详解Bittensor(TAO) ：AI+区块链的革命性变革

Bittensor 是一种开源协议，为基于区块链的机器学习网络提供支持。机器学习模型协同训练，并根据它们为集体提供的信息价值在 TAO 中获得奖励。TAO 是 Bittensor 的原生代币，能够授予外部访问权限，允许用户从网络中提取信息，同时根据他们的需要调整其活动。

人工智能和加密货币的融合

随着人工智能最近的爆炸式增长和普及，许多人对人工智能和加密货币的交汇点提出了不同的论点。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，这种融合引发了两个突出的趋势：

1. 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)。
2. 激励机器学习智能生产的协议，例如 Bittensor (TAO)。

区块链之前的 AI 应用主要集中在基础设施上，实现了AI/ML（人工智能/机器学习）模型存储和 GPU 租赁。这导致出现了如通过代币激励的强化学习、零知识机器学习（zkML），以及基于区块链的身份注册以应对深度伪造的一些趋势。

与此同时，一种平行的趋势正在蓬勃发展，即激励智能的协议。

Bittensor是什么

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，贡献者因其努力而获得 TAO 代币奖励。

Bittensor 作为一个挖矿网络，利用代币激励来鼓励参与，同时坚持开放性和去中心化的原则。在该网络中，多个节点托管机器学习模型，共同为智能池贡献。

这些模型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发挥着至关重要的作用。

对于用户而言，基本功能包括查询网络以获取智能访问权限，与矿工和验证者参与 TAO 代币挖矿，并监管其钱包和余额。

Bittensor 的网络依赖于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。这种协作方式确保了最优秀的人工智能模型脱颖而出，提高了网络提供的人工智能服务的质量。

• 供应方有两层：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，矿工的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情报获得 TAO 补偿（尽管这取决于手头的具体任务）。
• 顶级模型的需求量更大，可以为矿工带来更多收入。
• 验证者充当网络内的评估者。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，验证者可以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。他们的评估越准确和一致，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，从而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。
• 验证器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的基础上构建应用程序，利用（并支付）来自网络的特定用例的人工智能功能。

• 被提名者是持有 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，这个委托可以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，他们可以将支持转移到另一个验证者。
• 消费者是 Bittensor 提供的 AI 模型的最终用户。他们可能是将人工智能功能集成到应用程序中的应用程序开发人员，也可能是寻求高质量响应的聊天机器人的用户。
• 消费者优先考虑获得准确且有价值的答案。
• 开发人员们会选择他们认为最符合其要求的验证者，以确保为其用户提供一流的人工智能服务。

上述利益相关者之间的协调产生了一个促进特定用例的最佳模型的网络。任何人都可以进行实验，这使得封闭源代码的企业难以与之竞争。

对 Bittensor 最常见的误解是，认为该网络支持机器学习（ML）的训练。在当前状态下，Bittensor 仅支持推理，即根据证据和推理得出结论并提供响应的过程。

训练则是一个独立的过程，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Oracle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，它融合了针对不同能力进行优化的多个模型，以形成一个更为强大的整体模型。

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无需许可的平台，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被激励，即为任何数字商品创造一个公平市场的协议。

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与协作，推动了一种合作和包容的环境，其中既可以托管开源模型，也可以托管封闭源代码模型。

团队背景

Bittensor 团队包括Jacob Steeves（创始人）、Ala Shaabana（创始人）、Jacqueline Dawn（市场总监）以及Saeideh Motlagh（区块链架构师）等人。

在 Bittensor 的白皮书中也提到了一个化名叫 Yuma Rao 的人物，就像比特币中的中本聪一样。目前尚不清楚这个人是否真实存在，可能我们永远无法了解更多关于他或她的信息。

Bittensor的结构

Bittensor 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。

类似于遗传算法，Bittensor的激励系统持续评估矿工的表现，并随着时间的推移选择或回收矿工。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 情报市场中，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。
• 评估和利用情报的验证者也将获得 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创建为广大受众提供实质性利益的信息，最终有助于开发更有价值的商品。

尤马共识（Yuma Consensus）

作为一个独立的 Layer1 区块链，Bittensor 由尤马共识（Yuma consensus）算法提供支持，这是一种去中心化的点对点共识算法，旨在实现计算资源在节点网络中的公平分配。

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，验证交易并创建新的区块。这一工作也会被其他节点验证，成功的贡献者将获得代币奖励。PoS组件鼓励节点持有代币，使其利益与网络的稳定性和增长一致。

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，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 共识机制因其在广泛的节点网络上分配计算资源的能力而脱颖而出。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。随着网络集成了更多的节点，它自然地扩展以适应日益庞大的工作负载。

与依赖单个服务器或集群的传统集中式人工智能应用程序相比，Yuma 支持的应用程序可以分布在节点网络中。这种分布优化了计算资源的利用，使得能够处理复杂的任务，同时减轻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（Digital Hivemind）

知识精炼是 Bittensor 协议中的一个基本概念，促进网络节点之间的协作学习，以提高性能和准确性。与人脑中的神经元如何协同工作类似，知识蒸馏使节点在网络中集体提升。

此过程涉及节点之间交换数据样本和模型参数，从而形成一个随着时间的推移进行自我优化以实现更精确预测的网络。

每个节点都为共享池做出贡献，最终提高网络的整体性能，使其更快速，更适用于实时学习应用，比如机器人技术和自动驾驶汽车。

关键的是，这种方法减轻了灾难性遗忘的风险，这是机器学习中常见的一个挑战。节点保留并扩展其现有知识，同时融入新的见解，增强了网络的弹性和适应性。

通过在多个节点之间分发知识，Bittensor TAO网络变得更加抗干扰，对潜在的数据泄露也更具弹性。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）。

专家混合 (MoE)

Bittensor 网络进一步创新，引入了去中心化专家混合 (MoE) 的概念，该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。

采用的共识机制将深度学习与区块链共识算法结合在一起。其主要目标是将权益分发为激励那些为网络贡献最多信息价值的节点。本质上，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价值。这个排名过程对评估个体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。排名较高的节点会获得货币奖励，从而在网络中获得额外的权重。这在节点的贡献和奖励之间建立了直接联系，促进了网络内的公平性和透明度。

这种方法提供了一个市场，其中其他情报系统通过互联网以点对点的方式对情报进行定价。它激励节点不断提高他们的知识和专业知识。

为了确保奖励的公平分配，Bittensor采用了Shapley值，这是从合作博弈理论中借用的概念。

Shapley 值提供了一种公平有效的方法，可以根据网络节点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，提高安全性和效率，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，创造了一个不断增长且不可阻挡的信息库。

在这个市场中，开发者有权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 的愿景延伸到了未来，人工智能模型可以在各个行业中轻松访问和部署。这种可访问性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 AI 模型非常相似，Bittensor 模型基于通用数据集生成“表示”。为了评估模型的性能，使用了Fisher的信息来评估从网络中移除一个节点的影响，类似于在人脑中失去一个神经元。

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，促进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，为增强开源基础模型提供经济激励。

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 个不同的层整合在一起来实现的：

1. 矿工层：负责在网络中生成有价值的工作。
2. 验证者层：确保矿工遵守既定的共识规则。
3. 企业层：建立在现有基础设施之上，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。
4. 消费者层：从企业层产生的工作中受益。代表使用由Bittensor网络驱动的产品和服务的终端用户或组织。

TAO代币

TAO 是 Bittensor 的原生代币，TAO 通过公平启动进行分发，没有预先开采代币。

TAO 的供应量为 21,000,000（致敬中本聪），并同样有一个 4 年的减半周期，每 1050 万个区块，每个区块的奖励减半，一共将发生 64 次减半事件。

按这个减半周期，要 256 年这些代币才能完全被挖出来。

目前每 12 秒铸造 1 个TAO。一天大概有 7200 个 TAO 产出，平均分配给矿工和验证者。

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 代币被烧回未发行的供应中，导致减半间隔逐渐延长。这种机制确保发行时间表随着时间的推移动态调整，反映网络的需求和经济动态。

代币经济学

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 Polychain。重要的是，它们中没有一个是通过预售或私募销售获得代币分配。

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获得通胀性发行的奖励，而用户和企业则可以使用 TAO 来访问构建在网络上的人工智能服务和应用。

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 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释放时间表 (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集中的重要性，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然是一个竞争过程。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。

功能

TAO 代币在 Bittensor 网路内有几个核心实用程式。这些包括：

• 治理：TAO 代币用于对Bittensor 网路的提案和变更进行投票。
• 质押：可以质押TAO代币参与共识机制并获得奖励。
• 付款：TAO 代币用作访问基于Bittensor TAO 网路构建的人工智慧服务和应用程式的支付手段。

Bittensor的发展

在科技领域，权力长期集中在少数科技巨头手中。这些巨头一直保持着对推动创新至关重要的有价值的数字商品的控制权。然而，Bittensor 通过其市场引入了更加民主和易于访问的系统，承认并挑战了这种流行的模式。

Bittensor 的基本见解在于，智能是各种数字商品（如计算能力和数据）的结果。在历史上，这些商品一直受到严格的控制，限制在科技巨头的领域。

Bittensor 试图通过引入用户创建的子网来打破这些束缚。这些市场将在一个统一的代币系统下运作，确保全球开发者对曾经只有大科技封闭生态系统中少数精英专属领域的资源拥有平等的访问权。

潜在采用

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，它简化了研究、自动化工作流程、协助编码以及从文本生成内容。

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。

尤其是ChatGPT在华盛顿讨论 AI 监管时出现的临时中断等最近事件，突显了解决AI扩展挑战的强大解决方案的迫切需要。

这些中断让用户对 AI 在日常生活中变得越来越集成时的稳定性和可靠性感到担忧。正是在这些时刻， Bittensor 的 TAO 的重要性显而易见。

Bittensor 的方法不仅支持开源 AI，还可以成为一项具有财务回报的追求。它借鉴了比特币挖矿中所见到的竞争演变，并为一个繁荣的市场铺平了道路，在这里最优秀的 AI 模型脱颖而出。

这种转变赋予了 AI 研究人员在一个开放而动态的环境中贡献他们的专业知识的能力，最终使整个社会受益。TAO 代币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。

开源困境

随着对 AI 中的对齐问题的担忧不断增长，围绕 AI 模型是否应该是开源的辩论日益引起关注。

根本问题是，AI 模型背后的实际代码是否应该对所有人免费开放。即使像 OpenAI 这样的主要参与者开源他们的模型，这未必会对 Bittensor 构成威胁。

在开源环境中，任何人都可以在 Bittensor 网络上利用这些模型。

在技术社区中，对这个问题存在不同的意见。有人认为开源 AI 技术可能会使恶意行为者有能力利用 AI 进行有害目的。相反，其他人认为将对 AI 技术的独家权利授予主要公司可能带来更大的危险。

例如，将 AI 权力集中在少数几家万亿美元的公司手中，正如 OpenAI 专注于筹集大量资金所示，可能会引发道德担忧，突显出权力腐败的风险。

Meta 开源其 Llama2 LLM 的决定表明行业在向拥抱开源实践转变。这一举措为 Bittensor 提供了学习并可能将 Meta 的进展整合到其网络中，更迅速地缩小性能差距的机会。

目前，OpenAI 在行业中占据主导地位，估值在 800 亿至 900 亿美元之间。然而，它在一个严重依赖于 Microsoft 及其受控云服务的封闭生态系统内运作。尽管如此，OpenAI 成功地吸引了来自全球各地的顶级人才。

另一方面，随着时间的推移和开源倡议变得更加普遍，可用人才的范围有望呈指数级扩大，覆盖互联网的各个角落。这种对 AI 专业知识的民主化可能在塑造 Bittensor 的采用方面发挥关键作用。

竞争格局：中心化AI

开发者采用仍然是 Bittensor 发展道路上的一个关键因素。目前，开发者可以通过 OpenTensor Foundation 开发的 Python API 与网络互动，突显培养强大的开发者社区以推动采用的重要性。

如今 Bittensor 正在积极努力分散网络的关键方面，如模型创建和训练，奖励最精细调校的模型，同时促进社区驱动的决策制定。

与此同时，AI 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、Apple、Amazon、Netflix 和 Google（FAANG）等科技巨头不同，这些公司可以访问大量有意义的数据仓库，众包社区可能缺乏相同级别的资源和数据访问。FAANG 组织具备财力支持，可以利用强大的硬件，如 Nvidia 的尖端技术，包括 H100 和 GH200，这可以显著加速AI模型训练。

值得注意的是，如今所有主流的 AI 解决方案都以封闭和集中的形式存在。这包括像 OpenAI、Google、Midjourney 等知名公司，它们各自提供颠覆性的 AI 解决方案。然而，封闭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、隐私和整体能力方面越来越受到青睐。

与其封闭的同行相比，它们以相对较小的预算和参数规模实现了令人印象深刻的功能。此外，这些开源模型在加速时间表上运作，无需几个月而是能够在几周内交付结果。

作为一家强大的科技巨头，谷歌已经认识到了这一变革趋势。公司的一份内部泄露文件中表示：“我们没有护城河，OpenAI 也没有。”

总的来说，在这个不断发展的人工智能生态系统中，Bittensor 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。

与限制对单个人工智能模型的访问的集中式平台不同，Bittensor 的架构提供了对智能的无需许可的访问。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。

正是这种包容性模型，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。