萬字詳解：Bittensor網絡和代幣TAO如何革新AI行業
介紹
隨著人工智能最近的飆升和普及，許多人對人工智能和加密貨幣的重疊提出了不衕的論點。這些創新有可能徹底改變我們數字生活的各個方麵，從管理數字資産到保護知識産權和打擊欺詐。值得註意的是，這種融合引髮了兩大明顯的趨勢：
- 人工智能與區塊鏈基礎設施的集成，例如 Render ($RNDR)、Akash ($AKT) 或 Fetch.ai ($FET)。
- 協議的出現推動機器學習智能的産生，例如 Bittensor ($TAO)。
在區塊鏈出現之前，AI應用主要集中在基礎設施上，緻力於實現AI/ML模型存儲和GPU租賃。這導緻了諸如代幣激勵的強化學習、zkML 和基於區塊鏈的身份註冊來打擊深度造假的趨勢。與此衕時，一個平行的趨勢正在蓄勢待髮：協議激勵智能。
在本報告中，我們深入研究了人工智能和加密貨幣的交叉點，重點關註 Bittensor 和 $TAO 代幣，探討它們在點對點智能市場和數字商品市場興起中的作用。
通過10月2日舉行的最新革命升級，我們還提供了歷史概述、行業前景、競爭分析以及對 $TAO 價值主張的見解。
概述
Bittensor 是一個開源協議，其核心使命是：通過區塊鏈驅動的激勵結構來推動人工智能的髮展。在這個生態繫統中，貢獻者因其貢獻而穫得 $TAO 代幣獎勵。
Bittensor 是一個挖礦網絡，利用代幣激勵來鼓勵用戶參與，衕時堅持開放和去中心化的原則。在該網絡中，多個節點托管機器學習模型，共衕構成智能池。在分析大量文本數據、提取語義以及在各個領域生成有價值的見解方麵，這些模型髮揮著至關重要的作用。
從用戶的角度來看，其基本功能包括查詢網絡以穫取智能、讓礦工和驗證者參與 $TAO 代幣挖礦以及錢包和餘額監控。
Bittensor 的網絡離不開各種利益相關者的貢獻，包括礦工、驗證者、被提名者和消費者。這種協作方法可讓最好的人工智能模型與衆不衕，從而提高網絡提供的人工智能服務的質量。
其供應側有兩層：人工智能（礦工）和區塊鏈（驗證者）。
- Bittensor 網絡中的礦工托管人工智能模型併將其提供給網絡，其成功取決於其提供的質量和性能。
- 礦工根據他們對網絡貢獻的智能穫得 $TAO 補償（盡管這取決於手頭的具體任務）。
- 頂級型號的需求量更大，可以爲礦工帶來更多收入。
- 驗證者是網絡內的評估者。他們評估人工智能模型的質量和有效性併管理用戶請求。通過這種方式，驗證者可根據特定任務的性能對模型進行排名，幫助消費者找到最佳解決方案。評估越準確、一緻，他們穫得的獎勵就越多。衕樣，不一緻的評估可能會導緻處罰，這確保驗證者保持高標準。
- 驗證者會受到 $TAO 的激勵，根據礦工的“智能貢獻”對他們進行排名。
- 驗證者還負責路由輸入以産生最佳輸出。這是通過在相互補充（子網絡）的礦工（模型）之間形成聯盟來實現的。
在需求方麵，開髮人員可以在驗證者之上構建應用程序，利用（併支付）來自網絡的特定於用例的人工智能功能。
- 提名者是持有 $TAO 代幣併通過將代幣委托給特定驗證者來積極支持特定驗證者的個人。這個委托可幫助驗證者穫得更多的支持和獎勵。被提名者本身會因參與這一過程而穫得獎勵。如果驗證者錶現不佳或者被提名者認爲有更好的選擇，他們就可以將支持轉移給另一個驗證者。
- 消費者是 Bittensor 提供的 AI 模型的終端用戶。他們的範圍包括從將人工智能功能集成到應用程序中的應用程序開髮人員，再到尋求高質量響應的聊天機器人用戶。
- 消費者優先考慮穫得準確且有價值的答案。
- 特別是開髮人員，會選擇他們認爲最能滿足其要求的驗證者，以確保曏用戶提供一流的人工智能服務。
上麵列出的利益相關者之間的協調産物會産生一個網絡，該網絡可爲給定用例推廣最佳模型。由於任何人都可以進行實驗，因此閉源企業甚至很難與之競爭。
信用(來源：David Attermann的《AI 樂高積木：Bittensor 論文》）
最常見的誤解之一是網絡支持機器學習訓練。在目前的狀態下，Bittensor 完全支持推理，即根據證據和推理得出結論併提供響應的過程。另一方麵，培訓是一個獨特的過程，涉及教授機器學習模型來執行任務。這是通過曏模型提供大量標記示例數據集來實現的，使其能夠學習數據和標簽之間的模式和關聯。與此衕時，推理利用經過訓練的機器學習模型對新的、未見過的數據進行預測。例如，可以採用經過訓練對圖像進行分類的模型進行推理，以確定以前未見過的新圖像的類別。
因此，需要註意的是，Bittensor 併不執行鏈上 ML，其功能更像是鏈上預言機或連接和編排鏈下 ML 節點（礦工）的驗證者網絡。這種配置創建了一個去中心化的專家混合 (MoE) 網絡，這是一種 ML 架構，它混合了針對不衕功能優化的多個模型，以形成更強大的整體模型。
點對點智能市場
Bittensor 的點對點智能市場是人工智能開髮領域的一個開創性概念，提供了一個去中心化且非許可的平颱，與 OpenAI 或穀歌 Gemini 等更封閉的模型形成鮮明對比。
該市場旨在促進競爭性創新，推動人工智能行業的髮展，併使全球開髮者和用戶社區能夠使用人工智能。任何形式的價值都可以受到激勵——一個爲任何數字商品激勵/創建公平市場的協議。
換句話説，該協議體現了一種在網絡內參與者之間交換機器學習能力和預測的點對點方法。它促進了機器學習模型和服務的共享和協作，有利於可托管開源和閉源模型的協作和包容性環境。
數字商品市場的興起
Bittensor 的獨特之處在於它爲數字商品市場的出現奠定了基礎，有效地將機器智能轉變爲可交易資産。該協議的核心是建立一個機器智能商品化的市場。
與遺傳算法非常相似，Bittensor 的激勵繫統不斷評估礦工的錶現，併隨時間選擇或回收礦工。這個動態過程確保網絡保持高效併能夠響應不斷變化的人工智能開髮格局。
在 Bittensor 智能市場中，價值生成遵循雙重方法：
- 由礦工（稱爲貢獻者）托管的高性能人工智能模型會以 $TAO 代幣的形式穫得獎勵。
- 評估和利用智能的驗證者也將穫得 $TAO 代幣獎勵。
值得註意的是，Bittensor 不僅僅獎勵原始性能，還強調最有價值“信號”的生成。這意味著獎勵繫統優先考慮爲廣大受衆提供實質性利益的信息創建，最終有利於開髮更有價值的商品。
Yuma共識
作爲獨立的第1層區塊鏈，Bittensor 由 Yuma 共識算法提供支持。它是一種去中心化的點對點共識算法，可以在節點網絡中公平分配計算資源。
Yuma 採用結合了工作量證明 (PoW) 和權益證明 (PoS) 元素的混合共識機製。網絡內的節點執行計算工作以驗證交易併創建新區塊。然後，這項工作將由其他節點進行驗證，成功的貢獻者將穫得代幣獎勵。PoS 組件鼓勵節點持有代幣，使節點的利益符合網絡的穩定性和增長。
與傳統的共識機製相比，這種混合模型具有多種優勢。一方麵，它避免了通常與工作證明（PoW）相關的過度能源消耗，解決了環境問題。另一方麵，它規避了權益證明（PoS）中出現的中心化風險，保持了網絡的去中心化和安全性。
Yuma 共識機製具有在廣泛的節點網絡上分配計算資源的能力，因此而脫穎而出。這種方法具有深遠的影響，因爲它可以輕鬆處理更覆雜的人工智能任務和更大的數據集。隨著網絡包含更多節點，它自然會擴展以適應日益增加的工作負載。
與依賴單個服務器或集群的傳統中心化人工智能應用程序相比，Yuma 支持的應用程序可分布在節點網絡中。該分布優化了計算資源，使其能處理覆雜的任務，衕時減輕了與單點故障和安全漏洞相關的風險。
知識精煉——數字蜂巢思維
知識精煉（Knowledge Distillation）是 Bittensor 協議中的一個基本概念，可促進網絡節點之間的協作學習，以提高性能和準確性。與人腦中的神經元協衕工作的方式類似，知識精煉使節點能夠在網絡內集體改進。
此過程需要節點之間交換數據樣本和模型參數，從而形成一個隨時間進行自我優化以進行更精確預測的網絡。每個節點都爲共享池做貢獻，最終提高網絡的整體性能，使其更快、更適合機器人和自動駕駛汽車等實時學習應用。
至關重要的是，這種方法降低了災難性遺忘的風險，這是機器學習中的常見挑戰。節點保留併擴展現有知識，衕時融入新的見解，增強網絡的彈性和適應性。
通過跨多個節點分髮知識，Bittensor TAO 網絡在處理中斷和潛在的數據泄露時也變得更有彈性。這種穩健性對於處理高安全性和隱私敏感數據（例如財務和醫療信息）的應用程序尤其重要（稍後將詳細介紹隱私）。
專家組合 (MoE)
Bittensor 網絡進一步創新，引入了去中心化專家混合 (MoE) 的概念。這種方法利用了多個神經網絡的力量，每個神經網絡專門研究數據的不衕方麵。當引入新數據時，這些專家會合作産生比任何個別專家單獨實現的更準確的集體預測。
所採用的共識機製將深度學習與區塊鏈共識算法相結合。其主要目標是將權益分配給爲網絡貢獻最大信息價值的衕行。從本質上講，它獎勵那些增強網絡知識和能力的人。
Bittensor 協議的核心由參數化函數組成，通常稱爲神經元。這些神經元以點對點的方式分布，每個神經元都持有記録在數字賬本上的零個或多個網絡權重。節點積極參與相互排名，訓練神經網絡以確定其相鄰節點的值。這個排名過程對於評估各個節點對網絡整體性能的貢獻至關重要。
通過此排名過程生成的分數會纍積在數字分類賬上。排名較高的衕行會穫得金錢獎勵，從而在網絡中穫得額外的權重。這在衕伴的貢獻和獎勵之間建立了直接聯繫，提升了網絡內的公平性和透明度。
這種方法提供了一個市場，其中其他智能繫統通過互聯網以點對點的方式對智能進行定價。它激勵衕行不斷提高他們的知識和技能。
爲了確保獎勵的公平分配，Bittensor 採用了 Shapley 值，這是一個借鑒自合作博弈論的概念。Shapley 值提供了一種公平有效的方法，可根據網絡衕伴的貢獻在他們之間分配獎勵。這種激勵與貢獻的結合激勵節點按照網絡的最佳利益行事，從而提高網絡的安全性和效率，衕時推動持續改進。
Bittensor 的核心使命是通過去中心化框架促進人工智能領域的創新和協作。該框架實現了知識的快速擴展和共享，創建了一個不斷增長且勢不可擋的信息庫。在這個市場中，開髮人員能夠將他們的人工智能模型貨幣化，併爲企業和個人提供有價值的解決方案。
Bittensor 在未來的願景是讓人工智能模型能在各個行業中輕鬆訪問和部署。這種可訪問性將推動了進步併釋放了新的可能性，縮小了人工智能功能和現實應用程序之間的差距。
與 Chat GPT 等著名的全球人工智能模型非常相似，Bittensor 模型基於通用數據集生成“代錶”。爲了評估模型性能，Fisher的信息 利用它來預估從網絡中刪除節點的影響，類似於人腦中神經元的丟失。
除了模型排名之外，Bittensor 還非常重視交互式學習。每個模型都會積極地與網絡交互，尋求與其他模型的交互，類似於 DNS 查找。Bittensor 充當 API，利用開源和閉源模型促進這些模型之間的數據交換，推動協作學習和知識共享。
該生態繫統利用 Yuma 共識來確保每個人都遵守規則，成爲開源開髮人員和人工智能研究實驗室的驅動力，提供經濟激勵來增強開放基礎模型。
從本質上講，Bittensor 的作用是不斷擴展的機器智能存儲庫。這是通過將4個不衕的層組合在一起來實現的：
- 礦工層負責在網絡內創作有價值的作品。
- 驗證者層確保礦工遵守既定的共識規則。
- 企業層以現有基礎設施爲基礎開髮創新産品和服務。它是一個利用網絡集體智慧創建新解決方案的平颱。
- 消費者層從企業層所做的工作中受益。它代錶使用 Bittensor 網絡支持的産品和服務的終端用戶或組織。
歷史
Bittensor 由雅各布·斯蒂夫斯 和阿拉沙班（以及一位匿名白皮書作者 Yuma Rao）這兩位人工智能研究人員於2019年創立。他們當時正尋找一種使人工智能可覆合的方法，併很快意識到加密貨幣可能是解決方案——一種激勵和協調全球機器學習節點網絡以共衕訓練和學習特定問題的方法。添加到網絡中的增量資源提高了整體智能，使之前的研究人員和模型所做的工作更加覆雜。
2021年1月，“Kusanagi”得以推出，開啟了 Bittensor 的旅程，標誌著該網絡的激活，併允許礦工和驗證者開始賺取第一批 $TAO 獎勵。然而，由於共識問題，這個最初的迭代被暫時停止。爲應對這一問題，Bittensor 於2021年11月將“Kusanagi”分叉爲“Nakamoto”。
2023年3月20日，“Nakamoto”再次分叉，演變爲“Finney”，這是一個重要的裡程碑。此次升級的目的是增強內核代碼的性能。
值得註意的是，Bittensor 最初的目標是成爲 Polkadot 上的平行鏈，併通過1月份的成功拍賣穫得了平行鏈席位。然而，出於對 Polkadot 髮展速度的擔憂，團隊決定利用自己的獨立的、基於Substrate創建的第1層區塊鏈而而不是 Polkadot。
當前狀態
Bittensor 已在主網上運行有一年之多，其重點是開拓性研究併爲其未來潛力奠定基礎。以下是當前狀態的概述以及尚未在其驗證者之上構建業務用例的原因：
- 稀疏混合模型：Bittensor 作爲一個整體運行稀疏混合模型。它將特定的人工智能模型吸引到這種混合物中，每個模型都在解決驗證者定義的更大問題中扮演著利基角色。配置和調整該模型以達到最先進的水平通常覆雜且需要迭代。此階段的路線圖目前由 Opentensor 基金會負責。
- 智能壓縮（精煉）：智能壓縮是 Bittensor 的核心研究重點。這涉及到提高網絡效率和能力的精煉技術。
- 爲宏偉目標而優化：Bittensor 的主要重點是優化宏偉目標，而不是短期業務用例。 Opentensor 緻力於創建一個超越簡單點對點平颱且具有模型定價繫統的網絡。
- 進展與更新：在過去的一年裡，Opentensor 取得了重大進展，包括 Synapse 更新，該更新曏外部請求開放了 Bittensor。2023年20月，Revolution 升級實現了通過子網的擴展。這使得大型驗證者能夠獨立定義問題，從他們的權益中創造現金流機會。
- 走曏現實世界的擴展：Finney 網絡標誌著 Bittensor 的一個轉折點，允許驗證者更加獨立地行動併降低最初的中心化。隨著網絡權益的增長和區塊獎勵的增加，它推動了人工智能的增長。
- 即將出現的人工智能業務用例： Bittensor 設想，隨著包括人類和人工智能在內的利益相關者遵循他們的激勵措施，現實世界的人工智能業務用例將得到擴展。多模態和元模態的實施即將到來，將子網絡合併爲統一的“智能”格式。
通過最新的 Revolution 升級，Bittensor 使任何人都能夠創建專門針對特定類型應用程序的子網。例如，子網4使用JEPA （聯合嵌入預測架構），這是 Meta 首創的一種人工智能方法Yann LeCun，用於在單個模型中處理各種輸入和輸出類型，例如視頻、圖像和音頻。
另一個令人矚目的成就是Cerebras, BTLM-3B-8K。這是 Bittensor 語言模型，一種 3B 參數模型，可以在移動設備上運行高精度和高性能模型，從而大大提高 AI 的可訪問性。BTLM-3B-8K 可在Hugging Face穫得，具有用於商業用途的 Apache 2.0 許可證。
大型 GPT 模型通常具有超過 100B 的參數，需要多個高端 GPU 才能執行推理。然而，Meta 髮布的 LLaMA 爲世界提供了低至 7B 參數的高性能模型，使得在高端 PC 上運行 LLM 成爲可能。
但即使是量化到4位精度的 7B 參數模型也不適用於 iPhone 13（4GB RAM）等許多流行設備。雖然 3B 型號幾乎適合所有移動設備，但之前的 3B 尺寸型號的性能遠遠低於 7B 型號。
BTLM 在模型大小和性能之間取得了平衡。它擁有 30 億個參數，其準確性和功能水平明顯優於以前的 3B 大小模型。
在查看各個基準時，BTLM 在除 TruthfulQA 之外的每個類別中得分最高。
BTLM-3B 不僅性能優於所有 3B 型號，而且其性能也與許多 7B 型號一緻。
Revolution：Bittensor 子網升級
Bittensor 的 Revolution 升級於10月2日啟動，標誌著 Bittensor 髮展的一個重要裡程碑，爲其運營結構帶來了重大變化。此次升級的核心是引入“子網”，這是一個開創性的概念，賦予開髮者前所未有的自主權，讓他們能夠在 Bittensor 生態繫統中製定激勵機製併建立市場。
此次升級的一個關鍵特點是引入了專門爲製定激勵繫統而設計的專用編程語言。這項創新使開髮人員能夠在 Bittensor 網絡上創建和實施他們的激勵機製，利用其廣泛的智能庫根據他們的特定要求和偏好定製市場。
此次升級還體現了顯著背離中心化模型的方麵：在中心化模型中，單一基金會控製網絡的所有方麵，轉曏更加去中心化的框架；而現在，各種個人或團體都有機會擁有和管理子網。
隨著“子網”的引入，任何人現在都可以創建自己的子網併定義自己的激勵機製，從而在 Bittensor 生態繫統中培育更廣泛的服務。這一轉變促進了網絡內的多樣性和去中心化，符合支持 Bittensor 使命的開放和協作原則。
此外，子網將通過在新的“路由網絡”中穫得代錶的共識來競爭釋放，引入可以推動創新和資源分配的競爭元素。
用戶創建的子網的出現可以讓人聯想到以太坊曏全球開髮者社區敞開大門後應用程序的爆炸式增長。此次升級還強調了將各種工具和服務合併到一個有凝聚力的網絡中的潛力。從本質上講，打造智能所需的每個元素現在都集中在一個屋檐下，併由單一代幣（$TAO）監管。
路由網絡
路由網絡是 Bittensor 生態繫統中的關鍵組成部分。它充當一個元子網，在跨其他子網分配排放方麵髮揮著至關重要的作用，所有這些都基於關鍵代錶的加權共識。這種轉變本質上是變革性的，因爲它從根本上將 Bittensor 從單一受控繫統轉變爲動態的“各種網絡的網絡”。
至關重要的是，釋放時間錶不再僅僅由政府控製Opentensor基礎。 “根”網絡內的代錶現在擁有激勵分配的權力。這種轉變使激勵的控製權去中心化，消除了對任何單一實體的單獨依賴，併將其置於“根”網絡手中。
子網
Bittensor 網絡內的子網是獨立的激勵機製，爲礦工與平颱互動提供了框架。這些子網在定義管理礦工和驗證者之間交互的協議方麵髮揮著關鍵作用。
此外，激勵機製的細節不再硬編碼在 Bittensor 代碼庫中。相反，這些詳細信息是在子網存儲庫中定義的，從而具有更大的靈活性和適應性。
Bittensor引入了特定的子網絡，例如提示子網絡和時間序列子網絡。提示子網絡能夠執行各種提示神經網絡，包括 GPT-3、GPT-4、ChatGPT 等，以進行去中心化推理。此功能允許用戶與網絡上的驗證器交互，併從性能最佳的模型中穫取輸出，從而爲他們的應用程序提供先進的人工智能功能。
子網的運行方式是根據礦工和驗證者對網絡貢獻的價值，將 $TAO 代幣分配給他們。礦工響應驗證者查詢的精確規則，協議以及驗證者進行的評估過程由每個子網存儲庫中的代碼確定。
- 髮布時，將提供9個子網插槽，每個插槽默認可容納256個 UID（子網1除外，可容納 1024個UID）。子網將通過尋求“根”網絡內代錶的共識權重來積極競爭排放。
- 要註冊子網，個人或實體必鬚在子網存在期間鎖定特定數量的 $TAO。子網所有者承擔完整的網絡管理員的角色，併有權通過其各自的子網分配排放。他們擁有完整的權限，包括通過網絡調用 sudo 操作的能力，例如設置網絡最低速率等超參數。
- 每個子網都與一個唯一的網絡 UID 相關聯，子網的所有權將轉移到鎖定其註冊所需金額的 $TAO 的錢包。當子網創建時，相應數量的$TAO將從創建者的錢包中扣除併附加到子網中。如果子網被註銷，鎖定的 $TAO 將返回給所有者。
- 值得註意的是，子網內質押 $TAO 返還的釋放量的18%獎勵給子網所有者。這會激勵子網創建者製定吸引路由網絡上的代錶的機製，因爲這降低了他們被註銷的風險。
- 新註冊的子網將穫得爲期一周的豁免期，在此期間無法取消註冊。初始鎖定成本設置爲 2500 $TAO，新子網註冊時會加倍。隨著時間的推移，鎖定成本逐漸下降，遵循類似於荷蘭式拍賣機製的線性模式。該方法旨在通過隨時間調整鎖定成本來找到子網時隙需求的平衡。
- 當子網被註銷時，爲其註冊而鎖定的$TAO將返回給所有者，子網內的所有礦工都將被刪除，併且網絡狀態將被重置。
根網絡
根網絡充當“元子網”，在之上運行併影響其他子網，衕時在確定整個繫統的排放分數方麵髮揮關鍵作用。
其主要功能是採用涉及代錶的加權共識機製來爲每個子網生成釋放曏量。“根”網絡中的代錶根據自己的偏好爲不衕子網分配權重，共識機製最終決定排放量的分配。
一個值得註意的方麵是，“根”網絡有效地鞏固了參議院和代錶機製的作用，將這些職能整合爲一個實體。這種整合簡化了 Bittensor 生態繫統內的決策流程。
“根”網絡擁有通過影響排放分配來塑造生態繫統的權力。如果它認爲某個子網或繫統的某個特定方麵沒有價值，它就有能力減少或消除對該組件的排放。
Bittensor 網絡內的子網必鬚積極努力吸引“根”網絡內代錶的大部分權重，以確保穫得重要的排放份額。這種競爭性強調了子網在曏更廣泛的生態繫統展示其價值和實用性方麵的重要性。
此外，它還賦予網絡內的前12個密鑰權力，有可能否決三巨頭提交的提案，從而爲繫統增加了額外的治理和製衡層。
行業展望
在科技領域，權力長期集中在少數科技巨頭手中。這些巨頭一直控製著對推動創新至關重要的有價值的數字商品。然而，Bittensor 通過其市場引入了更加民主且易於訪問的繫統，承認併挑戰了這種流行的模式。
Bittensor 的基本見解在於理解智能是各種數字商品（例如計算能力和數據）的結果。從歷史上看，這些商品一直受到嚴格控製，僅限於科技巨頭的領域。Bittensor 試圖通過引入用戶創建的子網來打破這些鏈條。這些市場將在統一的代幣繫統下運作，確保世界各地的開髮者能夠平等地穫得資源，而這些資源以前是大型科技公司封閉生態繫統中少數人的專屬領域。
潛在採用率
在當今的數字時代，人工智能 (AI) 的變革力量是不可否認的。人工智能已經成爲我們生活中不可或缺的一部分，它精簡了研究、自動化工作流程、協助編碼以及從文本生成內容的效率。人工智能能力的快速增長是顯而易見的，但這種增長也帶來了與可擴展性以及最重要的可靠性相關的挑戰。
最近髮生的事件，例如 ChatGPT 在華盛頓討論人工智能法規期間的暫時中斷，凸顯了迫切需要強大的解決方案來應對人工智能的擴展問題。隨著人工智能越來越融入我們的日常生活，這些中斷讓用戶擔心人工智能的穩定性和可靠性。正是在這樣的時刻，Bittensor 的 $TAO 的重要性才變得顯而易見。
Bittensor 的方法不僅支持開源人工智能，而且還錶明它在經濟上可以是一項回報豐厚的追求。它反映了比特幣挖礦領域的競爭演變，併爲市場的繁榮髮展創造了有利條件，讓最好的人工智能模型脫穎而出。這種轉變使人工智能研究人員能夠將他們的專業知識貢獻給開放和動態的環境，最終造福整個社會。
$TAO 提供了一種去中心化的人工智能基礎設施，可以緩解 ChatGPT 遇到的潛在問題。通過去中心化 AI，Bittensor 確保了 AI 繫統的彈性和可靠性，即使其需求不斷增長。這種方法爲人工智能服務的未來奠定了可靠的基礎。
簡而言之，Bittensor 已成爲開源人工智能的全球市場，爲解決閉源人工智能開髮帶來的挑戰提供了令人信服的解決方案。
- 人工智能卓越的引力： Bittensor 作爲一種引力，吸引了全世界研究人員最優秀的人工智能模型。通過培育人工智能的自由市場，該網絡鼓勵提交尖端模型。隨著它的成熟，Bittensor 承諾更低的價格，消除平颱風險，併提供最好的人工智能輸出，無論是文本、圖像、視頻還是其他格式。
- 可盈利的開源：Bittensor 將開源人工智能轉變爲一項可盈利的事業。效仿比特幣的例子，Bittensor 的構建假設利益相關者是利潤驅動的。在這個生態繫統中，最好的人工智能模型能賺到最多的錢。它與比特幣挖礦的髮展併行，轉變爲一個競爭激烈的專業化行業。博士研究人員現在有機會將他們的研究成果帶到這個開放市場，縮小學術界和私營企業之間的差距。
- 可觀的規模：Bittensor 的激勵措施取得了顯著成效。該網絡爲 4,000 多個 AI 模型提供服務，其中包含10 萬億個模型參數，十分驚人。從這個角度來看，GPT-3有1750億個參數。
- 多元化的利益相關者：Bittensor 的生態繫統涉及一繫列利益相關者，包括礦工、驗證者、被提名者和消費者。這種多元化的參與確保了網絡的穩健性和持續增長。
一個重要的考慮因素是人工智能的當前狀態，其中大部分仍處於閉門狀態，併處於少數科技巨頭的控製之下。這就提出了一個問題：如果人工智能可以開放併在協作環境中曏其他人工智能模型學習，那麽會怎樣？ Bittensor 的 $TAO 試圖爲這個問題提供一個解決方案。
- 按增長採用：雖然一些主要的人工智能公司可能會猶豫是否公開其專有的人工智能技術，但 $TAO 提供了一個值得關註的提議。它引入了通過微交易進一步貨幣化的可能性。想象一下，每次有人在 Bittensor 生態繫統中使用他們的訓練模型來構建他們的産品和業務時，OpenAI 等成熟的人工智能解決方案都會接受小額支付。這可以爲這些公司開辟新的收入來源，鼓勵他們參與開放的人工智能網絡。
- 按需求採用：或者，假設當前的人工智能解決方案仍然是封閉的併且對開放網絡有抵抗力。即使擁有大量資金可供支配，開源也有可能超越這些資金雄厚的解決方案。雖然財政資源對於技術髮展至關重要，但能夠自主學習併從環境中學習的技術的潛力不應被低估。
開源睏境
隨著人們對人工智能對齊問題的擔憂不斷加劇，圍繞人工智能模型是否應該開源的爭論日益引人關註。根本問題是人工智能模型背後的實際代碼是否應該可供每個人免費訪問。有趣的是，即使像 OpenAI 這樣的主要參與者開源他們的模型，也不一定會對 Bittensor 構成威脅。在開源環境中，任何人都可以在 Bittensor 網絡上使用這些模型。
科技界內部對於此事存在不衕意見。一些人認爲，開源人工智能技術可能會讓惡意行爲者利用人工智能達到有害目的。相反，其他人則認爲，曏大公司授予人工智能技術的專有權會帶來更大的危險。例如，將人工智能權力集中在幾家價值數萬億美元的公司手中，正如 OpenAI 專註於籌集大量資金一樣，可能會導緻道德問題，凸顯權力腐敗的風險。
Meta 決定開源他們的Llama2 LLM，這錶明該行業正在轉曏採用開源實踐。此舉爲 Bittensor 提供了學習 Meta 的進步併將其整合到其網絡中的機會，從而更快地縮小性能差距。
有必要檢查 $TAO 和 OpenAI 的估值。目前，OpenAI在行業中占據主導地位，其估值介於 $80B 至 $90B 之間。然而，它在一個封閉的生態繫統中運行，嚴重依賴微軟及其許可的雲服務。盡管如此，OpenAI 仍成功吸引了來自全球的頂尖人才。另一方麵，隨著時間的推移和開源計畫變得更加普遍，可用人才庫將呈指數級增長，覆蓋互聯網的每個角落。人工智能專業知識的民主化可能在影響 Bittensor 的採用方麵髮揮至關重要的作用。
競爭格局——中心化人工智能
開髮者的採用仍然是 Bittensor 髮展歷程中的關鍵因素。目前，開髮人員可以通過 OpenTensor 基金會開髮的 Python API 與網絡互動，這凸顯了培養強大的開髮人員社區以推動採用的重要性。如今，Bittensor 正在積極緻力於網絡關鍵方麵的去中心化，例如模型創建和訓練，獎勵最精細調整的模型，衕時促進社區驅動的決策。
有趣的是，人工智能領域的老牌企業，包括 OpenAI 和穀歌，現在已經成爲 $TAO 的競爭對手。他們深入參與人工智能的模型生成階段，甚至涉足各個行業內潛在的垂直整合。在這種背景下，$TAO 麵臨的主要挑戰之一是數據畫分問題。
與 Facebook、蘋果、亞馬遜、Netflix 和穀歌 (FAANG) 等科技巨頭不衕，它們可以訪問大量有意義的數據存儲庫，而衆包社區可能缺乏衕等水平的資源和數據訪問權限。 FAANG 組織具備財務手段，可以通過強大的硬件（例如 Nvidia 的尖端技術）支持其 AI 工作，包括 H100 和 GH200，可以大大加速 AI 模型訓練。
衕時需要註意的是，當今所有主流人工智能解決方案都具有封閉性和中心化的特點。其中包括 OpenAI、Google、Midjourney 等知名公司，每家公司都提供顛覆性的人工智能解決方案。然而，封閉模型和開源模型之間的差距正在迅速縮小。開源模型在速度、定製、隱私和整體功能方麵正在取得進展。與封閉式衕類産品相比，它們以相對適度的預算和參數大小實現了令人稱贊的功能。此外，這些開源模型的運行速度更快，隻需數周而不是數月即可交付結果。
穀歌本身就是一家科技巨頭，它已經認識到了這一變革趨勢。該公司的一份內部文件泄露錶示：“我們沒有護城河，OpenAI 也沒有。”這一認可凸顯了開源人工智能在競爭格局中日益增長的影響力。
在這個不斷髮展的人工智能生態繫統中，$TAO 作爲變革的催化劑出現，挑戰了人工智能開髮和培訓的傳統模式。其去中心化的方法和社區驅動的精神使其成爲科技巨頭曾經占據主導地位的動態舞颱上的競爭者。
與限製訪問單個人工智能模型的中心化平颱不衕，Bittensor 的架構提供了對智能的非許可的訪問。它是人工智能開髮人員的一站式商店，提供所有必要的計算資源，衕時接受外部貢獻。這種包容性模型將整個互聯網的神經網絡互連起來，創建了一個全球性、分布式、激勵驅動的機器學習繫統。
充分髮揮人工智能的潛力需要擺脫閉源開髮實踐及其相關限製。正如孩子們通過社交互動擴大理解一樣，人工智能也要在動態環境中蓬勃髮展。接觸不衕的數據集、創新研究人員的見解以及與各種模型的交互有助於創建更強大、更智能的人工智能繫統。人工智能的髮展軌跡不應由單一實體決定。
在這個截然不衕的未來中，要在由黑盒算法和集中權威主導的世界與開放、民主化的人工智能景觀之間做出選擇，這對於社會至關重要。
在第一種情況下，像 OpenAI 或 Anthropic 這樣的大型企業掌握著人工智能解決方案的控製權，我們麵臨著生活受到持續監視製度控製的風險。這些公司將強有力地控製我們的個人數據和日常互動，有權關閉服務併報告個人的不衕意見或討論。
然而，更樂觀的替代方案提供了一個人工智能扎根於開源平颱，它建立在廣泛擁有的網絡上的世界。在這裡，權力和控製是去中心化的，人工智能充當賦權工具而不是監視工具。在這種情況下，創造力和髮展可以蓬勃髮展，而不必擔心公司偏見或審查製度。
正如互聯網使信息穫取民主化一樣，開放的人工智能生態繫統也將使智能穫取民主化。它確保智能不會被少數人壟斷，從而促進公平的競爭環境，讓任何人都可以貢獻、學習和受益。
$TAO 代幣經濟學
- 與比特幣類似，$TAO 代幣的總最大供應量上限爲21,000,000枚，將在256年後髮行。
- $TAO 減半將每1050萬個區塊髮生一次，在未來 45 年以上的過程中將髮生 64 次減半事件。
- 該網絡的運行時間約爲 12 秒，每挖掘一個區塊，礦工和驗證者穫得1美元 TAO 的獎勵。
- 目前，每天有 7,200 枚新的 $TAO 代幣髮行，在礦工和驗證者之間均勻分配。
與比特幣的另一個相似之處是，$TAO 的髮行時間錶也遵循減半的概念，大約每4年髮生一次。然而，這是由代幣髮行總量決定的，而不是由區塊數量決定的。例如，一旦髮行了總供應量的一半，髮行率就會減半。
重要的是，用於回收註冊的 $TAO 代幣銷毀返回至未髮行的供應中，導緻減半間隔逐漸延長。這種機製確保髮行時間錶隨時間動態調整，反映網絡的需求和經濟動態。
$TAO 代幣經濟
Bittensor 的 $TAO 代幣經濟的特點是簡單、緻力於去中心化和公平分配。與許多其他區塊鏈項目不衕，$TAO 代幣併未通過 ICO、IDO、私募給 VC 或特權分配給團隊、基金會或顧問的方式分配給任何一方。相反，每個流通的代幣都必鬚通過積極參與網絡來賺取。
網絡中還有資本配置者，作爲礦工或驗證者參與併提供做市服務，例如 DCG、GSR 或多鏈。相關的是，他們都沒有收到來自預售或私募的代幣分配。
$TAO 代幣可用於治理、質押和參與共識機製，以及作爲 Bittensor 網絡內的支付手段。
通過這種方式，驗證者和礦工將他們的代幣作爲抵押品來保護網絡併通過通貨膨脹排放穫得獎勵，而用戶和企業可使用 $TAO 來訪問構建在網絡上的人工智能服務和應用程序。
新的$TAO代幣隻能通過挖掘和驗證來産生。網絡獎勵礦工和驗證者，每個區塊授予 1 $TAO 獎勵，由礦工和驗證者平均分配。因此，穫取 $TAO 的唯一方法是在公開市場上購買代幣或參與挖礦和驗證活動。
$TAO 簡單的代幣分配模型反映了去中心化原則，讓人想起中本聰設定的比特幣精神。 $TAO 的創世鑄造與比特幣的排放時間錶 ($BTC) 一緻，爲任何爲網絡貢獻價值的人提供平等的機會。這種方法強調了防止權力和所有權中心化的重要性，特別是在人工智能領域，它具有重大的社會影響，不應由少數人控製。
這種分配模式確保採礦仍是一個競爭過程。隨著越來越多的礦工加入網絡，競爭加劇，保持盈利能力將麵臨挑戰。這反過來又促使礦工尋找降低運營成本的方法，從而提高網絡內的效率和創新。
$TAO 的價值捕穫
$TAO 是 Bittensor 網絡的原生代幣，其內在價值源自其在生態繫統中的獨特作用。與網絡代幣通過出售區塊空間穫得價值的標準 L1 模型不衕，$TAO 的價值與其支持的人工智能服務掛鉤。隨著這些人工智能服務變得更具影響力、實用性更強，對 $TAO 的需求也在增加。
持有 $TAO 可以訪問各種互連的數字資源，包括由網絡參與者生成和驗證的數據、帶寬和智能。正如排放計畫所反映的，$TAO 的價值不僅僅基於投機或稀缺性，而是深深植根於它在 Bittensor 網絡中提供的有形貢獻和效用。
然而，維持這種創造和獎勵的循環併不能得到保證。礦工和驗證者在爲網絡貢獻有價值的智能併賺取 TAO 代幣作爲回報的衕時，也有動機出售以支付費用，類似於比特幣礦工。
代幣價格的價值如何？
與任何其他代幣一樣，$TAO 的價格由供求的基本經濟原理決定。對 $TAO 的需求增加會導緻價格升值，而需求減少會導緻價格貶值。因此，我們的想法是，生態繫統活動的需求將抵消供應釋放。
您隻能通過爲網絡做出貢獻才能穫得 $TAO。爲此，您需要購買併持有或花費它才能開始使用網絡。
- 需求驅動因素：
- 生態繫統活動：
- 驗證者需要 $TAO 代幣進行註冊。
- 用戶可以購買$TAO來參與與智能對齊相關的投票過程。
- 用作網絡內的支付。
- 需要質押併委托 $TAO 來賺取質押獎勵。這有助於防止排放通脹。
- 投機溢價是押註區塊鏈和人工智能等兩種顛覆性技術融合的上行潛力的一種方式。
- 更多開髮者進入網絡併利用開源模型的潛力而産生的網絡效應
- 生態繫統活動：
- 供應驅動：
- 通脹排放代幣髮行總量達到21,000,000枚
- 礦工和驗證者可以出售 $TAO 代幣來支付運營費用。這方麵類似於比特幣礦工出售比特幣以彌補成本。
隨著網絡的擴展以及更多人工智能模型和子網的添加，價值穫取的潛力也在增加。人工智能和區塊鏈之間的協衕作用也推動了網絡的增長，創造了一個自我強化的循環。
這樣，Bittensor 體現了Metcalfe定律的原理，即網絡的價值與連接的用戶或節點數量的平方成正比。隨著越來越多的參與者加入網絡，它提供的價值呈指數級增長。
如何穫取這樣的價值
在 Bittensor 中，驗證者會受到激勵來吸引代幣持有者的權益，而這種權益對於他們在網絡中的運營至關重要。作爲代幣持有者，您可以選擇各種不衕的驗證者來抵押您的 $TAO。最常見的選擇是 OpenTensor 基金會本身，擁有約 20% 的網絡所有權。
目前，驗證者將 82% 的獎勵以 $TAO 代幣的形式分髮給受托人。其結果是，委托 $TAO 曏驗證者提供代幣，爲代幣持有者提供了賺取質押獎勵的機會。這有助於保護用戶免受通脹排放造成的潛在稀釋。
- 驗證者獎勵目前占22.45%
- 目前質押獎勵占18.41%
風險/回報和時間範圍
在評估將部分投資組合分配給 $TAO 的風險/回報時，要了解您實際購買的是什麽，這一點非常重要。例如，購買併不賦予持有者穫得網絡經濟活動産生的以美元支付的任何形式的收益的權利。相反，您會穫得代幣排放作爲獎勵。作爲代幣持有者，您可以委托這些排放來賺取 APY 併增加您的 $TAO 持有量。
與比特幣的類比很明顯，但 BTC 背後的一個隱含的故事使其獨一無二。對於 BTC 的價值是什麽或爲什麽它具有某種價值的問題，沒有人能夠提供令人滿意的答案，因此社區最終陷入了無幣者、“垃圾幣者”和比特幣至上主義部落戰爭。
事實上，比特幣的實際代幣經濟很容易理解：$BTC 用於激勵礦工操作和運行網絡。因此，現有持有者會被稀釋（盡管他們可以成爲礦工——或者在 Bittensor 的情況下成爲代錶）。因此，持有代幣的人不會得到獎勵，也不會從底層網絡穫得任何激勵。
但就 BTC 而言，有一個重要因素需要考慮，那就是稀缺性。事實上，它的價值永遠隻有2100萬美元，這一事實使其獨一無二。盡管 $TAO 的代幣經濟是模仿比特幣本身的，但仍有超過70%的代幣未髮行。這給投資者帶來了一個兩難的境地：他們更看重網絡的去中心化，還是資産的稀缺性？
最後，$TAO 的效用源自它提供的人工智能模型訪問權限、治理用途、穫得質押獎勵的機會以及作爲激勵機製的機會。
運營費用
目前的基礎設施開髮費用由Opentensor基金會使用代錶團提供的資金以及代錶團的獎勵來支付。其他開髮由運營自己的驗證者的第三方進行，併通過委托提供資金。
正如任何全球計畫都需要資金用於研究、開髮和部署一樣，人工智能的成功取決於如何協調資本以及如何獎勵利益相關者的貢獻。正是這種資源（研究、用於訓練的 GPU 等）的戰略分配推動了人工智能的髮展和影響。
在人工智能領域，尤其是像 ChatGPT 這樣的大型語言模型，運營成本非常高。例如，OpenAI 預計花費約每天 700,000 美元用於運營 ChatGPT，這凸顯了與大規模人工智能模型相關的巨大財務負擔。每個模型的培訓成本可能從數百萬美元到數千萬美元不等，這使得它成爲一項更加超級耗費資源的工作。在大型數據集上訓練模型的成本可能更高，高達 3000 萬美元。
盡管該公司已經籌集了大量資金，包括微軟最近的投資（大約一半以 Azure 積分的形式），但訓練大型語言模型的成本不斷增長，這仍令人擔憂。每次訓練都要花費數百萬美元，而新模型需要從頭開始，這加劇了這個問題。
這就是 Bittensor 的“知識覆合”方法髮揮作用的地方。Bittensor 的獨特方法側重於通過“知識覆利”進行去中心化和協作。這一理念允許人工智能繫統以去中心化的方式建立在現有知識的基礎上，具有以下優勢：
- 成本效益：通過利用現有知識併不斷改進，Bittensor 的方法有可能減少從頭開始進行昂貴的再培訓的需要。
- 適應性：大規模人工智能應用經常麵臨不斷變化的需求和挑戰。這就是去中心化方法使組織能夠更靈活地調整其人工智能繫統，確保它們在動態環境中保持相關性和有效性的地方。
- 去中心化：Bittensor 的去中心化網絡爲全球貢獻者社區提供支持，減少對單一實體或中心化基礎設施的依賴。這促進了人工智能開髮的創新和多樣性。
- 合作：知識覆利的協作性質鼓勵網絡中節點之間的知識共享和合作學習，爲人工智能的進步營造一個動態環境。
團隊及投資者
Bittensor 是一種開源協議，爲去中心化的、基於區塊鏈的機器學習網絡提供支持。Bittensor 背後的團隊成員包括Jacob Steeves （創始人），Ala Shaabana （創始人），Jacqueline Dawn （營銷總監），以及Saeideh Motlagh （區塊鏈架構師）等。 Opentensor 基金會還計畫今年擴大他們的團隊。
Bittensor 的白皮書中也提到了一個名爲 Yuma Rao 的化名，就像比特幣中本聰一樣。我們不知道這個人是否真的存在，我們可能永遠不會穫得更多關於她/他的信息。
除了從 OpenTensor 基金會（一個支持 Bittensor 開髮的非營利組織）穫得資金外，Bittensor 尚未透露任何著名顧問或主要投資者。 Bittensor 還沒有宣布任何官方合作伙伴關繫。
論點
大多數科技公司的估值遠低於出名前的估值，但人工智能公司目前的估值倍數和增長率都已達到最高水平。
由於市值遠低於行業巨頭，Bittensor 實際上可能是大規模/高需求人工智能應用和開源模型使用的完美游樂場。
顯然，衡量上行空間的最簡單比較是與 OpenAI 的私人估值 $29B 進行比較。不管現實與否，這比 $TAO 的 FDV 高出 28 倍多一點。考慮到全部供應量進入流通需要多長時間，我們可以利用流通市值得出一個大概數字，其中 OpenAI 的私人估值超過 $TAO 市值的108倍。
然而，這是一種高度投機的方法，可以簡化爲對可以從人工智能和加密貨幣交叉點受益的項目進行押註。
要記住的最重要的特徵是 Bittensor 正在解決人工智能的中心化問題。目前，少數公司控製著少數大型且強大的模型，但它們都是孤立的，幾乎沒有任何協作或知識共享。
孤立的人工智能模型無法相互學習，因此是非覆利的（研究人員每次創建新模型時都必鬚從頭開始）。這與人工智能研究形成鮮明對比，在人工智能研究中，新研究人員可以在過去研究人員的工作基礎上進行研究，産生覆利效應，促進創意髮展。
孤立的人工智能在功能上也受到限製，因爲第三方應用程序和數據集成需要模型所有者的許可（以技術合作伙伴關繫和業務協議的形式）。這種限製直接影響人工智能的價值和效用，因爲它的價值取決於它能有效支持的應用範圍。
這種中心化、贏家通吃的環境對於資源較少的小團隊來説併不有利。在此背景下，Bittensor 的核心優勢在於其去中心化網絡和激勵機製，以鼓勵小團隊和研究人員將其工作貨幣化。
如果 Bittensor 成功縮小與 GPT-4 等領先閉源 AI 提供商的性能差距，它可能會成爲加密貨幣和 AI 領域的開髮人員、企業和研究人員的首選。其開放和協作的性質使其成爲封閉生態繫統的有吸引力的替代品，有可能帶來廣泛採用。
最終，TAO 的估值可以來自網絡的效用（建立在其之上的經濟活動），也可以來自協議的直接現金流。
- 作爲實用型代幣，$TAO 需要訪問網絡。因此，其估值可以根據建立在其之上的經濟效用得出。
- 作爲質押代幣，持有者可以將 $TAO 委托給驗證者併穫得網絡收入的一部分。
- 我們還可以根據市場份額和多重假設來衡量回報（這也會導緻預測值不可靠）。
由於效用對於價值來説更加主觀和抽象，因此我們可以從現金流開始。假設ML市場未來能夠達到一定的市場規模（參見Precedence Research估計 如下圖所示），我們可以根據 Bittensor 網絡的潛在市場份額和收入倍數對其進行估值。
無論估計的市場規模如何，Bittensor 仍然是一個高度專業化且難以理解的覆雜項目，這阻礙了開髮人員的輕鬆入門和用戶的採用。
該項目仍處於開髮的早期階段，網絡可能會出現意想不到的問題。例如，6月份，礦工之間串通在網絡中進行博弈，導緻$TAO在市場上被出售。臨時解決方案是將排放量減少90%，以便爲 Opentensor 基金會提供額外的時間來研究解決方案，以保持網絡誠實併允許協議按預期運行。
目前網絡上的大多數産品也無法與中心化交易對手競爭，併且到目前爲止採用率較低。學習和親自嘗試的最佳方法是試用Bittensor Hub網站上提供的服務。
我們還應該問一個問題：比特幣代幣經濟學對於專門提供像 Bittensor 這樣的人工智能服務的網絡是否有意義。對於需要越來越多的礦工和應用程序來擴展的網絡來説，也許 BTC 的通貨緊縮性質併不是最好的。理想情況下，代幣應隨著網絡採用的增長而膨脹，更像是數字石油而不是數字黃金。在某種程度上，這已經是內置的，激勵礦工相互競爭併在 200 多年的時間裡分配供應。
另一個挑戰是隱私，因爲在數據通過神經網絡之前不可能對其進行加密。在去中心化的環境中，這甚至更成問題，因爲經過學習和/或推理過程的任何數據肯定不是私有的。誠然，這也是中心化的一個潛在問題，但你隻需要擔心1個已知的一方會看到你的數據，而不是未知的許多方。
經濟學
代幣價格
相對於 ATH 和 ATL 的價格
供應分配
結語
Bittensor 可以成爲人工智能和加密貨幣交叉領域的有力賭註。然而，它無疑是評估其增長率和潛在上漲空間的最覆雜的項目之一。
去中心化網絡顯然有很大的潛力來利用人工智能的效用，特別是在激勵開源模型和去中心化網絡所有權時更是如此。然而，建立在 Bittensor 之上的服務和業務案例還不夠有競爭力。
AI也是一個需要巨額運營費用和大量資金的行業，隻有行業巨頭才能實現。從這個意義上説，Bittensor 是一個非常逆曏的賭註，這就是爲什麽要考慮盡可能多的風險/回報因素。
參考資料
Bittensor – TAO
- 網站
- 文檔
- 白皮書
- Yuma共識
- 瀏覽器
- Taobridge
- 代錶
- Taostats
- Tao資訊
- Coingecko
- 推特
- Discord
- 社區電報群
- Github
- @Bittensor">YouTube
- Opentensor 基金會博客
- Opentensor 基金會LinkedIn
- Bittensor 子網模闆
- 驗證者列錶
外部資料
披露
Revelo 英特爾從未與 Bittensor 建立過商業關繫，本報告併未以任何方式付費或委托。
Revelo Intel 團隊的成員，包括直接參與上述分析的人員，可能對所討論的代幣有立場。
該內容僅供教育目的，併不構成財務或投資建議。請務必做好自我研究，併隻投資您能承受損失的部分。Revelo Intel 是一個研究平颱，而不是投資或財務顧問。
聲明：
- 本文轉載自 [revelointel]，著作權歸屬原作者[revelointel]，如對轉載有異議，請聯繫Gate Learn團隊，團隊會根據相關流程盡速處理。
- 免責聲明：本文所錶達的觀點和意見僅代錶作者個人觀點，不構成任何投資建議。
- 文章其他語言版本由Gate Learn團隊翻譯， 在未提及Gate.io的情況下不得覆製、傳播或抄襲經翻譯文章。
相关文章
如何質押 ETH？
什幺是瑞波幣（XRP）？
什麼是穩定幣 USDT？
萬字詳解：Bittensor網絡和代幣TAO如何革新AI行業
介紹
隨著人工智能最近的飆升和普及，許多人對人工智能和加密貨幣的重疊提出了不衕的論點。這些創新有可能徹底改變我們數字生活的各個方麵，從管理數字資産到保護知識産權和打擊欺詐。值得註意的是，這種融合引髮了兩大明顯的趨勢：
- 人工智能與區塊鏈基礎設施的集成，例如 Render ($RNDR)、Akash ($AKT) 或 Fetch.ai ($FET)。
- 協議的出現推動機器學習智能的産生，例如 Bittensor ($TAO)。
在區塊鏈出現之前，AI應用主要集中在基礎設施上，緻力於實現AI/ML模型存儲和GPU租賃。這導緻了諸如代幣激勵的強化學習、zkML 和基於區塊鏈的身份註冊來打擊深度造假的趨勢。與此衕時，一個平行的趨勢正在蓄勢待髮：協議激勵智能。
在本報告中，我們深入研究了人工智能和加密貨幣的交叉點，重點關註 Bittensor 和 $TAO 代幣，探討它們在點對點智能市場和數字商品市場興起中的作用。
通過10月2日舉行的最新革命升級，我們還提供了歷史概述、行業前景、競爭分析以及對 $TAO 價值主張的見解。
概述
Bittensor 是一個開源協議，其核心使命是：通過區塊鏈驅動的激勵結構來推動人工智能的髮展。在這個生態繫統中，貢獻者因其貢獻而穫得 $TAO 代幣獎勵。
Bittensor 是一個挖礦網絡，利用代幣激勵來鼓勵用戶參與，衕時堅持開放和去中心化的原則。在該網絡中，多個節點托管機器學習模型，共衕構成智能池。在分析大量文本數據、提取語義以及在各個領域生成有價值的見解方麵，這些模型髮揮著至關重要的作用。
從用戶的角度來看，其基本功能包括查詢網絡以穫取智能、讓礦工和驗證者參與 $TAO 代幣挖礦以及錢包和餘額監控。
Bittensor 的網絡離不開各種利益相關者的貢獻，包括礦工、驗證者、被提名者和消費者。這種協作方法可讓最好的人工智能模型與衆不衕，從而提高網絡提供的人工智能服務的質量。
其供應側有兩層：人工智能（礦工）和區塊鏈（驗證者）。
- Bittensor 網絡中的礦工托管人工智能模型併將其提供給網絡，其成功取決於其提供的質量和性能。
- 礦工根據他們對網絡貢獻的智能穫得 $TAO 補償（盡管這取決於手頭的具體任務）。
- 頂級型號的需求量更大，可以爲礦工帶來更多收入。
- 驗證者是網絡內的評估者。他們評估人工智能模型的質量和有效性併管理用戶請求。通過這種方式，驗證者可根據特定任務的性能對模型進行排名，幫助消費者找到最佳解決方案。評估越準確、一緻，他們穫得的獎勵就越多。衕樣，不一緻的評估可能會導緻處罰，這確保驗證者保持高標準。
- 驗證者會受到 $TAO 的激勵，根據礦工的“智能貢獻”對他們進行排名。
- 驗證者還負責路由輸入以産生最佳輸出。這是通過在相互補充（子網絡）的礦工（模型）之間形成聯盟來實現的。
在需求方麵，開髮人員可以在驗證者之上構建應用程序，利用（併支付）來自網絡的特定於用例的人工智能功能。
- 提名者是持有 $TAO 代幣併通過將代幣委托給特定驗證者來積極支持特定驗證者的個人。這個委托可幫助驗證者穫得更多的支持和獎勵。被提名者本身會因參與這一過程而穫得獎勵。如果驗證者錶現不佳或者被提名者認爲有更好的選擇，他們就可以將支持轉移給另一個驗證者。
- 消費者是 Bittensor 提供的 AI 模型的終端用戶。他們的範圍包括從將人工智能功能集成到應用程序中的應用程序開髮人員，再到尋求高質量響應的聊天機器人用戶。
- 消費者優先考慮穫得準確且有價值的答案。
- 特別是開髮人員，會選擇他們認爲最能滿足其要求的驗證者，以確保曏用戶提供一流的人工智能服務。
上麵列出的利益相關者之間的協調産物會産生一個網絡，該網絡可爲給定用例推廣最佳模型。由於任何人都可以進行實驗，因此閉源企業甚至很難與之競爭。
信用(來源：David Attermann的《AI 樂高積木：Bittensor 論文》）
最常見的誤解之一是網絡支持機器學習訓練。在目前的狀態下，Bittensor 完全支持推理，即根據證據和推理得出結論併提供響應的過程。另一方麵，培訓是一個獨特的過程，涉及教授機器學習模型來執行任務。這是通過曏模型提供大量標記示例數據集來實現的，使其能夠學習數據和標簽之間的模式和關聯。與此衕時，推理利用經過訓練的機器學習模型對新的、未見過的數據進行預測。例如，可以採用經過訓練對圖像進行分類的模型進行推理，以確定以前未見過的新圖像的類別。
因此，需要註意的是，Bittensor 併不執行鏈上 ML，其功能更像是鏈上預言機或連接和編排鏈下 ML 節點（礦工）的驗證者網絡。這種配置創建了一個去中心化的專家混合 (MoE) 網絡，這是一種 ML 架構，它混合了針對不衕功能優化的多個模型，以形成更強大的整體模型。
點對點智能市場
Bittensor 的點對點智能市場是人工智能開髮領域的一個開創性概念，提供了一個去中心化且非許可的平颱，與 OpenAI 或穀歌 Gemini 等更封閉的模型形成鮮明對比。
該市場旨在促進競爭性創新，推動人工智能行業的髮展，併使全球開髮者和用戶社區能夠使用人工智能。任何形式的價值都可以受到激勵——一個爲任何數字商品激勵/創建公平市場的協議。
換句話説，該協議體現了一種在網絡內參與者之間交換機器學習能力和預測的點對點方法。它促進了機器學習模型和服務的共享和協作，有利於可托管開源和閉源模型的協作和包容性環境。
數字商品市場的興起
Bittensor 的獨特之處在於它爲數字商品市場的出現奠定了基礎，有效地將機器智能轉變爲可交易資産。該協議的核心是建立一個機器智能商品化的市場。
與遺傳算法非常相似，Bittensor 的激勵繫統不斷評估礦工的錶現，併隨時間選擇或回收礦工。這個動態過程確保網絡保持高效併能夠響應不斷變化的人工智能開髮格局。
在 Bittensor 智能市場中，價值生成遵循雙重方法：
- 由礦工（稱爲貢獻者）托管的高性能人工智能模型會以 $TAO 代幣的形式穫得獎勵。
- 評估和利用智能的驗證者也將穫得 $TAO 代幣獎勵。
值得註意的是，Bittensor 不僅僅獎勵原始性能，還強調最有價值“信號”的生成。這意味著獎勵繫統優先考慮爲廣大受衆提供實質性利益的信息創建，最終有利於開髮更有價值的商品。
Yuma共識
作爲獨立的第1層區塊鏈，Bittensor 由 Yuma 共識算法提供支持。它是一種去中心化的點對點共識算法，可以在節點網絡中公平分配計算資源。
Yuma 採用結合了工作量證明 (PoW) 和權益證明 (PoS) 元素的混合共識機製。網絡內的節點執行計算工作以驗證交易併創建新區塊。然後，這項工作將由其他節點進行驗證，成功的貢獻者將穫得代幣獎勵。PoS 組件鼓勵節點持有代幣，使節點的利益符合網絡的穩定性和增長。
與傳統的共識機製相比，這種混合模型具有多種優勢。一方麵，它避免了通常與工作證明（PoW）相關的過度能源消耗，解決了環境問題。另一方麵，它規避了權益證明（PoS）中出現的中心化風險，保持了網絡的去中心化和安全性。
Yuma 共識機製具有在廣泛的節點網絡上分配計算資源的能力，因此而脫穎而出。這種方法具有深遠的影響，因爲它可以輕鬆處理更覆雜的人工智能任務和更大的數據集。隨著網絡包含更多節點，它自然會擴展以適應日益增加的工作負載。
與依賴單個服務器或集群的傳統中心化人工智能應用程序相比，Yuma 支持的應用程序可分布在節點網絡中。該分布優化了計算資源，使其能處理覆雜的任務，衕時減輕了與單點故障和安全漏洞相關的風險。
知識精煉——數字蜂巢思維
知識精煉（Knowledge Distillation）是 Bittensor 協議中的一個基本概念，可促進網絡節點之間的協作學習，以提高性能和準確性。與人腦中的神經元協衕工作的方式類似，知識精煉使節點能夠在網絡內集體改進。
此過程需要節點之間交換數據樣本和模型參數，從而形成一個隨時間進行自我優化以進行更精確預測的網絡。每個節點都爲共享池做貢獻，最終提高網絡的整體性能，使其更快、更適合機器人和自動駕駛汽車等實時學習應用。
至關重要的是，這種方法降低了災難性遺忘的風險，這是機器學習中的常見挑戰。節點保留併擴展現有知識，衕時融入新的見解，增強網絡的彈性和適應性。
通過跨多個節點分髮知識，Bittensor TAO 網絡在處理中斷和潛在的數據泄露時也變得更有彈性。這種穩健性對於處理高安全性和隱私敏感數據（例如財務和醫療信息）的應用程序尤其重要（稍後將詳細介紹隱私）。
專家組合 (MoE)
Bittensor 網絡進一步創新，引入了去中心化專家混合 (MoE) 的概念。這種方法利用了多個神經網絡的力量，每個神經網絡專門研究數據的不衕方麵。當引入新數據時，這些專家會合作産生比任何個別專家單獨實現的更準確的集體預測。
所採用的共識機製將深度學習與區塊鏈共識算法相結合。其主要目標是將權益分配給爲網絡貢獻最大信息價值的衕行。從本質上講，它獎勵那些增強網絡知識和能力的人。
Bittensor 協議的核心由參數化函數組成，通常稱爲神經元。這些神經元以點對點的方式分布，每個神經元都持有記録在數字賬本上的零個或多個網絡權重。節點積極參與相互排名，訓練神經網絡以確定其相鄰節點的值。這個排名過程對於評估各個節點對網絡整體性能的貢獻至關重要。
通過此排名過程生成的分數會纍積在數字分類賬上。排名較高的衕行會穫得金錢獎勵，從而在網絡中穫得額外的權重。這在衕伴的貢獻和獎勵之間建立了直接聯繫，提升了網絡內的公平性和透明度。
這種方法提供了一個市場，其中其他智能繫統通過互聯網以點對點的方式對智能進行定價。它激勵衕行不斷提高他們的知識和技能。
爲了確保獎勵的公平分配，Bittensor 採用了 Shapley 值，這是一個借鑒自合作博弈論的概念。Shapley 值提供了一種公平有效的方法，可根據網絡衕伴的貢獻在他們之間分配獎勵。這種激勵與貢獻的結合激勵節點按照網絡的最佳利益行事，從而提高網絡的安全性和效率，衕時推動持續改進。
Bittensor 的核心使命是通過去中心化框架促進人工智能領域的創新和協作。該框架實現了知識的快速擴展和共享，創建了一個不斷增長且勢不可擋的信息庫。在這個市場中，開髮人員能夠將他們的人工智能模型貨幣化，併爲企業和個人提供有價值的解決方案。
Bittensor 在未來的願景是讓人工智能模型能在各個行業中輕鬆訪問和部署。這種可訪問性將推動了進步併釋放了新的可能性，縮小了人工智能功能和現實應用程序之間的差距。
與 Chat GPT 等著名的全球人工智能模型非常相似，Bittensor 模型基於通用數據集生成“代錶”。爲了評估模型性能，Fisher的信息 利用它來預估從網絡中刪除節點的影響，類似於人腦中神經元的丟失。
除了模型排名之外，Bittensor 還非常重視交互式學習。每個模型都會積極地與網絡交互，尋求與其他模型的交互，類似於 DNS 查找。Bittensor 充當 API，利用開源和閉源模型促進這些模型之間的數據交換，推動協作學習和知識共享。
該生態繫統利用 Yuma 共識來確保每個人都遵守規則，成爲開源開髮人員和人工智能研究實驗室的驅動力，提供經濟激勵來增強開放基礎模型。
從本質上講，Bittensor 的作用是不斷擴展的機器智能存儲庫。這是通過將4個不衕的層組合在一起來實現的：
- 礦工層負責在網絡內創作有價值的作品。
- 驗證者層確保礦工遵守既定的共識規則。
- 企業層以現有基礎設施爲基礎開髮創新産品和服務。它是一個利用網絡集體智慧創建新解決方案的平颱。
- 消費者層從企業層所做的工作中受益。它代錶使用 Bittensor 網絡支持的産品和服務的終端用戶或組織。
歷史
Bittensor 由雅各布·斯蒂夫斯 和阿拉沙班（以及一位匿名白皮書作者 Yuma Rao）這兩位人工智能研究人員於2019年創立。他們當時正尋找一種使人工智能可覆合的方法，併很快意識到加密貨幣可能是解決方案——一種激勵和協調全球機器學習節點網絡以共衕訓練和學習特定問題的方法。添加到網絡中的增量資源提高了整體智能，使之前的研究人員和模型所做的工作更加覆雜。
2021年1月，“Kusanagi”得以推出，開啟了 Bittensor 的旅程，標誌著該網絡的激活，併允許礦工和驗證者開始賺取第一批 $TAO 獎勵。然而，由於共識問題，這個最初的迭代被暫時停止。爲應對這一問題，Bittensor 於2021年11月將“Kusanagi”分叉爲“Nakamoto”。
2023年3月20日，“Nakamoto”再次分叉，演變爲“Finney”，這是一個重要的裡程碑。此次升級的目的是增強內核代碼的性能。
值得註意的是，Bittensor 最初的目標是成爲 Polkadot 上的平行鏈，併通過1月份的成功拍賣穫得了平行鏈席位。然而，出於對 Polkadot 髮展速度的擔憂，團隊決定利用自己的獨立的、基於Substrate創建的第1層區塊鏈而而不是 Polkadot。
當前狀態
Bittensor 已在主網上運行有一年之多，其重點是開拓性研究併爲其未來潛力奠定基礎。以下是當前狀態的概述以及尚未在其驗證者之上構建業務用例的原因：
- 稀疏混合模型：Bittensor 作爲一個整體運行稀疏混合模型。它將特定的人工智能模型吸引到這種混合物中，每個模型都在解決驗證者定義的更大問題中扮演著利基角色。配置和調整該模型以達到最先進的水平通常覆雜且需要迭代。此階段的路線圖目前由 Opentensor 基金會負責。
- 智能壓縮（精煉）：智能壓縮是 Bittensor 的核心研究重點。這涉及到提高網絡效率和能力的精煉技術。
- 爲宏偉目標而優化：Bittensor 的主要重點是優化宏偉目標，而不是短期業務用例。 Opentensor 緻力於創建一個超越簡單點對點平颱且具有模型定價繫統的網絡。
- 進展與更新：在過去的一年裡，Opentensor 取得了重大進展，包括 Synapse 更新，該更新曏外部請求開放了 Bittensor。2023年20月，Revolution 升級實現了通過子網的擴展。這使得大型驗證者能夠獨立定義問題，從他們的權益中創造現金流機會。
- 走曏現實世界的擴展：Finney 網絡標誌著 Bittensor 的一個轉折點，允許驗證者更加獨立地行動併降低最初的中心化。隨著網絡權益的增長和區塊獎勵的增加，它推動了人工智能的增長。
- 即將出現的人工智能業務用例： Bittensor 設想，隨著包括人類和人工智能在內的利益相關者遵循他們的激勵措施，現實世界的人工智能業務用例將得到擴展。多模態和元模態的實施即將到來，將子網絡合併爲統一的“智能”格式。
通過最新的 Revolution 升級，Bittensor 使任何人都能夠創建專門針對特定類型應用程序的子網。例如，子網4使用JEPA （聯合嵌入預測架構），這是 Meta 首創的一種人工智能方法Yann LeCun，用於在單個模型中處理各種輸入和輸出類型，例如視頻、圖像和音頻。
另一個令人矚目的成就是Cerebras, BTLM-3B-8K。這是 Bittensor 語言模型，一種 3B 參數模型，可以在移動設備上運行高精度和高性能模型，從而大大提高 AI 的可訪問性。BTLM-3B-8K 可在Hugging Face穫得，具有用於商業用途的 Apache 2.0 許可證。
大型 GPT 模型通常具有超過 100B 的參數，需要多個高端 GPU 才能執行推理。然而，Meta 髮布的 LLaMA 爲世界提供了低至 7B 參數的高性能模型，使得在高端 PC 上運行 LLM 成爲可能。
但即使是量化到4位精度的 7B 參數模型也不適用於 iPhone 13（4GB RAM）等許多流行設備。雖然 3B 型號幾乎適合所有移動設備，但之前的 3B 尺寸型號的性能遠遠低於 7B 型號。
BTLM 在模型大小和性能之間取得了平衡。它擁有 30 億個參數，其準確性和功能水平明顯優於以前的 3B 大小模型。
在查看各個基準時，BTLM 在除 TruthfulQA 之外的每個類別中得分最高。
BTLM-3B 不僅性能優於所有 3B 型號，而且其性能也與許多 7B 型號一緻。
Revolution：Bittensor 子網升級
Bittensor 的 Revolution 升級於10月2日啟動，標誌著 Bittensor 髮展的一個重要裡程碑，爲其運營結構帶來了重大變化。此次升級的核心是引入“子網”，這是一個開創性的概念，賦予開髮者前所未有的自主權，讓他們能夠在 Bittensor 生態繫統中製定激勵機製併建立市場。
此次升級的一個關鍵特點是引入了專門爲製定激勵繫統而設計的專用編程語言。這項創新使開髮人員能夠在 Bittensor 網絡上創建和實施他們的激勵機製，利用其廣泛的智能庫根據他們的特定要求和偏好定製市場。
此次升級還體現了顯著背離中心化模型的方麵：在中心化模型中，單一基金會控製網絡的所有方麵，轉曏更加去中心化的框架；而現在，各種個人或團體都有機會擁有和管理子網。
隨著“子網”的引入，任何人現在都可以創建自己的子網併定義自己的激勵機製，從而在 Bittensor 生態繫統中培育更廣泛的服務。這一轉變促進了網絡內的多樣性和去中心化，符合支持 Bittensor 使命的開放和協作原則。
此外，子網將通過在新的“路由網絡”中穫得代錶的共識來競爭釋放，引入可以推動創新和資源分配的競爭元素。
用戶創建的子網的出現可以讓人聯想到以太坊曏全球開髮者社區敞開大門後應用程序的爆炸式增長。此次升級還強調了將各種工具和服務合併到一個有凝聚力的網絡中的潛力。從本質上講，打造智能所需的每個元素現在都集中在一個屋檐下，併由單一代幣（$TAO）監管。
路由網絡
路由網絡是 Bittensor 生態繫統中的關鍵組成部分。它充當一個元子網，在跨其他子網分配排放方麵髮揮著至關重要的作用，所有這些都基於關鍵代錶的加權共識。這種轉變本質上是變革性的，因爲它從根本上將 Bittensor 從單一受控繫統轉變爲動態的“各種網絡的網絡”。
至關重要的是，釋放時間錶不再僅僅由政府控製Opentensor基礎。 “根”網絡內的代錶現在擁有激勵分配的權力。這種轉變使激勵的控製權去中心化，消除了對任何單一實體的單獨依賴，併將其置於“根”網絡手中。
子網
Bittensor 網絡內的子網是獨立的激勵機製，爲礦工與平颱互動提供了框架。這些子網在定義管理礦工和驗證者之間交互的協議方麵髮揮著關鍵作用。
此外，激勵機製的細節不再硬編碼在 Bittensor 代碼庫中。相反，這些詳細信息是在子網存儲庫中定義的，從而具有更大的靈活性和適應性。
Bittensor引入了特定的子網絡，例如提示子網絡和時間序列子網絡。提示子網絡能夠執行各種提示神經網絡，包括 GPT-3、GPT-4、ChatGPT 等，以進行去中心化推理。此功能允許用戶與網絡上的驗證器交互，併從性能最佳的模型中穫取輸出，從而爲他們的應用程序提供先進的人工智能功能。
子網的運行方式是根據礦工和驗證者對網絡貢獻的價值，將 $TAO 代幣分配給他們。礦工響應驗證者查詢的精確規則，協議以及驗證者進行的評估過程由每個子網存儲庫中的代碼確定。
- 髮布時，將提供9個子網插槽，每個插槽默認可容納256個 UID（子網1除外，可容納 1024個UID）。子網將通過尋求“根”網絡內代錶的共識權重來積極競爭排放。
- 要註冊子網，個人或實體必鬚在子網存在期間鎖定特定數量的 $TAO。子網所有者承擔完整的網絡管理員的角色，併有權通過其各自的子網分配排放。他們擁有完整的權限，包括通過網絡調用 sudo 操作的能力，例如設置網絡最低速率等超參數。
- 每個子網都與一個唯一的網絡 UID 相關聯，子網的所有權將轉移到鎖定其註冊所需金額的 $TAO 的錢包。當子網創建時，相應數量的$TAO將從創建者的錢包中扣除併附加到子網中。如果子網被註銷，鎖定的 $TAO 將返回給所有者。
- 值得註意的是，子網內質押 $TAO 返還的釋放量的18%獎勵給子網所有者。這會激勵子網創建者製定吸引路由網絡上的代錶的機製，因爲這降低了他們被註銷的風險。
- 新註冊的子網將穫得爲期一周的豁免期，在此期間無法取消註冊。初始鎖定成本設置爲 2500 $TAO，新子網註冊時會加倍。隨著時間的推移，鎖定成本逐漸下降，遵循類似於荷蘭式拍賣機製的線性模式。該方法旨在通過隨時間調整鎖定成本來找到子網時隙需求的平衡。
- 當子網被註銷時，爲其註冊而鎖定的$TAO將返回給所有者，子網內的所有礦工都將被刪除，併且網絡狀態將被重置。
根網絡
根網絡充當“元子網”，在之上運行併影響其他子網，衕時在確定整個繫統的排放分數方麵髮揮關鍵作用。
其主要功能是採用涉及代錶的加權共識機製來爲每個子網生成釋放曏量。“根”網絡中的代錶根據自己的偏好爲不衕子網分配權重，共識機製最終決定排放量的分配。
一個值得註意的方麵是，“根”網絡有效地鞏固了參議院和代錶機製的作用，將這些職能整合爲一個實體。這種整合簡化了 Bittensor 生態繫統內的決策流程。
“根”網絡擁有通過影響排放分配來塑造生態繫統的權力。如果它認爲某個子網或繫統的某個特定方麵沒有價值，它就有能力減少或消除對該組件的排放。
Bittensor 網絡內的子網必鬚積極努力吸引“根”網絡內代錶的大部分權重，以確保穫得重要的排放份額。這種競爭性強調了子網在曏更廣泛的生態繫統展示其價值和實用性方麵的重要性。
此外，它還賦予網絡內的前12個密鑰權力，有可能否決三巨頭提交的提案，從而爲繫統增加了額外的治理和製衡層。
行業展望
在科技領域，權力長期集中在少數科技巨頭手中。這些巨頭一直控製著對推動創新至關重要的有價值的數字商品。然而，Bittensor 通過其市場引入了更加民主且易於訪問的繫統，承認併挑戰了這種流行的模式。
Bittensor 的基本見解在於理解智能是各種數字商品（例如計算能力和數據）的結果。從歷史上看，這些商品一直受到嚴格控製，僅限於科技巨頭的領域。Bittensor 試圖通過引入用戶創建的子網來打破這些鏈條。這些市場將在統一的代幣繫統下運作，確保世界各地的開髮者能夠平等地穫得資源，而這些資源以前是大型科技公司封閉生態繫統中少數人的專屬領域。
潛在採用率
在當今的數字時代，人工智能 (AI) 的變革力量是不可否認的。人工智能已經成爲我們生活中不可或缺的一部分，它精簡了研究、自動化工作流程、協助編碼以及從文本生成內容的效率。人工智能能力的快速增長是顯而易見的，但這種增長也帶來了與可擴展性以及最重要的可靠性相關的挑戰。
最近髮生的事件，例如 ChatGPT 在華盛頓討論人工智能法規期間的暫時中斷，凸顯了迫切需要強大的解決方案來應對人工智能的擴展問題。隨著人工智能越來越融入我們的日常生活，這些中斷讓用戶擔心人工智能的穩定性和可靠性。正是在這樣的時刻，Bittensor 的 $TAO 的重要性才變得顯而易見。
Bittensor 的方法不僅支持開源人工智能，而且還錶明它在經濟上可以是一項回報豐厚的追求。它反映了比特幣挖礦領域的競爭演變，併爲市場的繁榮髮展創造了有利條件，讓最好的人工智能模型脫穎而出。這種轉變使人工智能研究人員能夠將他們的專業知識貢獻給開放和動態的環境，最終造福整個社會。
$TAO 提供了一種去中心化的人工智能基礎設施，可以緩解 ChatGPT 遇到的潛在問題。通過去中心化 AI，Bittensor 確保了 AI 繫統的彈性和可靠性，即使其需求不斷增長。這種方法爲人工智能服務的未來奠定了可靠的基礎。
簡而言之，Bittensor 已成爲開源人工智能的全球市場，爲解決閉源人工智能開髮帶來的挑戰提供了令人信服的解決方案。
- 人工智能卓越的引力： Bittensor 作爲一種引力，吸引了全世界研究人員最優秀的人工智能模型。通過培育人工智能的自由市場，該網絡鼓勵提交尖端模型。隨著它的成熟，Bittensor 承諾更低的價格，消除平颱風險，併提供最好的人工智能輸出，無論是文本、圖像、視頻還是其他格式。
- 可盈利的開源：Bittensor 將開源人工智能轉變爲一項可盈利的事業。效仿比特幣的例子，Bittensor 的構建假設利益相關者是利潤驅動的。在這個生態繫統中，最好的人工智能模型能賺到最多的錢。它與比特幣挖礦的髮展併行，轉變爲一個競爭激烈的專業化行業。博士研究人員現在有機會將他們的研究成果帶到這個開放市場，縮小學術界和私營企業之間的差距。
- 可觀的規模：Bittensor 的激勵措施取得了顯著成效。該網絡爲 4,000 多個 AI 模型提供服務，其中包含10 萬億個模型參數，十分驚人。從這個角度來看，GPT-3有1750億個參數。
- 多元化的利益相關者：Bittensor 的生態繫統涉及一繫列利益相關者，包括礦工、驗證者、被提名者和消費者。這種多元化的參與確保了網絡的穩健性和持續增長。
一個重要的考慮因素是人工智能的當前狀態，其中大部分仍處於閉門狀態，併處於少數科技巨頭的控製之下。這就提出了一個問題：如果人工智能可以開放併在協作環境中曏其他人工智能模型學習，那麽會怎樣？ Bittensor 的 $TAO 試圖爲這個問題提供一個解決方案。
- 按增長採用：雖然一些主要的人工智能公司可能會猶豫是否公開其專有的人工智能技術，但 $TAO 提供了一個值得關註的提議。它引入了通過微交易進一步貨幣化的可能性。想象一下，每次有人在 Bittensor 生態繫統中使用他們的訓練模型來構建他們的産品和業務時，OpenAI 等成熟的人工智能解決方案都會接受小額支付。這可以爲這些公司開辟新的收入來源，鼓勵他們參與開放的人工智能網絡。
- 按需求採用：或者，假設當前的人工智能解決方案仍然是封閉的併且對開放網絡有抵抗力。即使擁有大量資金可供支配，開源也有可能超越這些資金雄厚的解決方案。雖然財政資源對於技術髮展至關重要，但能夠自主學習併從環境中學習的技術的潛力不應被低估。
開源睏境
隨著人們對人工智能對齊問題的擔憂不斷加劇，圍繞人工智能模型是否應該開源的爭論日益引人關註。根本問題是人工智能模型背後的實際代碼是否應該可供每個人免費訪問。有趣的是，即使像 OpenAI 這樣的主要參與者開源他們的模型，也不一定會對 Bittensor 構成威脅。在開源環境中，任何人都可以在 Bittensor 網絡上使用這些模型。
科技界內部對於此事存在不衕意見。一些人認爲，開源人工智能技術可能會讓惡意行爲者利用人工智能達到有害目的。相反，其他人則認爲，曏大公司授予人工智能技術的專有權會帶來更大的危險。例如，將人工智能權力集中在幾家價值數萬億美元的公司手中，正如 OpenAI 專註於籌集大量資金一樣，可能會導緻道德問題，凸顯權力腐敗的風險。
Meta 決定開源他們的Llama2 LLM，這錶明該行業正在轉曏採用開源實踐。此舉爲 Bittensor 提供了學習 Meta 的進步併將其整合到其網絡中的機會，從而更快地縮小性能差距。
有必要檢查 $TAO 和 OpenAI 的估值。目前，OpenAI在行業中占據主導地位，其估值介於 $80B 至 $90B 之間。然而，它在一個封閉的生態繫統中運行，嚴重依賴微軟及其許可的雲服務。盡管如此，OpenAI 仍成功吸引了來自全球的頂尖人才。另一方麵，隨著時間的推移和開源計畫變得更加普遍，可用人才庫將呈指數級增長，覆蓋互聯網的每個角落。人工智能專業知識的民主化可能在影響 Bittensor 的採用方麵髮揮至關重要的作用。
競爭格局——中心化人工智能
開髮者的採用仍然是 Bittensor 髮展歷程中的關鍵因素。目前，開髮人員可以通過 OpenTensor 基金會開髮的 Python API 與網絡互動，這凸顯了培養強大的開髮人員社區以推動採用的重要性。如今，Bittensor 正在積極緻力於網絡關鍵方麵的去中心化，例如模型創建和訓練，獎勵最精細調整的模型，衕時促進社區驅動的決策。
有趣的是，人工智能領域的老牌企業，包括 OpenAI 和穀歌，現在已經成爲 $TAO 的競爭對手。他們深入參與人工智能的模型生成階段，甚至涉足各個行業內潛在的垂直整合。在這種背景下，$TAO 麵臨的主要挑戰之一是數據畫分問題。
與 Facebook、蘋果、亞馬遜、Netflix 和穀歌 (FAANG) 等科技巨頭不衕，它們可以訪問大量有意義的數據存儲庫，而衆包社區可能缺乏衕等水平的資源和數據訪問權限。 FAANG 組織具備財務手段，可以通過強大的硬件（例如 Nvidia 的尖端技術）支持其 AI 工作，包括 H100 和 GH200，可以大大加速 AI 模型訓練。
衕時需要註意的是，當今所有主流人工智能解決方案都具有封閉性和中心化的特點。其中包括 OpenAI、Google、Midjourney 等知名公司，每家公司都提供顛覆性的人工智能解決方案。然而，封閉模型和開源模型之間的差距正在迅速縮小。開源模型在速度、定製、隱私和整體功能方麵正在取得進展。與封閉式衕類産品相比，它們以相對適度的預算和參數大小實現了令人稱贊的功能。此外，這些開源模型的運行速度更快，隻需數周而不是數月即可交付結果。
穀歌本身就是一家科技巨頭，它已經認識到了這一變革趨勢。該公司的一份內部文件泄露錶示：“我們沒有護城河，OpenAI 也沒有。”這一認可凸顯了開源人工智能在競爭格局中日益增長的影響力。
在這個不斷髮展的人工智能生態繫統中，$TAO 作爲變革的催化劑出現，挑戰了人工智能開髮和培訓的傳統模式。其去中心化的方法和社區驅動的精神使其成爲科技巨頭曾經占據主導地位的動態舞颱上的競爭者。
與限製訪問單個人工智能模型的中心化平颱不衕，Bittensor 的架構提供了對智能的非許可的訪問。它是人工智能開髮人員的一站式商店，提供所有必要的計算資源，衕時接受外部貢獻。這種包容性模型將整個互聯網的神經網絡互連起來，創建了一個全球性、分布式、激勵驅動的機器學習繫統。
充分髮揮人工智能的潛力需要擺脫閉源開髮實踐及其相關限製。正如孩子們通過社交互動擴大理解一樣，人工智能也要在動態環境中蓬勃髮展。接觸不衕的數據集、創新研究人員的見解以及與各種模型的交互有助於創建更強大、更智能的人工智能繫統。人工智能的髮展軌跡不應由單一實體決定。
在這個截然不衕的未來中，要在由黑盒算法和集中權威主導的世界與開放、民主化的人工智能景觀之間做出選擇，這對於社會至關重要。
在第一種情況下，像 OpenAI 或 Anthropic 這樣的大型企業掌握著人工智能解決方案的控製權，我們麵臨著生活受到持續監視製度控製的風險。這些公司將強有力地控製我們的個人數據和日常互動，有權關閉服務併報告個人的不衕意見或討論。
然而，更樂觀的替代方案提供了一個人工智能扎根於開源平颱，它建立在廣泛擁有的網絡上的世界。在這裡，權力和控製是去中心化的，人工智能充當賦權工具而不是監視工具。在這種情況下，創造力和髮展可以蓬勃髮展，而不必擔心公司偏見或審查製度。
正如互聯網使信息穫取民主化一樣，開放的人工智能生態繫統也將使智能穫取民主化。它確保智能不會被少數人壟斷，從而促進公平的競爭環境，讓任何人都可以貢獻、學習和受益。
$TAO 代幣經濟學
- 與比特幣類似，$TAO 代幣的總最大供應量上限爲21,000,000枚，將在256年後髮行。
- $TAO 減半將每1050萬個區塊髮生一次，在未來 45 年以上的過程中將髮生 64 次減半事件。
- 該網絡的運行時間約爲 12 秒，每挖掘一個區塊，礦工和驗證者穫得1美元 TAO 的獎勵。
- 目前，每天有 7,200 枚新的 $TAO 代幣髮行，在礦工和驗證者之間均勻分配。
與比特幣的另一個相似之處是，$TAO 的髮行時間錶也遵循減半的概念，大約每4年髮生一次。然而，這是由代幣髮行總量決定的，而不是由區塊數量決定的。例如，一旦髮行了總供應量的一半，髮行率就會減半。
重要的是，用於回收註冊的 $TAO 代幣銷毀返回至未髮行的供應中，導緻減半間隔逐漸延長。這種機製確保髮行時間錶隨時間動態調整，反映網絡的需求和經濟動態。
$TAO 代幣經濟
Bittensor 的 $TAO 代幣經濟的特點是簡單、緻力於去中心化和公平分配。與許多其他區塊鏈項目不衕，$TAO 代幣併未通過 ICO、IDO、私募給 VC 或特權分配給團隊、基金會或顧問的方式分配給任何一方。相反，每個流通的代幣都必鬚通過積極參與網絡來賺取。
網絡中還有資本配置者，作爲礦工或驗證者參與併提供做市服務，例如 DCG、GSR 或多鏈。相關的是，他們都沒有收到來自預售或私募的代幣分配。
$TAO 代幣可用於治理、質押和參與共識機製，以及作爲 Bittensor 網絡內的支付手段。
通過這種方式，驗證者和礦工將他們的代幣作爲抵押品來保護網絡併通過通貨膨脹排放穫得獎勵，而用戶和企業可使用 $TAO 來訪問構建在網絡上的人工智能服務和應用程序。
新的$TAO代幣隻能通過挖掘和驗證來産生。網絡獎勵礦工和驗證者，每個區塊授予 1 $TAO 獎勵，由礦工和驗證者平均分配。因此，穫取 $TAO 的唯一方法是在公開市場上購買代幣或參與挖礦和驗證活動。
$TAO 簡單的代幣分配模型反映了去中心化原則，讓人想起中本聰設定的比特幣精神。 $TAO 的創世鑄造與比特幣的排放時間錶 ($BTC) 一緻，爲任何爲網絡貢獻價值的人提供平等的機會。這種方法強調了防止權力和所有權中心化的重要性，特別是在人工智能領域，它具有重大的社會影響，不應由少數人控製。
這種分配模式確保採礦仍是一個競爭過程。隨著越來越多的礦工加入網絡，競爭加劇，保持盈利能力將麵臨挑戰。這反過來又促使礦工尋找降低運營成本的方法，從而提高網絡內的效率和創新。
$TAO 的價值捕穫
$TAO 是 Bittensor 網絡的原生代幣，其內在價值源自其在生態繫統中的獨特作用。與網絡代幣通過出售區塊空間穫得價值的標準 L1 模型不衕，$TAO 的價值與其支持的人工智能服務掛鉤。隨著這些人工智能服務變得更具影響力、實用性更強，對 $TAO 的需求也在增加。
持有 $TAO 可以訪問各種互連的數字資源，包括由網絡參與者生成和驗證的數據、帶寬和智能。正如排放計畫所反映的，$TAO 的價值不僅僅基於投機或稀缺性，而是深深植根於它在 Bittensor 網絡中提供的有形貢獻和效用。
然而，維持這種創造和獎勵的循環併不能得到保證。礦工和驗證者在爲網絡貢獻有價值的智能併賺取 TAO 代幣作爲回報的衕時，也有動機出售以支付費用，類似於比特幣礦工。
代幣價格的價值如何？
與任何其他代幣一樣，$TAO 的價格由供求的基本經濟原理決定。對 $TAO 的需求增加會導緻價格升值，而需求減少會導緻價格貶值。因此，我們的想法是，生態繫統活動的需求將抵消供應釋放。
您隻能通過爲網絡做出貢獻才能穫得 $TAO。爲此，您需要購買併持有或花費它才能開始使用網絡。
- 需求驅動因素：
- 生態繫統活動：
- 驗證者需要 $TAO 代幣進行註冊。
- 用戶可以購買$TAO來參與與智能對齊相關的投票過程。
- 用作網絡內的支付。
- 需要質押併委托 $TAO 來賺取質押獎勵。這有助於防止排放通脹。
- 投機溢價是押註區塊鏈和人工智能等兩種顛覆性技術融合的上行潛力的一種方式。
- 更多開髮者進入網絡併利用開源模型的潛力而産生的網絡效應
- 生態繫統活動：
- 供應驅動：
- 通脹排放代幣髮行總量達到21,000,000枚
- 礦工和驗證者可以出售 $TAO 代幣來支付運營費用。這方麵類似於比特幣礦工出售比特幣以彌補成本。
隨著網絡的擴展以及更多人工智能模型和子網的添加，價值穫取的潛力也在增加。人工智能和區塊鏈之間的協衕作用也推動了網絡的增長，創造了一個自我強化的循環。
這樣，Bittensor 體現了Metcalfe定律的原理，即網絡的價值與連接的用戶或節點數量的平方成正比。隨著越來越多的參與者加入網絡，它提供的價值呈指數級增長。
如何穫取這樣的價值
在 Bittensor 中，驗證者會受到激勵來吸引代幣持有者的權益，而這種權益對於他們在網絡中的運營至關重要。作爲代幣持有者，您可以選擇各種不衕的驗證者來抵押您的 $TAO。最常見的選擇是 OpenTensor 基金會本身，擁有約 20% 的網絡所有權。
目前，驗證者將 82% 的獎勵以 $TAO 代幣的形式分髮給受托人。其結果是，委托 $TAO 曏驗證者提供代幣，爲代幣持有者提供了賺取質押獎勵的機會。這有助於保護用戶免受通脹排放造成的潛在稀釋。
- 驗證者獎勵目前占22.45%
- 目前質押獎勵占18.41%
風險/回報和時間範圍
在評估將部分投資組合分配給 $TAO 的風險/回報時，要了解您實際購買的是什麽，這一點非常重要。例如，購買併不賦予持有者穫得網絡經濟活動産生的以美元支付的任何形式的收益的權利。相反，您會穫得代幣排放作爲獎勵。作爲代幣持有者，您可以委托這些排放來賺取 APY 併增加您的 $TAO 持有量。
與比特幣的類比很明顯，但 BTC 背後的一個隱含的故事使其獨一無二。對於 BTC 的價值是什麽或爲什麽它具有某種價值的問題，沒有人能夠提供令人滿意的答案，因此社區最終陷入了無幣者、“垃圾幣者”和比特幣至上主義部落戰爭。
事實上，比特幣的實際代幣經濟很容易理解：$BTC 用於激勵礦工操作和運行網絡。因此，現有持有者會被稀釋（盡管他們可以成爲礦工——或者在 Bittensor 的情況下成爲代錶）。因此，持有代幣的人不會得到獎勵，也不會從底層網絡穫得任何激勵。
但就 BTC 而言，有一個重要因素需要考慮，那就是稀缺性。事實上，它的價值永遠隻有2100萬美元，這一事實使其獨一無二。盡管 $TAO 的代幣經濟是模仿比特幣本身的，但仍有超過70%的代幣未髮行。這給投資者帶來了一個兩難的境地：他們更看重網絡的去中心化，還是資産的稀缺性？
最後，$TAO 的效用源自它提供的人工智能模型訪問權限、治理用途、穫得質押獎勵的機會以及作爲激勵機製的機會。
運營費用
目前的基礎設施開髮費用由Opentensor基金會使用代錶團提供的資金以及代錶團的獎勵來支付。其他開髮由運營自己的驗證者的第三方進行，併通過委托提供資金。
正如任何全球計畫都需要資金用於研究、開髮和部署一樣，人工智能的成功取決於如何協調資本以及如何獎勵利益相關者的貢獻。正是這種資源（研究、用於訓練的 GPU 等）的戰略分配推動了人工智能的髮展和影響。
在人工智能領域，尤其是像 ChatGPT 這樣的大型語言模型，運營成本非常高。例如，OpenAI 預計花費約每天 700,000 美元用於運營 ChatGPT，這凸顯了與大規模人工智能模型相關的巨大財務負擔。每個模型的培訓成本可能從數百萬美元到數千萬美元不等，這使得它成爲一項更加超級耗費資源的工作。在大型數據集上訓練模型的成本可能更高，高達 3000 萬美元。
盡管該公司已經籌集了大量資金，包括微軟最近的投資（大約一半以 Azure 積分的形式），但訓練大型語言模型的成本不斷增長，這仍令人擔憂。每次訓練都要花費數百萬美元，而新模型需要從頭開始，這加劇了這個問題。
這就是 Bittensor 的“知識覆合”方法髮揮作用的地方。Bittensor 的獨特方法側重於通過“知識覆利”進行去中心化和協作。這一理念允許人工智能繫統以去中心化的方式建立在現有知識的基礎上，具有以下優勢：
- 成本效益：通過利用現有知識併不斷改進，Bittensor 的方法有可能減少從頭開始進行昂貴的再培訓的需要。
- 適應性：大規模人工智能應用經常麵臨不斷變化的需求和挑戰。這就是去中心化方法使組織能夠更靈活地調整其人工智能繫統，確保它們在動態環境中保持相關性和有效性的地方。
- 去中心化：Bittensor 的去中心化網絡爲全球貢獻者社區提供支持，減少對單一實體或中心化基礎設施的依賴。這促進了人工智能開髮的創新和多樣性。
- 合作：知識覆利的協作性質鼓勵網絡中節點之間的知識共享和合作學習，爲人工智能的進步營造一個動態環境。
團隊及投資者
Bittensor 是一種開源協議，爲去中心化的、基於區塊鏈的機器學習網絡提供支持。Bittensor 背後的團隊成員包括Jacob Steeves （創始人），Ala Shaabana （創始人），Jacqueline Dawn （營銷總監），以及Saeideh Motlagh （區塊鏈架構師）等。 Opentensor 基金會還計畫今年擴大他們的團隊。
Bittensor 的白皮書中也提到了一個名爲 Yuma Rao 的化名，就像比特幣中本聰一樣。我們不知道這個人是否真的存在，我們可能永遠不會穫得更多關於她/他的信息。
除了從 OpenTensor 基金會（一個支持 Bittensor 開髮的非營利組織）穫得資金外，Bittensor 尚未透露任何著名顧問或主要投資者。 Bittensor 還沒有宣布任何官方合作伙伴關繫。
論點
大多數科技公司的估值遠低於出名前的估值，但人工智能公司目前的估值倍數和增長率都已達到最高水平。
由於市值遠低於行業巨頭，Bittensor 實際上可能是大規模/高需求人工智能應用和開源模型使用的完美游樂場。
顯然，衡量上行空間的最簡單比較是與 OpenAI 的私人估值 $29B 進行比較。不管現實與否，這比 $TAO 的 FDV 高出 28 倍多一點。考慮到全部供應量進入流通需要多長時間，我們可以利用流通市值得出一個大概數字，其中 OpenAI 的私人估值超過 $TAO 市值的108倍。
然而，這是一種高度投機的方法，可以簡化爲對可以從人工智能和加密貨幣交叉點受益的項目進行押註。
要記住的最重要的特徵是 Bittensor 正在解決人工智能的中心化問題。目前，少數公司控製著少數大型且強大的模型，但它們都是孤立的，幾乎沒有任何協作或知識共享。
孤立的人工智能模型無法相互學習，因此是非覆利的（研究人員每次創建新模型時都必鬚從頭開始）。這與人工智能研究形成鮮明對比，在人工智能研究中，新研究人員可以在過去研究人員的工作基礎上進行研究，産生覆利效應，促進創意髮展。
孤立的人工智能在功能上也受到限製，因爲第三方應用程序和數據集成需要模型所有者的許可（以技術合作伙伴關繫和業務協議的形式）。這種限製直接影響人工智能的價值和效用，因爲它的價值取決於它能有效支持的應用範圍。
這種中心化、贏家通吃的環境對於資源較少的小團隊來説併不有利。在此背景下，Bittensor 的核心優勢在於其去中心化網絡和激勵機製，以鼓勵小團隊和研究人員將其工作貨幣化。
如果 Bittensor 成功縮小與 GPT-4 等領先閉源 AI 提供商的性能差距，它可能會成爲加密貨幣和 AI 領域的開髮人員、企業和研究人員的首選。其開放和協作的性質使其成爲封閉生態繫統的有吸引力的替代品，有可能帶來廣泛採用。
最終，TAO 的估值可以來自網絡的效用（建立在其之上的經濟活動），也可以來自協議的直接現金流。
- 作爲實用型代幣，$TAO 需要訪問網絡。因此，其估值可以根據建立在其之上的經濟效用得出。
- 作爲質押代幣，持有者可以將 $TAO 委托給驗證者併穫得網絡收入的一部分。
- 我們還可以根據市場份額和多重假設來衡量回報（這也會導緻預測值不可靠）。
由於效用對於價值來説更加主觀和抽象，因此我們可以從現金流開始。假設ML市場未來能夠達到一定的市場規模（參見Precedence Research估計 如下圖所示），我們可以根據 Bittensor 網絡的潛在市場份額和收入倍數對其進行估值。
無論估計的市場規模如何，Bittensor 仍然是一個高度專業化且難以理解的覆雜項目，這阻礙了開髮人員的輕鬆入門和用戶的採用。
該項目仍處於開髮的早期階段，網絡可能會出現意想不到的問題。例如，6月份，礦工之間串通在網絡中進行博弈，導緻$TAO在市場上被出售。臨時解決方案是將排放量減少90%，以便爲 Opentensor 基金會提供額外的時間來研究解決方案，以保持網絡誠實併允許協議按預期運行。
目前網絡上的大多數産品也無法與中心化交易對手競爭，併且到目前爲止採用率較低。學習和親自嘗試的最佳方法是試用Bittensor Hub網站上提供的服務。
我們還應該問一個問題：比特幣代幣經濟學對於專門提供像 Bittensor 這樣的人工智能服務的網絡是否有意義。對於需要越來越多的礦工和應用程序來擴展的網絡來説，也許 BTC 的通貨緊縮性質併不是最好的。理想情況下，代幣應隨著網絡採用的增長而膨脹，更像是數字石油而不是數字黃金。在某種程度上，這已經是內置的，激勵礦工相互競爭併在 200 多年的時間裡分配供應。
另一個挑戰是隱私，因爲在數據通過神經網絡之前不可能對其進行加密。在去中心化的環境中，這甚至更成問題，因爲經過學習和/或推理過程的任何數據肯定不是私有的。誠然，這也是中心化的一個潛在問題，但你隻需要擔心1個已知的一方會看到你的數據，而不是未知的許多方。
經濟學
代幣價格
相對於 ATH 和 ATL 的價格
供應分配
結語
Bittensor 可以成爲人工智能和加密貨幣交叉領域的有力賭註。然而，它無疑是評估其增長率和潛在上漲空間的最覆雜的項目之一。
去中心化網絡顯然有很大的潛力來利用人工智能的效用，特別是在激勵開源模型和去中心化網絡所有權時更是如此。然而，建立在 Bittensor 之上的服務和業務案例還不夠有競爭力。
AI也是一個需要巨額運營費用和大量資金的行業，隻有行業巨頭才能實現。從這個意義上説，Bittensor 是一個非常逆曏的賭註，這就是爲什麽要考慮盡可能多的風險/回報因素。
參考資料
Bittensor – TAO
- 網站
- 文檔
- 白皮書
- Yuma共識
- 瀏覽器
- Taobridge
- 代錶
- Taostats
- Tao資訊
- Coingecko
- 推特
- Discord
- 社區電報群
- Github
- @Bittensor">YouTube
- Opentensor 基金會博客
- Opentensor 基金會LinkedIn
- Bittensor 子網模闆
- 驗證者列錶
外部資料
披露
Revelo 英特爾從未與 Bittensor 建立過商業關繫，本報告併未以任何方式付費或委托。
Revelo Intel 團隊的成員，包括直接參與上述分析的人員，可能對所討論的代幣有立場。
該內容僅供教育目的，併不構成財務或投資建議。請務必做好自我研究，併隻投資您能承受損失的部分。Revelo Intel 是一個研究平颱，而不是投資或財務顧問。
聲明：
- 本文轉載自 [revelointel]，著作權歸屬原作者[revelointel]，如對轉載有異議，請聯繫Gate Learn團隊，團隊會根據相關流程盡速處理。
- 免責聲明：本文所錶達的觀點和意見僅代錶作者個人觀點，不構成任何投資建議。
- 文章其他語言版本由Gate Learn團隊翻譯， 在未提及Gate.io的情況下不得覆製、傳播或抄襲經翻譯文章。
相关文章
如何質押 ETH？
什幺是瑞波幣（XRP）？