التاو الدينامي: التحصين التكيفي وتوزيع المكافأة

ديناميك تاو هو تحسين كبير لتوكينوميكس بيتينسور والحوكمة، تم تقديمه في 13 فبراير 2025، بعد بحث وتطوير مكثف. يقوم هذا الترقية بتفريغ النموذج الاقتصادي للشبكة عن طريق تعيين توكين فرعي فريد لكل شبكة، المعروف باسم توكين ألفا، والذي يعمل جنبًا إلى جنب مع توكين تاو الأساسي. يسمح هذا الهيكل للشبكات الفرعية بإدارة اقتصاداتها الخاصة، مما يعزز التخصص والاستقلالية داخل بيئة بيتينسور.

في إطار TAO الديناميكي، تحتفظ كل شبكة فرعية باحتياط سيولة يتألف من TAO ورموز ألفا الخاصة بها. يمكن للمستخدمين رهن TAO في احتياطي الشبكة الفرعية لتلقي رموز ألفا، مما يعني "التصويت" بفعالية على قيمة الشبكة الفرعية وأدائها. يتم تحديد سعر الصرف بين TAO ورموز ألفا بواسطة نسبة TAO إلى ألفا في الاحتياطي، مما يعكس تقييم السوق لفائدة الشبكة الفرعية وطلبها.

تم تصميم آلية الانبعاثات في إطار TAO الديناميكي لتوزيع المكافآت بطريقة متوازنة. يتم إصدار رموز TAO المميزة إلى الشبكات الفرعية بناء على القيمة السوقية النسبية لرموز ألفا المميزة الخاصة بها. تتلقى الشبكات الفرعية ذات الطلب والسيولة الأعلى لرموز ألفا الخاصة بها حصة أكبر من انبعاثات TAO ، مما يحفز على توفير خدمات قيمة وجذب المستخدمين. بالإضافة إلى ذلك ، تصدر الشبكات الفرعية رموز ألفا الخاصة بها بمعدل يتبع جدولا زمنيا للنصف مشابها ل TAO ، مما يضمن نمو عرض الرمز المميز الذي يمكن التحكم فيه ويمكن التنبؤ به.

تم تصميم توزيع رموز ألفا داخل الشبكة الفرعية لمكافأة المشاركين المختلفين. يمكن لكل شبكة فرعية إصدار حتى رمز ألفا واحد لكل كتلة، والتي يتم تخصيصها على النحو التالي: 18% لمالك الشبكة الفرعية، 41% للمحققين، و41% للمنقبين.

لمنع تلاعب محتمل في أسعار رمز ألفا، يستخدم Dynamic TAO نموذج صانع سوق آلي للمنتج الثابت. في هذا النظام، تؤدي التداولات الكبيرة مقارنة بسيولة المجموعة إلى زيادة تكاليف الانزلاق، مما يجعل من تلاعب الأسعار غير اقتصادي. على سبيل المثال، شراء جزء كبير من رموز ألفا في مجموعة سيزيد بشكل كبير من سعر الرمز، مما يردع محاولات تضخم أو تضخم اصطناعية لقيم الرمز.

يستخدم بيتنسور آلية إنهاء بترتيب عشوائي لتعزيز العدالة في معالجة المعاملات. تقوم هذه الطريقة بتعشيش ترتيب المعاملات داخل كل كتلة، مما يمنع الجهات الفاعلة من الحصول على ميزة غير عادلة من خلال تكتيكات مثل التقدم المسبق. نتيجة لذلك، يحصل جميع المشاركين على فرصة متساوية، وتحافظ الشبكة على ميدان متكافئ للمعاملات.

Subnet Zero، المعروف أيضًا باسم الشبكة الجذرية، تعمل بشكل فريد ضمن هيكل Dynamic TAO. ليس لديها رمز ألفا خاص بها ولا تستضيف أنشطة التعدين أو التحقق. ومع ذلك، يمكن للمحققين التسجيل على Subnet Zero، ويمكن لأصحاب TAO أن يراهنوا على هؤلاء المحققين، مما يسمح بالرهان على المدى البعيد بغض النظر عن الشبكة الفرعية. توفر هذه التصميم مرونة للمشاركين لدعم الشبكة دون أن يكونوا مرتبطين بشبكة فرعية محددة، مما يتيح استيعاب استراتيجيات متنوعة وتفضيلات مختلفة داخل نظام Bittensor.

التحقق في Bittensor: تصنيف مساهمات الذكاء الاصطناعي

المدققون مسؤولون عن مراجعة عمل نماذج الذكاء الاصطناعي والتأكد من أن الشبكة تكافأ المساهمات المفيدة. إنهم يعملون كمراقبي جودة، يتحققون من دقة وقيمة الردود التي تم إنشاؤها بواسطة الذكاء الاصطناعي. تحدد درجاتهم كم عدد الرموز TAO التي يكسبها كل مساهم AI.

ليصبح المدقق، يجب على المشارك أن يستوفي بعض الشروط. أولاً، يحتاجون إلى التسجيل والحصول على معرف فريد ضمن الشبكة الفرعية التي يرغبون في التحقق من صحتها. ثم، يجب عليهم رهن على الأقل 1,000 رمز TAO والتصنيف ضمن أفضل 64 مدققًا في تلك الشبكة الفرعية. تساعد هذه الشروط في ضمان مشاركة المدققين الملتزمين والقادرين فقط.

يمكن للمحققين العمل في عدة شبكات فرعية إذا توافقت المتطلبات مع كل منها. كما أن لديهم الخيار لجذب مستخدمين آخرين لرهان رموز TAO بالنيابة عنهم. وهذا يعني أن المحققين الذين يؤدون بشكل جيد ويبنون الثقة في المجتمع يمكنهم الحصول على دعم أكثر من المشاركين الآخرين في الشبكة.

يشجع النظام المدققين على التصرف بصدق وكفاءة. إذا قدموا تقييمات مفيدة باستمرار، يكسبون مكافآت TAO أكثر. إذا حاولوا التلاعب بالنظام أو قدموا تقييمات ضعيفة، فإنهم يخاطرون بفقدان المكافآت.

آلية الالتزام والكشف: ضمان العدالة في عمليات الشبكة الفرعية

يستخدم Bittensor نظام الالتزام والكشف لمنع المحققين من نسخ درجات بعضهم البعض بدلاً من إجراء تقييمات مستقلة. نظرًا لأن درجات المحقق تحدد كم توكين TAO يكسب المساهمون الذكاء الاصطناعي، قد يحاول بعض المحققين اتباع اختصارات من خلال الانتظار لمعرفة ما يقدمه الآخرون قبل تقديم تقييماتهم الخاصة. يمكن أن يؤدي هذا إلى مكافآت متحيزة أو غير عادلة.

لوقف هذا، تتطلب الشبكة من المحققين تقديم درجاتهم أولاً بشكل مشفر، مما يخفي تقييماتهم الفعلية. ثم، بعد فترة انتظار قصيرة، يجب عليهم الكشف عن الدرجات الحقيقية التي قاموا بتعيينها. بسبب هذا التأخير الزمني، لا يمكن للمحققين ببساطة نسخ درجات شخص آخر. وهذا يضمن أن جميع التقييمات مستقلة وعادلة.

يجب توقيت هذا النظام بعناية. إذا كانت فترة الانتظار قصيرة جدًا، فإن المحققين غير الصادقين ما زالوا قادرين على الغش. إذا كانت طويلة جدًا، فقد يبطئ الشبكة. يسمح Bittensor لأصحاب الشبكة الفرعية بتحديد التأخير المناسب حتى يظل النظام آمنًا أثناء تشغيله بسلاسة.

يتم ربط عملية الكشف والالتزام أيضًا بطريقة انضمام المشاركين الجدد إلى الشبكة. النماذج الجديدة للذكاء الاصطناعي والمدققين يحصلون على فترة سماح قبل إزالتهم بسبب أدائهم الضعيف. يجب أن تكون فترة الانتظار لعملية الكشف والالتزام أقصر دائمًا من هذه الفترة العتيقة، لذلك لا يتم إزالة المشاركين بشكل غير عادل قبل الكشف عن درجاتهم.

الأوزان القائمة على التوافق: نظام مكافأة شفاف

تحدد الأوزان المستندة إلى الإجماع في Bittensor كيفية مكافأة المدققين على تقييماتهم لنماذج الذكاء الاصطناعي. بدلا من الاعتماد على صيغة ثابتة ، يتم ضبط هذا النظام باستمرار استجابة للحكم الجماعي لجميع المدققين. يقوم المدققون بتعيين الدرجات أو "الأوزان" لنماذج الذكاء الاصطناعي بناء على أدائهم. كلما زادت توافق تقييماتهم مع إجماع الشبكة الأوسع ، زادت المكافآت التي يتلقونها. إذا قام المدقق باستمرار بتعيين تصنيفات تختلف اختلافا كبيرا عن الإجماع ، فإن تأثيره ومكافآته تنخفض. هذا لا يشجع التقييمات العشوائية أو المتحيزة ويضمن تحديد نماذج الذكاء الاصطناعي الأفضل أداء بدقة ومكافأتها بشكل صحيح.

لفهم هذا النظام، تخيل لوحة من القضاة يقومون بتقييم منافسة. إذا قام معظم القضاة بإعطاء أداء تقييمًا عاليًا، ولكن أحد القضاة يعطي تقييمًا أقل بكثير دون سبب، يُعتبر رأيه أقل موثوقية. مع مرور الوقت، سيكون لدى هذا القاضي غير الموثوق به تأثير أقل على النتائج النهائية. ينطبق نفس المبدأ على المحققين في بيتنسور. إذا كانت تقييماتهم تتطابق بشكل مستمر مع ما يحدده معظم المحققين ذوي الخبرة بأنه عادل، فإنهم يحتفظون بتأثير قوي ويكسبون مكافآت أعلى. إذا حاولوا تلاعب النتائج أو اتخذوا قرارات سيئة بشكل مستمر، فإن وزنهم في الشبكة ينخفض.

سابقًا، كانت مكافآت المدقق تعتمد على صيغة تجمع بين الأداء الماضي والحالي، مما يعني أنه بمجرد أن يقوم المدقق بإنشاء سجل أداء جيد، يمكنه الاستفادة منه حتى لو توقف عن إجراء تقييمات عالية الجودة. يستبدل النهج الجديد القائم على التوافق هذا بآلية تعديل في الوقت الحقيقي. لم يعد فعالية المدقق تعتمد فقط على البيانات التاريخية ولكن على مدى دقتهم في تقييم نماذج الذكاء الاصطناعي في الحاضر. يخلق هذا نظامًا أكثر دينامية حيث يجب على المدققين أن يؤدوا بشكل جيد بشكل مستمر للحفاظ على مكافآتهم.

مشكلة واحدة قد تنشأ في نظام مثل هذا هي أن المحققين يقومون ببساطة بنسخ تقييمات بعضهم البعض بدلاً من إجراء تحليلاتهم الخاصة. لمنع ذلك، يستخدم بيتنسور عملية التأكيد والكشف. يجب على المحققين تقديم التقييمات المشفرة أولاً والتي تكون مخفية عن الآخرين. بعد فترة محددة، يتم الكشف عن هذه التقييمات. يمنع هذا المحققين من الانتظار لمعرفة ما يقوله الآخرون ونسخ ردودهم، مما يجبرهم على إجراء تقييمات مستقلة. تحافظ هذه الآلية على عملية التقييم عادلة وتضمن أن تذهب المكافآت إلى أولئك الذين بذلوا جهودًا حقيقية بدلاً من أولئك الذين يحاولون اللعب بالنظام.

ناحية مهمة أخرى من هذا النظام هي كيف ينمو تأثير المدقق مع مرور الوقت. يقوم المدققون بـ "ربط" أنفسهم بنماذج الذكاء الاصطناعي التي يعتقدون أنها قوية، ويزيد هذا الربط كلما واصلوا إجراء التقييمات الصحيحة. قوة هذا الربط تحدد كم يكسب المدقق من نجاح النموذج الذكاء الاصطناعي الذي يدعمه. إذا كان المدقق يحدد بانتظام نماذج ذكاء اصطناعي عالية الجودة في وقت مبكر، فإن مكافآته ستتراكم مع مرور الوقت حيث يحصل تلك النماذج على الاعتراف. ومع ذلك، إذا كانوا يخطئون بشكل متكرر في تقدير الجودة، فإن تأثيرهم يضعف، وتنخفض مكافآتهم.

أصحاب الشبكة لديهم السيطرة على مدى صرامة أو مرونة هذا النظام من خلال ضبط إعداد يُسمىمفعّل_الفا_السائل.تتحكم هذه الإعدادات في مقدار تحول تأثير المحقق استجابة لاتفاق الشبكة. إذا تم تعيينها على مستوى أعلى، فإن المحققين الذين يتطابقون مع التوافق بشكل متكرر يكتسبون تأثيرًا بشكل أسرع، ويفقد أولئك الذين ينحرفون تأثيرهم بشكل أسرع. إذا تم تعيينها على مستوى أدنى، فإن النظام يكون أكثر تسامحًا، مما يتيح للمحققين مزيدًا من المجال لتطوير حكمهم. يمنح هذا أصحاب الشبكات الفرعية القدرة على ضبط عدالة النظام واستجابته وفقًا لاحتياجات شبكتهم الفرعية المحددة.

هذا النهج يضمن أن المحققين الذين يبذلون جهدًا ويقومون بتقييمات متأنية يتم مكافأتهم بشكل مناسب. بدلاً من صيغة ثابتة يمكن استغلالها أو أن تصبح قديمة، يضمن هذا النظام في الوقت الفعلي أن المكافآت تعتمد على الدقة والمشاركة المستمرة. المحققون الذين يحاولون تلاعب بالنتائج أو يأخذون اختصارات يفقدون التأثير، بينما الذين يقدمون تقييمات مفيدة يكسبون المزيد مع مرور الوقت.

يبرز

• تغييرات TAO الديناميكية تغير كيفية قيمة الشبكات الفرعية من خلال توزيع صنع القرار عبر الشبكة.
• يقوم الفاحصون بفحص جودة الإخراج الذكي ويؤثرون على كيفية توزيع مكافآت TAO.
• التزام-الكشف يمنع المدققين من نسخ درجات بعضهم البعض، مما يضمن تقييمات صادقة.
• تحسين الأوزان القائمة على التوافق يزيد من عدالة مكافآت المحققين من خلال ضبط التصنيفات في الوقت الحقيقي.
• تعمل هذه الأنظمة معًا لإنشاء نظام بيئي للذكاء الاصطناعي شفاف وتنافسي ولامركزي.