跳至内容

Bittensor

2023年10月25日5 min

引言

随着AI最近的爆发和受欢迎程度的增加,许多人提出了不同的论点,关于AI与加密货币的交汇点。这些创新具有变革我们数字生活各个方面的潜力,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,这种融合催生了两个突出的趋势:

  • AI 与区块链基础设施的整合,例如 Render ($RNDR)、Akash ($AKT) 或 Fetch.ai ($FET)。
  • 激励机器学习智能生产的协议的出现,例如 Bittensor ($TAO)。

区块链之前的AI应用主要集中在基础设施上,支持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以及基于区块链的身份注册表等趋势,用于对抗深度伪造。同时,一个平行的趋势正在获得动力:激励智能的协议。

在本报告中,我们深入探讨了 AI 和 crypto 的交集,重点关注 Bittensor 和 $TAO 代币,探索它们在 Peer-to-Peer Intelligence Marketplace 中的作用以及 Digital Commodity Marketplace 的兴起。

利用最近的 Revolution Upgrade 于10月2日发生,我们还提供了历史概述、行业展望、竞争分析以及对$TAO价值主张的洞见。

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推动 AI 发展。在这个生态系统中,贡献者会因他们的努力而获得 $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,同时坚持开放和去中心化的原则。在这个网络中,多个节点托管机器学习模型,共同贡献于智能池。这些模型在分析大量文本数据、提取语义含义以及生成各种领域的宝贵洞见方面发挥着关键作用。

对于用户来说,基本功能包括查询网络以访问智能、参与矿工和验证者进行 $TAO 代币挖矿,以及监督他们的钱包和余额。

Bittensor 的网络依赖于来自各种利益相关者的贡献,包括矿工、验证者、提名人以及消费者。这种协作方式确保最佳 AI 模型脱颖而出,从而提升网络提供的 AI 服务质量。

供应侧有两个层面:AI(矿工)和区块链(验证者)。

  • 矿工 在 Bittensor 网络中托管 AI 模型并使其可供网络使用,其成功取决于它们提供的质量和性能。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)。 顶级评级的模型需求更高,为矿工带来更多收入。
    • 矿工根据他们贡献给网络的智能获得 $TAO 补偿(尽管这取决于手头的具体任务)。
    • 顶级评级的模型需求更高,并为矿工带来更多收入。
  • 验证者 在网络中充当评估者。他们评估 AI 模型的质量和有效性,并管理用户请求。通过这种方式,验证者根据模型在特定任务中的性能对模型进行排名,帮助消费者找到最佳解决方案。他们评估越准确和一致,获得的奖励就越多。同样,不一致的评估可能会导致惩罚,从而确保验证者保持高标准。验证者通过 $TAO 获得激励,以根据矿工的“智能贡献”对矿工进行排名。验证者还负责路由输入以产生最佳输出。这通过在互补的矿工(模型)(子网络)之间形成联盟来实现。
    • 验证者通过 $TAO 激励来根据矿工的“智能贡献”对矿工进行排名。
    • 验证者还负责路由输入以产生最佳输出。这是通过形成互补的矿工(模型)之间的联盟(子网络)来实现的。
    • 矿工根据他们对网络贡献的智能以 $TAO 形式获得补偿(尽管这取决于具体的任务)。
    • 顶级评级的模型需求更高,从而为矿工带来更多收入。
    • 验证者通过 $TAO 获得激励,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。这通过形成互补的矿工(模型)之间的联盟(子网络)来实现。

在需求端,开发者可以在 Validators 之上构建应用,利用(并支付)网络提供的特定用例的 AI 能力。

  • 提名人 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他们的个人。这种委托有助于验证者获得更多支持和奖励。提名人自身通过参与此过程赚取奖励。如果验证者表现不佳,或者提名人认为有更好的选择,他们可以将支持转向另一位验证者。
  • 消费者 是 Bittensor 提供的 AI 模型的最终用户。他们可以从将 AI 功能集成到应用程序中的应用开发者,到寻求高质量响应的聊天机器人用户。消费者优先考虑接收准确且有价值的答案。特别是开发者,选择他们认为最符合其需求验证者,以确保向其用户交付一流的 AI 服务。
    • 消费者优先考虑获得准确且有价值的答案。
    • 特别是开发者,他们选择他们认为最能满足其要求验证者,以确保向其用户提供一流的 AI 服务。
    • 消费者优先考虑获得准确且有价值的答案。
    • 特别是开发者,他们选择他们认为最符合其要求的验证者,以确保向其用户提供一流的 AI 服务。

上述利益相关者之间的协调产物形成了一个网络,该网络推广了针对特定用例的最佳模型。由于任何人都能够进行实验,闭源企业甚至很难竞争。

Credit – AI Legos: The Bittensor Thesis by David Attermann

最常见的误解之一是,该网络支持 ML 训练。在其当前状态下,Bittensor 仅支持推理,这是基于证据和推理得出结论并提供响应的过程。另一方面,训练是一个不同的过程,涉及教导机器学习模型执行任务。这通过向模型提供大量标记示例的数据集来实现,使其能够学习数据与标签之间的模式和关联。同时,推理利用训练好的机器学习模型对新的、未见过的数据进行预测。例如,一个训练用于图像分类的模型可以用于推理,以确定一个新的、之前未见过的图像的类别。

因此,需要注意的是,Bittensor 并不在链上执行 ML,而是更像是一个链上 oracle 或一个连接和协调链下 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 mixture-of-experts (MoE) 网络,这是一种 ML 架构,它将多个针对不同能力优化的模型融合在一起,形成一个更强大的整体模型。

点对点智能市场

Bittensor 的点对点智能市场是一个在 AI 开发领域开创性的概念,提供了一个去中心化和无许可的平台,与 OpenAI 或 Google 的 Gemini 等更封闭的模型形成鲜明对比。

这个市场旨在促进竞争性创新,推动AI行业的增长,并使AI可供全球开发者和用户社区访问。任何形式的价值都可以被激励——一个用于激励/创建任何数字商品公平市场的协议。

换句话说,该协议体现了网络内参与者之间机器学习能力和预测交换的点对点方法。它促进了机器学习模型和服务共享与协作,推动了一个协作和包容的环境,在那里开源和闭源模型都可以被托管。

数字商品市场的崛起

Bittensor 在某种意义上独一无二,因为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。在其核心,该协议建立了一个市场,在那里机器智能被商品化。

类似于遗传算法,Bittensor 的激励系统持续评估矿工性能,并随着时间推移进行选择或回收矿工。这一动态过程确保网络保持高效,并对 AI 开发不断演变的格局做出响应。

在 Bittensor 智能市场中,价值生成遵循双重方法:

  • 由矿工托管的高性能 AI 模型,称为贡献者,以 $TAO 代币的形式获得奖励。
  • 验证者,他们评估并利用这种智能,也会获得 $TAO 代币的奖励。

值得注意的是,Bittensor 不仅仅奖励原始性能,而是强调生成最具价值的“signal”。这意味着奖励系统优先考虑创建为广大受众提供实质性益处的信息,最终有助于开发更有价值的商品。

Yuma 共识

作为独立的 layer1 区块链,Bittensor 由 Yuma 共识算法驱动。它是一种去中心化的、点对点的共识算法,能够在节点网络中公平分配计算资源。

Yuma 采用一种混合共识机制,结合了工作量证明 (PoW) 和权益证明 (PoS) 元素。网络中的节点执行计算工作来验证交易并创建新区块。然后,其他节点验证这项工作,成功的贡献者将获得代币奖励。正是 PoS 组件鼓励节点持有代币,将它们的利益与网络的稳定性和增长对齐。

与传统的共识机制相比,这种混合模型提供了几个优势。一方面,它避免了通常与工作量证明 (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) 中常见的中心化风险,保留了网络的去中心化和安全性。

Yuma 共识机制以其在广泛的节点网络中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,因为它能够轻松处理更复杂的 AI 任务并处理更大的数据集。随着网络引入更多节点,它自然地扩展以适应日益增加的实质性工作负载。

与依赖单一服务器或集群的传统中心化AI应用不同,Yuma驱动的应用可以分布在节点网络中。这种分布优化了计算资源,使处理复杂任务成为可能,同时缓解了单点故障和安全漏洞相关的风险。

知识蒸馏 – 数字蜂巢思维

知识蒸馏是 Bittensor 协议中的基础概念,促进网络节点之间的协作学习,以提升性能和准确性。类似于人脑中的神经元协同工作,知识蒸馏使节点能够在网络中集体改进。

这个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自我优化的网络,以实现更精确的预测。每个节点贡献到一个共享池中,最终提升网络的整体性能,使其更快且更适合实时学习应用,如机器人和自动驾驶汽车。

至关重要的是,这种方法缓解了灾难性遗忘的风险,这是机器学习中的一个常见挑战。节点保留并扩展其现有知识,同时融入新见解,从而增强网络的弹性和适应性。

通过将知识分布到多个节点上,Bittensor TAO 网络在面对中断和潜在数据泄露时变得更加 resilient。这项鲁棒性对于处理高安全性且隐私敏感数据的应用程序尤为重要,例如金融和医疗信息(隐私方面稍后详述)。

专家混合模型 (MoE)

进一步推动创新,Bittensor 网络引入了去中心化专家混合模型 (MoE) 的概念。这种方法利用多个神经网络的力量,每个网络专注于数据不同方面。当引入新数据时,这些专家协作产生比任何单个专家单独实现更准确的集体预测。

所采用的共识机制将深度学习与区块链共识算法相结合。其主要目标是将质押作为激励分发给那些为网络贡献最多信息价值的对等节点。本质上,它奖励那些提升网络知识和能力的人。

在其核心,Bittensor 协议由参数化函数组成,这些函数通常被称为 neurons。这些 neurons 以点对点方式分布,每个 neurons 持有零个或多个记录在数字账本上的网络权重。Peers 积极参与相互排名,训练 neural networks 以确定其相邻节点的 value。这个排名过程对于评估单个 peers 对网络整体性能的贡献至关重要。

通过此排名过程生成的积分会在数字账本上累积。高排名的对等节点将获得货币奖励,从而在网络中获得额外的权重。这建立了对等节点贡献与其奖励之间的直接联系,促进网络内的公平性和透明度。

这种方法呈现了一个市场,其中智能由其他智能系统以点对点方式在互联网上定价。它激励对等节点不断提升他们的知识和专业知识。

为了确保奖励的公平分配,Bittensor 采用 Shapley values,这是一个借自合作博弈论的概念。Shapley values 提供了一种公平且高效的方式,根据网络对等方的贡献在网络对等方之间分配奖励。这种将激励与贡献对齐的方式激励节点按照网络的最佳利益行事,从而提升安全性和效率,同时推动持续改进。

Bittensor 的核心使命是通过去中心化框架在 AI 领域促进创新和协作。该框架能够实现知识的快速扩展和共享,创建出一个不断增长且不可阻挡的信息库。在这个市场中,开发者被赋能来货币化他们的 AI 模型,并为企业和个人提供有价值的解决方案。

Bittensor 的愿景延伸到一个未来,在那里 AI 模型可以轻松访问并部署到广泛的行业中。这种可访问性推动了进步并开启了新的可能性,弥合了 AI 能力与现实世界应用之间的差距。

类似于全球知名的 AI 模型如 Chat GPT,Bittensor 模型基于通用数据集生成‘representations’。为了评估模型性能,Fisher’s information 被利用,用于估计从网络中移除一个节点的影响,类似于人类大脑中丢失一个神经元。

除了模型排名之外,Bittensor 非常强调互动学习。每个模型都积极参与网络,寻求与其他模型的互动,类似于 DNS 查询。Bittensor 作为一个 API,促成这些模型之间的数据交换,促进协作学习和知识共享——使用开源和闭源模型。

使用 Yuma 共识来确保每个人遵守规则,该生态系统作为开源开发者和 AI 研究实验室的驱动力,提供财务激励来增强开放基础模型。

本质上,Bittensor 作为一个不断扩展的机器智能存储库。通过整合 4 个不同的层来实现这一点:

  • 矿工层负责在网络中产生有价值的工作。
  • 验证者层确保矿工遵守共识的既定规则。
  • 该企业层基于现有基础设施开发创新产品和服务。它作为一个平台,利用网络的集体智能来创建新解决方案。
  • 该消费者层受益于企业层产生的工作。它代表了利用由Bittensor网络驱动的产品和服务的终端用户或组织。

历史

Bittensor 于 2019 年由两位 AI 研究人员创立,Jacob Steeves 和 Ala Shaabana(以及一位匿名白皮书作者 Yuma Rao),他们正在寻找一种使 AI 可复合的方法。他们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 ML 节点网络的方式,让它们针对特定问题共同训练和学习。添加到网络的增量资源会增加整体智能,在之前研究人员和模型的工作基础上复合。

Bittensor 的历程始于 2021 年 1 月推出 ‘Kusanagi’,这标志着网络的激活,并允许矿工和验证者开始赚取首批 $TAO 奖励。然而,这个初始版本由于共识问题而遇到临时中断。作为回应,Bittensor 在 2021 年 11 月将 ‘Kusanagi’ 分叉为 ‘Nakamoto’。

2023年3月20日,‘Nakamoto’再次被分叉,这次演变为‘Finney’,这是一个重要的里程碑。此次升级的目的是提升内核代码的性能。

值得注意的是,Bittensor最初旨在成为Polkadot上的平行链,通过一月成功的拍卖获得平行链槽位。然而,决定使用其自己的独立L1区块链,该区块链基于Substrate 而不是依赖Polkadot,因为对Polkadot开发速度的担忧。

当前状态

Bittensor 已上线主网一年多,其重点一直是开创性研究并为其未来的潜力奠定基础。以下是当前状态的概述,以及为什么尚未在其验证者之上构建业务用例的原因:

  • Sparse Mixture Model: Bittensor 作为一个 sparse mixture model。它将特定的 AI 模型吸引到这个混合体中,每个模型解决由 validators 定义的更大问题中的特定角色。将这个模型配置和调优以达到最先进水平及以上是一个复杂和迭代的过程。这个路线图阶段目前由 Opentensor Foundation 领导。
  • Intelligence Compression (Distillation): Intelligence compression 是 Bittensor 的核心研究重点。这涉及 distillation 技术来提升网络的效率和能力。
  • 为宏伟目标优化:Bittensor 的主要重点一直是优化宏伟目标,而不是短期商业用例。Opentensor 致力于创建一个网络,这个网络超越了简单的点对点平台,具有模型定价系统。
  • 进展和更新:在过去一年中,Opentensor 取得了重大进展,包括 Synapse 更新,这使得 Bittensor 向外部请求开放。2023 年 10 月,Revolution 升级通过子网络实现了扩展。这使大型验证者能够独立定义问题,从他们的质押中创造现金流机会。
  • 迈向现实世界扩展:Finney 网络标志着 Bittensor 的一个转折点,允许验证者更独立地行动并减少初始中心化。随着网络质押增长和区块奖励增加,它推动了 AI 增长。
  • 地平线上的 AI 商业用例: Bittensor 设想随着利益相关者(包括人类和 AI)遵循他们的激励,现实世界 AI 商业用例的扩展。多模态和元模态实现在地平线上,将子网络合并成统一的‘intelligence’格式。

随着最新的 Revolution 升级,Bittensor 为任何人开启了创建专注于特定类型应用的子网络的能力。例如,Subnet 4 使用 JEPA(Joint Embedding Predicted Architecture),这是一种由 Meta 的 Yann LeCun 开创的 AI 方法,用于在单个模型中处理各种输入和输出类型,如视频、图像和音频。

另一个显著的成就是 Cerebras,BTLM-3B-8K(Bittensor Language Model,一个 3B 参数模型,它使得在移动设备上运行高准确性和高性能模型成为可能,从而使 AI 显著更易访问。BTLM-3B-8K 可在 Hugging Face 上获得 Apache 2.0 许可,用于商业用途。

大型 GPT 模型通常具有超过 100B 参数,需要多个高端 GPU 来执行推理。然而,Meta 发布的 LLaMA 为世界带来了只需 7B 参数的高性能模型,使得在高端 PC 上运行 LLM 成为可能。

但是,即使是一个量化到 4-bit 精度的 7B 参数模型,也无法适应许多流行设备,例如 iPhone 13 (4GB RAM)。虽然 3B 模型可以轻松适应几乎所有移动设备,但之前的 3B 规模模型在性能上大幅落后于其 7B 对应模型。

BTLM 在模型大小和性能之间取得了平衡。拥有 30 亿参数,它提供了显著优于之前 3B 规模模型的准确性和能力水平。

在查看单个基准测试时,BTLM 在每个类别中得分最高,除了 TruthfulQA。

BTLM-3B 不仅超越了所有 3B 模型,而且其性能与许多 7B 模型相当。

革命 – Bittensor 子网升级

Bittensor Revolution Upgrade 于 10 月 2 日推出,标志着 Bittensor 发展中的一个重要里程碑,为其运营结构带来了重大变革。此次升级的核心是引入“subnets”,这是一个开创性的概念,它赋予开发者前所未有的自主权来塑造他们的激励机制,并在 Bittensor 生态系统中建立市场。

此次升级的一个关键特性是引入了一种专为构建激励系统而设计的专用编程语言。这一创新使开发者能够在Bittensor网络上创建并实施他们的激励机制,利用其广泛的智能池来根据他们的具体需求和偏好定制市场。

此次升级还代表了从集中式模型的显著转变,在该模型中,单一基金会控制网络的所有方面,转向更去中心化的框架。现在,各种个人或团体有机会拥有和管理子网。

随着“subnets”的引入,任何人现在都可以创建自己的子网络并定义他们的激励机制,从而在Bittensor生态系统中促进更广泛的服务范围。这一转变促进了网络内的多样性和去中心化,与支撑Bittensor使命的开放和协作原则相一致。

此外,子网将通过在新“route network”中获得代表共识来竞争排放,这引入了一个竞争元素,可以推动创新和资源分配。

用户创建子网的出现可以让人联想到一旦Ethereum向全球开发者社区敞开大门后,应用在Ethereum上的爆炸式增长。这一升级也突显了将各种工具和服务合并到一个连贯网络中的潜力。本质上,锻造智能所需的所有元素现在都集中在一个屋檐下,由单一代币($TAO)调控。

路由网络

路由网络在 Bittensor 生态系统中担任关键组成部分。它作为一个 meta-subnet,发挥着根据关键 delegates 的加权共识在其他 subnets 之间分配 emissions 的重要作用。这种转变本质上是变革性的,因为它从根本上将 Bittensor 从一个单一控制的系统转变为一个动态的“网络中的网络”。

至关重要的是,排放时间表不再完全由 Opentensor foundation控制。'root' 网络中的委托人现在掌握着激励分配的权威。这一转变使激励控制去中心化,消除了对任何单一实体的唯一依赖,并将其置于 'root' 网络手中。

子网

Bittensor 网络中的子网是自包含的激励机制,为矿工与平台互动提供了一个框架。这些子网在定义矿工与验证者之间互动的协议方面发挥着关键作用。

此外,激励机制的具体细节不再硬编码在 Bittensor 代码库中。相反,这些细节在子网仓库中定义,从而允许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,用于去中心化推理。此功能允许用户与网络上的 Validators 交互,并从最佳性能模型中获取输出,从而为他们的应用程序赋予先进的 AI 能力。

子网通过根据矿工和验证者对网络贡献的价值分发 $TAO 代币来运行。矿工响应验证者查询以及验证者进行的评估过程的精确规则和协议,由每个子网仓库中的代码决定。

  • 在启动时,将有九个子网槽位可用,每个默认容纳 256 个 UID(Subnet 1 除外,它容纳 1024 个)。子网将通过从‘root’网络中的委托者寻求共识权重来积极竞争排放。
  • 要注册一个子网,个人或实体必须锁定特定数量的 $TAO,直至子网存在期间。子网所有者承担完整网络管理员的角色,并有权获得通过各自子网分发的排放。他们拥有完整的权限,包括能够调用整个网络的 sudo 操作,例如设置网络最小利率等超参数。
  • 每个子网都与一个唯一的网络 UID 相关联,子网的所有权会转移到为注册锁定所需金额 $TAO 的钱包。当子网创建时,对应的 $TAO 金额将从创建者的钱包中扣除并附加到子网。如果子网被注销,锁定的 $TAO 将返回给所有者。
  • 一个值得注意的方面是,子网内质押 $TAO 的排放回报的 18% 将奖励给子网所有者。这激励子网创建者设计吸引路由网络上委托者的机制,因为这能提升他们避免注销的机会。
  • 新注册的子网将被授予一周的豁免期,在此期间它们不能被注销。初始锁定成本设置为 2500 $TAO,当新子网注册时加倍。随着时间的推移,锁定成本逐渐降低,遵循类似于荷兰式拍卖机制的线性模式。这种方法旨在通过调整锁定成本随时间变化来找到子网槽位需求中的平衡。
  • 当子网被注销时,用于其注册的锁定的 $TAO 将返回给所有者,子网内的所有矿工将被移除,并且网络状态将被重置。

根网络

Root Network 作为一个“meta subnet”,在其他子网上方运行并影响它们,同时在确定整个系统的 emission scores 方面发挥关键作用。

其主要功能是采用涉及委托人的加权共识机制,为每个子网生成一个 emission vector。‘root’网络中的委托人基于他们的偏好为不同子网分配权重,最终共识机制确定排放的分配。

一个值得注意的方面是,‘root’ 网络有效地整合了 Senate 和委托机制的角色,将这些功能整合到一个单一实体中。这种整合简化了 Bittensor 生态系统中的决策过程。

‘root’ 网络拥有通过影响排放分配来塑造生态系统的权威。如果它认为某个子网或系统特定方面没有价值,它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’网络中委托人的多数权重,以获得排放的显著份额。这一竞争方面突显了子网在向更广泛的生态系统展示其价值和效用方面的重要性。

此外,它赋予网络中前 12 个密钥否决由三人组提交的提案的潜力,为系统添加了额外的治理和制衡层。

行业展望

在技术领域,权力长期以来一直集中在少数科技巨头手中。这些巨头掌控着推动创新所需的重要数字商品。然而,Bittensor 通过其市场引入一种更民主和可及的系统,承认并挑战这一主流范式。

Bittensor 的基本洞见在于理解智能是各种数字商品的结果,例如计算能力和数据。从历史上看,这些商品一直被严格控制并限制在科技巨头的领域。Bittensor 通过引入用户创建的子网来打破这些枷锁。这些市场将在统一的代币系统下运行,确保全球开发者能够平等访问以前仅限于大科技封闭生态系统内少数人的资源。

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。AI 已成为我们生活不可或缺的一部分,简化研究、自动化工作流程、协助编码,并从文本生成内容。AI 能力的快速增长显而易见,但这种增长伴随着与可扩展性相关以及最重要的可靠性相关的挑战。

最近的事件,例如ChatGPT在华盛顿讨论AI法规期间的临时中断,突显了解决AI扩展挑战的强大解决方案的迫切需求。这些中断让用户对AI的稳定性和可靠性感到担忧,因为AI正日益融入我们的日常生活。正是在这样的时刻,Bittensor的$TAO的重要性变得显而易见。

Bittensor的方法不仅倡导开源AI,而且证明了它可以成为一种财务上回报丰厚的追求。它反映了Bitcoin挖矿中看到的竞争性演变,并为一个蓬勃发展的市场铺平了道路,在这个市场中,最好的AI模型脱颖而出。这种转变赋予AI研究人员在开放和动态的环境中贡献他们的专业知识,最终惠及整个社会。

$TAO 提供了一个去中心化的 AI 基础设施,可以缓解像 ChatGPT 经历的那类潜在问题。通过去中心化 AI,Bittensor 确保了 AI 系统的弹性和可靠性,即使其需求持续增长。这种方法为 AI 服务的未来建立了可靠的基础。

简而言之,Bittensor 作为一个开源人工智能的全球市场出现,为封闭源代码 AI 开发所带来的挑战提供了引人注目的解决方案。

  • AI 卓越性的引力场: Bittensor 作为一个引力场,吸引来自全球研究人员的顶尖 AI 模型。通过为 AI 创造一个自由市场,该网络鼓励提交前沿模型。随着其成熟,Bittensor 承诺更低的价格、消除平台风险,并提供最佳的 AI 输出,无论是以文本、图像、视频还是其他格式。
  • 盈利开源:Bittensor 将开源 AI 转变为盈利性事业。遵循 Bitcoin 设定的示例,Bittensor 的结构假设利益相关者以利润为导向。在这个生态系统中,最好的 AI 模型赚取最多的钱。它类似于 Bitcoin 挖矿的演变,转变为一个竞争性和专业化的行业。博士研究员现在有机会将他们的研究带到这个开放市场,弥合学术界与私营行业之间的差距。
  • 令人印象深刻的规模: Bittensor 的激励机制产生了显著的效果。该网络服务于超过 4,000 个 AI 模型,总共包含惊人的 10 万亿模型参数。为了便于理解,GPT-3 拥有 1750 亿参数。
  • 多样化的利益相关者: Bittensor 的生态系统涉及各种利益相关者,包括矿工、验证者、提名人以及消费者。这种多样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当前AI的状态,其中大部分仍被锁在封闭的门后,并由少数科技巨头控制。这引发了一个问题:如果AI能够开放并在协作环境中从其他AI模型中学习会怎样?Bittensor的$TAO旨在为此问题提供解决方案。

  • 通过增长实现采用:虽然一些主要AI公司可能犹豫将他们的专有AI技术公开,但$TAO提供了一个引人入胜的提议。它引入了通过微交易进一步货币化的可能性。想象一下像OpenAI这样的成熟AI解决方案在Bittensor生态系统中接受微支付,每次有人使用他们的训练模型来构建他们的产品和业务。这可能为这些公司开辟新的收入来源,鼓励他们参与开放AI网络。
  • 需求驱动的采用:或者,假设当前的 AI 解决方案保持封闭并对开放网络具有抵抗力。即使它们拥有大量资金,开源也有可能超越这些资金雄厚的解决方案。金融资源对于技术增长至关重要,但不应低估一种能够自主学习并从环境中学习的技术潜力。

开源困境

关于 AI 模型是否应该开源的辩论,随着 AI 中对齐问题的担忧不断增加而变得日益突出。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。有趣的是,即使像 OpenAI 这样的主要参与者开源他们的模型,也不会必然对 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。

在科技社区中,对于这一问题存在意见分歧。有些人认为,开源AI技术可能会赋予恶意行为者利用AI进行有害活动的权力。相反,其他人则认为,将AI技术的专有权利授予大型企业会带来更大的危险。例如,将AI权力集中在少数万亿美元级企业手中,正如OpenAI专注于筹集大量资金所见,这可能会引发伦理担忧,突显权力腐败的风险。

Meta 开源其 Llama2 LLM 表明行业正在转向拥抱开源实践。这一举措为 Bittensor 提供了学习并可能将 Meta 的进步整合到其网络中的机会,从而更快地缩小性能差距。

考察 $TAO 和 OpenAI 的估值至关重要。目前,OpenAI 在行业中占据主导地位,估值在 $80B 至 $90B 之间。然而,它运行在一个封闭的生态系统中,严重依赖 Microsoft 及其许可的云服务。尽管如此,OpenAI 成功吸引了来自全球的顶尖人才。另一方面,随着时间推移和开源倡议变得更加普遍,可用人才池将呈指数级扩张,覆盖互联网的每一个角落。这种 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

开发者采用仍是 Bittensor 发展历程中的关键因素。目前,开发者可以通过 OpenTensor Foundation 开发的 Python API 与网络互动,这强调了培养强大开发者社区以推动采用的重要性。如今,Bittensor 正在积极致力于网络的关键方面去中心化,例如模型创建和训练,同时奖励最精细调整的模型,并促进社区驱动的决策。

有趣的是,AI领域的知名玩家,包括OpenAI和Google,现在已成为$TAO的竞争对手。他们深入参与AI的模型生成阶段,甚至涉足各种行业的潜在垂直整合。在这种背景下,$TAO面临的主要挑战之一是数据鸿沟问题。

与像Facebook、Apple、Amazon、Netflix和Google(FAANG)这样的科技巨头不同,这些巨头可以访问大量有意义数据的仓库,众包社区可能缺乏同等水平的资源和数据访问。FAANG组织拥有财务手段来为其AI努力提供强大的硬件支持,如Nvidia的尖端技术,包括H100s和GH200s,这些可以显著加速AI模型训练。

同时,重要的是要注意到,当今所有主流 AI 解决方案的特点是封闭和中心化的。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、定制化、隐私和整体能力方面正在取得进展。它们以相对适中的预算和参数规模实现了令人印象深刻的功能,与其封闭对应物相比。而且,这些开源模型在加速的时间线上运行,在几周而不是几个月内交付结果。

Google,作为一家科技巨头,已经认识到这一变革性趋势。一个 泄露的内部文件 显示,公司表示,“我们没有护城河,OpenAI也没有。”这一承认突显了开源AI在竞争格局中日益上升的影响力。

在这个不断演变的AI生态系统中,$TAO 作为变革的催化剂崭露头角,挑战传统的AI开发和训练模式。其去中心化方法和社区驱动的理念使其成为动态竞技场中的竞争者,那里曾经由科技巨头独霸。

与限制访问单一AI模型的中心化平台不同,Bittensor的架构提供了无许可的智能访问。它作为AI开发者的“一站式商店”,提供所有必要的计算资源,同时拥抱外部贡献。这种包容性模型将互联网上的神经网络互联,创建了一个全球的、分布式的和激励驱动的机器学习系统。

实现AI的全部潜力需要脱离封闭源代码开发实践及其相关限制。正如儿童通过社交互动拓宽他们的理解一样,AI在动态环境中蓬勃发展。接触多样化的数据集、创新研究者的见解以及与各种模型的互动,能够培育出更强大和智能的AI系统。AI的发展轨迹不应由单一实体决定。

在这个鲜明对比的未来中,选择一个由黑箱算法和中心化权威主导的世界,还是一个开放、民主化的AI景观,对社会来说变得至关重要。

在第一种情景中,像OpenAI或Anthropic这样的巨型公司掌控AI解决方案时,我们面临生活在持续监控政权下的风险。这些公司将拥有对我们个人数据和日常互动的巨大权力,有权关闭服务并报告持异见观点或讨论的个人。

Elon Musk 表示,A.I. 是文明面临的最大风险之一,需要加以监管他共同创立了 OpenAI— Genevieve Roch-Decter, CFA (@GRDecter) February 15, 2023

Elon Musk 表示,A.I. 是文明面临的最大风险之一,需要加以监管

他联合创立了 OpenAI

— Genevieve Roch-Decter, CFA (@GRDecter) February 15, 2023

然而,更乐观的替代方案提供了一个世界,在这个世界中,AI 根植于开源平台,建立在全民拥有的网络上。在这里,权力和控制是去中心化的,AI 作为赋权工具而非监视工具。在这种情景下,创造力和开发可以蓬勃发展,而无需担心企业偏见或审查。

正如互联网民主化了信息访问一样,一个开放的 AI 生态系统将民主化智能访问。它确保智能不被少数人垄断,促进一个公平竞争的环境,在那里任何人可以贡献、学习和受益。

$TAO 代币经济学

  • 类似于 bitcoin,$TAO 代币的总最大供应量上限为 21,000,000,将在 256 年后发行。
  • $TAO 减半将每 1050 万个区块发生一次,共有 64 次预定的减半事件,这些事件将在未来 45 年多的时间内发生。
  • 该网络的区块时间约为12秒,每区块奖励1 $TAO 给矿工和验证者。
  • 目前,这相当于每天发行7,200个新的 $TAO 代币,均匀分配给矿工和验证者。

与 Bitcoin 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,这由总代币发行量决定,而不是区块编号。例如,一旦总供应量的半数已被发行,发行速率就会减半。

重要的是,用于回收注册的 $TAO 代币会被烧毁回未发行供应中,导致减半间隔逐渐延长。此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 $TAO 代币经济以其简单性、对去中心化的承诺以及公平分配为特征。与许多其他区块链项目不同,$TAO 代币没有通过 ICOs、IDOs、对 VC 的私募,或对团队、基金会或顾问的特权分配等方式分配给任何一方。相反,每一个流通代币都必须通过在网络中的积极参与来赚取。

网络中还涉及资本分配者,他们作为矿工或验证者参与,同时提供做市服务,例如 DCG、GSR 或 Polychain。相关的是,他们都没有收到源于预售或私募的代币分配。

$TAO 代币可用于治理、用于质押并参与共识机制,以及作为 Bittensor 网络内的支付手段。

这样,验证者和矿工将他们的代币作为抵押品进行质押,以保护网络并通过通胀排放赚取奖励,而用户和企业可以使用 $TAO 访问基于网络构建的 AI 服务和应用。

新的 $TAO 代币只能通过挖矿和验证来产生。网络奖励矿工和验证者,每个区块授予 1 $TAO 奖励,在矿工和验证者之间平分。因此,获取 $TAO 的唯一方式是通过在公开市场上购买代币或参与挖矿和验证活动。

$TAO 的简单直接的代币分配模型反映了去中心化的原则,这让人联想到由 Satoshi Nakamoto 设定的 Bitcoin 精神。$TAO 的创世铸造与 Bitcoin 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集中的重要性,特别是在 AI 领域,这具有重大的社会影响,不应由少数人控制。

这种分配模型确保挖矿保持竞争性过程。随着更多矿工加入网络,竞争加剧,这使得维持盈利能力变得具有挑战性。这反过来激励矿工寻找降低运营成本的方法,从而在网络内促进效率和创新。

$TAO 的价值捕获

$TAO 是 Bittensor 网络的原生代币,其内在价值来源于其在生态系统中的独特角色。与标准 L1 模型不同,后者中网络代币的价值来源于出售区块空间,而 $TAO 的价值与其所赋能的 AI 服务相关联。随着这些 AI 服务变得更有影响力和实用性,对 $TAO 的需求将增加。

持有 $TAO 可以访问广泛的互联数字资源,包括由网络参与者生成和验证的数据、带宽以及情报。正如排放时间表所反映的,$TAO 的价值不仅仅基于投机或稀缺性,而是深深根植于它在 Bittensor 网络中提供的实际贡献和实用性。

然而,维持这种创造和奖励的循环并非保证。矿工和验证者虽然向网络贡献宝贵的情报并因此赚取 $TAO 代币,但他们也有动力出售以覆盖费用,类似于 Bitcoin 矿工。

代币价格中的价值如何?

像其他任何代币一样,$TAO 的价格由供需的基本经济原则决定。对 $TAO 的需求增加会导致价格上涨,而需求减少会导致价格下跌。因此,生态系统活动的预期需求将抵消供应解锁。

您只能通过为网络贡献来获得 $TAO。为此,您需要购买并持有它,或者花费它来开始使用网络。

  • 需求驱动因素:生态系统活动:验证者需要 $TAO 代币进行注册。用户可能购买 $TAO 以参与与智能对齐相关的投票过程。在网络内用作支付。对 staking 和委托 $TAO 以赚取 staking 奖励的需求。这可以帮助抵御通胀排放。投机溢价,作为押注区块链和 AI 等两种颠覆性技术融合的上行潜力的方式。更多开发者进入网络并利用开源模型潜力的网络效应
    • 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 以参与与智能对齐相关的投票过程。 在网络内用作支付。
      • 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。
      • 在网络内用作支付。
    • 对质押和委托 $TAO 以赚取质押奖励的需求。这可以帮助防范通胀性排放。
    • 投机溢价作为押注于将 blockchain 和 AI 等两种颠覆性技术融合的上行潜力的方式。
    • 更多开发者进入网络并利用开源模型潜力的网络效应
  • 供应驱动因素:通胀排放的代币发行,以达到总供应量 21,000,000矿工和验证者可能出售 $TAO 代币以覆盖他们的运营费用。这一方面类似于比特币矿工出售以覆盖成本。
    • 通过通胀排放实现代币发行,以达到总供应量 21,000,000
    • 矿工和验证者可能会出售 $TAO 代币来覆盖他们的运营费用。这一方面类似于 Bitcoin 矿工出售以覆盖成本。
    • 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。在网络内用作支付。
      • 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。
      • 在网络内用作支付。
    • 对 staking 和 delegating $TAO 以赚取 staking rewards 的需求。这可以帮助防范通胀排放。
    • 投机溢价作为一种押注于将区块链和 AI 等两种颠覆性技术融合的上行潜力的方式。
    • 由于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
      • 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。
    • 通过通胀排放实现代币发行,直至达到总供应量 21,000,000
    • 矿工和验证者可能出售 $TAO 代币来覆盖他们的运营费用。这一方面类似于 Bitcoin 矿工出售以覆盖成本。

随着网络的扩展以及更多AI模型和子网的添加,价值捕获的潜力增加。网络的增长也得益于AI和区块链之间的协同作用,创造了一个自我强化的循环。

这样,Bittensor体现了Metcalfe定律的原则,其中网络的价值与连接用户或节点数量的平方成正比。随着更多参与者加入网络,它提供的价值呈指数级增长。

如何捕捉这样的价值

在 Bittensor 中,验证者被激励吸引代币持有者的质押,这种质押对其在网络中的运作至关重要。作为代币持有者,您可以选择各种不同的验证者来质押您的 $TAO。最常见的选项是 OpenTensor Foundation 本身,拥有约 20% 的网络所有权。

目前,验证者以 $TAO 代币的形式向委托人分配其奖励的 82%。因此,委托 $TAO 代币到验证者,这为代币持有者提供了一个赚取质押奖励的机会。这可以帮助保护用户免受通胀发行可能导致的稀释。

  • 验证者奖励目前为 22.45%
  • 当前质押奖励为 18.41%

风险/回报与时间范围

在评估将部分投资组合分配给 $TAO 的风险/回报时,重要的是要了解您实际购买的是什么。例如,购买并不赋予持有者从网络经济活动中产生的以 USD 支付的任何收益。相反,您会获得代币发行作为奖励。作为代币持有者,您可以委托这些发行以赚取 APY 并增加您的 $TAO 持有量。

与 Bitcoin 的类比很明显,但 $BTC 背后有一个隐含的故事使其独特。没有人能提供令人满意的答案来说明 $BTC 的价值是什么或为什么它有任何价值,因此社区最终陷入部落主义战争,包括 no-coiners、“shitcoiner”和 maxis 之间。

的确,比特币的实际代币经济模型简单易懂:$BTC 用于激励矿工运营并运行网络。因此,现有的持有者会面临稀释(尽管他们可以成为矿工——或者在 Bittensor 的情况下成为委托人)。因此,持有代币的人不会获得奖励,也不会从底层网络中获得任何激励。

但在 $BTC 的情况下,有一个重要的因素需要考虑,那就是稀缺性。总供应量永远只有 $21M 这一事实使其独特。虽然 $TAO 的代币经济模型是以比特币本身为蓝本,但仍有超过 70% 的代币未发行。这为投资者带来了一个困境:他们更看重网络的去中心化,还是资产的稀缺性。

最终,$TAO 的效用源于它提供的对 AI 模型的访问、其用于治理、对质押奖励的访问,以及作为激励机制。

运营费用

当前的基础设施开发由 Opentensor Foundation 通过对他们的委托资助以及委托奖励支付。其他开发由运营自己验证器的第三方进行,并同样通过委托获得资助。

正如任何全球倡议都需要资金用于研究、开发和部署,AI 的成功取决于资本如何协调以及利益相关者如何因其贡献而获得奖励。正是这种战略性资源分配(研究、用于训练的 GPU 等)推动了 AI 的增长和影响。

在AI领域,特别是像ChatGPT这样的大型语言模型,运营成本是巨大的。例如,OpenAI据估计每天花费大约$700,000来运营ChatGPT,这突显了大规模AI模型所带来的巨大财务负担。训练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资源密集型的工作。在大型数据集上训练模型的成本可能更高,高达3000万美元。

虽然该公司已经筹集了大量资金,包括最近来自 Microsoft 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加是一个担忧。每次训练运行都需要数百万美元,而且为新模型从零开始的需求加剧了这个问题。

这就是 Bittensor 的“Knowledge Compounding”方法变得相关的地方。Bittensor 的独特方法通过“Knowledge Compounding”专注于去中心化和协作。这种哲学允许 AI 系统以去中心化的方式建立在现有知识之上,提供诸如以下的优势:

  • 成本效率:通过利用现有知识并持续改进它,Bittensor 的方法可能减少从零开始进行昂贵重新训练的需求。
  • 适应性: 大型 AI 应用通常面临不断变化的需求和挑战。这就是分散式方法使组织能够更灵活地调整其 AI 系统,确保它们在动态环境中保持相关性和有效性。
  • 去中心化: Bittensor 的去中心化网络赋能全球贡献者社区,减少对单一实体或中心化基础设施的依赖。这促进了 AI 开发中的创新和多样性。
  • 协作:知识复合的协作性质鼓励网络中节点之间的知识共享和合作学习,促进AI进步的动态环境。

团队和投资者

Bittensor 是一个开源协议,它驱动着一个去中心化的、基于区块链的机器学习网络。Bittensor 背后的团队包括 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。Opentensor Foundation 还计划在今年扩展他们的团队。

有一个名为 Yuma Rao 的化名,它也在 Bittensor 的白皮书中被提及,就像比特币中的 Satoshi Nakamoto 一样。不知道这个人是否真的存在,我们可能永远无法知道更多关于他或她的信息。

Bittensor 尚未披露任何知名顾问或关键投资者,除了从 OpenTensor Foundation 获得资金支持,该基金会是一个支持 Bittensor 发展的非营利组织。Bittensor 也尚未宣布任何官方合作伙伴关系。

论点

大多数科技公司远低于它们疫情前的估值,然而 AI 公司现在在估值倍数和增长率方面都达到了 ATHs。

与行业巨头相比,Bittensor 的市值显著较低,它实际上可能是大规模/高需求 AI 应用以及开源模型使用的完美试验场。

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。无论现实与否,这比 $TAO 的 FDV 高出略多于 28 倍。考虑到整个供应量进入流通需要多长时间,我们可以使用流通市值来得出一个大致的数字,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,可以简化为对那些能够从处于AI和crypto交汇处受益的项目进行押注。

最重要的一点需要记住的是,Bittensor正在解决AI的中心化问题。目前,只有少数公司控制着少数大型和强大的模型,但这些模型都是孤立的,几乎没有任何协作或知识共享。

孤立的AI模型无法相互学习,因此是非复合的(研究人员每次创建新模型时都必须从头开始)。这与AI研究形成鲜明对比,在AI研究中,新研究人员可以基于过去研究人员的工作进行构建,创造出复合效应,从而加速想法的发展。

孤立的 AI 在功能上也受到限制,因为第三方应用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商业协议的形式)。这种限制直接影响 AI 的价值和实用性,因为它的价值只能与它能有效支持的应用范围一样大。

这种中心化和赢家通吃的的环境对资源较少的小团队不利。在这种背景下,Bittensor的核心优势在于其去中心化网络和激励机制,鼓励小团队和研究人员通过变现他们的工作。

如果Bittensor成功缩小与领先的闭源AI提供商(如GPT-4)的性能差距,它可能成为加密和AI领域开发人员、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吸引人替代方案,可能导致显著的采用。

最终,TAO 的估值可以从网络的效用(在其上构建的经济活动)或直接流向协议的现金流中推导得出。

  • 作为一种实用代币,$TAO 是访问网络所必需的。因此,其估值可以从在其上构建的经济效用中推导得出。
  • 作为一种质押代币,持有者可以将 $TAO 委托给验证者,并获得网络收入的一部分。
  • 我们也可以基于市场份额和多种假设来衡量回报(这也会导致预测值不可靠)。

由于效用更为主观且抽象,难以估值,我们可以从现金流开始。假设 ML 市场在未来能达到一定的市场规模(见 Precedence Research estimates 下图),我们可以根据其潜在市场份额和收入倍数来估值 Bittensor 网络。

无论估计的市场规模如何,Bittensor 仍然是一个高度专业化和复杂的项目来理解,这对开发者的轻松加入和用户的采用构成了障碍。

该项目仍处于非常早期的开发阶段,也可能存在网络的意外问题。例如,六月份矿工之间发生勾结,在网络中作弊,导致 $TAO 在市场上被抛售。临时修复是将排放量降低 90%,以便给 Opentensor Foundation 额外时间来制定解决方案,以保持网络的诚实并允许协议按预期运行。

Bittensor 更新好消息,一群勾结的矿工通过操纵网络并出售他们的 $TAO 在市场上已被识别作为临时解决方案,TAO 发行量已降低 90%,因此给 Opentensor Foundation 时间来制定解决方案…… pic.twitter.com/6svEvB3wth— TAO-Validator.com (@TAO_Validator) June 15, 2023

Bittensor 更新

好消息,一群勾结的矿工操纵了网络并出售了他们的 $TAO 于市场上,已被识别

作为临时解决方案,TAO 排放已降低 90%,因此为 Opentensor Foundation 提供了时间来制定解决方案…… pic.twitter.com/6svEvB3wth

— TAO-Validator.com (@TAO_Validator) June 15, 2023

目前在网络上运行的大多数产品也无法与中心化对手竞争,而且迄今为止采用率很低。最好的学习和尝试方法是亲自测试在 Bittensor Hub.

我们还应该质疑,比特币的代币经济学是否适合像Bittensor这样专注于提供AI服务的网络。或许$BTC的通缩特性并不适合一个需要不断增加矿工数量和在上层构建应用以实现扩展的网络。理想情况下,代币应该随着网络采用的增长而膨胀,更类似于数字石油而非数字黄金。在某种程度上,这已经是内置机制,激励矿工相互竞争,并在超过200多年的跨度内分发供应。

另一个挑战是隐私问题,因为在数据通过神经网络之前无法加密数据。这在去中心化环境中更加成问题,因为任何经过学习和/或推理过程的数据肯定不会是私密的。当然,这在中心化环境中也是一个潜在问题,但那时你只需要担心1个已知方看到你的数据,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

供应分布

结论

Bittensor 可以是对 AI 和加密货币交汇点的有力押注。然而,它无疑是评估其增长率和潜在上涨空间最复杂的项目之一。

去中心化网络中显然有很大的潜力来利用AI的效用,特别是当激励开源模型并去中心化网络所有权时。然而,建立在Bittensor之上的服务和商业案例尚未足够具有竞争力。

AI也是一个需要巨额运营费用和大量资金的行业,这些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,这就是为什么值得考虑尽可能多的风险/回报因素。

参考文献

Bittensor – TAO

外部来源

披露

Revelo Intel 从未与 Bittensor 建立过商业关系,本报告未以任何方式获得报酬或委托。

Revelo Intel 团队成员,包括直接参与上述分析的人员,可能持有所讨论的代币头寸。

本内容仅供教育目的提供,不构成财务或投资建议。您应进行自己的研究,仅投资您能承受损失的金额。Revelo Intel 是一个研究平台,不是投资或财务顾问。

Alea Research · 2023年10月25日 · 5 min · 15 个章节

返回顶部