Вступ до проекту

Bittensor - це, по суті, бездозвільна пірингова (P2P) мережа, яка використовує економіку токенів блокчейну для стимулювання створення та експлуатації продуктів штучного інтелекту. Для розробників мережа Bittensor пропонує метод децентралізованого ринку додатків штучного інтелекту, а для кінцевих користувачів - прямий доступ до мережевих ресурсів за нижчою ціною. Бачення мережі Bittensor полягає в тому, щоб використовувати можливості цифрового ринку для стимулювання розвитку найважливішого цифрового товару - штучного інтелекту. Її мета - побудувати найпотужнішу мережу ШІ, щоб кожна звичайна людина могла скористатися її перевагами і взяти на себе відповідальність, сприяючи моделі розвитку знизу вгору, а не зверху вниз.

Підмережі

Всі додатки ШІ в мережі Bittensor відбуваються в її підмережах або підмережах. Кожна підмережа має спеціальний сценарій використання. Наразі на Bittensor існує 32 підмережі, як показано на наступному малюнку.

Рисунок 1: Екосистема підмережі, джерело відX@0xai_dev

Ось кілька типових прикладів підмереж:

Підмережа 1 належить до категорії підмереж генерації тексту, де валідатори надсилають підказки майнерам, а майнери генерують результати на основі цих підказок. Майнер з найкращим результатом отримає винагороду.

Підмережа5 - це підмережа для генерації зображень з тексту, де майнери створюють зображення на основі вимог замовника. Валідатори оцінюють зображення на основі їхньої естетичної привабливості та відповідності словам замовника. Крім того, валідатори отримують невеликий штраф за надто стилістично схожі зображення, щоб заохотити різноманітність моделей зображень, розміщених майнерами.

Subnet8 - це підмережа, яка використовує штучний інтелект для прогнозування тенденцій на фінансових ринках, в даний час зосереджена в основному на прогнозуванні цінових тенденцій на біткойн. Однак у міру розвитку проекту він поступово розширюватиметься на інші фінансові ринки або окремі сфери (наприклад, спортивні ставки). Останні дані по цій підмережі показують, що середня щоденна винагорода за видобуток становить $133 000, а річна винагорода майнерів - $32 млн.

Діаграма 2: Дані, що стосуються підмережі 8, джерело: www.taoshi.io

Ролі в блокчейні

1) Майнери: Можна розуміти як постачальників моделей або алгоритмів ШІ, які розміщують моделі ШІ та пропонують їх мережі Bittensor. Різні підмережі в Bittensor мають різні моделі, такі як моделі генерації тексту, моделі генерації зображень тощо.

2) Валідатори: Виступають в якості оцінювачів мережі Bittensor, з метою оцінки та перевірки результатів, отриманих майнерами, щоб допомогти клієнтам отримати найкращі рішення. Щоб стати валідатором, користувач повинен бути серед 64 перших власників TAO і зареєструвати UID у будь-якій з її підмереж. (Однак, дивлячись на список валідаторів, здається, що більшість інституцій з екосистеми проекту включені, можливо, пізніше валідаторами стануть інші організації або користувачі).

Діаграма 3: Список валідаторів, вихідна форма www.taostats.io

3) Номінанти: Номінанти делегують свої токени TAO валідаторам, щоб показати свою підтримку і отримати винагороду за стейкінг. Інформація про валідаторів є відкритою і децентралізованою, що дозволяє номінантам шукати і вибирати відповідних валідаторів для розміщення своїх токенів на основі загальнодоступної інформації.

4) Користувачі: Кінцеві користувачі ШІ-моделей у мережі Bittensor.

Одним реченням взаємозв'язок між цими чотирма ролями можна описати так: Користувачі/клієнти представляють свої вимоги; майнери генерують результати завдань за допомогою моделей ШІ у відповідній підмережі на основі цих вимог; валідатори оцінюють результати і вибирають найкраще рішення для клієнтів; номінанти обирають валідаторів, яких вони підтримують, для розміщення токенів.

Технічна архітектура

Мережа Bittensor - це децентралізований одноранговий протокол машинного навчання. У мережі машинний інтелект вимірюється іншими інтелектуальними системами через Інтернет у безперервному та асинхронному одноранговому режимі (P2P). Ця система фокусується не лише на здатності моделі виконувати конкретні завдання, але й оцінює здатність моделі продукувати інформацію. Мережа використовує цифрову книгу для запису досягнень дослідників (майнерів/розробників) і надання винагород, що дозволяє їм отримувати вигоду від роботи, створеної штучним інтелектом. Мережа розділена на дві частини: рівень ШІ, який обробляє інтелектуальні дані, і рівень блокчейну, що відповідає за запис і винагороду.

Рівень блокчейну - це блокчейн 0-го рівня на основі Polkadot Substrate, який відповідає за виконання механізмів консенсусу, забезпечення ідентичності вузлів та стимулювання вузлів мережі. Розташовані під шаром штучного інтелекту, ці два шари взаємодіють між собою за допомогою міжпроцесного зв'язку. Щоб справедливо розподілити стимули між усіма вузлами-учасниками, мережа Bittensor використовує консенсус і використовує довіру, зважену на частки (що досягається за рахунок участі валідаторів і номінаторів). Шар ШІ, окрім виведення та навчання, також відповідає за абстрагування ядра Bittensor та забезпечення сумісності вузлів нейронної мережі з входами/виходами інших вузлів мережі.

Діаграма 4: Блокчейн і система штучного інтелекту, джерело: bittensor.com

Юмський консенсус

Yuma Consensus - це децентралізований алгоритм однорангового консенсусу, розроблений для досягнення справедливого розподілу обчислювальних ресурсів між вузлами мережі. Мережа Bittensor підтримується алгоритмом Yuma Consensus. Він використовує гібридний механізм консенсусу, який об'єднує докази роботи (POW) і докази участі (POS). Вузли мережі виконують обчислювальну роботу, перевіряють транзакції і створюють нові блоки, які також перевіряються іншими вузлами. Дописувачі, які пройшли верифікацію, отримують символічну винагороду. У порівнянні з традиційними механізмами консенсусу, цей гібридний режим поєднує в собі переваги обох механізмів консенсусу. З одного боку, це дозволяє уникнути надмірного енергоспоживання механізму POW, вирішуючи екологічні проблеми; з іншого боку, це обходить ризики централізації, притаманні POS, забезпечуючи безпеку та децентралізацію мережі.

Економіка токенів

Токен Bittensor, TAO, слугує токеном винагороди, токеном доступу та токеном управління в мережі, що дозволяє власникам токенів також продавати свої токени. TAO випускається кожні 12 секунд, що дорівнює випуску 7 200 токенів щодня. Новоспечені токени рівномірно розподіляються між майнерами та валідаторами. Загальний обсяг емісії TAO становить 21 мільйон, причому швидкість випуску зменшується вдвічі, коли випущено половину емісії. Таке зменшення вдвічі відбувається кожні 12 секунд на блок, що еквівалентно зменшенню вдвічі кожні чотири роки, причому кожна напівмарка випуску, що залишився, спричиняє нову подію зменшення вдвічі, доки в обігу не опиняться всі 21 мільйон TAO. Це можна розглядати як данину поваги Біткоїну. На момент написання статті кількість токенів в обігу сягнула понад 6 мільйонів, а ринкова капіталізація - 3,5 мільярда доларів США, що ставить його на 26 місце на CoinGecko.

Наступне зображення - це знімок розподілу токенів з taostats.io, що свідчить про чесний запуск ТАО, без попередніх продажів венчурним фондам тощо. Наразі пропозиція в обігу становить близько 30% від загальної пропозиції.

Графік 5: Модель токенової економіки, джерело: www.taostats.io

Зведення

У статті Віталіка Бутеріна "Які найбільш плідні перетини між криптовалютою і штучним інтелектом?", опублікованій минулого місяця, зазначалося: "Використання криптовалютних стимулів для покращення штучного інтелекту може бути досягнуто без потрапляння в кролячу нору повністю зашифрованих криптографією методів, і такі підходи, як Bittensor, є одними з них". Це підкреслює підтримку Віталіком проекту Bittensor. Проект відбирає найкращі варіанти з існуючих моделей алгоритмів за допомогою механізмів стимулювання, тобто не виробляє алгоритми, а транспортує їх, сприяючи розвитку ринку децентралізованого ШІ. З огляду на постійну популярність штучного інтелекту, ринкова вартість проекту зросла майже втричі з січня цього року. Особисто я вважаю багату екосистему додатків у цій підмережі, таких як медична діагностика здоров'я, створення 3D-активів, генерація звуку, генерація зображень, попереднє навчання розподілених моделей тощо, досить цікавою і вартою подальшого вивчення.