탈중앙화 AI 네트워크 Bittensor 종합 분석

서브넷

작업별 서브넷은 "검증 스택"이라는 목표에 맞게 설계된 프레임 사용합니다. 유효성 검사기는 스택을 실행하여 채굴자를 가치 창출 작업으로 안내하고 서브넷 목표가 달성되도록 보장합니다. 채굴자의 목표는 동료보다 더 나은 점유율 내고 더 많은 보상을 받는 것입니다.

서브넷 소유자가 되려면 서브넷에 연결하기 전에 등록비를 지불해야 합니다. 등록비는 수요에 따라 변동되며 현재 약 3,000TAO입니다. 서브넷 등록이 취소되면 수수료는 환불됩니다.

검증자가 되려면 TAO를 스테이킹해야 합니다. 최소 지분 임계값은 지분 64위 검증인에 의해 결정됩니다. 더 큰 지분을 가진 검증자는 각 서브넷의 서비스 요청 및 Yuma 합의에서 더 높은 가중치를 갖습니다. 또한 유효성 검사기는 여러 서브넷에서 서비스를 제공할 수 있습니다.

검증자 또는 채굴자로 서브넷에 가입하려면 "뉴런"이라는 슬롯에 등록해야 합니다. 등록 수수료는 서브넷에 따라 다르며 수요와 공급에 따라 다르지만 일반적으로 1TAO 미만입니다. 등록이 취소되면 등록이 취소되며 환불되지 않습니다. 채굴자는 입장료 외에도 서브넷의 목적에 맞게 소프트웨어와 하드웨어를 맞춤 구성해야 합니다. 따라서 채굴자는 일반적으로 서브넷에 바인딩됩니다.

2024년 12월 기준으로 총 250개의 검증인이 173개의 사용자 계정으로 운영되고 있으며, 11,856개의 채굴자가 2,709개의 사용자 계정으로 운영되고 있습니다.

인센티브 분배

각 서브넷 내에서 할당된 TAO 발행량은 루트 서브넷(자금 계층의 루트)에 의해 결정되며 미리 정해진 비율에 따라 검증인과 채굴자에게 할당됩니다. 41%는 채굴자, 41%는 검증자, 18%는 채굴자에게 할당됩니다. %는 서브넷 소유자에게 할당됩니다. 채굴자들 사이에서는 검증인이 할당한 "신뢰 가치"에 따라 인센티브가 결정됩니다. 검증인 사이에는 검증인의 “신뢰 점수”와 지분 금액에 따라 인센티브가 분배됩니다. TAO 모기지를 위임한 검증인의 경우 검증인은 보상을 다른 스테이커와 공유하고 자신이 보유한 "점유율"을 공제한 후 분배합니다.

c. 자금 계층

서브넷 0이라고도 알려진 루트 네트워크는 Bittensor 스택의 자금 조달 계층입니다. 루트 서브넷 내에서 각 유효성 검사기는 모든 서브넷에 걸쳐 확인 스택을 실행하여 각 서브넷의 자체 벤치마크 반환 결과의 품질, 정확성 및 응답 시간을 평가하여 점수를 결정합니다. 그런 다음 이러한 점수는 Yuma 합의를 통해 TAO 발행의 서브넷 점유율 으로 변환됩니다.

루트 서브넷에는 두 가지 고유한 특성이 있습니다. 첫째, 채굴자가 평가 대상이 되는 서브넷으로 대체되고, 둘째, 루트 서브넷의 검증인 수가 64명으로 고정됩니다. 설계상 신규 신청자는 루트 서브넷에 합류하기 위해 기존 검증인의 최소 스테이크를 초과하는 TAO를 스테이크해야 합니다. 그러나 이 대체 메커니즘은 현재 중단되었으므로 담보 금액은 다양하지만 고정된 64개의 검증인 세트가 루트 서브넷을 제어합니다.

d. 블록체인 레이어

Subtensor는 Bittensor의 블록체인이며 TAO 발행을 담당합니다. 서브넷의 유효성 검사기는 가중치 점수, 거래 데이터 및 성능 지표를 Subtensor 블록체인에 제출합니다. Subtensor 블록체인의 검증자 노드는 권한 증명을 사용하여 Opentensor Foundation에서 운영되며 거래 확인, Subtensor 원장 업데이트 및 보상 분배 관리를 담당합니다. Opentensor Foundation 팀은 필요할 때 블록체인을 일시 중지할 수 있기 때문에 이 블록체인 레이어에 대한 탈중앙화 주장은 논란의 여지가 있습니다.

평가 서브넷

2024년 12월 현재 활성 서브넷은 56개입니다. 이러한 서브넷은 교육 데이터 파이프라인, 컴퓨팅 성능, 교육 플랫폼, 일반 AI 모델, 애플리케이션별 AI 도구 등 AI 개발의 여러 측면을 다룹니다. 서브넷 간 발행 분포는 고르지 않으며, 상위 10개 서브넷이 전체 발행량의 약 50%를 차지합니다.

이 섹션의 나머지 부분에서는 세 가지 흥미로운 서브넷을 자세히 살펴보고 서브넷 소유자가 이를 사용하는 방법을 설명하겠습니다.

서브넷 18: Cortex.t

Cortex.t는 모델 테스트 및 편견 없는 인공 지능 평가를 위해 GPT4o 및 GPT4를 통해 동적 합성 데이터를 생성하는 것을 목표로 DSIS 프레임 에서 Corcel이 개발한 서브넷입니다. 고품질 프롬프트-응답 쌍을 생성하고 이를 wandb.ai에 합성 질문 및 답변 데이터로 보관하는 동시에 프롬프트 진화 및 데이터 확대와 같은 기술을 활용하여 출력 결과를 최적화합니다.

Cortex.t 서브넷에서 채굴자는 GPT4o 및 GPT4 출력이 필요한 힌트를 처리하고 유효성 검사기에 의해 정확도, 속도 및 효율성이 평가됩니다. 이러한 유효성 검사기는 동일한 모델을 사용하여 합성 데이터베이스를 형성하는 동시에 API 서버를 관리하여 프롬프트를 보냅니다. 또한 검증인은 프로덕션 수준 애플리케이션을 위해 DSIS 프레임 에서 대역폭을 서비스로 판매할 수 있습니다.

서브넷 37: 모델 미세 조정

모델 미세 조정 서브넷은 탈중앙화 기능을 활용하여 챗봇이나 추론 시스템과 같은 고급 특수 모델을 교육하도록 설계되었습니다. 모델 미세 조정은 시간이 많이 걸리고 계산 집약적이며 특정 기술이 필요한 경우가 많습니다. 서브넷 구조를 적용함으로써 채굴자는 자신의 기술과 자원을 기여하여 모델을 개선하고 그에 따라 보상을 받을 수 있습니다.

광부 작업은 모델을 미세 조정하기 위한 경쟁으로 구성됩니다. 각 대회마다 기본 모델, 제약 조건, 목표가 발표됩니다. 채굴자는 기본 모델을 출발점으로 사용하여 오프라인에서 미세 조정을 실행하고 미세 조정된 모델을 Hugging Face(인공지능 커뮤니티 웹사이트)에 제출하고 모델 메타데이터를 Bittensor 체인에 제출합니다.

유효성 검사기는 메타데이터를 검색하여 모델을 식별하고 서브넷 18의 합성 QA 데이터를 사용합니다. 그런 다음 검증자는 SYNTHETIC_MMLU 작업에 대한 광부 모델의 객관식 정확도를 평가하여 광부 성능을 측정합니다. 채굴자는 검증자의 점수에 따라 순위가 매겨지고 해당 보상을 받습니다.

서브넷 5: 개방형 Kaito

Subnet 5는 의미 검색 및 자연어 이해와 같은 애플리케이션을 향상시키기 위해 텍스트 임베딩 모델을 개발하는 데 중점을 둡니다. 채굴자는 임베딩 생성 시 효율적인 성능을 보장하기 위해 대규모 텍스트 데이터 세트를 사용하여 이러한 모델을 훈련합니다. 검증자는 최첨단 벤치마크를 기준으로 모델 성능을 평가하여 지속적인 개선을 주도합니다.

이러한 모델은 기존 성능 표준을 뛰어넘는 것을 목표로 다양한 애플리케이션에 쉽게 통합할 수 있도록 공개 유효성 검사기 API를 통해 액세스할 수 있습니다.

Open Kaito 팀은 최근 외부 보존 벤치마크에서 서브넷 5 채굴기가 OpenAI 임베딩 모델을 능가했다고 주장했습니다. 이는 이전에 대규모 합성 데이터 세트를 사용하여 달성한 더 낮은 손실과 더 높은 Top-1 정확도를 기반으로 한 획기적인 것입니다. 이러한 성공은 탈중앙화 AI 모델 훈련이 어떤 면에서 중앙집중형 모델을 능가할 수 있음을 보여주기 때문에 중요합니다.

출처:wandb

이러한 서브넷 예에서 우리는 Bittensor가 탈중앙화 AI 생태계로서 성공했다는 초기 징후를 볼 수 있습니다. 개별 하위 네트워크 수준에서는 탈중앙화 모델 교육 및 미세 조정이 가능합니다. 이는 Prime Intelligence가 최근 최초의 탈중앙화 100억 매개변수 모델 INTELLECT-1 훈련에 성공한 것에서도 뒷받침됩니다. 생태계 수준에서 하위 네트워크는 서로 협력하여 가치 사슬을 형성할 수 있습니다. 따라서 모델 훈련 부분뿐만 아니라 전체 인공지능 가치사슬까지도 Bittensor를 통해 탈중앙화 될 수 있습니다.

Bittensor에서 분산형 AI의 기술적 타당성을 평가한 후 생태계의 경제성을 추가로 조사하여 해당 설계가 지속 가능한 AI 교육 가치 사슬을 지원할 수 있는지 여부를 결정할 것입니다.

TAO 토큰 이코노미 모델

Bittensor의 인센티브 토큰 TAO는 블록체인 Subtensor를 기반으로 구축되었습니다. 현재 12초마다 새로운 블록이 생성되며, 블록당 1개의 TAO가 민트 네트워크 참여자에게 보상으로 배포됩니다. TAO의 발행률은 첫 번째 배치 10,500,000개의 토큰이 민트 된 후 처음으로 반감 줄어듭니다. 이후 이전 반감 발행량의 절반에 도달할 때마다(예: 두 번째 반감 은 5,250,000개의 토큰) 발행이 이루어집니다. 요금은 계속해서 반감 듭니다. 이 반감 메커니즘은 TAO의 총 공급 한도를 2,100만 개로 설정합니다. 2024년 12월 현재 전체 공급량 의 약 37.8%, 즉 793만 TAO가 민트 되었습니다.

각 반감 이벤트 시간은 주로 블록 생성 비율에 따라 결정되며 토큰 재활용에도 영향을 받습니다. 1개의 TAO가 재활용될 때마다(보통 블록체인 처리 수수료 또는 서브넷 참가자 등록 수수료로 인해) 1개의 새로운 TAO가 민트 방지하여 블록 생성 주기의 반감 이 지연됩니다. 최근 추정에 따르면 다음 반감 날짜는 2025년 11월 29일 입니다.

이전 기사에서 우리는 TAO의 주요 목적이 네트워크 참가자에게 인센티브를 제공하는 보상 토큰이라고 언급했습니다. TAO의 다른 용도는 다음과 같습니다.

• 스테이킹) : TAO 보유자는 TAO를 자신의 검증자에게 직접 스테이킹 하거나, 검증자에게 위탁하여 검증자 활동에 대한 보상을 공유할 수 있습니다. 최소 스테이킹 금액은 0.1TAO입니다.
• 네트워크 입장 : 채굴자, 검증자 및 서브넷 소유자는 Bittensor 네트워크에 가입하려면 TAO 등록 수수료를 지불해야 합니다.
• 거버넌스 : TAO 보유자는 활성 서브넷 검증자가 포함된 "Senate"를 통해 프로토콜 업그레이드 및 발급 조정과 같은 네트워크 거버넌스 결정에 영향을 미칠 수 있습니다.
• 거래 수수료 : TAO는 Subtensor 블록체인의 연료 수수료 토큰입니다.

Bittensor는 지속 가능합니까?

Bittensor는 인공 지능 기능을 찾는 사용자가 서브넷을 설정하여 검증자와 채굴자가 협력하도록 유도할 수 있는 스마트 마켓플레이스로 자리매김하고 있습니다. 그러나 그 메커니즘은 전통적인 시장 구조와 다릅니다. 즉, 서브넷 소유자는 채굴자 또는 검증자의 서비스에 대해 직접적으로 보상을 받지 않으며 이러한 기여자의 소득은 출력 또는 작업량과 연결되지 않습니다.

실제로 Bittensor는 시장이라기보다는 하향식 자금 조달 시스템에 가깝습니다. 서브넷 활동은 "루트" 네트워크에서 할당한 보조금을 통해 인센티브를 받지만 보조금 금액을 결정하는 기준이 서브넷의 실제 값이나 작업 부하와 항상 일치하는 것은 아닙니다. 또한 생태계의 하위 네트워크 수가 어떻게 변하는지에 관계없이 총 보조금 풀은 항상 고정되어 있습니다.

이 관행을 더 잘 이해하려면 도시에 대한 비유를 생각해 보십시오. 이 도시에는 앞서 이야기한 잡지 출판사 외에도 서적 출판사, 음악 스튜디오, 연기 학교와 같은 사업체도 있습니다. 유일한 수입원이 시정부 예산인 이들 기업은 실제 가치 창출과 관계없이 예산위원회의 승인을 받는 한 계속해서 자금을 지원받습니다. 새로운 회사의 경우 자격을 얻으려면 정부로부터 토지를 구입해야 합니다. 새로운 사업체가 추가되면 사업체 수가 어떻게 변하든 관계없이 총 보조금 풀은 고정된 상태로 유지됩니다.

이러한 비전통적인 시스템은 시장 동태 왜곡하고 자원의 비효율적인 할당을 초래합니다. 보조금 할당자(루트 네트워크)에는 서브넷 기여도를 측정하는 효과적인 수단이 부족하며, 서브넷에는 AI 기능으로 인한 이익을 더 넓은 생태계와 공유할 인센티브가 없습니다. 채굴자는 기능을 늘리거나 더 많은 작업량을 수행하는 대신 최대 TAO 배포를 위해 최소한의 노력을 기울이는 경향이 있습니다.

일부 비효율성을 해결하기 위해 2024년 1월 Dynamic TAO에 대한 제안이 제시되었지만 아직 구현되지 않았으며 그 효과는 여전히 불확실합니다.

TAO의 인센티브 모델은 TAO의 강세 가격에 크게 의존하며, 대부분의 네트워크 참여자의 주요 수입은 TAO이므로 지속적인 매도 압력이 발생합니다. 이러한 압력의 균형을 맞추기 위해 스테이킹 주요 메커니즘이 되었지만 블록체인 수수료와 등록 수수료로 인한 토큰 회수 금액은 여전히 ​​제한되어 있습니다.

스테이킹 에는 두 가지 형태가 있습니다.

1. 검증인 스테이킹(Validator 스테이킹) : 참여자는 네트워크 보안을 지원하고 보상을 받기 위해 TAO를 스테이킹, 이는 발행된 전체 TAO의 약 75%에 해당합니다. 검증인은 현재 하루에 2,952개의 TAO를 배포하며 연간 수익률은 16%입니다. 그러나 첫 번째 반감 이후에는 이 할당량이 하루 1,476TAO로 줄어들고 스테이킹 매력이 떨어지게 되어 스테이킹 토큰 수요와 공급 균형에 미치는 영향이 약화됩니다.
2. 서브넷 등록 스테이킹 : 서브넷 등록 비용은 약 3,000 TAO이며, 새로운 서브넷 추가는 TAO 공급에 큰 영향을 미칩니다. 하지만 이 역시 문제가 발생합니다. TAO의 총 발행량이 고정되어 있으므로 서브넷 수가 증가하면 모든 서브넷의 보상이 희석되어 기존 서브넷의 운영 유지가 어려워지고 일부 서브넷이 네트워크에서 퇴출될 수 있습니다. .

Bittensor의 현재 경제 모델은 지속 가능하지 않습니다. 하향식 자금 구조는 서브넷 전체에 리소스를 효율적으로 할당하지 못했습니다. 더 중요한 것은 TAO에 대한 수요가 반감 이후의 가치를 뒷받침하기에 충분하지 않아 네트워크의 취약성을 악화시키고 장기적인 생존 가능성을 위협한다는 것입니다.

우리의 제안

우리는 Bittensor의 지속 가능성을 향상하기 위해 두 부분으로 구성된 전략을 제안합니다.

1. 인센티브 서브넷 기여 : 서브넷 소유자가 자신의 서브넷에 추가 TAO 보상을 제공할 수 있도록 허용합니다. 이 보상은 루트 네트워크에 의해 서브넷에 할당된 총 인센티브 풀에 추가되고 기존 합의 메커니즘을 통해 참가자에게 배포됩니다. 이러한 움직임은 서브넷에서 상당한 가치를 창출하는 서브넷 소유자가 서브넷 보상 풀에 자금을 기부하도록 장려함으로써 채굴자와 검증자의 적극적인 참여를 보장하고 서브넷 소유자가 TAO 토큰의 구매력이 되어 가격을 효과적으로 지원할 수 있도록 합니다.
2. 할당 우선 순위 지정 : 루트 네트워크는 새로운 서브넷과 잠재력이 높은 서브넷에 대한 할당 우선 순위를 지정하는 동시에 이전 서브넷에 대한 지원을 점차 줄여야 합니다. 이러한 움직임은 자연적인 제거를 통해 더 낮은 가치의 서브넷을 생성하여 총 서브넷 수에 의해 희석되지 않고 새 서브넷에 자금이 완전히 지원되도록 합니다. 또한 이 접근 방식은 루트 네트워크 유효성 검사기에 대한 부담을 줄여 하향식 자금 조달 모델에 더욱 부합하는 새로운 서브넷의 성장에 집중할 수 있게 해줍니다.

이러한 전략을 구현함으로써 Bittensor는 TAO 토큰에 대한 지속적인 수요를 창출하여 스테이킹 에만 의존하지 않고 가치를 유지하도록 도울 수 있습니다. 동시에 이러한 조치는 자연 선택 메커니즘을 도입하고 자원을 모아 새로운 하위 네트워크를 인큐베이팅 생태계 성장을 촉진합니다.

결론

인공지능은 의심할 여지 없이 기술 발전의 미래를 대표합니다. 이는 AI 가치사슬 내 선도기업의 높은 가치평가와 사회 다양한 분야에의 폭넓은 적용 가능성이 반영됐다. 중앙 집중식 AI 개발이 발전을 주도했지만 중앙 집중식 데이터, 모델 개발 및 이익 집중에 대한 의존도의 단점도 노출되었습니다.

Bittensor는 탈중앙화 형 인공 지능에 대한 강력한 대안을 제공합니다. 하향식 자금 조달 모델과 탄탄한 TAO 토큰 가격으로 지원되는 여러 서브넷은 인공 지능 기능 개발을 촉진할 수 있는 잠재력을 보여주었습니다. 전반적으로 Bittensor는 인공 지능 생태계의 전체 가치 사슬을 포괄하는 포괄적인 플랫폼을 구성할 수 있습니다.

그러나 다른 신흥 생태계와 마찬가지로 Bittensor는 특히 토큰 이코노미 모델의 지속 가능성과 첫 번째 반감 이후 보상 분배 시스템의 효율성과 관련하여 어려움에 직면해 있습니다. 이러한 문제를 해결하기 위해 우리는 보상 모델을 조정하여 새롭고 잠재력이 높은 서브넷에 대한 지원의 우선순위를 정하여 리스크 투자처럼 작동하도록 제안합니다. 이를 통해 기존 서브넷 소유자는 참가자에게 자금을 지원하고 탈중앙화 AI 기여의 혜택을 누릴 수 있습니다.

이러한 조정을 통해 우리는 Bittensor의 인센티브 모델이 지속 가능성을 달성할 수 있다고 믿으며 진정으로 중요한 질문에 관심을 돌릴 수 있습니다. 탈중앙화 인공 지능은 언제 고가치의 실제 응용 프로그램을 만들 것인가?