摘要："在本报告中，我们深入研究了人工智能和加密货币的交汇点，重点关注Bittensor和$TAO代币，探讨它们在点对点智能市场和数字商品市场兴起中发挥的作用。点对点智能市场Bittensor的点对点智能市场是人工智能开发领域的一个开创性概念，提供了一个去中心化且无需许可的平台，与OpenAI或谷歌Gemini等更封闭的模型形成鲜明对比。...
介绍
随着人工智能最近的爆炸式增长和普及，许多人对人工智能和加密货币的交汇点提出了不同的论点。这些创新有可能彻底改变我们数字生活的各个方面，从管理数字资 产到保护知识产权和打击欺诈。值得注意的是，这种融合引发了两个突出的趋势：
- 人工智能与区块链基础设施的集成，例如 Render ($RNDR)、Akash ($AKT) 或 Fetch.ai ($FET)。
- 出现了激励机器学习智能生产的协议，例如 Bittensor ($TAO)。
区块链之前的AI应用主要集中在基础设施上，实现了AI/ML（人工智能/机器学习）模型存储和GPU租赁。这导致出现了如通过代币激励的强化学习、零知识机器学习（zkML），以及基于区块链的身份注册以应对深度伪造的一些趋势。与此同时，一种平行的趋势正在蓬勃发展：激励智能的协议。"
在本报告中，我们深入研究了人工智能和加密货币的交汇点，重点关注Bittensor和 $TAO 代币，探讨它们在点对点智能市场和数字商品市场兴起中发挥的作用。
"利用最近于10月2日进行的Revolution升级，本文还提供了历史概述、行业展望、竞争分析，并深入探讨了$TAO的价值主张。"
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来推动人工智能的发展。在这个生态系统中，贡献者因其努力而获得 $TAO 代币奖励。
Bittensor 作为一个挖矿网络，利用代币激励来鼓励参与，同时坚持开放性和去中心化的原则。在该网络中，多个节点托管机器学习模型，共同为智能池贡献。这些模型在分析大量文本数据、提取语义以及在各个领域生成有价值的见解方面发挥着至关重要的作用。对于用户而言，基本功能包括查询网络以获取智能访问权限，与矿工和验证者参与$TAO代币挖矿，并监管其钱包和余额。
Bittensor 的网络依赖于各种利益相关者的贡献，包括矿工、验证者、被提名者和消费者。这种协作方式确保了最优秀的人工智能模型脱颖而出，提高了网络提供的人工智能服务的质量。
供应方有两层：人工智能（矿工）和区块链（验证者）。
- Bittensor 网络中的矿工托管人工智能模型并将其提供给网络，矿工的成功取决于其提供的质量和性能。
- 矿工根据他们对网络贡献的情报获得 $TAO 补偿（尽管这取决于手头的具体任务）。
- 顶级模型的需求量更大，可以为矿工带来更多收入。
- 验证者充当网络内的评估者。他们评估人工智能模型的质量和有效性并管理用户请求。通过这种方式，验证者可以根据特定任务的性能对模型进行排名，帮助消费者找到最佳解决方案。他们的评估越准确和一致，他们获得的奖励就越多。同样，不一致的评估可能会导致处罚，从而确保验证者保持高标准。
- 验证者会受到 $TAO 的激励，根据矿工的“智能贡献”对他们进行排名。
- 验证器还负责路由输入以产生最佳输出。这是通过在相互补充（子网络）的矿工（模型）之间形成联盟来实现的。
在需求方面，开发人员可以在验证者的基础上构建应用程序，利用（并支付）来自网络的特定用例的人工智能功能。
- 被提名者是持有 $TAO 代币并通过将代币委托给特定验证者，来积极支持特定验证者的个人，这个委托可以帮助验证者获得更多的支持和奖励。被提名者本身会因参与这一过程而获得奖励。如果验证者表现不佳或者被提名者认为有更好的选择，他们可以将支持转移到另一个验证者。
- 消费者是 Bittensor 提供的 AI 模型的最终用户。他们可能是将人工智能功能集成到应用程序中的应用程序开发人员，也可能是寻求高质量响应的聊天机器人的用户。
- 消费者优先考虑获得准确且有价值的答案。
- 开发人员们会选择他们认为最符合其要求的验证者，以确保为其用户提供一流的人工智能服务。
上述利益相关者之间的协调产生了一个促进特定用例的最佳模型的网络。任何人都可以进行实验，这使得封闭源代码的企业难以与之竞争。
在众多误解中，最常见的一个是认为该网络支持机器学习（ML）的训练。在当前状态下，Bittensor仅支持推理，即根据证据和推理得出结论并提供响应的过程。训练则是一个独立的过程，涉及教授机器学习模型来执行任务。这是通过向模型提供大量标记示例数据集来实现的，使其能够学习数据和标签之间的模式和关联。与此同时，推理利用经过训练的机器学习模型对新的、未见过的数据进行预测。例如，可以采用经过训练对图像进行分类的模型进行推理，以确定以前未见过的新图像的类别。
因此，需要注意的是，Bittensor 并不执行链上ML，其功能更像是链上Oracle或连接和编排链下 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专家混合 (MoE) 网络，这是一种 ML 架构，它融合了针对不同能力进行优化的多个模型，以形成一个更为强大的整体模型。
点对点智能市场
Bittensor 的点对点智能市场是人工智能开发领域的一个开创性概念，提供了一个去中心化且无需许可的平台，与OpenAI或谷歌Gemini等更封闭的模型形成鲜明对比。
该市场旨在促进竞争性创新，推动人工智能行业的发展，并使全球开发者和用户社区能够使用人工智能。任何形式的价值都可以被激励，即为任何数字商品创造一个公平市场的协议。换句话说，该协议体现了一种在网络内参与者之间交换机器学习能力和预测的点对点方法。它促进了机器学习模型和服务的共享与协作，推动了一种合作和包容的环境，其中既可以托管开源模型，也可以托管封闭源代码模型。
数字商品市场的兴起
Bittensor 的独特之处在于，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。该协议的核心是建立一个机器智能商品化的市场。
类似于遗传算法，Bittensor的激励系统持续评估矿工的表现，并随着时间的推移选择或回收矿工。这个动态过程确保网络保持高效并能够响应不断变化的人工智能开发格局。
在 Bittensor 情报市场中，价值生成遵循双重方法：
- 由矿工（称为贡献者）托管的高性能人工智能模型会以 $TAO 代币的形式获得奖励。
- 评估和利用情报的验证者也将获得 $TAO 代币奖励。
值得注意的是，Bittensor 不仅仅奖励原始性能，还强调最有价值“信号”的生成。这意味着奖励系统优先考虑创建为广大受众提供实质性利益的信息，最终有助于开发更有价值的商品。
尤马共识（Yuma Consensus）
作为一个独立的Layer1区块链，Bittensor由尤马共识（Yuma consensus）算法提供支持。它是一种去中心化的点对点共识算法，旨在实现计算资源在节点网络中的公平分配。
Yuma 采用结合了工作量证明(PoW) 和权益证明(PoS) 元素的混合共识机制。网络内的节点执行计算工作，验证交易并创建新的区块。这一工作也会被其他节点验证，成功的贡献者将获得代币奖励。PoS组件鼓励节点持有代币，使其利益与网络的稳定性和增长一致。
与传统的共识机制相比，这种混合模型具有多种优势。一方面，它避免了通常与工作证明（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）中出现的中心化风险，保持了网络的去中心化和安全性。
Yuma 共识机制因其在广泛的节点网络上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，因为它可以轻松处理更复杂的人工智能任务和更大的数据集。随着网络集成了更多的节点，它自然地扩展以适应日益庞大的工作负载。
与依赖单个服务器或集群的传统集中式人工智能应用程序相比，Yuma 支持的应用程序可以分布在节点网络中。这种分布优化了计算资源的利用，使得能够处理复杂的任务，同时减轻与单点故障和安全漏洞相关的风险。
知识精炼——数字蜂巢思维（Digital Hivemind）
知识精炼是 Bittensor 协议中的一个基本概念，促进网络节点之间的协作学习，以提高性能和准确性。与人脑中的神经元如何协同工作类似，知识蒸馏使节点在网络中集体提升。
此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的推移进行自我优化以实现更精确预测的网络。每个节点都为共享池做出贡献，最终提高网络的整体性能，使其更快速，更适用于实时学习应用，比如机器人技术和自动驾驶汽车。
关键的是，这种方法减轻了灾难性遗忘的风险，这是机器学习中常见的一个挑战。节点保留并扩展其现有知识，同时融入新的见解，增强了网络的弹性和适应性。
通过在多个节点之间分发知识，Bittensor TAO网络变得更加抗干扰，对潜在的数据泄露也更具弹性。这种稳健性对于处理高安全性和隐私敏感数据（例如财务和医疗信息）的应用程序尤其重要（稍后将详细介绍隐私）。
专家混合 (MoE)
Bittensor 网络进一步创新，引入了去中心化专家混合 (MoE) 的概念。这种方法利用了多个神经网络的力量，每个神经网络专门研究数据的不同方面。当引入新数据时，这些专家会合作产生比任何个别专家单独实现的更准确的集体预测。
采用的共识机制将深度学习与区块链共识算法结合在一起。其主要目标是将权益分发为激励那些为网络贡献最多信息价值的节点。本质上，它奖励那些增强网络知识和能力的人。
Bittensor 协议的核心由参数化函数组成，通常称为神经元。这些神经元以点对点的方式分布，每个神经元都持有记录在数字账本上的零个或多个网络权重。节点积极参与相互排名，训练神经网络以确定其相邻节点的价值。这个排名过程对评估个体节点对网络整体性能的贡献至关重要。
通过此排名过程生成的分数会累积在数字分类账上。排名较高的节点会获得货币奖励，从而在网络中获得额外的权重。这在节点的贡献和奖励之间建立了直接联系，促进了网络内的公平性和透明度。
这种方法提供了一个市场，其中其他情报系统通过互联网以点对点的方式对情报进行定价。它激励节点不断提高他们的知识和专业知识。
为了确保奖励的公平分配，Bittensor采用了Shapley值，这是从合作博弈理论中借用的概念。Shapley 值提供了一种公平有效的方法，可以根据网络节点的贡献在他们之间分配奖励。这种激励与贡献的结合激励节点按照网络的最佳利益行事，提高安全性和效率，同时推动持续改进。
Bittensor 的核心使命是通过去中心化框架促进人工智能领域的创新和协作。该框架实现了知识的快速扩展和共享，创造了一个不断增长且不可阻挡的信息库。在这个市场中，开发者有权将他们的人工智能模型货币化，并为企业和个人提供有价值的解决方案。
Bittensor 的愿景延伸到了未来，人工智能模型可以在各个行业中轻松访问和部署。这种可访问性推动了进步并释放了新的可能性，缩小了人工智能功能和现实应用程序之间的差距。
与 Chat GPT 等著名的全球 AI 模型非常相似，Bittensor 模型基于通用数据集生成“表示”。为了评估模型的性能，使用了Fisher的信息来评估从网络中移除一个节点的影响，类似于在人脑中失去一个神经元。
除了模型排名之外，Bittensor 还非常重视交互式学习。每个模型都会积极地与网络交互，寻求与其他模型的交互，类似于 DNS 查找。Bittensor 充当 API，利用开源和闭源模型促进这些模型之间的数据交换，促进协作学习和知识共享。
该生态系统利用 Yuma 共识来确保每个人都遵守规则，成为开源开发人员和人工智能研究实验室的驱动力，为增强开源基础模型提供经济激励。
从本质上讲，Bittensor 的作用是不断扩展的机器智能存储库。这是通过将 4 个不同的层整合在一起来实现的：
- 矿工层：负责在网络中生成有价值的工作。
- 验证者层：确保矿工遵守既定的共识规则。
- 企业层：建立在现有基础设施之上，开发创新产品和服务。它是一个利用网络集体智慧创建新解决方案的平台。
- 消费者层：从企业层产生的工作中受益。代表使用由Bittensor网络驱动的产品和服务的终端用户或组织。
Bittensor发展史
Bittensor成立于2019年，由两位人工智能研究者Jacob Steeves和Ala Shaabana（以及一个匿名的白皮书作者Yuma Rao）创立。他们当时正在寻找一种使人工智能可复合的方法。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机器学习节点网络以共同训练和学习特定问题的方法。向网络添加的增量资源提高了整体智能，使先前研究和模型的工作复合起来。
Bittensor的旅程始于2021年1月的“Kusanagi”发布，标志着网络的激活，允许矿工和验证者开始获得第一批$TAO奖励。然而，这一初始版本由于共识问题而暂停。作为回应，Bittensor于2021年11月将“Kusanagi”分叉为“Nakamoto”。
在2023年3月20日，Bittensor达到了一个重要的里程碑，“Nakamoto”再次被分叉，这一次演变为“Finney”。此次升级的目的是提高内核代码的性能。
值得注意的是，Bittensor最初旨在成为Polkadot上的一条平行链，在2021年1月的拍卖中成功获得了一条平行链插槽。然而，由于对Polkadot开发速度有关的担忧，随后决定使用自己基于Substrate构建的独立L1区块链，而不是依赖于Polkadot。
当前状态
Bittensor 已在主网上运行一年多的时间，其重点是开展先导性研究并为未来潜力奠定基础。以下是当前状态的概述以及尚未在其验证者之上构建业务用例的原因：
- 稀疏混合模型（Sparse Mixture Model）：Bittensor 作为一个模型运行稀疏混合模型。它将特定的人工智能模型吸引到这种混合物中，每个模型解决验证者定义的更大问题中的特定角色。配置和调整该模型以达到最先进的水平是一个复杂且迭代的过程。目前，这个路线图的阶段由Opentensor Foundation领导。
- 智能压缩（蒸馏）：智能压缩是 Bittensor 的核心研究重点。这涉及到提高网络效率和能力的蒸馏技术。
- 针对宏伟目标进行优化：Bittensor 的主要重点是针对宏伟目标进行优化，而不是短期业务用例。Opentensor 致力于创建一个超越简单点对点平台且具有模型定价系统的网络。
- 进展和更新：在过去的一年里，Opentensor 取得了重大进展，包括 Synapse 更新，它向外部请求开放了 Bittensor。2023 年 10 月，Revolution 升级实现了通过子网的扩展。这使得大型验证者能够独立定义问题，从而在他们的权益中创造现金流的机会。
- 走向现实世界的扩张： Finney网络标志着Bittensor的一个转折点，允许验证者更加独立行动并减少初始的中心化。随着网络权益的增长和区块奖励的增加，推动了人工智能的增长。
- 即将到来的人工智能业务用例：Bittensor 设想随着包括人类和人工智能在内的利益相关者遵循他们的激励措施，现实世界的人工智能业务用例将得到扩展。多模态和元模态的实现即将到来，将子网络合并为统一的“智能”格式。
通过最新的 Revolution 升级，Bittensor 使任何人都能够创建专门针对特定类型应用程序的子网。例如，例如，Subnet 4使用了JEPA（Joint Embedding Predicted Architecture），这是由Meta的Yann LeCun首创的一种处理各种输入和输出类型（如视频、图像和音频）的人工智能方法。
另一个引人注目的成就是Cerebras的BTLM-3B-8K（Bittensor Language Model），这是一个3B参数模型，使得可以在移动设备上运行高度准确和高性能的模型，从而使人工智能变得更加可访问。BTLM-3B-8K在Hugging Face上提供，使用Apache 2.0许可证进行商业使用。
大型的GPT模型通常有超过1000亿的参数，需要多个高端GPU来进行推断。然而，来自Meta的LLaMA的发布使世界可以在仅有70亿参数的情况下获得高性能模型，从而可以在高端PC上运行LLMs。
即使将一个拥有70亿参数的模型量化到4位精度，它仍然无法适应许多流行设备，比如iPhone 13（4GB RAM）。而一个30亿参数的模型则可以轻松适应几乎所有移动设备，但先前的30亿参数大小的模型性能远远不如它们的70亿参数的对应物。BTLM在模型大小和性能之间取得了平衡。它拥有30亿参数，提供的准确性和能力水平明显优于先前的30亿参数大小的模型。
在查看各个基准时，BTLM 在除 TruthfulQA 之外的每个类别中得分最高。
BTLM-3B不仅优于所有30亿参数的模型，而且在性能上也与许多70亿参数的模型相媲美。
Revolution – Bittensor 子网升级
Bittensor 的 Revolution 升级于 10 月 2 日启动，标志着 Bittensor 发展的一个重要里程碑，为其运营结构带来了重大变化。此次升级的核心是引入“子网”，这是一个开创性的概念，为开发者在塑造他们的激励机制和在Bittensor生态系统内建立市场方面提供了前所未有的自主权。
此次升级的一个关键特点是引入了专门为制定激励系统而设计的专用编程语言。这项创新使开发人员能够在 Bittensor 网络上创建和实施他们的激励机制，利用其庞大的智能池来定制市场，以满足他们的具体要求和偏好。
此次升级还代表了对集中式模型的显着背离，在集中式模型中，单一基金会控制网络的所有方面，转向更加去中心化的框架。现在，各种个人或团体都有机会拥有和管理子网。
随着“子网”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，促进Bittensor生态系统内更广泛的服务。这种转变促进了网络内的多样性和分散化，符合Bittensor使命的开放和协作原则。
此外，子网将通过在新的“路由网络”中获取代表的共识来竞争发行，引入了一种能够推动创新和资源分配的竞争性因素。
用户创建的子网的出现可以让人想起以太坊向全球开发者社区敞开大门后应用程序的爆炸式增长。此次升级还强调了将各种工具和服务合并到一个有凝聚力的网络中的潜力。从本质上讲，打造智能所需的每个元素现在都集中在一个屋檐下，并由单一代币（$TAO）监管。
路由网络
路由网络在Bittensor生态系统中扮演着关键的角色。它充当一个元子网，其关键作用是根据主要代表的加权共识在其他子网之间分发发行。这种转变是深刻的，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“网络之网络”。
至关重要的是，发行计划不再完全受Opentensor基金会的控制。‘根’网络内的代表现在对激励分配拥有权威。这种转变使激励的控制分散化，不再完全依赖于任何单一实体，并将其置于‘根’网络的掌控之中。
子网
Bittensor 网络内的子网是独立的激励机制，为矿工与平台互动提供了框架。这些子网在定义管理矿工和验证者之间交互的协议方面发挥着关键作用。
此外，激励机制的细节不再硬编码在 Bittensor 代码库中。相反，这些详细信息是在子网存储库中定义的，从而具有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，以进行去中心化推理。此功能允许用户与网络上的验证器交互，并从性能最佳的模型中获取输出，从而为他们的应用程序提供先进的AI功能。
子网的运行方式是根据矿工和验证者对网络贡献的价值，将 $TAO 代币分配给他们。矿工对验证者查询的响应以及验证者进行的评估过程的具体规则和协议由每个子网仓库内的代码确定。
- 在启动时，将提供 9 个子网插槽，每个插槽默认可容纳 256 个 UID（子网 1 除外，可容纳 1024 个 UID）。子网将通过寻求“根”网络内代表的共识权重来积极竞争发行。
- 要注册子网，个人或实体必须在子网存在期间锁定特定数量的 $TAO。子网所有者承担完整的网络管理员的角色，并有权通过其各自的子网分配排放。他们拥有完整的权限，包括通过网络调用 sudo 操作的能力，例如设置网络最低费率等。
- 每个子网都与一个唯一的网络 UID 相关联，子网的所有权将转移到锁定其注册所需金额的 $TAO 的钱包。当子网创建时，将从创建者的钱包中扣除相应数量的$TAO并附加到子网中。如果子网被注销，锁定的 $TAO 将返回给所有者。
- 值得注意的是，在子网内抵押的$TAO返还的18%将授予子网所有者。这会激励子网创建者制定吸引路由网络上的代表的机制，因为这增加了他们避免注销的机会。
- 新注册的子网在一周内获得豁免期，在此期间不能注销。初始锁定成本为2500 $TAO，在新子网注册时翻倍。随着时间的推移，锁定成本逐渐减少，按照类似于荷兰拍卖机制的线性模式进行。这种方法旨在通过随时间调整锁定成本来找到子网槽需求的平衡。
- 当一个子网被注销时，用于其注册的$TAO将返还给所有者，子网内的所有矿工都将被移除，网络状态将被重置。
根网络
根网络充当“元子网”的角色，位于其他子网之上并影响其运作，同时在确定整个系统的发行分数方面发挥关键作用。
其主要功能是利用代表们参与的加权共识机制为每个子网生成一个发行向量。根网络内的代表根据他们的偏好为不同的子网分配权重，最终的共识机制确定了发行的分配。
一个值得注意的方面是，“根”网络有效地巩固了参议院和代表机制的作用，将这些职能整合为一个实体。这种整合简化了 Bittensor 生态系统内的决策流程。
“根”网络拥有通过影响激励分配来塑造生态系统的权力。如果它认为某个子网或系统的某个特定方面没有价值，它就有能力减少或消除对该组件的激励分配。
Bittensor 网络内的子网必须积极努力吸引“根”网络内代表的大部分权重，以确保获得释放激励的重要份额。这种竞争性的方面强调了子网向更广泛的生态系统展示其价值和效用的重要性。
此外，它赋予网络内的前12个密钥否决三巨头提交的提案的潜力，为系统添加了额外的治理层面和制衡。
行业展望
在科技领域，权力长期集中在少数科技巨头手中。这些巨头一直保持着对推动创新至关重要的有价值的数字商品的控制权。然而，Bittensor 通过其市场引入了更加民主和易于访问的系统，承认并挑战了这种流行的模式。
Bittensor的基本见解在于，智能是各种数字商品（如计算能力和数据）的结果。在历史上，这些商品一直受到严格的控制，限制在科技巨头的领域。Bittensor试图通过引入用户创建的子网来打破这些束缚。这些市场将在一个统一的代币系统下运作，确保全球开发者对曾经只有大科技封闭生态系统中少数精英专属领域的资源拥有平等的访问权。
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。人工智能已经成为我们生活中不可或缺的一部分，它简化了研究、自动化工作流程、协助编码以及从文本生成内容。人工智能能力的快速增长是显而易见的，但这种增长也带来了与可扩展性以及最重要的可靠性相关的挑战。尤其是ChatGPT在华盛顿讨论AI监管时出现的临时中断等最近事件，突显了解决AI扩展挑战的强大解决方案的迫切需要。这些中断让用户对AI在日常生活中变得越来越集成时的稳定性和可靠性感到担忧。正是在这些时刻，Bittensor的$TAO的重要性显而易见。
Bittensor的方法不仅支持开源AI，还表明它可以成为一项具有财务回报的追求。它借鉴了比特币挖矿中所见到的竞争演变，并为一个繁荣的市场铺平了道路，在这里最优秀的AI模型脱颖而出。这种转变赋予了AI研究人员在一个开放而动态的环境中贡献他们的专业知识的能力，最终使整个社会受益。
$TAO 提供了一种去中心化的人工智能基础设施，可以缓解 ChatGPT 遇到的潜在问题。通过去中心化 AI，Bittensor 确保了 AI 系统的弹性和可靠性，即使其需求不断增长。这种方法为人工智能服务的未来奠定了可靠的基础。
简而言之，Bittensor是一个全球开源人工智能市场，为封闭源AI开发带来的挑战提供了一个引人注目的解决方案。
- 人工智能卓越的引力：Bittensor充当了一个引力，吸引了来自全球研究人员的最优秀的AI模型。通过促进AI的自由市场，该网络鼓励提交尖端模型。随着它的成熟，Bittensor承诺降低价格，消除平台风险，并提供最佳的AI输出，无论是文本、图像、视频还是其他格式。
- 可盈利的开源：Bittensor 将开源 AI 转变为可盈利的事业。效仿比特币的例子，Bittensor 的构建假设利益相关者是利润驱动的。在这个生态系统中，最好的人工智能模型能赚到最多的钱。它与比特币挖矿的发展并行，转变为一个竞争激烈的专业化行业。博士研究人员现在有机会将他们的研究带到这个开放的市场，弥合了学术界和私营行业之间的差距。
- 令人印象深刻的规模：Bittensor的激励产生了显著的结果。该网络服务于超过4,000个AI模型，包括令人惊讶的10万亿模型参数。将这与GPT-3的1750亿参数相比，可见一斑。
- 多元化的利益相关者：Bittensor 的生态系统涉及一系列利益相关者，包括矿工、验证者、提名者和消费者。这种多元化的参与确保了网络的稳健性和持续增长。
AI的当前状态是一个重要的考虑因素，其中许多内容仍然锁定在封闭的大科技公司控制之下。这带来一个问题：如果AI可以在一个协作的环境中是开放的并且能够从其他AI模型中学习，会怎么样？Bittensor的$TAO试图提供对这个问题的解决方案。
- 增长采用：虽然一些主要的人工智能公司可能会犹豫是否公开其专有的人工智能技术，但 $TAO 提供了一个有趣的提议。它引入了通过微交易进一步货币化的可能性。想象一下，每次有人在 Bittensor 生态系统中使用他们的训练模型来构建他们的产品和业务时，OpenAI 等成熟的人工智能解决方案都会接受小额支付。这可以为这些公司开辟新的收入来源，鼓励他们参与开放的人工智能网络。
- 需求推动的采用：假设当前的人工智能解决方案仍然是封闭的并且对开放网络持抵制态度。即使拥有大量资金可供支配，开源也有可能超越这些资金雄厚的解决方案。虽然财政资源对于技术发展至关重要，但能够自主学习并从环境中学习的技术的潜力不应被低估。
开源困境
随着对AI中的对齐问题的担忧不断增长，围绕AI模型是否应该是开源的辩论日益引起关注。根本问题是AI模型背后的实际代码是否应该对所有人免费开放。有趣的是，即使像OpenAI这样的主要参与者开源他们的模型，这未必会对Bittensor构成威胁。在开源环境中，任何人都可以在Bittensor网络上利用这些模型。
在技术社区中，对这个问题存在不同的意见。有人认为开源AI技术可能会使恶意行为者有能力利用AI进行有害目的。相反，其他人认为将对AI技术的独家权利授予主要公司可能带来更大的危险。例如，将AI权力集中在少数几家万亿美元的公司手中，正如OpenAI专注于筹集大量资金所示，可能会引发道德担忧，突显出权力腐败的风险。
Meta开源其Llama2 LLM的决定表明行业在向拥抱开源实践转变。这一举措为Bittensor提供了学习并可能将Meta的进展整合到其网络中，更迅速地缩小性能差距的机会。
有必要审视$TAO和OpenAI的估值。目前，OpenAI在行业中占据主导地位，估值在800亿至900亿美元之间。然而，它在一个严重依赖于Microsoft及其受控云服务的封闭生态系统内运作。尽管如此，OpenAI成功地吸引了来自全球各地的顶级人才。另一方面，随着时间的推移和开源倡议变得更加普遍，可用人才的范围有望呈指数级扩大，覆盖互联网的各个角落。这种对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
开发者采用仍然是Bittensor发展道路上的一个关键因素。目前，开发者可以通过OpenTensor Foundation开发的Python API与网络互动，突显培养强大的开发者社区以推动采用的重要性。如今，Bittensor正在积极努力分散网络的关键方面，如模型创建和训练，奖励最精细调校的模型，同时促进社区驱动的决策制定。
有趣的是，AI领域的老牌企业，包括 OpenAI 和谷歌，现在已经成为 $TAO 的竞争对手。他们深入参与人工智能的模型生成阶段，甚至涉足各个行业内潜在的垂直整合。在这种背景下，$TAO 面临的主要挑战之一是数据划分问题。
与Facebook、Apple、Amazon、Netflix和Google（FAANG）等科技巨头不同，这些公司可以访问大量有意义的数据仓库，众包社区可能缺乏相同级别的资源和数据访问。FAANG组织具备财力支持，可以利用强大的硬件，如Nvidia的尖端技术，包括H100和GH200，这可以显著加速AI模型训练。
与此同时，值得注意的是，今天所有主流的AI解决方案都以封闭和集中的形式存在。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、隐私和整体能力方面越来越受到青睐。与其封闭的同行相比，它们以相对较小的预算和参数规模实现了令人印象深刻的功能。此外，这些开源模型在加速时间表上运作，无需几个月而是能够在几周内交付结果。
作为一家强大的科技巨头，谷歌已经认识到了这一变革趋势。公司的一份内部泄露文件中表示：“我们没有护城河，OpenAI 也没有。”其强调了开源人工智能在竞争格局中日益增长的影响力。
在这个不断发展的人工智能生态系统中，$TAO 作为变革的催化剂出现，挑战了人工智能开发和培训的传统模式。其去中心化的方法和社区驱动的精神使其成为科技巨头曾经占据主导地位的动态舞台上的竞争者。
与限制对单个人工智能模型的访问的集中式平台不同，Bittensor 的架构提供了对智能的无需许可的访问。它是人工智能开发人员的一站式商店，提供所有必要的计算资源，同时接受外部贡献。这种包容性模型将整个互联网的神经网络互连起来，创建了一个全球性、分布式、激励驱动的机器学习系统。
要实现AI的全部潜力，就必须摆脱封闭源开发实践及其相关的局限性。就像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，从创新研究人员获得的见解以及与各种模型的互动有助于培养更加强大和智能的AI系统的创建。AI的轨迹不应该由单一实体来决定。
在这两种未来截然对立的情况下，选择是一个由黑盒算法和集中权威主导的世界，还是一个开放、民主化的人工智能景观对社会来说至关重要。
在第一种情景中，像OpenAI或Anthropic这样的大型公司掌握了AI解决方案的控制权，我们面临着生活在不断监视制度下的风险。这些公司将对我们的个人数据和日常互动拥有巨大的权力，有权关闭服务并举报持不同意见或进行讨论的个人。
然而，更为乐观的选择提供了一个以开源平台为基础、建立在普遍拥有的网络上的人工智能世界。在这里，权力和控制是分散的，人工智能是赋权而非监控的工具。在这种情况下，创造力和发展可以在没有企业偏见或审查的恐惧下蓬勃发展。
就像互联网使得获取信息的途径
