Tác giả: Chloe Zheng
Theo nghiên cứu năm 2023 của Sequoia Capital, 85% nhà phát triển thích tinh chỉnh các mô hình hiện có hơn là đào tạo chúng từ đầu. Các xu hướng gần đây càng chứng minh điều này: DeepSeek mã nguồn mở 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 lần lượt tải xuống trên Hugging Face, chứng minh đầy đủ khả năng kỹ thuật của Bittensor.
Mặc dù Bittensor 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 nâng cấp dTAO, nhằm mục đích tối ưu hóa việc phát hành token, cải thiện tính công bằng và tăng thanh khoản. Sự thay đổi này tương tự như việc Virtuals Protocol ra mắt AI Agent LaunchPad, tác động của nó đã khiến giá trị 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 mã nguồn mở thông qua khích lệ theo định hướng thị trường" phân tích sâu sắc tác động của 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.
Số lượng tài khoản trong hệ thống Bittensor đã tăng 100%, từ 100.000 vào đầu năm 2024 tăng trưởng gần 200.000
1. Kiến trúc cơ bản của Bittensor
Hệ thống Bittensor bao gồm ba mô-đun chính sau:
Subtensor Chuỗi 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 mở rộng và khả năng tương thích của hệ thống. Blockchain Subtensor tạo ra một khối sau mỗi 12 giây và mỗi khối tạo ra một token TAO. Ngoài ra, Subtensor ghi lại các hoạt động chính trong mạng con, bao gồm tỷ trọng số điểm của người xác thực và số lượng token được đặt cược. Cứ sau 360 khối (khoảng 72 phút), token(Phát thải) thu được từ 64 mạng con sẽ được tính toán thông qua thuật toán đồng thuận Yuma.
Mạng con: Mạng Bittensor bao gồm 64 mạng con, mỗi mạng tập trung vào một loại mô hình AI hoặc tình huống ứng dụng cụ thể. Cấu trúc mô-đun này cải thiện hiệu quả và hiệu suất của mạng và thúc đẩy sự phát triển chuyên biệt của các mô hình AI khác nhau. Cơ chế khích lệ cho mỗi mạng con được thiết lập bởi chủ sở hữu mạng con, quyết định cách phân phối token 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 sắp xếp dựa trên chất lượng câu trả lời của thợ đào , định kì cập nhật tỷ trọng và tải chúng lên blockchain Subtensor. Blockchain thực hiện tính toán đồng thuận Yuma sau mỗi 360 khối và phân bổ token để phát hành mạng con.
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 blockchain Subtensor. Các trình xác thực trong cùng một mạng con sẽ chỉ kết nối với thợ đào trong cùng một mạng con. Các trình xác thực và thợ đào trong 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 ra mắt vào ngày 30 tháng 12 năm 2024. Nó 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 mainnet Ethereum. Hiện tại, Tao EVM vẫn đang trong giai đoạn khá sớm, trong đó dự án sinh thái TaoFi, dự án có kế hoạch phát triển cơ sở hạ tầng DeFi dựa trên AI, bao gồm stablecoin đầu tiên được TAO hỗ trợ, 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 phím kép Coldkey-Hotkey
Hệ thống tài khoản của dTAO sử 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 mở rộng của Chrome hoặc tạo ví cục bộ. Ví được tạo thông qua tiện mở rộng Chrome được sử dụng để lưu trữ, gửi và nhận TAO. Hệ thống sẽ tạo một coldkey (48 ký tự, thường bắt đầu bằng 5) và một Cụm từ hạt giống 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 sử dụng hệ thống khóa kép Coldkey-Hotkey là vì hotkey 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 có thể giảm hiệu quả rủi ro 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 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 tắt 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 khai thác.
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 được xếp hạng trong top 64 ở mỗi mạng con. Điều quan trọng cần lưu ý là trình xác thực có thể giữ nhiều khe UID cùng một lúc, do đó có thể xác thực trong nhiều mạng con mà không cần phải tăng số tiền đặt cược (tương tự như khái niệm đặt cược lại). Cơ chế này không chỉ làm giảm rủi ro người xác thực thực hiện hành vi độc hại mà còn làm tăng chi phí thực hiện hành vi đó, vì việc đặt cược một lượng TAO lớn (ít nhất 1.000 TAO) tăng đáng kể chi phí thực hiện hành vi độc hại. Để tăng cường 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 họ nằm trong số 64 trình xác thực hàng đầu.
1.1.2.3 Cấu trúc mạng con và giới hạn dung lượng
Mạng con 1: Có 1024 khe UID, có thể chứa tối đa 128 trình xác thực; tổng số trình xác thực và thợ đào 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 khích lệ con
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 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 khích lệ vì đảm bảo rằng 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. Sê-Ri quy trình cạnh tranh này được thực hiện tự động bởi cơ chế khích lệ 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 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 Subnet xây dựng hệ sinh thái đa cấp
Mạng con Bittensor xây dựng một hệ sinh thái nhiều lớp trong đó thợ đào, người xác thực, người tạo mạng con và người tiêu dùng đều đóng vai trò riêng và cùng nhau làm việc để thúc đẩy việc tạo ra các dịch vụ AI chất lượng cao.
Thợ đào: Là 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 trong việc chấm điểm ngang hàng để nhận được phần thưởng TAO bằng cách giảm thiểu hàm mất mát. Sự thành công của 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 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 nhiệm vụ và cấu trúc khích lệ. Họ đảm nhận nhân vật là quản trị viên mạng và có thẩm quyền phân phối khích lệ trên các mạng con tương ứng của họ.
Người tiêu dùng: Người tiêu dùng trả token 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 thực mạng con tạo ra các câu hỏi và phân phối chúng cho tất cả thợ đào, và thợ đào tạo ra các câu trả lời dựa trên nhiệm vụ và trả lại cho trình xác thực. Trình xác thực sẽ chấm điểm chất lượng câu trả lời và cập nhật tỷ trọng thợ đào , sau đó được tỷ trọng lên Chuỗi định kì . 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 nhân vật là 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: Thợ đào cung cấp dịch vụ dự đoán cho các ứng dụng máy trạm bằng cách lưu trữ các mô hình học máy cục bộ. Khi máy trạm cần dự đoán, nó sẽ gửi yêu cầu đến mạng Bittensor, sau đó mạng này sẽ định tuyến yêu cầu đó đến thợ đào đã đăng ký làm nhà cung cấp dịch vụ. Thợ đào xử lý yêu cầu và trả về kết quả dự đoán cho máy trạm.
Kiếm token TAO dưới dạng khích lệ tính toán bằng cách cạnh tranh trong bảng xếp hạng P2P: Thợ đào cạnh tranh trong bảng xếp hạng ngang hàng để nhận phần thưởng token TAO dựa trên hiệu suất mô hình và đóng góp của họ cho mạng lưới. Cơ chế khích lệ 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 lưới mà còn cải thiện hiệu suất và độ tin cậy chung của toàn bộ mạng lưới Bittensor.
Bằng cách thực hiện những trách nhiệm này, thợ đào sẽ có những đóng góp quan trọng vào hoạt động và phát triển hiệu quả của mạng lưới Bittensor.
Mỗi lần sửa lỗi thợ đào được đào tạo trên dữ liệu D để giảm thiểu hàm mất mát Li=EDQfix
TRONG ĐÓ:
Qfix là hàm lỗi
ED biểu thị kỳ vọng của dữ liệu D.
Ví dụ, nếu thợ đào A cung cấp mô hình nhận dạng giọng nói fAx, hàm mất mát của nó có thể là:
LA thấp hơn (tức là hiệu suất mô hình tốt hơn) dẫn đến thứ hạng cao hơn trong đánh giá P2P.
Sự đóng góp của mỗi thợ đào được đo bằng Chỉ số thông tin Fisher (FIM): Ri=WT⋅S
TRONG ĐÓ :
W là ma trận tỷ trọng số biểu diễn điểm P2P giữa thợ đào .
S là số lượng cổ phần (nắm giữ) của thợ đào trong mạng.
Nếu thợ đào A và thợ đào B đánh giá lẫn nhau thì ma trận tỷ trọng là:
Xếp hạng cuối cùng của Thợ đào A là:
Nếu thợ đào A có mô hình AI chất lượng cao, wB,A sẽ cao, dẫn đến RA cao hơn và do đó phần thưởng nhiều hơn.
Lớp xác thực
Trình xác thực đảm bảo đánh giá công bằng các mô hình AI thợ đào , ngăn chặn thông đồng và hành vi độc hại. Họ đóng vai trò là “trọng tài” trong mạng lưới, đảm bảo các dịch vụ AI chất lượng cao.
Trình xác thực xếp hạng thợ đào bằng cách tính toán ma trận tin cậy:
ci là điểm tin cậy của thợ đào i.
tj,i thể hiện sự tin tưởng của thợ đào j vào thợ đào i.
sj là tiền cược của thợ đào j.
là hàm Sigmoid, được sử dụng để điều chỉnh tỷ lệ một cách trơn tru.
Ví dụ, giả sử có ba thợ đào A, B và C trong mạng và ma trận tin cậy là:
Nếu thợ đào A có mô hình hoạt động tốt thì cả thợ đào B và C đều tin tưởng A rất cao.
Nếu mô hình của thợ đào C ở mức trung bình, thì thợ đào B chỉ tin tưởng C một chút.
Do đó, thợ đào A sẽ có điểm tin cậy cao hơn cA và do đó nhận được nhiều phần thưởng hơn, trong khi thợ đào C sẽ có điểm thấp hơn.
1.2.2 Lớp người tiêu dùng
Trong Mạng Bittensor, người tiêu dùng là người dùng cuối hoặc doanh nghiệp truy cập vào các dịch vụ trí tuệ nhân tạo (AI) do thợ đào cung cấp bằng cách trả tiền cho token TAO. 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:
Nhà phát triển truy vấn API AI: 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.
Các tổ chức nghiên cứu có thể truy cập vào dữ liệu đào tạo AI: Các tổ chức nghiên cứu có thể sử dụng các tài nguyên trong mạng để truy cập và phân tích dữ liệu đào tạo AI lớn nhằm hỗ trợ các dự án và thí nghiệm nghiên cứu khoa học.
Doanh nghiệp sử dụng tài nguyên điện toán của Bittensor để đào tạo các mô hình AI: 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 mình và cải thiện mức độ thông tin việc 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 Staking
Cơ chế đồng thuận dựa trên staking của Bittensor chủ yếu giải quyết các vấn đề sau:
Ngăn chặn việc thao túng xếp hạng có ác ý và đảm bảo xếp hạng công bằng: Lặp lại việc sửa w==fw để điều chỉnh bất kỳ tỷ trọng nào lệch quá nhiều so với sự đồng thuận (tức là trung bình có trọng số theo cổ phần w), do đó giảm tác động của điểm tự xếp hạng quá mức của bên đối tác.
Khen thưởng những người đóng góp AI chất lượng cao: Những người xác thực liên tục đóng góp kết quả đầu ra chất lượng cao sẽ duy trì thứ hạng cao ngay cả sau khi điều chỉnh tỷ trọng vì tỷ trọng họ báo cáo gần với giá trị đồng thuận.
Mô hình trò chơi dựa trên lời cam kết
Chúng tôi xem mô hình đồng thuận như một trò chơi có hai người chơi:
Lời cam kết của bên trung thực (nhân vật chính): SH với 0,5<SH≤1
Lời cam kết của đối thủ (đối phương): 1-SH
Cả hai bên đều cạnh tranh để giành được tổng phần thưởng cố định: eH+eC=1, trong đó eH và eC lần lượt là phần thưởng dành cho bên trung thực và bên đối đầu.
Sau khi phần thưởng được phân phối, số tiền đặt cược sẽ được cập nhật thành:
Bên trung thực sẽ gán cho mình một tỷ trọng khách quan wH và gán cho đối thủ 1-wH.
Ngược lại, đối thủ được tự do lựa chọn tỷ trọng wC do mình tự chỉ định mà không mất phí để tối đa hóa chi phí tỷ trọng của bên trung thực:
Hãy tưởng tượng các giám khảo trong một cuộc thi. Những giám khảo trung thực sẽ cho điểm công bằng, trong khi những giám khảo ác ý (đối thủ) có thể cho điểm cao một cách giả tạo cho những thí sinh mà họ ưa thích, buộc những bên trung thực trả giá nỗ lực nhiều hơn để duy trì tính cạnh tranh.
Vì các bên trung thực có cổ phần đa số (sH>0,5), họ có thể triển khai chiến lược đồng thuận nặc danh π, điều chỉnh tỷ trọng mà không cần biết danh tính của người chơi để tối ưu hóa cân bằng Nash:
Mục tiêu là điều chỉnh tỷ trọng sao cho các tỷ trọng đã sửa đổi thỏa mãn:
Để sửa lỗi
Chiến lược đồng thuận cơ bản được định nghĩa như sau:
Trong đó, tỷ trọng đồng thuận w là trọng số trung bình theo vốn chủ sở hữu:
Sau đó lặp lại chiến lược này:
Số lần lặp lại trong đó?
Nó có thể được ví như một chiếc cân được hiệu chuẩn chính xác. Nếu một tỷ trọng quá tải, hệ thống sẽ điều chỉnh nhiều lần cho đến khi cân bằng trở lại. Ví dụ, khi SH=0,6 và wH ban đầu=1, sau lần lần lặp lại, ngay cả khi đối thủ vẫn báo cáo wC cao (chẳng hạn như wC=0,8), thì chi tiêu thực tế của bên trung thực sẽ giảm xuống dưới 0,75.
1.2.3.1 Làm mịn và tiến hóa mật độ
Để tránh việc điều chỉnh đột ngột có thể gây mất ổn định hệ thống, chức năng điều chỉnh sử dụng "xử lý làm mịn". Chúng tôi định nghĩa độ lệch tuyệt đối trung bình theo trọng số vốn chủ sở hữu là:
Sau đó, hiệu chỉnh làm mịn được đưa ra bởi:
trong đó(được kiểm soát bởi tham số (0≤α<1)) xác định mức độ làm mịn.
Sự điều chỉnh mượt mà này tương tự như việc tài xế phanh nhẹ nhàng khi vào cua thay vì phanh gấp. Phương pháp điều chỉnh dần dần này đảm bảo rằng những chênh lệch tỷ trọng nhỏ sẽ được điều chỉnh nhẹ nhàng, do đó duy trì được sự ổn định tổng thể của hệ thống.
Khi mở rộng thành trò chơi hai đội (trong đó |H| là người chơi trung thực và |C| là người chơi đối đầu), phân phối tỷ trọng của mỗi đội ngũ có thể được mô tả bằng hàm mật độ pw. Ví dụ, đối với những người chơi trung thực, giả sử tỷ trọng tuân theo phân phối chuẩn:
Tương tự như vậy với việc phân bổ người chơi đối địch. Phân bố mật độ chung của đội ngũ trung thực và đối đầu là:
Sau đó áp dụng hàm tiến hóa mật độ:
Trong đó gw=f-1w. Sau η vòng lặp, thứ hạng cuối cùng của mỗi người chơi là: r_i = \int f^\eta\Bigl(p_i(w)\Bigr)\, dw .
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 đã lộ diện. Điểm mấu chốt là sự tiến hóa mật độ có thể nén tỷ trọng bất thường (tức là tỷ trọng 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 tỷ trọng và phòng ngừa lỗ hổng Zero Tỷ trọng
Để ngăn chặn những người chơi đối địch báo cáo tỷ trọng gần bằng 0 để tránh hình phạt, tỷ trọng đã được đưa ra. Xác định giá trị tin cậy Tas: T=(W〉0)S
Tức là tổng vốn chủ sở hữu của tất cả các thực thể được gán tỷ trọng khác không. Sau đó, áp dụng ngưỡng làm mịn:
C = \Bigl(1+\exp\bigl(-\rho (T-\kappa)\bigr)\Bigr)^{-1}.
Cơ chế này đảm bảo rằng nếu đa số xác định tỷ trọng của một nút bằng 0 thì phần thưởng của nút đó sẽ bị cắt giảm.
Tương tự như hệ thống danh tiếng cộng đồng - chỉ khi phần lớn thành viên công nhận ai đó là đáng tin cậy thì người đó mới có thể nhận được đầy đủ lợi nhuận; nếu không, mọi nỗ lực thao túng hệ thống bằng cách báo cáo không có tỷ trọng sẽ bị trừng phạt.
Những thách thức hiện tại bao gồm:
Lỗ hổng tỷ trọng bằng không: Người chơi đối địch có thể báo cáo tỷ trọng cực thấp hoặc bằng không để khai thác lỗ hổng trong phân phối phần thưởng.
Sửa lỗi không cân bằng: Trong một số trường hợp, sửa lỗi có thể quá mạnh hoặc quá nhẹ, dẫn đến sai lệch đồng thuận.
Độ phức tạp tính toán cao: Sự tiến hóa mật độ và lần lần lặp lại liên quan đến nỗ lực tính toán On2, có thể gây gánh nặng cho hoàn cảnh blockchain .
Bản nâng cấp dtao đã cải thiện các vấn đề trên, bao gồm:
Tối ưu hóa số lần lặp và làm mịn: Tăng số lần lặp η và tinh chỉnh các tham số làm mịn α hoặc δ để giảm các lỗ tỷ trọng bằng không và ngăn ngừa hiệu chỉnh quá mức.
Cơ chế tin cậy tỷ trọng được cải tiến: Phát hiện chính xác hơn tỷ trọng khác không và áp dụng ngưỡng chặt chẽ hơn để chỉ 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 bằng cách tối ưu hóa các thuật toán để thích ứng với các ràng buộc tính toán blockchain 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 phương pháp như cập nhật công thức, đồng thuận trung bình có trọng số, hiệu chỉnh lặp lại và tiến hóa mật độ, hệ thống có thể tự động hiệu chỉnh độ lệch tỷ trọng bất thường để đảm bảo phân phối phần thưởng cuối cùng công bằng.
Quá trình này tương tự như hệ thống cân bằng thông minh hoặc cơ chế danh tiếng liên tục tự hiệu chỉnh để đảm bảo tính điểm công bằng, khích lệ 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 tỷ trọng được cải thiện để nâng cao hơn nữa tính mạnh mẽ và công bằng của hệ thống. Do đó, trong một hoàn cảnh 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: Khích lệ và sự đồng thuận có thể lập trình động
Bitcoin đã xây dựng nên mạng lưới tỷ lệ băm 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 khích lệ 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 khích lệ năng động, có thể lập trình được. Không giống như cơ chế khích lệ tĩnh của Bitcoin , YC tích hợp chức năng mục tiêu, gửi tiền đảm bảo và cơ chế điều chỉnh tỷ trọng 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 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 tỷ trọng của trình xác thực mạng con: Mỗi trình xác thực mạng con duy trì một vector tỷ trọng, trong đó mỗi phần tử biểu thị tỷ trọng chấm điểm do trình xác thực chỉ định cho tất cả thợ đào con. Tỷ trọng này dựa trên hiệu suất lịch sử của trình xác thực và được sử dụng để xếp hạng thợ đào. Ví dụ, nếu vectơ xếp hạng của trình xác thực là w = wn, thì thứ hạng kết quả phản ánh đánh giá của trình xác thực về mức độ đóng góp thợ đào .
Tác động của số tiền đặt cược: Mỗi người xác thực và thợ đào trên Chuỗi sẽ đặt cược một số lượng token nhất định. Sự đồng thuận của YC kết hợp vectơ tỷ trọng và số tiền đặt cược để tính toán phân phối phần thưởng. Nghĩa là, phần thưởng cuối cùng không chỉ phụ thuộc vào tỷ trọng điểm mà còn phụ thuộc vào số tiền đặt cược, do đó tạo thành một vòng lặp khép kín “tiền cược → tỷ trọng → phần thưởng”.
Sự đồng thuận chủ quan động: Mỗi người tham gia gán một tỷ trọng cục bộ cho mô hình học máy của mình. Tỷ trọng cục bộ này được điều chỉnh thông qua chính sách đồng thuận và sau đó được tổng hợp thành chỉ báo toàn cầu trên blockchain . Nói cách khác, YC có thể đạt được sự đồng thuận trên quy mô lớn ngay cả trong hoàn cảnh đối đầu và có thể thích ứng linh hoạt với những thay đổi trong hành vi nút.
Tính toán và phân phối phần thưởng: Người 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 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 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, nút liên tục trao đổi dữ liệu và tham số mô hình, hình thành nên mạng lưới tự tối ưu hóa theo thời gian để đạt được 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.
Quan trọng hơn, phương pháp này có hiệu quả trong việc giảm thiểu rủi ro quên lãng nghiêm trọng — một thách thức thường gặp trong học máy. Nút có thể kết hợp nhận xét 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 các dự đoán của AI và thông qua sự hợp tác của nhiều mô hình AI chuyên biệt, nó cải thiện đáng kể độ chính xác và hiệu quả trong việc giải quyết các vấn đề phức tạp. 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, vượt trội hơn nhiều so với kết quả của một mô hình duy nhất.
Cốt lõi của giao thức Bittensor bao gồm các hàm tham số hóa, thường được gọi là neuron, được phân phối theo cách ngang hàng. Mỗi neuron ghi lại không hoặc nhiều tỷ trọng mạng và đào tạo một mạng neuron để đánh giá giá trị của nút lân cận bằng cách xếp hạng lẫn nhau, sau đó tích lũy điểm xếp hạng trên sổ cái kỹ thuật số. Nút có thứ hạng cao hơn không chỉ nhận được phần thưởng bằng tiền mà còn nhận được thêm tỷ trọng, thiết lập mối liên hệ trực tiếp giữa sự đóng góp của nút và phần thưởng, đồng thời 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 khích lệ 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 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, do đó cải thiện hơn nữa tính bảo mật, hiệu quả và khả năng cải tiến liên tục của mạng.
3.nâng nâng cấp
Dự án Bittensor có những vấn đề chính sau đây trong việc phân bổ nguồn lực và thiết kế mô hình kinh tế:
Trùng lặp và dư thừa tài nguyên: Nhiều mạng con tập trung vào 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.
Thiếu các trường hợp sử dụng trong thế giới thực: Một số mạng con, chẳng hạn như dự đoán giá hoặc dự đoán kết quả thể thao, vẫn chưa chứng minh được tính hữu ích 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.
Hiện tượng “Tiền xấu đẩy tiền tốt ra ngoài”: các mạng con chất lượng cao có thể gặp khó khăn trong việc tìm kiếm đủ nguồn tài trợ 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.
Sự tập trung của trình xác thực và khích lệ các mạng con mới:
Người xác thực gốc có thể không đại diện đầy đủ cho tất cả người nắm giữ TAO và kết quả đánh giá của họ có thể không phản ánh quan điểm chung. Theo sự đồng thuận của Yuma, những người xác thực hàng đầu vị trí chủ đạo 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 khích lệ để di chuyển sang các mạng con mới vì việc di chuyển từ mạng con cũ có mức phát hành cao sang mạng con mới có mức 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 token của các mạng con đã được thiết lập hay không càng làm giảm ý định di chuyển của họ.
Những vấn đề chính của 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, điều này dẫn đến áp lực bán liên tục. Hiện tại, các câu hỏi 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 subnet không những không phải chịu bất kỳ chi phí nào mà còn được hưởng 18% tiền phát hành subnet. 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 token trong hệ thống Bittensor là phí đăng ký do thợ đào và người xác thực mạng con trả; 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.
Có hai hình thức đặt cược:
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. Người xác thực hiện tại có thể kiếm được khoảng 3.000 TAO mỗi ngày, với tỷ lệ lợi nhuận hàng năm là hơn 15%. Tuy nhiên, sau giảm nửa lần , 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 token.
Đặt cược đăng ký mạng con: Việc thêm 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 khích lệ công bằng cho mạng lưới.
3.1 DTAO là gì
dTAO là một cơ chế khích lệ sáng tạo do Bittensor Network 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 bỏ phiếu thủ công của người xác thực để xác định phân bổ tài nguyên, thay vào đó giới thiệu một cơ chế dựa trên điều chỉnh động thái thị trường, liên kết trực tiếp việc phân phối phát hành TAO giữa các mạng con với hiệu suất thị trường của token mạng con. Thông qua thiết kế các nhóm thanh 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, một mô hình phát hành công bằng được áp dụng để đảm bảo phân phối dần dần token mạng con, thúc đẩy đội ngũ có được thị phần token thông qua các đóng góp dài hạn và cân bằng nhân vật của người xác thực và người dùng. Người xác thực đánh giá nghiêm ngặt công nghệ và tiềm năng thị trường đội ngũ như các nhà đầu tư rủi ro , trong khi người dùng thúc đẩy hơn nữa việc hình thành giá trị mạng con thông qua các giao dịch staking và thị trường.
3.1.1 Cơ chế cốt lõi của dTAO
3.1.1.1 Liên kết chặt chẽ người xác thực và đội ngũ với hệ sinh thái: Để đạt được lợi nhuận , trước tiên bạn phải đầu tư vào mã thông báo 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 token TAO và mạng con. Khi người nắm giữ$TAO (người xác thực và chủ sở hữu mạng con) thực hiện một hoạt động thế chấp, thì 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:
Khi trao đổi, cơ chế định giá của $TAO và $dTAO tuân theo cùng một công thức tích hằng số như Uniswap V2: τ*α=K
Trong đó, τ biểu thị số lượng $TAO và α biểu thị số lượng $dTAO. Trong trường hợp không có thêm nguồn thanh thanh khoản, giá trị của K sẽ không đổi bất kể có bao nhiêu $TAO được trao đổi lấy $dTAO hoặc có bao nhiêu $dTAO được trao đổi lấy $TAO. Ngược lại, khi người nắm giữ$dTAO thực hiện hoạt động giải phóng thế chấp, thì tương đương với việc sử dụng $dTAO để mua $TAO. Số lượng $TAO 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 Subnet tạo ra một Subnet, toàn bộ thanh khoản mới được bơm vào đều đến từ $TAO được phân bổ và 50% tổng số $dTAO được phát hành. Nói cách khác, $TAO mới phát hành được phân bổ cho mỗi Subnet không được phân phối trực tiếp cho Validator\Miner\Owner của Subnet mà 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 khích lệ được chính Subnet thỏa thuận.
Điều này ngăn đội ngũ bán nhanh lượng lớn coin ban đầu và khuyến khích đội ngũ tiếp tục đóng góp và lặp lại công nghệ. Người xác thực cần đóng nhân vật tương tự như nhà đầu tư rủi ro và tiến hành đánh giá 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 lên K'
3.1.1.2 Subnet Token có giá thị trường cao nhất sẽ nhận được lượng phát hành $TAO nhiều 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 $TAO mới phát hành cho các Mạng con có giá trị thấp.
TAO động dừng giữa chừng các đặc quyền của Mạng gốc và trao cho tất cả người nắm giữ$TAO quyền quyết định cách phân phối $TAO mới phát hành. Cách tiếp cận cụ thể là sử dụng Yuma Consensus V2 mới để thực hiện hoạt động 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 tổng của tất cả các phần tử sau khi chuyển đổi là 1.
Trong đó P là giá của $dTAO so với $TAO, được tính bằng cách chia số lượng $TAO trong nhóm thanh khoản cho số lượng $dTAO.
Theo công thức, giá của Subnet Token so với $TAO càng cao thì tỷ lệ phát hành $TAO mới càng cao.
3.1.1.3 Phân quyền thiết lập cơ chế khích lệ cho từng Subnet
Các khích lệ$TAO trước đây mà Subnet nhận được sẽ được phân phối cho Validator\Miner\Owner theo tỷ lệ cố định là 41%-41%-18%.
Dynamic TAO trao cho mỗi Subnet quyền phát hành "Subnet Token" của riêng mình và quy định rằng ngoài 50% số tiền phát hành bổ sung phải được đưa vào nhóm thanh khoản, 50% còn lại sẽ được phân phối cho Validators\Miners\Owners theo cơ chế cụ thể do chính những người tham gia Subnet quyết định.
Cơ chế này cũng đảm bảo rằng chỉ những mạng con liên tục cải tiến sản phẩm và thu hút người dùng mới có thể nhận được nhiều khích lệ hơn, ngăn chặn sự xuất hiện của mô hình Ponzi nhằm thúc đẩy lợi nhuận ngắn hạn.
3.1.2 Phân tích ví dụ
Sau khi nâng cấp mạng Dynamic TAO, tất cả các Subnet hiện đã đúc$dTAO tương ứng. Số lượng $dTAO được tạo bằng với số lượng $TAO mà Chủ sở hữu Subnet đã khóa khi tạo Subnet. Trong đó, 50% $dTAO được đưa vào nhóm thanh khoản của Subnet và 50% còn lại được phân bổ cho Chủ sở hữu Subnet.
Giả sử chủ sở hữu của Subnet #1 đã khóa 1.000 $TAO, thì số lượng $dTAO được tạo cũng là 1.000. Trong đó, 500 $dTAO và 1000 $TAO được thêm vào nhóm thanh khoản dưới dạng thanh khoản ban đầu và 500 $dTAO còn lại được phân bổ cho Chủ sở hữu.
Tiếp theo, khi một trình xác thực đến Subnet #1 để đăng ký và đặt cọc 1.000 $TAO, trình xác thực sẽ nhận được 250 $dTAO. Lúc này, sẽ còn lại 2.000 $TAO và 250 $dTAO trong nhóm thanh khoản.
Giả sử rằng Subnet #1 có thể nhận được phần thưởng khối 720 $TAO mỗi ngày, thì 720 $TAO sẽ tự động được đưa vào nhóm thanh khoản mỗi ngày. Về số lượng $dTAO được bơm vào mỗi ngày, điều này phụ thuộc vào tỷ lệ phát hành do chính Subnet đặt ra.
3.2 Tác động của dtao
Việc giới thiệu dTAO về cơ bản sẽ định hình lại cơ chế phân phối và thế chấp của TAO. Đầu tiên, TAO mới phát hành không còn được phân bổ tùy ý bởi một số ít người xác thực nữa mà được xác định gián tiếp bởi tất cả người nắm giữ TAO thông qua hành vi thị trường, điều này khiến việc đặt cược TAO giống như "mua vào" token của một Subnet nhất định hơn là một khoản thu nhập được đảm bảo đơn thuần. Theo cơ chế này, tác động của việc staking và unstaking lên giá dTAO trong ngắn hạn vượt xa tác động của số lượng TAO thực tế mà Subnet thu được, khiến lợi nhuận staking trở nên không chắc chắn.
Lợi ích là quyền kiểm soát tuyệt đối của những người xác thực hàng đầu đối với việc phân bổ phần thưởng khối không còn nữa, làm tăng đáng kể chi phí cho những kẻ tấn công tiềm năng tấn công mạng thông qua số tiền đặt cược; đồng thời, các mạng con chất lượng cao phát triển muộn có nhiều cơ hội nổi bật hơn và tiềm năng lợi nhuận của những người xác thực ban đầu hỗ trợ các mạng con chất lượng cao là cực kỳ cao và thậm chí có thể đạt được lợi nhuận gấp nhiều lần so với vốn. Ngoài ra, sự cạnh tranh gay gắt giữa các mạng con sẽ thúc đẩy những người đầu tư trở thành nhà đầu tư lý trí hơn, lựa chọn các mạng con có triển vọng tốt nhất thông qua quá trình thẩm định nghiêm ngặt.
Nhìn chung, việc triển khai cơ chế dTAO sẽ thúc đẩy toàn bộ hệ sinh thái theo hướng hiệu quả hơn, cạnh tranh hơn và hướng tới thị trường hơn.
3.3 Hệ sinh thái Bittensor sẽ phát triển như thế nào sau khi nâng cấp dTAO?
Để phân tích tác động của nâng cấp dTAO, chúng ta cần tập trung vào hai vấn đề chính:
Nhu cầu mạng con chuyển thành nhu cầu về token mạng con như thế nào?
Liệu việc giới thiệu token mạng con có tạo ra “Mùa hè TAO” và thúc đẩy sự đổi mới trong hệ sinh thái TAO không?
3.3.1 Nhu cầu mạng con chuyển thành nhu cầu về token mạng con như thế nào?
Ban đầu, tất cả token mạng con đều có cùng giá và nhóm thanh khoản của mỗi mạng con chỉ chứa một lượng nhỏ token TAO và dTAO. Do đó, bất kỳ hoạt động giao dịch nào cũng có thể gây ra biến động giá đáng kể.
Để tham gia vào mạng con và nhận phần thưởng, trước tiên người dùng phải mua token mạng con dTAO và đặt cược chúng cho người xác thực. Nhu cầu này đẩy giá dTAO trong mạng con tăng. Khi giá dTAO tăng, tổng giá trị của dTAO trong nhóm thanh khoản cũng tăng và hệ thống sẽ tự động phân bổ nhiều phần thưởng TAO hơn cho mạng con, cho phép thợ đào và người đặt cược kiếm được lợi nhuận cao hơn.
Điều này tạo ra một vòng phản hồi tích cực: người dùng mua dTAO, đẩy giá lên cao ➡️ việc tăng giá dẫn đến phát hành nhiều TAO hơn cho mạng con ➡️ nhiều phần thưởng hơn thu hút thêm người dùng ➡️ đẩy giá dTAO lên cao hơn nữa
Ngược lại, nếu người dùng bắt đầu bán dTAO lượng lớn, giá của nó giảm, dẫn đến việc giảm phát hành TAO cho mạng con, do đó làm giảm sự tham gia của người dùng. Nhìn chung, sự biến động giá token mạng con chủ yếu bị ảnh hưởng bởi cung cầu thị trường, quy mô nhóm thanh khoản và cơ chế khích lệ tự động của hệ thống.
Cơ chế này tương tự như mô hình AI Agent Launchpad, nơi người dùng trước tiên cần mua token nền tảng để đầu tư vào token AI Agent . Trong hệ sinh thái AI Agent Launchpad, một khi giá của giá token AI Agent tăng nhanh và tạo ra hiệu ứng giàu có, lượng lớn người dùng sẽ đổ xô vào, từ đó thúc đẩy nhu cầu về token nền tảng tăng cao hơn nữa.
Tuy nhiên, có một số khác biệt chính giữa cơ chế dTAO và AI Agent Launchpad:
Trong hệ sinh thái AI Agent Launchpad, người dùng thường sử dụng token nền tảng để mua token AI Agent này chỉ khi giá trị vốn hóa thị trường của token AI Agent thấp (tức là trên thị trường nội bộ của dự án).
Khi AI Agent Token đạt đến một mức định giá nhất định, người dùng có thể bán nó để lấy ETH/SOL để kiếm lời và người dùng mới cũng có thể trực tiếp sử dụng ETH/SOL để mua AI Agent Token.
Ngược lại, trong hệ thống dTAO:
Khi giá dTAO tăng và người dùng muốn rút tiền hoặc di chuyển sang mạng con khác có tiềm năng cao hơn, họ chỉ có thể đổi dTAO lấy TAO.
Quá trình này có thể dẫn đến những biến động lớn về giá dTAO trong nhóm thanh khoản.
Hiện tại, người dùng có thể giao dịch token dTAO trên Backprop Finance, cung cấp thanh khoản thị trường thứ cấp cho token mạng con.
3.3.2 Cơ chế phát hành độc đáo của hệ sinh thái dTAO
Một khía cạnh quan trọng khác của hệ sinh thái dTAO là cơ chế phát hành token độc đáo của nó. Như thể hiện trong hình bên dưới, sau khi nâng cấp dTAO, khối lượng phát hành tập trung cao độ vào một số dự án mạng con đầu tiên. Năm dự án mạng con hàng đầu hiện đang nhận được 40% tổng số phát hành.
Hiện tại, 7.200 TAO được phân phối mỗi ngày, dựa trên giá TAO vào ngày 18 tháng 2 năm 2025, điều này có nghĩa là năm dự án mạng con hàng đầu sẽ nhận được khoảng 1 triệu đô la TAO mỗi ngày.
Nếu hệ sinh thái dTAO phát triển theo cách tương tự như hệ sinh thái ảo, nơi một số dự án thu hút được sự chú ý đáng kể của thị trường, thì các mạng con giá trị vốn hóa thị trường cao sẽ chiếm phần lớn các đợt phát hành TAO mới.
Để các dự án mới nổi bật hơn so với đối thủ cạnh tranh, chúng phải chứng minh được tiềm năng mạnh mẽ để thu hút người đặt cược, thợ đào và người xác thực tham gia. Điều này thường có nghĩa là:
Người tham gia cần di chuyển từ các mạng con khác và đổi TAO của họ lấy dTAO của mạng con mới.
Điều này có thể liên quan đến việc bán token mạng con trong nhóm thanh khoản hiện có, do đó làm tăng giá trị vốn hóa thị trường của mạng con mới.
Mô hình cạnh tranh này có thể thúc đẩy thị trường token mạng con trở nên sôi động hơn và thúc đẩy hơn nữa sự đổi mới và phát triển của toàn bộ hệ sinh thái TAO.
3.4 dTAO có giải quyết được các vấn đề trong mô hình mạng con Bittensor không?
3.4.1 Các vấn đề về cơ chế vẫn còn tồn tại
Bản nâng cấp dTAO liên kết việc phát hành TAO với hiệu suất thị trường của token mạng con, chuyển các quyết định phân bổ tài nguyên từ một số ít trình xác thực gốc sang phương pháp tiếp cận theo định hướng thị trường được thiết kế để khích lệ sự tham gia và tương tác rộng rãi hơn của người dùng. Mặc dù cơ chế này làm giảm một phần tình trạng kém hiệu quả do trùng lặp tài nguyên và đảm bảo rằng chỉ những mạng con hiệu suất cao với hiệu suất giá token mạnh mới có thể nhận được nhiều phần thưởng TAO hơn, nhưng về cơ bản nó không giải quyết được các vấn đề chính sau:
Trùng lặp và dư thừa tài nguyên: Nếu nhiều mạng con tập trung vào nhiệm vụ tương tự (như tạo văn bản, tạo hình ảnh hoặc dự đoán giá), ngay cả khi có sự điều chỉnh theo thị trường, tình trạng trùng lặp tài nguyên và
