Démystifier Bittensor : comment fonctionne le réseau d'IA décentralisé ?

Bittensor est un réseau décentralisé visant à former un marché intelligent où des modèles d'IA de haute qualité peuvent être développés de manière décentralisée.

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

Titre : Démystifier Bittensor : comment se porte le réseau d'IA décentralisé ?

Authors: Ming Ruan, Wenshuang Guo, Animoca Brands Research

Auteurs : Ming Ruan, Wenshuang Guo, Animoca Brands Research

Compiled by: Scof, ChainCatcher

Compilé par : Scof, ChainCatcher

Overview: Demand for Decentralized AI

Vue d'ensemble : demande d'IA décentralisée

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).

Les progrès rapides de la technologie de l’intelligence artificielle (IA) sont indéniables, mais ces progrès ne sont pas sans défis. Actuellement, les modèles centralisés de formation des données dominent le domaine, principalement contrôlés par des géants de la technologie comme OpenAI, Google et X (anciennement Twitter).

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.

Malgré des progrès significatifs dans la formation centralisée à l’IA ces dernières années, celle-ci présente également certaines limites. Premièrement, il existe des problèmes au cours du processus de formation des données, tels que l'utilisation non autorisée d'informations privées, la censure des données conduisant à des résultats de formation faussés et un manque de traçabilité des sources de données. En termes d'algorithmes, les modèles centralisés s'appuient fortement sur la qualité des données et ont souvent du mal à effectuer des évaluations en temps réel pour des améliorations itératives.

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.

La formation décentralisée à l’IA présente une alternative, mais elle se heurte à d’énormes défis, notamment en raison du manque de ressources. Actuellement, le coût de la formation des grands modèles dépasse 100 millions de dollars, ce qui rend presque impossible la compétition pour les projets communautaires. Les efforts décentralisés reposent sur des contributions volontaires en termes de puissance de calcul, de données et de talents, mais ces ressources sont insuffisantes pour soutenir des projets d'une ampleur similaire. Par conséquent, le potentiel de l’IA décentralisée reste limité et ne peut pas pleinement rivaliser avec l’IA centralisée en termes d’échelle et d’impact.

Source: Statista

Source : Statista

Overview of Bittensor

Présentation de 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 est un réseau décentralisé visant à former un marché intelligent où des modèles d'IA de haute qualité peuvent être développés de manière décentralisée. En tirant parti des mécanismes d'incitation et en récompensant les participants pour leurs ressources informatiques, leur expertise et leurs contributions innovantes, Bittensor a établi un écosystème de capacités d'IA open source, dans lequel la monnaie native TAO sert à la fois de jeton de récompense et d'identifiant pour accéder au réseau.

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.

Les composants principaux de Bittensor, y compris son consensus Yuma, ses sous-réseaux et son jeton TAO, ont été initialement lancés en novembre 2021 avec la sortie de la version « Satoshi » et ont été construits comme une parachain sur Polkadot. Il a ensuite migré vers une chaîne de couche 1 construite sur le substrat Polkadot en 2023, tandis que le plan d'émission de TAO est resté inchangé.

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.

Les créateurs et l'entité opérationnelle de Bittensor, la Fondation Opentensor, ont été cofondées par l'ancien ingénieur de Google Jacob Steeves et le spécialiste de l'apprentissage automatique Ala Shaabana. La fondation compte actuellement environ 30 employés, dont presque tous sont engagés dans des fonctions d'ingénierie, manquant de rôles dans l'expansion du marché B2B, le développement commercial, les partenariats ou les relations avec les développeurs.

Fundamentals: How Does Bittensor Work?

Fondamentaux : comment fonctionne 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 a développé un réseau innovant basé sur un cadre de consensus d'incitation dynamique, permettant aux participants de soutenir la contribution des ressources nécessaires à la production de l'intelligence artificielle. Chaque sous-réseau fonctionne comme un modèle pour une tâche spécifique, avec ses propres critères d'évaluation des performances indépendants, et les incitations sont distribuées via le consensus Yuma global de Bittensor.

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."

Illustrons le fonctionnement d'un sous-réseau par une analogie. Un sous-réseau peut être assimilé à un éditeur de magazine qui organise chaque mois des concours d’écriture. Chaque mois, un éditeur publie un thème permettant aux écrivains de concourir pour une cagnotte de récompense de 10 000 $. Le critère est « l'œuvre qui incarne le mieux l'esprit du web3 ». Les écrivains soumettent leurs articles à l'éditeur pour examen, et tous les éditeurs évaluent tous les travaux soumis. Les résultats des évaluations des éditeurs déterminent le classement final. L'article le mieux classé sera publié et recevra la plus grande part des récompenses, tandis que les articles les moins bien classés pourront également recevoir des récompenses plus petites. Tous les articles soumis et leurs notes seront partagés avec les rédacteurs et éditeurs participants pour commentaires et apprentissage. Grâce à cette structure d'incitation, les écrivains continueront à participer et à contribuer, et les normes entre écrivains et éditeurs convergeront progressivement, permettant au magazine de publier des articles de haute qualité qui « incarnent le mieux l'esprit du web3 ».

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.

Dans cette analogie, l’éditeur du magazine représente le sous-réseau, les rédacteurs représentent les mineurs et les éditeurs représentent les validateurs. Le processus par lequel les éditeurs regroupent les évaluations des articles est le mécanisme de consensus Yuma. Dans les sous-réseaux réels, les mineurs recevront des jetons TAO au lieu de dollars, et ces jetons sont alloués par le sous-réseau racine (sous-réseau 0) ; les validateurs sont également incités à aligner leurs normes sur les scores agrégés pour gagner plus de récompenses.

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:

Dans ce cadre, les propriétaires de sous-réseaux forment et acquièrent des capacités intelligentes auprès des mineurs via des validateurs, créant ainsi des modules d'IA dotés de fonctionnalités spécifiques. En plus des sous-réseaux, Bittensor dispose également d'autres couches qui prennent en charge la fonctionnalité globale du réseau :

a. Application Layer

un. Couche d'application

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.

Les utilisateurs peuvent interagir avec Bittensor via diverses applications qui se connectent à des sous-réseaux ou agissent comme des sous-réseaux. Les utilisateurs soumettent des demandes de service, telles que la traduction linguistique ou l'analyse de données, et les applications acheminent les demandes vers le sous-réseau via l'API du validateur. Les meilleures réponses des mineurs sont sélectionnées par consensus du validateur et renvoyées aux utilisateurs.

b. Execution Layer

b. Couche d'exécution

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

Cette couche se compose d'un groupe de sous-réseaux, qui utilisent tous le consensus Yuma pour former et utiliser les mineurs.