GPT 等著名的全球人工智能模型非常相似，Bittensor 模型基于通用数据集生成“代表”。为了评估模型性能，Fisher的信息 利用它来预估从网络中删除节点的影响，类似于人脑中神经元的丢失。
除了模型排名之外，Bittensor 还非常重视交互式学习。每个模型都会积极地与网络交互，寻求与其他模型的交互，类似于 DNS 查找。Bittensor 充当 API，利用开源和闭源模型促进这些模型之间的数据交换，推动协作学习和知识共享。
该生态系统利用 Yuma 共识来确保每个人都遵守规则，成为开源开发人员和人工智能研究实验室的驱动力，提供经济激励来增强开放基础模型。
从本质上讲，Bittensor 的作用是不断扩展的机器智能存储库。这是通过将4个不同的层组合在一起来实现的：
- 矿工层负责在网络内创作有价值的作品。
- 验证者层确保矿工遵守既定的共识规则。
- 企业层以现有基础设施为基础开发创新产品和服务。它是一个利用网络集体智慧创建新解决方案的平台。
- 消费者层从企业层所做的工作中受益。它代表使用 Bittensor 网络支持的产品和服务的终端用户或组织。
历史
Bittensor 由雅各布·斯蒂夫斯 和阿拉沙班（以及一位匿名白皮书作者 Yuma Rao）这两位人工智能研究人员于2019年创立。他们当时正寻找一种使人工智能可复合的方法，并很快意识到加密货币可能是解决方案——一种激励和协调全球机器学习节点网络以共同训练和学习特定问题的方法。添加到网络中的增量资源提高了整体智能，使之前的研究人员和模型所做的工作更加复杂。
2021年1月，“Kusanagi”得以推出，开启了 Bittensor 的旅程，标志着该网络的激活，并允许矿工和验证者开始赚取第一批 $TAO 奖励。然而，由于共识问题，这个最初的迭代被暂时停止。为应对这一问题，Bittensor 于2021年11月将“Kusanagi”分叉为“Nakamoto”。
2023年3月20日，“Nakamoto”再次分叉，演变为“Finney”，这是一个重要的里程碑。此次升级的目的是增强内核代码的性能。
值得注意的是，Bittensor 最初的目标是成为 Polkadot 上的平行链，并通过1月份的成功拍卖获得了平行链席位。然而，出于对 Polkadot 发展速度的担忧，团队决定利用自己的独立的、基于Substrate创建的第1层区块链而而不是 Polkadot。
当前状态
Bittensor 已在主网上运行有一年之多，其重点是开拓性研究并为其未来潜力奠定基础。以下是当前状态的概述以及尚未在其验证者之上构建业务用例的原因：
- 稀疏混合模型：Bittensor 作为一个整体运行稀疏混合模型。它将特定的人工智能模型吸引到这种混合物中，每个模型都在解决验证者定义的更大问题中扮演着利基角色。配置和调整该模型以达到最先进的水平通常复杂且需要迭代。此阶段的路线图目前由 Opentensor 基金会负责。
- 智能压缩（精炼）：智能压缩是 Bittensor 的核心研究重点。这涉及到提高网络效率和能力的精炼技术。
- 为宏伟目标而优化：Bittensor 的主要重点是优化宏伟目标，而不是短期业务用例。 Opentensor 致力于创建一个超越简单点对点平台且具有模型定价系统的网络。
- 进展与更新：在过去的一年里，Opentensor 取得了重大进展，包括 Synapse 更新，该更新向外部请求开放了 Bittensor。2023年20月，Revolution 升级实现了通过子网的扩展。这使得大型验证者能够独立定义问题，从他们的权益中创造现金流机会。
- 走向现实世界的扩展：Finney 网络标志着 Bittensor 的一个转折点，允许验证者更加独立地行动并降低最初的中心化。随着网络权益的增长和区块奖励的增加，它推动了人工智能的增长。
- 即将出现的人工智能业务用例： Bittensor 设想，随着包括人类和人工智能在内的利益相关者遵循他们的激励措施，现实世界的人工智能业务用例将得到扩展。多模态和元模态的实施即将到来，将子网络合并为统一的“智能”格式。
通过最新的 Revolution 升级，Bittensor 使任何人都能够创建专门针对特定类型应用程序的子网。例如，子网4使用JEPA （联合嵌入预测架构），这是 Meta 首创的一种人工智能方法Yann LeCun，用于在单个模型中处理各种输入和输出类型，例如视频、图像和音频。
另一个令人瞩目的成就是Cerebras, BTLM-3B-8K。这是 Bittensor 语言模型，一种 3B 参数模型，可以在移动设备上运行高精度和高性能模型，从而大大提高 AI 的可访问性。BTLM-3B-8K 可在Hugging Face获得，具有用于商业用途的 Apache 2.0 许可证。
大型 GPT 模型通常具有超过 100B 的参数，需要多个高端 GPU 才能执行推理。然而，Meta 发布的 LLaMA 为世界提供了低至 7B 参数的高性能模型，使得在高端 PC 上运行 LLM 成为可能。
但即使是量化到4位精度的 7B 参数模型也不适用于 iPhone 13（4GB RAM）等许多流行设备。虽然 3B 型号几乎适合所有移动设备，但之前的 3B 尺寸型号的性能远远低于 7B 型号。
BTLM 在模型大小和性能之间取得了平衡。它拥有 30 亿个参数，其准确性和功能水平明显优于以前的 3B 大小模型。
在查看各个基准时，BTLM 在除 TruthfulQA 之外的每个类别中得分最高。
BTLM-3B 不仅性能优于所有 3B 型号，而且其性能也与许多 7B 型号一致。
Revolution：Bittensor 子网升级
Bittensor 的 Revolution 升级于10月2日启动，标志着 Bittensor 发展的一个重要里程碑，为其运营结构带来了重大变化。此次升级的核心是引入“子网”，这是一个开创性的概念，赋予开发者前所未有的自主权，让他们能够在 Bittensor 生态系统中制定激励机制并建立市场。
此次升级的一个关键特点是引入了专门为制定激励系统而设计的专用编程语言。这项创新使开发人员能够在 Bittensor 网络上创建和实施他们的激励机制，利用其广泛的智能库根据他们的特定要求和偏好定制市场。
此次升级还体现了显著背离中心化模型的方面：在中心化模型中，单一基金会控制网络的所有方面，转向更加去中心化的框架；而现在，各种个人或团体都有机会拥有和管理子网。
随着“子网”的引入，任何人现在都可以创建自己的子网并定义自己的激励机制，从而在 Bittensor 生态系统中培育更广泛的服务。这一转变促进了网络内的多样性和去中心化，符合支持 Bittensor 使命的开放和协作原则。
此外，子网将通过在新的“路由网络”中获得代表的共识来竞争释放，引入可以推动创新和资源分配的竞争元素。
用户创建的子网的出现可以让人联想到以太坊向全球开发者社区敞开大门后应用程序的爆炸式增长。此次升级还强调了将各种工具和服务合并到一个有凝聚力的网络中的潜力。从本质上讲，打造智能所需的每个元素现在都集中在一个屋檐下，并由单一代币（$TAO）监管。
路由网络
路由网络是 Bittensor 生态系统中的关键组成部分。它充当一个元子网，在跨其他子网分配排放方面发挥着至关重要的作用，所有这些都基于关键代表的加权共识。这种转变本质上是变革性的，因为它从根本上将 Bittensor 从单一受控系统转变为动态的“各种网络的网络”。
至关重要的是，释放时间表不再仅仅由政府控制Opentensor基础。 “根”网络内的代表现在拥有激励分配的权力。这种转变使激励的控制权去中心化，消除了对任何单一实体的单独依赖，并将其置于“根”网络手中。
子网
Bittensor 网络内的子网是独立的激励机制，为矿工与平台互动提供了框架。这些子网在定义管理矿工和验证者之间交互的协议方面发挥着关键作用。
此外，激励机制的细节不再硬编码在 Bittensor 代码库中。相反，这些详细信息是在子网存储库中定义的，从而具有更大的灵活性和适应性。
Bittensor引入了特定的子网络，例如提示子网络和时间序列子网络。提示子网络能够执行各种提示神经网络，包括 GPT-3、GPT-4、ChatGPT 等，以进行去中心化推理。此功能允许用户与网络上的验证器交互，并从性能最佳的模型中获取输出，从而为他们的应用程序提供先进的人工智能功能。
子网的运行方式是根据矿工和验证者对网络贡献的价值，将 $TAO 代币分配给他们。矿工响应验证者查询的精确规则，协议以及验证者进行的评估过程由每个子网存储库中的代码确定。
- 发布时，将提供9个子网插槽，每个插槽默认可容纳256个 UID（子网1除外，可容纳 1024个UID）。子网将通过寻求“根”网络内代表的共识权重来积极竞争排放。
- 要注册子网，个人或实体必须在子网存在期间锁定特定数量的 $TAO。子网所有者承担完整的网络管理员的角色，并有权通过其各自的子网分配排放。他们拥有完整的权限，包括通过网络调用 sudo 操作的能力，例如设置网络最低速率等超参数。
- 每个子网都与一个唯一的网络 UID 相关联，子网的所有权将转移到锁定其注册所需金额的 $TAO 的钱包。当子网创建时，相应数量的$TAO将从创建者的钱包中扣除并附加到子网中。如果子网被注销，锁定的 $TAO 将返回给所有者。
- 值得注意的是，子网内质押 $TAO 返还的释放量的18%奖励给子网所有者。这会激励子网创建者制定吸引路由网络上的代表的机制，因为这降低了他们被注销的风险。
- 新注册的子网将获得为期一周的豁免期，在此期间无法取消注册。初始锁定成本设置为 2500 $TAO，新子网注册时会加倍。随着时间的推移，锁定成本逐渐下降，遵循类似于荷兰式拍卖机制的线性模式。该方法旨在通过随时间调整锁定成本来找到子网时隙需求的平衡。
- 当子网被注销时，为其注册而锁定的$TAO将返回给所有者，子网内的所有矿工都将被删除，并且网络状态将被重置。
根网络
根网络充当“元子网”，在之上运行并影响其他子网，同时在确定整个系统的排放分数方面发挥关键作用。
其主要功能是采用涉及代表的加权共识机制来为每个子网生成释放向量。“根”网络中的代表根据自己的偏好为不同子网分配权重，共识机制最终决定排放量的分配。
一个值得注意的方面是，“根”网络有效地巩固了参议院和代表机制的作用，将这些职能整合为一个实体。这种整合简化了 Bittensor 生态系统内的决策流程。
“根”网络拥有通过影响排放分配来塑造生态系统的权力。如果它认为某个子网或系统的某个特定方面没有价值，它就有能力减少或消除对该组件的排放。
Bittensor 网络内的子网必须积极努力吸引“根”网络内代表的大部分权重，以确保获得重要的排放份额。这种竞争性强调了子网在向更广泛的生态系统展示其价值和实用性方面的重要性。
此外，它还赋予网络内的前12个密钥权力，有可能否决三巨头提交的提案，从而为系统增加了额外的治理和制衡层。
行业展望
在科技领域，权力长期集中在少数科技巨头手中。这些巨头一直控制着对推动创新至关重要的有价值的数字商品。然而，Bittensor 通过其市场引入了更加民主且易于访问的系统，承认并挑战了这种流行的模式。
Bittensor 的基本见解在于理解智能是各种数字商品（例如计算能力和数据）的结果。从历史上看，这些商品一直受到严格控制，仅限于科技巨头的领域。Bittensor 试图通过引入用户创建的子网来打破这些链条。这些市场将在统一的代币系统下运作，确保世界各地的开发者能够平等地获得资源，而这些资源以前是大型科技公司封闭生态系统中少数人的专属领域。
潜在采用率
在当今的数字时代，人工智能 (AI) 的变革力量是不可否认的。人工智能已经成为我们生活中不可或缺的一部分，它精简了研究、自动化工作流程、协助编码以及从文本生成内容的效率。人工智能能力的快速增长是显而易见的，但这种增长也带来了与可扩展性以及最重要的可靠性相关的挑战。
最近发生的事件，例如 ChatGPT 在华盛顿讨论人工智能法规期间的暂时中断，凸显了迫切需要强大的解决方案来应对人工智能的扩展问题。随着人工智能越来越融入我们的日常生活，这些中断让用户担心人工智能的稳定性和可靠性。正是在这样的时刻，Bittensor 的 $TAO 的重要性才变得显而易见。
Bittensor 的方法不仅支持开源人工智能，而且还表明它在经济上可以是一项回报丰厚的追求。它反映了比特币挖矿领域的竞争演变，并为市场的繁荣发展创造了有利条件，让最好的人工智能模型脱颖而出。这种转变使人工智能研究人员能够将他们的专业知识贡献给开放和动态的环境，最终造福整个社会。
$TAO 提供了一种去中心化的人工智能基础设施，可以缓解 ChatGPT 遇到的潜在问题。通过去中心化 AI，Bittensor 确保了 AI 系统的弹性和可靠性，即使其需求不断增长。这种方法为人工智能服务的未来奠定了可靠的基础。
简而言之，Bittensor 已成为开源人工智能的全球市场，为解决闭源人工智能开发带来的挑战提供了令人信服的解决方案。
- 人工智能卓越的引力： Bittensor 作为一种引力，吸引了全世界研究人员最优秀的人工智能模型。通过培育人工智能的自由市场，该网络鼓励提交尖端模型。随着它的成熟，Bittensor 承诺更低的价格，消除平台风险，并提供最好的人工智能输出，无论是文本、图像、视频还是其他格式。
- 可盈利的开源：Bittensor 将开源人工智能转变为一项可盈利的事业。效仿比特币的例子，Bittensor 的构建假设利益相关者是利润驱动的。在这个生态系统中，最好的人工智能模型能赚到最多的钱。它与比特币挖矿的发展并行，转变为一个竞争激烈的专业化行业。博士研究人员现在有机会将他们的研究成果带到这个开放市场，缩小学术界和私营企业之间的差距。
- 可观的规模：Bittensor 的激励措施取得了显著成效。该网络为 4,000 多个 AI 模型提供服务，其中包含10 万亿个模型参数，十分惊人。从这个角度来看，GPT-3有1750亿个参数。
- 多元化的利益相关者：Bittensor 的生态系统涉及一系列利益相关者，包括矿工、验证者、被提名者和消费者。这种多元化的参与确保了网络的稳健性和持续增长。
一个重要的考虑因素是人工智能的当前状态，其中大部分仍处于闭门状态，并处于少数科技巨头的控制之下。这就提出了一个问题：如果人工智能可以开放并在协作环境中向其他人工智能模型学习，那么会怎样？ Bittensor 的 $TAO 试图为这个问题提供一个解决方案。
- 按增长采用：虽然一些主要的人工智能公司可能会犹豫是否公开其专有的人工智能技术，但 $TAO 提供了一个值得关注的提议。它引入了通过微交易进一步货币化的可能性。想象一下，每次有人在 Bittensor 生态系统中使用他们的训练模型来构建他们的产品和业务时，OpenAI 等成熟的人工智能解决方案都会接受小额支付。这可以为这些公司开辟新的收入来源，鼓励他们参与开放的人工智能网络。
- 按需求采用：或者，假设当前的人工智能解决方案仍然是封闭的并且对开放网络有抵抗力。即使拥有大量资金可供支配，开源也有可能超越这些资金雄厚的解决方案。虽然财政资源对于技术发展至关重要，但能够自主学习并从环境中学习的技术的潜力不应被低估。
开源困境
随着人们对人工智能对齐问题的担忧不断加剧，围绕人工智能模型是否应该开源的争论日益引人关注。根本问题是人工智能模型背后的实际代码是否应该可供每个人免费访问。有趣的是，即使像 OpenAI 这样的主要参与者开源他们的模型，也不一定会对 Bittensor 构成威胁。在开源环境中，任何人都可以在 Bittensor 网络上使用这些模型。
科技界内部对于此事存在不同意见。一些人认为，开源人工智能技术可能会让恶意行为者利用人工智能达到有害目的。相反，其他人则认为，向大公司授予人工智能技术的专有权会带来更大的危险。例如，将人工智能权力集中在几家价值数万亿美元的公司手中，正如 OpenAI 专注于筹集大量资金一样，可能会导致道德问题，凸显权力腐败的风险。
Meta 决定开源他们的Llama2 LLM，这表明该行业正在转向采用开源实践。此举为 Bittensor 提供了学习 Meta 的进步并将其整合到其网络中的机会，从而更快地缩小性能差距。
有必要检查 $TAO 和 OpenAI 的估值。目前，OpenAI在行业中占据主导地位，其估值介于 $80B 至 $90B 之间。然而，它在一个封闭的生态系统中运行，严重依赖微软及其许可的云服务。尽管如此，OpenAI 仍成功吸引了来自全球的顶尖人才。另一方面，随着时间的推移和开源计划变得更加普遍，可用人才库将呈指数级增长，覆盖互联网的每个角落。人工智能专业知识的民主化可能在影响 Bittensor 的采用方面发挥至关重要的作用。
竞争格局——中心化人工智能
开发者的采用仍然是 Bittensor 发展历程中的关键因素。目前，开发人员可以通过 OpenTensor 基金会开发的 Python API 与网络互动，这凸显了培养强大的开发人员社区以推动采用的重要性。如今，Bittensor 正在积极致力于网络关键方面的去中心化，例如模型创建和训练，奖励最精细调整的模型，同时促进社区驱动的决策。
有趣的是，人工智能领域的老牌企业，包括 OpenAI 和谷歌，现在已经成为 $TAO 的竞争对手。他们深入参与人工智能的模型生成阶段，甚至涉足各个行业内潜在的垂直整合。在这种背景下，$TAO 面临的主要挑战之一是数据划分问题。
与 Facebook、苹果、亚马逊、Netflix 和谷歌 (FAANG) 等科技巨头不同，它们可以访问大量有意义的数据存储库，而众包社区可能缺乏同等水平的资源和数据访问权限。 FAANG 组织具备财务手段，可以通过强大的硬件（例如 Nvidia 的尖端技术）支持其 AI 工作，包括 H100 和 GH200，可以大大加速 AI 模型训练。
同时需要注意的是，当今所有主流人工智能解决方案都具有封闭性和中心化的特点。其中包括 OpenAI、Google、Midjourney 等知名公司，每家公司都提供颠覆性的人工智能解决方案。然而，封闭模型和开源模型之间的差距正在迅速缩小。开源模型在速度、定制、隐私和整体功能方面正在取得进展。与封闭式同类产品相比，它们以相对适度的预算和参数大小实现了令人称赞的功能。此外，这些开源模型的运行速度更快，只需数周而不是数月即可交付结果。
谷歌本身就是一家科技巨头，它已经认识到了这一变革趋势。该公司的一份内部文件泄露表示：“我们没有护城河，OpenAI 也没有。”这一认可凸显了开源人工智能在竞争格局中日益增长的影响力。
在这个不断发展的人工智能生态系统中，$TAO 作为变革的催化剂出现，挑战了人工智能开发和培训的传统模式。其去中心化的方法和社区驱动的精神使其成为科技巨头曾经占据主导地位的动态舞台上的竞争者。
与限制访问单个人工智能模型的中心化平台不同，Bittensor 的架构提供了对智能的非许可的访问。它是人工智能开发人员的一站式商店，提供所有必要的计算资源，同时接受外部贡献。这种包容性模型将整个互联网的神经网络互连起来，创建了一个全球性、分布式、激励驱动的机器学习系统。
充分发挥人工智能的潜力需要摆脱闭源开发实践及其相关限制。正如孩子们通过社交互动扩大理解一样，人工智能也要在动态环境中蓬勃发展。接触不同的数据集、创新研究人员的见解以及与各种模型的交互有助于创建更强大、更智能的人工智能系统。人工智能的发展轨迹不应由单一实体决定。
在这个截然不同的未来中，要在由黑盒算法和集中权威主导的世界与开放、民主化的人工智能景观之间做出选择，这对于社会至关重要。
在第一种情况下，像 OpenAI 或 Anthropic 这样的大型企业掌握着人工智能解决方案的控制权，我们面临着生活受到持续监视制度控制的风险。这些公司将强有力地控制我们的个人数据和日常互动，有权关闭服务并报告个人的不同意见或讨论。
然而，更乐观的替代方案提供了一个人工智能扎根于开源平台，它建立在广泛拥有的网络上的世界。在这里，权力和控制是去中心化的，人工智能充当赋权工具而不是监视工具。在这种情况下，创造力和发展可以蓬勃发展，而不必担心公司偏见或审查制度。
正如互联网使信息获取民主化一样，开放的人工智能生态系统也将使智能获取民主化。它确保智能不会被少数人垄断，从而促进公平的竞争环境，让任何人都可以贡献、学习和受益。
$TAO 代币经济学
- 与比特币类似，$TAO 代币的总最大供应量上限为21,000,000枚，将在256年后发行。
- $TAO 减半将每1050万个区块发生一次，在未来 45 年以上的过程中将发生 64 次减半事件。
- 该网络的运行时间约为 12 秒，每挖掘一个区块，矿工和验证者获得1美元 TAO 的奖励。
- 目前，每天有 7,200 枚新的 $TAO 代币发行，在矿工和验证者之间均匀分配。
与比特币的另一个相似之处是，$TAO 的发行时间表也遵循减半的概念，大约每4年发生一次。然而，这是由代币发行总量决定的，而不是由区块数量决定的。例如，一旦发行了总供应量的一半，发行率就会减半。
重要的是，用于回收注册的 $TAO 代币销毁返回至未发行的供应中，导致减半间隔逐渐延长。这种机制确保发行时间表随时间动态调整，反映网络的需求和经济动态。
$TAO 代币经济
Bittensor 的 $TAO 代币经济的特点是简单、致力于去中心化和公平分配。与许多其他区块链项目不同，$TAO 代币并未通过 ICO、IDO、私募给 VC 或特权分配给团队、基金会或顾问的方式分配给任何一方。相反，每个流通的代币都必须通过积极参与网络来赚取。
网络中还有资本配置者，作为矿工或验证者参与并提供做市服务，例如 DCG、GSR 或多链。相关的是，他们都没有收到来自预售或私募的代币分配。
$TAO 代币可用于治理、质押和参与共识机制，以及作为 Bittensor 网络内的支付手段。
通过这种方式，验证者和矿工将他们的代币作为抵押品来保护网络并通过通货膨胀排放获得奖励，而用户和企业可使用 $TAO 来访问构建在网络上的人工智能服务和应用程序。
新的$TAO代币只能通过挖掘和验证来产生。网络奖励矿工和验证者，每个区块授予 1 $TAO 奖励，由矿工和验证者平均分配。因此，获取 $TAO 的唯一方法是在公开市场上购买代币或参与挖矿和验证活动。
$TAO 简单的代币分配模型反映了去中心化原则，让人想起中本聪设定的比特币精神。 $TAO 的创世铸造与比特币的排放时间表 ($BTC) 一致，为任何为网络贡献价值的人提供平等的机会。这种方法强调了防止权力和所有权中心化的重要性，特别是在人工智能领域，它具有重大的社会影响，不应由少数人控制。
这种分配模式确保采矿仍是一个竞争过程。随着越来越多的矿工加入网络，竞争加剧，保持盈利能力将面临挑战。这反过来又促使矿工寻找降低运营成本的方法，从而提高网络内的效率和创新。
$TAO 的价值捕获
$TAO 是 Bittensor 网络的原生代币，其内在价值源自其在生态系统中的独特作用。与网络代币通过出售区块空间获得价值的标准 L1 模型不同，$TAO 的价值与其支持的人工智能服务挂钩。随着这些人工智能服务变得更具影响力、实用性更强，对 $TAO 的需求也在增加。
持有 $TAO 可以访问各种互连的数字资源，包括由网络参与者生成和验证的数据、带宽和智能。正如排放计划所反映的，$TAO 的价值不仅仅基于投机或稀缺性，而是深深植根于它在 Bittensor 网络中提供的有形贡献和效用。
然而，维持这种创造和奖励的循环并不能得到保证。矿工和验证者在为网络贡献有价值的智能并赚取 TAO 代币作为回报的同时，也有动机出售以支付费用，类似于比特币矿工。
代币价格的价值如何？
与任何其他代币一样，$TAO 的价格由供求的基本经济原理决定。对 $TAO 的需求增加会导致价格升值，而需求减少会导致价格贬值。因此，我们的想法是，生态系统活动的需求将抵消供应释放。
您只能通过为网络做出贡献才能获得 $TAO。为此，您需要购买并持有或花费它才能开始使用网络。
- 需求驱动因素：
- 生态系统活动：
- 验证者需要 $TAO 代币进行注册。
- 用户可以购买$TAO来参与与智能对齐相关的投票过程。
- 用作网络内的支付。
- 需要质押并委托 $TAO 来赚取质押奖励。这有助于防止排放通胀。
- 投机溢价是押注区块链和人工智能等两种颠覆性技术融合的上行潜力的一种方式。
- 更多开发者进入网络并利用开源模型的潜力而产生的网络效应
- 生态系统活动：
- 供应驱动：
- 通胀排放代币发行总量达到21,000,000枚
- 矿工和验证者可以出售 $TAO 代币来支付运营费用。这方面类似于比特币矿工出售比特币以弥补成本。
随着网络的扩展以及更多人工智能模型和子网的添加，价值获取的潜力也在增加。人工智能和区块链之间的协同作用也推动了网络的增长，创造了一个自我强化的循环。
这样，Bittensor 体现了Metcalfe定律的原理，即网络的价值与连接的用户或节点数量的平方成正比。随着越来越多的参与者加入网络，它提供的价值呈指数级增长。
如何获取这样的价值
在 Bittensor 中，验证者会受到激励来吸引代币持有者的权益，而这种权益对于他们在网络中的运营至关重要。作为代币持有者，您可以选择各种不同的验证者来抵押您的 $TAO。最常见的选择是 OpenTensor 基金会本身，拥有约 20% 的网络所有权。
目前，验证者将 82% 的奖励以 $TAO 代币的形式分发给受托人。其结果是，委托 $TAO 向验证者提供代币，为代币持有者提供了赚取质押奖励的机会。这有助于保护用户免受通胀排放造成的潜在稀释。
- 验证者奖励目前占22.45%
- 目前质押奖励占18.41%
风险/回报和时间范围
在评估将部分投资组合分配给 $TAO 的风险/回报时，要了解您实际购买的是什么，这一点非常重要。例如，购买并不赋予持有者获得网络经济活动产生的以美元支付的任何形式的收益的权利。相反，您会获得代币排放作为奖励。作为代币持有者，您可以委托这些排放来赚取 APY 并增加您的 $TAO 持有量。
与比特币的类比很明显，但 BTC 背后的一个隐含的故事使其独一无二。对于 BTC 的价值是什么或为什么它具有某种价值的问题，没有人能够提供令人满意的答案，因此社区最终陷入了无币者、“垃圾币者”和比特币至上主义部落战争。
事实上，比特币的实际代币经济很容易理解：$BTC 用于激励矿工操作和运行网络。因此，现有持有者会被稀释（尽管他们可以成为矿工——或者在 Bittensor 的情况下成为代表）。因此，持有代币的人不会得到奖励，也不会从底层网络获得任何激励。
但就 BTC 而言，有一个重要因素需要考虑，那就是稀缺性。事实上，它的价值永远只有2100万美元，这一事实使其独一无二。尽管 $TAO 的代币经济是模仿比特币本身的，但仍有超过70%的代币未发行。这给投资者带来了一个两难的境地：他们更看重网络的去中心化，还是资产的稀缺性？
最后，$TAO 的效用源自它提供的人工智能模型访问权限、治理用途、获得质押奖励的机会以及作为激励机制的机会。
运营费用
目前的基础设施开发费用由Opentensor基金会使用代表团提供的资金以及代表团的奖励来支付。其他开发由运营自己的验证者的第三方进行，并通过委托提供资金。
正如任何全球计划都需要资金用于研究、开发和部署一样，人工智能的成功取决于如何协调资本以及如何奖励利益相关者的贡献。正是这种资源（研究、用于训练的 GPU 等）的战略分配推动了人工智能的发展和影响。
在人工智能领域，尤其是像 ChatGPT 这样的大型语言模型，运营成本非常高。例如，OpenAI 预计花费约每天 700,000 美元用于运营 ChatGPT，这凸显了与大规模人工智能模型相关的巨大财务负担。每个模型的培训成本可能从数百万美元到数千万美元不等，这使得它成为一项更加超级耗费资源的工作。在大型数据集上训练模型的成本可能更高，高达 3000 万美元。
尽管该公司已经筹集了大量资金，包括微软最近的投资（大约一半以 Azure 积分的形式），但训练大型语言模型的成本不断增长，这仍令人担忧。每次训练都要花费数百万美元，而新模型需要从头开始，这加剧了这个问题。
这就是 Bittensor 的“知识复合”方法发挥作用的地方。Bittensor 的独特方法侧重于通过“知识复利”进行去中心化和协作。这一理念允许人工智能系统以去中心化的方式建立在现有知识的基础上，具有以下优势：
- 成本效益：通过利用现有知识并不断改进，Bittensor 的方法有可能减少从头开始进行昂贵的再培训的需要。
- 适应性：大规模人工智能应用经常面临不断变化的需求和挑战。这就是去中心化方法使组织能够更灵活地调整其人工智能系统，确保它们在动态环境中保持相关性和有效性的地方。
- 去中心化：Bittensor 的去中心化网络为全球贡献者社区提供支持，减少对单一实体或中心化基础设施的依赖。这促进了人工智能开发的创新和多样性。
- 合作：知识复利的协作性质鼓励网络中节点之间的知识共享和合作学习，为人工智能的进步营造一个动态环境。
团队及投资者
Bittensor 是一种开源协议，为去中心化的、基于区块链的机器学习网络提供支持。Bittensor 背后的团队成员包括Jacob Steeves （创始人），Ala Shaabana （创始人），Jacqueline Dawn （营销总监），以及Saeideh Motlagh （区块链架构师）等。 Opentensor 基金会还计划今年扩大他们的团队。
Bittensor 的白皮书中也提到了一个名为 Yuma Rao 的化名，就像比特币中本聪一样。我们不知道这个人是否真的存在，我们可能永远不会获得更多关于她/他的信息。
除了从 OpenTensor 基金会（一个支持 Bittensor 开发的非营利组织）获得资金外，Bittensor 尚未透露任何著名顾问或主要投资者。 Bittensor 还没有宣布任何官方合作伙伴关系。
论点
大多数科技公司的估值远低于出名前的估值，但人工智能公司目前的估值倍数和增长率都已达到最高水平。
由于市值远低于行业巨头，Bittensor 实际上可能是大规模/高需求人工智能应用和开源模型使用的完美游乐场。
显然，衡量上行空间的最简单比较是与 OpenAI 的私人估值 $29B 进行比较。不管现实与否，这比 $TAO 的 FDV 高出 28 倍多一点。考虑到全部供应量进入流通需要多长时间，我们可以利用流通市值得出一个大概数字，其中 OpenAI 的私人估值超过 $TAO 市值的108倍。
然而，这是一种高度投机的方法，可以简化为对可以从人工智能和加密货币交叉点受益的项目进行押注。
要记住的最重要的特征是 Bittensor 正在解决人工智能的中心化问题。目前，少数公司控制着少数大型且强大的模型，但它们都是孤立的，几乎没有任何协作或知识共享。
孤立的人工智能模型无法相互学习，因此是非复利的（研究人员每次创建新模型时都必须从头开始）。这与人工智能研究形成鲜明对比，在人工智能研究中，新研究人员可以在过去研究人员的工作基础上进行研究，产生复利效应，促进创意发展。
孤立的人工智能在功能上也受到限制，因为第三方应用程序和数据集成需要模型所有者的许可（以技术合作伙伴关系和业务协议的形式）。这种限制直接影响人工智能的价值和效用，因为它的价值取决于它能有效支持的应用范围。
这种中心化、赢家通吃的环境对于资源较少的小团队来说并不有利。在此背景下，Bittensor 的核心优势在于其去中心化网络和激励机制，以鼓励小团队和研究人员将其工作货币化。
如果 Bittensor 成功缩小与 GPT-4 等领先闭源 AI 提供商的性能差距，它可能会成为加密货币和 AI 领域的开发人员、企业和研究人员的首选。其开放和协作的性质使其成为封闭生态系统的有吸引力的替代品，有可能带来广泛采用。
最终，TAO 的估值可以来自网络的效用（建立在其之上的经济活动），也可以来自协议的直接现金流。
- 作为实用型代币，$TAO 需要访问网络。因此，其估值可以根据建立在其之上的经济效用得出。
- 作为质押代币，持有者可以将 $TAO 委托给验证者并获得网络收入的一部分。
- 我们还可以根据市场份额和多重假设来衡量回报（这也会导致预测值不可靠）。
由于效用对于价值来说更加主观和抽象，因此我们可以从现金流开始。假设ML市场未来能够达到一定的市场规模（参见Precedence Research估计 如下图所示），我们可以根据 Bittensor 网络的潜在市场份额和收入倍数对其进行估值。
无论估计的市场规模如何，Bittensor 仍然是一个高度专业化且难以理解的复杂项目，这阻碍了开发人员的轻松入门和用户的采用。
该项目仍处于开发的早期阶段，网络可能会出现意想不到的问题。例如，6月份，矿工之间串通在网络中进行博弈，导致$TAO在市场上被出售。临时解决方案是将排放量减少90%，以便为 Opentensor 基金会提供额外的时间来研究解决方案，以保持网络诚实并允许协议按预期运行。
目前网络上的大多数产品也无法与中心化交易对手竞争，并且到目前为止采用率较低。学习和亲自尝试的最佳方法是试用Bittensor Hub网站上提供的服务。
我们还应该问一个问题：比特币代币经济学对于专门提供像 Bittensor 这样的人工智能服务的网络是否有意义。对于需要越来越多的矿工和应用程序来扩展的网络来说，也许 BTC 的通货紧缩性质并不是最好的。理想情况下，代币应随着网络采用的增长而膨胀，更像是数字石油而不是数字黄金。在某种程度上，这已经是内置的，激励矿工相互竞争并在 200 多年的时间里分配供应。
另一个挑战是隐私，因为在数据通过神经网络之前不可能对其进行加密。在去中心化的环境中，这甚至更成问题，因为经过学习和/或推理过程的任何数据肯定不是私有的。诚然，这也是中心化的一个潜在问题，但你只需要担心1个已知的一方会看到你的数据，而不是未知的许多方。
经济学
代币价格
相对于 ATH 和 ATL 的价格
供应分配
结语
Bittensor 可以成为人工智能和加密货币交叉领域的有力赌注。然而，它无疑是评估其增长率和潜在上涨空间的最复杂的项目之一。
去中心化网络显然有很大的潜力来利用人工智能的效用，特别是在激励开源模型和去中心化网络所有权时更是如此。然而，建立在 Bittensor 之上的服务和业务案例还不够有竞争力。
AI也是一个需要巨额运营费用和大量资金的行业，只有行业巨头才能实现。从这个意义上说，Bittensor 是一个非常逆向的赌注，这就是为什么要考虑尽可能多的风险/回报因素。
参考资料
Bittensor – TAO
- 网站
- 文档
- 白皮书
- Yuma共识
- 浏览器
- Taobridge
- 代表
- Taostats
- Tao资讯
- Coingecko
- 推特
- Discord
- 社区电报群
- Github
- @Bittensor">YouTube
- Opentensor 基金会博客
- Opentensor 基金会LinkedIn
- Bittensor 子网模板
- 验证者列表
外部资料
披露
Revelo 英特尔从未与 Bittensor 建立过商业关系，本报告并未以任何方式付费或委托。
Revelo Intel 团队的成员，包括直接参与上述分析的人员，可能对所讨论的代币有立场。
该内容仅供教育目的，并不构成财务或投资建议。请务必做好自我研究，并只投资您能承受损失的部分。Revelo Intel 是一个研究平台，而不是投资或财务顾问。
声明：
- 本文转载自 [revelointel]，著作权归属原作者[revelointel]，如对转载有异议，请联系Gate Learn团队，团队会根据相关流程尽速处理。
- 免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。
- 文章其他语言版本由Gate Learn团队翻译， 在未提及Gate.io的情况下不得复制、传播或抄袭经翻译文章。
Related articles