저자: Chloe Zheng
Sequoia Capital이 실시한 2023년 연구에 따르면, 개발자의 85%가 모델을 처음부터 학습시키는 것보다 기존 모델을 미세 조정하는 것을 선호합니다. 최근의 추세는 이러한 사실을 더욱 확증해줍니다. DeepSeek은 자체 모델을 오픈 소스로 공개하고 모델 증류 기술을 도입했습니다. 이는 교사 모델(대형 모델)의 추론 논리를 학생 모델(소형 모델)로 전달하여 지식 압축과 성과 보존을 최적화합니다. 마찬가지로 OpenAI의 ChatGPT O3 버전도 학습 후 학습과 강화 학습을 강조합니다. Bittensor는 AI 모델의 협업과 공유를 지원하는 개방 탈중앙화 플랫폼을 제공합니다. 2024년 7월, Bittensor와 Cerebras는 BTLM-3b-8k 오픈 소스 대규모 언어 모델(LLM)을 출시했고, 이는 Hugging Face에서 16,000건 이상 다운로드되어 Bittensor의 기술적 역량을 완벽하게 보여주었습니다.
비텐서는 2021년에 출시되었지만 2024년 4분기에 AI 에이전트 열풍이 불었을 때는 거의 모습을 드러내지 않았으며 토큰 가격은 정체된 상태를 유지했습니다. 2025년 2월 13일, Bittensor는 토큰 발행을 최적화하고, 공정성을 개선하고, 유동성을 높이는 것을 목표로 dTAO 업그레이드를 출시했습니다. 이러한 변화는 Virtuals Protocol이 AI Agent LaunchPad를 출시한 것과 유사하며, 이로 인해 $VIRTUAL의 시총 2024년까지 50배 급증했습니다.
보고서 "dTAO와 Bittensor의 진화: 시장 주도 인센티브를 통한 오픈소스 AI 생태계 재편"은 2월 13일에 완료된 dTAO 업그레이드가 Bittensor 생태계에 미치는 영향을 심층 분석하며, 특히 아키텍처 혁신, 경제 모델, 전반적인 생태 역학에 초점을 맞춥니다.
Bittensor 시스템의 계정 수는 2024년 초 100,000개에서 약 200,000개로 100% 증가했습니다.
1. Bittensor의 기본 아키텍처
Bittensor 시스템은 다음의 세 가지 주요 모듈 로 구성됩니다.
서브텐서 파라체인과 EVM 호환 계층(tao evm): 서브텐서는 Polkadot의 Substrate SDK를 기반으로 개발된 Layer1 블록체인으로, Bittensor 네트워크의 블록체인 계층을 관리합니다. EVM 호환성 계층(tao evm)을 통해 개발자는 네트워크에 이더 스마트 계약을 배포하고 실행하여 시스템의 확장성과 호환성을 향상시킬 수 있습니다. 서브텐서 블록체인은 12초마다 블록을 생성하고, 각 블록은 TAO 토큰 하나를 생성합니다. 또한 Subtensor는 검증자의 점수 가중치와 스테이킹 토큰 수를 포함한 서브넷의 주요 활동을 기록합니다. 360개 블록(약 72분)마다 64개 서브넷에서 얻은 토큰(Emission)이 Yuma 합의 알고리즘을 통해 계산됩니다.
서브넷: Bittensor 네트워크는 64개의 서브넷으로 구성되어 있으며, 각각은 특정 유형의 AI 모델이나 애플리케이션 시나리오에 초점을 맞춥니다. 이러한 모듈 형 구조는 네트워크의 효율성과 성능을 향상시키고, 다양한 AI 모델의 전문적인 개발을 촉진합니다. 각 서브넷의 인센티브 메커니즘은 서브넷 소유자가 설정하며, 이를 통해 채굴자와 검증자 간에 토큰이 어떻게 분배되는지가 결정됩니다. 예를 들어, 서브넷 1은 Opentensor Foundation에서 운영되고 해당 작업은 텍스트 프롬프팅입니다. 이 서브넷에서 검증자는 ChatGPT와 유사한 메시지를 제공하고, 채굴자는 메시지에 따라 답변하고, 검증자는 채굴자의 답변의 품질에 따라 순서, 정기적으로 가중치를 업데이트하여 이를 Subtensor 블록체인에 업로드합니다. 블록체인은 360블록마다 Yuma 합의 계산을 수행하고 서브넷 릴리스를 위해 토큰을 할당합니다.
루트 서브넷: 루트 서브넷은 네트워크의 핵심으로서 모든 서브넷의 운영을 조정하고 관리하여 네트워크의 전반적인 조정과 안정성을 보장합니다.
또한 Bittensor API는 서브넷 검증자와 온체인 Yuma 합의 간의 전송 및 연결 역할을 합니다. 같은 서브넷의 검증자는 같은 서브넷의 마이너에만 연결됩니다. 다른 서브넷의 검증자와 마이너는 서로 통신하고 연결되지 않습니다.
이러한 건축 설계를 통해 Bittensor는 블록체인 기술과 인공지능을 효과적으로 통합하여 탈중앙화 되고 효율적인 AI 생태계를 구축할 수 있습니다.
Subtensor EVM 호환성 계층 tao evm은 2024년 12월 30일에 공식 출시되었습니다. 이더 스마트 계약을 수정하지 않고도 Subtensor 블록체인 온체인 배포하고 상호 작용할 수 있습니다. 동시에 모든 EVM 작업은 Subtensor 블록체인 온체인 실행되며 Ethereum과 상호 작용하지 않습니다. 즉, Bittensor의 스마트 계약은 Bittensor 네트워크에만 국한되며 Ethereum 메인넷과는 아무런 관련이 없습니다. 현재 Tao EVM은 아직 초기 단계에 있으며, 여기에는 최초의 TAO 지원 스테이블코인, 탈중앙화 거래소, TAO 토큰의 유동성 스테이킹 버전 등 AI 기반 DeFi 인프라를 개발할 계획인 생태 프로젝트 TaoFi가 포함되어 있습니다.
1.1 계정 시스템
1.1.1 Coldkey-Hotkey 듀얼키 시스템
dTAO의 계정 시스템은 Coldkey-Hotkey 이중 키 메커니즘을 사용하여 더욱 높은 보안성과 유연성을 보장합니다. 지갑을 생성할 때 사용자는 Chrome 확장 프로그램을 통해서나 로컬에서 지갑을 생성할 수 있습니다. Chrome 확장 프로그램을 통해 생성된 지갑은 TAO를 저장, 전송 및 수신하는 데 사용됩니다. 시스템은 콜드키(48자, 일반적으로 5로 시작)와 12단어 니모닉 단어 생성합니다. 로컬에서 생성된 지갑은 콜드키를 생성하는 것 외에도 핫키도 생성합니다. 핫키는 서브넷 생성, 채굴, 검증 작업에 참여하는 데 사용됩니다.
Coldkey-Hotkey 듀얼 키 시스템을 사용하는 주된 이유는 Hotkey가 서브넷의 일상적인 운영에 자주 사용되고 잠재적인 보안 위협에 직면해 있는 반면, Coldkey는 주로 TAO를 저장하고 전송하는 데 사용되기 때문에 TAO 손실 리스크 효과적으로 줄일 수 있기 때문입니다. 이러한 이중 보호 메커니즘은 계좌 운영의 보안성과 유연성을 보장합니다.
바인딩 측면에서 보면, 핫키는 동일 서브넷에 있는 콜드키에 바인딩될 수 있지만, 다른 서브넷에 있는 콜드키에도 바인딩될 수 있습니다(권장되지 않음). 하나의 콜드키를 여러 개의 핫키에 바인딩할 수 있습니다.
1.1.2 서브넷 UID 시스템
1.1.2.1 서브넷 UID 생성
최소 100 TAO의 등록비를 지불하면 시스템에서 서브넷 UID를 생성하여 핫키에 연결합니다. 이 UID는 서브넷 채굴 이나 검증에 참여하는 데 필요한 자격 증명입니다. 채굴자가 되려면 핫키, 콜드키, 서브넷 UID만 있으면 되고, Bittensor를 실행해 채굴 참여하면 됩니다.
1.1.2.2 검증자가 되기 위한 요구 사항
서브넷 검증자가 되려면 최소 1,000 TAO를 스테이킹 해야 하고 각 서브넷에서 상위 64위 안에 스테이킹 합니다. 검증자는 동시에 여러 개의 UID 슬롯을 보유할 수 있으므로 스테이킹 양을 늘리지 않고도 여러 서브넷에서 검증을 수행할 수 있다는 점에 유의하는 것이 중요합니다(재지분과 개념 유사). 이 메커니즘은 검증자가 악의적인 행위를 저지를 리스크 줄일 뿐만 아니라, 악의적인 행위를 저지르는 데 드는 비용도 증가시킵니다. 왜냐하면 많은 양의 TAO(최소 1,000 TAO)를 스테이킹 악의적인 행위를 저지르는 비용이 크게 상승 때문입니다. 서브넷에서 경쟁력을 강화하기 위해 각 검증자는 더 많은 TAO 위임 스테이킹 유치하기 위해 좋은 평판과 실적을 구축하기 위해 노력할 것이며, 그렇게 함으로써 상위 64개 검증자에 포함되도록 할 것입니다.
1.1.2.3 서브넷 구조 및 용량 제한
서브넷 1: UID 슬롯은 1024개이며, 최대 128개의 검증자를 수용할 수 있습니다. 검증자와 채굴자의 총 수는 1024개로 제한됩니다.
기타 서브넷: 각 서브넷에는 256개의 UID 슬롯이 있으며 최대 64개의 검증자를 수용할 수 있습니다. 각 서브넷의 검증자와 채굴자의 총 수는 256개를 초과하지 않습니다.
1.1.2.4 서브넷 경쟁 및 인센티브 메커니즘
서브넷 내에서 검증자는 마이너에게 작업을 할당합니다. 모든 마이너가 작업을 완료한 후 해당 검증자에게 결과를 제출합니다. 검증자는 각 채굴자가 제출한 작업의 품질을 평가하고 순위를 매기며, 채굴자는 작업의 품질에 따라 TAO 보상을 받게 됩니다. 동시에, 검증자는 고품질 채굴자가 더 나은 보상을 받도록 보장하는 인센티브 보상도 받게 되며, 이를 통해 전체 서브넷의 품질이 지속적으로 향상됩니다. 이러한 일련의 경쟁 과정은 서브넷 생성자가 시스템이 공정하고 효율적으로 작동하도록 설계한 코드 인센티브 메커니즘에 의해 자동으로 실행됩니다.
각 서브넷에는 채굴자가 서브넷 UID를 등록한 시점부터 시작되는 7일간의 보호 기간(면역 기간)이 있습니다. 이 기간 동안 채굴자들은 보상을 받게 됩니다. 보호 기간 동안 새로운 광부가 등록하고 현재 서브넷의 UID 슬롯이 가득 찬 경우, 누적 보상이 가장 적은 광부는 제거되고 해당 UID는 새로 등록된 광부에게 재할당됩니다.
1.2 Subnet은 다단계 생태계를 구축합니다.
Bittensor 서브넷은 채굴자, 검증자, 서브넷 생성자, 소비자가 각각 자신의 역할을 수행하고 함께 협력하여 고품질 AI 서비스 생성을 촉진하는 다층 생태계를 구축합니다.
채굴자: 네트워크의 핵심 컴퓨팅 노드인 채굴자는 AI 모델을 호스팅하고 추론 및 교육 서비스를 제공합니다. 그들은 손실 함수를 최소화하여 TAO 보상을 얻기 위해 피어 투 피어 스코어링에서 경쟁합니다. 채굴자의 성공은 제공하는 서비스의 품질과 성능에 달려 있습니다.
검증자: 검증자는 채굴자들이 제출한 작업 결과를 평가하고, 신뢰 매트릭스를 구축하고, 공모와 사기를 방지하고, 고품질 채굴자가 더 높은 수익을 얻도록 보장하는 역할을 담당합니다. 이들은 채굴자의 응답의 질에 따라 순위가 매겨지며, 순위가 정확하고 일관적일수록 검증자가 받는 보상이 커집니다.
서브넷 생성자: 서브넷 생성자는 특정 응용 프로그램 영역(예: 자연어 처리, 컴퓨터 비전 등)의 요구 사항에 따라 맞춤형 서브넷을 설계하고 독립적인 합의 메커니즘, 작업 프로세스, 인센티브 구조를 구축합니다. 그들은 네트워크 관리자의 역할을 맡고 각각의 서브넷에 인센티브를 분배할 권한을 갖습니다.
소비자: 소비자는 TAO 토큰을 지불하여 AI 서비스를 호출하여 API를 쿼리하고, 학습 데이터를 얻거나, 모델 학습을 위해 컴퓨팅 리소스를 사용합니다. 그들은 Bittensor가 제공하는 AI 모델의 최종 사용자입니다.
전반적인 과정은 다음과 같습니다. 서브넷 검증자는 질문을 생성하여 모든 채굴자에게 배포하고, 채굴자는 작업에 따라 답변을 생성하여 검증자에게 반환합니다. 검증자는 답변의 질을 평가하고 채굴자 가중치를 업데이트하며, 이 가중치는 주기적으로 온체인 에 업로드됩니다. 치열한 경쟁과 적자생존의 메커니즘을 통해 우리는 서브넷 내 AI 모델의 기술적 진보와 생태적 최적화를 지속적으로 촉진할 것입니다.
1.2.1 마이너 레이어
광부는 Bittensor 네트워크에서 핵심 컴퓨팅 노드의 역할을 합니다. 주요 책임은 다음과 같습니다.
AI 모델 호스팅 및 추론 또는 교육 서비스 제공: 채굴자는 로컬 머신러닝(ML) 모델을 호스팅하여 클라이언트 애플리케이션에 예측 서비스를 제공합니다. 클라이언트가 예측을 필요로 할 때 Bittensor 네트워크에 요청을 보내면, 해당 요청은 서비스 공급자로 등록된 채굴자에게 라우팅됩니다. 채굴자는 요청을 처리하고 예측 결과를 클라이언트에게 반환합니다.
P2P 랭킹에서 경쟁하여 컴퓨팅 인센티브로 TAO 토큰을 획득하세요. 채굴자들은 P2P 랭킹에서 경쟁하여 모델 성능과 네트워크 기여도에 따라 TAO 토큰 보상을 받습니다. 이러한 인센티브 메커니즘은 채굴자들이 모델 성능을 지속적으로 최적화하고 네트워크에 고품질 AI 서비스를 제공하도록 장려합니다.
고품질 AI 모델 기여 보장: 채굴자들은 네트워크 요구 사항을 충족하고 서비스 품질을 보장하기 위해 고품질 AI 모델을 제공하기 위해 최선을 다하고 있습니다. 이를 통해 네트워크에서 더 높은 순위와 보상을 얻을 수 있을 뿐만 아니라, Bittensor 네트워크 전체의 전반적인 성능과 안정성도 향상됩니다.
이러한 책임을 이행함으로써 채굴자는 Bittensor 네트워크의 효율적인 운영과 개발에 중요한 기여를 합니다.
각 광부 수정은 손실 함수 Li=EDQfix를 최소화하기 위해 데이터 세트 D에서 학습됩니다.
안에:
Qfix는 오류 함수입니다
ED는 데이터 집합 D의 기대값을 나타냅니다.
예를 들어, 광부 A가 음성 인식 모델 fAx를 제공하는 경우 손실 함수는 다음과 같습니다.
LA가 낮을수록(즉, 모델 성능이 좋을수록) P2P 평가에서 순위가 높아집니다.
각 광부의 기여도는 Fisher Information Metric(FIM)으로 측정됩니다. Ri=WT⋅S
안에:
W는 채굴자 간의 P2P 점수를 나타내는 가중치 행렬입니다.
S는 네트워크에서 채굴자가 스테이킹(지분)을 보유한 양입니다.
광부 A와 광부 B가 서로를 평가하는 경우 가중치 행렬은 다음과 같습니다.
광부 A의 최종 순위는 다음과 같습니다.
채굴자 A가 고품질 AI 모델을 가지고 있다면, wB,A가 높아져 RA가 높아지고, 보상도 더 많아질 것입니다.
검증기 레이어
검증자는 채굴자의 AI 모델에 대한 공정한 평가를 보장하여 공모 및 악의적 행동을 방지합니다. 그들은 네트워크에서 '심판' 역할을 하며 고품질 AI 서비스를 보장합니다.
검증자는 신뢰 행렬을 계산하여 채굴자의 순위를 매깁니다.
ci는 채굴자 i의 신뢰 점수입니다.
tj,i는 채굴자 j가 채굴자 i에 대한 신뢰를 나타냅니다.
sj는 채굴자 j의 스테이킹 입니다.
는 매끄러운 스케일링에 사용되는 시그모이드 함수입니다.
예를 들어, 네트워크에 세 명의 광부 A, B, C가 있고 신뢰 행렬이 다음과 같다고 가정해 보겠습니다.
만약 채굴자 A가 좋은 성과를 내는 모델을 가지고 있다면, 채굴자 B와 C는 모두 A를 매우 신뢰하게 됩니다.
만약 채굴자 C의 모델이 평균적이라면, 채굴자 B는 C를 약간만 신뢰합니다.
따라서 채굴자 A는 더 높은 신뢰 점수 cA를 얻어 더 많은 보상을 받는 반면, 채굴자 C는 더 낮은 점수를 받게 됩니다.
1.2.2 소비자 계층
Bittensor 네트워크에서 소비자는 TAO 토큰을 지불하여 채굴자가 제공하는 인공지능(AI) 서비스에 액세스하는 최종 사용자 또는 기업입니다. 이 모델을 사용하면 소비자는 자체 AI 모델을 소유하거나 유지 관리하지 않고도 네트워크 내에서 AI 기능을 활용할 수 있으므로 AI 컴퓨팅 비용이 절감됩니다.
소비자를 위한 구체적인 적용 시나리오는 다음과 같습니다.
개발자는 AI API에 쿼리를 보냅니다. 개발자는 Bittensor가 제공하는 AI 인터페이스를 호출하여 애플리케이션 개발이나 기능 통합에 필요한 지능형 서비스를 얻을 수 있습니다.
연구 기관은 AI 훈련 데이터 세트에 액세스할 수 있습니다. 연구 기관은 네트워크 내 리소스를 사용하여 대규모 AI 훈련 데이터 세트에 액세스하고 분석하여 과학 연구 프로젝트와 실험을 지원할 수 있습니다.
기업은 Bittensor의 컴퓨팅 리소스를 사용하여 AI 모델을 훈련합니다. 기업은 Bittensor의 탈중앙화 컴퓨팅 리소스를 사용하여 자체 AI 모델을 훈련하고 최적화하고 업무 인텔리전스 수준을 개선할 수 있습니다.
이런 방식으로 Bittensor는 소비자에게 AI 서비스를 얻을 수 있는 유연하고 효율적인 방법을 제공하여 인공지능의 대중화와 응용을 촉진합니다.
1.2.3 스테이킹 기반 합의 메커니즘
Bittensor의 스테이킹 기반 합의 메커니즘은 주로 다음과 같은 문제를 해결합니다.
악의적인 평가 조작을 방지하고 공정한 평가를 보장합니다. 반복적으로 w==fw를 수정하여 합의에서 너무 벗어나는 가중치(즉, 스테이킹 가중 평균 w)를 조정함으로써 상대방의 과도한 자체 평가 점수의 영향을 줄입니다.
고품질 AI 기여자에게 보상: 지속적으로 고품질 출력을 기여하는 검증자는 보고된 가중치가 합의 값에 가깝기 때문에 가중치 수정 후에도 높은 순위를 유지합니다.
스테이킹 기반 게임 모델
우리는 합의 모델을 2인 게임으로 봅니다.
정직한 당사자(주인공) 스테이킹: SHwith 0.5<SH≤1
적대자(상대방) 스테이킹: 1-SH
두 당사자는 고정된 총 보상인 eH+eC=1을 두고 경쟁합니다. 여기서 eH와 eC는 각각 정직한 당사자와 적대적인 당사자의 보상입니다.
보상이 분배된 후, 스테이킹 금액은 다음과 같이 업데이트됩니다.
정직한 당사자는 자신에게 객관적인 가중치 wH를 할당하고, 적대자에게는 1-wH를 할당합니다.
이와 대조적으로, 적대자는 정직한 당사자의 무게 지출을 극대화하기 위해 비용 없이 자체 할당 무게 wC를 자유롭게 선택할 수 있습니다.
경연대회의 심사위원을 상상해 보세요. 정직한 심사위원은 공정한 점수를 주는 반면, 악의적인 심사위원(적대자)은 자신이 선호하는 참가자에게 인위적으로 높은 점수를 주어, 정직한 당사자들이 경쟁력을 유지하기 위해 더 많은 노력을 기울이도록 강요할 수도 있습니다.
정직한 당사자가 지분의 대부분을 가지고 있으므로(sH>0.5) 익명의 합의 전략 π를 구현할 수 있습니다. 이 전략은 플레이어의 신원을 알지 못한 채 모든 가중치를 조정하여 내쉬 균형을 최적화합니다.
목표는 수정된 가중치가 다음을 만족하도록 가중치를 조정하는 것입니다.
오류를 수정하려면
기본적인 합의 전략은 다음과 같이 정의됩니다.
이들 중 합의 가중치 w는 주식 가중 평균입니다.
그런 다음 이 전략을 반복합니다.
반복 횟수는 얼마인가?
이는 정밀하게 조정된 저울에 비유될 수 있습니다. 한쪽에 과도한 무게가 실리면 시스템은 균형이 회복될 때까지 반복적으로 조정을 실행합니다. 예를 들어, SH=0.6이고 초기 wH=1인 경우, 여러 번 반복한 후에도 상대방이 여전히 높은 wC(예: wC=0.8)를 보고하더라도 정직한 당사자의 실질 지출은 0.75 미만으로 줄어들 것입니다.
1.2.3.1 평활화 및 밀도 진화
시스템 불안정성을 초래할 수 있는 갑작스러운 보정을 피하기 위해 보정 기능은 "평활화 처리"를 사용합니다. 우리는 주식 가중 평균 절대 편차를 다음과 같이 정의합니다.
평활화 보정은 다음과 같습니다.
여기서 (매개변수 (0≤α<1)에 의해 제어됨) 평활화 정도가 결정됩니다.
이러한 원활한 조정은 운전자가 갑자기 브레이크를 밟는 대신 부드럽게 브레이크를 밟는 것과 비슷합니다. 이러한 점진적인 교정 방식을 통해 작은 무게 차이가 부드럽게 조정되어 시스템 전반적인 안정성이 유지됩니다.
두 팀 게임(여기서 |H|는 정직한 플레이어이고 |C|는 적대적 플레이어)으로 확장하면 각 팀의 가중치 분포는 밀도 함수 pw로 설명할 수 있습니다. 예를 들어, 정직한 플레이어의 경우 가중치가 정규 분포를 따른다고 가정합니다.
적대적인 플레이어의 분포에도 마찬가지입니다. 정직한 팀과 적대적인 팀의 전반적인 밀도 분포는 다음과 같습니다.
그런 다음 밀도 진화 함수를 적용합니다.
여기서 gw=f-1w. η 라운드의 반복 후, 각 플레이어의 최종 순위는 다음과 같습니다. r_i = \int f^\eta\Bigl(p_i(w)\Bigr)\, dw .
이 과정은 대용량 데이터 세트의 통계적 평활화와 유사합니다. 여러 차례의 "평활화" 과정을 거친 후, 각 참가자의 실제 순위가 나타났습니다. 핵심은 밀도 진화를 통해 악의적인 플레이어의 과도한 가중치와 같은 비정상적인 가중치를 훨씬 더 많이 압축할 수 있고, 정직한 플레이어에게 미치는 영향도 줄일 수 있다는 것입니다.
1.2.3.2 가중 신뢰 메커니즘 및 무가중 취약성 방지
적대적인 플레이어가 페널티를 피하기 위해 0에 가까운 가중치를 보고하는 것을 방지하기 위해 가중치 신뢰 메커니즘이 도입되었습니다. 신뢰 가치 Tas를 정의합니다: T=(W〉0)S
즉, 0이 아닌 가중치가 할당된 모든 개체의 총 자본입니다. 그런 다음 평활화 임계값을 적용합니다.
C = \Bigl(1+\exp\bigl(-\rho (T-\kappa)\bigr)\Bigr)^{-1}.
이 메커니즘은 다수가 노드의 가중치가 0이라고 판단하는 경우 해당 노드의 보상이 삭감되도록 보장합니다.
커뮤니티 평판 시스템과 유사합니다. 회원 대다수가 누군가를 신뢰할 수 있다고 인식하는 경우에만 해당 사람이 모든 혜택을 받을 수 있습니다. 그렇지 않은 경우, 가중치가 0이라고 보고하여 시스템을 조작하려는 시도는 처벌을 받습니다.
현재 과제는 다음과 같습니다.
가중치가 없는 취약점: 적대적인 플레이어는 보상 분배의 허점을 악용하기 위해 매우 낮거나 가중치가 없는 것으로 보고할 수 있습니다.
불균형한 수정: 어떤 경우에는 수정이 너무 공격적이거나 너무 온건하여 합의 편향이 발생할 수 있습니다.
높은 계산 복잡성: 밀도 진화와 여러 번의 반복에는 On2 계산 노력이 필요하며, 이는 블록체인 환경에 부담을 줄 수 있습니다.
dtao 업그레이드를 통해 위의 문제가 개선되었습니다. 여기에는 다음이 포함됩니다.
반복 및 평활화 최적화: 반복 횟수 η를 늘리고 평활화 매개변수 α 또는 δ를 미세 조정하여 가중치가 없는 홀을 줄이고 과도한 수정을 방지합니다.
향상된 가중치 신뢰 메커니즘: 0이 아닌 가중치를 보다 정확하게 감지하고 더 엄격한 임계값을 적용하여 다수에게 인식된 노드만이 전체 보상을 받을 수 있도록 합니다.
계산 오버헤드 감소: 이론적 정확성을 손상시키지 않으면서 블록체인의 계산 제약에 맞춰 알고리즘을 최적화하여 계산 비용을 줄입니다.
Bittensor의 주식 기반 합의 메커니즘은 수학적 모델과 게임 이론 도구를 결합합니다. 공식 업데이트, 가중 평균 합의, 반복적 수정 및 밀도 진화와 같은 방법을 통해 시스템은 비정상적인 가중치 편차를 자동으로 보정하여 공정한 최종 보상 분배를 보장할 수 있습니다.
이 과정은 공정한 채점을 보장하고, 우수한 기여자에게 인센티브를 제공하고, 악의적인 공모 및 투표 조작을 방지하기 위해 지속적으로 자체 교정하는 스마트 밸런싱 시스템이나 평판 메커니즘과 유사합니다.
이를 기반으로 dtao 업그레이드는 보다 정교한 평활화 제어와 개선된 가중치 신뢰 전략을 채택하여 시스템의 견고성과 공정성을 더욱 강화했습니다. 따라서 적대적인 환경에서도 정직한 기여자는 항상 경쟁 우위를 유지할 수 있으며, 전체 컴퓨팅 리소스 소비는 최적화되고 감소합니다.
2. Yuma 합의: 동적으로 프로그래밍 가능한 인센티브 및 합의
비트코인은 세계 최대의 P2P 해시레이트 네트워크를 구축했으며, 누구나 로컬 컴퓨팅 파워를 기여하여 글로벌 원장을 유지할 수 있습니다. 이러한 인센티브 규칙은 설계 시점에 고정되어 있어 생태계가 비교적 정적인 방식으로 발전하게 됩니다.
이와 대조적으로, 유마 컨센서스(YC)는 역동적이고 프로그래밍 가능한 인센티브 프레임 입니다. 비트코인의 정적 인센티브 메커니즘과 달리 YC는 목적 함수, 스테이킹 보상, 가중치 조정 메커니즘을 합의 프로세스에 직접 통합합니다. 즉, 시스템은 고정된 규칙에만 의존하지 않고 노드의 실제 기여도와 행동에 따라 동적으로 조정되어 보다 공정하고 효율적인 보상 분배를 달성합니다.
YC 합의 알고리즘은 Subtensor 블록체인 온체인 지속적으로 실행되며 각 서브넷에서 독립적으로 작동합니다. 주요 워크플로에는 다음 구성 요소가 포함됩니다.
서브넷 검증자의 가중치 벡터: 각 서브넷 검증자는 가중치 벡터를 유지 관리하는데, 각 요소는 검증자가 모든 서브넷 마이너에 할당한 점수 가중치를 나타냅니다. 이 가중치는 검증자의 과거 실적을 기반으로 하며 채굴자의 순위를 매기는 데 사용됩니다. 예를 들어, 검증자의 평가 벡터가 w=wn인 경우 결과 순위는 각 채굴자의 기여 수준에 대한 검증자의 평가를 반영합니다.
스테이킹 금액의 영향: 온체인 각 검증자와 채굴자는 특정 양의 토큰을 스테이킹. YC 컨센서스는 가중치 벡터와 스테이킹 금액을 결합하여 보상 분배를 계산합니다. 즉, 최종 보상은 득점 가중치 뿐만 아니라 스테이킹 금액에 따라서도 달라지므로 “스테이킹 → 가중치 → 보상”의 닫힌 루프가 형성됩니다.
동적인 주관적 합의: 각 참가자는 머신러닝(ML) 모델에 지역적 가중치를 할당합니다. 이러한 지역적 가중치는 합의 정책을 통해 조정된 후 온체인 글로벌 지표로 집계됩니다. 즉, YC는 적대적인 환경에서도 대규모 합의를 달성할 수 있으며, 노드 동작의 변화에 동적으로 적응할 수 있습니다.
보상 계산 및 분배: 서브넷 검증자는 각자의 순위 결과를 수집하여 YC 알고리즘에 대한 집합적 입력으로 제출합니다. 다양한 검증자의 순위가 도착하는 시간은 다를 수 있지만, Subtensor는 약 12초마다 모든 순위 데이터를 처리합니다. 이러한 데이터를 기반으로 시스템은 보상(TAO)을 계산하여 서브넷 채굴자와 검증자의 지갑에 입금합니다.
이 포괄적인 메커니즘을 통해 YC는 탈중앙화 네트워크에서 지속적이고 공정하게 보상을 분배하고, 기여의 질에 동적으로 적응하며, 전체 네트워크의 보안과 효율성을 유지할 수 있습니다.
2.1 지식 증류 및 전문가 혼합(MoE): 협력 학습 및 효율적 기여 평가
2.1.1 지식 증류(디지털 하이브마인드)
Bittensor는 지식 증류라는 개념을 도입했습니다. 이는 인간 뇌의 뉴런의 협력 작업과 유사합니다. 즉, 노드가 지식을 공유하고, 데이터 샘플과 모델 매개변수를 교환하여 집단적으로 학습합니다.
이 과정에서 노드는 지속적으로 데이터와 모델 매개변수를 교환하여 시간이 지남에 따라 자체 최적화를 수행하는 네트워크를 형성하여 더 정확한 예측을 달성합니다. 각 노드는 공유 풀에 지식을 기여하여 궁극적으로 전체 네트워크의 전반적인 성능을 향상시키고, 로봇 공학 및 자율 주행과 같은 실시간 학습 애플리케이션에 더 적합하고 더 빠르게 만듭니다.
가장 중요한 점은 이러한 접근 방식이 머신러닝(ML) 에서 흔히 발생하는 문제인 치명적인 망각의 리스크 효과적으로 완화한다는 것입니다. 노드는 기존 지식을 유지 및 확장하면서 새로운 통찰력을 통합할 수 있으므로 네트워크의 견고성과 적응성이 향상됩니다.
여러 노드에 지식을 분산시킴으로써 Bittensor TAO 네트워크는 간섭과 잠재적인 데이터 유출에 대한 회복성이 향상됩니다. 이러한 견고성은 금융 및 의료 정보와 같이 보안 및 개인 정보 보호에 매우 민감한 데이터를 처리하는 애플리케이션에 특히 중요합니다.
2.1.2 전문가 혼합(MoE)
Bittensor는 분산 전문가 모델(MoE)을 사용하여 AI 예측을 최적화하고, 여러 전문 AI 모델의 협업적 협력을 통해 복잡한 문제를 해결하는 정확도와 효율성을 크게 향상시킵니다. 예를 들어, 스페인어 주석이 포함된 Python 코드를 생성하는 경우 다국어 모델과 코드 전문성 모델을 함께 사용하여 단일 모델보다 훨씬 더 뛰어난 고품질 결과를 생성할 수 있습니다.
Bittensor 프로토콜의 핵심은 일반적으로 뉴런이라고 불리는 매개변수화된 함수로 구성되며, 이는 피어 투 피어 방식으로 분산됩니다. 각 뉴런은 0개 이상의 네트워크 가중치를 기록하고 신경망을 훈련하여 서로의 순위를 매겨 이웃 노드의 가치를 평가한 다음 디지털 원장에 순위 점수를 누적합니다. 순위가 높은 노드는 금전적 보상을 받을 뿐만 아니라, 추가적인 가중치도 받습니다. 이를 통해 노드 기여와 보상 사이에 직접적인 연관성이 생기고 네트워크의 공정성과 투명성이 향상됩니다. 이 메커니즘은 인터넷을 통해 다른 인텔리전스 시스템이 P2P 방식으로 정보에 대한 가격을 책정할 수 있는 시장을 구축하고 각 노드가 지속적으로 지식과 전문적 역량을 향상하도록 인센티브를 제공합니다. 보상의 공정한 분배를 보장하기 위해 Bittensor는 협력 게임 이론의 Shapley 값을 차용하여 노드 기여도에 따라 효율적으로 당사자 간에 보상을 분배하는 방법을 제공합니다. YC 합의에 따라 검증자는 각 전문 모델에 점수를 매기고 순위를 매기고 Shapley 가치 원칙에 따라 보상을 공정하게 분배합니다. 이를 통해 네트워크의 보안, 효율성 및 지속적인 개선 능력이 더욱 향상됩니다.
3.dtao 업그레이드
Bittensor 프로젝트는 자원 할당 및 경제 모델 설계에 있어 다음과 같은 주요 문제를 가지고 있습니다.
리소스 중복 및 중복성: 여러 하위 네트워크가 텍스트-이미지 생성, 텍스트 프롬프트, 가격 예측 등 유사한 작업에 초점을 맞춰서 리소스 할당이 중복되고 낭비됩니다.
실제 사용 사례 부족: 가격 예측이나 스포츠 결과 예측과 같은 일부 하위 네트워크는 아직 실제 시나리오에서의 유용성이 입증되지 않았으며, 이는 리소스 투자와 실제 수요 간에 불일치를 초래할 수 있습니다.
"나쁜 돈이 좋은 돈을 몰아낸다" 현상: 고품질 서브넷은 충분한 자금과 개발 공간을 확보하기 어려울 수 있습니다. 단 7일의 보호 기간으로 인해 루트 검증자로부터 충분한 지원을 받지 못하는 서브넷은 조기에 제거될 수 있습니다.
검증자 중앙화 및 새로운 서브넷에 대한 인센티브 부족:
루트 검증자는 모든 TAO 보유자를 완벽하게 대표하지 못할 수 있으며, 평가 결과가 광범위한 관점 반영하지 않을 수 있습니다. 유마 합의에 따르면, 상위 검증자의 점수가 최종 점수를 지배하지만, 그들의 평가가 항상 객관적인 것은 아닙니다. 편견이 발견되더라도 즉시 바로잡지 못할 수도 있습니다.
또한 검증자는 새로운 서브넷으로 이전할 인센티브가 부족합니다. 높은 발급량을 가진 오래된 서브넷에서 낮은 발급량을 가진 새로운 서브넷으로 이동하면 보상이 즉시 손실될 수 있기 때문입니다. 결국 새로운 서브넷이 기존 서브넷의 토큰 발행과 일치할 수 있을지에 대한 불확실성으로 인해 마이그레이션 의지가 더욱 감소합니다.
경제 모델의 주요 문제점:
Bittensor의 메커니즘 설계의 주요 문제는 모든 참가자가 TAO를 받지만 실제로는 아무도 TAO를 지불하지 않아 지속적인 매도 압력이 발생한다는 것입니다. 현재, 채굴자들이 답하는 질문은 실제 사용자가 묻는 것이 아니라 서브넷 소유자가 제공하는 것입니다. 이는 실제 사용자 쿼리를 시뮬레이션하거나 과거 사용자 수요를 기반으로 합니다. 따라서 채굴자의 답변에 가치가 있더라도 이 값은 서브넷 소유자가 캡처합니다. 채굴자의 답변이 서브넷 소유자가 모델 알고리즘을 개선하는 데 도움이 되는지, 아니면 서브넷 소유자가 제품을 개선하기 위한 모델 학습에 직접 사용하는지 여부와 관계없이, 채굴자와 검증자의 작업으로 생성된 가치는 서브넷 소유자가 소유합니다. 이론상, 서브넷 소유자에게 이 값에 대한 요금이 청구되어야 합니다.
또한, 서브넷 소유자는 어떠한 비용도 부담하지 않을 뿐만 아니라, 서브넷 발행량의 18%도 얻을 수 있습니다. 즉, Bittensor 생태계는 긴밀하게 연결되어 있지 않습니다. 참여자들은 개발 및 협업을 기반으로 느슨한 연결을 유지합니다. 서브넷에 있는 프로젝트는 언제든지 손실 없이 종료될 수 있습니다(서브넷 등록 수수료가 환불되기 때문입니다). 현재 Bittensor 시스템에서 토큰을 복구하는 주요 메커니즘은 서브넷 채굴자와 검증자가 지불하는 등록 수수료입니다. 하지만 이러한 수수료는 적고 효과적인 가치 포착을 지원하기에 충분하지 않습니다. 스테이킹 주요 메커니즘이 되었지만 블록체인 거래 수수료와 등록 수수료를 통해 회수되는 TAO의 양은 여전히 제한적입니다.
스테이킹 에는 두 가지 형태가 있습니다.
검증자 스테이킹: 참여자는 네트워크 보안을 지원하고 보상을 받기 위해 TAO를 스테이킹, 이는 발행된 모든 TAO의 75%를 차지합니다. 검증자는 현재 하루에 약 3,000 TAO를 벌 수 있으며, 연간 수익률은 15%가 넘습니다. 그러나 첫 번째 반감 이후 이 분배는 하루 1,500 TAO로 줄어들어 스테이킹 매력이 떨어지고 토큰의 수요와 공급의 균형을 맞추는 효과도 약해집니다.
서브넷 등록 스테이킹: 새로운 서브넷을 추가하면 TAO 공급에 상당한 영향을 미칩니다. 이러한 방식은 TAO의 총 발행량이 고정되어 있기 때문에 문제가 됩니다. 서브넷 수가 늘어나면 모든 서브넷의 보상이 희석되어 기존 서브넷이 운영을 유지하기 어려워지고 일부 서브넷이 네트워크에서 탈퇴하게 될 수도 있습니다.
이러한 문제는 Bittensor의 리소스 할당 및 경제 모델 설계가 지속 가능한 개발과 네트워크에 대한 공정한 인센티브를 보장하기 위해 더욱 최적화되어야 함을 나타냅니다.
3.1 dtao란 무엇인가
dTAO는 Bittensor Network에서 제안한 혁신적인 인센티브 메커니즘으로, 탈중앙화 네트워크에서 비효율적인 자원 할당 문제를 해결하는 것을 목표로 합니다. 검증자가 수동으로 투표하여 리소스 할당을 결정하는 기존 방식을 포기하고 대신 시장 동태 조정에 기반한 메커니즘을 도입하여 서브넷 간 TAO 발행 분배를 서브넷 토큰의 시장 성과에 직접 연결합니다. 내장된 유동성 풀의 설계를 통해 사용자가 서브넷 토큰과 교환하여 TAO를 약속하도록 장려하여 뛰어난 성과를 보이는 서브넷을 지원합니다.
동시에, 서브넷 토큰의 점진적인 분배를 보장하기 위해 공정한 발행 모델을 채택하여 팀이 장기 기여를 통해 토큰 점유율 획득하고 검증자와 사용자의 역할을 균형 있게 조정합니다. 검증자는 리스크 투자자처럼 팀의 기술과 시장 잠재력을 엄격하게 평가하는 반면, 사용자는 스테이킹 과 시장 거래를 통해 서브넷 가치 형성을 더욱 촉진합니다.
3.1.1 dTAO의 핵심 메커니즘
3.1.1.1 검증자와 팀을 생태계에 강력히 연결합니다. 혜택을 얻으려면 먼저 서브넷 토큰에 투자해야 합니다.
dTAO의 디자인은 시장과 기술 동인에 기반을 두고 있습니다. 각 서브넷에는 TAO와 서브넷 토큰으로 구성된 유동성 풀이 장착되어 있습니다. $TAO 보유자(검증자 및 서브넷 소유자)가 스테이킹 작업을 수행하는 경우, 이는 $TAO를 사용하여 해당 $dTAO를 구매하는 것과 같습니다. 교환할 수 있는 $dTAO의 양은 다음 공식에 따라 계산됩니다.
교환 시 $TAO와 $dTAO의 가격 책정 메커니즘은 Uniswap V2와 동일한 상수 곱 공식을 따릅니다. τ*α=K
이 중 τ는 $TAO의 양을 나타내고, α는 $dTAO의 양을 나타냅니다. 추가적인 유동성 주입이 없다면 $TAO가 $dTAO로 얼마만큼 교환되든, $dTAO가 $TAO로 얼마만큼 교환되든 K의 값은 변하지 않습니다. 반대로, $dTAO 보유자가 스테이킹 릴리스 작업을 수행할 때, 이는 $dTAO를 사용하여 $TAO를 구매하는 것과 같습니다. 교환할 수 있는 $TAO의 양은 다음 공식에 따라 계산됩니다.
Uniswap V2와 달리 $dTAO의 유동성 풀은 유동성을 직접 추가하는 것을 허용하지 않습니다. 서브넷 소유자가 서브넷을 생성하는 경우를 제외하고 새로 주입된 모든 유동성은 할당된 $TAO와 총 $dTAO 발행량의 50%에서 전적으로 발생합니다. 즉, 각 서브넷에 할당된 새로 발행된 $TAO는 서브넷의 Validator\Miner\Owner에게 직접 분배되지 않고, 모두 유동성 풀에 주입되어 상환됩니다. 동시에, 새로 발행된 $dTAO의 50%도 유동성 풀에 주입되고, 나머지 50%는 서브넷 자체에서 합의한 인센티브 메커니즘에 따라 Validator\Miner\Owner에게 할당됩니다.
이렇게 하면 팀이 처음에 대량 의 코인을 빠르게 매각하는 것을 방지하고 팀이 계속해서 기술에 기여하고 반복하도록 장려합니다. 검증자는 리스크 캐피털리스트와 유사한 역할을 해야 하며 서브넷의 기술, 시장 잠재력 및 실제 성과에 대한 엄격한 평가를 수행해야 합니다.
Stake\Unstake은 K의 크기를 변경하지 않지만 유동성 주입은 K를 K'로 증가시킵니다.
3.1.1.2 시장 가격이 가장 높은 서브넷 토큰은 가장 많은 $TAO 방출을 받게 됩니다.
이전 계획에서는 각 서브넷이 얻을 수 있는 새로 발행된 $TAO의 비율은 루트 네트워크의 검증자에 의해 결정됩니다. 이 계획은 몇 가지 잠재적인 문제점을 드러낸다. 예를 들어, 루트 네트워크의 권력이 몇몇 검증자의 손에 집중되어 있기 때문에 검증자들이 공모하여 새로 발행된 $TAO를 가치가 낮은 서브넷에 분배하더라도 처벌이 없습니다.
동적 TAO는 루트 네트워크의 권한을 종료하고 새로 발행된 $TAO를 모든 $TAO 보유자에게 어떻게 분배할지 결정할 수 있는 권한을 부여합니다. 구체적인 접근 방식은 새로운 Yuma Consensus V2를 사용하여 각 서브넷 토큰의 가격에 소프트맥스 연산을 수행하여 해당 릴리스 비율을 얻는 것입니다. 즉, 다음과 같습니다.
|
소프트맥스는 벡터 집합의 각 요소를 음수가 아닌 값으로 변환하는 동시에 요소 간의 상대적인 크기 관계를 유지하고 변환 후 모든 요소의 합이 1이 되도록 보장하는 일반적으로 사용되는 정규화 함수입니다.
여기서 P는 $TAO에 대한 $dTAO의 가격으로, 유동성 풀에 있는 $TAO의 양을 $dTAO의 양으로 나누어 계산합니다.
공식에 따르면, $TAO에 비해 Subnet 토큰의 가격이 높을수록 새로 발행되는 $TAO의 방출 비율이 높아집니다.
3.1.1.3 각 서브넷에 인센티브 메커니즘을 설정하는 권한을 분산합니다.
서브넷이 이전에 획득한 $TAO 인센티브는 41%-41%-18%의 고정 비율로 Validator\Miner\Owner에게 분배됩니다.
Dynamic TAO는 각 서브넷에 자체 "서브넷 토큰"을 발행할 수 있는 권한을 부여하고 유동성 풀에 주입해야 하는 추가 발행량의 50% 외에도 나머지 50%는 서브넷 참여자가 직접 결정하는 특정 메커니즘에 따라 검증자\채굴자\소유자에게 분배되도록 규정합니다.
이러한 메커니즘은 지속적으로 제품을 개선하고 사용자를 유치하는 서브넷만이 더 많은 인센티브를 얻을 수 있도록 보장하여 단기 이익을 얻으려는 폰지 사기가 등장하는 것을 방지합니다.
3.1.2 예제 분석
Dynamic TAO 네트워크 업그레이드 이후 모든 서브넷은 이제 해당 $dTAO를 민트. 생성된 $dTAO의 수는 서브넷 소유자가 서브넷을 생성할 때 잠근 $TAO의 수와 같습니다. 이 중 $dTAO의 50%는 서브넷의 유동성 풀에 주입되고, 나머지 50%는 서브넷 소유자에게 할당됩니다.
서브넷 #1의 소유자가 1,000개의 $TAO를 잠갔다고 가정하면 $dTAO의 생성 수량도 1,000개가 됩니다. 그 중 500 $dTAO와 1000 $TAO가 초기 유동성으로 유동성 풀에 추가되었고, 나머지 500 $dTAO는 소유자에게 할당되었습니다.
다음으로 검증자가 Subnet #1에 와서 등록하고 1,000 $TAO를 스테이킹 검증자는 250 $dTAO를 받습니다. 이때 유동성 풀에는 2,000 $TAO와 250 $dTAO가 남게 됩니다.
서브넷 #1이 매일 720개의 TAO 블록 보상을 얻을 수 있다고 가정하면 720개의 TAO가 매일 자동으로 유동성 풀에 주입됩니다. 매일 주입되는 $dTAO의 양은 서브넷 자체에서 설정한 발행 비율에 따라 달라집니다.
3.2 dtao의 영향
dTAO의 도입은 TAO의 배포 및 스테이킹 메커니즘을 근본적으로 재구성합니다. 첫째, 새로 발행된 TAO는 더 이상 일부 검증자에 의해 임의로 할당되지 않고, 시장 행동을 통해 모든 TAO 보유자가 간접적으로 공동으로 결정합니다. 즉, TAO를 스테이킹 것은 단순한 보장된 수입이라기보다는 서브넷 토큰을 "구매"하는 것과 더 유사합니다. 이 메커니즘에 따르면, 단기적으로 스테이킹 과 스테이킹 이 dTAO 가격에 미치는 영향은 Subnet에서 실제로 획득한 TAO 수량의 영향을 훨씬 넘어서며, 이로 인해 스테이킹 수입이 불확실성으로 가득 차게 됩니다.
이 방식의 장점은 최상위 검증자가 블록 보상 할당에 대한 절대적인 통제력을 잃어 잠재적 공격자가 스테이킹 금액을 통해 네트워크를 공격하는 데 드는 비용이 크게 증가한다는 것입니다. 동시에 늦게 개발된 고품질 서브넷은 눈에 띄게 될 가능성이 더 크고, 고품질 서브넷을 지원하는 초기 검증자의 수익 잠재력이 매우 높아 원금의 몇 배에 달하는 수익을 달성할 수도 있습니다. 또한, 서브넷 간의 경쟁이 심화되면서 스테이킹 보다 합리적인 투자자가 되어 엄격한 실사를 통해 가장 유망한 서브넷을 선택하게 될 것입니다.
일반적으로 dTAO 메커니즘을 구현하면 전체 생태계가 보다 효율적이고 경쟁적이며 시장 중심적인 방향으로 나아갈 것입니다.
3.3 dTAO 업그레이드 이후 Bittensor 생태계는 어떻게 발전할까요?
dTAO 업그레이드의 영향을 분석하려면 두 가지 핵심 질문에 초점을 맞춰야 합니다.
서브넷 수요는 서브넷 토큰 수요로 어떻게 변환됩니까?
서브넷 토큰을 도입하면 "TAO Summer"가 생성되고 TAO 생태계 내 혁신이 가속화될까요?
3.3.1 서브넷 수요는 서브넷 토큰 수요로 어떻게 변환됩니까?
처음에는 모든 서브넷 토큰의 가격이 동일하며 각 서브넷의 유동성 풀에는 소량의 TAO 및 dTAO 토큰만 포함됩니다. 따라서 모든 거래 활동은 상당한 가격 변동을 유발할 수 있습니다.
서브넷에 참여하고 보상을 받으려면 사용자는 먼저 dTAO 서브넷 토큰을 구매하여 검증자에게 스테이킹 해야 합니다. 이러한 수요는 서브넷 내에서 dTAO의 가격을 상승시킵니다. dTAO 가격이 상승 따라 유동성 풀에서 dTAO의 총 가치가 증가하고, 시스템은 자동으로 서브넷에 더 많은 TAO 보상을 할당하여 채굴자와 스테이킹 더 높은 수익을 얻을 수 있도록 합니다.
이는 긍정적인 피드백 루프를 생성합니다. 사용자가 dTAO를 구매하면 가격이 상승합니다. ➡️ 가격 상승으로 인해 서브넷에 대한 TAO가 더 많이 발행됩니다. ➡️ 더 많은 보상으로 추가 사용자가 유치됩니다. ➡️ dTAO 가격이 더욱 상승합니다.
반대로, 사용자가 dTAO를 대량 매도하기 시작하면 가격이 떨어지고, 이로 인해 서브넷의 TAO 발행이 감소하여 사용자 참여가 감소합니다. 일반적으로 서브넷 토큰 가격의 변동은 주로 시장 공급 및 수요, 유동성 풀 규모, 시스템의 자동 인센티브 메커니즘의 영향을 받습니다.
이 메커니즘은 사용자가 AI Agent 토큰에 투자하기 위해 먼저 플랫폼 토큰을 구매해야 하는 AI Agent Launchpad 모델과 유사합니다. AI Agent Launchpad 생태계에서 AI Agent 토큰의 가격이 급등하여 부의 효과가 발생하면 대량 사용자가 몰려들어 플랫폼 토큰에 대한 수요가 더욱 증가하게 됩니다.
그러나 dTAO 메커니즘과 AI Agent Launchpad 사이에는 몇 가지 주요 차이점이 있습니다.
AI Agent Launchpad 생태계에서 사용자는 일반적으로 AI Agent 토큰의 시총 낮을 때(즉, 프로젝트 내부 시장에서)만 플랫폼 토큰을 사용하여 AI Agent 토큰을 구매합니다.
AI 프록시 토큰이 특정 가치에 도달하면, 사용자는 토큰을 ETH/SOL로 판매하여 수익을 실현할 수 있으며, 신규 사용자도 ETH/SOL을 사용하여 AI 프록시 토큰을 직접 구매할 수 있습니다.
이와 대조적으로 dTAO 시스템에서는:
dTAO의 가격이 상승하고 사용자가 현금을 인출하거나 더 높은 잠재력을 가진 다른 서브넷으로 이전하려는 경우, dTAO를 TAO로만 교환할 수 있습니다.
이 과정으로 인해 유동성 풀 내 dTAO 가격이 크게 변동될 수 있습니다.
현재 사용자는 Backprop Finance에서 dTAO 토큰을 거래할 수 있으며, 이를 통해 서브넷 토큰에 대한 유통시장 유동성을 제공합니다.
3.3.2 dTAO 생태계의 독특한 발행 메커니즘
dTAO 생태계의 또 다른 핵심 측면은 고유한 토큰 발행 메커니즘입니다. 아래 그림에서 볼 수 있듯이, dTAO 업그레이드 이후 발행량은 처음 몇 개의 서브넷 프로젝트에 크게 집중되어 있습니다. 현재 상위 5개 서브넷 프로젝트가 전체 발행량의 40%를 받습니다.
현재 매일 7,200개의 TAO가 배포되고 있는데, 2025년 2월 18일의 TAO 가격을 기준으로 상위 5개의 서브넷 프로젝트가 매일 개별적으로 약 100만 달러 상당의 TAO를 받게 됩니다.
dTAO 생태계가 특정 프로젝트가 시장의 주목을 크게 받는 가상 생태계와 비슷한 방식으로 발전한다면, 시총 큰 서브넷이 새로운 TAO 발행의 대부분을 차지하게 될 것입니다.
새로운 프로젝트가 경쟁에서 두각을 나타내려면 스테이킹, 채굴자, 검증자의 참여를 끌어들일 수 있는 강력한 잠재력을 보여줘야 합니다. 이는 일반적으로 다음을 의미합니다.
참가자는 다른 서브넷에서 마이그레이션하고 TAO를 새 서브넷의 dTAO로 교환해야 합니다.
여기에는 기존 유동성 풀에 있는 서브넷 토큰을 매각하여 새로운 서브넷의 시총 높이는 것이 포함될 수 있습니다.
이러한 경쟁 모델은 서브넷 토큰 시장을 더욱 활성화하고, TAO 생태계 전체의 혁신과 발전을 더욱 촉진할 수 있습니다.
3.4 dTAO는 Bittensor 서브넷 모델의 문제를 해결합니까?
3.4.1 메커니즘 문제가 여전히 존재합니다.
dTAO 업그레이드는 TAO 발행을 서브넷 토큰의 시장 성과에 연결하여 리소스 할당 결정을 소수의 루트 검증자에서 보다 광범위한 사용자 참여와 상호 작용을 장려하도록 설계된 시장 중심 접근 방식으로 전환합니다. 이 메커니즘은 리소스 중복으로 인해 발생하는 비효율성을 부분적으로 완화하고 강력한 토큰 가격 성과를 보이는 고성능 서브넷만이 더 많은 TAO 보상을 얻을 수 있도록 보장하지만 다음과 같은 핵심 문제를 근본적으로 해결하지는 못합니다.
리소스 중복 및 중복성: 여러 하위 네트워크가 유사한 작업(예: 텍스트 생성, 이미지 생성 또는 가격 예측)에 집중하는 경우, 시장 중심 조정을 적용하더라도 리소스 중복 및 비효율적인 활용 문제는 근본적으로 해결되지 않습니다.
모든 참여자가 TAO를 획득할 수 있는 반면, 외부 사용자는 채굴자와 검증자에게 기여도에 대한 비용을 지불하지 않습니다. 이로 인해 TAO에 대한 지속적인 매도 압력이 발생하고 있으며 보상은 계속 지급되지만 TAO 가격을 뒷받침할 지속 가능한 수요 메커니즘이 없습니다.
일부 서브넷은 가짜 모델과 불완전한 평가 기준으로 인해 문제가 있을 수 있습니다. Bittensor는 AI 기술 스택에서 "아웃소싱 계층"으로 진화하고 있으며, 토큰 인센티브는 리소스를 빠르게 유치하고 특정 AI 작업의 할당을 촉진합니다. 예를 들어, 카이토 AI는 검색 엔진 개발을 하위 네트워크에 아웃소싱하여 집단 지성을 활용하여 비용을 절감했습니다. 하지만 이러한 인센티브 중심 모델이 단기적으로 개발자를 유치할 수 있지만 장기적인 성공은 여전히 실제 수요와 품질 보증에 달려 있습니다. Cortex.t 서브넷을 테스트하는 동안 해당 답변이 Bittensor 마이너에서 생성된 것이 아니라 OpenAI API에서 직접 나왔다는 것을 발견했습니다. 이는 일부 서브넷이 단지 "래퍼 애플리케이션"일 뿐이며 실제로 Bittensor의 탈중앙화 AI 컴퓨팅 파워를 활용하지 않는다는 것을 시사합니다. 일부 서브넷 검증자는 비교를 위해 OpenAI 결과에 의존하는데, 이는 중앙화 리스크 으로 이어질 수 있습니다. 동시에 일부 가격 예측 서브넷의 정확도는 낮고 실제로 적용하기 어렵습니다.
개선 방향: 실용성과 투명성 개선:
채굴자는 모델 학습 및 추론 과정을 검증하기 위해 중간 데이터나 해시 증명을 제출해야 하며, 출력이 외부 API가 아닌 Bittensor 네트워크에서 나오는지 확인해야 합니다.
다양한 유형의 하위 네트워크(예: 예측 모델, 생성 AI 모델)를 벤치마킹하기 위해 표준화된 테스트 데이터 세트를 구축해야 합니다.
하위 네트워크 간의 건전한 경쟁을 촉진하고 모델 품질을 개선하기 위해 벤치마크 순위가 정기적으로 게시됩니다.
3.4.2 dTAO는 여전히 채택 문제, 적용 시나리오 부족 및 스테이킹 지율 감소에 직면해 있습니다.
현재 dTAO는 Bittensor 네트워크에만 국한되어 있으며, 아직 광범위한 암호화폐 시장에서는 충분히 채택되지 않았습니다. dTAO는 EVM과의 호환성을 도입했지만, 가상 생태계의 AI Agent 토큰만큼 소셜 미디어에서 큰 화제를 모으지는 못했습니다. 동시에, 거의 모든 프로젝트가 dTAO를 핵심 토큰 이코노미 모델에 통합하지 않아 dTAO에 대한 실제적 수요는 여전히 부족합니다. 현재, 서브넷 토큰을 구매하는 것은 일회성 투자 행동과 비슷하며, 사용자가 현금화를 선택할 경우 큰 가격 변동이 발생할 수 있습니다. 이 문제는 특히 AI 인프라 아웃소싱 서브넷에서 두드러진다. 예를 들어, Kaito의 dTAO 토큰은 핵심 업무 과 거의 관련이 없어 토큰의 시장 가치 지원이 부족하다.
이러한 점에도 불구하고 dTAO는 여전히 AI Agent Launchpad에 비해 몇 가지 장점을 가지고 있습니다. dTAO 경제 모델에 따르면, 새로 발행되는 dTAO의 50%는 유동성 풀에 주입되어야 하며, 나머지 50%는 서브넷 참여자(검증자, 채굴자, 서브넷 소유자 포함)가 할당합니다. 이 메커니즘은 지속적으로 제품을 개선하고 사용자를 유치하는 서브넷만이 더 많은 보상을 받을 수 있도록 보장하여, 품질이 낮은 AI 에이전트의 확산을 방지하고 TAO 생태계에서 기술 혁신을 촉진합니다. 하지만 dTAO 생태계는 아직 초기 단계이기 때문에 대상 고객층이 확대되지 않았고, 대규모 적용 시나리오도 부족해 시장 인지도가 상대적으로 낮은 편입니다.
현재 Bittensor 생태계의 확장 속도는 토큰 이코노미 성장 요구에 부응하지 못하고 있습니다. 최신 데이터에 따르면 TAO의 스테이킹 비율은 최고 90%에서 71%로 떨어졌습니다. 이는 일부 코인 보유자가 네트워크의 장기적 인센티브 메커니즘에 대한 신뢰가 부족하며 더 매력적인 수익을 낼 수 있는 다른 DeFi나 AI 생태계 프로젝트로 전향할 가능성이 있음을 보여줍니다.
3.5 Bittensor 생태계와 긴밀하게 통합되어 있고 실용적인 사용 사례가 있는 서브넷 프로젝트에 주의하세요.
Bittensor 생태계의 건강한 발전은 고품질 서브넷을 유치하고 지원하는 데 달려 있습니다. 서브넷의 장기적 잠재력을 평가하려면 적용 시나리오, 인센티브 메커니즘, 팀 배경, 토큰의 실제 사용에 초점을 맞춰야 합니다.
첫째, 서브넷에는 명확하고 실용적인 적용 시나리오가 있어야 합니다. 성공적인 프로젝트는 실제 문제를 해결하는 것뿐만 아니라, 실제 사용자로부터 피드백을 얻는 것도 필요합니다. 분산형 AI 모델의 학습 및 추론을 지원하려면 기술 아키텍처가 견고하고 혁신적이어야 합니다. 또한, 서브넷은 온체인 데이터를 활용하고 투명한 평가 메커니즘을 채택하여 Bittensor 생태계에 대한 기여를 입증해야 합니다.
둘째, 합리적인 인센티브 메커니즘은 서브넷의 장기적인 운영을 유지하는 데 중요합니다. 인센티브 구조는 지속적인 애플리케이션 수요 부족으로 인한 시장 매도 압력을 피하면서 채굴자, 검증자 및 서브넷 소유자에게 공평하게 분배되어야 합니다. 서브넷은 인센티브를 위해 TAO 발행에만 의존하기보다는, 업무 모델을 통해 자체적으로 자금을 생성할 수 있어야 합니다.
또한 성공적인 서브넷 프로젝트는 강력한 팀 배경, 생태적 통합 역량, 커뮤니티 지원을 갖추고 있는 경우가 많습니다. AI 아웃소싱 서브넷이 아닌 Bittensor 네이티브 서브넷을 우선시하면 전체 생태계의 장기적 안정성을 보장할 수 있습니다. 아웃소싱 프로젝트의 경우, 가장 중요한 것은 서브넷 토큰이 단순한 인센티브 도구가 아닌 핵심 토큰 이코노미 모델에 실제로 통합되었는지 여부입니다.
마지막으로, 서브넷 토큰의 실제 사용법은 장기적인 가치를 결정하는 핵심입니다. 현재까지 거의 모든 프로젝트가 서브넷 토큰을 운영 체제에 통합하지 않았으며, dTAO는 아직 초기 단계에 있습니다. 서브넷 토큰을 결제, AI 서비스 접근, 거버넌스 참여 또는 추가 인센티브 제공에 사용할 수 있다면 실제 시장 수요가 확립되어 장기적 가치와 생태학적 건강을 보장할 수 있습니다. 그렇지 않으면, 서브넷 토큰은 순전히 투기적 자산으로 남아 시장 변동성에 취약하고 궁극적으로 장기 사용자와 개발자를 유치하지 못할 것입니다.
4. 경제 모델
모든 TAO 토큰 보상은 새롭게 민트 되며, 비트코인과 비슷하게 Bittensor의 TAO는 비트코인과 동일한 토큰 이코노믹스 와 발행 곡선을 사용하며, 총 공급 한도는 2,100만 개이며 4년마다 반감.
Bittensor는 사전 채굴이나 ICO가 없는 공정한 출시 방식을 사용하며, 유통되는 모든 토큰은 네트워크에 적극적으로 참여하여 획득해야 합니다. 네트워크는
