第3课

Bittensor 的核心特性

本模块介绍了构成 Bittensor 运作机制的关键组成部分。内容涵盖 Dynamic TAO,它优化了子网的价值评估方式;验证者的角色,他们负责审核 AI 的贡献;以及 commit-reveal 机制,用于防止不诚实的验证行为。同时还探讨了基于共识的权重系统,确保依据表现公平分配奖励。

Dynamic TAO:自适应质押与奖励分配机制

Dynamic TAO 是 Bittensor 在代币经济和治理机制上的一次重大升级,于 2025 年 2 月 13 日在经过深入研发后正式推出。该升级通过为每个子网引入独立的代币——称为 alpha 代币——与主代币 TAO 并行运作,从而实现网络经济模型的去中心化。这一架构使各子网能够独立管理其经济系统,推动 Bittensor 生态系统内的专业化与自治发展。

在 Dynamic TAO 框架中,每个子网维护一个由 TAO 和其对应的 alpha 代币组成的流动性储备。用户可以将 TAO 质押至某个子网的储备中,以换取 alpha 代币,这一过程相当于“投票”认可该子网的价值与表现。TAO 与 alpha 代币之间的兑换比率由储备中两者的数量比例决定,反映出市场对该子网效用和需求的评估。

Dynamic TAO 的发行机制旨在实现奖励的平衡分配。TAO 代币的发放依据各子网 alpha 代币的市场相对价值进行分配。对于 alpha 代币需求与流动性较高的子网,将分配更多 TAO 奖励,从而激励其提供高价值服务并吸引用户。同时,各子网还会以类似 TAO 的减半节奏发行自身的 alpha 代币,以确保代币供应的增长稳定且可预测。

在子网内部,alpha 代币的分配结构设计旨在激励多方参与。每个子网每个区块最多可发行一个 alpha 代币,其分配方式为:18% 分配给子网所有者,41% 分配给验证者,41% 分配给矿工。

为防止 alpha 代币价格遭受操控,Dynamic TAO 采用恒定乘积自动化做市商(AMM)模型。在该机制下,相对于资金池规模的大额交易会导致较高的滑点成本,从而使操纵价格在经济上变得不可行。举例来说,若有人试图在池中购买大量 alpha 代币,代币价格将显著上升,从而抑制了人为炒高或压低价格的行为。

Bittensor 引入了随机排序确认(Random Order Finalization)机制,以提升交易处理的公平性。该机制会对每个区块中的交易顺序进行随机化,防止某些参与者通过抢先交易(front-running)等方式获取不正当优势。由此,所有参与者均能享有公平机会,网络整体也保持了交易环境的公正性。

Subnet Zero,也被称为根子网,在 Dynamic TAO 架构中具有特殊的地位。它没有独立的 alpha 代币,也不承载挖矿或验证操作。但验证者可以在根子网中注册,TAO 持有者也可以质押至这些验证者,实现与具体子网无关的质押方式。该设计为网络参与者提供了更高的灵活性,使他们无需绑定至特定子网,便可支持整个网络,从而适配 Bittensor 生态中多元化的策略与偏好。

Validation in Bittensor:对 AI 贡献进行排名

验证者负责审核 AI 模型的工作成果,确保网络能够奖励有价值的贡献。他们扮演质量审查员的角色,评估 AI 生成内容的准确性和实用性。验证者打出的分数决定了每位 AI 贡献者能获得多少 TAO 代币。

要成为验证者,参与者必须满足若干条件。首先,他们需在所选子网内完成注册并获得唯一 ID。随后,必须质押至少 1,000 枚 TAO,并在该子网内跻身前 64 名验证者。设定这些条件旨在确保只有投入度高、能力强的验证者能参与其中。

验证者若符合各子网的要求,可在多个子网中开展工作。他们还可以吸引其他用户代为质押 TAO,这意味着表现优异、在社区中赢得信任的验证者能够获得更多网络参与者的支持。

该系统鼓励验证者诚实高效地执行职责。如果他们持续提供有价值的评估,将获得更多 TAO 奖励;反之,若试图操控系统或提交劣质评价,则可能面临奖励减少的风险。

Commit-Reveal 机制:确保子网操作的公平性

Bittensor 采用 commit-reveal 机制,防止验证者抄袭他人评分而非进行独立评估。由于验证者的评分直接决定了 AI 贡献者的 TAO 奖励,一些验证者可能会想投机取巧,通过等待他人提交评分后再进行跟随提交,从而扰乱公平性。

为防止此类行为,网络要求验证者首先以加密形式提交评分,从而隐藏实际评分内容。在短暂的等待期后,他们必须公开已分配的真实分数。由于存在时间延迟,验证者无法简单抄袭他人的评分,从而确保所有评分是独立且公正的。

此机制的时机安排必须精确。如果等待时间太短,不诚实的验证者仍可能找到作弊方式;若过长,则可能影响网络运行效率。Bittensor 允许子网所有者设定合适的延迟,以在保证系统安全的同时维持流畅运行。

Commit-reveal 过程还与新参与者加入网络的方式相关联。新加入的 AI 模型和验证者在表现不佳被移除前会有一个宽限期。commit-reveal 的等待时间必须始终短于此宽限期,确保参与者在其评分被揭示前不会被不公正地移除。

Consensus-Based Weights:透明的奖励机制

在 Bittensor 中,基于共识的权重机制决定了验证者因评估 AI 模型而获得的奖励。该机制不依赖固定公式,而是根据所有验证者的集体判断动态调整。验证者会根据 AI 模型的表现打分,这些分数被称为“权重”。验证者的评分越贴近整体网络的共识,他们获得的奖励就越多;反之,若评分经常偏离共识,其影响力和奖励都会下降。这种机制有效抑制了随意或偏颇的评分,确保表现最佳的 AI 模型能够被准确识别并获得应有奖励。

为了更好地理解该系统,可以将其类比为一组评委在为比赛打分。如果多数评委打出高分,而某位评委无故打出低分,那么这位评委的评分就会被视为不可靠。随着时间推移,他对最终评分的影响力会不断降低。在 Bittensor 中也同样如此:若验证者的评估结果长期与大多数有经验的验证者趋于一致,他们就能保持较强影响力并获得更多奖励;而若试图操纵评分或持续做出错误判断,其网络权重将逐渐下降。

以往,验证者的奖励依据结合历史和当前表现的公式进行计算。这意味着一旦建立了良好记录,即便后续评估质量下降,验证者仍能继续获利。而如今,基于共识的机制用实时调整方式取代了这一模式。验证者的有效性不再仅由过往表现决定,而是取决于其当前对 AI 模型的评估是否准确。这种机制构建了一个更具动态性的系统,要求验证者持续输出优质评估,方能维持自身收益。

在这样的系统下,可能会出现验证者互相抄袭评分、逃避独立评估的现象。为防止这种行为,Bittensor 引入了 commit-reveal 机制。验证者需先提交加密后的评分,在一段设定时间后才公开。这一机制防止验证者等待他人提交后再照搬评分,从而强制他们进行独立判断。这种设计保障了评估过程的公正性,也确保奖励归属于真正付出努力的验证者,而非试图投机取巧者。

系统的另一关键要素是验证者影响力随时间的增长机制。验证者会与他们认为优秀的 AI 模型建立“绑定”关系,随着持续做出正确评估,这种绑定关系将逐步增强。绑定强度决定了验证者从所支持模型的成功中获得的收益。如果验证者能够持续在早期识别出高质量模型,其奖励将随着这些模型获得认可而逐步累积;反之,若频繁误判,影响力将减弱,收益也会随之减少。

子网所有者可通过调整名为 liquid_alpha_enabled 的设置来控制系统的松紧程度。该参数决定验证者的影响力在响应网络共识时变化的速度。若设置较高,频繁与共识一致的验证者将更快提升影响力,而偏离共识的验证者会更快失去影响力;若设置较低,则系统更为宽容,允许验证者有更大空间去培养判断力。这一机制赋予子网所有者灵活性,可根据子网需求细化系统的公平性与响应能力。

该机制确保了那些认真评估、深思熟虑的验证者能够获得合理回报。相比容易被滥用或过时的固定公式,这一实时系统确保奖励始终基于持续的准确性与参与度。那些试图操控系统或走捷径的验证者将逐渐失去影响力,而真正提供高质量评估的验证者则能获得长期回报。

亮点

  • Dynamic TAO 通过将决策权分散至整个网络,重塑了子网的价值评估机制。
  • 验证者审核 AI 输出质量,并决定 TAO 奖励的分配方式。
  • Commit-reveal 防止验证者互相抄袭评分,保障评估过程的诚实性。
  • 基于共识的权重机制通过实时排名调整,提高验证者奖励的公平性。
  • 各项机制协同运作,共同构建了一个透明、竞争性强、去中心化的 AI 生态系统。
免责声明
* 投资有风险,入市须谨慎。本课程不作为投资理财建议。
* 本课程由入驻Gate Learn的作者创作,观点仅代表作者本人,绝不代表Gate Learn赞同其观点或证实其描述。
目录
第3课

Bittensor 的核心特性

本模块介绍了构成 Bittensor 运作机制的关键组成部分。内容涵盖 Dynamic TAO,它优化了子网的价值评估方式;验证者的角色,他们负责审核 AI 的贡献;以及 commit-reveal 机制,用于防止不诚实的验证行为。同时还探讨了基于共识的权重系统,确保依据表现公平分配奖励。

Dynamic TAO:自适应质押与奖励分配机制

Dynamic TAO 是 Bittensor 在代币经济和治理机制上的一次重大升级,于 2025 年 2 月 13 日在经过深入研发后正式推出。该升级通过为每个子网引入独立的代币——称为 alpha 代币——与主代币 TAO 并行运作,从而实现网络经济模型的去中心化。这一架构使各子网能够独立管理其经济系统,推动 Bittensor 生态系统内的专业化与自治发展。

在 Dynamic TAO 框架中,每个子网维护一个由 TAO 和其对应的 alpha 代币组成的流动性储备。用户可以将 TAO 质押至某个子网的储备中,以换取 alpha 代币,这一过程相当于“投票”认可该子网的价值与表现。TAO 与 alpha 代币之间的兑换比率由储备中两者的数量比例决定,反映出市场对该子网效用和需求的评估。

Dynamic TAO 的发行机制旨在实现奖励的平衡分配。TAO 代币的发放依据各子网 alpha 代币的市场相对价值进行分配。对于 alpha 代币需求与流动性较高的子网,将分配更多 TAO 奖励,从而激励其提供高价值服务并吸引用户。同时,各子网还会以类似 TAO 的减半节奏发行自身的 alpha 代币,以确保代币供应的增长稳定且可预测。

在子网内部,alpha 代币的分配结构设计旨在激励多方参与。每个子网每个区块最多可发行一个 alpha 代币,其分配方式为:18% 分配给子网所有者,41% 分配给验证者,41% 分配给矿工。

为防止 alpha 代币价格遭受操控,Dynamic TAO 采用恒定乘积自动化做市商(AMM)模型。在该机制下,相对于资金池规模的大额交易会导致较高的滑点成本,从而使操纵价格在经济上变得不可行。举例来说,若有人试图在池中购买大量 alpha 代币,代币价格将显著上升,从而抑制了人为炒高或压低价格的行为。

Bittensor 引入了随机排序确认(Random Order Finalization)机制,以提升交易处理的公平性。该机制会对每个区块中的交易顺序进行随机化,防止某些参与者通过抢先交易(front-running)等方式获取不正当优势。由此,所有参与者均能享有公平机会,网络整体也保持了交易环境的公正性。

Subnet Zero,也被称为根子网,在 Dynamic TAO 架构中具有特殊的地位。它没有独立的 alpha 代币,也不承载挖矿或验证操作。但验证者可以在根子网中注册,TAO 持有者也可以质押至这些验证者,实现与具体子网无关的质押方式。该设计为网络参与者提供了更高的灵活性,使他们无需绑定至特定子网,便可支持整个网络,从而适配 Bittensor 生态中多元化的策略与偏好。

Validation in Bittensor:对 AI 贡献进行排名

验证者负责审核 AI 模型的工作成果,确保网络能够奖励有价值的贡献。他们扮演质量审查员的角色,评估 AI 生成内容的准确性和实用性。验证者打出的分数决定了每位 AI 贡献者能获得多少 TAO 代币。

要成为验证者,参与者必须满足若干条件。首先,他们需在所选子网内完成注册并获得唯一 ID。随后,必须质押至少 1,000 枚 TAO,并在该子网内跻身前 64 名验证者。设定这些条件旨在确保只有投入度高、能力强的验证者能参与其中。

验证者若符合各子网的要求,可在多个子网中开展工作。他们还可以吸引其他用户代为质押 TAO,这意味着表现优异、在社区中赢得信任的验证者能够获得更多网络参与者的支持。

该系统鼓励验证者诚实高效地执行职责。如果他们持续提供有价值的评估,将获得更多 TAO 奖励;反之,若试图操控系统或提交劣质评价,则可能面临奖励减少的风险。

Commit-Reveal 机制:确保子网操作的公平性

Bittensor 采用 commit-reveal 机制,防止验证者抄袭他人评分而非进行独立评估。由于验证者的评分直接决定了 AI 贡献者的 TAO 奖励,一些验证者可能会想投机取巧,通过等待他人提交评分后再进行跟随提交,从而扰乱公平性。

为防止此类行为,网络要求验证者首先以加密形式提交评分,从而隐藏实际评分内容。在短暂的等待期后,他们必须公开已分配的真实分数。由于存在时间延迟,验证者无法简单抄袭他人的评分,从而确保所有评分是独立且公正的。

此机制的时机安排必须精确。如果等待时间太短,不诚实的验证者仍可能找到作弊方式;若过长,则可能影响网络运行效率。Bittensor 允许子网所有者设定合适的延迟,以在保证系统安全的同时维持流畅运行。

Commit-reveal 过程还与新参与者加入网络的方式相关联。新加入的 AI 模型和验证者在表现不佳被移除前会有一个宽限期。commit-reveal 的等待时间必须始终短于此宽限期,确保参与者在其评分被揭示前不会被不公正地移除。

Consensus-Based Weights:透明的奖励机制

在 Bittensor 中,基于共识的权重机制决定了验证者因评估 AI 模型而获得的奖励。该机制不依赖固定公式,而是根据所有验证者的集体判断动态调整。验证者会根据 AI 模型的表现打分,这些分数被称为“权重”。验证者的评分越贴近整体网络的共识,他们获得的奖励就越多;反之,若评分经常偏离共识,其影响力和奖励都会下降。这种机制有效抑制了随意或偏颇的评分,确保表现最佳的 AI 模型能够被准确识别并获得应有奖励。

为了更好地理解该系统,可以将其类比为一组评委在为比赛打分。如果多数评委打出高分,而某位评委无故打出低分,那么这位评委的评分就会被视为不可靠。随着时间推移,他对最终评分的影响力会不断降低。在 Bittensor 中也同样如此:若验证者的评估结果长期与大多数有经验的验证者趋于一致,他们就能保持较强影响力并获得更多奖励;而若试图操纵评分或持续做出错误判断,其网络权重将逐渐下降。

以往,验证者的奖励依据结合历史和当前表现的公式进行计算。这意味着一旦建立了良好记录,即便后续评估质量下降,验证者仍能继续获利。而如今,基于共识的机制用实时调整方式取代了这一模式。验证者的有效性不再仅由过往表现决定,而是取决于其当前对 AI 模型的评估是否准确。这种机制构建了一个更具动态性的系统,要求验证者持续输出优质评估,方能维持自身收益。

在这样的系统下,可能会出现验证者互相抄袭评分、逃避独立评估的现象。为防止这种行为,Bittensor 引入了 commit-reveal 机制。验证者需先提交加密后的评分,在一段设定时间后才公开。这一机制防止验证者等待他人提交后再照搬评分,从而强制他们进行独立判断。这种设计保障了评估过程的公正性,也确保奖励归属于真正付出努力的验证者,而非试图投机取巧者。

系统的另一关键要素是验证者影响力随时间的增长机制。验证者会与他们认为优秀的 AI 模型建立“绑定”关系,随着持续做出正确评估,这种绑定关系将逐步增强。绑定强度决定了验证者从所支持模型的成功中获得的收益。如果验证者能够持续在早期识别出高质量模型,其奖励将随着这些模型获得认可而逐步累积;反之,若频繁误判,影响力将减弱,收益也会随之减少。

子网所有者可通过调整名为 liquid_alpha_enabled 的设置来控制系统的松紧程度。该参数决定验证者的影响力在响应网络共识时变化的速度。若设置较高,频繁与共识一致的验证者将更快提升影响力,而偏离共识的验证者会更快失去影响力;若设置较低,则系统更为宽容,允许验证者有更大空间去培养判断力。这一机制赋予子网所有者灵活性,可根据子网需求细化系统的公平性与响应能力。

该机制确保了那些认真评估、深思熟虑的验证者能够获得合理回报。相比容易被滥用或过时的固定公式,这一实时系统确保奖励始终基于持续的准确性与参与度。那些试图操控系统或走捷径的验证者将逐渐失去影响力,而真正提供高质量评估的验证者则能获得长期回报。

亮点

  • Dynamic TAO 通过将决策权分散至整个网络,重塑了子网的价值评估机制。
  • 验证者审核 AI 输出质量,并决定 TAO 奖励的分配方式。
  • Commit-reveal 防止验证者互相抄袭评分,保障评估过程的诚实性。
  • 基于共识的权重机制通过实时排名调整,提高验证者奖励的公平性。
  • 各项机制协同运作,共同构建了一个透明、竞争性强、去中心化的 AI 生态系统。
免责声明
* 投资有风险,入市须谨慎。本课程不作为投资理财建议。
* 本课程由入驻Gate Learn的作者创作,观点仅代表作者本人,绝不代表Gate Learn赞同其观点或证实其描述。
It seems that you are attempting to access our services from a Restricted Location where Gate is unable to provide services. We apologize for any inconvenience this may cause. Currently, the Restricted Locations include but not limited to: the United States of America, Canada, Cambodia, Thailand, Cuba, Iran, North Korea and so on. For more information regarding the Restricted Locations, please refer to the User Agreement. Should you have any other questions, please contact our Customer Support Team.