作者：Chloe Zheng
根據紅杉資本2023年的研究，85%的開發者更傾向於對現有模型進行微調，而非從零開始訓練。近期趨勢進一步驗證了這一點：DeepSeek開源其模型，並引入模型蒸餾技術，通過教師模型（大型模型）將推理邏輯傳遞給學生模型（小型模型），以優化知識壓縮和性能保留。類似地，OpenAI的ChatGPT O3版本也強調了後期訓練和強化學習。Bittensor提供了一個開放的、去中心化的平臺，支持AI模型的協作與共享。2024年7月，Bittensor與Cerebras發佈了BTLM-3b-8k開源大型語言模型（LLM），在Hugging Face上獲得了超過16,000次下載，充分體現了Bittensor的技術能力。
儘管Bittensor於2021年上線，但在2024年Q4的AI Agent熱潮中幾乎未曾亮相，代幣價格也一直停滯不前。2025年2月13日，Bittensor推出了dTAO升級，旨在優化代幣發行、提高公平性並增加流動性。這一變化類似於Virtuals Protocol推出AI Agent LaunchPad，其影響導致$VIRTUAL的市值在2024年飆升了50倍。
報告《dTAO與Bittensor的演進：通過市場驅動的激勵重塑開源AI生態》深入分析了2月13日完成的dTAO升級對Bittensor生態系統的影響，重點探討了其架構創新、經濟模型和整體生態動態。
Bittensor系統中的賬戶數量增加了100%，從2024年初的100,000個增長到接近200,000個
1.Bittensor的基本架構
Bittensor 系統由以下三個主要模塊組成：
Subtensor 平行鏈及其 EVM 兼容層（tao evm）：Subtensor 是基於 Polkadot 的 Substrate SDK 開發的 Layer1 區塊鏈，負責管理 Bittensor 網絡的區塊鏈層。其 EVM 兼容層（tao evm）允許開發者在網絡上部署和運行以太坊智能合約，增強了系統的可擴展性和兼容性。Subtensor 區塊鏈每隔 12 秒出塊一次，每個區塊產生一枚 TAO 代幣。此外，Subtensor 記錄子網中的關鍵活動，包括驗證者的評分權重和質押代幣數量。每隔 360 個區塊（約 72 分鐘），通過 Yuma 共識算法計算 64 個子網獲得的代幣（Emissions）。
子網（Subnets）：Bittensor 網絡包含 64 個子網，每個子網專注於特定類型的 AI 模型或應用場景。這種模塊化結構提升了網絡的效率和性能，促進了不同 AI 模型的專業化發展。每個子網的激勵機制由子網所有者制定，決定代幣在礦工和驗證者之間的分配方式。例如，子網 1 由 Opentensor Foundation 運營，任務為文本提示（Text Prompting）。在該子網中，驗證者提供類似 ChatGPT 的提示，礦工根據提示進行回答，驗證者根據礦工回答的質量進行排序，定期更新權重並上傳到 Subtensor 區塊鏈。區塊鏈每隔 360 個區塊進行一次 Yuma 共識計算，並分配子網的代幣釋放。
根子網（Root Subnet）：作為網絡的核心，根子網負責協調和管理所有子網的運作，確保網絡的整體協調性和穩定性。
此外，Bittensor API 在子網驗證者與 Subtensor 區塊鏈上的 Yuma 共識之間起到傳輸和連接的作用。同一子網中的驗證者只會連接到同一子網中的礦工，不同子網的驗證者和礦工之間不會互相溝通和連接。
這種架構設計使 Bittensor 能夠有效地整合區塊鏈技術與人工智能，創建一個去中心化且高效的 AI 生態系統。
Subtensor EVM 兼容層 tao evm於2024年12月30日正式上線，無需修改任何以太坊智能合約，即可在 Subtensor區塊鏈上 部署和交互，同時所有 EVM 操作僅在 Subtensor 區塊鏈上執行，不會與 Ethereum 進行交互。這意味著 Bittensor 上的智能合約僅限於 Bittensor 網絡，與 Ethereum 主網無關。目前tao evm還處於一個相當早期的階段，其中包括生態項目TaoFi，它計劃開發基於人工智能的 DeFi 基礎設施，包括首個由 TAO 支持的穩定幣、去中心化交易所以及 TAO 代幣的流動性質押版本。
1.1賬戶系統
1.1.1Coldkey-Hotkey雙鑰系統
dTAO 的賬戶系統採用了 Coldkey-Hotkey 雙密鑰機制，以確保更高的安全性和靈活性。用戶在創建錢包時，可選擇通過 Chrome 擴展程序或本地方式生成錢包。通過 Chrome 擴展程序創建的錢包用於存儲、發送和接收 TAO，系統會生成一個 coldkey（48 位字符，通常以 5 開頭）和一個 12 字的助記詞。本地創建的錢包除了生成 coldkey 外，還會生成 hotkey，hotkey 用於參與子網的創建、挖礦和驗證等操作。
採用 Coldkey-Hotkey 雙密鑰系統的主要原因在於，hotkey 在子網的日常運營中使用頻繁，面臨潛在的安全威脅；而 coldkey 主要用於存儲和轉移 TAO，因此能有效減少 TAO 丟失的風險。這種雙重保護機制確保了賬戶操作的安全性和靈活性。
在綁定關係上，一個 hotkey 可以綁定同一子網的一個 coldkey，但也可以綁定不同子網的 coldkey（不推薦）。一個 coldkey 可以綁定多個 hotkey。
1.1.2子網 UID系統
1.1.2.1子網 UID 生成
在支付至少 100 TAO 的註冊費用後，系統會生成一個子網 UID，並將其綁定到您的 hotkey 上。該 UID 是參與子網挖礦或驗證的必備憑證。要成為礦工，您只需具備 hotkey、coldkey 和子網 UID，然後運行 Bittensor 即可參與挖礦。
1.1.2.2成為驗證者的要求
要成為子網驗證者，必須質押至少 1000 TAO，並且在每個子網中，質押量需排名前 64。需要注意的是，驗證者可以同時持有多個 UID 插槽，從而在多個子網中進行驗證，而無需額外增加質押數量（類似於 restaking 的概念）。這種機制不僅降低了驗證者作惡的風險，也提高了作惡成本，因為質押高額 TAO（至少 1000 TAO）使得作惡代價大幅上升。為提升自身在子網中的競爭力，每個驗證者都會努力建立良好的聲譽和業績記錄，以吸引更多 TAO 委託質押，從而確保穩居前 64 的位置。
1.1.2.3子網結構及容量限制
子網 1：共有 1024 個 UID 插槽，最多可容納 128 個驗證者；驗證者和礦工的總數上限為 1024。
其他子網：每個子網擁有 256 個 UID 插槽，最多可容納 64 個驗證者；每個子網中驗證者和礦工的總數不超過 256。
1.1.2.4子網競爭與激勵機制
在子網內部，驗證者會向礦工分配任務，所有礦工完成任務後，將結果提交給對應的驗證者。驗證者會對各個礦工提交的任務質量進行評估和排名，礦工根據工作質量獲得 TAO 獎勵。同時，驗證者也會因為確保高質量礦工獲得更好獎勵而獲得激勵獎勵，從而推動整個子網質量的持續提升。這一系列競爭過程均由子網創建者設計的代碼激勵機制自動執行，確保系統公平高效運作。
每個子網設有 7 天的保護期（免疫期），從礦工註冊子網 UID 開始計時。在此期間，礦工將累計其獎勵。如果在保護期內出現新礦工註冊，而當前子網的 UID 插槽已滿，則累計獎勵最少的礦工將被淘汰，其 UID 會重新分配給新註冊的礦工。
1.2子網構建了一個多層次生態系統
Bittensor 子網構建了一個多層次的生態系統，其中礦工、驗證者、子網創建者和消費者各司其職，共同推動高質量 AI 服務的生成。
礦工（Miners）：作為網絡的核心計算節點，礦工託管 AI 模型，提供推理和訓練服務。他們通過最小化損失函數並在點對點評分中競爭，以獲得 TAO 獎勵。礦工的成功取決於其提供服務的質量和性能。
驗證者（Validators）：驗證者負責評估礦工提交的任務結果，構建信任矩陣，防止串通作弊，確保優質礦工獲得更高回報。他們根據礦工的響應質量進行排名，排名越準確和一致，驗證者獲得的獎勵就越多。
子網創建者（Subnet Creators）：子網創建者根據特定應用領域（如自然語言處理、計算機視覺等）的需求，設計定製化子網，構建獨立的共識機制、任務流程和激勵結構。他們承擔網絡管理員的角色，有權通過各自的子網分配激勵。
消費者（Consumers）：消費者通過支付 TAO 代幣調用 AI 服務，實現查詢 API、獲取訓練數據或利用計算資源進行模型訓練的目的。他們是 Bittensor 提供的 AI 模型的最終用戶。
整體流程為：子網驗證者生成問題並分發給所有礦工，礦工根據任務生成答案並返回給驗證者。驗證者依據答案質量進行評分並更新礦工權重，隨後定期將權重上傳至鏈上。通過激烈競爭和優勝劣汰機制，持續推動子網內 AI 模型的技術進步和生態優化。
1.2.1礦工層
礦工在 Bittensor 網絡中扮演著核心計算節點的角色，其主要職責包括：
託管 AI 模型，提供推理或訓練服務：礦工通過託管本地機器學習模型，為客戶端應用程序提供預測服務。當客戶端需要預測時，會向 Bittensor 網絡發送請求，網絡將其路由至已註冊為服務提供者的礦工。礦工處理請求並將預測結果返回給客戶端。
通過在 P2P 排名中競爭，賺取 TAO 代幣作為計算激勵：礦工根據其模型性能和對網絡的貢獻度，在點對點排名中競爭，以獲得 TAO 代幣獎勵。這種激勵機制鼓勵礦工持續優化其模型性能，為網絡提供高質量的 AI 服務。
確保高質量的 AI 模型貢獻：礦工緻力於提供高質量的 AI 模型，以滿足網絡需求並確保服務質量。這不僅有助於他們在網絡中獲得更高的排名和獎勵，也提升了整個 Bittensor 網絡的整體性能和可靠性。
通過履行這些職責，礦工為 Bittensor 網絡的高效運作和發展做出了重要貢獻。
每個礦工 fix在數據集 D上訓練，以最小化損失函數Li=EDQfix
其中：
Qfix是誤差函數
ED表示對數據集 D的期望。
例如，如果礦工 A提供語音識別模型 fAx，其損失函數可能為：
較低的 LA(即更好的模型性能) 會導致在 P2P 評估中獲得更高的排名。
每個礦工的貢獻通過費舍爾信息度量 (FIM):Ri=WT⋅S
其中：
W是表示礦工之間 P2P 分數的權重矩陣。
S是礦工在網絡中的質押（持有）量。
如果礦工 A 和礦工 B 相互評分，權重矩陣為：
礦工 A 的最終排名為：
如果礦工 A 擁有高質量的 AI 模型, 則 wB,A會很高, 導致 RA更高，從而獲得更多獎勵。
驗證者層
驗證者確保礦工 AI 模型的公平評估，防止串通和惡意行為。他們充當網絡中的“裁判”，確保高質量的 AI 服務。
驗證者通過計算信任矩陣對礦工進行排名：
ci是礦工i的信任分數。
tj,i表示礦工 j對礦工i的信任度。
sj是礦工 j的質押量。
是 Sigmoid 函數，用於平滑縮放。
例如，假設網絡中有三個礦工 A、B、C，信任矩陣為：
如果礦工 A 擁有表現良好的模型，則礦工 B 和 C 都高度信任 A。
如果礦工 C 的模型一般，則只有礦工 B 稍微信任 C。
因此，礦工 A 會獲得更高的信任分數 cA，從而獲得更多獎勵，而礦工 C 的分數較低。
1.2.2消費者層
在 Bittensor 網絡中，消費者是指最終用戶或企業，他們通過支付 TAO 代幣來訪問由礦工提供的人工智能（AI）服務。這種模式使消費者無需擁有或維護自己的 AI 模型，即可利用網絡內的 AI 能力，降低了 AI 計算成本。
消費者的具體應用場景包括：
開發者查詢 AI API：開發者可以調用 Bittensor 提供的 AI 接口，獲取所需的智能服務，用於應用程序開發或功能集成。
研究機構訪問 AI 訓練數據集：研究機構能夠利用網絡內的資源，訪問和分析大型 AI 訓練數據集，支持科研項目和實驗。
企業利用 Bittensor 的計算資源進行 AI 模型訓練：企業可藉助 Bittensor 的去中心化計算資源，進行自有 AI 模型的訓練和優化，提升業務智能化水平。
通過這種方式，Bittensor 為消費者提供了靈活、高效的 AI 服務獲取途徑，促進了人工智能的普及和應用。
1.2.3基於質押的共識機制
Bittensor 的基於質押的共識機制主要解決以下問題：
防止惡意評分操縱，確保公平評分：迭代修正 w==fw調整任何偏離共識（即質押加權平均 w）過多的權重，從而減少對手方過度自評分數的影響。
獎勵高質量的 AI 貢獻者：持續貢獻高質量輸出的驗證者，即使在權重修正後，仍保持較高排名，因為他們報告的權重接近共識值。
基於質押的博弈模型
我們將共識模型視為一個雙人博弈：
誠實方（主角）質押：SHwith 0.5<SH≤1
對抗方（對手）質押：1-SH
雙方競爭固定的總獎勵： eH+eC=1，其中 eH和 eC分別是誠實方和對抗方的獎勵。
獎勵分配後，質押量更新為：
誠實方為自己分配了一個客觀權重 wH，並將 1-wH分配給對手。
相比之下，對手可以自由選擇其自分配權重wC，且無需成本，以最大化誠實方的權重支出：
想象比賽中的評委。誠實的評委給予公平的評分，而惡意的評委（對手）可能會給他們偏好的選手打出人為偏高的分數，迫使誠實方付出更多努力以保持競爭力。
由於誠實方的權益佔多數 ( sH>0.5), 他們可以實施匿名共識策略 π，在未知玩家身份的情況下調整所有權重，以優化納什均衡：
目標是調整權重，使得修正後的權重滿足：
從而糾正誤差
基本的共識策略定義為：
其中，共識權重 w為權益加權平均值：
然後對該策略進行迭代：
其中 為迭代次數。
可以將其比作一個精確校準的天平。如果一側的權重過高，系統會反覆調整，直到恢復平衡。例如，當 SH=0.6 且初始 wH=1, 經過多次迭代，即使對手仍報了高 wC(比如 wC=0.8).，誠實方的有效支出也會降低到低於 0.75,
1.2.3.1平滑處理與密度演化
為了避免突兀的修正導致系統不穩定，修正函數採用了“平滑處理”。我們定義 按權益加權的平均絕對偏差為：
然後，平滑修正由以下公式給出：
其中 (由參數 (0≤α<1) 控制） 決定平滑程度.
這種平滑調整類似於駕駛員在轉彎時平穩剎車，而不是突然猛踩剎車。這種漸進式的修正方式確保了小幅度的權重差異被溫和地調整，從而保持系統的整體穩定性。
在推廣到 雙隊伍博弈(其中 |H|為誠實玩家 ， |C|為對抗性玩家）, 每個團隊的權重分佈可用密度函數 pw來描述。例如，對於誠實玩家，假設權重服從正態分佈：
對抗性玩家的分佈同理。誠實與對抗團隊的整體密度分佈為：
然後應用 密度演化函數：
其中 gw=f-1w. 經過 η 輪迭代後，每位玩家的最終排名為：: r_i = \int f^\eta\Bigl(p_i(w)\Bigr)\, dw .
這個過程類似於對大型數據集進行 統計平滑。經過多輪“平滑”處理後，每位參與者的 真實排名得以顯現。關鍵在於，密度演化能更大程度地 壓縮異常權重（即惡意玩家的過高權重），而對誠實玩家的影響較小。
1.2.3.2權重信任機制與零權重漏洞防範
為了防止 對抗性玩家報告接近零的權重以規避懲罰，引入了 權重信任機制。定義信任值 Tas: T=(W〉0)S
即 所有賦予非零權重的總權益。然後，應用 平滑閾值：
C = \Bigl(1+\exp\bigl(-\rho (T-\kappa)\bigr)\Bigr)^{-1}.
該機制確保：如果多數人認定某個節點的權重為零，則其獎勵將被大幅削減。
類似於 社區信譽系統——只有當大多數成員認可某人可信時，該人才能獲得全部收益；否則，試圖通過報告零權重來操縱系統的行為將受到懲罰。
當前面臨的挑戰包括：
零權重漏洞：對抗性玩家可能報告極低或零權重，以利用獎勵分配的漏洞。
修正不平衡：在某些情況下，修正可能 過於激進或 過於溫和，導致共識偏差。
計算複雜度高：密度演化和多次迭代涉及 On2計算量，可能會給區塊鏈環境帶來負擔。
dtao 升級針對上述問題進行了改進，具體包括：
優化迭代和平滑處理：增加迭代次數 η，精細調整平滑參數 α 或 δ，從而減少零權重漏洞，並防止過度修正。
增強權重信任機制：更精準地檢測 非零權重，並應用更嚴格的閾值，使 只有大多數人認可的節點才能獲得完整獎勵。
降低計算開銷：通過算法優化 減少計算成本，使其適應區塊鏈計算約束，同時不影響理論上的準確性。
Bittensor 的 基於權益的共識機制結合了 數學模型和 博弈論工具，通過 更新公式、加權平均共識、迭代修正、密度演化等方法，系統能 自動校準異常權重偏差，確保公平的最終獎勵分配。
這一過程類似於 智能平衡系統或 信譽機制，可以 持續自我校準，確保公平評分、激勵優秀貢獻者，並防止惡意勾結和投票操縱。
在此基礎上，dtao 升級採用更精細的 平滑控制和 改進的權重信任策略，進一步提升了系統的 魯棒性與公平性。因此，在對抗性環境下，誠實貢獻者可以始終保持 競爭優勢，而 整體計算資源消耗也得到了優化和降低。
2.Yuma共識：動態可編程的激勵與共識
比特幣構建了全球最大的點對點算力網絡，任何人都可以通過貢獻本地計算能力來維護全球賬本。其激勵規則在設計時已固定，導致生態系統以相對靜態的方式發展。
相比之下，Yuma 共識（YC）是一種動態、可編程的激勵框架。不同於比特幣的靜態激勵機制，YC 將目標函數、質押獎勵和權重調整機制直接集成到共識過程中。這意味著系統並非僅依賴固定規則運行，而是根據節點的實際貢獻和行為動態調整，從而實現更公平和高效的獎勵分配。
YC 共識算法在 Subtensor 區塊鏈上持續運行，並針對每個子網獨立運作。其主要工作流程包括以下組件：
子網驗證者的權重向量：每個子網驗證者維護一個權重向量，其中每個元素代表該驗證者對所有子網礦工分配的評分權重。該權重基於驗證者的歷史表現，用於對礦工進行排名。例如，若某驗證者的評分向量為 w=wn，則所得排名反映了該驗證者對每個礦工貢獻水平的評價。
質押金額的影響：鏈上的每個驗證者和礦工都會質押一定數量的代幣。YC 共識結合權重向量和質押金額來計算獎勵分配。即，最終獎勵不僅取決於評分權重，還取決於質押數量，從而形成“質押 → 權重 → 獎勵”的閉環。
動態主觀共識：每個參與者為其機器學習模型分配本地權重。這些本地權重通過共識策略進行調整，然後在區塊鏈上聚合為全局指標。換言之，YC 能夠即使在對抗性環境中也能實現大規模共識，並能動態適應節點行為的變化。
獎勵計算與分配：子網驗證者收集各自的排名結果，並將其作為 YC 算法的集體輸入提交。儘管不同驗證者的排名可能在不同時間到達，Subtensor 大約每 12 秒處理一次所有排名數據。基於這些數據，系統計算獎勵（以 TAO 計）並將其存入子網礦工和驗證者的錢包中。
這種綜合機制使得 YC 能夠在去中心化網絡中持續且公平地分配獎勵，動態適應貢獻質量，維護整體網絡的安全性和效率。
2.1知識蒸餾與專家混合（MoE）：協同學習與高效貢獻評估
2.1.1知識蒸餾（Digital Hivemind）
Bittensor 引入了知識蒸餾的概念，這類似於人類大腦中神經元的協作工作，節點通過共享知識、交換數據樣本和模型參數來集體學習。
在此過程中，節點持續交換數據和模型參數，形成一個隨著時間自我優化的網絡，以實現更準確的預測。每個節點將其知識貢獻到共享池中，最終提升整個網絡的整體性能，使其更快，更適合實時學習應用，如機器人技術和自動駕駛。
關鍵的是，這種方法有效減輕了災難性遺忘的風險——這是機器學習中的常見挑戰。節點可以在保留和擴展其現有知識的同時，融合新的見解，從而增強網絡的魯棒性和適應性。
通過將知識分佈在多個節點上，Bittensor TAO 網絡對干擾和潛在的數據洩露變得更具彈性。這種魯棒性對於處理高度安全和隱私敏感的數據（如金融和醫療信息）的應用尤為重要。
2.1.2專家混合 (MoE)
Bittensor 採用分佈式專家模型（MoE）來優化人工智能預測，通過多個專業化 AI 模型的協同合作，大幅提升瞭解決複雜問題的準確性和效率。例如，在生成帶有西班牙語註釋的 Python 代碼時，多語言模型與代碼專長模型能夠協同發揮，產出遠優於單一模型的高質量結果。
Bittensor 協議的核心由參數化函數構成，通常稱為神經元，這些神經元以點對點方式分佈，每個神經元記錄零個或多個網絡權重，並通過相互排名訓練神經網絡來評估鄰近節點的價值，進而將排名得分累積到數字賬本上。排名較高的節點不僅獲得貨幣獎勵，還獲得額外權重，從而在節點貢獻與獎勵之間建立了直接聯繫，提升了網絡的公平性和透明度。該機制構建了一個市場，使得其他情報系統能夠通過互聯網以點對點方式對信息進行定價，並激勵各節點不斷提升自身知識和專業能力。為確保獎勵的公平分配，Bittensor 借用了合作博弈理論中的 Shapley 值，提供了一種根據節點貢獻在各方間高效分配獎勵的方法。在 YC 共識下，驗證者對各專業模型進行評分和排名，並依據 Shapley 值原理公平分配獎勵，從而進一步提高了網絡的安全性、效率和持續改進能力。
3.dtao升級
Bittensor 項目在其資源分配和經濟模型設計中存在以下主要問題：
資源重疊與冗餘：多個子網專注於類似任務，如文本到圖像生成、文本提示和價格預測，導致資源分配的重複和浪費。
缺乏實際用例：某些子網（如價格預測或體育賽事結果預測）尚未在現實場景中證明其實用性，可能導致資源投入與實際需求不匹配。
“劣幣驅逐良幣”現象：高質量子網可能難以獲得足夠的資金和發展空間。由於僅有七天的保護期，未能獲得根驗證者足夠支持的子網可能過早被淘汰。
驗證者中心化及新子網激勵不足：
根驗證者可能無法完全代表所有 TAO 持有者，他們的評估結果可能不反映廣泛的觀點。在 Yuma 共識下，頂級驗證者在最終評分中占主導地位，但他們的評估並不總是客觀的。即使發現偏見，也可能無法立即糾正。
此外，驗證者缺乏遷移至新子網的激勵，因為從高發行量的舊子網轉移到低發行量的新子網可能導致即時獎勵損失。新子網能否最終匹配已建立子網的代幣發行量的不確定性，進一步降低了他們的遷移意願。
經濟模型的主要問題：
Bittensor 的機制設計中一個主要問題是，儘管所有參與者都獲得 TAO，但實際上沒有人支付 TAO，這導致持續的拋售壓力。目前，礦工回答的問題並非由真實用戶提出，而是由子網所有者提供——要麼模擬真實用戶查詢，要麼基於歷史用戶需求。因此，即使礦工的回答有價值，這些價值也被子網所有者所捕獲。無論礦工的回答是幫助子網所有者改進其模型算法，還是直接被子網所有者用於模型訓練以提升其產品，礦工和驗證者的工作所產生的價值都被子網所有者佔有。理論上，子網所有者應為此價值付費。
此外，子網所有者不僅無需承擔任何成本，還享有子網發行量的 18%。這意味著 Bittensor 生態系統並非緊密相連——參與者基於開發和協作保持鬆散聯繫。子網上的項目可以隨時退出而不會遭受任何損失（因為子網註冊費會被退還）。目前，Bittensor 系統中回收代幣的主要機制是子網礦工和驗證者支付的註冊費用；然而，這些費用很少，不足以支持有效的價值捕獲。儘管質押已成為主要機制，但通過區塊鏈交易費用和註冊費用回收的 TAO 數量仍然有限。
質押分為兩種形式：
驗證者質押：參與者質押 TAO 以支持網絡安全並獲得獎勵，佔所有發行 TAO 的 75%。驗證者目前每天可獲得約 3,000 TAO，年化回報率超過 15%。然而，在第一次減半後，這一分配將降至每天 1,500 TAO，降低了質押的吸引力，削弱了其平衡代幣供需的效果。
子網註冊質押：新子網的增加顯著影響 TAO 供應。這構成了一個挑戰，因為 TAO 的總髮行量是固定的；子網數量的增加將稀釋所有子網的獎勵，使現有子網難以維持運營，可能導致一些子網退出網絡。
這些問題表明，Bittensor 的資源分配和經濟模型設計需要進一步優化，以確保網絡的可持續發展和公平激勵。
3.1什麼是dtao
dTAO 是 Bittensor 網絡提出的一種創新激勵機制，旨在解決去中心化網絡中資源分配效率低下的問題。它摒棄了傳統由驗證者手動投票決定資源分配的方式，而是引入基於市場動態調整的機制，將 TAO 發行量在各子網之間的分配與子網代幣的市場表現直接掛鉤，通過嵌入式流動性池設計鼓勵用戶將 TAO 抵押換取子網代幣，從而支持表現優異的子網。
同時，採用公平發行模式確保子網代幣逐步分配，促使團隊通過長期貢獻獲得代幣份額，並平衡了驗證者和用戶的角色，驗證者如同風險投資者般嚴格評估團隊技術和市場潛力，而用戶通過質押和市場交易進一步推動子網價值的形成。
3.1.1dTAO的核心機制
3.1.1.1將驗證者和團隊與生態強綁定: 想要獲得收益須先投資subnet token
dTAO 的設計基於市場與技術雙重驅動，每個子網配置一個由 TAO 和子網代幣構成的流動性池。當$TAO 持有者（驗證者和子網擁有者）進行質押操作，相當於使用$TAO 購買相應的$dTAO，能夠換出$dTAO 的數量，遵循如下公式計算：
兌換時，$TAO 與$dTAO 的定價機制遵循與 Uniswap V2 相同的恆積公式: τ*α=K
其中，τ代表$TAO 的數量，α代表$dTAO 的數量。在沒有額外流動性注入的前提下，無論使用多少$TAO 兌換$dTAO 或多少$dTAO 兌換$TAO，K 的值將保持不變。反之亦然，當$dTAO 持有者進行解除質押操作，相當於使用$dTAO 購買$TAO，能夠換出$TAO 的數量，遵循如下公式計算：
與 Uniswap V2 不同的是，$dTAO 的 liquidity pool 並不允許直接添加流動性。除 Subnet Owner 創建 Subnet 時以外，所有新注入的流動性完全來自被分配到的$TAO，以及$dTAO 總增髮量的 50%。換言之，各 Subnet 被分配到的新增發$TAO 並不直接分配給該 Subnet 的 Validator\Miner\Owner，而是全部被注入到 liquidity pool 中備兌；同時，新增發的$dTAO 的 50% 也被注入到 liquidity pool 中，剩餘 50% 則按照 Subnet 自身約定的激勵機制分配給 Validator\Miner\Owner。
這避免團隊通過初始大量持幣進行快速拋售，鼓勵團隊持續貢獻和技術迭代；驗證者需扮演類似風險投資人的角色，對子網的技術、市場潛力和實際表現進行嚴格評估；
Stake\Unstake 不會改變 K 的大小，而流動性注入會使得 K 增大為 K'
3.1.1.2市場價格最高的Subnet Token將獲得最多的$TAO emissions
在之前方案中，每個 Subnet 能夠獲得多少比例的新增發$TAO 是由 Root Network 的 Validator 決定的。這一方案暴露出一些潛在問題。例如，由於 Root Network 的權力集中在少數 Validator 手中，即使 Validator 共謀將新增發$TAO 分配給低價值的 Subnet，也不會受到任何懲罰。
Dynamic TAO 中止 Root Network 的特權，並將決定新增發$TAO 該如何分配的權力交給所有$TAO 持有者。具體做法是採用全新的 Yuma Consensus V2，將各 Subnet Token 的價格進行 softmax 操作後得到對應的釋放比例，即：
|
Softmax 是一個常用的歸一化函數，能夠將一組向量中的每個元素轉換為非負值同時保留各元素間相對大小關係，並確保轉換後所有元素之和為 1。
其中，P 是$dTAO 相對$TAO 的價格，由 liquidity pool 中$TAO 的數量除以$dTAO 的數量計算得出。
根據公式，當一個 Subnet Token 相對$TAO 價格越高時，能夠獲得新增發$TAO 的釋放比例也就越高。
3.1.1.3將設定激勵機制的權力下放給各 Subnet
之前Subnet 所獲得的$TAO 激勵按照固定比例 41%-41%-18% 分配給 Validator\Miner\Owner。
Dynamic TAO 賦予各 Subnet 發行自身「Subnet Token」的權力，並規定，除增髮量的 50% 必須被注入到 liquidity pool 外，剩餘 50% 具體按照何種機制分配給 Validator\Miner\Owner，則有 Subnet 參與者自行決定。
這一機制同時確保只有不斷提升產品和吸引用戶的子網才能獲得更多激勵，防止通過龐氏拉動短期收益的模式出現。
3.1.2 舉例分析
Dynamic TAO 網絡升級後，現在所有 Subnet 都已經鑄造出相應的$dTAO，$dTAO 的創世數量等於該 Subnet Owner 曾經在創建 Subnet 時鎖定的$TAO 的數量。其中，50% 的$dTAO 被注入到該 Subnet 的 liquidity pool 中，剩餘 50% 則被分配給該 Subnet Owner。
假設 Subnet #1 的 Owner 曾鎖定了 1000 顆$TAO，那麼，$dTAO 的創世數量也為 1000 顆。其中，500 顆$dTAO 與 1000 顆$TAO 作為初始流動性被添加到 liquidity pool 中，剩餘 500 顆$dTAO 則分配給 Owner。
接下來，當有 Validator 來到 Subnet #1 註冊並質押了 1000 顆$TAO，那麼該 Validator 將會獲得 250 顆$dTAO，此時 liquidity pool 中剩餘 2000 顆$TAO 和 250 顆$dTAO。
假設 Subnet #1 每天能夠獲得 720 顆$TAO 的區塊獎勵，那麼，liquidity pool 每天會自動被注入 720 顆$TAO。至於每天注入$dTAO 的數量，則取決於該 Subnet 自行設置的增發速度。
3.2 dtao帶來的影響
dTAO 的引入從根本上重塑了 TAO 的分配與質押機制。首先，新發行的 TAO 不再由少數 Validator 獨斷分配，而是由所有 TAO 持有者通過市場行為間接共同決定，這使得質押 TAO 更像是“買入”某個 Subnet 的 Token，而非簡單的旱澇保收。在這種機制下，短期內質押和解除質押對 dTAO 價格的影響遠超 Subnet 實際獲得 TAO 數量的效應，進而使得質押收益充滿不確定性。
好處在於，頂級 Validator 對區塊獎勵分配的絕對控制力消失，大大提高了潛在攻擊者通過質押量攻擊網絡的成本；同時，後發優質 Subnet 有更大機會脫穎而出，早期 Validator 支持高質量 Subnet 的回報潛力極高，甚至可能實現本金的數倍回報。此外，Subnet 之間競爭的加劇將推動質押者轉變為更加理性的投資者，通過嚴謹盡調選擇前景最優的 Subnet。
總的來說，dTAO 機制的實施將促使整個生態系統向更高效、競爭激烈且市場化的方向發展
3.3 dTAO 升級後 Bittensor 生態系統將如何演變？
要分析 dTAO 升級的影響，我們需要關注兩個關鍵問題：
子網需求如何轉化為對子網代幣的需求？
子網代幣的引入是否能創造“TAO 之夏”，加速 TAO 生態系統內的創新？
3.3.1子網需求如何轉化為對子網代幣的需求？
最初，所有子網代幣的價格相同，並且每個子網的流動性池中僅包含少量的 TAO 和 dTAO 代幣。因此，任何交易活動都可能引發顯著的價格波動。
為了參與子網並獲得獎勵，用戶必須首先購買 dTAO 子網代幣並將其質押給驗證者，這一需求推動了該子網內 dTAO 價格的上漲。隨著 dTAO 價格上升，流動性池內的 dTAO 總價值增加，系統會自動向該子網分配更多的 TAO 獎勵，使礦工和質押者能夠獲得更高的回報。
這形成了一個正反饋循環：用戶購買 dTAO，推高價格➡️價格上漲導致子網獲得更多 TAO 發行量➡️更多的獎勵吸引額外用戶進入➡️進一步推高 dTAO 價格
反之，如果用戶開始大量拋售 dTAO，其價格下降，導致該子網獲得的 TAO 發行量減少，從而降低用戶的參與度。總體而言，子網代幣價格的波動主要受市場供需、流動性池規模以及系統自動激勵機制的影響。
這個機制與 AI 代理Launchpad 模型有相似之處，用戶首先需要購買平臺代幣來投資 AI 代理代幣。在 AI 代理 Launchpad 生態中，一旦某個 AI 代理代幣價格快速上漲併產生財富效應，大量用戶就會湧入，進一步推高平臺代幣的需求。
然而，dTAO 機制與 AI 代理 Launchpad 之間存在一些關鍵區別：
在 AI 代理 Launchpad 生態中，用戶通常僅在 AI 代理代幣的市值較低（即在項目內部市場中）時使用平臺代幣購買這些 AI 代理代幣。
一旦 AI 代理代幣達到一定估值，用戶可以將其賣出換取 ETH/SOL 來實現利潤，新用戶也可以直接使用 ETH/SOL 購買 AI 代理代幣。
相比之下，在 dTAO 體系中：
當 dTAO 價格上漲，用戶希望套現或遷移到另一個具有更高潛力的子網時，他們只能用 dTAO 兌換 TAO。
這一過程可能導致流動性池內 dTAO 價格的大幅波動。
目前，用戶可以在 Backprop Finance上交易 dTAO 代幣，從而提供子網代幣的二級市場流動性。
3.3.2 dTAO 生態系統的獨特發行機制
dTAO 生態的另一個關鍵方面是其獨特的代幣發行機制。如下圖所示，在 dTAO 升級後，發行量高度集中在前幾個子網項目上。前 五個子網項目目前可獲得 40% 的總髮行量。
目前每天分發 7,200 TAO，按照 2025 年 2 月 18 日的 TAO 價格計算，這意味著前五個子網項目每天單獨獲取價值約 100 萬美元的 TAO。
如果 dTAO 生態的發展路徑類似於 Virtual 生態，即某些項目獲得顯著市場關注，那麼高市值子網將佔據絕大部分新增的 TAO 發行量。
對於新項目而言，要想在競爭中勝出，必須展現出強勁的潛力，以吸引質押者、礦工和驗證者參與。這通常意味著：
參與者需要 從其他子網遷移，將其 TAO 兌換成新子網的 dTAO。
這可能涉及 拋售現有流動性池中的子網代幣，從而提高新子網的市值。
這種競爭模式可能會促使子網代幣市場更加活躍，並進一步推動整個 TAO 生態系統的創新與發展。
3.4 dTAO 是否解決了 Bittensor 子網模型中的問題？
3.4.1 機制問題依然存在
dTAO 升級將 TAO 發行量與子網代幣的市場表現掛鉤，將資源分配決策從少數根驗證者轉變為 市場驅動方式，旨在激勵更廣泛的用戶參與和互動。雖然這一機制 部分緩解了資源重疊帶來的低效，確保只有 代幣價格表現強勁的高性能子網才能獲得更多 TAO 獎勵，但它並未從根本上解決以下關鍵問題：
資源重疊與冗餘：如果多個子網專注於相似任務（如 文本生成、圖像生成或價格預測），即使採用市場驅動的調整方式，資源重複和低效利用仍然沒有得到根本解決。
雖然所有參與者都可以賺取 TAO，但沒有外部用戶為礦工和驗證者的貢獻付費。這導致 TAO 持續面臨拋售壓力，因為獎勵不斷髮放，卻缺乏 可持續的需求機制來支撐 TAO 價格。
部分子網可能存在偽造模型和評估標準不完善的問題： Bittensor 正在演變為 AI 技術堆棧中的“外包層”，其中 代幣激勵迅速吸引資源並推動特定 AI 任務的分配。例如，Kaito AI 將搜索引擎的開發外包給一個子網，利用集體智能來降低成本。然而，這種 激勵驅動模型雖然在短期內可以吸引開發者，但長期成功仍取決於真實需求和質量保障。在測試 Cortex.t 子網時，發現其回答直接來自 OpenAI API，而非 Bittensor 礦工生成。這表明部分子網只是“包裝應用”，並未真正利用 Bittensor 的去中心化 AI 計算能力。部分子網驗證者依賴 OpenAI 結果進行對比，可能導致中心化風險，同時 部分價格預測類子網的準確性較低，難以實際應用
改進方向：提升實用性和透明度：
礦工應提交中間數據或哈希證明以驗證其模型訓練和推理過程，確保 輸出確實來自 Bittensor 網絡，而非外部 API。
應建立標準化測試數據集，用於 不同類型的子網（如預測模型、生成式 AI 模型）進行基準測試。
定期發佈基準測試排名，促進子網之間的健康競爭，提高模型質量。
3.4.2 dTAO 仍面臨 adoption、應用場景缺乏與質押率下降問題
當前，dTAO 主要侷限於 Bittensor 網絡內部，尚未在更廣泛的加密市場中獲得足夠的採用度。雖然 dTAO 引入了 EVM 兼容性，但它並未像 Virtual 生態的 AI Agent 代幣那樣在社交媒體上形成熱度。與此同時，幾乎沒有項目將 dTAO 納入其核心代幣經濟模型，導致 dTAO 仍然缺乏真實的應用需求。目前，購買子網代幣更像是一種一次性的投資行為，當用戶選擇套現時，可能會引發大幅度的價格波動。這種問題在 AI 基礎設施外包子網中尤為明顯，例如 Kaito 的 dTAO 代幣幾乎與其核心業務無關聯，使得其代幣缺乏市場價值支撐。
儘管如此，dTAO 仍然相較於 AI Agent Launchpad 具備一定優勢。按照 dTAO 經濟模型，50% 的新發行 dTAO 必須注入流動性池，而剩餘 50% 由子網參與者（包括驗證者、礦工和子網所有者）決定分配。這一機制確保只有持續改進產品、吸引用戶的子網，才能獲得更多獎勵，從而避免低質量 AI 代理的泛濫，並推動 TAO 生態的技術創新。然而，由於 dTAO 生態仍處於早期階段，受眾範圍尚未擴大，同時缺乏大規模的應用場景，使得其市場認可度依然較低。
當前，Bittensor 生態系統的擴張速度未能匹配代幣經濟增長的需求。根據最新數據，TAO 的質押率已從 90% 高峰下降至 71%。這表明，部分持幣者對網絡的長期激勵機制缺乏信心，可能轉向其他更具收益吸引力的 DeFi 或 AI 生態項目。
3.5 關注與 Bittensor 生態緊密結合且具備實際用例的子網項目
Bittensor 生態系統的健康發展，取決於是否能夠吸引並支持高質量的子網。評估一個子網的長期潛力，需要重點關注其應用場景、激勵機制、團隊背景以及代幣的實際用途。
首先，子網必須具備清晰且實際的應用場景。一個成功的項目不僅需要解決現實世界的問題，還應獲得真實用戶的反饋。技術架構需要穩健且富有創新性，能夠支持分佈式 AI 模型訓練和推理。此外，子網應利用鏈上數據，並採用透明的評估機制，以展示其對 Bittensor 生態的貢獻。
其次，合理的激勵機制是維持子網長期運作的關鍵。激勵結構應該公平地分配給礦工、驗證者和子網所有者，避免由於缺乏持續的應用需求而導致的市場拋售壓力。子網需要能夠通過業務模式自我造血，而非單純依賴 TAO 發行進行激勵。
此外，一個成功的子網項目往往具備強大的團隊背景、生態整合能力以及社區支持。優先關注 Bittensor 原生子網，而非單純的 AI 外包子網，能夠確保整個生態體系的長期穩定性。對於外包型項目，關鍵在於其子網代幣是否真正融入到核心代幣經濟模型，而不僅僅是一個激勵工具。
最後，子網代幣的實際用途是決定其長期價值的核心。目前，幾乎沒有項目真正將子網代幣納入其運營體系，dTAO 仍處於早期階段。如果子網代幣能夠用於支付、訪問 AI 服務、參與治理或提供額外激勵，才能建立真正的市場需求，確保長期價值和生態健康。否則，子網代幣仍然只是純粹的投機資產，容易引發市場波動，最終難以吸引長期用戶和開發者。
4. 經濟模型
所有 TAO 代幣獎勵均為新鑄造，與比特幣類似，Bittensor 的 TAO 採用與比特幣相同的代幣經濟學和發行曲線，總供應上限為 2100 萬，每 4 年減半。
Bittensor 採用公平啟動方式，無預挖或 ICO，每個流通的代幣都必須通過積極參與網絡來賺取。目前網絡每天生成 7,200 個 TAO（每個區塊生成 1 個 TAO，約每 12 秒產生一個），遵循程序化發行計劃：當總供應量的一半被分發後，發行速率便減半，此過程大約每 4 年發生一次，並在每次半數節點持續進行，直至 2100 萬 TAO 全部流通
儘管 TAO 的發行曲線與比特幣類似，但由於引入了回收機制，根據 taostats 的代幣回收數據，Bittensor 網絡（於 2021 年 1 月 3 日上線）的計劃減半日期預計將推遲到 2025 年 12 月。
關於 HTX Research:
HTX Research 是 HTX Group 旗下的專屬研究部門，負責對加密貨幣、區塊鏈技術及新興市場趨勢等廣泛領域進行深入分析，撰寫全面報告，並提供專業評估。HTX Research 致力於提供基於數據的洞察和戰略前瞻，在塑造行業觀點和支持數字資產領域的明智決策方面發揮著關鍵作用。憑藉嚴謹的研究方法和前沿的數據分析，HTX Research 始終站在創新前沿，引領行業思想發展，並促進對不斷變化的市場動態的深入理解。
參考：
https://bittensor.com/content/consensus_v2
https://learnbittensor.org/subnets
https://taostats.io/subnets
