全景解讀Bittensor的34個子網路與發展趨勢

Bittensor（TAO）是今年第一個在Binance 上市的AI 幣。以為這是AI 賽道全面開啟的第一步，沒想到卻成了短期的「最後一步」。自4 月11 日上線後，TAO 的價格便開始了一落千丈的走勢，至今仍沒有回升的態勢。

緊隨著幣價下跌的，是社群對這個計畫的有效性的爭論越來越激烈。這一切肇事始於3 月30 日Taproot Wizards 共同創辦人Eric Wall 在社群媒體上對Bittensor（TAO）發出的一連串尖銳質疑，如今已經創下接近200 萬的閱讀量。

Eric Wall 的核心觀點可以歸納為：

・子網路1 中眾多礦工重複執行相同的語言模型來回答提示，效率低且資源浪費。一個礦工就能完成任務，沒必要上千個礦工並行。

・子網路1 的驗證機制過於簡單，只比對答案相似度，礦工容易投機取巧、作弊。

・目前子網路1 僅在內部運行，一般使用者無法使用，沒有實用價值。

・Bittensor 計畫只是在炒作「去中心化AI」概念，忽悠散戶投資者，讓代幣價格虛高。

這些質疑雖然直指Bittensor 的一些痛處，但未免也有以偏概全、一葉障目之嫌。多礦工冗餘看似低效，實則是分散式協作的必經之路。 Bittensor 的目標是打造一個全球規模的AI 網絡，冗餘是必要成本，而非設計缺陷。

驗證機制目前還比較初級，但Bittensor 一直在積極改進。最新的計劃包括引入Commit-Reveal 權重機制，透過延遲公開礦工提交的權重，Commit-Reveal 機制能夠很好地遏制投機取巧的抄襲行為。

子網1 作為Bittensor 的第一個子網，其定位主要是在進行內部訓練和測試。但Bittensor 生態已經拓展到數十個不同應用場景的子網，它們在搜尋、醫療、教育、遊戲等領域提供了實際的價值。將Bittensor 簡單地歸類為「AI meme 幣」，並以此否定其價值，本身就是一種非理性和短視的做法。

儘管面對這些質疑和挑戰，Bittensor 並未停滯不前。相反，它正在不斷擴展和改進自身網路。 5 月12 日，Bittensor 宣布將每週增加4 個子網路插槽，直到達到新的64 個插槽上限，今年的目標是邁向1024 個子網路。

截至目前，Bittensor 已經擁有34 個子網，這些子網涵蓋了多個領域，充分展示了去中心化AI 的潛力和多樣性。接下來，本文將從內容生成、資料蒐集與處理、LLM 生態系統、去中心化基礎設施、DeFi 和其他應用六個領域對這些子網進行逐一介紹，以期讀者能夠對Bittensor 生態有一個全面清晰的認知。

內容生成

內容生成類別的子網路為文字、圖像、音訊、視訊的生成和優化提供平台。

文字提示（子網路1）：由Opentensor 基金會開發，是專門用於文字生成的去中心化子網路。它利用大型語言模型（如GPT-3、GPT-4 等）進行提示和推理，礦工提供AI 服務，驗證者負責驗證預測結果。

MyShell TTS（子網路3）：由MyShell 開發，專注於文字轉語音（TTS）技術。此子網路開發和優化開源TTS 模型，如OpenVoice 和MeloTTS，礦工負責訓練模型，驗證者評估模型效能，致力於創建高品質的開源TTS 模型。

Multi Modality（子網路4）：由Manifold 開發，專注於多模態AI 系統，處理和產生跨多種資料類型和格式的信息，包括文字、影像和音訊。

Three Gen（子網路17）：是一個專注於AI 驅動的3D 內容產生的去中心化子網路。 Three Gen 子網路利用AI 技術產生3D 模型和內容，礦工和驗證者透過貢獻運算資源和驗證產生內容的品質來獲得獎勵，推動3D 內容生成技術的發展。

Cortex.t（子網路18）：由Corcel 開發，是一個專注於AI 開發和合成資料生成的去中心化子網路。

Vision（子網路19）：是一個專注於影像生成和推理的去中心化子網路。 Vision 子網路利用分散式規模推理子網路（DSIS）框架，最大化Bittensor 網路的產出能力，讓礦工自由選擇技術堆疊處理需求並產生回應。驗證者從前端接收需求並分發給礦工，評估其表現，使影像生成過程更有效率。

Niche Image（子網路23）：是一個專注於去中心化影像產生的子網路。 Niche Image 支援多種圖像生成模型，礦工透過貢獻計算資源產生圖像，並根據品質獲得獎勵，不斷引入新模型和功能滿足用戶需求。

TensorAlchemy（子網26）：是一個專注於人類評分和去中心化影像產生的子網。透過人類評分評估圖像生成模型的輸出，並根據評分和生成的圖像品質獎勵礦工，計劃在藝術創作和廣告等領域應用其技術。

Fractal（子網路29）：由Fractal Research 開發，是一個專注於文字產生影片的去中心化子網路。此子網利用網格擴散模型和邊緣節點推理技術，透過分散式節點處理文字生成視訊任務。

WomboAl（子網路30）：是專注於影像產生和社交分享的去中心化子網路。 WomboAl 子網路透過Bittensor 網路產生高品質影像，並支援使用者透過WOMBO Dream 和WOMBO Me 等應用程式分享影像。

資料蒐集與處理

資料收集與處理類別中的子網路專注於去中心化的資料蒐集、儲存和分析服務。透過建立分散式的索引層和資料處理框架，這些子網路能夠處理大規模資料集，並為其他子網路和使用者提供資料支援。

Open Kaito（子網路5）：由Kaito AI 開發，旨在為Web3 提供去中心化搜尋和分析服務。此子網路建構去中心化的索引層，支持對Web3 內容的智慧搜尋和分析，透過Bittensor 的激勵系統，鼓勵礦工創新解決索引任務。

Dataverse（子網路13）：是一個專注於收集和儲存大量資料的去中心化子網路。 Dataverse 子網路從各種來源收集和儲存數據，並為其他子網路提供資料支援。礦工根據其貢獻的數據量獲得TAO 代幣獎勵，驗證者定期查詢和驗證數據的正確性。

Blockchain Insights（子網路15）：是一個專注於將原始區塊鏈資料轉換為結構化圖模型的去中心化子網路。該子網路提供數據分析查詢和結果視覺化功能，支援對區塊鏈數據的深入分析，用戶可以執行客製化查詢。

Meta Search（子網路22）：由Datura-ai 開發，是專注於Twitter 資料分析的去中心化子網路。 Meta Search 利用AI 技術對Twitter 數據進行深入分析，提供即時數據存取和情感分析，幫助用戶理解公眾情緒和製定數據驅動決策。

Omega Labs（子網24）：由Omega Labs 開發，是一個專注於創建去中心化多模態資料集的子網，收集視訊、音訊、文字等數據，為通用人工智慧（AGI）的研究和開發提供支持，礦工根據貢獻的數據獲得獎勵。

Conversation Genome Project（子網路33）：由Afterparty AI 開發，是一個專注於去中心化對話資料處理和個人化AI 存取的子網路。此子網路透過去中心化方式處理和索引大量對話數據，提供個人化的AI 存取服務，礦工透過貢獻運算資源獲得獎勵。

LLM 生態系統

LLM 生態系類別中的子網路專注於大型語言模型（LLM）的訓練、微調、保護和最佳化。

Nous Finetuning（子網路6）：由Nous Research 開發，專注於大型語言模型（LLM）微調。此子網路獎勵礦工使用合成數據對LLM 進行微調，實現跨子網路通信，並透過評估模型表現激勵礦工。

Pretraining（子網路9）：由Opentensor 基金會開發，專注於預訓練大型語言模式。礦工在Falcon Refined Web 資料集上訓練模型，透過連續基準測試和驗證機制提升模型效能。

Dippy Roleplay（子網路11）：由Impel 開發，是一個專注於創建角色扮演模型的子網路。 Dippy Roleplay 透過去中心化的方式激勵社群創建和優化角色扮演大型語言模型（LLM）。礦工和開發者根據其貢獻的模型品質和性能獲得TAO 代幣獎勵。

LLM Defender（子網路14）：由Synapsec AI 開發，是一個專注於保護大型語言模型（LLM）免受各種攻擊的去中心化子網路。 LLM Defender 子網路透過多個分析器和引擎偵測並防止對LLM 應用的攻擊，利用去中心化的特性提供多層次的防禦機制。

NAS Chain（子網路31）：是專注於神經架構搜尋（NAS）的去中心化子網路。 NAS Chain 利用遺傳演算法和分散式運算資源優化神經網路架構，礦工透過貢獻運算資源參與NAS 任務，並根據其貢獻獲得獎勵。

It's AI（子網路32）：是一個專注於偵測大型語言模型（LLM）生成內容的去中心化子網路。此子網利用deberta-v3-large 模型識別由LLM 產生的文本，應用於機器學習、教育、社交媒體等多個場景。驗證者使用The Pile 資料集確保檢測系統的準確性和可靠性。

去中心化基礎設施

去中心化基礎設施類別中的子網路透過提供分散式運算和儲存資源提升網路的去中心化和穩定性。

Subvortex（子網路7）：透過激勵機制鼓勵礦工運行subtensor 節點，增強Bittensor 網路的去中心化和穩定性。此子網路在全球部署節點，具有低延遲和高冗餘性，降低了參與門檻。

Horde（子網路12）：由Backend Developers Ltd 開發，是一個專注於去中心化運算資源分配的子網路。 Horde 子網路透過分散式運算的方式，將任務指派給不同的礦工節點，以提高任務處理的效率和速度。礦工根據其提供的計算資源和任務處理效率獲得獎勵，驗證者評估礦工的工作品質。

Filetao（子網路21）：是一個去中心化的分散式儲存子網路。 FileTAO 透過零知識證明空間時間演算法實現高效、安全的儲存系統，支援多層次驗證機制和跨子網路通信，礦工透過貢獻儲存空間獲得獎勵。

Compute（子網路27）：由Neural Inτerneτ開發，是專注於去中心化計算資源分配的子網路。 Compute 子網路提供無許可的運算市場，整合多個雲端平台形成統一的去中心化高層雲端運算基礎設施，礦工透過貢獻運算資源獲得TAO 代幣獎勵。

DeFi

DeFi 類別中的子網路專注於去中心化金融服務的優化和創新，包括流動性質押、量化交易、收益優化和金融市場預測。

Omron（子網路2）：由Inference Labs 開發，旨在透過人工智慧和機器學習技術來優化和驗證流動性質押和再質押策略。 Omron 利用智慧合約和驗證節點，提供自動化的再質押策略，並透過零知識證明機制確保推理過程的真實性和安全性。

Proprietary Trading Network（子網路8）：由Taoshi 公司開發，專注於去中心化量化交易訊號。礦工貢獻交易訊號，覆蓋多個金融市場，用戶可以獲得高品質的交易訊號。

Sturdy（子網路10）：由Sturdy Finance 開發，是一個專注於去中心化收益最佳化的子網路。 Sturdy 子網路允許礦工透過智慧合約將資產分配到不同的策略池中，以實現最高的收益。礦工根據分配策略產生的收益多少來獲得獎勵，驗證者評估礦工的分配策略，並根據收益表現對其進行評分。

Foundry S&P 500 Oracle（子網路28）：由Foundry Digital LLC 開發，是一個專注於金融市場預測的去中心化子網路。此子網路激勵礦工預測S&P 500 指數的價格，並透過驗證者評估預測結果。

其他應用

其他應用程式類別的子網路涵蓋廣告分發、任務管理、蛋白質折疊研究和醫療保健等領域。

BitAds（子網路16）：是一個去中心化、激勵化的廣告子網路。 BitAds 子網透過去中心化的方式分發廣告任務，礦工透過推廣廣告連結產生自然流量並獲得TAO 代幣獎勵。

BitAgent（子網路20）：是一個專注於任務和工作流程管理的去中心化子網路。 BitAgent 結合大型語言模型（LLM）和使用者常用應用，提供智慧代理服務，簡化日常任務和工作流程管理。礦工根據表現進行競爭，並根據任務完成獲得TAO 代幣獎勵。

Protein Folding（子網25）：由Opentensor 基金會開發，是一個專注於蛋白質折疊研究的去中心化子網。透過分散式運算資源進行蛋白質折疊研究，礦工根據貢獻的運算能力獲得獎勵，為生物醫學研究提供平台。

Healthi（子網路34）：由Healthi Labs 開發，是專注於利用人工智慧（AI）提升醫療保健服務的去中心化子網路。 Healthi 子網路利用AI 模型進行臨床預測任務，透過去中心化方式管理和處理醫療數據，確保資料的安全性和隱私性。智慧合約簡化保險流程，提高醫療服務的效率。

結論：Bittensor 的新興應用趨勢

正如前Messari 研究員Sami Kassab 在最近的一篇文章中所指出的，Bittensor 目前出現了兩大新興應用趨勢：一是專案方將技術創新外包給Bittensor 子網，如Kaito AI 透過Bittensor 外包搜尋引擎的研發工作；二是專案將Bittensor 作為激勵層，快速聚集礦工資源，為其網路提供數位商品供給，如Inference Labs 透過啟動Omron 子網來引導zk provers 和模型推理器的供應。

隨著Bittensor 對子網路的擴容，未來可能會出現更多專案選擇將技術堆疊的特定元件外包給Bittensor，這將成為Bittensor 的第三大應用場景。 Bittensor 正在加速AI 產業的專業化分工，並推動更多原創性專案湧現。隨著參與者的增多，Bittensor 生態預計可以形成一個正向循環，迎來蓬勃發展的新階段。