فريق 0xai: لماذا نحن متفائلون بشأن Bittensor؟

المؤلف: 0xai، منصة إنشاء الذكاء الاصطناعي المصدر: متوسط ​​الترجمة: شان أوبا، Golden Finance

ما هو Bittensor بالضبط؟

Bittensor في حد ذاته ليس منتجًا للذكاء الاصطناعي، ولا ينتج أو يقدم أي منتجات أو خدمات للذكاء الاصطناعي. Bittensor هو نظام اقتصادي يعمل كمُحسِّن لسوق منتجات الذكاء الاصطناعي من خلال توفير نظام حوافز تنافسي للغاية لمنتجي منتجات الذكاء الاصطناعي. في نظام Bittensor البيئي، يحصل المنتجون ذوو الجودة العالية على المزيد من الحوافز، في حين يتم التخلص تدريجياً من المنتجين الأقل قدرة على المنافسة.

p>

فريق 0xai وجاكوب وفيتاليك في حلقة نقاش

< p style="text-align: left;"> إذًا، كيف بالضبط أنشأ Bittensor آلية الحوافز هذه التي تشجع المنافسة الفعالة وتعزز الإنتاج العضوي لمنتجات الذكاء الاصطناعي عالية الجودة؟

p>

نموذج دولاب الموازنة Bittensor

يحقق Bittensor ذلك من خلال نموذج دولاب الموازنة. يقوم القائمون على التحقق بتقييم جودة منتجات الذكاء الاصطناعي في النظام البيئي وتخصيص الحوافز على أساس جودتها، مما يضمن حصول المنتجين ذوي الجودة العالية على المزيد من الحوافز. وهذا يحفز الزيادة المستمرة في المخرجات عالية الجودة، وبالتالي زيادة قيمة شبكة Bittensor وزيادة تقدير TAO. إن تقدير TAO لا يجذب المزيد من المنتجين ذوي الجودة العالية للانضمام إلى نظام Bittensor البيئي فحسب، بل يزيد أيضًا من تكلفة الهجمات التي يتعرض لها المتلاعبون للتلاعب بنتائج تقييم الجودة. وهذا من شأنه أن يعزز إجماع المتحققين النزيهين ويعزز موضوعية وعدالة نتائج التقييم، وبالتالي تحقيق آلية منافسة وحوافز أكثر فعالية.

يعد ضمان عدالة وموضوعية نتائج التقييم خطوة أساسية في إدارة دولاب الموازنة. هذه أيضًا هي التقنية الأساسية لـ Bittensor، وهو نظام التحقق المجرد القائم على إجماع Yuma.

إذن، ما هو إجماع يوما، وكيف يضمن أن نتائج تقييم الجودة بعد الإجماع عادلة وموضوعية؟

إجماع Yuma هو آلية إجماع مصممة لحساب نتيجة التقييم النهائية من التقييمات المتنوعة المقدمة من قبل العديد من المدققين. على غرار آلية الإجماع البيزنطية المتسامحة مع الأخطاء، طالما أن غالبية المدققين في الشبكة صادقون، فيمكن التوصل إلى القرار الصحيح في النهاية. وبافتراض أن القائمين على التحقق الصادقين يمكنهم تقديم تقييمات موضوعية، فإن نتائج التقييم بعد الإجماع ستكون أيضًا عادلة وموضوعية.

بأخذ تقييم جودة الشبكة الفرعية كمثال، يقوم مدقق الشبكة الجذرية بتقييم وتصنيف جودة مخرجات كل شبكة فرعية. يتم تلخيص نتائج التقييم الخاصة بـ 64 مدققًا ويتم الحصول على نتائج التقييم النهائية من خلال خوارزمية إجماع Yuma. يتم بعد ذلك استخدام النتيجة النهائية لتعيين TAO المنشأ حديثًا لكل شبكة فرعية.

في الوقت الحالي، هناك مجال للتحسين في إجماع Yuma:

1. قد لا تمثل أدوات التحقق من الشبكة الجذرية جميع حاملي TAO بشكل كامل، كما أن نتائج التقييم التي يقدمونها لا تعكس بالضرورة نطاقًا واسعًا من وجهات النظر. بالإضافة إلى ذلك، قد لا تكون تقييمات بعض كبار المدققين موضوعية دائمًا. وحتى لو تم اكتشاف التحيز، فقد لا يتم تصحيحه على الفور.

2. إن وجود مدقق الشبكة الجذرية يحد من عدد الشبكات الفرعية التي يمكن لـ Bittensor استيعابها. للتنافس مع عمالقة الذكاء الاصطناعي المركزي، لا يكفي أن يكون لديك 32 شبكة فرعية. ومع ذلك، حتى مع وجود 32 شبكة فرعية، قد يكون من الصعب على مدقق الشبكة الجذرية مراقبة جميع الشبكات الفرعية بشكل فعال.

3. قد لا يكون لدى المدققين رغبة قوية في الانتقال إلى شبكة فرعية جديدة. على المدى القصير، قد تفقد أدوات التحقق من الصحة بعض المكافآت عند الترحيل من شبكة فرعية قديمة ذات انبعاثات أعلى إلى شبكة فرعية أحدث ذات انبعاثات أقل. وكان عدم اليقين بشأن ما إذا كانت انبعاثات الشبكة الفرعية الجديدة سوف تلحق بالركب في نهاية المطاف، جنباً إلى جنب مع الخسارة الواضحة للمكافآت في السعي، إلى إضعاف استعدادهم للهجرة.

يخطط Bittensor أيضًا لترقية الآلية لحل هذه العيوب:

1. يعمل TAO الديناميكي على إضفاء اللامركزية على القدرة على تقييم جودة الشبكة الفرعية لجميع حاملي TAO بدلاً من عدد قليل من المدققين. سيتمكن حاملو TAO من تحديد نسبة التخصيص لكل شبكة فرعية بشكل غير مباشر من خلال التوقيع المساحي.

2. بدون قيود مدقق الشبكة الجذرية، سيزيد الحد الأقصى لعدد الشبكات الفرعية النشطة إلى 1024. سيؤدي هذا إلى تقليل عتبة انضمام الفرق الجديدة إلى نظام Bittensor البيئي بشكل كبير، مما يؤدي إلى مزيد من المنافسة الشديدة بين الشبكات الفرعية.

3. قد يحصل المدققون الذين ينتقلون إلى الشبكة الفرعية الجديدة في وقت سابق على مكافآت أعلى. يعني الانتقال مبكرًا إلى شبكة فرعية جديدة شراء dTAO لتلك الشبكة الفرعية بسعر أقل، وبالتالي زيادة احتمالية تلقي المزيد من TAO في المستقبل.

الشمولية القوية هي أيضًا ميزة رئيسية لتوافق يوما. يتم استخدام إجماع Yuma ليس فقط لتحديد انبعاثات كل شبكة فرعية، ولكن أيضًا لتحديد نسبة التخصيص لكل عامل تعدين ومدقق داخل نفس الشبكة الفرعية. علاوة على ذلك، مهما كانت مهمة عامل التعدين، فإن المساهمات التي تشملها، بما في ذلك القوة الحاسوبية والبيانات والمساهمات البشرية والذكاء، يتم أخذها في الاعتبار بشكل تجريدي. لذلك، يمكن ربط أي مرحلة من مراحل إنتاج منتجات الذكاء الاصطناعي بالنظام البيئي لـ Bittensor، والاستمتاع بالحوافز مع زيادة قيمة شبكة Bittensor أيضًا.

بعد ذلك، دعنا نستكشف بعض الشبكات الفرعية الرائدة ونلاحظ كيف يحفز Bittensor مخرجات هذه الشبكات الفرعية.

الشبكة الفرعية

الشبكة الفرعية 3: Myshell TTS

يمكنك المساهمة في تطوير شبكة myshell ai/MyShell TTS الفرعية عن طريق إنشاء حساب على GitHub.

حجم التداول: 3.46% (9 أبريل 2024)

الخلفية: Myshell هو الفريق الذي يقف وراء Myshell TTS (تحويل النص إلى كلام). ويأتي الأعضاء الأساسيون من جامعات معروفة مثل معهد ماساتشوستس للتكنولوجيا، وجامعة أكسفورد، وجامعة برينستون. يهدف Myshell إلى إنشاء منصة بدون تعليمات برمجية تسمح لطلاب الجامعات الذين ليس لديهم خلفية برمجية بإنشاء الروبوتات التي يريدونها بسهولة. وتركز شركة Myshell على مجال تحويل النص إلى كلام (TTS)، والكتب الصوتية والمساعدين الافتراضيين، وأطلقت أول روبوت للدردشة الصوتية سامانثا في مارس 2023. ومع التوسع المستمر لمصفوفة المنتجات، يتجاوز عدد المستخدمين المسجلين حاليًا المليون. تستضيف المنصة أنواعًا مختلفة من الروبوتات، بما في ذلك تعلم اللغة والروبوتات التعليمية والمفيدة.

الموضع: أطلقت Myshell هذه الشبكة الفرعية لجمع حكمة مجتمع المصادر المفتوحة بأكمله وإنشاء أفضل نموذج TTS مفتوح المصدر. بمعنى آخر، لا تقوم Myshell TTS بتشغيل النماذج مباشرة أو التعامل مع طلبات المستخدم النهائي؛ بدلاً من ذلك، فهي شبكة تستخدم لتدريب نماذج TTS.

p>

بنية Myshell TSS

تظهر عملية تشغيل Myshell TTS في الشكل أعلاه. عمال المناجم مسؤولون عن تدريب النموذج وتحميل النموذج المدرب إلى مجمع النماذج (يتم تخزين البيانات التعريفية للنموذج أيضًا في شبكة Bittensor blockchain)؛ يقوم القائمون على التحقق بتقييم النموذج عن طريق إنشاء حالات اختبار وتقييم أداء النموذج والتسجيل بناءً على النتائج؛ منطقة Bittensor، تعد blockchain مسؤولة عن تجميع الأوزان باستخدام إجماع Yuma لتحديد الوزن النهائي ونسبة التوزيع لكل عامل تعدين.

باختصار، يجب على القائمين بالتعدين الاستمرار في تقديم نماذج ذات جودة أعلى للحفاظ على مكافآتهم.

في الوقت الحالي، أطلقت Myshell أيضًا عرضًا توضيحيًا على منصتها للمستخدمين لتجربة النماذج في Myshell TTS.

p>

في المستقبل، عندما تصبح النماذج التي تم تدريبها بواسطة Myshell TTS أكثر موثوقية، سيتم توفير المزيد من حالات الاستخدام عبر الإنترنت. علاوة على ذلك، باعتبارها نموذجًا مفتوح المصدر، فإنها لن تقتصر على Myshell، ولكن يمكن أيضًا توسيعها لتشمل منصات أخرى. أليس تدريب وتحفيز النماذج مفتوحة المصدر من خلال هذا النهج اللامركزي هو بالضبط ما نهدف إليه في الذكاء الاصطناعي اللامركزي؟

الشبكة الفرعية 5: افتح Kaito

يمكنك إنشاء واحدة على حساب GitHub لـ المساهمة في تطوير Open Kaito.

حجم التداول: 4.39% (9 أبريل 2024)

الخلفية: كايتو الفريق يقف خلف .ai فريق Open Kaito، ويتمتع أعضاؤه الأساسيون بخبرة واسعة في مجال الذكاء الاصطناعي، حيث عملوا سابقًا في شركات كبرى مثل AWS، وMETA، وCitadel. قبل الدخول إلى شبكة Bittensor الفرعية، أطلقوا منتجهم الرئيسي Kaito.ai - وهو محرك بحث بيانات خارج السلسلة Web3، سيتم إطلاقه في الربع الرابع من عام 2023. باستخدام خوارزميات الذكاء الاصطناعي، يعمل Kaito.ai على تحسين المكونات الأساسية لمحركات البحث، بما في ذلك جمع البيانات وخوارزميات التصنيف وخوارزميات الاسترجاع. لقد تم الاعتراف بها كأداة لجمع المعلومات من الدرجة الأولى في مجتمع التشفير.

الموضع: يهدف Open Kaito إلى بناء طبقة فهرسة لامركزية لدعم البحث والتحليل الذكي. محرك البحث ليس مجرد قاعدة بيانات أو خوارزمية تصنيف، بل هو نظام معقد. بالإضافة إلى ذلك، يتطلب محرك البحث الفعال أيضًا زمن وصول منخفض، مما يشكل تحديات إضافية لبناء إصدارات لا مركزية. لحسن الحظ، من خلال نظام الحوافز الخاص بـ Bittensor، من المتوقع أن يتم حل هذه التحديات.

تظهر عملية تشغيل Open Kaito في الشكل أعلاه. بدلاً من مجرد تحقيق اللامركزية في كل مكون من مكونات محرك البحث، يقوم Open Kaito بتأطير مشكلة الفهرسة على أنها مشكلة أداة التحقق من صحة المعدن. أي أن القائمين بالتعدين مسؤولون عن الاستجابة لطلبات فهرس المستخدم، بينما يقوم المدققون بتوزيع الطلبات وتسجيل استجابات المعدنين.

لا يحد Open Kaito من كيفية إكمال القائمين بالتعدين لمهام الفهرسة، ولكنه يركز على المخرجات النهائية للقائمين بالتعدين لتشجيع الحلول المبتكرة. وهذا يساعد على خلق بيئة تنافسية صحية بين عمال المناجم. في مواجهة احتياجات فهرسة المستخدم، يعمل القائمون بالتعدين بجد لتحسين خطط التنفيذ والحصول على نتائج استجابة عالية الجودة بموارد أقل.

الشبكة الفرعية 6: Nous Finetuning

يمكنك المساهمة عن طريق إنشاء حساب على GitHub تطوير الشبكة الفرعية Nous Research/finetuning.

حجم التداول: 6.26% (9 أبريل 2024)

الخلفية: نوس الفريق يأتي وراء Finetuning من Nous Research، وهو فريق بحث يركز على بنية نماذج اللغة واسعة النطاق (LLM)، وتوليف البيانات والاستدلال على الجهاز. شغل مؤسسها المشارك منصب كبير المهندسين لشبكة Eden Network.

الموضع: Nous Finetuning هي شبكة فرعية مخصصة لتحسين نماذج اللغات الكبيرة. بالإضافة إلى ذلك، فإن البيانات المستخدمة للضبط تأتي أيضًا من النظام البيئي Bittensor، وتحديدًا الشبكة الفرعية 18.

تشبه عملية تشغيل Nous Finetuning عملية Myshell TSS. يقوم القائمون بالتعدين بتدريب النماذج بناءً على البيانات من الشبكة الفرعية 18 ونشر هذه النماذج بانتظام ليتم استضافتها على Hugging Face؛ ويقوم المدققون بتقييم النماذج وتقديم النتائج؛ وبالمثل، فإن Bittensor blockchain مسؤول عن تجميع الأوزان باستخدام إجماع Yuma لتحديد الوزن النهائي لكل عامل تعدين وتداوله. .

الشبكة الفرعية 18: Cortex.t

يمكن الوصول إليها عن طريق إنشاء حساب على GitHub Contribute لتطوير corcel-api/cortex.t.

حجم التداول: 7.74% (9 أبريل 2024)

الخلفية: فريق Cortex خلف .t يوجد Corcel.io، المدعوم من Mog، ثاني أكبر مدقق على شبكة Bittensor. Corcel.io هو تطبيق موجه للمستخدم النهائي يوفر تجربة مماثلة لـ ChatGPT من خلال الاستفادة من منتجات الذكاء الاصطناعي لنظام Bittensor البيئي.

الموضع: يتم وضع Cortex.t كطبقة أخيرة قبل تقديم النتائج للمستخدم النهائي. وهو مسؤول عن اكتشاف وتحسين مخرجات الشبكات الفرعية المختلفة للتأكد من أن النتائج دقيقة وموثوقة، خاصة عند استدعاء نماذج متعددة بواسطة موجه واحد. تم تصميم Cortex.t لمنع المخرجات الفارغة أو غير المتسقة، مما يضمن تجربة مستخدم سلسة.

يستخدم القائمون بالتعدين في Cortex.t شبكات فرعية أخرى في نظام Bittensor البيئي للتعامل مع طلبات المستخدم النهائي. كما أنهم يستخدمون GPT 3.5 Turbo أو GPT 4 للتحقق من نتائج المخرجات لضمان الموثوقية للمستخدمين النهائيين. يقوم المدققون بتقييم مخرجات القائم بالتعدين من خلال مقارنتها بالنتائج الناتجة عن OpenAI.

الشبكة الفرعية 19: الرؤية

المساهمة في namoray/ عن طريق إنشاء حساب على تطوير رؤية GitHub .

حجم التداول: 9.47% (9 أبريل 2024)

الخلفية: الرؤية التطوير الفريق الذي يقف وراءه يأتي أيضًا من Corcel.io.

الموضع: تهدف Vision إلى تعظيم مخرجات شبكة Bittensor من خلال استخدام إطار عمل محسّن لبناء شبكة فرعية يسمى DSIS (الشبكة الفرعية لاستدلال النطاق الموزع). يعمل الإطار على تسريع استجابة عمال المناجم للمدققين. تركز Vision حاليًا على سيناريوهات توليد الصور.

يتلقى المدققون الطلبات من الواجهة الأمامية لـ Corcel.io ويقومون بتوزيعها على عمال المناجم. يتمتع القائمون بالتعدين بحرية اختيار مجموعة التكنولوجيا المفضلة لديهم (لا تقتصر على النماذج) للتعامل مع الطلبات وإنشاء الاستجابات. ثم يقوم المدققون بتقييم أداء عمال المناجم. بفضل DSIS، تستطيع Vision الاستجابة لهذه الاحتياجات بشكل أسرع وأكثر كفاءة من الشبكات الفرعية الأخرى.

الملخص

كما يتبين من المثال أعلاه، يُظهر Bittensor درجة عالية من الجنس التسامح. يتم إنشاء القائمين بالتعدين والتحقق من المدققين خارج السلسلة، وتقوم شبكة Bittensor بتوزيع المكافآت على كل عامل تعدين بناءً على تقييم المدقق فقط. يمكن تحويل أي جانب من جوانب إنشاء منتجات الذكاء الاصطناعي التي تناسب بنية أداة التحقق من صحة المعدن إلى شبكة فرعية.

من الناحية النظرية، يجب أن تكون المنافسة بين الشبكات الفرعية شرسة. لكي تستمر أي شبكة فرعية في تلقي المكافآت، يجب أن تستمر في إنتاج مخرجات عالية الجودة. بخلاف ذلك، إذا رأى مدقق الشبكة الجذرية أن مخرجات الشبكة الفرعية ذات قيمة أقل، فقد يتم تقليل تخصيصها وقد يتم استبدالها في النهاية بشبكة فرعية جديدة.

ولكن في الواقع، وجدنا بعض المشاكل:

1. تكرار الموارد وتكرارها بسبب تحديد موضع الشبكة الفرعية المماثل. من بين الشبكات الفرعية الموجودة البالغ عددها 32 شبكة، يركز الكثير منها على الاتجاهات الشائعة مثل تحويل النص إلى صورة، والمطالبات النصية، والتنبؤ بالأسعار.

2. هناك شبكات فرعية ليس لها حالات استخدام حقيقية. في حين أن الشبكات الفرعية للتنبؤ بالأسعار قد يكون لها قيمة نظرية كمقدمي خدمات أوراكل، فإن الأداء الحالي لبيانات التنبؤ بعيد عن أن يكون قابلاً للاستخدام من قبل المستخدمين النهائيين.

3. مثال على "المال السيئ يطرد المال الجيد". قد لا يكون لدى بعض كبار المدققين حافز قوي للانتقال إلى شبكات فرعية جديدة، حتى لو أظهرت بعض الشبكات الفرعية الجديدة جودة أعلى بشكل ملحوظ. ومع ذلك، بسبب نقص الدعم المالي، قد لا يتم الحصول على انبعاثات كافية على المدى القصير. نظرًا لأن فترة الحماية للشبكة الفرعية الجديدة تبلغ 7 أيام فقط بعد اتصالها بالإنترنت، فإذا لم تتمكن من تجميع ما يكفي من الانبعاثات بسرعة، فقد تواجه خطر التخلص منها وعدم الاتصال بالإنترنت.

تعكس هذه المشكلات عدم كفاية المنافسة بين الشبكات الفرعية، ولم يلعب بعض المدققين دورًا في تشجيع المنافسة الفعالة.

نفذ مدقق مؤسسة Tensor المفتوحة (OTF) بعض الإجراءات المؤقتة للتخفيف من هذا الموقف. باعتبارها أكبر جهة تحقق مع 23% من قوة التخزين (بما في ذلك التفويض)، توفر OTF للشبكة الفرعية قناة للتنافس على المزيد من Staked TAO: يمكن لمالكي الشبكة الفرعية إرسال طلبات إلى OTF كل أسبوع لضبط حصتهم من Staked TAO في الشبكة الفرعية. حَجم. يجب أن تغطي هذه الطلبات 10 جوانب بما في ذلك "أهداف الشبكة الفرعية والمساهمة في نظام Bittensor البيئي"، و"آلية مكافأة الشبكة الفرعية"، و"تصميم بروتوكول الاتصال"، و"مصادر البيانات والأمن"، و"متطلبات الحوسبة" و"خارطة الطريق"، لتسهيل عملية OTF النهائية. قرار.

ومع ذلك، لحل هذه المشكلة بشكل أساسي، من ناحية، نحتاج بشكل عاجل إلى إطلاق dTAO (Dynamic TAO)، والذي يهدف إلى تغيير جذري لما ذكر أعلاه سؤال غير معقول. وبدلاً من ذلك، يمكننا دعوة جهات التحقق الكبيرة التي تمتلك كميات كبيرة من Stake TAO للنظر في التطوير طويل المدى لنظام Bittensor البيئي من منظور "تطوير النظام البيئي" وليس فقط من منظور "العائد المالي".

خلاصة القول، بفضل شموليته القوية وبيئته التنافسية الشرسة وآلية الحوافز الفعالة، نعتقد أن النظام البيئي Bittensor يمكنه إنتاج منتجات عالية الجودة عضويًا. منتجات الاستخبارات. في حين أن جميع مخرجات الشبكات الفرعية الحالية ليست قابلة للمقارنة مع تلك الخاصة بالمنتجات المركزية، دعونا لا ننسى أن بنية Bittensor الحالية احتفلت للتو بالذكرى السنوية الأولى لتأسيسها (تم تسجيل الشبكة الفرعية رقم 1 في 13 أبريل 2023). بالنسبة لمنصة لديها القدرة على التنافس مع عمالقة الذكاء الاصطناعي المركزي، ربما ينبغي لنا أن نركز على الخروج بخطط عملية للتحسين بدلا من التسرع في انتقاد أوجه القصور فيها. بعد كل شيء، لا أحد منا يريد أن يرى استمرار الذكاء الاصطناعي تحت سيطرة عدد قليل من العمالقة.