Tác giả: Chloe Zheng

Theo nghiên cứu năm 2023 của Sequoia Capital, 85% nhà phát triển thích tinh chỉnh các mô hình hiện có thay vì đào tạo chúng từ đầu. Các xu hướng gần đây càng chứng minh điều này: DeepSeek đã mở mã nguồn mô hình của mình và giới thiệu công nghệ chưng cất mô hình, công nghệ này truyền logic lý luận từ mô hình giáo viên (mô hình lớn) sang mô hình học sinh (mô hình nhỏ) để tối ưu hóa khả năng nén kiến thức và duy trì hiệu suất. Tương tự như vậy, phiên bản ChatGPT O3 của OpenAI cũng nhấn mạnh vào việc học sau đào tạo và học tăng cường. Bittensor cung cấp một nền tảng mở, phi tập trung hỗ trợ cộng tác và chia sẻ các mô hình AI. Vào tháng 7 năm 2024, Bittensor và Cerebras đã phát hành mô hình ngôn ngữ lớn (LLM) mã nguồn mở BTLM-3b-8k, nhận được hơn 16.000 lượt tải xuống trên Hugging Face, chứng minh đầy đủ khả năng kỹ thuật của Bittensor.

Mặc dù Bittensor đã ra mắt vào năm 2021, nhưng nó hầu như không xuất hiện trong cơn sốt AI Agent vào quý 4 năm 2024 và giá token vẫn trì trệ. Vào ngày 13 tháng 2 năm 2025, Bittensor đã ra mắt bản nâng cấp dTAO nhằm mục đích tối ưu hóa việc phát hành mã thông báo, cải thiện tính công bằng và tăng tính thanh khoản. Sự thay đổi này tương tự như việc Virtuals Protocol ra mắt AI Agent LaunchPad, tác động của sự thay đổi này đã khiến vốn hóa thị trường của $VIRTUAL tăng vọt 50 lần vào năm 2024.

Báo cáo "dTAO và sự phát triển của Bittensor: Định hình lại hệ sinh thái AI nguồn mở thông qua các ưu đãi do thị trường thúc đẩy" phân tích sâu sắc tác động của bản nâng cấp dTAO hoàn thành vào ngày 13 tháng 2 đối với hệ sinh thái Bittensor, tập trung vào sự đổi mới về kiến trúc, mô hình kinh tế và động lực sinh thái tổng thể của hệ sinh thái này.

Số lượng tài khoản trong hệ thống Bittensor đã tăng 100%, từ 100.000 vào đầu năm 2024 lên gần 200.000.

1. Kiến trúc cơ bản của Bittensor

Hệ thống Bittensor bao gồm ba mô-đun chính sau:

1. Subtensor parachain và lớp tương thích EVM (tao evm):Subtensor là blockchain Layer1 được phát triển dựa trên SDK Substrate của Polkadot, chịu trách nhiệm quản lý lớp blockchain của mạng Bittensor. Lớp tương thích EVM (tao evm) cho phép các nhà phát triển triển khai và chạy các hợp đồng thông minh Ethereum trên mạng, nâng cao khả năng mở rộng và khả năng tương thích của hệ thống. Chuỗi khối Subtensor tạo ra các khối sau mỗi 12 giây và mỗi khối tạo ra một mã thông báo TAO. Ngoài ra, Subtensor ghi lại các hoạt động chính trong mạng con, bao gồm trọng số điểm của người xác thực và số lượng mã thông báo được đặt cược. Cứ sau 360 khối (khoảng 72 phút), số token (Phát thải) thu được từ 64 mạng con sẽ được tính toán thông qua thuật toán đồng thuận Yuma.

2. Mạng con: Mạng Bittensor bao gồm 64 mạng con, mỗi mạng tập trung vào một loại mô hình AI hoặc kịch bản ứng dụng cụ thể. Cấu trúc mô-đun này cải thiện hiệu quả và hiệu suất của mạng và thúc đẩy sự chuyên môn hóa của các mô hình AI khác nhau. Cơ chế khuyến khích cho mỗi mạng con được thiết lập bởi chủ sở hữu mạng con, quyết định cách phân phối mã thông báo giữa thợ đào và người xác thực. Ví dụ, Subnet 1 được điều hành bởi Opentensor Foundation và nhiệm vụ là Nhắc nhở văn bản. Trong mạng con này, trình xác thực cung cấp lời nhắc tương tự như ChatGPT, thợ đào trả lời dựa trên lời nhắc và trình xác thực xếp hạng thợ đào dựa trên chất lượng câu trả lời của họ, thường xuyên cập nhật trọng số và tải chúng lên chuỗi khối Subtensor. Blockchain thực hiện tính toán đồng thuận Yuma sau mỗi 360 khối và phân bổ mã thông báo phát hành cho mạng con.

3. Mạng con gốc: Là cốt lõi của mạng, mạng con gốc có trách nhiệm phối hợp và quản lý hoạt động của tất cả các mạng con để đảm bảo sự phối hợp và tính ổn định chung của mạng.

Ngoài ra, API Bittensor đóng vai trò là phương tiện vận chuyển và kết nối giữa trình xác thực mạng con và sự đồng thuận Yuma trên chuỗi khối Subtensor. Trình xác thực trong cùng một mạng con sẽ chỉ kết nối với trình khai thác trong cùng mạng con đó. Người xác thực và người khai thác ở các mạng con khác nhau sẽ không giao tiếp và kết nối với nhau.

Thiết kế kiến trúc này cho phép Bittensor tích hợp hiệu quả công nghệ blockchain và trí tuệ nhân tạo để tạo ra một hệ sinh thái AI phi tập trung và hiệu quả.

Lớp tương thích Subtensor EVM tao evm sẽ chính thức ra mắt vào ngày 30 tháng 12 năm 2024. Lớp này có thể được triển khai và tương tác trên blockchain Subtensor mà không cần sửa đổi bất kỳ hợp đồng thông minh Ethereum nào. Đồng thời, tất cả các hoạt động EVM chỉ được thực hiện trên blockchain Subtensor và sẽ không tương tác với Ethereum. Điều này có nghĩa là các hợp đồng thông minh trên Bittensor bị giới hạn trong mạng Bittensor và không liên quan gì đến mạng chính Ethereum. Hiện tại, Tao EVM vẫn đang trong giai đoạn khá sớm, bao gồm dự án sinh thái TaoFi, dự án có kế hoạch phát triển cơ sở hạ tầng DeFi dựa trên AI, bao gồm đồng tiền ổn định đầu tiên được TAO hỗ trợ, các sàn giao dịch phi tập trung và phiên bản staking thanh khoản của token TAO.

1.1 Hệ thống tài khoản

1.1.1 Hệ thống khóa kép Coldkey-Hotkey

Hệ thống tài khoản của dTAO áp dụng cơ chế khóa kép Coldkey-Hotkey để đảm bảo tính bảo mật và linh hoạt cao hơn. Khi tạo ví, người dùng có thể chọn tạo ví thông qua tiện ích mở rộng của Chrome hoặc tạo ví cục bộ. Ví được tạo thông qua tiện ích mở rộng Chrome được sử dụng để lưu trữ, gửi và nhận TAO. Hệ thống tạo ra một coldkey (48 ký tự, thường bắt đầu bằng 5) và một từ ghi nhớ gồm 12 từ. Ngoài việc tạo khóa lạnh, ví được tạo cục bộ cũng sẽ tạo khóa nóng, được sử dụng để tham gia vào các hoạt động tạo mạng con, khai thác và xác minh.

Lý do chính để áp dụng hệ thống khóa kép Coldkey-Hotkey là vì khóa nóng thường được sử dụng trong hoạt động hàng ngày của mạng con và phải đối mặt với các mối đe dọa bảo mật tiềm ẩn; trong khi coldkey chủ yếu được sử dụng để lưu trữ và chuyển TAO, do đó nó có thể giảm thiểu hiệu quả nguy cơ mất TAO. Cơ chế bảo vệ kép này đảm bảo tính bảo mật và linh hoạt cho hoạt động của tài khoản.

Về mặt liên kết, một phím nóng có thể được liên kết với một phím lạnh trong cùng một mạng con, nhưng nó cũng có thể được liên kết với các phím lạnh trong các mạng con khác nhau (không khuyến khích). Một phím lạnh có thể được liên kết với nhiều phím nóng.

1.1.2 Hệ thống UID mạng con

1.1.2.1 Tạo UID mạng con

Sau khi thanh toán phí đăng ký ít nhất 100 TAO, hệ thống sẽ tạo một UID mạng con và liên kết nó với phím nóng của bạn. UID này là thông tin xác thực cần thiết để tham gia khai thác hoặc xác minh mạng con. Để trở thành thợ đào, bạn chỉ cần một hotkey, coldkey và UID mạng con, sau đó chạy Bittensor để tham gia đào.

1.1.2.2 Yêu cầu để trở thành người xác thực

Để trở thành người xác thực mạng con, bạn phải đặt cược ít nhất 1.000 TAO và xếp hạng trong top 64 về số tiền đặt cược trong mỗi mạng con. Điều quan trọng cần lưu ý là trình xác thực có thể giữ nhiều khe UID cùng lúc, do đó có thể xác thực trong nhiều mạng con mà không cần phải tăng thêm số tiền đặt cược (tương tự như khái niệm đặt cược lại). Cơ chế này không chỉ làm giảm nguy cơ người xác thực làm điều xấu mà còn làm tăng chi phí thực hiện hành vi xấu, vì việc đặt cược một lượng TAO lớn (ít nhất 1.000 TAO) sẽ làm tăng đáng kể chi phí thực hiện hành vi xấu. Để tăng khả năng cạnh tranh của mình trong mạng con, mỗi trình xác thực sẽ nỗ lực xây dựng danh tiếng tốt và thành tích để thu hút thêm cổ phần được ủy quyền của TAO, qua đó đảm bảo vị trí ổn định trong top 64.

1.1.2.3 Cấu trúc mạng con và giới hạn dung lượng

Mạng con 1: Tổng cộng có 1024 khe UID, có thể chứa tới 128 trình xác thực; tổng số trình xác thực và trình khai thác được giới hạn ở mức 1024.

Các mạng con khác: Mỗi mạng con có 256 khe UID và có thể chứa tối đa 64 trình xác thực; tổng số trình xác thực và thợ đào trong mỗi mạng con không vượt quá 256.

1.1.2.4 Cơ chế cạnh tranh và khuyến khích của mạng con

Bên trong mạng con, trình xác thực sẽ chỉ định nhiệm vụ cho thợ đào. Sau khi tất cả thợ đào hoàn thành nhiệm vụ, họ sẽ gửi kết quả cho trình xác thực tương ứng. Người xác thực sẽ đánh giá và xếp hạng chất lượng các nhiệm vụ do mỗi thợ đào gửi đến và thợ đào sẽ nhận được phần thưởng TAO dựa trên chất lượng công việc của mình. Đồng thời, người xác thực cũng sẽ nhận được phần thưởng khuyến khích vì đảm bảo rằng những thợ đào chất lượng cao nhận được phần thưởng tốt hơn, qua đó thúc đẩy việc cải thiện liên tục chất lượng của toàn bộ mạng con. Chuỗi quy trình cạnh tranh này được thực hiện tự động bởi cơ chế khuyến khích mã do người tạo mạng con thiết kế để đảm bảo hệ thống hoạt động công bằng và hiệu quả.

Mỗi mạng con có thời gian bảo vệ 7 ngày (thời gian miễn dịch), bắt đầu từ thời điểm thợ đào đăng ký UID mạng con. Trong thời gian này, thợ đào sẽ tích lũy được phần thưởng. Nếu một thợ đào mới đăng ký trong thời gian bảo vệ và khe UID của mạng con hiện tại đã đầy, thợ đào có phần thưởng tích lũy ít nhất sẽ bị loại và UID của thợ đào đó sẽ được phân bổ lại cho thợ đào mới đăng ký.

1.2 Mạng con xây dựng một hệ sinh thái đa cấp

Mạng con Bittensor xây dựng một hệ sinh thái đa cấp trong đó thợ đào, người xác thực, người tạo mạng con và người tiêu dùng thực hiện nhiệm vụ của mình và cùng nhau thúc đẩy việc tạo ra các dịch vụ AI chất lượng cao.

Thợ đào: Là các nút tính toán cốt lõi của mạng, thợ đào lưu trữ các mô hình AI và cung cấp các dịch vụ suy luận và đào tạo. Họ cạnh tranh bằng cách chấm điểm ngang hàng để kiếm phần thưởng TAO bằng cách giảm thiểu hàm mất mát. Sự thành công của một thợ đào phụ thuộc vào chất lượng và hiệu suất của dịch vụ mà họ cung cấp.

Người xác thực: Người xác thực có trách nhiệm đánh giá kết quả nhiệm vụ do thợ đào gửi đến, xây dựng ma trận tin cậy, ngăn chặn thông đồng và gian lận, đồng thời đảm bảo rằng thợ đào chất lượng cao nhận được lợi nhuận cao hơn. Chúng được xếp hạng dựa trên chất lượng phản hồi của thợ đào và thứ hạng càng chính xác và nhất quán thì người xác thực nhận được càng nhiều phần thưởng.

Người tạo mạng con: Người tạo mạng con thiết kế các mạng con tùy chỉnh dựa trên nhu cầu của các lĩnh vực ứng dụng cụ thể (như xử lý ngôn ngữ tự nhiên, thị giác máy tính, v.v.) và xây dựng các cơ chế đồng thuận độc lập, quy trình tác vụ và cấu trúc khuyến khích. Họ đảm nhận vai trò là quản trị viên mạng và có thẩm quyền phân phối các ưu đãi trên các mạng con tương ứng của họ.

Người tiêu dùng: Người tiêu dùng trả mã thông báo TAO để gọi các dịch vụ AI nhằm truy vấn API, lấy dữ liệu đào tạo hoặc sử dụng tài nguyên điện toán để đào tạo mô hình. Họ là người dùng cuối cùng của các mô hình AI do Bittensor cung cấp.

Quy trình chung là: trình xác minh mạng con tạo ra các câu hỏi và phân phối chúng cho tất cả thợ đào. Người khai thác tạo ra câu trả lời dựa trên các nhiệm vụ và trả lại cho người xác minh. Trình xác thực sẽ chấm điểm chất lượng câu trả lời và cập nhật trọng số của thợ đào, sau đó tải lên chuỗi theo định kỳ. Thông qua sự cạnh tranh khốc liệt và cơ chế sinh tồn của kẻ mạnh nhất, chúng tôi sẽ tiếp tục thúc đẩy tiến bộ công nghệ và tối ưu hóa sinh thái của các mô hình AI trong mạng con.

1.2.1 Lớp thợ đào

Thợ đào đóng vai trò là các nút tính toán cốt lõi trong mạng Bittensor. Trách nhiệm chính của họ bao gồm:

Lưu trữ các mô hình AI và cung cấp dịch vụ suy luận hoặc đào tạo: Người khai thác cung cấp dịch vụ dự đoán cho các ứng dụng của khách hàng bằng cách lưu trữ các mô hình học máy cục bộ. Khi một máy khách cần dự đoán, nó sẽ gửi yêu cầu đến mạng Bittensor, sau đó mạng này sẽ định tuyến yêu cầu đó đến một thợ đào đã đăng ký làm nhà cung cấp dịch vụ. Người khai thác xử lý yêu cầu và trả về kết quả dự đoán cho khách hàng.

Kiếm token TAO dưới dạng phần thưởng tính toán bằng cách cạnh tranh trong bảng xếp hạng P2P: Thợ đào cạnh tranh trong bảng xếp hạng ngang hàng để kiếm phần thưởng token TAO dựa trên hiệu suất mô hình và đóng góp của họ cho mạng lưới. Cơ chế khuyến khích này khuyến khích thợ đào liên tục tối ưu hóa hiệu suất mô hình của họ và cung cấp các dịch vụ AI chất lượng cao cho mạng lưới.

Đảm bảo đóng góp mô hình AI chất lượng cao: Thợ đào cam kết cung cấp các mô hình AI chất lượng cao để đáp ứng nhu cầu mạng và đảm bảo chất lượng dịch vụ. Điều này không chỉ giúp họ đạt được thứ hạng và phần thưởng cao hơn trong mạng mà còn cải thiện hiệu suất và độ tin cậy chung của toàn bộ mạng Bittensor.

Bằng cách hoàn thành những trách nhiệm này, thợ đào sẽ có những đóng góp quan trọng vào hoạt động và sự phát triển hiệu quả của mạng lưới Bittensor.

1.2.2 Lớp người tiêu dùng

Trong Mạng Bittensor, người tiêu dùng là người dùng cuối hoặc doanh nghiệp trả token TAO để truy cập vào các dịch vụ trí tuệ nhân tạo (AI) do thợ đào cung cấp. Mô hình này cho phép người tiêu dùng tận dụng khả năng AI trong mạng mà không cần phải sở hữu hoặc duy trì mô hình AI của riêng mình, giúp giảm chi phí điện toán AI.

Các tình huống ứng dụng cụ thể dành cho người tiêu dùng bao gồm:

· API AI truy vấn của nhà phát triển: Các nhà phát triển có thể gọi giao diện AI do Bittensor cung cấp để có được các dịch vụ thông minh cần thiết cho việc phát triển ứng dụng hoặc tích hợp chức năng.

· Truy cập vào các tập dữ liệu đào tạo AI cho các tổ chức nghiên cứu: Các tổ chức nghiên cứu có thể sử dụng các nguồn lực trong mạng để truy cập và phân tích các tập dữ liệu đào tạo AI lớn nhằm hỗ trợ các dự án và thí nghiệm nghiên cứu khoa học.

· Các doanh nghiệp sử dụng tài nguyên điện toán của Bittensor để đào tạo các mô hình AI: Các doanh nghiệp có thể sử dụng tài nguyên điện toán phi tập trung của Bittensor để đào tạo và tối ưu hóa các mô hình AI của riêng họ và cải thiện mức độ thông tin kinh doanh.

Theo cách này, Bittensor cung cấp cho người tiêu dùng một cách linh hoạt và hiệu quả để có được các dịch vụ AI, thúc đẩy sự phổ biến và ứng dụng của trí tuệ nhân tạo.

1.2.3 Cơ chế đồng thuận dựa trên cam kết

Cơ chế đồng thuận dựa trên cam kết của Bittensor chủ yếu giải quyết các vấn đề sau:

1.2.3.1 Làm mịn và tiến hóa mật độ

Để tránh tình trạng hệ thống mất ổn định do các sửa đổi đột ngột, hàm sửa đổi áp dụng "làm mịn". Chúng tôi định nghĩa độ lệch tuyệt đối trung bình theo trọng số vốn chủ sở hữu là:

Quá trình này tương tự như quá trình làm mịn thống kê các tập dữ liệu lớn. Sau nhiều vòng "làm mịn", thứ hạng thực sự của mỗi người tham gia sẽ được tiết lộ. Điểm mấu chốt là sự tiến hóa mật độ có thể nén trọng số bất thường (tức là trọng số quá mức của người chơi độc hại) ở mức độ lớn hơn, trong khi lại có ít tác động hơn đến người chơi trung thực.

1.2.3.2 Cơ chế tin cậy có trọng số và phòng ngừa lỗ hổng trọng số bằng không

Bản nâng cấp dtao đã cải thiện các vấn đề trên, bao gồm:

· Tối ưu hóa quá trình lặp lại và làm mịn: Tăng số lần lặp lại η và tinh chỉnh các tham số làm mịn α hoặc δ để giảm lỗ hổng trọng số bằng không và ngăn ngừa hiệu chỉnh quá mức.

· Cơ chế tin cậy trọng số được cải tiến: Phát hiện chính xác hơn các trọng số khác không và áp dụng ngưỡng chặt chẽ hơn để chỉ những nút được đa số công nhận mới có thể nhận được phần thưởng đầy đủ.

· Giảm chi phí tính toán:Giảm chi phí tính toán thông qua việc tối ưu hóa thuật toán để thích ứng với các hạn chế về điện toán chuỗi khối mà không ảnh hưởng đến độ chính xác về mặt lý thuyết.

Cơ chế đồng thuận dựa trên vốn chủ sở hữu của Bittensor kết hợp các mô hình toán học và các công cụ lý thuyết trò chơi. Thông qua các phương pháp như cập nhật công thức, sự đồng thuận trung bình có trọng số, hiệu chỉnh lặp đi lặp lại và tiến hóa mật độ, hệ thống có thể tự động hiệu chỉnh độ lệch trọng số bất thường để đảm bảo phân phối phần thưởng cuối cùng một cách công bằng.

Quá trình này tương tự như một hệ thống cân bằng thông minh hoặc cơ chế đánh giá uy tín liên tục tự hiệu chỉnh để đảm bảo chấm điểm công bằng, khuyến khích những người đóng góp tốt và ngăn chặn thông đồng ác ý và thao túng phiếu bầu.

Trên cơ sở này, nâng cấp dtao áp dụng phương pháp kiểm soát làm mịn tinh vi hơn và chiến lược tin cậy trọng số được cải thiện để nâng cao hơn nữa tính mạnh mẽ và công bằng của hệ thống. Do đó, trong môi trường đối đầu, những người đóng góp trung thực luôn có thể duy trì lợi thế cạnh tranh của mình, trong khi tổng mức tiêu thụ tài nguyên máy tính được tối ưu hóa và giảm thiểu.

2. Yuma Consensus: Sự đồng thuận và động lực có thể lập trình động

Bitcoin đã xây dựng mạng lưới máy tính ngang hàng lớn nhất thế giới và bất kỳ ai cũng có thể duy trì sổ cái toàn cầu bằng cách đóng góp sức mạnh tính toán cục bộ. Các quy tắc khuyến khích của nó được cố định tại thời điểm thiết kế, khiến hệ sinh thái phát triển theo cách tương đối tĩnh.

Ngược lại, Yuma Consensus (YC) là một khuôn khổ khuyến khích năng động, có thể lập trình được. Không giống như cơ chế khuyến khích tĩnh của Bitcoin, YC tích hợp chức năng mục tiêu, phần thưởng đặt cược và cơ chế điều chỉnh trọng số trực tiếp vào quá trình đồng thuận. Điều này có nghĩa là hệ thống không chỉ dựa vào các quy tắc cố định mà còn điều chỉnh động theo sự đóng góp và hành vi thực tế của các nút, do đó đạt được sự phân phối phần thưởng công bằng và hiệu quả hơn.

Thuật toán đồng thuận YC chạy liên tục trên blockchain Subtensor và hoạt động độc lập cho từng mạng con. Quy trình làm việc chính của nó bao gồm các thành phần sau:

· Vector trọng số của trình xác thực mạng con: Mỗi trình xác thực mạng con duy trì một vector trọng số, trong đó mỗi phần tử biểu thị trọng số chấm điểm do trình xác thực chỉ định cho tất cả thợ đào mạng con. Trọng số này dựa trên hiệu suất lịch sử của trình xác thực và được sử dụng để xếp hạng thợ đào. Ví dụ, nếu vectơ điểm của trình xác thực là , thứ hạng kết quả phản ánh đánh giá của trình xác thực về mức độ đóng góp của từng thợ đào.

· Tác động của số tiền đặt cược: Mỗi người xác thực và thợ đào trên chuỗi sẽ đặt cược một số lượng mã thông báo nhất định. Sự đồng thuận của YC kết hợp vectơ trọng số và số tiền đặt cược để tính toán phân phối phần thưởng. Nghĩa là, phần thưởng cuối cùng không chỉ phụ thuộc vào trọng số điểm mà còn phụ thuộc vào số tiền cam kết, do đó tạo thành một vòng lặp khép kín "cam kết → trọng số → phần thưởng".

· Sự đồng thuận chủ quan động: Mỗi người tham gia gán một trọng số cục bộ cho mô hình học máy của mình. Các trọng số cục bộ này được điều chỉnh thông qua chính sách đồng thuận và sau đó được tổng hợp thành số liệu toàn cầu trên blockchain. Nói cách khác, YC có thể đạt được sự đồng thuận trên quy mô lớn ngay cả trong môi trường đối đầu và có thể thích ứng linh hoạt với những thay đổi trong hành vi của nút.

· Tính toán và phân phối phần thưởng:Các trình xác thực mạng con thu thập kết quả xếp hạng tương ứng của họ và gửi chúng dưới dạng dữ liệu đầu vào tập thể cho thuật toán YC. Mặc dù thứ hạng từ các trình xác thực khác nhau có thể đến vào những thời điểm khác nhau, Subtensor xử lý tất cả dữ liệu xếp hạng khoảng 12 giây một lần. Dựa trên dữ liệu này, hệ thống sẽ tính toán phần thưởng (bằng TAO) và gửi chúng vào ví của thợ đào và người xác thực mạng con.

Cơ chế toàn diện này cho phép YC phân phối phần thưởng liên tục và công bằng trong một mạng lưới phi tập trung, thích ứng linh hoạt với chất lượng đóng góp và duy trì tính bảo mật và hiệu quả của toàn bộ mạng lưới.

2.1 Chưng cất kiến thức và kết hợp chuyên gia (MoE): Học tập cộng tác và đánh giá đóng góp hiệu quả

2.1.1 Chưng cất kiến thức (Digital Hivemind)

Bittensor giới thiệu khái niệm về chưng cất kiến thức, tương tự như hoạt động cộng tác của các tế bào thần kinh trong não người, trong đó các nút học tập tập thể bằng cách chia sẻ kiến thức, trao đổi mẫu dữ liệu và tham số mô hình.

Trong quá trình này, các nút liên tục trao đổi dữ liệu và tham số mô hình, hình thành nên một mạng lưới tự tối ưu hóa theo thời gian để đạt được những dự đoán chính xác hơn. Mỗi nút đóng góp kiến thức của mình vào nhóm chia sẻ, cuối cùng cải thiện hiệu suất chung của toàn bộ mạng, giúp mạng nhanh hơn và phù hợp hơn với các ứng dụng học tập thời gian thực như robot và lái xe tự động.

Điều quan trọng là cách tiếp cận này có hiệu quả trong việc giảm thiểu nguy cơ quên lãng nghiêm trọng — một thách thức thường gặp trong học máy. Các nút có thể kết hợp những hiểu biết mới trong khi vẫn giữ lại và mở rộng kiến thức hiện có, do đó tăng cường tính mạnh mẽ và khả năng thích ứng của mạng.

Bằng cách phân phối kiến thức trên nhiều nút, mạng Bittensor TAO trở nên bền bỉ hơn trước sự can thiệp và rò rỉ dữ liệu tiềm ẩn. Tính mạnh mẽ này đặc biệt quan trọng đối với các ứng dụng xử lý dữ liệu nhạy cảm về bảo mật và quyền riêng tư, chẳng hạn như thông tin tài chính và y tế.

2.1.2 Hỗn hợp chuyên gia (MoE)

Bittensor sử dụng mô hình chuyên gia phân tán (MoE) để tối ưu hóa dự đoán của AI. Thông qua sự hợp tác chặt chẽ của nhiều mô hình AI chuyên biệt, độ chính xác và hiệu quả trong việc giải quyết các vấn đề phức tạp sẽ được cải thiện đáng kể. Ví dụ, khi tạo mã Python với chú thích tiếng Tây Ban Nha, mô hình đa ngôn ngữ và mô hình chuyên môn về mã có thể hoạt động cùng nhau để tạo ra kết quả chất lượng cao, tốt hơn nhiều so với việc sử dụng một mô hình riêng lẻ.

Cốt lõi của giao thức Bittensor bao gồm các hàm tham số, thường được gọi là nơ-ron, được phân phối theo cách điểm-đến-điểm. Mỗi nơ-ron ghi lại 0 hoặc nhiều trọng số mạng và đào tạo các mạng nơ-ron để đánh giá giá trị của các nút lân cận bằng cách xếp hạng lẫn nhau, sau đó tích lũy điểm xếp hạng trên sổ cái kỹ thuật số. Các nút có thứ hạng cao hơn không chỉ nhận được phần thưởng bằng tiền mà còn nhận được trọng số bổ sung, giúp thiết lập mối liên hệ trực tiếp giữa sự đóng góp của nút và phần thưởng, cải thiện tính công bằng và minh bạch của mạng lưới. Cơ chế này xây dựng một thị trường cho phép các hệ thống tình báo khác định giá thông tin theo cách ngang hàng thông qua Internet và khuyến khích mỗi nút liên tục cải thiện kiến thức và khả năng chuyên môn của mình. Để đảm bảo phân phối phần thưởng công bằng, Bittensor mượn giá trị Shapley từ lý thuyết trò chơi hợp tác và cung cấp phương pháp phân phối phần thưởng hiệu quả giữa các bên dựa trên sự đóng góp của nút. Theo sự đồng thuận của YC, các trình xác thực sẽ chấm điểm và xếp hạng từng mô hình chuyên nghiệp và phân phối phần thưởng một cách công bằng dựa trên nguyên tắc giá trị Shapley, qua đó cải thiện hơn nữa tính bảo mật, hiệu quả và khả năng cải thiện liên tục của mạng lưới.

3.nâng cấp dtao

Dự án Bittensor có những vấn đề chính sau đây trong việc phân bổ tài nguyên và thiết kế mô hình kinh tế:

1. Trùng lặp và dư thừa tài nguyên: Nhiều mạng con tập trung vào các nhiệm vụ tương tự, chẳng hạn như tạo văn bản thành hình ảnh, lời nhắc văn bản và dự đoán giá, dẫn đến trùng lặp và lãng phí phân bổ tài nguyên.

2. Thiếu các trường hợp sử dụng thực tế: Một số mạng con nhất định (chẳng hạn như dự đoán giá hoặc dự đoán kết quả sự kiện thể thao) vẫn chưa chứng minh được tính thực tiễn của chúng trong các tình huống thực tế, điều này có thể dẫn đến sự không phù hợp giữa đầu tư nguồn lực và nhu cầu thực tế.

3. Hiện tượng "Tiền xấu đẩy tiền tốt ra ngoài": Các mạng con chất lượng cao có thể gặp khó khăn trong việc huy động đủ nguồn vốn và không gian phát triển. Với thời gian bảo vệ chỉ bảy ngày, các mạng con không nhận được đủ sự hỗ trợ từ trình xác thực gốc có thể bị loại bỏ sớm.

4. Sự tập trung của trình xác thực và các động lực không đủ cho các mạng con mới:

· Trình xác thực gốc có thể không đại diện đầy đủ cho tất cả những người nắm giữ TAO và kết quả đánh giá của họ có thể không phản ánh nhiều quan điểm khác nhau. Theo sự đồng thuận của Yuma, những người xác thực hàng đầu sẽ thống trị điểm số cuối cùng, nhưng đánh giá của họ không phải lúc nào cũng khách quan. Ngay cả khi phát hiện ra sai lệch, nó cũng có thể không được sửa chữa ngay lập tức. 

· Ngoài ra, trình xác thực không có động lực để di chuyển sang các mạng con mới vì việc di chuyển từ mạng con cũ có lượng phát hành cao sang mạng con mới có lượng phát hành thấp có thể dẫn đến mất phần thưởng ngay lập tức. Sự không chắc chắn về việc liệu các mạng con mới có thể đạt được mức phát hành mã thông báo của các mạng con đã được thiết lập hay không càng làm giảm ý định di chuyển của họ. 

Các vấn đề chính với mô hình kinh tế:

Một vấn đề lớn trong thiết kế cơ chế của Bittensor là mặc dù tất cả người tham gia đều nhận được TAO, nhưng không ai thực sự trả TAO, dẫn đến áp lực bán liên tục. Hiện tại, các câu hỏi mà thợ đào trả lời không phải do người dùng thực tế hỏi mà do chủ sở hữu mạng con cung cấp - mô phỏng các truy vấn của người dùng thực tế hoặc dựa trên nhu cầu lịch sử của người dùng. Do đó, ngay cả khi câu trả lời của thợ đào có giá trị thì giá trị này vẫn bị chủ sở hữu mạng con nắm bắt. Bất kể câu trả lời của thợ đào có giúp chủ sở hữu mạng con cải thiện thuật toán mô hình của mình hay được chủ sở hữu mạng con sử dụng trực tiếp để đào tạo mô hình nhằm cải thiện sản phẩm của mình hay không, thì giá trị tạo ra từ công việc của thợ đào và người xác thực đều thuộc về chủ sở hữu mạng con. Về mặt lý thuyết, chủ sở hữu mạng con sẽ phải trả phí cho giá trị này.

Ngoài ra, chủ sở hữu mạng con không những không phải chịu bất kỳ chi phí nào mà còn được hưởng 18% tiền phát hành mạng con. Điều này có nghĩa là hệ sinh thái Bittensor không được kết nối chặt chẽ - những người tham gia duy trì kết nối lỏng lẻo dựa trên sự phát triển và cộng tác. Các dự án trên mạng con có thể thoát bất kỳ lúc nào mà không bị mất mát gì (vì phí đăng ký mạng con sẽ được hoàn lại). Hiện tại, cơ chế chính để khôi phục mã thông báo trong hệ thống Bittensor là phí đăng ký do thợ đào và người xác thực mạng con thanh toán; tuy nhiên, các khoản phí này rất nhỏ và không đủ để hỗ trợ việc nắm bắt giá trị hiệu quả. Trong khi staking đã trở thành cơ chế chính, số lượng TAO thu được thông qua phí giao dịch blockchain và phí đăng ký vẫn còn hạn chế.

Staking được chia thành hai hình thức:

1. Xác thực Staking: Người tham gia staking TAO để hỗ trợ bảo mật mạng và nhận phần thưởng, chiếm 75% tổng số TAO đã phát hành. Hiện tại, người xác thực có thể kiếm được khoảng 3.000 TAO mỗi ngày, với tỷ lệ lợi nhuận hàng năm là hơn 15%. Tuy nhiên, sau lần halving đầu tiên, mức phân phối này sẽ giảm xuống còn 1.500 TAO mỗi ngày, khiến việc staking trở nên kém hấp dẫn hơn và làm suy yếu hiệu quả của nó trong việc cân bằng cung và cầu token.

2. Đăng ký mạng con và đặt cược: Việc bổ sung các mạng con mới ảnh hưởng đáng kể đến nguồn cung TAO. Điều này đặt ra một thách thức vì tổng lượng phát hành TAO là cố định; việc tăng số lượng mạng con sẽ làm giảm phần thưởng của tất cả các mạng con, khiến các mạng con hiện tại khó duy trì hoạt động và có thể khiến một số mạng con thoát khỏi mạng.

Những vấn đề này chỉ ra rằng việc phân bổ tài nguyên và thiết kế mô hình kinh tế của Bittensor cần được tối ưu hóa hơn nữa để đảm bảo sự phát triển bền vững và các động lực công bằng của mạng lưới.

3.1 Dtao là gì

dTAO là một cơ chế khuyến khích sáng tạo do Mạng Bittensor đề xuất, nhằm mục đích giải quyết vấn đề phân bổ tài nguyên không hiệu quả trong các mạng phi tập trung. Nó từ bỏ phương pháp truyền thống là xác định phân bổ tài nguyên bằng cách bỏ phiếu thủ công của người xác thực và thay vào đó giới thiệu một cơ chế dựa trên các điều chỉnh động lực thị trường, liên kết trực tiếp việc phân bổ phát hành TAO giữa các mạng con với hiệu suất thị trường của các mã thông báo mạng con. Thông qua việc thiết kế các nhóm thanh khoản nhúng, nó khuyến khích người dùng thế chấp TAO để đổi lấy token mạng con, do đó hỗ trợ các mạng con có hiệu suất vượt trội.

Đồng thời, mô hình phát hành công bằng được áp dụng để đảm bảo phân phối dần dần các mã thông báo mạng con, thúc đẩy nhóm thu thập các mã thông báo thông qua các đóng góp dài hạn và cân bằng vai trò của người xác thực và người dùng. Người xác thực đánh giá chặt chẽ công nghệ của nhóm và tiềm năng thị trường giống như các nhà đầu tư mạo hiểm, trong khi người dùng thúc đẩy quá trình hình thành giá trị mạng con thông qua giao dịch đặt cược và thị trường.

3.1.1 Cơ chế cốt lõi của dTAO

3.1.1.1 Liên kết chặt chẽ người xác thực và nhóm với hệ sinh thái: nếu bạn muốn hưởng lợi, trước tiên bạn phải đầu tư vào token mạng con

Thiết kế của dTAO dựa trên cả động lực thị trường và công nghệ. Mỗi mạng con được trang bị một nhóm thanh khoản bao gồm các mã thông báo TAO và mạng con. Khi người nắm giữ $TAO (người xác thực và chủ sở hữu mạng con) thực hiện hoạt động thế chấp, điều này tương đương với việc sử dụng $TAO để mua $dTAO tương ứng. Số lượng $dTAO có thể trao đổi được tính theo công thức sau:

Không giống như Uniswap V2, nhóm thanh khoản của $dTAO không cho phép bổ sung thanh khoản trực tiếp. Ngoại trừ khi Chủ sở hữu mạng con tạo ra một mạng con, toàn bộ thanh khoản mới được bơm vào đều đến từ $TAO được phân bổ và 50% tổng số tiền phát hành $dTAO. Nói cách khác, $TAO mới phát hành được phân bổ cho mỗi Subnet không được phân bổ trực tiếp cho Validator\Miner\Owner của Subnet mà tất cả đều được đưa vào nhóm thanh khoản để đổi lấy; đồng thời, 50% $dTAO mới phát hành cũng được đưa vào nhóm thanh khoản và 50% còn lại được phân bổ cho Validator\Miner\Owner theo cơ chế khuyến khích được chính Subnet thỏa thuận.

Điều này ngăn cản nhóm nhanh chóng bán một lượng lớn mã thông báo ngay từ đầu và khuyến khích nhóm liên tục đóng góp và cải tiến công nghệ; người xác thực cần đóng vai trò tương tự như các nhà đầu tư mạo hiểm và tiến hành đánh giá chặt chẽ về công nghệ, tiềm năng thị trường và hiệu suất thực tế của mạng con;

Stake\Unstake sẽ không thay đổi kích thước của K, trong khi việc bơm thanh khoản sẽ làm tăng K thành K'

3.1.1.2 Mã thông báo mạng con có giá thị trường cao nhất sẽ nhận được nhiều phát hành $TAO nhất

Trong kế hoạch trước, tỷ lệ $TAO mới phát hành mà mỗi Mạng con có thể nhận được được xác định bởi Trình xác thực của Mạng gốc. Kế hoạch này bộc lộ một số vấn đề tiềm ẩn. Ví dụ, vì quyền lực của Mạng gốc tập trung trong tay một số ít Người xác thực nên sẽ không có hình phạt nào ngay cả khi những Người xác thực thông đồng để phân phối $TAO mới phát hành cho các Mạng con có giá trị thấp.

TAO động chấm dứt các đặc quyền của Root Network và trao quyền quyết định cách phân phối $TAO mới phát hành cho tất cả người nắm giữ $TAO. Cách tiếp cận cụ thể là sử dụng Yuma Consensus V2 mới và thực hiện thao tác softmax trên giá của mỗi Subnet Token để có được tỷ lệ phát hành tương ứng, cụ thể là:

Softmax là một hàm chuẩn hóa thường được sử dụng có thể chuyển đổi từng phần tử trong một tập hợp các vectơ thành một giá trị không âm trong khi vẫn giữ nguyên mối quan hệ kích thước tương đối giữa các phần tử và đảm bảo rằng tổng của tất cả các phần tử sau khi chuyển đổi là 1.