Dynamic Tao: Staking Adaptatif et Distribution de Récompenses

Dynamic TAO est une amélioration significative de l'économie des jetons et de la gouvernance de Bittensor, introduite le 13 février 2025, après une recherche et un développement approfondis. Cette mise à niveau décentralise le modèle économique du réseau en attribuant à chaque sous-réseau son propre jeton unique, appelé jeton alpha, qui fonctionne aux côtés du jeton TAO principal. Cette structure permet aux sous-réseaux de gérer leurs propres économies, favorisant la spécialisation et l'autonomie au sein de l'écosystème Bittensor.

Dans le cadre du TAO dynamique, chaque sous-réseau maintient une réserve de liquidité comprenant le TAO et ses tokens alpha respectifs. Les utilisateurs peuvent miser des TAO dans la réserve d’un sous-réseau pour recevoir des jetons alpha, ce qui revient à « voter » pour la valeur et les performances du sous-réseau. Le taux de change entre les tokens TAO et alpha est déterminé par le ratio TAO/alpha dans la réserve, reflétant l’évaluation du marché de l’utilité et de la demande du sous-réseau.

Le mécanisme d'émission sous Dynamic TAO est conçu pour distribuer les récompenses de manière équilibrée. Les jetons TAO sont émis aux sous-réseaux en fonction de la valeur marchande relative de leurs jetons alpha. Les sous-réseaux avec une demande plus élevée et une liquidité pour leurs jetons alpha reçoivent une plus grande part des émissions de TAO, ce qui incite à la fourniture de services de valeur et à l'attraction des utilisateurs. De plus, les sous-réseaux émettent leurs propres jetons alpha selon un calendrier de réduction de moitié similaire à TAO, garantissant une croissance contrôlée et prévisible de l'offre de jetons.

La distribution des jetons alpha au sein d'un sous-réseau est structurée pour récompenser divers participants. Chaque sous-réseau peut émettre jusqu'à un jeton alpha par bloc, qui est alloué comme suit : 18 % au propriétaire du sous-réseau, 41 % aux validateurs et 41 % aux mineurs.

Pour prévenir toute manipulation potentielle des prix des jetons alpha, Dynamic TAO utilise un modèle de market maker automatisé à produit constant. Dans ce système, les grandes transactions par rapport à la liquidité du pool entraînent des coûts de glissement accrus, rendant la manipulation des prix économiquement irréalisable. Par exemple, l'achat d'une partie importante des jetons alpha dans un pool augmenterait considérablement le prix du jeton, décourageant les tentatives d'inflation ou de déflation artificielles des valeurs des jetons.

Bittensor utilise un mécanisme de finalisation de commande aléatoire pour améliorer l'équité dans le traitement des transactions. Cette approche randomise l'ordre des transactions au sein de chaque bloc, empêchant les acteurs de tirer un avantage injuste grâce à des tactiques telles que l'anticipation. En conséquence, tous les participants ont une opportunité égale, et le réseau maintient un terrain de jeu équitable pour les transactions.

Subnet Zero, également connu sous le nom de sous-réseau racine, fonctionne de manière unique au sein de la structure Dynamic TAO. Il n'a pas son propre jeton alpha et n'héberge pas d'activités de minage ou de validation. Cependant, les validateurs peuvent s'inscrire sur le sous-réseau Zero, et les détenteurs de TAO peuvent miser sur ces validateurs, permettant un jalonnement agnostique du sous-réseau. Cette conception offre une flexibilité aux participants pour soutenir le réseau sans être liés à un sous-réseau spécifique, ce qui permet d'accommoder des stratégies et des préférences diverses au sein de l'écosystème Bittensor.

Validation dans Bittensor: Classement des Contributions en IA

Les validateurs sont responsables de vérifier le travail des modèles d'IA et de s'assurer que le réseau récompense les contributions utiles. Ils agissent en tant que contrôleurs de qualité, vérifiant l'exactitude et la valeur des réponses générées par l'IA. Leurs scores déterminent combien de jetons TAO chaque contributeur d'IA gagne.

Pour devenir un validateur, un participant doit remplir quelques conditions. Tout d'abord, ils doivent s'inscrire et obtenir un identifiant unique dans le sous-réseau qu'ils souhaitent valider. Ensuite, ils doivent miser au moins 1 000 jetons TAO et se classer parmi les 64 meilleurs validateurs de ce sous-réseau. Ces conditions garantissent que seuls les validateurs engagés et capables participent.

Les validateurs peuvent travailler sur plusieurs sous-réseaux s'ils répondent aux exigences de chacun. Ils ont également la possibilité d'attirer d'autres utilisateurs pour miser des jetons TAO en leur nom. Cela signifie que les validateurs qui se comportent bien et gagnent la confiance de la communauté peuvent recevoir plus de soutien de la part des autres participants du réseau.

Le système encourage les validateurs à agir de manière honnête et efficace. S'ils fournissent constamment des évaluations utiles, ils gagnent plus de récompenses TAO. S'ils essaient de manipuler le système ou fournissent de mauvaises évaluations, ils risquent de perdre des récompenses.

Mécanisme de Commit-Reveal : Garantir l'équité dans les opérations de sous-réseau

Bittensor utilise un système de commit-reveal pour empêcher les validateurs de copier les scores les uns des autres au lieu de faire des évaluations indépendantes. Comme les scores des validateurs déterminent combien de jetons TAO les contributeurs IA gagnent, certains validateurs pourraient essayer de prendre des raccourcis en attendant de voir ce que les autres soumettent avant de soumettre leurs propres évaluations. Cela pourrait entraîner des récompenses biaisées ou injustes.

Pour arrêter cela, le réseau exige que les validateurs soumettent d'abord leurs scores sous une forme cryptée, ce qui cache leurs évaluations réelles. Ensuite, après une courte période d'attente, ils doivent révéler les scores réels qu'ils ont attribués. En raison de ce délai, les validateurs ne peuvent pas simplement copier les scores de quelqu'un d'autre. Cela garantit que toutes les évaluations sont indépendantes et équitables.

Ce système doit être minutieusement chronométré. Si la période d'attente est trop courte, des validateurs malhonnêtes pourraient encore trouver des moyens de tricher. S'il est trop long, cela pourrait ralentir le réseau. Bittensor permet aux propriétaires de sous-réseaux de définir le retard approprié afin que le système reste sécurisé tout en fonctionnant correctement.

Le processus de commit-reveal est également lié à la manière dont les nouveaux participants rejoignent le réseau. Les nouveaux modèles d'IA et les validateurs bénéficient d'une période de grâce avant d'être retirés pour de mauvaises performances. Le temps d'attente pour le commit-reveal doit toujours être plus court que cette période de grâce, afin que les participants ne soient pas retirés de manière injuste avant que leurs scores ne soient révélés.

Poids basés sur le consensus : un système de récompense transparent

Les poids basés sur le consensus dans Bittensor déterminent comment les validateurs sont récompensés pour leurs évaluations des modèles d'IA. Au lieu de s'appuyer sur une formule fixe, ce système s'ajuste continuellement en réponse au jugement collectif de tous les validateurs. Les validateurs attribuent des scores, ou "poids", aux modèles d'IA en fonction de leurs performances. Plus leurs évaluations correspondent au consensus du réseau global, plus ils reçoivent de récompenses. Si un validateur attribue systématiquement des notes qui diffèrent significativement du consensus, leur influence et leurs récompenses diminuent. Cela décourage les évaluations aléatoires ou biaisées et garantit que les modèles d'IA les plus performants sont correctement identifiés et récompensés.

Pour comprendre ce système, imaginez un panel de juges évaluant une compétition. Si la plupart des juges donnent une performance une note élevée, mais qu'un juge lui donne une note beaucoup plus basse sans raison, son opinion est considérée comme moins fiable. Avec le temps, ce juge peu fiable aura moins d'influence sur les notes finales. Le même principe s'applique aux validateurs de Bittensor. Si leurs évaluations correspondent systématiquement à ce que la majorité des validateurs expérimentés déterminent comme étant équitable, ils conservent une forte influence et gagnent des récompenses plus élevées. S'ils tentent de manipuler les résultats ou font systématiquement de mauvais jugements, leur poids dans le réseau diminue.

Auparavant, les récompenses des validateurs étaient basées sur une formule combinant performances passées et présentes, ce qui signifie qu'une fois qu'un validateur avait établi un bon historique, il pouvait continuer à en bénéficier même s'il cessait de faire des évaluations de haute qualité. La nouvelle approche basée sur le consensus remplace cela par un mécanisme d'ajustement en temps réel. L'efficacité d'un validateur n'est plus basée uniquement sur des données historiques, mais sur la précision avec laquelle il évalue les modèles d'IA dans le présent. Cela crée un système plus dynamique où les validateurs doivent constamment bien performer pour maintenir leurs récompenses.

Un problème qui pourrait survenir dans un système comme celui-ci est que les validateurs se contentent de copier les évaluations des autres au lieu de faire leur propre analyse. Pour prévenir cela, Bittensor utilise un processus de commit-reveal. Les validateurs doivent d'abord soumettre des évaluations chiffrées qui sont cachées aux autres. Après une période définie, ces évaluations sont révélées. Cela empêche les validateurs d'attendre de voir ce que les autres disent et de copier leurs réponses, les obligeant à faire des évaluations indépendantes. Ce mécanisme maintient le processus d'évaluation équitable et garantit que les récompenses vont à ceux qui font de réels efforts plutôt qu'à ceux qui tentent de manipuler le système.

Un autre aspect important de ce système est la croissance de l'influence des validateurs au fil du temps. Les validateurs se "lient" aux modèles d'IA qu'ils estiment solides, et ce lien augmente à mesure qu'ils continuent à faire des évaluations correctes. La force de ce lien détermine combien un validateur gagne grâce au succès du modèle d'IA qu'il soutient. Si un validateur identifie de manière constante et précoce des modèles d'IA de haute qualité, ses récompenses augmenteront au fil du temps à mesure que ces modèles gagnent en reconnaissance. Cependant, s'ils jugent fréquemment mal la qualité, leur influence s'affaiblit et leurs récompenses diminuent.

Les propriétaires de sous-réseau ont le contrôle sur la rigueur ou la flexibilité de ce système en ajustant un paramètre appelé liquid_alpha_activéCe paramètre contrôle dans quelle mesure l'influence d'un validateur évolue en réponse au consensus du réseau. Si défini à un niveau plus élevé, les validateurs qui correspondent fréquemment au consensus gagnent de l'influence plus rapidement, et ceux qui s'en écartent perdent de l'influence plus rapidement. Si défini à un niveau plus bas, le système est plus clément, permettant aux validateurs plus de latitude pour développer leur jugement. Cela donne aux propriétaires de sous-réseaux la possibilité d'ajuster finement l'équité et la réactivité du système en fonction des besoins spécifiques de leur sous-réseau.

Cette approche garantit que les validateurs qui font des efforts et des évaluations réfléchies sont récompensés de manière appropriée. Au lieu d'une formule fixe qui peut être exploitée ou obsolète, ce système en temps réel garantit que les récompenses sont basées sur la précision et l'engagement continus. Les validateurs qui essaient de manipuler les résultats ou de prendre des raccourcis perdent de l'influence, tandis que ceux qui fournissent des évaluations utiles gagnent plus avec le temps.

Points forts

• Dynamic TAO change la façon dont les sous-réseaux sont valorisés en distribuant la prise de décision à travers le réseau.
• Les validateurs vérifient la qualité des sorties de l'IA et influent sur la manière dont les récompenses TAO sont distribuées.
• Commit-reveal empêche les validateurs de copier les scores les uns des autres, garantissant des évaluations honnêtes.
• Les poids basés sur le consensus améliorent l'équité des récompenses des validateurs en ajustant les classements en temps réel.
• Ces systèmes travaillent ensemble pour créer un écosystème d'IA transparent, compétitif et décentralisé.