Bittensor の謎を解き明かす: 分散型 AI ネットワークはどうですか?

Bittensor は、高品質の AI モデルを分散型で開発できるインテリジェントな市場の形成を目的とした分散型ネットワークです。

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

タイトル: Bittensor の謎を解く: 分散型 AI ネットワークはどうですか?

Authors: Ming Ruan, Wenshuang Guo, Animoca Brands Research

著者: Ming Ruan、Wenshuang Guo、Animoca Brands Research

Compiled by: Scof, ChainCatcher

編集者: Scof、ChainCatcher

Overview: Demand for Decentralized AI

概要: 分散型 AI の需要

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).

人工知能 (AI) テクノロジーの急速な進歩は否定できませんが、この進歩には課題がないわけではありません。現在、集中型データ トレーニング モデルがこの分野を支配しており、主に OpenAI、Google、X (旧 Twitter) などのテクノロジー巨人によって制御されています。

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.

近年、集中型 AI トレーニングは大きな成果を上げていますが、一定の制限もあります。まず、データ トレーニング プロセス中には、個人情報の不正使用、トレーニング結果の歪みにつながるデータ検閲、データ ソースのトレーサビリティの欠如などの問題があります。アルゴリズムに関して言えば、一元化されたモデルはデータ品質に大きく依存しており、反復的な改善のためのリアルタイム評価を実行するのに苦労することがよくあります。

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.

分散型 AI トレーニングは代替手段を提供しますが、特にリソース不足による大きな課題に直面しています。現在、大規模モデルのトレーニングにかかる​​コストは 1 億ドルを超えており、コミュニティ主導のプロジェクトが競争することはほぼ不可能になっています。分散型の取り組みは、計算能力、データ、人材の自発的な貢献に依存していますが、これらのリソースは同様の規模のプロジェクトをサポートするには不十分です。したがって、分散型 AI の可能性は依然として限られており、規模と影響力の点で集中型 AI と完全に競合することはできません。

Source: Statista

出典: 統計局

Overview of Bittensor

Bittensor の概要

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 は、高品質の AI モデルを分散型で開発できるインテリジェントな市場の形成を目的とした分散型ネットワークです。 Bittensor は、インセンティブ メカニズムを活用し、計算リソース、専門知識、革新的な貢献を提供する参加者に報酬を与えることで、オープンソースの AI 機能エコシステムを確立しました。そこでは、ネイティブ通貨 TAO が報酬トークンとネットワークにアクセスするための資格情報の両方として機能します。

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.

Yuma コンセンサス、サブネット、TAO トークンを含む Bittensor のコア コンポーネントは、2021 年 11 月のバージョン「Satoshi」のリリースとともに最初に起動され、Polkadot 上のパラチェーンとして構築されました。その後、2023 年に Polkadot Substrate 上に構築されたレイヤー 1 チェーンに移行しましたが、TAO の発行計画は変更されませんでした。

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.

Bittensor の作成者および運営主体である Opentensor Foundation は、元 Google エンジニアの Jacob Steeves と機械学習学者の Ala Shaabana によって共同設立されました。現在、財団には約 30 人の従業員がいますが、そのほぼ全員がエンジニアリング機能に従事しており、B2B 市場の拡大、ビジネス開発、パートナーシップ、開発者との関係などの役割を担っていません。

Fundamentals: How Does Bittensor Work?

基礎: Bittensor はどのように機能するのか?

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 は、動的なインセンティブ コンセンサス フレームワークに基づいた革新的なネットワークを開発し、参加者がマシン インテリジェンスの生成に必要なリソースの貢献をサポートできるようにしました。各サブネットは、独自の独立したパフォーマンス評価基準を備えた特定のタスクのモデルとして動作し、Bittensor の全体的な Yuma コンセンサスを通じてインセンティブが分配されます。

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."

サブネットがどのように動作するかを例えで説明してみましょう。サブネットは、毎月執筆コンテストを開催する雑誌出版社にたとえることができます。毎月、編集者が 10,000 ドルの報酬プールを目指してライター向けのテーマを公開します。基準は「web3の精神を最も体現している作品」。ライターはレビューのために編集者に記事を送信し、すべての編集者が投稿されたすべての作品を評価します。編集者の評価結果により最終的なランキングが決定されます。最も高いランクの記事が公開され、最大の報酬を受け取りますが、より低いランクの記事はより少ない報酬を受け取ることもあります。提出されたすべての記事とそのスコアは、フィードバックと学習のために参加ライターや編集者と共有されます。このインセンティブ構造を通じて、ライターは継続的に参加、寄稿し、ライターと編集者の間の基準が徐々に収束し、雑誌は「web3 の精神を体現する」高品質の記事を掲載できるようになります。

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.

この例えでは、雑誌発行者はサブネットを表し、ライターはマイナーを表し、編集者は検証者を表します。編集者が記事の評価を集約するプロセスは、Yuma コンセンサス メカニズムです。実際のサブネットでは、マイナーはドルの代わりに TAO トークンを受け取り、これらのトークンはルート サブネット (サブネット 0) によって割り当てられます。バリデーターは、より多くの報酬を獲得するために、基準を集計スコアと一致させるよう奨励されます。

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:

このフレームワーク内で、サブネット所有者は、バリデーターを通じてマイナーからインテリジェントな機能をトレーニングおよび取得し、特定の機能を備えた AI モジュールを構築します。 Bittensor には、サブネットに加えて、ネットワークの全体的な機能をサポートする他のレイヤーもあります。

a. Application Layer

ａ．アプリケーション層

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.

ユーザーは、サブネットに接続するか、サブネットとして機能するさまざまなアプリケーションを通じて Bittensor と対話できます。ユーザーが言語翻訳やデータ分析などのサービス リクエストを送信すると、アプリケーションはバリデーター API を介してそのリクエストをサブネットにルーティングします。最良のマイナー回答がバリデーターのコンセンサスによって選択され、ユーザーに返されます。

b. Execution Layer

b.実行層

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

このレイヤーはサブネットのグループで構成されており、そのすべてが Yuma コンセンサスを使用してマイナーをトレーニングおよび活用します