万字解析 Bittensor：如何构建连通世界 AI 的天网

作者：Frank-Zhang.eth，来源：作者推特@dvzhangtz

Arjun Chand 今日 Binance 上新 @TheBittensorHub (TAO), 这个项目究竟做了什么可以令其在上大舞台前就已经在所有代币中排名前 30？

本文将深度解析。

该项目既不直接贡献数据，也不直接贡献算力。

而是通过区块链网络和激励机制，来对不同的算法进行调度和筛选，从而让 AI 领域形成一个自由竞争、知识共享的算法（模型）市场。

摘要

AI 时代三要素，算法（也就是模型）、算力、数据。对算力和数据该怎么结合区块链做分布式，我们相对有比较清晰的解决方案，但是对算法该怎么去中心化，怎么集中大家对力量进行算法共建、模型共建，这一直是个疑问。

Bittensor 解决了这个问题。

Bittensor 把ai分成不同任务，每条任务启动一个子网，每个矿工都提供自己所擅长任务上自己的模型，网络奖励在每个任务上做的最好的矿工。并且通过其独有的 Yuma 共识算法来保证各方参与者不作恶。

在代币经济学上，其代币 TAO 是个纯矿币，没有VC 轮、私募轮、ICO/IEO/IDO、基金会预留，获得代币的方式只有挖矿、在市场上买入。作为矿币，矿工在早期会有很强拉盘动力。现在全网 89% 的代币质押锁仓。

Bittensor 提供直接 ToC 的产品，聊天机器人，和为开发者服务的 API，用户体验不错。

背景 Part 1

AI 市场的问题

当前的问题：

当今时代的 AI model 过于依赖 benchmark，缺乏多样化的评判手段，导致赢家通吃。

当前每家的模型相对独立。

Bittensor 认为这对 整个 AI 的进步和算法创新效率都不利。互相孤立的模型、只选赢家的 AI 服务，意味着一旦有人想开发新的模型，可能必须从头开始；假设模型A精通西班牙语，模型B精通写代码，当一位用户需要让 AI 解释一下带西班牙语注释的代码时，显然两个算法合力输出效果最好，但目前环境下做不到；此外，由于第三方应用集成需要 AI 模型所有者的许可，有限的功能也意味着有限的价值，整个 AI 领域的合力实际上没有得到释放。因此，Bittensor 这个项目的大目标是，让不同 AI 的算法和模型能够互相协作、学习和组合，从而形成更强大的模型，更好的为开发者和用户服务。

这样有几点好处：

构建起一个 不同模型 的协作网络，用这个网络来评判不同人提供的模型的好坏，让他们进行协作；

对使用 ai 的用户来说，没有中间商挣差价，可以一更低的价格获得到 ai 服务；

很多模型都是小团队自己搞的，让非巨头的小公司也可以享受这样的好处，并有ai的所有权。

背景 Part2

从 BTC 产生的思考

BTC 提供了一套记账服务，这个系统自身并不提供算力，其只定义了算力被验证的方式，也就是 POW 机制。

在 POW 机制的激励下，全世界的矿工想办法优化自己的矿机，寻找更低的电费，去更好的挖矿（提供 BTC 记账服务）。

不过我们知道这套 POW 是在做一种无意义的运算，但如果可以让全世界的矿工不断积极地寻找方法来降低在该市场上开采 TAO 的成本，优化算法，提升准确率，降低电费，从而提供更好的模型服务，想想就很好。

技术 Part 1

网络中的角色和职能

矿工：可以理解为全世界各种 AI 算法和模型的提供方，它们托管AI模型并将其提供给 Bittensor 网络；不同类型的模型组成了不同的子网，比如专攻图片或声音的模型。

验证者：Bittensor 网络内的评估者。评估 AI 模型的质量和有效性，根据特定任务的性能对 AI 模型进行排名，帮助消费者找到最佳解决方案。

提名者：将代币委托给特定验证者来表示支持，也可以换不同的验证者来委托。有点像 DeFi 中你将自己的代币质押给 Lido 获取收益。

用户：Bittensor 提供的 AI 模型最终使用方。可以是个人，也可以是谋求 AI 模型来做应用的开发者们。

技术 Part 2

角色之间的联系

用户 需要更好的 AI 模型；

矿工 提供自己的AI模型；

验证者 负责按照不同的用途筛选更好的 AI 模型；

提名者 选择支持不同的验证者。

说白了是一个开放的 AI 供需链条 ： 有人提供不同模型，有人评价不同模型，有人使用最好的模型所提供的结果。

技术 Part 3

如何保证矿工&验证者不作恶：Yuma Consensus

在一个开放的网络中，没有中心化机构监督，服务的提供者自然很愿意做恶，从而“降本增效”。可能的做恶有：

矿工不好好运行模型服务，结果给的是随机数；

矿工只和和自己共谋的验证者连接，自己即是运动员也是裁判；

诚实节点可能因为网络原因，没有全连接，而大量不诚实的节点相互沟通，实现共谋。

Bittensor 为这个问题给出了一个解，这是笔者认为该项目最大的创新点。下面这段是本文的重点和难点。

技术 Part 4

为了讲明白 Bittensor 的解决方案，我们需要先讲几个机器学习中的基础知识：训练、损失函数、梯度下降。

如果想教会小狗如何在垫子上小便（经典案例，无不良指向）——（如果想教会机器一个知识）

方法1: 如果狗狗在垫子小便则奖励块肉，如果不在则打屁股；

方法2: 如果狗狗在垫子小便则奖励块肉，如果不在则打屁股；而且距离垫子越远，打得越狠（计算损失函数）；

方法3: 狗狗每走一步，就进行一次判定：

如果是朝向垫子走，则奖励块肉，如果不是朝向垫子走，则打屁股；

（每进行一次训练，计算一次损失函数）

方法4: 狗狗每走一步，就进行一次判定：

如果是朝向垫子走，则奖励块肉，如果不是朝向垫子走，则打屁股；

并且给狗狗在指向垫子的方向摆一块肉，吸引狗狗往垫子走，

（每进行一次训练，计算一次损失函数，之后进行能最好降低损失函数的方向，进行梯度下降）。

技术 Part5

好的，对这些概念有大概的认识后，回到 Bittensor。