Bittensor entmystifizieren: Wie geht es dem dezentralen KI-Netzwerk?

Bittensor ist ein dezentrales Netzwerk mit dem Ziel, einen intelligenten Marktplatz zu schaffen, auf dem hochwertige KI-Modelle dezentral entwickelt werden können.

Title: Demystifying Bittensor: How's the Decentralized AI Network?

Titel: Bittensor entmystifizieren: Wie geht es dem dezentralen KI-Netzwerk?

Authors: Ming Ruan, Wenshuang Guo, Animoca Brands Research

Autoren: Ming Ruan, Wenshuang Guo, Animoca Brands Research

Compiled by: Scof, ChainCatcher

Zusammengestellt von: Scof, ChainCatcher

Overview: Demand for Decentralized AI

Überblick: Nachfrage nach dezentraler KI

Rapid advancements in artificial intelligence (AI) technology are undeniable, but this progress is not without its challenges. Currently, centralized data training models dominate the field, primarily controlled by tech giants like OpenAI, Google, and X (formerly Twitter).

Die rasanten Fortschritte in der Technologie der künstlichen Intelligenz (KI) sind unbestreitbar, aber dieser Fortschritt ist nicht ohne Herausforderungen. Derzeit dominieren zentralisierte Datentrainingsmodelle das Feld, die hauptsächlich von Technologiegiganten wie OpenAI, Google und X (ehemals Twitter) kontrolliert werden.

Despite significant achievements in centralized AI training in recent years, it also has certain limitations. First, there are issues during the data training process, such as unauthorized use of private information, data censorship leading to distorted training outcomes, and a lack of traceability in data sources. In terms of algorithms, centralized models heavily rely on data quality and often struggle to perform real-time evaluations for iterative improvements.

Trotz erheblicher Erfolge in der zentralisierten KI-Ausbildung in den letzten Jahren weist sie auch gewisse Einschränkungen auf. Erstens gibt es während des Datentrainingsprozesses Probleme, wie z. B. die unbefugte Nutzung privater Informationen, Datenzensur, die zu verzerrten Trainingsergebnissen führt, und mangelnde Rückverfolgbarkeit von Datenquellen. Was die Algorithmen betrifft, sind zentralisierte Modelle stark von der Datenqualität abhängig und haben oft Schwierigkeiten, Echtzeitauswertungen für iterative Verbesserungen durchzuführen.

Decentralized AI training presents an alternative, but it faces enormous challenges, particularly due to resource shortages. Currently, the cost of training large models exceeds $100 million, making it nearly impossible for community-driven projects to compete. Decentralized efforts rely on voluntary contributions of computational power, data, and talent, but these resources are insufficient to support projects of similar scale. Therefore, the potential of decentralized AI remains limited and cannot fully compete with centralized AI in terms of scale and impact.

Dezentrales KI-Training stellt eine Alternative dar, steht jedoch insbesondere aufgrund der Ressourcenknappheit vor enormen Herausforderungen. Derzeit belaufen sich die Kosten für die Schulung großer Modelle auf über 100 Millionen US-Dollar, was es für Community-Projekte nahezu unmöglich macht, mitzuhalten. Dezentrale Bemühungen beruhen auf freiwilligen Beiträgen von Rechenleistung, Daten und Talent, aber diese Ressourcen reichen nicht aus, um Projekte ähnlicher Größenordnung zu unterstützen. Daher bleibt das Potenzial der dezentralen KI begrenzt und kann in Bezug auf Umfang und Wirkung nicht vollständig mit der zentralisierten KI konkurrieren.

Source: Statista

Quelle: Statista

Overview of Bittensor

Übersicht über Bittensor

Bittensor is a decentralized network aimed at forming an intelligent marketplace where high-quality AI models can be developed in a decentralized manner. By leveraging incentive mechanisms and rewarding participants for providing computational resources, expertise, and innovative contributions, Bittensor has established an open-source AI capability ecosystem, where the native currency TAO serves both as a reward token and as a credential for accessing the network.

Bittensor ist ein dezentrales Netzwerk mit dem Ziel, einen intelligenten Marktplatz zu schaffen, auf dem hochwertige KI-Modelle dezentral entwickelt werden können. Durch die Nutzung von Anreizmechanismen und die Belohnung von Teilnehmern für die Bereitstellung von Rechenressourcen, Fachwissen und innovativen Beiträgen hat Bittensor ein Open-Source-Ökosystem für KI-Fähigkeiten geschaffen, in dem die einheimische Währung TAO sowohl als Belohnungs-Token als auch als Berechtigung für den Zugriff auf das Netzwerk dient.

The core components of Bittensor, including its Yuma consensus, subnets, and TAO token, were initially launched in November 2021 with the release of version "Satoshi" and were built as a parachain on Polkadot. It later migrated to a Layer 1 chain built on Polkadot Substrate in 2023, while the issuance plan for TAO remained unchanged.

Die Kernkomponenten von Bittensor, einschließlich seines Yuma-Konsenses, seiner Subnetze und seines TAO-Tokens, wurden ursprünglich im November 2021 mit der Veröffentlichung der Version „Satoshi“ eingeführt und als Parachain auf Polkadot aufgebaut. Später wurde es im Jahr 2023 zu einer Layer-1-Kette auf Basis von Polkadot Substrate migriert, während der Emissionsplan für TAO unverändert blieb.

The creators and operating entity of Bittensor, the Opentensor Foundation, was co-founded by former Google engineer Jacob Steeves and machine learning scholar Ala Shaabana. The foundation currently has about 30 employees, almost all of whom are engaged in engineering functions, lacking roles in B2B market expansion, business development, partnerships, or developer relations.

Die Gründer und Betreibergesellschaft von Bittensor, die Opentensor Foundation, wurde vom ehemaligen Google-Ingenieur Jacob Steeves und dem Gelehrten für maschinelles Lernen Ala Shaabana mitbegründet. Die Stiftung beschäftigt derzeit etwa 30 Mitarbeiter, von denen fast alle in technischen Funktionen tätig sind und keine Rollen in der B2B-Marktexpansion, Geschäftsentwicklung, Partnerschaften oder Entwicklerbeziehungen haben.

Fundamentals: How Does Bittensor Work?

Grundlagen: Wie funktioniert Bittensor?

Bittensor has developed an innovative network based on a dynamic incentive consensus framework, allowing participants to support the contribution of resources needed for producing machine intelligence. Each subnet operates as a model for a specific task, with its own independent performance evaluation criteria, and incentives are distributed through Bittensor's overall Yuma consensus.

Bittensor hat ein innovatives Netzwerk entwickelt, das auf einem dynamischen Anreizkonsensrahmen basiert und es den Teilnehmern ermöglicht, den Beitrag der für die Produktion maschineller Intelligenz erforderlichen Ressourcen zu unterstützen. Jedes Subnetz fungiert als Modell für eine bestimmte Aufgabe mit eigenen unabhängigen Leistungsbewertungskriterien, und Anreize werden über den Yuma-Gesamtkonsens von Bittensor verteilt.

Let’s illustrate how a subnet operates through an analogy. A subnet can be likened to a magazine publisher that organizes writing competitions every month. Each month, an editor publishes a theme for writers to compete for a $10,000 reward pool. The criterion is "the work that best embodies the spirit of web3." Writers submit their articles to the editor for review, and all editors evaluate all submitted works. The results of the editors' evaluations determine the final rankings. The highest-ranked article will be published and receive the largest share of the rewards, while lower-ranked articles may also receive smaller rewards. All submitted articles and their scores will be shared with the participating writers and editors for feedback and learning. Through this incentive structure, writers will continue to participate and contribute, and the standards between writers and editors will gradually converge, allowing the magazine to publish high-quality articles that best "embody the spirit of web3."

Lassen Sie uns anhand einer Analogie veranschaulichen, wie ein Subnetz funktioniert. Ein Subnetz kann mit einem Zeitschriftenverlag verglichen werden, der jeden Monat Schreibwettbewerbe organisiert. Jeden Monat veröffentlicht ein Redakteur ein Thema, damit Autoren um einen Belohnungspool von 10.000 US-Dollar konkurrieren können. Das Kriterium ist „die Arbeit, die den Geist von web3 am besten verkörpert.“ Autoren reichen ihre Artikel zur Begutachtung beim Herausgeber ein, und alle Herausgeber bewerten alle eingereichten Werke. Die Ergebnisse der Redaktionsbewertung bestimmen die endgültige Platzierung. Der am höchsten bewertete Artikel wird veröffentlicht und erhält den größten Anteil der Belohnungen, während Artikel mit niedrigerem Rang auch kleinere Belohnungen erhalten können. Alle eingereichten Artikel und ihre Bewertungen werden den teilnehmenden Autoren und Redakteuren zur Rückmeldung und zum Lernen mitgeteilt. Durch diese Anreizstruktur werden Autoren weiterhin teilnehmen und Beiträge leisten, und die Standards zwischen Autoren und Redakteuren werden sich allmählich annähern, sodass das Magazin qualitativ hochwertige Artikel veröffentlichen kann, die „den Geist von web3 am besten verkörpern“.

In this analogy, the magazine publisher represents the subnet, the writers represent the miners, and the editors represent the validators. The process of editors aggregating evaluations of the articles is the Yuma consensus mechanism. In actual subnets, miners will receive TAO tokens instead of dollars, and these tokens are allocated by the root subnet (subnet 0); validators are also incentivized to align their standards with the aggregated scores to earn more rewards.

In dieser Analogie repräsentiert der Herausgeber des Magazins das Subnetz, die Autoren repräsentieren die Miner und die Herausgeber repräsentieren die Validatoren. Der Prozess, bei dem Redakteure die Bewertungen der Artikel zusammenfassen, ist der Yuma-Konsensmechanismus. In tatsächlichen Subnetzen erhalten Miner TAO-Tokens anstelle von Dollars, und diese Tokens werden vom Root-Subnetz (Subnetz 0) zugewiesen; Validatoren erhalten außerdem einen Anreiz, ihre Standards an den aggregierten Punktzahlen auszurichten, um mehr Belohnungen zu erhalten.

Within this framework, subnet owners train and acquire intelligent capabilities from miners through validators, building AI modules with specific functionalities. In addition to subnets, Bittensor also has other layers that support the overall functionality of the network:

In diesem Rahmen trainieren und erwerben Subnetzbesitzer intelligente Fähigkeiten von Minern durch Validatoren und erstellen KI-Module mit spezifischen Funktionalitäten. Neben Subnetzen verfügt Bittensor auch über weitere Schichten, die die Gesamtfunktionalität des Netzwerks unterstützen:

a. Application Layer

A. Anwendungsschicht

Users can interact with Bittensor through various applications that connect to subnets or act as subnets. Users submit service requests, such as language translation or data analysis, and the applications route the requests to the subnet via the validator API. The best miner answers are selected by validator consensus and returned to the users.

Benutzer können mit Bittensor über verschiedene Anwendungen interagieren, die eine Verbindung zu Subnetzen herstellen oder als Subnetze fungieren. Benutzer übermitteln Serviceanfragen, beispielsweise Sprachübersetzung oder Datenanalyse, und die Anwendungen leiten die Anfragen über die Validator-API an das Subnetz weiter. Die besten Miner-Antworten werden im Konsens des Validators ausgewählt und an die Benutzer zurückgegeben.

b. Execution Layer

B. Ausführungsschicht

This layer consists of a group of subnets, all of which use Yuma consensus to train and utilize miners

Diese Schicht besteht aus einer Gruppe von Subnetzen, die alle den Yuma-Konsens verwenden, um Miner auszubilden und einzusetzen