Динамический TAO: Адаптивный стейкинг и распределение наград

Динамический TAO - значительное улучшение токеномики и управления Bittensor, представленное 13 февраля 2025 года после обширных исследований и разработок. Это обновление децентрализует экономическую модель сети, назначая каждой подсети свой уникальный токен, известный как альфа-токен, который работает наряду с основным токеном TAO. Эта структура позволяет подсетям управлять своими собственными экономиками, способствуя специализации и автономии в экосистеме Bittensor.

В динамической структуре TAO каждая подсеть поддерживает резерв ликвидности, включающий в себя TAO и соответствующие альфа-токены. Пользователи могут ставить TAO в резерв подсети, чтобы получить альфа-токены, эффективно "голосуя" за стоимость и производительность подсети. Обменный курс между TAO и альфа-токенами определяется соотношением TAO к альфа в резерве, отражая оценку рынка полезности и спроса на подсеть.

Механизм эмиссии в рамках Dynamic TAO разработан для распределения вознаграждений сбалансированным образом. Токены TAO выпускаются для подсетей на основе относительной рыночной стоимости их альфа-токенов. Подсети с более высоким спросом и ликвидностью на свои альфа-токены получают большую долю эмиссии TAO, стимулируя предоставление ценных услуг и привлечение пользователей. Кроме того, подсети выпускают свои собственные альфа-токены по такой же схеме сокращения наполовину, как и TAO, обеспечивая контролируемый и предсказуемый рост предложения токенов.

Распределение токенов альфа в пределах подсети структурировано таким образом, чтобы вознаградить различных участников. Каждая подсеть может выпускать до одного токена альфа на блок, который распределяется следующим образом: 18% владельцу подсети, 41% валидаторам и 41% майнерам.

Для предотвращения потенциального манипулирования ценами токенов альфа Dynamic TAO использует модель автоматического рынка постоянного продукта (AMM). В этой системе крупные сделки относительно ликвидности пула приводят к увеличению расходов на скольжение, что делает манипулирование ценами экономически невозможным. Например, приобретение значительной части токенов альфа в пуле существенно увеличит цену токена, отталкивая от попыток искусственно надувать или спускать ценности токена.

Bittensor использует механизм случайного завершения заказа для повышения справедливости в обработке транзакций. Этот подход случайным образом изменяет порядок транзакций в каждом блоке, предотвращая возможность получения нечестного преимущества акторами при тактике фронтраннинга. В результате все участники имеют равные возможности, и сеть поддерживает равные условия для транзакций.

Subnet Zero, также известный как корневой субнет, работает уникальным образом в структуре Dynamic TAO. У него нет собственного альфа-токена и он не осуществляет добычу или валидацию. Однако валидаторы могут зарегистрироваться в Subnet Zero, а держатели TAO могут ставить на этих валидаторов, что позволяет проводить стейкинг, независимо от субнета. Этот дизайн обеспечивает гибкость для участников, поддерживать сеть, не привязываясь к конкретному субнету, учитывая разнообразные стратегии и предпочтения в экосистеме Bittensor.

Валидация в Bittensor: Ранжирование вкладов в ИИ

Валидаторы отвечают за проверку работы моделей искусственного интеллекта и обеспечивают награду сети за полезные вклады. Они выступают в качестве контролеров качества, проверяя точность и ценность ответов, сгенерированных искусственным интеллектом. Их баллы определяют, сколько TAO-токенов зарабатывает каждый участник искусственного интеллекта.

Для того чтобы стать валидатором, участнику необходимо выполнить несколько условий. Во-первых, им необходимо зарегистрироваться и получить уникальный идентификатор в подсети, которую они хотят валидировать. Затем им необходимо заложить как минимум 1 000 токенов TAO и занять место среди топ-64 валидаторов в этой подсети. Эти условия помогают гарантировать, что только преданные и способные валидаторы принимают участие.

Валидаторы могут работать в нескольких подсетях, если они соответствуют требованиям для каждой из них. У них также есть возможность привлечь других пользователей для ставки токенов TAO от их имени. Это означает, что валидаторы, которые хорошо справляются и завоевывают доверие в сообществе, могут получить больше поддержки от других участников сети.

Система поощряет валидаторов действовать честно и эффективно. Если они последовательно предоставляют полезные оценки, они зарабатывают больше наград TAO. Если они пытаются манипулировать системой или предоставляют плохие оценки, они рискуют потерять награды.

Механизм обязательства-раскрытия: Обеспечение справедливости в операциях подсети

Bittensor использует систему фиксации и раскрытия для предотвращения копирования валидаторами оценок друг друга вместо проведения независимой оценки. Поскольку оценки валидаторов определяют, сколько токенов TAO заработают участники ИИ, некоторые валидаторы могут попытаться сократить путь, дожидаясь присланных другими результатов перед отправкой своих собственных оценок. Это может привести к предвзятым или несправедливым наградам.

Для предотвращения этого сеть требует, чтобы валидаторы сначала представляли свои оценки в зашифрованной форме, которая скрывает их фактические оценки. Затем, после короткого периода ожидания, им необходимо раскрыть реальные баллы, которые они присвоили. Благодаря этой временной задержке валидаторы не могут просто скопировать чужие оценки. Это обеспечивает независимость и справедливость всех оценок.

Эту систему необходимо тщательно синхронизировать. Если период ожидания слишком короткий, нечестные валидаторы все равно могут найти способы обмана. Если он слишком длинный, это может замедлить сеть. Bittensor позволяет владельцам подсетей устанавливать соответствующую задержку, чтобы система оставалась безопасной и работала плавно.

Процесс подтверждения и раскрытия также связан с тем, как новые участники присоединяются к сети. Новые модели и валидаторы ИИ получают период благоприятного положения, прежде чем они будут удалены из-за плохой производительности. Время ожидания для процесса подтверждения и раскрытия должно всегда быть короче этого периода благоприятного положения, чтобы участники не были несправедливо удалены до того, как их оценки будут раскрыты.

Веса на основе консенсуса: прозрачная система вознаграждения

Веса на основе консенсуса в Bittensor определяют, как вознаграждаются валидаторы за оценку моделей искусственного интеллекта. Вместо того чтобы полагаться на фиксированную формулу, этот система непрерывно корректируется в ответ на коллективное мнение всех валидаторов. Валидаторы присваивают оценки, или «веса», моделям искусственного интеллекта на основе их производительности. Чем ближе их оценки к широкому консенсусу сети, тем больше вознаграждения они получают. Если валидатор постоянно присваивает оценки, значительно отличающиеся от консенсуса, их влияние и вознаграждения уменьшаются. Это отговаривает от случайных или предвзятых оценок и обеспечивает точную и правильную идентификацию и вознаграждение лучших моделей искусственного интеллекта.

Для понимания этой системы представьте себе панель судей, оценивающих соревнование. Если большинство судей выставляют высокий балл выступлению, но один судья выставляет гораздо более низкий балл без объяснения, его мнение считается менее надежным. Со временем этот ненадежный судья будет иметь меньшее влияние на окончательные баллы. Тот же принцип применяется к валидаторам в Bittensor. Если их оценки последовательно соответствуют тому, что большинство опытных валидаторов считают справедливым, они сохраняют сильное влияние и зарабатывают более высокие награды. Если они пытаются манипулировать результатами или постоянно делают плохие суждения, их вес в сети уменьшается.

Ранее вознаграждение валидатора было основано на формуле, которая сочетала в себе прошлое и настоящее исполнение, что означало, что как только валидатор установил хорошую репутацию, он мог продолжать извлекать пользу из нее, даже если он переставал делать высококачественные оценки. Новый подход, основанный на консенсусе, заменяет это реальным механизмом коррекции в реальном времени. Эффективность валидатора теперь не основана только на исторических данных, а на том, насколько точно они оценивают модели ИИ в настоящее время. Это создает более динамичную систему, в которой валидаторы должны постоянно хорошо справляться, чтобы поддерживать свои вознаграждения.

Одной из проблем, которая может возникнуть в такой системе, является простое копирование оценок валидаторов друг у друга вместо проведения собственного анализа. Чтобы предотвратить это, Bittensor использует процесс фиксации и раскрытия. Сначала валидаторы должны представить зашифрованные оценки, скрытые от других. После установленного периода эти оценки раскрываются. Это помогает предотвратить ожидание валидаторами чужих мнений и копирование их ответов, заставляя их делать независимые оценки. Этот механизм обеспечивает справедливость процесса оценки и гарантирует, что награды достаются тем, кто приложил реальные усилия, а не пытается обмануть систему.

Еще одной важной чертой этой системы является то, как со временем растет влияние валидатора. Валидаторы «привязываются» к ИИ-моделям, которым они считают сильными, и эта привязка увеличивается, по мере того как они продолжают делать правильные оценки. Сила этой связи определяет, сколько заработает валидатор от успеха поддерживаемой им ИИ-модели. Если валидатор постоянно выявляет качественные ИИ-модели на ранних этапах, их награды будут накапливаться со временем, по мере того как эти модели приобретут признание. Однако, если они часто неправильно оценивают качество, их влияние ослабевает, и их награды уменьшаются.

Владельцы подсетей имеют контроль над тем, насколько строгой или гибкой является эта система, регулируя параметр, называемый liquid_alpha_enabled. Эта настройка контролирует, насколько быстро меняется влияние валидатора в ответ на согласование сети. Если установлен на более высоком уровне, влиятельные валидаторы, которые часто совпадают с консенсусом, быстрее повышают свое влияние, а те, кто отклоняется, быстрее теряют влияние. Если установлено на более низком уровне, система более прощает, позволяя валидаторам больше возможностей развивать свое суждение. Это дает владельцам подсети возможность тонко настраивать справедливость и отзывчивость системы в соответствии с потребностями их конкретной подсети.

Этот подход гарантирует, что валидаторы, которые вкладывают усилия и проводят обдуманные оценки, получают соответствующие награды. Вместо фиксированной формулы, которая может быть использована или устарела, эту систему в реальном времени обеспечивает вознаграждение на основе текущей точности и вовлеченности. Валидаторы, которые пытаются манипулировать результатами или идти на попятную, теряют влияние, в то время как те, кто предоставляет полезные оценки, зарабатывают больше со временем.

Основные моменты

• Динамическое TAO изменяет способ оценки подсетей путем распределения принятия решений по всей сети.
• Валидаторы проверяют качество выходных данных ИИ и влияют на то, как распределяются награды TAO.
• Коммит-ревил предотвращает копирование оценок других валидаторов, обеспечивая честные оценки.
• Веса, основанные на консенсусе, улучшают справедливость наград валидаторов путем корректировки рейтингов в реальном времени.
• Эти системы работают вместе для создания прозрачной, конкурентоспособной и децентрализованной экосистемы искусственного интеллекта.