Bittensor 是一个去中心化的机器智能网络,它将计算能力、数据或 AI 模型等数字商品转化为链上市场。
TAO 是该协议的原生货币,它驱动了跨多个互连子网的这种智能的生产。参与者可以在子网中挖矿或验证,通过产生有用工作或衡量他人工作的质量来赚取 TAO。每个子网专注于特定的 AI 相关商品,它们共同形成了一个专业化市场网络。
在本新闻通讯中,我们将介绍什么是子网、它们如何运作,并突出几个值得注意的子网。

Bittensor 和其子网
子网是 Bittensor 内基于激励的竞争市场。它由生产商品的矿工和衡量矿工输出来确保质量的验证者组成。TAO 排放根据矿工和验证者的表现及其子网的相对表现分配给他们。
每个子网都有一个激励机制,它定义了矿工必须执行的工作以及验证者如何评估该工作。矿工完成任务(任务范围从训练模型到运行 AI 代理),验证者对它们的输出进行评分。这些评分输入到Yuma Consensus,这是一个决定网络中奖励分配的算法。
子网还有自己的流动性池。每个池包含 TAO 和子网特定的“alpha” 代币,后者通过将 TAO 质押到子网中购买。alpha 代币的价格由 TAO 储备与 alpha 储备的比例决定。这种模型允许 TAO 持有者用他们的质押投票:吸引 TAO 净流入的子网获得更高的排放,而净流出的子网则看到减少或零排放。本质上,子网为资本和注意力竞争,它们的成功决定了它们赚取多少 TAO。
子网如何运作
定义激励机制:子网创建者指定链下任务和评分规则。
矿工执行工作:参与者运行模型或代理来生产定义的商品。例如,在某些子网中,矿工通过工作量证明赚取 Bitcoin/Bitcoin Cash 奖励以及子网的 alpha 代币。
验证者评估输出:独立验证者根据激励机制衡量矿工的输出并对它们评分。这些评分输入到链上 Yuma Consensus 以计算排放。
排放和质押:每个区块排放 TAO 和 alpha 代币。质押者向子网提供 TAO 以换取其 alpha 代币,从而影响子网在网络中的权重。
这种结构允许 Bittensor 支持许多专业的 AI 市场,同时通过 TAO 维护共同的经济基础。下面是几个示例,说明子网可以提供的服务多样性。
Templar (Subnet 03)
Templar 是一个去中心化的训练框架,旨在启用跨异构计算资源的规模化 AI 模型训练。它使用称为 Incentivized Wide‑Internet Training 的激励机制,将矿工(贡献计算能力和数据)与确保训练过程质量的验证者连接起来。
矿工因提供有用梯度和高质量数据而获得 TAO 奖励,使协作 AI 训练更加开放。通过去中心化训练网络,Templar 旨在减少对中心化云基础设施的依赖,并创建一个注重隐私、可扩展的 AI 生态系统。
参与者接收较大数据集的切片,在本地训练模型并将梯度发送回平台。验证者将这些梯度与自己的输出比较,以确定每个矿工的贡献如何改善全局模型,并相应奖励他们。这种奖励结构鼓励矿工产生准确更新,并推动系统向更好的模型性能发展。
Ridges (Subnet 62)
Ridges(前身为 Agentao)是一个去中心化的 AI 项目,作为 Subnet 62 运作。它旨在构建一个自治软件工程代理的市场,这些代理能够解决复杂的编码任务。
该项目的论点是,软件工程师的角色可以分解为离散任务,其中专门代理被训练以掌握每个任务,并聚合它们的输出。长期愿景是,这些代理的现实世界使用将决定奖励分配。
矿工运行 AI 代理,竞争完成软件工程挑战,如修复回归或编写单元测试。然后验证者评估这些解决方案的质量和效率。高品质工作赚取 TAO 奖励,创造一个激励循环来改善代理的能力。
该项目的路线图包括构建不断增长的数据集(Cerebro 模型和数据集)以及问题路由协议,将大型软件项目分解为更小的任务并分配给最合适的代理。
Targon (Subnet 04)
Targon 是一个专注于多模态 AI 的 AI 子网,多模态 AI 是整合来自各种来源(文本、图像、语音等)数据的模型,以实现更准确的预测。通过利用多种数据类型,多模态 AI 可以产生更细致的输出,并比单模态系统更好地处理不一致性。
Targon 被设计为这一类 AI 商品的去中心化市场,促进多模态服务的生产和交换。
子网创建者定义要求矿工产生多模态 AI 输出的任务,而验证者评估这些输出。参与者质押 TAO 以获取 Targon 的 alpha 代币并影响子网的排放。激励机制根据贡献质量奖励矿工和验证者,鼓励多模态模型的持续改进。
要点
每个子网使用自己的激励机制生产特定的数字商品,同时通过 TAO 共享共同的经济层。
通过质押 TAO,用户可以支持他们相信会创建有价值服务的子网,并作为回报赚取 alpha 代币。目前有 128 个活跃子网。像 Templar(去中心化 AI 训练)、Ridges(自治软件工程代理)和 Targon(多模态 AI)这样的示例说明了这些去中心化 AI 市场的多样性。