ผู้เขียนต้นฉบับ: Knower
ต้นฉบับเรียบเรียง: ลูฟี่, Foresight News
ข่าวที่เกี่ยวข้อง:
เพื่อนๆ ไม่เจอกันนานนะ ฉันหวังว่าคุณทุกคนจะเพลิดเพลินไปกับการเคลื่อนไหวของราคาเชิงบวกในช่วงนี้ในพื้นที่สกุลเงินดิจิทัล เพื่อรับรางวัลที่ดี ฉันตัดสินใจเขียนรายงานอย่างเป็นทางการเกี่ยวกับโครงการเข้ารหัสปัญญาประดิษฐ์ Bittensor ฉันไม่ใช่ผู้เชี่ยวชาญด้านสกุลเงินดิจิทัล ดังนั้นคุณอาจคิดว่าฉันไม่คุ้นเคยกับปัญญาประดิษฐ์มากนัก อย่างไรก็ตาม ในความเป็นจริง ฉันใช้เวลาว่างส่วนใหญ่ไปกับการวิจัย AI นอกเหนือจากสกุลเงินดิจิทัล และทำความคุ้นเคยกับการอัปเดตที่สำคัญ ความก้าวหน้า และโครงสร้างพื้นฐานที่มีอยู่ในพื้นที่ AI ในช่วง 3-4 เดือนที่ผ่านมา
แม้ว่าทวีตบางส่วนจะใช้คำที่ไม่ถูกต้องและขาดการวิเคราะห์ แต่ฉันก็อยากจะบันทึกให้ตรง หลังจากอ่านบทความนี้ คุณจะรู้จัก Bittensor มากกว่าที่คุณคาดไว้ นี่เป็นรายงานที่ค่อนข้างยาวและฉันไม่ได้ตั้งใจจะพูดเยอะ ๆ สาเหตุส่วนใหญ่มาจากรูปภาพและภาพหน้าจอจำนวนมาก โปรดอย่าป้อนบทความลงใน ChatGPT เพื่อรับบทสรุป ฉันใช้เวลามากมายกับสิ่งเหล่านี้ และคุณจะไม่ได้รับเรื่องราวทั้งหมดในลักษณะนั้น
ตอนที่ฉันเขียนรายงานนี้ เพื่อนคนหนึ่ง (ซึ่งเป็น Crypto Twitter KOL) บอกฉันว่า “AI + Cryptocurrency = อนาคตของการเงิน” โปรดจำไว้เสมอเมื่อคุณอ่านบทความนี้
ปัญญาประดิษฐ์เป็นส่วนสุดท้ายของปริศนาสำหรับ crypto ที่จะเริ่มยึดครองโลกหรือเป็นเพียงก้าวเล็ก ๆ สู่เป้าหมายของเรา? มันขึ้นอยู่กับคุณแล้วที่จะค้นหาคำตอบ ฉันแค่เสนออาหารเพื่อความคิด
ข้อมูลพื้นฐาน
ตามคำพูดของ Bittensor นั้น Bittensor เป็นภาษาสำหรับเขียนตลาดสินค้าโภคภัณฑ์แบบกระจายอำนาจหรือ เครือข่ายย่อย จำนวนมากที่อยู่ภายใต้ระบบโทเค็นแบบรวม เป้าหมายของ Bittensor คือการส่งผ่านอำนาจของตลาดดิจิทัลไปยังสินค้าโภคภัณฑ์ดิจิทัลที่สำคัญที่สุดของสังคม --AI
ภารกิจของ Bittensor คือการสร้างเครือข่ายแบบกระจายอำนาจที่สามารถแข่งขันกับรุ่นก่อนหน้าที่ มีเพียงบริษัทยักษ์ใหญ่อย่าง OpenAI เท่านั้นที่สามารถบรรลุได้ ผ่านกลไกแรงจูงใจที่เป็นเอกลักษณ์และสถาปัตยกรรมเครือข่ายย่อยขั้นสูง Bittensor ถือเป็นระบบที่สมบูรณ์ของชิ้นส่วนที่ทำงานร่วมกันได้ ซึ่งเป็นเครื่องจักรที่สร้างขึ้นด้วยความช่วยเหลือของบล็อกเชน เพื่ออำนวยความสะดวกในการแพร่กระจายความสามารถด้านปัญญาประดิษฐ์ในห่วงโซ่ได้ดียิ่งขึ้น
มีผู้เล่นหลักสองคนที่ควบคุมเครือข่าย Bittensor พวกเขาคือผู้ขุดและผู้ตรวจสอบ นักขุดคือบุคคลที่ส่งโมเดลที่ได้รับการฝึกอบรมล่วงหน้าไปยังเครือข่ายเพื่อแลกกับส่วนแบ่งรางวัล เครื่องมือตรวจสอบมีหน้าที่รับผิดชอบในการยืนยันความถูกต้องและความแม่นยำของเอาต์พุตโมเดลเหล่านี้ และเลือกเอาต์พุตที่แม่นยำที่สุดเพื่อส่งคืนให้กับผู้ใช้ ตัวอย่างเช่น หากผู้ใช้ Bittensor ร้องขอให้แชทบอท AI ตอบคำถามง่ายๆ ที่เกี่ยวข้องกับอนุพันธ์หรือข้อเท็จจริงทางประวัติศาสตร์ คำถามนั้นจะได้รับคำตอบโดยไม่คำนึงถึงจำนวนโหนดที่ทำงานอยู่ในเครือข่าย Bittensor ในปัจจุบัน
ขั้นตอนสำหรับผู้ใช้ในการโต้ตอบกับเครือข่าย Bittensor มีการอธิบายโดยย่อดังนี้: ผู้ใช้ส่งข้อความค้นหาไปยังเครื่องมือตรวจสอบความถูกต้อง เครื่องมือตรวจสอบจะเผยแพร่ไปยังคนงานเหมือง จากนั้นเครื่องมือตรวจสอบจะจัดอันดับเอาต์พุตของคนงานเหมือง และเอาต์พุตของคนงานเหมืองที่มีอันดับสูงสุดจะถูกส่งออกไป กลับไปยังผู้ใช้
มันง่ายมาก
ด้วยสิ่งจูงใจ โมเดลมักจะให้ผลลัพธ์ที่ดีที่สุด และ Bittensor จะสร้างวงจรตอบรับเชิงบวกซึ่งนักขุดแข่งขันกันเองเพื่อแนะนำโมเดลที่ได้รับการปรับปรุง แม่นยำ และมีประสิทธิภาพสูงมากขึ้น เพื่อรับส่วนแบ่งที่มากขึ้นของ TAO (โทเค็นระบบนิเวศ Bittensor) ) และ ส่งเสริมประสบการณ์ผู้ใช้เชิงบวกมากขึ้น
ในการเป็นผู้ตรวจสอบความถูกต้อง ผู้ใช้จะต้องเป็นหนึ่งในผู้ถือ TAO 64 คนแรก และลงทะเบียน UID บนเครือข่ายย่อยใดๆ ของ Bittensor (ตลาดเศรษฐกิจอิสระที่ให้การเข้าถึงปัญญาประดิษฐ์รูปแบบต่างๆ) ตัวอย่างเช่น ซับเน็ต 1 มุ่งเน้นไปที่การทำนายป้ายกำกับผ่านข้อความแจ้ง และซับเน็ต 5 มุ่งเน้นไปที่การสร้างภาพ เครือข่ายย่อยทั้งสองอาจใช้โมเดลที่แตกต่างกันเนื่องจากงานแตกต่างกันมาก และอาจต้องใช้พารามิเตอร์ ความแม่นยำ และคุณลักษณะเฉพาะอื่น ๆ ที่แตกต่างกัน
ลักษณะสำคัญอีกประการหนึ่งของสถาปัตยกรรมของ Bittensor คือกลไก Yuma Consensus ซึ่งคล้ายกับ CPU ที่กระจายทรัพยากรที่ Bittensor ใช้งานได้ทั่วทั้งเครือข่ายย่อยทั้งหมด Yuma ได้รับการอธิบายว่าเป็นไฮบริดของ PoW และ PoS โดยมีฟังก์ชันเพิ่มเติมในการส่งและอำนวยความสะดวกด้านข่าวกรองนอกเครือข่าย ในขณะที่ Yuma ขับเคลื่อนเครือข่ายส่วนใหญ่ของ Bittensor เครือข่ายย่อยสามารถเลือกที่จะเข้าร่วมหรือไม่ขึ้นอยู่กับฉันทามติของ Yuma ข้อมูลเฉพาะมีความซับซ้อนและคลุมเครือ และมีซับเน็ตต่างๆ และ Github ที่เกี่ยวข้อง ดังนั้น หากคุณต้องการความเข้าใจทั่วไป การรู้แนวทางจากบนลงล่างสู่ฉันทามติของ Yuma จะช่วยแก้ปัญหาได้
แต่แล้วโมเดลล่ะ?
ตรงกันข้ามกับความเชื่อที่นิยม Bittensor ไม่ได้ฝึกโมเดลของตัวเอง นี่เป็นกระบวนการที่มีราคาแพงมากซึ่งมีเพียงห้องปฏิบัติการ AI หรือองค์กรวิจัยขนาดใหญ่เท่านั้นที่สามารถทำได้ และอาจใช้เวลานาน ฉันพยายามให้คำตอบที่ชัดเจนว่าการฝึกโมเดลรวมอยู่ใน Bittensor หรือไม่ แต่การค้นพบเดียวของฉันยังไม่เป็นที่แน่ชัด
กลไกการฝึกอบรมแบบกระจายอำนาจนั้นออกเสียงยากเล็กน้อย แต่ก็ไม่ยากที่จะเข้าใจ เครื่องมือตรวจสอบ Bittensor ได้รับมอบหมายให้ เล่นเกมอย่างต่อเนื่องในการประเมินโมเดลที่นักขุดสร้างขึ้นบนชุดข้อมูลที่ไม่มีป้ายกำกับ Falcon Refined Web 6 T-Token เพื่อประเมินแต่ละโมเดลตามเกณฑ์สองประการ: การประทับเวลาและการสูญเสียที่สัมพันธ์กับโมเดลอื่น ๆ อัตราของนักขุด ฟังก์ชันการสูญเสียเป็นคำศัพท์การเรียนรู้ของเครื่องที่ใช้อธิบายความแตกต่างระหว่างค่าที่คาดการณ์กับค่าจริงในการจำลองบางประเภท ซึ่งแสดงถึงระดับของข้อผิดพลาดหรือความไม่ถูกต้องจากข้อมูลอินพุตและเอาต์พุตของโมเดล
เกี่ยวกับฟังก์ชันการสูญเสีย นี่คือประสิทธิภาพล่าสุดของ sn 9 (เครือข่ายย่อยที่เกี่ยวข้อง) ที่ฉันได้รับจาก Discord เมื่อวานนี้ โปรดทราบว่าการสูญเสียขั้นต่ำไม่ได้แปลว่าการสูญเสียโดยเฉลี่ยเสมอไป:
“ถ้า Bittensor เองไม่ได้ฝึกโมเดลนี้ มันจะทำอะไรได้อีก!”
ในความเป็นจริง กระบวนการ สร้าง ของโมเดลภาษาขนาดใหญ่ (LLM) แบ่งออกเป็นสามขั้นตอนหลัก ได้แก่ การฝึกอบรม การปรับแต่งอย่างละเอียด และการเรียนรู้ตามบริบท (เพิ่มเหตุผลเล็กน้อย)
ก่อนที่เราจะพูดถึงคำจำกัดความพื้นฐาน ต่อไปนี้เป็นบทความเกี่ยวกับ LLM เดือนมิถุนายน 2023 ของ Sequoia Capitalรายงานการค้นพบของพวกเขาคือ: “โดยทั่วไปแล้วนอกเหนือจากการใช้ LLM API แล้ว 15% ของบริษัทยังสร้างโมเดลภาษาที่กำหนดเองตั้งแต่ต้นหรืออิงจากไลบรารีโอเพ่นซอร์ส การฝึกอบรมโมเดลแบบกำหนดเองได้เพิ่มขึ้นอย่างมากจากเมื่อไม่กี่เดือนที่ผ่านมา สิ่งนี้ทำให้คุณต้องคำนวณ สแต็ค ฮับโมเดล โฮสติ้ง เฟรมเวิร์กการฝึกอบรม การติดตามการทดลอง และอื่นๆ จากบริษัทยอดนิยม เช่น Hugging Face, Replicate, Foundry, Tecton, Weights Biases, PyTorch, Scale และอื่นๆ อีกมากมาย”
การสร้างแบบจำลองตั้งแต่เริ่มต้นเป็นงานที่น่ากังวล และ 85% ของผู้ก่อตั้งและทีมที่ตอบแบบสำรวจไม่เต็มใจที่จะดำเนินการดังกล่าว ภาระงานของการโฮสต์ด้วยตนเอง การติดตามผลลัพธ์ การสร้างหรือการนำเข้าสถานการณ์การฝึกอบรมที่ซับซ้อน และงานอื่น ๆ มากมายเป็นเรื่องที่น่ากังวลเมื่อสตาร์ทอัพและนักพัฒนาอิสระส่วนใหญ่ต้องการใช้ประโยชน์จากโมเดลภาษาขนาดใหญ่ในแอปพลิเคชันภายนอกหรือบริการที่ใช้ซอฟต์แวร์เท่านั้น ใหญ่เกินไป สำหรับ 99% ของอุตสาหกรรม AI การสร้างสิ่งที่เทียบได้กับ GPT-4 หรือ Llama 2 นั้นเป็นไปไม่ได้
นี่คือสาเหตุที่แพลตฟอร์มอย่าง Hugging Face ได้รับความนิยมอย่างมาก เนื่องจากคุณสามารถดาวน์โหลดโมเดลที่ผ่านการฝึกอบรมแล้วได้จากเว็บไซต์ของพวกเขา ซึ่งเป็นกระบวนการที่คุ้นเคยและพบได้ทั่วไปในอุตสาหกรรม AI
การปรับแต่งอย่างละเอียดนั้นยากกว่า แต่เหมาะสำหรับผู้ที่ต้องการจัดเตรียมแอปพลิเคชันหรือบริการตามโมเดลภาษาขนาดใหญ่เฉพาะกลุ่ม นี่อาจเป็นการเริ่มต้นบริการด้านกฎหมายที่พัฒนาแชทบอทด้วยแบบจำลองที่ได้รับการปรับแต่งโดยอิงตามข้อมูลและตัวอย่างเฉพาะของทนายความ หรือการเริ่มต้นด้านเทคโนโลยีชีวภาพที่พัฒนาแบบจำลองโดยอิงจากเทคโนโลยีชีวภาพที่เป็นไปได้โดยเฉพาะ ข้อมูลดังกล่าวได้รับการปรับแต่งอย่างละเอียด
ไม่ว่าจุดประสงค์จะเป็นอย่างไร การปรับแต่งอย่างละเอียดคือการรวมบุคลิกภาพหรือความเชี่ยวชาญเข้ากับแบบจำลองของคุณ ทำให้เหมาะสมยิ่งขึ้นและแม่นยำยิ่งขึ้นในการปฏิบัติงาน แม้จะปฏิเสธไม่ได้ว่ามันมีประโยชน์และปรับแต่งได้มากกว่า แต่ใครๆ ก็ยอมรับว่ามันยาก แม้แต่ a16zคิด：
แม้ว่า Bittensor จะไม่ได้ฝึกโมเดลจริง แต่นักขุดที่ส่งโมเดลของตัวเองไปยังเครือข่ายอ้างว่าปรับแต่งโมเดลในบางรูปแบบ แม้ว่าข้อมูลนี้จะไม่เปิดเผยต่อสาธารณะ (หรืออย่างน้อยก็ยากที่จะตรวจสอบ) นักขุดเก็บโครงสร้างโมเดลและฟังก์ชันการทำงานไว้เป็นความลับเพื่อปกป้องความได้เปรียบทางการแข่งขัน แม้ว่าบางส่วนจะสามารถเข้าถึงได้ก็ตาม
ลองยกตัวอย่างง่ายๆ: หากคุณเข้าร่วมการแข่งขันที่มีเงินรางวัล 1 ล้านเหรียญสหรัฐ และทุกคนต่างแข่งขันกันเพื่อดูว่าใครมี LLM ที่มีประสิทธิภาพดีที่สุด หากคู่แข่งของคุณทั้งหมดใช้ GPT-2 คุณจะเปิดเผยว่าคุณกำลังใช้ GPT หรือไม่ -4? แม้ว่าสถานการณ์จริงจะซับซ้อนกว่าตัวอย่างนี้ แต่ก็ไม่ได้แตกต่างกันมากนัก นักขุดจะได้รับรางวัลตามความแม่นยำของเอาท์พุต ซึ่งทำให้พวกเขาได้เปรียบเหนือนักขุดที่ปรับแต่งโมเดลน้อยกว่าหรือโมเดลที่มีประสิทธิภาพโดยเฉลี่ยต่ำกว่า
ฉันเคยพูดถึงการเรียนรู้ตามบริบทมาก่อน และนี่อาจเป็นข้อมูลชิ้นสุดท้ายที่ไม่ใช่ Bittensor ที่ฉันจะกล่าวถึง แต่การเรียนรู้ตามบริบทเป็นกระบวนการที่กำหนดไว้อย่างกว้างๆ สำหรับชี้แนะโมเดลภาษาเพื่อให้ได้ผลลัพธ์ที่ต้องการมากขึ้น การอนุมานเป็นกระบวนการที่แบบจำลองต้องดำเนินการอย่างต่อเนื่องเมื่อประเมินอินพุต และผลลัพธ์ของการฝึกอาจส่งผลต่อความแม่นยำของฉลากเอาต์พุต แม้ว่าการฝึกจะมีราคาแพง แต่จะเกิดขึ้นก็ต่อเมื่อโมเดลพร้อมที่จะไปถึงระดับการฝึกที่ทีมงานกำหนดในระหว่างการสร้างโมเดล การให้เหตุผลเกิดขึ้นอยู่เสมอ และมีการใช้บริการเพิ่มเติมที่หลากหลายเพื่ออำนวยความสะดวกในกระบวนการให้เหตุผล
สถานะบิตเทนเซอร์
เพื่อเป็นข้อมูลเบื้องต้น ฉันจะสำรวจรายละเอียดบางอย่างเกี่ยวกับประสิทธิภาพซับเน็ต Bittensor ฟังก์ชันการทำงานในปัจจุบัน และแผนงานในอนาคต พูดตามตรง เป็นการยากที่จะหาบทความที่มีคุณภาพในหัวข้อนี้ โชคดีที่สมาชิกชุมชน Bittensor ส่งข้อความมาให้ฉัน แต่ถึงอย่างนั้น การสร้างความคิดเห็นก็ยังต้องทำงานหนักมาก ฉันซ่อนตัวอยู่ใน Discord ของพวกเขาเพื่อค้นหาคำตอบ และในกระบวนการนี้ฉันก็พบว่าฉันเป็นสมาชิกมาได้ประมาณหนึ่งเดือนแล้ว แต่ไม่ได้ดูช่องใดเลย (ฉันไม่เคยใช้ Discord, Telegram และ Slack มากกว่า)
อย่างไรก็ตาม ฉันตัดสินใจที่จะดูว่าการมองเห็นเริ่มต้นของ Bittensor คืออะไร และนี่คือสิ่งที่ฉันพบในรายงานก่อนหน้านี้:
ฉันจะกล่าวถึงมันในย่อหน้าถัดไป แต่ทฤษฎีความสามารถในการเขียนองค์ประกอบยังไม่สามารถเข้าใจได้ มีงานวิจัยในหัวข้อนี้ ภาพหน้าจอก่อนหน้านี้มาจากการกำหนดเครือข่าย Bittensor ให้เป็นแบบจำลองผสมแบบกระจาย (แนวคิดนี้เป็นการศึกษาในปี 2560กระดาษส่ง).
Bittensor มีเครือข่ายย่อยมากมายจนฉันรู้สึกว่าจำเป็นต้องทุ่มเททั้งส่วนให้กับพวกเขาในรายงานนี้ เชื่อหรือไม่ แม้ว่าสิ่งเหล่านี้จะมีความสำคัญต่อประโยชน์ของเว็บและเป็นรากฐานของเทคโนโลยีทั้งหมด แต่ Bittensor ไม่มีส่วนเฉพาะบนเว็บไซต์เพื่ออธิบายสิ่งเหล่านี้และวิธีการทำงาน ฉันยังถามบน Twitter แต่ดูเหมือนว่าเฉพาะผู้ที่ออกไปเที่ยวใน Discord เป็นเวลาหลายชั่วโมงเท่านั้นที่เข้าใจความลับของเครือข่ายย่อยและเรียนรู้การทำงานของแต่ละเครือข่ายย่อยด้วยตนเอง แม้จะมีงานใหญ่โตต่อหน้าฉัน แต่ฉันก็ยังทำงานอยู่บ้าง
Subnet 1 (มักเรียกโดยย่อว่า sn 1) เป็นซับเน็ตที่ใหญ่ที่สุดในเครือข่าย Bittensor และรับผิดชอบบริการสร้างข้อความ ในบรรดาผู้ตรวจสอบความถูกต้อง 10 อันดับแรกของ sn 1 (ฉันใช้การจัดอันดับ 10 อันดับแรกเดียวกันสำหรับซับเน็ตอื่นๆ) มี TAO ประมาณ 4 ล้าน TAO ที่เดิมพัน ตามด้วย sn 5 (รับผิดชอบในการสร้างอิมเมจ) ซึ่งมี TAO Pledge ประมาณ 3.85 ล้าน โดยข้อมูลทั้งหมดนี้สามารถดูได้ที่TaoStatsพบใน.
เครือข่ายย่อยหลายรูปแบบ (sn 4) มี TAO ประมาณ 3.4 ล้าน TAO, sn3 (การคัดลอกข้อมูล) มี TAO ประมาณ 3.4 ล้าน TAO และ sn 2 (multimodal) มี TAO ประมาณ 3.7 ล้าน เครือข่ายย่อยอีกเครือข่ายหนึ่งที่เติบโตอย่างรวดเร็วเมื่อเร็วๆ นี้ก็คือ sn 11 ซึ่งมีหน้าที่รับผิดชอบในการฝึกอบรมข้อความ และมีจำนวนคำมั่นสัญญาของ TAO ใกล้เคียงกับ sn 1
Sn 1 ยังเป็นผู้นำที่แท้จริงในแง่ของกิจกรรมนักขุดและผู้ตรวจสอบ โดยมีผู้ตรวจสอบที่ใช้งานอยู่มากกว่า 40/128 คน และนักขุดที่ใช้งานอยู่ 991/1024 คน Sn 11 มีผู้ขุดเหมืองมากที่สุดในบรรดาซับเน็ตทั้งหมด โดยในปี 2017/2048 แผนภูมิด้านล่างแสดงค่าใช้จ่ายในการลงทะเบียนซับเน็ตในช่วงครึ่งเดือนที่ผ่านมา:
ค่าใช้จ่ายปัจจุบันในการลงทะเบียนซับเน็ตคือ 182.12 TAO ซึ่งลดลงอย่างมากจากจุดสูงสุดในเดือนตุลาคมที่ 7,800 TAO แม้ว่าฉันจะไม่แน่ใจว่าตัวเลขนั้นถูกต้องทั้งหมดก็ตาม ไม่ว่าด้วยเครือข่ายย่อยที่ลงทะเบียนไว้มากกว่า 22 เครือข่ายและความสนใจที่เพิ่มขึ้นของ Bittensor เราน่าจะได้เห็นเครือข่ายย่อยที่ลงทะเบียนมากขึ้นในอนาคตอันใกล้ เครือข่ายย่อยเหล่านี้บางส่วนดูเหมือนจะใช้เวลาสักพักกว่าจะได้รับความสนใจ
เท่าที่เครือข่ายย่อยอื่นๆ ดำเนินไป sn 9 เป็นเครือข่ายย่อยที่ยอดเยี่ยมสำหรับการฝึกอบรมโดยเฉพาะ:
ต่อไปนี้เป็นคำอธิบายของ Bittensorรวบรวมข้อมูลเครือข่ายย่อยคำสั่งของ:
โมเดลเครือข่ายย่อยมีเอกลักษณ์เฉพาะตัวมาก และเป็นตัวอย่างของเทคนิคทั่วไปในการวิจัยการเรียนรู้ของเครื่องที่เรียกว่าส่วนผสมของผู้เชี่ยวชาญ (MoE) ซึ่งโมเดลจะแบ่งออกเป็นส่วนๆ และมีป้ายกำกับแยกต่างหาก แทนที่จะมอบหมายงานทั้งหมด สิ่งนี้น่าสนใจสำหรับฉันเพราะ Bittensor ไม่ใช่โมเดลแบบครบวงจร แต่จริงๆ แล้วเป็นเครือข่ายของโมเดลที่ถูกสอบถามในลักษณะกึ่งสุ่ม ตัวอย่างของกระบวนการนี้คือ BitAPI ซึ่งเป็นผลิตภัณฑ์ที่สร้างขึ้นบน sn 1 ซึ่งจะสุ่มตัวอย่างเครื่องขุด 10 อันดับแรกที่ผู้ใช้ขาเข้าสอบถาม แม้ว่าอาจมีนักขุดหลายสิบหรือหลายร้อยคนในเครือข่ายย่อยใดก็ตาม โมเดลที่มีประสิทธิภาพดีที่สุดจะได้รับรางวัลที่มากกว่า
ขณะนี้ยังไม่สามารถรวมหรือรวมหลายโมเดลเพื่อเพิ่มหรือฟังก์ชัน สแต็ก ได้ นี่ไม่ใช่วิธีการทำงานของโมเดลภาษาขนาดใหญ่ ฉันพยายามให้เหตุผลกับสมาชิกชุมชน แต่ฉันคิดว่าสิ่งสำคัญคือต้องทราบว่า Bittensor ไม่ใช่ตัวอย่างของคอลเลกชันโมเดลที่รวมเป็นหนึ่งเดียว แต่เป็นเครือข่ายของโมเดลที่มีความสามารถที่แตกต่างกัน
บางคนได้เปรียบเทียบ Bittensor กับ oracles แบบออนไลน์ที่สามารถเข้าถึงโมเดล ML ได้ Bittensor แยกตรรกะหลักของบล็อกเชนออกจากการตรวจสอบเครือข่ายย่อย โดยรันโมเดลนอกเครือข่ายเพื่อรองรับข้อมูลมากขึ้นและต้นทุนการคำนวณที่สูงขึ้น ส่งผลให้ได้โมเดลที่ทรงพลังยิ่งขึ้น คุณอาจจำได้ว่ากระบวนการเดียวที่ทำแบบออนไลน์คือการอนุมาน ดูด้านล่างเนื้อหาเรียนรู้เกี่ยวกับคำอธิบายของ Bittensor:
ฉันคิดว่าผู้คนจำนวนมากในชุมชนมุ่งเน้นไปที่การพยายามโน้มน้าวทุกคนมากเกินไปว่า Bittensor กำลังจะเปลี่ยนแปลงโลก ทั้งที่ในความเป็นจริงพวกเขากำลังก้าวหน้าในการพยายามเปลี่ยนวิธีโต้ตอบของปัญญาประดิษฐ์และสกุลเงินดิจิทัล ไม่น่าเป็นไปได้ที่พวกเขาจะสามารถเปลี่ยนเครือข่ายทั้งหมดของนักขุดที่อัพโหลดโมเดลให้เป็นซูเปอร์คอมพิวเตอร์ที่ชาญฉลาดอย่างยิ่ง นั่นไม่ใช่วิธีการทำงานของการเรียนรู้ของเครื่อง แม้แต่รุ่นที่มีประสิทธิภาพดีที่สุดและมีราคาแพงที่สุดที่มีอยู่ก็ยังต้องใช้เวลาอีกหลายปีกว่าจะบรรลุคำจำกัดความของปัญญาประดิษฐ์ทั่วไป (AGI)
ในขณะที่ชุมชนแมชชีนเลิร์นนิงยังคงวนซ้ำและมีการนำฟีเจอร์ใหม่ๆ มาใช้ คำจำกัดความของ AGI มักจะแตกต่างกันไป แต่แนวคิดพื้นฐานก็คือ AGI สามารถให้เหตุผล คิด และเรียนรู้ได้เหมือนกับมนุษย์ ปริศนาหลักเกิดขึ้นจากการที่นักวิทยาศาสตร์จัดประเภทมนุษย์ว่าเป็นสิ่งมีชีวิตที่มีจิตสำนึกและเจตจำนงเสรี ซึ่งเป็นเรื่องยากที่จะระบุจำนวนในมนุษย์ ไม่ต้องพูดถึงระบบโครงข่ายประสาทเทียมอันทรงพลังเลย
เครือข่ายย่อยเป็นวิธีเฉพาะในการทำลายงานต่างๆ ที่เกี่ยวข้องกับแอปพลิเคชันที่ใช้ AI และเป็นความรับผิดชอบของชุมชนและทีมงานในการดึงดูดผู้สร้างที่ต้องการใช้ประโยชน์จากความสามารถหลักเหล่านี้ของเครือข่าย Bittensor
นอกจากนี้ยังควรเพิ่มที่นี่ด้วยว่า Bittensor มีประสิทธิภาพมากในด้านการเรียนรู้ของเครื่องนอกเหนือจากสกุลเงินดิจิทัล Opentensor และ Cerebras เปิดตัว BTLM-3 b-8 k open source LLM ในช่วงต้นเดือนกรกฎาคมปีนี้ ตั้งแต่นั้นมา BTLM ได้ถูกดาวน์โหลดมากกว่า 16,000 ครั้งบน Hugging Face และได้รับการวิจารณ์ในเชิงบวกอย่างมาก
บางคนกล่าวว่าเนื่องจากสถาปัตยกรรมน้ำหนักเบาของ BTLM ทำให้ BTLM-3 b อยู่ในอันดับที่สูงในประเภทเดียวกันกับ Mistral-7 b และ MPT-30 b และกลายเป็น รุ่นที่ดีที่สุดต่อ VRAM ด้านล่างนี้เป็นแผนภูมิจากทวีตเดียวกันซึ่งแสดงรายการโมเดลและการจำแนกการเข้าถึงข้อมูล ซึ่ง BTLM-3 b ได้รับคะแนนที่เหมาะสม:
ฉันพูดบน Twitter ว่า Bittensor ไม่ได้ทำอะไรเพื่อเร่งการวิจัย AI ดังนั้นฉันคิดว่าถูกต้องเท่านั้นที่ฉันยอมรับความผิดพลาดที่นี่ นอกจากนี้ ฉันได้ยินมาว่า BTLM-3 b ใช้สำหรับการตรวจสอบในบางกรณี เนื่องจากมีราคาถูกและทำงานเร็วบนฮาร์ดแวร์ส่วนใหญ่
ททท.ใช้ทำอะไร?
ไม่ต้องกังวล ฉันไม่ลืมโทเค็น
Bittensor ยืมแรงบันดาลใจมากมายจาก Bitcoin แต่ยังดึงมาจากการเล่นเกมตำราเรียน OG และรวมเอาโครงสร้างทางเศรษฐกิจโทเค็นที่คล้ายกันมาก นั่นคือ สูงสุด 21 ล้าน TAO และกลไกการลดครึ่งหนึ่งทุกๆ 10.5 ล้านบล็อก ในขณะที่เขียนบทความนี้ จำนวน TAO ที่หมุนเวียนอยู่อยู่ที่ประมาณ 5.6 ล้าน โดยมีมูลค่าตลาดเกือบ 800 ล้านดอลลาร์ การจำหน่าย TAO ถือว่ายุติธรรมอย่างยิ่ง และ Bittensor นี้รายงานโปรดทราบว่าผู้สนับสนุนในช่วงแรกไม่ได้รับโทเค็นใดๆ แม้ว่าจะเป็นการยากที่จะตรวจสอบความถูกต้อง แต่เราเชื่อถือแหล่งที่มาของเรา
TAO เป็นทั้งโทเค็นรางวัลและโทเค็นการเข้าถึงของเครือข่าย Bittensor ผู้ถือ TAO สามารถเดิมพัน มีส่วนร่วมในการกำกับดูแล หรือใช้ TAO เพื่อสร้างแอปพลิเคชันบนเครือข่าย Bittensor 1 TAO จะถูกสร้างทุกๆ 12 วินาที และโทเค็นที่สร้างใหม่จะถูกแจกจ่ายให้กับนักขุดและผู้ตรวจสอบความถูกต้องเท่าๆ กัน
ในความคิดของฉัน เศรษฐศาสตร์โทเคนของ TAO มองเห็นโลกที่ปริมาณการปล่อยลดลงโดยการลดจำนวนลงครึ่งหนึ่งส่งผลให้มีการแข่งขันที่เพิ่มขึ้นในหมู่นักขุด ซึ่งแน่นอนว่าส่งผลให้ได้โมเดลคุณภาพสูงขึ้นและประสบการณ์ผู้ใช้โดยรวมดีขึ้น อย่างไรก็ตาม ยังมีปัญหาอยู่ที่นี่ ซึ่งก็คือรางวัลที่น้อยกว่าจะมีผลตรงกันข้าม และแทนที่จะดึงดูดการแข่งขันที่รุนแรง จะนำไปสู่โมเดลที่ใช้งานหรือนักขุดที่แข่งขันกันในจำนวนที่ซบเซา
ฉันสามารถพูดต่อไปเกี่ยวกับอรรถประโยชน์โทเค็นของ TAO แนวโน้มราคา และตัวขับเคลื่อนการเติบโตได้ แต่รายงานดังกล่าวทำงานได้ดีในเรื่องนี้ Crypto Twitter ส่วนใหญ่ได้กำหนดไว้แล้วว่ามีการเล่าเรื่องที่ชัดเจนเบื้องหลัง Bittensor และ TAO และไม่มีสิ่งใดที่ฉันสามารถเพิ่มได้ ณ จุดนี้ที่จะเพิ่มไอซิ่งบนเค้กได้อีก จากมุมมองภายนอก ฉันจะบอกว่าสิ่งเหล่านี้เป็นเศรษฐศาสตร์โทเค็นที่ค่อนข้างดีและไม่มีอะไรผิดปกติ ฉันควรจะพูดถึงว่าการซื้อ TAO ในปัจจุบันนั้นยากมากเนื่องจากยังไม่ได้จดทะเบียนในการแลกเปลี่ยนส่วนใหญ่ สถานการณ์นี้อาจเปลี่ยนแปลงได้ใน 1-2 เดือน และฉันจะแปลกใจมากหาก Binance จะไม่แสดงรายการ TAO เร็วๆ นี้
โอกาส
ฉันเป็นแฟนตัวยงของ Bittensor อย่างแน่นอน และหวังว่าพวกเขาจะตระหนักถึงภารกิจอันกล้าหาญของพวกเขา ในฐานะทีมงานที่ Bittensor Paradigmบทความตามที่ระบุไว้ใน Bitcoin และ Ethereum ถือเป็นการปฏิวัติเพราะพวกเขาทำให้การเข้าถึงการเงินเป็นประชาธิปไตยและทำให้แนวคิดของตลาดดิจิทัลที่ไม่ได้รับอนุญาตโดยสิ้นเชิงกลายเป็นความจริง Bittensor ก็ไม่มีข้อยกเว้นและมีเป้าหมายเพื่อสร้างประชาธิปไตยให้กับโมเดลปัญญาประดิษฐ์ในเครือข่ายอัจฉริยะขนาดใหญ่ แม้ว่าฉันจะสนับสนุน แต่ก็ชัดเจนว่าพวกเขายังคงห่างไกลจากสิ่งที่พวกเขาต้องการบรรลุ ซึ่งเป็นเรื่องจริงสำหรับโครงการส่วนใหญ่ที่สร้างด้วยสกุลเงินดิจิทัล นี่คือการวิ่งมาราธอน ไม่ใช่การวิ่งระยะสั้น
หาก Bittensor ต้องการอยู่ในระดับแนวหน้า พวกเขาจำเป็นต้องขับเคลื่อนการแข่งขันที่เป็นมิตรและนวัตกรรมในหมู่นักขุดต่อไป ในขณะเดียวกันก็ขยายความเป็นไปได้ของสถาปัตยกรรมโมเดลไฮบริดแบบกระจัดกระจาย แนวคิด MoE และแนวคิดของการผสมผสานสติปัญญาในลักษณะกระจายอำนาจ การทำทั้งหมดนี้เพียงอย่างเดียวก็ยากพอแล้ว การเพิ่มการเข้ารหัสเข้าไปในการผสมผสานทำให้มีความท้าทายมากยิ่งขึ้น
Bittensor ยังคงมีหนทางข้างหน้าอีกยาวไกล แม้ว่าการอภิปรายเกี่ยวกับ TAO จะเพิ่มขึ้นในช่วงไม่กี่สัปดาห์ที่ผ่านมา แต่ฉันไม่คิดว่าชุมชน crypto ส่วนใหญ่จะตระหนักดีถึงวิธีการทำงานของ Bittensor ในปัจจุบัน มีคำถามที่ชัดเจนบางข้อซึ่งไม่มีวิธีแก้ปัญหาง่ายๆ บ้าง เช่น: ก) การอนุมานขนาดใหญ่คุณภาพสูงเป็นไปได้หรือไม่ ข) ปัญหาในการดึงดูดผู้ใช้ และ ค) มันสมเหตุสมผลหรือไม่ที่จะบรรลุเป้าหมายของการรวมภาษาขนาดใหญ่ โมเดล
เชื่อหรือไม่ว่า การสนับสนุนเรื่องราวเกี่ยวกับสกุลเงินที่กระจายอำนาจนั้นค่อนข้างท้าทาย แม้ว่าข่าวลือเกี่ยวกับ ETF จะทำให้ทุกอย่างง่ายขึ้นเล็กน้อย
การสร้างเครือข่ายแบบจำลองอัจฉริยะแบบกระจายอำนาจที่ทำซ้ำและเรียนรู้จากกันและกันฟังดูดีเกินจริง และเหตุผลส่วนหนึ่งก็คือเป็นเช่นนั้น ภายใต้ข้อจำกัดปัจจุบันของหน้าต่างพื้นหลังและโมเดลภาษาขนาดใหญ่ เป็นไปไม่ได้ที่โมเดลจะปรับปรุงตัวเองซ้ำแล้วซ้ำอีกจนกว่าจะถึงจุดที่ด้วย AGI แม้แต่โมเดลที่ดีที่สุดก็ยังถูกจำกัด ถึงกระนั้น ฉันคิดว่าการสร้าง Bittensor ให้เป็นแพลตฟอร์มโฮสติ้ง LLM แบบกระจายอำนาจพร้อมแรงจูงใจทางเศรษฐกิจแบบใหม่และความสามารถในการประกอบในตัวนั้นเป็นมากกว่าแง่บวก จริงๆ แล้วนี่เป็นหนึ่งในการทดลองที่เจ๋งที่สุดในสกุลเงินดิจิทัลในขณะนี้
การรวมสิ่งจูงใจทางการเงินเข้ากับระบบ AI นั้นมีความท้าทาย และ Bittensor กล่าวว่าหากนักขุดหรือผู้ตรวจสอบพยายามที่จะเล่นเกมระบบในรูปแบบใด ๆ พวกเขาจะปรับสิ่งจูงใจเป็นกรณี ๆ ไป นี่คือตัวอย่างจากเดือนมิถุนายนปีนี้ เมื่อการเผยแพร่โทเค็นลดลง 90%:
สิ่งนี้เป็นสิ่งที่คาดหวังได้อย่างสมบูรณ์ในระบบบล็อกเชน ดังนั้นอย่าเสแสร้งว่า Bitcoin หรือ Ethereum จะสมบูรณ์แบบ 100% ตลอดวงจรชีวิตของมัน
ในอดีตการนำสกุลเงินดิจิทัลมาใช้ถือเป็นยาเม็ดที่ยากจะกลืนกินสำหรับคนภายนอก และปัญญาประดิษฐ์ก็มีข้อถกเถียงกันไม่แพ้กัน การรวมทั้งสองเข้าด้วยกันทำให้เกิดความท้าทายสำหรับทุกคนในการรักษาการเติบโตและกิจกรรมของผู้ใช้ ซึ่งจะต้องใช้เวลาสักระยะ หากในที่สุด Bittensor สามารถบรรลุเป้าหมายของโมเดลภาษาขนาดใหญ่แบบรวม นี่อาจเป็นสิ่งที่สำคัญมาก
