أولا وقبل كل شيء، ما هو بيتنسور بالضبط؟

بايتنسور نفسه ليس منتجًا للذكاء الاصطناعي، ولا ينتج أو يوفر أي منتجات أو خدمات ذكاء اصطناعي. بايتنسور هو نظام اقتصادي يعمل كمحسن لسوق منتجات الذكاء الاصطناعي من خلال توفير نظام حوافز تنافسي للغاية لمنتجي منتجات الذكاء الاصطناعي. في نظام بايتنسور، يتلقى المنتجون عالي الجودة المزيد من الحوافز، بينما يتم التخلص تدريجيًا من المنتجين غير التنافسيين.

إذن، كيف يخلق Bittensor تحديدًا هذا الآلية التحفيزية التي تشجع على المنافسة الفعالة وتعزز الإنتاج العضوي لمنتجات الذكاء الاصطناعي عالية الجودة؟

نموذج عجلة Bittensor

يحقق Bittensor هذا الهدف من خلال نموذج العجلة الطائرة. يقوم المحققون بتقييم جودة منتجات الذكاء الاصطناعي في النظام البيئي وتوزيع الحوافز استنادًا إلى جودتها، مما يضمن أن يتلقى منتجو الجودة العالية المزيد من الحوافز. يحفز هذا الأمر زيادة مستمرة في الإخراج عالي الجودة، مما يعزز قيمة شبكة Bittensor ويزيد من تقدير TAO. يعمل تقدير TAO ليس فقط على جذب المزيد من منتجي الجودة العالية للانضمام إلى نظام Bittensor ولكنه أيضًا يزيد من تكلفة الهجمات من قبل المشوهين الذين يقومون بتلاعب نتائج تقييم الجودة. وهذا بدوره يعزز مزيد من توافق المحققين الصادقين ويعزز من الحيادية والعدالة لنتائج التقييم، مما يحقق منافسة وآلية حوافز أكثر فعالية.

ضمان عدالة وموضوعية نتائج التقييم خطوة حاسمة في تحويل عجلة الطائرة. هذه أيضًا التكنولوجيا الأساسية لـ Bittensor، وهي نظام التحقق المجرد القائم على اتفاق Yuma.

إذا، ما هو اتفاق يوما وكيف يضمن أن نتائج تقييم الجودة بعد التوافق عادلة وموضوعية؟

توافق يوما هو آلية توافق مصممة لحساب نتائج التقييم النهائية من التقييمات المتنوعة التي يقدمها العديد من المقيمين. على غرار آليات توافق تحمل الخطأ البيزنطي، طالما أن غالبية المقيمين في الشبكة صادقون، يمكن الوصول إلى القرار الصحيح في النهاية. بافتراض أن المقيمين الصادقين يمكنهم تقديم تقييمات موضوعية، ستكون نتائج التقييم بعد التوافق أيضًا عادلة وموضوعية.

على سبيل المثال، يقوم مُحققو شبكة الجذر بتقييم وتصنيف جودة إخراج كل شبكة فرعية. يتم تجميع نتائج التقييم من 64 محققًا، ويتم الحصول على النتائج النهائية من خلال خوارزمية Yuma Consensus. يتم استخدام النتائج النهائية ثم لتخصيص TAO الجديدة المختومة إلى كل شبكة فرعية.

حاليًا، يوما توافق يحتاج بالفعل إلى تحسين:

1. قد لا يمثل مُدققو شبكة الجذر جميع حاملي TAO بالكامل، وقد لا تعكس النتائج التي يقدمونها مجموعة واسعة من وجهات النظر بالضرورة. بالإضافة إلى ذلك، قد لا تكون تقييمات بعض مُدققي الأعلى دائمًا موضوعية. حتى إذا تم تحديد حالات تحيز، قد لا يتم تصحيحها على الفور.
2. وجود محدودي شبكة الجذر يقيد عدد الشبكات الفرعية التي يمكن لـ Bittensor استيعابها. للتنافس مع عمالقة الذكاء الاصطناعي المركزيين، فإن وجود 32 شبكة فرعية فقط غير كافٍ. ومع ذلك، حتى مع 32 شبكة فرعية، قد تواجه محدودي شبكة الجذر صعوبة في مراقبة جميعها بشكل فعال.
3. قد لا يكون لدى المحققون ميلاً قويًا للانتقال إلى شبكات فرعية جديدة. في الأجل القصير، قد يفقد المحققون بعض المكافآت عند الانتقال من شبكة فرعية أقدم ذات انبعاث أعلى إلى شبكة فرعية جديدة ذات انبعاث أقل. عدم اليقين في ما إذا كان انبعاث الشبكة الفرعية الجديدة سيلحق بالأمر في نهاية المطاف، جنبًا إلى جنب مع الخسارة المحددة للمكافآت أثناء المطاردة، يقلل من رغبتهم في الانتقال.

بيتنسور يخطط أيضًا لآليات ترقية لمعالجة هذه النقاط الضعيفة:

1. سيقوم الـ TAO الديناميكي بتفويض السلطة لتقييم جودة الشبكة الفرعية من خلال توزيعها على جميع حاملي الـ TAO، بدلاً من عدد قليل من المحققين. سيكون بإمكان حاملي الـ TAO تحديد نسبة توزيع كل شبكة فرعية بشكل غير مباشر عبر الكرسي.
2. دون قيود من محققي شبكة الجذر، سيتم زيادة الحد الأقصى لعدد الشبكات الفرعية النشطة إلى 1024. وهذا سيقلل بشكل كبير من عائق الانضمام لفرق جديدة إلى نظام Bittensor، مما يؤدي إلى منافسة أكثر شراسة بين الشبكات الفرعية.
3. من المحتمل أن يحصل المدققون الذين يهاجرون إلى شبكات فرعية جديدة في وقت مبكر على مكافآت أعلى. الهجرة المبكرة إلى شبكة فرعية جديدة تعني شراء dTAO لتلك الشبكة بسعر أقل، مما يزيد من احتمالية الحصول على المزيد من TAO في المستقبل.

الشمولية القوية هي أيضًا واحدة من المزايا الرئيسية لتوافق يوما. لا يتم استخدام توافق يوما فقط لتحديد انبعاثات كل شبكة فرعية ولكن أيضًا لتحديد نسبة تخصيص كل منقب ومدقق داخل نفس الشبكة الفرعية. علاوة على ذلك، بغض النظر عن مهمة المنقب، يتم اعتبار المساهمات التي يحتوي عليها، بما في ذلك قوة الحساب، والبيانات، والمساهمة البشرية، والذكاء، بشكل مجرد. لذلك، يمكن لأي مرحلة من مراحل إنتاج الذكاء الاصطناعي الوصول إلى البيئة البيتينسور، والاستفادة من الحوافز مع تعزيز قيمة شبكة بيتينسور.

المقبل، دعنا نستكشف بعض الشبكات الرئيسية ونراقب كيف يحفز Bittensor إخراج هذه الشبكات.

شبكة فرعية #3 Myshell TTS

غيثوب - myshell-ai/MyShell-TTS-Subnet

المساهمة في تطوير myshell-ai/MyShell-TTS-Subnet من خلال إنشاء حساب على GitHub.

github.com

الانبعاث: 3.46% (2024-04-09)

الخلفية: تعد Myshell الفريق الذي يقف وراء Myshell TTS (النص إلى الكلام)، والذي يضم أعضاء النواة من مؤسسات مشهورة مثل MIT وجامعة أكسفورد وجامعة برينستون. تهدف Myshell إلى إنشاء منصة بدون كود، تتيح لطلاب الكليات الذين ليس لديهم خلفية في البرمجة إنشاء الروبوتات التي يرغبون فيها بسهولة. متخصصة في مجال TTS، والكتب الصوتية، والمساعدين الافتراضيين، قامت Myshell بإطلاق أول روبوت دردشة صوتي، سامانثا، في مارس 2023. مع التوسع المستمر لمصفوفتها المنتجات، فقد جمعت أكثر من مليون مستخدم مسجل حتى الآن. تستضيف المنصة أنواعًا مختلفة من الروبوتات، بما في ذلك تعلم اللغات والتعليمية وتلك التي تركز على الفائدة.

تم إطلاق هذا الشبكة الفرعية من قبل Myshell لجمع حكمة المجتمع مفتوح المصدر بأكمله وبناء أفضل نماذج TTS مفتوحة المصدر. وبعبارة أخرى، لا يقوم Myshell TTS مباشرة بتشغيل النماذج أو التعامل مع طلبات المستخدمين النهائيين؛ بل هو شبكة لتدريب نماذج TTS.

بنية Myshell TSS

يُوضَّح العمل الذي يُديره Myshell TTS في الرسم البياني أعلاه. العُمَّال هم المسؤولون عن تدريب النماذج ورفع النماذج المدربة إلى حوض النماذج (يتم أيضًا تخزين البيانات الوصفية للنماذج في شبكة بلوكشين Bittensor)؛ يُقيم المُحَقِّقون النماذج عن طريق إنشاء حالات اختبار، وتقييم أداء النموذج، وتسجيل درجات استنادًا إلى النتائج؛ تتولى شبكة بلوكشين Bittensor تجميع الأوزان باستخدام توافق Yuma، وتحديد الأوزان النهائية ومعدلات التوزيع لكل عامل.

في الختام، يجب على العُمَّال المُنقبين تقديم نماذج ذات جودة أعلى باستمرار للحفاظ على مكافآتهم.

حاليًا، لقد أطلقت Myshell أيضًا عرضًا توضيحيًا على منصتها للمستخدمين لتجربة النماذج في Myshell TTS.

في المستقبل، مع تحسن نماذج التدريب التي تم تدريبها بواسطة Myshell TTS وتصبح أكثر موثوقية، ستكون هناك المزيد من حالات الاستخدام القادمة عبر الإنترنت. علاوة على ذلك، كنماذج مفتوحة المصدر، لن تكون محدودة فقط بـ Myshell ولكن يمكن أيضًا توسيعها إلى منصات أخرى. أليس تدريب وتحفيز النماذج مفتوحة المصدر من خلال هذه النهج اللامركزي بالضبط ما نهدف إليه في الذكاء الاصطناعي اللامركزي؟

Subnet #5 فتح كايتو

GitHub — OpenKaito/openkaito

المساهمة في تطوير OpenKaito/openkaito من خلال إنشاء حساب على GitHub.

github.com

الانبعاث: 4.39% (2024-04-09)

خلفية: يدعم Kaito.ai فريق عمل Open Kaito ، الذي يمتلك أعضاء أساسيين لديهم خبرة واسعة في مجال الذكاء الاصطناعي ، حيث عملوا سابقًا في شركات من الدرجة الأولى مثل AWS و META و Citadel. قبل الانطلاق في Bittensor Subnet ، قاموا بإطلاق منتجهم الرئيسي ، Kaito.ai - محرك بحث بيانات خارج السلسلة في الويب3 ، في الربع الرابع من عام 2023. من خلال خوارزميات الذكاء الاصطناعي ، يقوم Kaito.ai بتحسين المكونات الأساسية لمحركات البحث ، بما في ذلك جمع البيانات وخوارزميات التصنيف وخوارزميات الاسترداد. لقد اكتسبت سمعة كأداة رئيسية لجمع المعلومات في مجتمع العملات المشفرة.

الموضع: تهدف Open Kaito إلى إنشاء طبقة فهرسة مركزية لدعم البحث والتحليل الذكي. إن محرك البحث ليس مجرد قاعدة بيانات أو خوارزمية تصنيف بل نظام معقد. علاوة على ذلك، يتطلب محرك بحث فعال أيضًا قلة التأخير، مما يشكل تحديات إضافية لبناء النسخة المركزية. لحسن الحظ، مع نظام الحوافز لـ Bittensor، من المتوقع أن يتم التعامل مع هذه التحديات.

افتح بنية كايتو

يتم توضيح عملية عمل 'Open Kaito' في الرسم البياني أعلاه. 'Open Kaito' لا يقوم ببساطة بتمرير كل مكون من مكونات محرك البحث ، بل يعرف مشكلة الترقيم كمشكلة للتنقيب-التحقق. وهذا يعني أن الـ Miners مسؤولون عن الرد على طلبات ترقيم المستخدمين ، بينما توزع Validators الطلبات ويسجلون الردود من Miners.

لا يقيد Open Kaito كيفية إكمال المهام الفهرسة من قبل المنقبين، بل يركز على النتائج النهائية التي يخرجها المنقبون لتشجيع الحلول المبتكرة. يساعد هذا في تعزيز بيئة تنافسية صحية بين المنقبين. مواجهين لمطالب فهرسة المستخدم، يسعى المنقبون لتحسين خطط تنفيذهم لتحقيق نتائج استجابة عالية الجودة بموارد أقل.

شبكة محور #6 نوس فاينتونينج

GitHub — NousResearch/finetuning-subnet

المساهمة في تطوير نوسريسيرش/ finetuning-subnet من خلال إنشاء حساب على GitHub.

github.com

الانبعاث: 6.26% (2024-04-09)

الخلفية: ينحدر فريق نوس فاينتيونينج من فريق بحث مخصص تركز على هندسة نموذج اللغة بمقياس كبير (LLM) وتوليف البيانات، والاستدلال على الجهاز. كان مؤسسوه يشغلون سابقًا منصب مهندس رئيسي في شبكة إيدن.

التحديد: نحن نقوم بضبط دقيق هو شبكة فرعية مخصصة لضبط النماذج اللغوية الكبيرة. وعلاوة على ذلك، البيانات المستخدمة للضبط الدقيق تأتي أيضًا من نظام Bittensor، على وجه التحديد الشبكة الفرعية #18.

عملية تكييف نوس مشابهة لعملية تكييف مايشيل تي إس إس. يقوم المنقبون بتدريب النماذج بناءً على البيانات من الشبكة الفرعية رقم 18 ويطلقونها بانتظام لتُستضاف على Hugging Face؛ يقوم الكاشفون بتقييم النماذج وتقديم التقييمات؛ بالمثل، تتحمل شبكة بيتينسور مسؤولية تجميع الأوزان باستخدام توافق يوما، وتحديد الأوزان النهائية والانبعاثات لكل منقب.

الشبكة الفرعية #18 Cortex.t

GitHub — corcel-api/cortex.t

المساهمة في تطوير corcel-api / cortex.t عن طريق إنشاء حساب على GitHub.

github.com

الانبعاث: 7.74٪ (2024-04-09)

الخلفية: الفريق الذي يقف وراء Cortex.t هو Corcel.io، الذي حصل على دعم من Mog، ثاني أكبر محقق في شبكة Bittensor. Corcel.io هو تطبيق يهدف إلى المستخدمين النهائيين، ويوفر تجربة مماثلة لـ ChatGPT من خلال استغلال منتجات الذكاء الاصطناعي من نظام Bittensor.

التموضع: تم وضع Cortex.t كطبقة نهائية قبل تقديم النتائج للمستخدمين النهائيين. وهو مسؤول عن اكتشاف وتحسين مخرجات الشبكات الفرعية المختلفة لضمان دقة النتائج وموثوقيتها، خصوصاً عندما يستدعي مدخل واحد عدة نماذج. تهدف Cortex.t إلى منع النتائج الفارغة أو غير المتناسقة، مما يضمن تجربة مستخدم سلسة.

يستخدم المُنقبون في Cortex.t الشبكات الفرعية الأخرى ضمن نظام Bittensor لمعالجة طلبات المستخدمين النهائيين. كما يستخدمون GPT-3.5-turbo أو GPT-4 للتحقق من نتائج الإخراج، مما يضمن الاعتمادية للمستخدمين النهائيين. يقوم المُحققون بتقييم نتائج المُنقبين من خلال مقارنتها بالنتائج التي تم إنشاؤها بواسطة OpenAI.

الشبكة الفرعية #19 الرؤية

GitHub — namoray/vision

المساهمة في تطوير namoray/vision من خلال إنشاء حساب على GitHub.

github.com

الانبعاث: 9.47% (2024-04-09)

الخلفية: ينبع فريق التطوير الذي يقف وراء Vision أيضًا من Corcel.io.

الموضع: تهدف الرؤية إلى تحقيق أقصى طاقة إخراج لشبكة Bittensor من خلال الاستفادة من إطار بناء الشبكة الفرعية المحسن المسمى DSIS (الاستدلال الفرعي اللامركزي بمقياس كبير). يسرع هذا الإطار استجابة المُنقبين للمُحققين. حاليًا، تركز الرؤية على سيناريو تكوين الصور.

يستلم المحققون الطلبات من واجهة Corcel.io ويوزعونها على العمالقة. يحظى العمالقة بحرية اختيار تكوين التكنولوجيا المفضل لديهم (دون قيود على النماذج) لمعالجة الطلبات وتوليد الردود. بعد ذلك، يقوم المحققون بتقييم أداء العمالقة. بفضل DSIS، يمكن لفيجن الاستجابة لهذه الطلبات بشكل أسرع وأكثر كفاءة من الشبكات الفرعية الأخرى.

ملخص

من الأمثلة أعلاه، يظهر أن Bittensor يظهر درجة عالية من الشمولية. يحدث إنشاء من قبل المنقبين والتحقق من قبل المحققين خارج السلسلة، مع شبكة Bittensor تخدم فقط في تخصيص المكافآت لكل منقب بناءً على التقييم من المحققين. يمكن تحويل أي جانب من جوانب إنتاج منتج الذكاء الاصطناعي الذي يتناسب مع بنية المنقب والمحقق إلى شبكة فرعية.

إخلاء المسؤولية عن المسؤولية: الآراء والآراء الواردة في هذه المقالة هي فقط تلك المؤلف ولا تشكل أي نصيحة استثمارية.

يتم إجراء ترجمات المقال إلى لغات أخرى من قبل فريق Gate Learn. ما لم يذكر غير ذلك، فإن نسخ أو توزيع أو سرقة المقالات المترجمة ممنوعة.

من النظرية، يجب أن تكون المنافسة بين الشبكات الفرعية مكثفة. لكي تستمر أي شبكة فرعية في تلقي المكافآت، يجب أن تنتج بشكل متسق مخرجات عالية الجودة. وإلا، إذا اعتبرت مخرجات الشبكة الفرعية منخفضة القيمة من قِبَل محققي شبكة الجذر، فقد يقل تخصيصها، ويمكن أن تُستبدل في نهاية المطاف بشبكة فرعية جديدة.

ومع ذلك، في الواقع، لقد لاحظنا بالفعل بعض المشاكل:

1. تكرار وتكرار الموارد بسبب تماثل توجيه Subnets. من بين 32 Subnets الحالية ، هناك عدة Subnets تركز على اتجاهات شائعة مثل النص إلى الصورة والتعليمات النصية وتوقعات الأسعار.
2. وجود الشبكات الفرعية بدون حالات استخدام عملية. بينما قد تحمل شبكات البيانات التنبؤية قيمة نظرية كمزودين للأوراق، إلا أن أداء البيانات التنبؤية الحالي بعيد كل البعد عن أن يكون قابلًا للاستخدام من قبل المستخدمين النهائيين.
3. حالات من 'النقود السيئة تُقود النقود الجيدة'. قد لا يكون لدى بعض المُصدّقين الأوائل رغبة قوية في الانتقال إلى شبكات فرعية جديدة، حتى إذا كانت بعض الشبكات الفرعية الجديدة تُظهر نوعية أعلى بشكل كبير. ومع ذلك، نظرًا لنقص دعم رأس المال، قد لا يتلقون انبعاثات كافية في الأجل القصير. نظرًا لأن الشبكات الفرعية الجديدة لديها فترة حماية تبلغ 7 أيام فقط بعد الإطلاق، فإذا فشلت في تراكم كمية كافية من الانبعاثات بسرعة، فإنها قد تواجه خطر الإقصاء والانسحاب عن الخدمة.

تعكس هذه المشكلات نقص المنافسة بين الشبكات الفرعية، ولم يقم بعض المدققين بأداء دور في تشجيع المنافسة الفعالة.

قامت مؤسسة الجهاز الحسابي المفتوح (OTF) بتنفيذ بعض التدابير المؤقتة للتخفيف من هذا الوضع. كأكبر جهاز حسابي يمتلك 23% من قوة الرهان (بما في ذلك التفويض)،توفر OTF قنوات لشبكات Subnets للتنافس على المزيد من TAO المرهونة: يمكن لأصحاب الشبكة تقديم طلبات إلى OTF أسبوعيًا لضبط نسبتها من Staked TAO في الشبكة. يجب أن تغطي هذه الطلبات 10 جوانب، بما في ذلك 'أهداف الشبكة والمساهمات في نظام Bittensor البيئي،' 'آلية مكافأة الشبكة،' 'تصميم بروتوكول الاتصال،' 'مصادر البيانات والأمان،' 'متطلبات الحسابات،' و 'خارطة الطريق'، وغيرها، لتسهيل اتخاذ القرار النهائي لدى OTF.

ومع ذلك، لمعالجة هذه المسألة بشكل جوهري، نحتاج بشكل عاجل إلى إطلاق dTAO (@0xai.dev/what-is-the-impact-of-dynamic-tao-on-bittensor-efcc8ebe4e27">Dynamic TAO) ، والذي تم تصميمه لتغيير المشكلات غير المعقولة المذكورة أعلاه بشكل أساسي. بدلا من ذلك ، يمكننا أن نناشد كبار المدققين الذين يمتلكون قدرا كبيرا من Staking TAO للنظر في التطوير طويل الأجل لنظام Bittensor البيئي من منظور "تطوير النظام البيئي" بدلا من وجهة نظر "العائد المالي" فقط.

في الختام، واعتمادًا على شموليتها القوية، وبيئتها التنافسية الشرسة، وآلية التحفيز الفعالة، نعتقد أن نظام Bittensor يمكن أن ينتج عضويًا منتجات AI عالية الجودة. على الرغم من أن لا جميع المخرجات من الشبكات الفرعية الحالية قد تنافس تلك المنتجات المركزية، دعونا لا ننسى أن البنية التحتية الحالية لـ Bittensor لم تتجاوز عامًا واحدًا فقط (تم تسجيل شبكة فرعية #1 في 13 أبريل 2023). بالنسبة لمنصة لديها القدرة على منافسة عمالقة AI المركزيين، ربما يجب أن نركز على اقتراح خطط تحسينية عملية بدلاً من انتقاد نقاط الضعف بعجل. بعد كل شيء، نحن جميعًا لا نريد أن نرى AI تخضع باستمرار لسيطرة عدد قليل من العمالقة.

إخلاء المسؤولية:

1. تم نشر هذه المقالة مجددًا من [Medium]، جميع حقوق النشر تنتمي إلى الكاتب الأصلي [ 0xai]. إذا كانت هناك اعتراضات على هذا النقل، يرجى التواصل مع بوابة تعلمالفريق، وسيتولون بالأمر على الفور.
2. إخلاء المسؤولية عن المسؤولية: الآراء والآراء الواردة في هذه المقالة هي فقط تلك للكاتب ولا تشكل أي نصيحة استثمارية.
3. تتم ترجمة المقالات إلى لغات أخرى من قبل فريق Gate Learn. ما لم يذكر غير ذلك، يُحظر نسخ أو توزيع أو ارتكاب الانتحال في المقالات المترجمة.