ダイナミックTAO：適応型ステーキングおよび報酬分配

Dynamic TAOは、2025年2月13日に導入されたBittensorのトークン経済学とガバナンスの重要な強化です。このアップグレードにより、各サブネットに固有のアルファトークンとして知られるトークンが割り当てられ、主要なTAOトークンと並行して稼働することで、ネットワークの経済モデルが分散化されます。この構造により、サブネットは独自の経済を管理し、Bittensorエコシステム内で専門化と自律性を促進します。

Dynamic TAOフレームワークでは、各サブネットはTAOとそれに対応するアルファトークンからなる流動性リザーブを維持します。ユーザーは、サブネットのリザーブにTAOをステークしてアルファトークンを受け取ることができ、実質的にはサブネットの価値とパフォーマンスに“投票”します。TAOとアルファトークンの交換レートは、リザーブ内のTAOとアルファの比率によって決定され、市場がサブネットのユーティリティと需要を評価したものです。

Dynamic TAOの下の放出メカニズムは、報酬をバランス良く分配するように設計されています。TAOトークンは、そのアルファトークンの相対的な市場価値に基づいてサブネットに発行されます。アルファトークンに対する需要と流動性が高いサブネットは、TAOの放出の大部分を受け取ります。これにより、有益なサービスの提供とユーザーの吸引が促進されます。さらに、サブネットは、TAOと同様のハーフィングスケジュールに従うレートで独自のアルファトークンを放出し、制御された予測可能なトークン供給の成長を確保しています。

サブネット内のアルファトークンの分配は、さまざまな参加者に報酬を与えるように構築されています。各サブネットはブロックごとに最大1つのアルファトークンを発行でき、次のように割り当てられます: 18%はサブネットの所有者に、41%はバリデータに、そして41%はマイナーに。

潜在的なアルファトークン価格の操作を防ぐために、Dynamic TAOは一定の製品自動市場メーカー（AMM）モデルを採用しています。このシステムでは、プールの流動性に対して大きな取引が行われると、スリッページコストが増加し、価格操作が経済的に非実現可能になります。例えば、プール内のアルファトークンの大部分を購入すると、トークンの価格が大幅に上昇し、トークンの価値を人工的に膨らませたり、減らしたりする試みを阻止します。

Bittensorは、取引処理における公平性を向上させるために、ランダムオーダーファイナライゼーションメカニズムを利用しています。このアプローチにより、各ブロック内の取引の順序がランダム化され、フロントランニングなどの戦術を使って不当な利益を得ることができなくなります。その結果、すべての参加者が平等な機会を持ち、ネットワークは取引におけるレベルなプレイフィールドを維持します。

サブネットゼロは、動的なTAO構造内でユニークに機能するルートサブネットとしても知られています。独自のアルファトークンを持たず、マイニングや検証活動をホストしません。ただし、検証者はサブネットゼロに登録することができ、TAOホルダーはこれらの検証者にステークすることができ、サブネットに依存しないステーキングを可能にします。この設計により、Bittensorエコシステム内の多様な戦略と好みに対応し、参加者が特定のサブネットに縛られることなくネットワークをサポートする柔軟性が提供されます。

Bittensorにおける検証：AI貢献のランキング

バリデータは、AIモデルの作業をレビューし、ネットワークが有用な貢献を報酬することを確認する責任があります。彼らは品質管理者として機能し、AIが生成した応答の正確さと価値をチェックします。彼らのスコアは、各AI貢献者がいくつのTAOトークンを稼ぐかを決定します。

バリデータになるには、参加者はいくつかの条件を満たす必要があります。まず、彼らは検証したいサブネット内でユニークなIDを取得して登録する必要があります。その後、少なくとも1,000 TAOトークンをステークし、そのサブネット内でトップ64のバリデータの中にランクインする必要があります。これらの条件は、コミットされた能力のあるバリデータのみが参加することを保証するのに役立ちます。

バリデーターは、各要件を満たす場合、複数のサブネットで作業することができます。また、他のユーザーにTAOトークンをステークするように誘導するオプションもあります。これは、コミュニティでうまく機能し信頼を築いたバリデーターが、他のネットワーク参加者からより多くの支援を受けることができることを意味します。

システムは、検証者に正直かつ効率的に行動するよう奨励しています。彼らが一貫して有用な評価を提供すると、より多くのTAO報酬を獲得します。システムを操作しようとしたり、評価が悪かったりすると、報酬を失うリスクがあります。

コミット-リヴィール メカニズム：サブネット操作における公平性の確保

Bittensorは、独立した評価を行う代わりに、バリデータが互いのスコアをコピーするのを防ぐためにコミットリベールシステムを使用しています。バリデータのスコアは、AIコントリビューターがいくつのTAOトークンを獲得するかを決定するため、一部のバリデータは、自分の評価を提出する前に他の人が何を提出するかを見てからショートカットを取ろうとするかもしれません。これにより、バイアスのかかったまたは不公平な報酬につながる可能性があります。

これを防ぐために、ネットワークは最初に評価を暗号化された形で提出することを検証者に要求し、その評価を隠します。そして、短い待機期間の後、彼らは割り当てた実際の評価を明らかにしなければなりません。この時間的な遅延のため、検証者は単に他の人の評価をコピーすることはできません。これにより、すべての評価が独立して公平であることが保証されます。

このシステムは注意深くタイミングを合わせる必要があります。待機時間が短すぎると、不正な検証者はまだ不正を行う方法を見つける可能性があります。長すぎると、ネットワークが遅くなる可能性があります。Bittensorは、サブネットの所有者が適切な遅延を設定できるようにし、システムが安全でスムーズに稼働するようにします。

コミットリヴィールプロセスは、新しい参加者がネットワークに参加する方法にも関連しています。新しいAIモデルやバリデーターは、パフォーマンスが低いために削除される前に猶予期間を得ます。コミットリヴィールの待機時間は、常にこの猶予期間よりも短くする必要があります。そのため、参加者がスコアが公開される前に不当に削除されることがありません。

コンセンサスベースのウェイト：透明な報酬システム

Bittensor内のコンセンサスベースのウェイトは、AIモデルの評価に対する報酬を決定します。固定された数式に依存するのではなく、このシステムは全てのバリデーターの集合的な判断に応じて連続的に調整されます。バリデーターは、AIモデルのパフォーマンスに基づいてスコアまたは「ウェイト」を割り当てます。彼らの評価がより広範なネットワークのコンセンサスと一致するほど、より多くの報酬を受け取ります。もしバリデーターが一貫してコンセンサスと著しく異なる評価を付ける場合、その影響力と報酬が減少します。これにより、無作為または偏った評価を防ぎ、最も優れたパフォーマンスを発揮するAIモデルが正確に特定され適切に報酬されることが保証されます。

このシステムを理解するためには、競技の採点をする審判団を想像してください。ほとんどの審判があるパフォーマンスに高いスコアを付ける一方、理由もなくスコアを大幅に下げる審判が1人いる場合、その意見は信頼性が低いと見なされます。時間の経過とともに、この信頼性のない審判は最終的なスコアに対する影響力が低くなります。Bittensorのバリデータにも同じ原則が適用されます。彼らの評価が経験豊富なバリデータの大多数が公正と判断するものと一致するようであれば、彼らは強い影響力を維持し、より高い報酬を得ます。結果を操作しようとしたり、一貫して誤った判断を下す場合、ネットワーク内での彼らのウェイトは低下します。

以前、検証者の報酬は、過去と現在のパフォーマンスを組み合わせた式に基づいていました。つまり、検証者が良い実績を築いたら、それを継続的に享受できるということでした。しかし、高品質な評価を行っていなくても、その好成績を維持できる仕組みでした。新しいコンセンサスベースのアプローチは、これをリアルタイムの調整メカニズムに置き換えます。検証者の有効性は、過去のデータだけでなく、現在のAIモデルをどれだけ正確に評価するかに基づくものになりました。これにより、検証者が報酬を維持するために一貫して良い成績を収める必要があるより動的なシステムが生まれました。

このようなシステムで発生する可能性のある問題の1つは、検証者が独自の分析を行う代わりに単に他者の評価をコピーすることです。これを防ぐために、Bittensorはコミットリヴィールプロセスを使用しています。検証者はまず他者から隠された暗号化された評価を提出しなければなりません。一定期間後、これらの評価が公開されます。これにより、検証者が他者の意見を見てから待ってそれをコピーすることを防ぎ、独立した評価を行うよう強制します。このメカニズムにより、評価プロセスが公平に保たれ、報酬がシステムをゲームしようとする者ではなく、本当の努力をした者に与えられることが保証されます。

このシステムのもう一つの重要な側面は、バリデータの影響力が時間とともにどのように成長するかです。バリデータは、強いと考えるAIモデルに「ボンド」を結びます。このボンドは、正しい評価を続けることで増加します。このボンドの強さが、バリデータが支援するAIモデルの成功からいくら稼ぐかを決定します。バリデータが一貫して高品質なAIモデルを早期に特定すると、それらのモデルが認識されるにつれて報酬が複利化します。しかし、品質を頻繁に誤って判断すると、影響力が弱まり、報酬が減少します。

サブネット所有者は、設定と呼ばれるものを調整することで、このシステムがどれだけ厳格または柔軟かを制御します。liquid_alpha_enabledこの設定は、ネットワークのコンセンサスに対応して、検証者の影響力がどれだけ変化するかを制御します。より高いレベルに設定すると、頻繁にコンセンサスに一致する検証者は影響力をより速く獲得し、逸脱する者はより速く影響力を失います。低く設定すると、システムは寛大になり、検証者により多くの判断の余地を与えます。これにより、サブネットの所有者は、システムの公平性とレスポンスの微調整を、特定のサブネットのニーズに応じて行うことができます。

このアプローチにより、努力を惜しまず熟考した評価を行う検証者が適切に報酬を受け取ることが保証されます。悪用されたり陳腐化した固定された公式ではなく、このリアルタイムシステムは報酬が継続的な正確さと参加に基づいていることを保証します。結果を操作しようとしたり近道をしようとした検証者は影響力を失い、有用な評価を提供する者は時間と共により多く稼ぎます。

ハイライト

• Dynamic TAOは、意思決定をネットワーク全体に分散させることで、サブネットの価値評価方法を変えます。
• バリデータは、AIの出力の品質をチェックし、TAO報酬の分配に影響を与えます。
• コミットリヴィールは、バリデータが互いのスコアをコピーするのを防ぎ、正直な評価を保証します。
• コンセンサスに基づく重みは、ランキングをリアルタイムで調整することにより、検証者の報酬の公平性を向上させます。
• これらのシステムは、透明で競争力のある分散型AIエコシステムを作成するために協力して動作します。