En la base de la arquitectura de Bittensor yace una red de nodos, denominados neuronas, que colaboran para mejorar la inteligencia de la red. Estas neuronas se clasifican en dos tipos principales: mineros y validadores. Los mineros son responsables de entrenar modelos de aprendizaje automático y proporcionar salidas valiosas, mientras que los validadores evalúan la calidad de estas salidas y garantizan la integridad de la red.
La comunicación entre neuronas se facilita a través de un modelo de servidor-cliente. Los mineros despliegan servidores de Axon para recibir y procesar datos de validadores, mientras que los validadores utilizan clientes de Dendrite para transmitir datos a los mineros. Los datos intercambiados entre estas entidades se encapsulan en objetos de Sinapsis, que estructuran la información para una transmisión y procesamiento sin problemas. Esta arquitectura garantiza que los datos fluyan de manera eficiente entre los nodos, lo que permite la colaboración y el aprendizaje en tiempo real.
Para mantener un registro organizado y actualizado de todas las neuronas participantes, Bittensor emplea un Metagrafo. Este directorio global proporciona información completa sobre el estado actual de la red, incluidos detalles sobre cada neurona y sus métricas de rendimiento. El Metagrafo es importante para facilitar interacciones sin confianza y garantizar transparencia dentro de la red.
Subyacente a toda la red se encuentra la cadena de bloques Subtensor, que conecta neuronas y registra todas las transacciones e interacciones.
La red de Bittensor está dividida en subredes, cada una adaptada para abordar tareas o dominios de IA específicos. Esta subdivisión permite entornos de entrenamiento especializados donde los modelos pueden centrarse en áreas de problemas particulares, lo que conduce a soluciones más refinadas y efectivas.
Cada subred opera de forma independiente, con su propio conjunto de mineros y validadores colaborando para lograr los objetivos de la subred. Esta autonomía permite a las subredes implementar mecanismos de incentivos personalizados y protocolos de validación adaptados a sus tareas específicas.
La creación y gestión de subredes son facilitadas por los creadores de subredes, quienes diseñan mecanismos de incentivos y supervisan la participación de mineros y validadores. Los creadores de subredes son responsables de garantizar que sus subredes atraigan participantes de alto rendimiento y mantengan un entorno justo y transparente.
En Bittensor, las neuronas son las unidades fundamentales que impulsan la funcionalidad de la red, encarnando los roles de mineros y validadores. Los mineros tienen la tarea de entrenar modelos de aprendizaje automático y generar salidas que contribuyan a la inteligencia colectiva de la red. Despliegan servidores de Axon para manejar las solicitudes entrantes de los validadores, procesar datos y producir respuestas que se alineen con los objetivos de la subred. Los mineros tienen incentivos para optimizar continuamente sus modelos, ya que sus recompensas están directamente ligadas a la calidad y relevancia de sus salidas.
Por otro lado, los validadores son responsables de evaluar el rendimiento de los mineros. Utilizan clientes de Dendrite para enviar consultas a los mineros y evaluar las respuestas en función de criterios predefinidos establecidos por el mecanismo de incentivos de la subred. Los validadores asignan pesos a las salidas de los mineros, reflejando su calidad y utilidad. Estos pesos se envían luego a la cadena de bloques, influyendo en la distribución de recompensas dentro de la subred. Las evaluaciones precisas y justas por parte de los validadores son cruciales, ya que mantienen la integridad y confiabilidad de la red.
La interacción entre mineros y validadores está gobernada por un protocolo bien definido que garantiza transparencia y responsabilidad. Los validadores tienen incentivos para proporcionar evaluaciones honestas, ya que las desviaciones del consenso pueden resultar en recompensas reducidas. Este mecanismo fomenta un entorno colaborativo donde tanto mineros como validadores trabajan hacia el objetivo común de mejorar la inteligencia de la red.
Para participar de manera efectiva, tanto los mineros como los validadores deben cumplir con requisitos computacionales específicos, incluyendo poder de procesamiento, memoria, ancho de banda y almacenamiento adecuados. Estos requisitos previos garantizan que todas las neuronas puedan manejar las demandas de sus roles, contribuyendo al rendimiento y la confiabilidad de la red.
Los mecanismos de incentivos dentro de Bittensor están diseñados para guiar el comportamiento de los participantes, asegurando que las contribuciones se alineen con los objetivos de la red. Cada subred implementa su propio mecanismo de incentivos, adaptado a sus tareas y metas específicas. Estos mecanismos definen cómo los validadores evalúan las salidas de los mineros y cómo se distribuyen las recompensas basadas en el rendimiento. Al establecer criterios claros de éxito, los mecanismos de incentivos motivan a los mineros a optimizar sus modelos y producir salidas de alta calidad.
Los validadores tienen una parte importante en este proceso al asignar pesos a las respuestas de los mineros, reflejando su calidad y relevancia. Estos pesos se aggreGate.iod y se envían a la cadena de bloques, formando la base para la distribución de recompensas. Se anima a los validadores a proporcionar evaluaciones precisas, ya que la consistencia con las evaluaciones de otros validadores conlleva a mayores recompensas.
Bittensor emplea el Consenso Yuma, un mecanismo de clasificación descentralizado diseñado para garantizar una evaluación justa y una distribución de recompensas en toda la red. A diferencia de los mecanismos de consenso tradicionales como Prueba de Trabajo (PoW) o Prueba de Participación (PoS), que validan principalmente transacciones, el Consenso Yuma está construido para evaluar y clasificar las contribuciones de IA dentro de la red. Determina cómo los validadores asignan peso a las salidas de los mineros, influenciando sus recompensas en función de la calidad de la contribución en lugar del poder computacional o la participación financiera.
Este enfoque garantiza que la red mejore continuamente recompensando a los modelos de IA que proporcionan respuestas valiosas y precisas. También evita la manipulación estableciendo un proceso de clasificación transparente y verificable que minimiza la subjetividad y el sesgo. Al implementar el Consenso Yuma, Bittensor mantiene un sistema descentralizado pero estructurado en el que los modelos de IA compiten y colaboran para refinar la inteligencia en un entorno sin confianza.
Aspectos destacados