作者：Sami Kassab
編譯：Joyce，BlockBeats
編按：作為受到Polychain、DCG 等實力投資機構支持的AI 項目，Bittensor 曾備受關注，市值突破40 億美元，被視為AI 賽道的龍頭項目。 4 月11 日，Bittensor 上線Binance，TAO 在當日沖上700 美元高位，並帶動了一系列AI 幣上漲。而一個月後，TAO 的價格為347 美元，據高點的跌幅達50%。
即使是AI 板塊普遍回暖也無法阻礙Bittensor 的頹勢，這主要源於Bittensor 的“護城河”優劣勢非常明顯，曾經令社區驚豔的Subnet 子網激勵機制，目前正陷入“無效競爭、質量低下”等爭議之中。近期，一些AI 計畫如Myshell、Virtual Protocol 等相繼在Bittensor 上推出其子網，為Bittensor 生態帶來了活力，但能否助推TAO 再回巔峰還不得而知。
O$$ Capiτal 成員、前Messari 研究員Sami Kassab 一直對Bittensor 持看好態度。近日，Sami 從入駐Bittensor 的AI 計畫著手，分析了subnet 機制的優勢和發展潛力。 BlockBeats 編譯如下：
使用Corcel 產生的圖像，由Subnet 19 提供支援
Bittensor 通常被描述為用於發布「資料商品」的去中心化平台。雖然資料商品通常被認為只包括運算、儲存和網路資源，但Bittensor 涵蓋的範圍遠遠超出了這些類別。從更廣泛的意義上來說，數位商品網絡可以指任何提供標準化數位任務或服務的網絡，並由清晰一致的激勵和驗證框架管理。
這意味著除了以網頁抓取、資料儲存和雲端運算為中心的傳統子網路之外，Bittensor 還支援專用於專門任務和服務的子網，例如為特定模式創建AI 模型、微調開源，以及3D 內容、影像和生成交易訊號生成。
Bittensor 透過激勵礦工提供特定服務，並採用標準化的激勵和驗證框架，促使團隊在使用Bittensor 時變得更加有創意。目前出現的兩個新興趨勢是：
1.外包技術創新
2.作為獨立網路的激勵層
外包技術創新
最近出現了一種趨勢，加密貨幣團隊正在利用Bittensor 外包支援其產品或服務的基本技術的開發。這些實體不再維持內部研發團隊，而是轉向Bittensor。集中式和分散式專案都將競爭市場創建為子網，激勵貢獻者解決他們定義的特定問題。
OpenKaito 子網
以Kaito 為例，這是一個以加密產業為導向的集中式人工智慧搜尋引擎。他們的目標是透過索引加密內容並將非結構化資料轉換為可搜尋和可操作的格式，使加密中的資訊更易於存取。
建立搜尋引擎存在許多複雜性，包括資料獲取、索引、排名和知識圖開發。為了在不維持龐大的內部研發部門的情況下應對這些挑戰，Kaito 團隊在Bittensor 上推出了OpenKaito 子網。在這裡，搜尋相關性的挑戰被定義為礦工驗證者問題。子網路上的礦工提交搜尋查詢的排名結果，而驗證者則應用獎勵模型來評估這些礦工回應的品質。
這種方法使Kaito 能夠外包重要的研發任務，利用具有特定領域知識的貢獻者的集體專業知識來建立去中心化的搜尋引擎。 Kaito 之後的目標是在子網路上開發一款搜尋和分析產品，並打算將其貨幣化。
MyShell 和Virtual 子網
MyShell 和Virtual 是兩個採用類似策略的去中心化專案。 MyShell 專注於人工智慧消費者層，讓用戶可以製作個人化的聊天機器人，為了增強他們的聊天機器人互動體驗，團隊會規劃添加語音功能。然而，鑑於文字轉語音(TTS) 技術仍處於初級階段，並且缺乏適合自訂語音模型的解決方案，MyShell 推出了一個子網路來激勵開源TTS 模型的開發。這項措施使他們能夠將注意力從機器學習問題轉移到網路的其他重要方面。
Virtual 也緊隨其後，但其子網路專注於激勵音訊到動畫模型的開發。
為什麼外包給Bittensor？
MyShell 和Virtual 都透過其協議激勵貢獻者貢獻資料和模型，以開發角色、自訂聊天機器人，並完成對其平台產品和服務至關重要的其他任務。那麼，為什麼他們使用Bittensor 來推動支撐其平台的關鍵人工智慧模型的開發，而不是透過自己的協議來實現呢？
可能有以下幾個原因：
更容易吸引貢獻者：吸引具有特定領域知識的專家為早期專案做出貢獻是一項挑戰，尤其是機器學習專家。然而，Bittensor 擁有強大的品牌和廣泛的礦工/ 貢獻者網絡，具有不同的專業知識。這些貢獻者中有機器學習方面的專家，他們可以無縫地選擇MyShell 和Virtual 等專案的子網路做出貢獻，幫助他們實現目標。
貢獻者的即時價值：貢獻者更願意立即以有價值的貨幣對其工作進行獎勵。例如，TakeMyShell 沒有代幣，儘管可以為貢獻者提供積分，但認真的貢獻者不太可能在不知道其潛在價值的情況下僅基於未來代幣的承諾來致力於實質工作。即使在小型專案確實有代幣的情況下，利用Bittensor，貢獻者可以賺取TAO（一種相對成熟的代幣，具有相當數量的流動性），可以讓貢獻者立即以穩定的方式獲得補償。
充當網路的激勵層
啟動新網路的最大挑戰之一在於，在需求方（使用者）開始使用網路服務之前，將供應方（貢獻資源的礦工池）擴大到臨界規模。事實證明，加密網路可以有效解決這種先有雞還是先有蛋的困境，即使供應方沒有積極參與用戶任務，也可以透過代幣的存在和可用性來激勵供應方。
然而，隨著人工智慧的普及以及建立人工智慧資源網路和通用數位商品網路的團隊的激增，吸引礦工和引導網路的供給面變得越來越具有挑戰性和競爭力。
在這種環境中，Bittensor 具有獨特的定位，可成為網路的外部激勵層，使網路能夠輕鬆引導其供應方並僅專注於協定的執行層。
案例研究：Inference Labs
Inference Labs 正致力於透過推理證明驗證模型將AI 引入鏈上，該模型透過Eigenlayer 上的AVS 利用零知識(zk) 技術。重要的是，他們還在Omron Bittensor 上啟動了一個子網，專門用於引導為其協定提供zk 證明器和模型推理器。
本質上，Inference Labs 在初始階段使用Bittensor 作為其網路供應方的激勵層。
利用Bittensor 背後的基本原理很簡單：吸引貢獻者在像Bittensor 這樣的現有網絡上挖掘子網比將他們吸引到新的獨立網絡要容易得多。如上所述，Bittensor 為貢獻者提供即時價值的能力是一個主要賣點。此外，該網路擁有數千名礦工，他們已經為各個子網路做出了貢獻，由於他們熟悉挖掘不同數位商品網路所需的資源和任務，因此他們可以無縫地選擇加入新的子網路。
因此，在Bittensor 上啟動子網使Inference Labs 能夠利用現有的熟練礦工池，加速其協議的開發和成長。並加速了它的發展。在短短兩週內，假設礦工以最低硬體要求運行（這可能低估了實際容量），該子網總共包含1900 個CPU 核心、15 TB RAM 和90TB 存儲，將該子網定位為最大的zkML 計算集群。
未來，Inference Labs 計畫將激勵層內部化，其中透過其協議直接貢獻的礦工將獲得代幣激勵和網路使用費。然而，即使Inference Labs 過渡到自己的激勵機制，Bittensor 上的子網也將持續存在，繼續無限期地補充協議的本地供應方。在此過程中，Inference Labs 的網路充當聚合器，從各種管道（包括Bittensor 子網路）採購zkML 貢獻者。
雖然有些網路可能最後會選擇將激勵層合併，但其他網路也可能會選擇將此功能永久委託給Bittensor，從而使它們能夠專注於執行層。
子網路動態如何影響TAO 的價格？
在Bittensor 中，驗證者通常擁有對礦工生產的數位商品的獨佔存取權（更多資訊請參見此處）。當團隊啟動子網路作為外部激勵層或外包其網路的技術創新時，協定或團隊有兩個選擇：
成為驗證者– 這涉及獲取TAO 並將其質押到特定子網。驗證者在子網路上接收的網路資源或對服務的存取通常由他們持有的權益決定。例如，如果一個團隊擁有子網路20% 的TAO 權益來運作驗證器，那麼它就會獲得相應的子網路20% 的資源。
向現有子網路驗證器支付資源費用– 或者，團隊可以選擇向現有子網路驗證器支付其子網路資源費用。該付款可以以各種貨幣進行，例如法定貨幣或穩定幣，具體取決於驗證者的偏好。 Taoshi 正在開發一個請求網絡，該網絡將無縫地使驗證者能夠將其資源貨幣化，從而允許第三方透過API 輕鬆存取子網的商品。
隨著子網路的收入潛力隨著對其資源或服務的需求的增加而擴大，驗證者開始競相收購TAO，以確保礦工獲得額外的資源和優先權，從而獲得更大的收入流並增強其運營。
最終，這兩個選項都有助於推動Bittensor 生態系統內對TAO 的需求。鑑於TAO 的代幣供應量是固定的，這種不斷增長的需求可能會導致其價值上漲。
隨著越來越多的優秀礦工加入Bittensor 的挖礦網絡，越來越多的團隊被吸引啟動子網，以獲取解決其特定問題所需的專業人才，並獲得他們正在尋找的數位資源。這產生了一種正循環效應，即優秀的礦工競爭獎勵吸引了更高質量的子網團隊，這些團隊生產出更有價值的數位商品，最終增加了需求，促使驗證者競爭TAO 來確保其獲得抵押並獲得相應的資源分配。
最後的想法
那些希望在Bittensor 上啟動子網的團隊中，普遍存在的主題似乎是希望利用挖礦社區的力量。一個網路由各領域專家組成，涵蓋機器學習、資料科學、交易、雲端運算、資源配置等多個領域，他們都在尋找利用自己的技能和資源來換取一種共同貨幣的途徑。目前看來，這似乎是Bittensor 最強大的優勢所在。
我覺得最有趣的是，Bittensor 可以促進那些作為獨立網路不太可行的專案的發展。例如，使用者可以啟動專門客製化的子網路來外包其技術堆疊的特定元件，就像部署專門的微服務一樣。例如去中心化的社交網路可以將推薦演算法卸載給Bittensor，類似於專案目前依賴Bittensor 來開發和推理跨不同模式的AI 模型的方式。
隨著未來子網路門檻的提高，集中式和去中心化專案將其技術堆疊的特定部分託管在Bittensor 上的前景變得越來越真實可行。我預見在不久的將來出現Bittensor 的第三類使用案例。
