开源 AI 新秀崛起:Bittensor 更像是真正的“OpenAI”

强大的人工智能正在飞速发展,而完全由 OpenAI、Midjourney、Google(Bard)这样的少数公司控制 AI 不免让人感到担忧。在这样的背景下,试图用创新性解决方案处理人工智能中心化问题、权力集中于少数公司的 Bittensor,可谓是当下 Web3 领域中 AI 模型类别的爆款项目,其代币 TAO 的市场表现也吸引了行业的普遍关注。
在 AI 的数据、算法、算力三大核心要素中,Bittensor 瞄准了算法方向,通过区块链网络和激励机制,来对不同的算法进行调度和筛选,从而让 AI 领域形成一个自由竞争、知识共享的算法(模型)市场。目前,Bittensor 已在主网上运行一年多的时间。

简单来说,Bittensor 是一种开源协议,可实现去中心化、基于区块链的机器学习网络,同时也是波卡生态的明星平行链项目,使用自己独立的基于 Substrate 的 L1 区块链。
今年年初,Bittensor 曾赢得第 35 轮和第 36 轮波卡平行链插槽拍卖,希望将人工智能引入波卡生态,包括社交媒体、供应链、身份、游戏、NFT、DeFi、碳信用、隐私、机器人、物联网等。与此同时,它推出了 Finney,构建起了 Bittensor 与波卡的连接,与波卡生态的集成进一步加强,从而更好地保护并进一步对现有的底层架构进行去中心化。
除了将人工智能和区块链这两个新兴领域结合在一起,Bittensor 还有哪些值得关注的独特优势?OneBlock 为你梳理了 Bittensor 的项目全景,进一步了解波卡生态如何与 AI 进行深度融合!
愿景:更公平、更协作的人工智能市场
为解决当前 AI 领域中的孤立竞争问题,Bittensor 的愿景是促进不同 AI 算法和模型之间的相互协作、学习与融合,旨在构建更为强大的模型,以更好地服务开发者和用户群体。
因此,Bittensor 引入优化的训练策略,使得模型在激励和迭代的生态系统中相互交互,形成一种更为公平和协作的方法,实现所有权和访问权更加平衡。最终目标是打造一个纯粹的人工智能市场,创造出一个无需信任的、开放透明的环境,消费者和生产者可以在激励机制下进行任何有价值的交流和互动。

具体来讲,Bittensor 可以实现以下目标:
-
利用分布式账本的可能性,为人工智能技术的开发提供一种新颖且优化的策略。具体而言,它可以实现开放访问 / 所有权、去中心化治理,并能在激励框架内利用全球分布的计算能力和创新资源。
-
人工智能的开源存储库,任何人在任何地方都可以访问,从而为全球互联网规模的开放式、无许可创新创造了条件。
-
根据用户创造的价值,按比例向用户分配奖励和网络所有权。
项目架构:机器学习模型的去中心化生态系统
简单而言,Bittensor 是一个开源协议,为去中心化、基于区块链的机器学习网络提供支持。这个项目最早是由两位 AI 研究员 Jacob Steeves 和 Ala Shaabana 于 2019 年创立,其主要框架是基于 Yuma Rao 所撰写的白皮书内容。
其底层架构类似于将比特币中无法创造现实价值的「挖矿」计算随机数的过程,替代为训练和验证 AI 模型,并根据 AI 模型的性能和可靠程度,用 TAO 代币对贡献有价值数据或计算资源的节点/矿工进行激励。每个节点都运行 Bittensor 客户端软件,使其能够与网络中的其他节点进行交互。

具体来讲,Bittensor 通过分散流程创建了交易机器智能的点对点市场,能够改变以往机器学习平台的开发过程,并根据它们为集体提供的信息价值在其原生代币 TAO 中获得奖励,使网络参与者之间可以交换机器学习能力,形成一种激励和协调全球机器学习节点网络,以共同训练和学习特定问题的方法,这样也有助于维持网络的稳定性和效率。代币 TAO 还可以授予外部访问权限,允许用户从网络中提取信息,同时根据他们的需要调整其活动。
在这个基础上,Bittensor 被设计为一个无需许可的开源协议,构建了一个由许多子网网络连接而成的网络构架,允许任何人创建具有自定义激励和不同用例的子网。
不同子网负责不同任务,比如机器翻译、图像识别与生成、语言大模型等,优秀的任务完成将获得激励,同时允许子网之间互相交互与学习。例如,其中的 Subnet 5 可以创建像 Midjourney 一样的 AI 图像。
值得注意的是,在绝大多数子网中,Bittensor 本身并不训练任何模型,其发挥的作用更像是链接模型提供者与模型需求者,并在此基础上更进一步的利用小模型之间的互相作用提升在不同任务中的性能。
同时,Bittensor 也是一个类似于比特币的挖矿网络,提供对机器学习模型的去中心化网络的抗审查访问。通过利用数字激励措施并直接奖励参与者对计算资源、专业知识和创新的贡献,从而创建起一个全面的开源人工智能生态系统。
技术核心:Yuma 共识与 Polkadot 平行链
Bittensor 网络的技术核心来自于 Yuma Rao 独特设计的共识机制,也被称为 Yuma 共识,结合了工作量证明(PoW)与权益证明(PoS)元素的混合共识机制,旨在实现计算资源在节点网络中的公平分配。其中供给侧主要参与者分为“Server”(即矿工)与“Validator”(即验证者),需求侧的参与者则是使用网络中模型的“Client”(即客户)。

矿工的角色是托管人工智能模型并将其提供给网络,获得的激励取决于提供模型的质量;验证者则充当网络内的评估者,负责验证模型性能,并在矿工和客户之前见充当中间人。
Bittensor 生态利用 Yuma 共识来确保每个人都遵守规则,成为开源开发人员和人工智能研究实验室的驱动力,为增强开源基础模型提供经济激励。
在技术内核上,Bittensor 采用的是 Polkadot 的平行链(应用链)设计,也就是有一条自己的链来专门处理 AI 模型的协作,同样通过自身代币 $TAO 作为激励。
商业模式与经济模型:TAO 的公平启动
在商业模式方面,Bittensor 协议建立了一个将机器智能转化为可交易商品的市场,这个机器智能就是算法模型,Bittensor 则作为平台方为算法模型的供需方搭建交易桥梁。本质上 Bittensor 的商业原理仍是物品交换,但数据上链叠加金融属性,未来 AI 算法市场的增长也将为 Bittensor 带来广阔的发展空间。

在代币经济模型方面,Bittensor 于 2021 年进行「公平启动」,即没有预先挖掘代币。
其代币 TAO 的供应量为 2100 万枚,也有一个减半周期,每 1050 万个区块,区块奖励减半。目前,每 12 秒(一个区块)就有一枚 TAO 向网络释放(每天 7200 枚)。每挖一轮奖励,TAO 都会在验证者和矿工之间进行分配。其经济模型的特点是简单、致力于去中心化和公平分配,每个流通的代币都必须通过积极参与网络来赚取。
目前,Bittensor 主要接受来自 OpenTensor Foundation 的资金支持,该基金会是一个支持 Bittensor 开发的非营利组织。此外,其社区公告已宣布知名加密 VC Pantera 和 Collab Currency 已经成为了 TAO 代币的持有者,并且会对项目的生态发展提供更多支持。其他几个主要投资者则包括 Digital Currency Group、Polychain Capital、FirstMark Capital、GSR 等知名投资机构和做市商。
结语
整体来看,Bittensor 的出现为 AI 算法模型的共享和协作提供了互换的价值转换平台,有利于 AI 技术成果的流动,缓解算法创新和巨头竞争的低效性。但目前,Bittensor 仍处于初始发展阶段,目前还没有真正的用例。
AI 的突飞猛进已经让技术社会迅速进入变革的前夜,Bittensor 作为结合了 AI 与 Web3 技术的项目,将要如何面对 AI 崛起的重大机遇,以及面对 AI 科技巨头所拥有的天量数据带来的优势,快速走向广泛应用和发展?让我们一起期待 Bittensor 如何用人工智能+区块链技术带来更进一步的技术革命。
了解更多
Opentensor 基金会:https://opentensor.ai/
Opentensor Github:https://github.com/opentensor
官网:https://bittensor.com
白皮书:https://bittensor.com/whitepaper
推特:https://twitter.com/opentensor
在 TAO 上质押:https://taostats.io
开发者文档:https://docs.bittensor.com/
相关文章:
开源 AI 新秀崛起:Bittensor 更像是真正的“OpenAI”
强大的人工智能正在飞速发展,而完全由 OpenAI、Midjourney、Google(Bard)这样的少数公司控制 AI 不免让人感到担忧。在这样的背景下,试图用创新性解决方案处理人工智能中心化问题、权力集中于少数公司的 Bittensor,可谓…...
设计模式:循序渐进走入工厂模式
文章目录 前言一、引入二、简单工厂模式1.实现2.优缺点3.扩展 三、工厂方法模式1.实现2.优缺点 四、抽象工厂模式1.实现2.优缺点3.使用场景 五、模式扩展六、JDK源码解析总结 前言 软件设计模式之工厂模式。 一、引入 需求:设计一个咖啡店点餐系统。 设计一个咖啡类…...
如何将图片(matlab、python)无损放入word论文
许多论文对插图有要求,直接插入png、jpg一般是不行的,这是一篇顶刊文章(pdf)的插图,放大2400%后依旧清晰,搜罗了网上的方法,总结了一下如何将图片无损放入论文中。 这里主要讨论的是数据生成的图…...
在Next.js和React中搭建Cesium项目
在Next.js和React中搭建Cesium项目,需要确保Cesium能够与服务端渲染(SSR)兼容,因为Next.js默认是SSR的。Cesium是一个基于WebGL的地理信息可视化库,通常用于在网页中展示三维地球或地图。下面是一个基本的步骤,用于在Next.js项目中…...
docker学习(十、搭建redis集群,三主三从)
文章目录 一、docker创建6个redis容器创建6个redis容器回顾各个属性含义 二、划分主从,3主3从划分主从查看状态查看节点信息 docker搭建Redis集群相关知识: docker学习(九、分布式存储亿级数据知识) docker学习(十、搭…...
ES排错命令
GET _cat/indices?v&healthred GET _cat/indices?v&healthyellow GET _cat/indices?v&healthgreen确定哪些索引有问题,多少索引有问题。_cat API 可以通过返回结果告诉我们这一点 查看有问题的分片以及原因。 这与索引列表有关,但是索引…...
爬虫实战案例 -- 爬取豆瓣读书网页内容
进入网站检查信息 , 确定请求方式以及相关数据 找到爬取目标位置 开始敲代码 # 链接网站 def url_link(url):res requests.get(url,headers headers)response res.textparse_data(response)# 爬取信息 def parse_data(data):msg <li\sclass"media\sclearfix…...
某电子文档安全管理系统 SQL注入漏洞复现
漏洞介绍 亿赛通电子文档安全管理系统 (简称: CDG)是一款电子文档安全加密软件,该系统利用驱动层透明加密技术,通过对电子文档的加密保护,防止内部员工泄密和外部人员非法窃取企业核心重要数据资产,对电子文档进行全生命周期防护…...
ant-design-vue Message 用法以及内容为 html片段情况
全局配置: // main.ts// 进行全局配置 message.config({top: 0.7rem,//高度位置duration: 2,//提示持续时间maxCount: 1,//最大页面同时展示几条 });项目中最常用的用法: 1. 字符串 message.success("导入成功");2. html片段 message.error…...
2024 Move 开发者大会火热报名中!1 月 13 至 14 日上海见
2024 Move 开发者大会将于 1 月 13 日至 1 月 14 日在上海举办。本届 Move 开发者大会以 “Move 生态关键的一年” 为主题,由 MoveFuns 、OpenBuild 和 MoveBit 主办,Rooch、AptosGlobal、alcove、zkMove、云赛空间和 TinTinLand 协办,并得到…...
hbase用shell命令新建表报错ERROR: KeeperErrorCode = NoNode for /hbase/master
或者HMster开启后几秒消失问题解决 报错如图: 首先jps命令查看当前运行的内容有没有HMaster,如果没有,开启一下hbase,稍微等一会儿,再看一下HMaster,如果仍和下图一样没有,就基本找到问题了 本人问题原因:hbase-site…...
PyQt中的冒号(:)
在这段代码中,冒号(:)的使用是类型注解的一种形式,用于显式地指定变量的类型。在Python 3.5及以后的版本中,引入了类型注解的概念,可以在变量名后面使用冒号来注解变量的类型。 例如,在以下代码…...
yolo-nas无人机高空红外热数据小目标检测(教程+代码)
前言 YOLO-NAS是目前最新的YOLO目标检测模型。从一开始,它就在准确性方面击败了所有其他 YOLO 模型。与之前的 YOLO 模型相比,预训练的 YOLO-NAS 模型能够以更高的准确度检测更多目标。但是我们如何在自定义数据集上训练 YOLO NAS? 这将是我…...
Ubuntu22.04安装python2
Ubuntu 20.04是继Ubuntu 18.04 LTS之后的下一个长期支持(LTS)版本,从Ubuntu 20.04开始系统不再预装python2。 如果我们有一些老旧的代码需要运行,可以在新版的Ubuntu系统上自行安装python2。 安装命令: sudo apt install python2查看pytho…...
【Amazon 实验①】Amazon WAF功能增强之实验环境准备
文章目录 1. 实验介绍2. 实验环境准备 1. 实验介绍 在真实的网络空间中,攻击者会使用大量广泛分布的僵尸网络、肉机等发起对目标的攻击。 其来源分布一般比较分散,因此难以简单防范。 本实验联合使用有多种AWS服务:Cloudfront、 Lambdaedge…...
Qt不能在线程函数操作UI
Qt的官方文档虽然并没有明确说明,不能在子线程中操作UI,但是,因为Qt是事件循环机制,所有的UI事件都是在主线程中处理的,如果在子线程中直接操作UI,就会存在线程安全问题,严重时候会使程序挂掉。…...
web网页端使用webSocket实现语音通话功能(SpringBoot+VUE)
写在前面 最近在写一个web项目,需要实现web客户端之间的语音通话,期望能够借助webSocket全双工通信的方式来实现,但是网上没有发现可以正确使用的代码。网上能找到的一个代码使用之后只能听到“嘀嘀嘀”的杂音 解决方案:使用Jso…...
读取spring boot项目resource目录下的文件
背景 项目开发过程中,有一些情况下将配置文件放在resource下能简化代码实现和部署时的打包步骤。例如: 项目中使用的数据库升级脚本、初始化脚本。将文件放到resource下,打包在jar包中,不能直接通过File路径读取。下面介绍两种读…...
R语言生物群落(生态)数据统计分析与绘图实践技术
R 语言作的开源、自由、免费等特点使其广泛应用于生物群落数据统计分析。生物群落数据多样而复杂,涉及众多统计分析方法。本内容以生物群落数据分析中的最常用的统计方法回归和混合效应模型、多元统计分析技术及结构方程等数量分析方法为主线,通过多个来…...
c# OpenCV 检测(斑点检测、边缘检测、轮廓检测)(五)
在C#中使用OpenCV进行图像处理时,可以使用不同的算法和函数来实现斑点检测、边缘检测和轮廓检测。 斑点检测边缘检测轮廓检测 一、斑点检测(Blob) 斑点检测是指在图像中找到明亮或暗的小区域(通常表示为斑点)&#…...
【杂谈】-递归进化:人工智能的自我改进与监管挑战
递归进化:人工智能的自我改进与监管挑战 文章目录 递归进化:人工智能的自我改进与监管挑战1、自我改进型人工智能的崛起2、人工智能如何挑战人类监管?3、确保人工智能受控的策略4、人类在人工智能发展中的角色5、平衡自主性与控制力6、总结与…...
微软PowerBI考试 PL300-选择 Power BI 模型框架【附练习数据】
微软PowerBI考试 PL300-选择 Power BI 模型框架 20 多年来,Microsoft 持续对企业商业智能 (BI) 进行大量投资。 Azure Analysis Services (AAS) 和 SQL Server Analysis Services (SSAS) 基于无数企业使用的成熟的 BI 数据建模技术。 同样的技术也是 Power BI 数据…...
【人工智能】神经网络的优化器optimizer(二):Adagrad自适应学习率优化器
一.自适应梯度算法Adagrad概述 Adagrad(Adaptive Gradient Algorithm)是一种自适应学习率的优化算法,由Duchi等人在2011年提出。其核心思想是针对不同参数自动调整学习率,适合处理稀疏数据和不同参数梯度差异较大的场景。Adagrad通…...
日语学习-日语知识点小记-构建基础-JLPT-N4阶段(33):にする
日语学习-日语知识点小记-构建基础-JLPT-N4阶段(33):にする 1、前言(1)情况说明(2)工程师的信仰2、知识点(1) にする1,接续:名词+にする2,接续:疑问词+にする3,(A)は(B)にする。(2)復習:(1)复习句子(2)ために & ように(3)そう(4)にする3、…...
8k长序列建模,蛋白质语言模型Prot42仅利用目标蛋白序列即可生成高亲和力结合剂
蛋白质结合剂(如抗体、抑制肽)在疾病诊断、成像分析及靶向药物递送等关键场景中发挥着不可替代的作用。传统上,高特异性蛋白质结合剂的开发高度依赖噬菌体展示、定向进化等实验技术,但这类方法普遍面临资源消耗巨大、研发周期冗长…...
Objective-C常用命名规范总结
【OC】常用命名规范总结 文章目录 【OC】常用命名规范总结1.类名(Class Name)2.协议名(Protocol Name)3.方法名(Method Name)4.属性名(Property Name)5.局部变量/实例变量(Local / Instance Variables&…...
CentOS下的分布式内存计算Spark环境部署
一、Spark 核心架构与应用场景 1.1 分布式计算引擎的核心优势 Spark 是基于内存的分布式计算框架,相比 MapReduce 具有以下核心优势: 内存计算:数据可常驻内存,迭代计算性能提升 10-100 倍(文档段落:3-79…...
智能仓储的未来:自动化、AI与数据分析如何重塑物流中心
当仓库学会“思考”,物流的终极形态正在诞生 想象这样的场景: 凌晨3点,某物流中心灯火通明却空无一人。AGV机器人集群根据实时订单动态规划路径;AI视觉系统在0.1秒内扫描包裹信息;数字孪生平台正模拟次日峰值流量压力…...
力扣-35.搜索插入位置
题目描述 给定一个排序数组和一个目标值,在数组中找到目标值,并返回其索引。如果目标值不存在于数组中,返回它将会被按顺序插入的位置。 请必须使用时间复杂度为 O(log n) 的算法。 class Solution {public int searchInsert(int[] nums, …...
算法笔记2
1.字符串拼接最好用StringBuilder,不用String 2.创建List<>类型的数组并创建内存 List arr[] new ArrayList[26]; Arrays.setAll(arr, i -> new ArrayList<>()); 3.去掉首尾空格...
