مقدمة

مع الانفجار الأخير وزيادة شعبية الذكاء الاصطناعي، ظهر العديد من الأطروحات المختلفة بخصوص نقاط تقاطع الذكاء الاصطناعي والعملات المشفرة. تحمل هذه الابتكارات القدرة على ثورة جوانب مختلفة من حياتنا الرقمية، بدءًا من إدارة الأصول الرقمية إلى الحفاظ على الملكية الفكرية ومكافحة الاحتيال. ومن الجدير بالذكر أن هذا التقاطع أدى إلى ظهور اتجاهين بارزين:

• تكامل الذكاء الاصطناعي مع البنية التحتية للبلوكشين، مثل Render ($RNDR)، Akash ($AKT)، أو Fetch.ai ($FET).
• ظهور البروتوكولات التي تحفز إنتاج الذكاء الاصطناعي للتعلم الآلي، مثل Bittensor ($TAO).

كانت تطبيقات الذكاء الاصطناعي السابقة لتقنية البلوكشين مركزة بشكل كبير على البنية التحتية، مما يتيح تخزين نماذج الذكاء الاصطناعي/التعلم الآلي واستئجار وحدات معالجة الرسومات GPU. وقد أدى هذا إلى اتجاهات مثل تعزيز التعلم الذي يشجع على استخدام الرموز المميزة (التوكن)، zkML، وسجلات الهوية المستندة إلى تقنية البلوكشين لمكافحة تقنيات الفيديو المزيفة بشكل عميق. في الوقت نفسه، يكتسب اتجاه موازٍ زخمًا: بروتوكولات تحفز على الذكاء.

في هذا التقرير، نخوض في تقاطع الذكاء الاصطناعي والعملات المشفرة، مع التركيز على Bittensor وعملة $TAO، استكشاف أدوارهما في سوق الذكاء الند للند وصعود سوق السلع الرقمية.

الاستفادة من الأحدثترقية الثورةالتي وقعت في 2 أكتوبر نحن نقدم أيضًا نظرة تاريخية، وتوقعات القطاع، وتحليل تنافسي، ورؤى حول الاقتراح القيم لـ $TAO.

نظرة عامة

بيتينسور هو برتوكول مفتوح المصدر بمهمة أساسية: دفع تطوير الذكاء الاصطناعي من خلال هيكل تحفيزي مدفوع بالبلوكشين. في هذا النظام البيئي، يتم مكافأة المساهمين بعملة $TAO مقابل جهودهم.

يعمل Bittensor كشبكة تعدين، مستخدمًا حوافز الرموز لتشجيع المشاركة مع الحفاظ على مبادئ الشفافية واللامركزية. ضمن هذه الشبكة، يستضيف عدة أجهزة نماذج تعلم الآلة، مساهمة بشكل جماعي في مجموعة الذكاء. تلعب هذه النماذج دورًا حاسمًا في تحليل البيانات النصية الواسعة، واستخراج المعنى الدلالي، وتوليد رؤى قيمة عبر مختلف المجالات.

بالنسبة للمستخدمين، تتضمن الوظائف الأساسية القدرة على الاستعلام عن الشبكة للوصول إلى المعلومات، والتفاعل مع المنقبين والمدققين لتعدين العملة $TAO، وإدارة محافظهم وأرصدتهم.

يعتمد شبكة Bittensor على مساهمات من مجموعة متنوعة من أصحاب المصلحة، بما في ذلك المنقبين والمصدقين والمرشحين والمستهلكين. يضمن هذا النهج التعاوني أن ترتقي أفضل نماذج الذكاء الاصطناعي إلى القمة، مما يعزز جودة الخدمات التي تقدمها الشبكة في مجال الذكاء الاصطناعي.

الجانب المعروض لديه طبقتان: الذكاء الاصطناعي (المُنقبون) والبلوكشين (الموثقون).

• المُنقبون داخل شبكة بيتنسور يستضيفون نماذج الذكاء الاصطناعي ويجعلونها متاحة للشبكة، حيث يتم تحديد نجاحهم من خلال الجودة والأداء الذي يقدمونه.
  • يتم تعويض المنقبين بـ$TAO بناءً على الذكاء الذي يساهمون به في الشبكة (على الرغم من أن هذا يعتمد على المهمة الخاصة المتاحة).
  • النماذج ذات التصنيف الأعلى مطلوبة بشكل أكبر وتؤدي إلى المزيد من الإيرادات للمنقبين.
• يعمل المحققون كمقيمين داخل الشبكة. يقومون بتقييم جودة وفعالية نماذج الذكاء الاصطناعي وإدارة طلبات المستخدمين. وبهذه الطريقة، يقوم المحققون بتصنيف النماذج استنادًا إلى أدائها في المهام الخاصة، مما يساعد المستهلكين على العثور على أفضل الحلول. كلما كانت تقييماتهم دقيقة ومتسقة، زادت مكافآتهم. بالمثل، يمكن أن تؤدي التقييمات غير المتسقة إلى فرض عقوبات، مما يضمن أن يحافظ المحققون على المعايير العالية.
  • يتم تحفيز المدققين بمقدار $TAO لتصنيف المُنقبين استنادًا إلى "مساهمتهم الفكرية".
  • المحققون مسؤولون أيضًا عن توجيه المدخلات لإنتاج أفضل إخراج. يتم ذلك عن طريق تشكيل تحالفات بين المنقبين (النماذج) الذين يكملون بعضهم البعض (الشبكات الفرعية).

من ناحية الطلب، يمكن للمطورين بناء تطبيقات على رأس المُحققين، استفادة (والدفع مقابل) قدرات الذكاء الاصطناعي الخاصة بحالات الاستخدام من الشبكة.

• المرشحون هم أفراد يمتلكون رموز $TAO ويدعمون بنشاط العارضين المحددين عن طريق تفويض رموزهم إليهم. يساعد هذا التفويض العارضين على جمع المزيد من الدعم والمكافآت. المرشحون يكسبون مكافآت لمشاركتهم في هذه العملية. إذا كان عارض يؤدي بشكل غير مرضٍ أو إذا كان المرشح يعتقد أن هناك خيارًا أفضل، يمكنهم نقل دعمهم إلى عارض آخر.
• المستهلكون هم مستخدمو النماذج الذكية المقدمة من بِتِنسور. يمكن أن يتراوحوا من مطوري التطبيقات الذين يدمجون قدرات الذكاء الاصطناعي في تطبيقاتهم إلى مستخدمي الروبوتات الدردشة الذين يبحثون عن ردود عالية الجودة.
  • يعطي المستهلكون الأولوية لتلقي إجابات دقيقة وقيمة.
  • المطورون، على وجه الخصوص، يختارون المحققين الذين يعتقدون أنهم الأفضل لتلبية متطلباتهم لضمان تقديم خدمات الذكاء الاصطناعي عالية الجودة لمستخدميهم.

يؤدي منتج التنسيق بين أصحاب المصلحة المذكورين أعلاه إلى شبكة تعزز أفضل النماذج لحالة الاستخدام المعطاة. مع القدرة على التجربة من قبل أي شخص، من الصعب على الشركات ذات المصدر المغلق المنافسة حتى.

ائتمان - بت ليغو: أطروحة بيتينسور للذكاء الاصطناعيبواسطة ديفيد أتيرمان

واحدة من أكثر الافتراضات الخاطئة شيوعًا هي أن الشبكة تدعم تدريب ML. في الحالة الحالية، يدعم Bittensor بشكل حصري الاستدلال، وهو عملية استخلاص الاستنتاجات وتقديم الردود بناءً على الأدلة والاستدلال. التدريب، من ناحية أخرى، هو عملية متميزة تنطوي على تعليم نموذج التعلم الآلي لأداء مهمة. تتم هذه العملية عن طريق تغذية النموذج مجموعة بيانات كبيرة من الأمثلة المصنفة، مما يتيح له تعلم الأنماط والعلاقات بين البيانات والتصانيف. بينما يستخدم الاستدلال نموذج تعلم الآلة المدرب لإجراء توقعات على بيانات جديدة غير مرئية. على سبيل المثال، يمكن استخدام نموذج مدرب لتصنيف الصور للاستدلال من أجل تحديد فئة صورة جديدة غير مرئية سابقًا.

لذلك، من المهم أن نلاحظ أن Bittensor لا ينفذ ML على السلسلة الرئيسية ولكنه يعمل بشكل أكثر مثل Oracle على السلسلة الرئيسية أو شبكة من المدققين التي تربط وتنسق العقدة ML خارج السلسلة (المنقبون). يخلق هذا التكوين شبكة متخصصين منتشرة (MoE)، بنية ML تمزج بين عدة نماذج مُحسنة لقدرات مختلفة لتكوين نموذج عام أكثر قوة.

سوق الاستخبارات الند للند

سوق الذكاء الند للذكاء الصناعي من بيتينسور هو مفهوم رائد في مجال تطوير الذكاء الاصطناعي، يقدم منصة لامركزية وغير محدودة تتناقض بشكل واضح مع نماذج أكثر إغلاقًا مثل OpenAI أو Gemini من Google.

تم تصميم هذا السوق لتعزيز الابتكار التنافسي، وتعزيز نمو صناعة الذكاء الاصطناعي، وجعل الذكاء الاصطناعي متاحًا لمجتمع عالمي من المطورين والمستخدمين. يمكن تحفيز أي شكل من القيمة - بروتوكول لتحفيز/إنشاء سوق عادل لأي سلعة رقمية.

بمعنى آخر، يجسد البروتوكول نهج الند للند في تبادل قدرات التعلم الآلي والتنبؤ بين المشاركين ضمن الشبكة. إنه ييسر مشاركة وتعاون النماذج والخدمات الخاصة بالتعلم الآلي، مع تعزيز بيئة تعاونية وشاملة حيث يمكن استضافة النماذج مفتوحة المصدر والمغلقة المصدر.

ارتفاع سوق السلع الرقمية

بيتنسور فريد بمعنى أنه يضع الأساس لظهور سوق سلع رقمية، مما يحول بشكل فعال الذكاء الاصطناعي إلى أصل قابل للتداول. في جوهره، ينشئ البروتوكول سوقًا حيث يتم تجميع الذكاء الاصطناعي.

تشبه نظام التحفيز الخاص بـ Bittensor إلى حد كبير خوارزمية الوراثة، حيث يقوم بتقييم أداء العامل باستمرار ويقوم باختيار أو إعادة تدوير العاملين مع مرور الوقت. هذه العملية الديناميكية تضمن أن الشبكة تظل فعالة ومستجيبة لتطور المشهد في مجال تطوير الذكاء الاصطناعي.

في سوق الذكاء Bittensor، يتبع إنشاء القيمة نهجًا مزدوجًا:

• تتلقى النماذج الاصطناعية العالية الأداء التي يستضيفها المنقبون، المعروفون باسم المساهمين، مكافآت على شكل رموز $TAO.
• يتم مكافأة المُحققين، الذين يقيمون ويستخدمون الذكاء، أيضًا بعملات $TAO.

يُستحق الذكر أن Bittensor لا يكافئ الأداء الخام فقط ولكنه يضع التأكيد على إنشاء الإشارة الأكثر قيمة. وهذا يعني أن نظام المكافآت يعطي الأولوية لإنشاء معلومات تقدم فوائد كبيرة لجمهور واسع، مما يسهم في نهاية المطاف في تطوير سلعة أكثر قيمة.

اتفاق يوما

كبلوكشين طبقة 1 مستقلة، يعمل Bittensor بواسطة خوارزمية الاتفاق Yuma. إنها خوارزمية اتفاق لامركزية بين الأقران تمكن توزيع الموارد الحسابية بشكل عادل عبر شبكة من العقد.

يعمل Yuma على آلية توافق هجينة تجمع بين عناصر إثبات العمل (PoW) وإثبات الحصة (PoS). تقوم العقد في الشبكة بأداء عمل حسابي للتحقق من المعاملات وإنشاء كتل جديدة. يتم ثم التحقق من هذا العمل من قبل العقد الآخرين، ويتم مكافأة المساهمين الناجحين بالرموز الرقمية. إن المكون PoS هو الذي يشجع العقد على الاحتفاظ بالرموز الرقمية، مما يوازي مصالحهم مع استقرار الشبكة ونموها.

بالمقارنة مع آليات التوافق التقليدية، يقدم هذا النموذج الهجين عدة مزايا. من جهة تجنب استهلاك الطاقة الزائد الذي يرتبط في كثير من الأحيان ببرهان العمل (PoW)، مما يعالج القلق بشأن البيئة. ومن ناحية أخرى، يتجنب مخاطر التمركز التي تراها في دليل الحصة (PoS)، مما يحافظ على لامركزية الشبكة والأمان.

آلية التوافق Yuma تتميز بقدرتها على توزيع الموارد الحسابية عبر شبكة واسعة من العقد. هذا النهج له تأثيرات بعيدة المدى، حيث يمكنه معالجة مهام الذكاء الاصطناعي المعقدة بشكل أسهل ومعالجة مجموعات بيانات أكبر بسهولة. مع إضافة عقد إضافية إلى الشبكة، يتم توسيعها بشكل طبيعي لاستيعاب أعباء العمل المتزايدة.

على عكس التطبيقات الذكية المركزية التقليدية التي تعتمد على خادم أو مجموعة واحدة، يمكن توزيع تطبيقات يوما عبر شبكة من العقد. يقوم هذا التوزيع بتحسين موارد الحساب، مما يجعل من الممكن مواجهة المهام المعقدة بينما يتم التخفيف من المخاطر المرتبطة بنقاط الفشل الفردية والثغرات الأمنية.

تقطير المعرفة - عقل خلية رقمي

تقديم المعرفة هو مفهوم أساسي ضمن بروتوكول بِتِنسور، يعزز التعلم التعاوني بين عقد الشبكة لتعزيز الأداء والدقة. على غرار كيفية عمل الخلايا العصبية في الدماغ البشري معًا، يمكن لتقديم المعرفة أن يمكن العقد من التحسين بشكل جماعي داخل الشبكة.

يشمل هذا العملية تبادل عينات البيانات ومعلمات النموذج بين العقد، مما يؤدي إلى شبكة تقوم بتحسين نفسها مع مرور الوقت لتوفير توقعات أكثر دقة. يسهم كل عقد في بركة مشتركة، مما يحسن في نهاية المطاف من أداء الشبكة بشكل عام، مما يجعلها أسرع وأكثر ملاءمة لتطبيقات التعلم في الوقت الحقيقي مثل الروبوتات والسيارات ذاتية القيادة.

من الأهمية بمكان أن هذه الطريقة تخفف من مخاطر النسيان الكارثي، التحدي الشائع في تعلم الآلة. تحتفظ العقد بمعرفتها الحالية وتوسعها بينما تدمج الرؤى الجديدة، مما يعزز من مرونة الشبكة وقدرتها على التكيف.

من خلال توزيع المعرفة عبر عدة عُقَد، يصبح شبكة Bittensor TAO أكثر صلابة ضد الانقطاعات وانتهاكات البيانات المحتملة أيضًا. هذه القوة هامة بشكل خاص لتطبيقات التعامل مع البيانات العالية الأمان والحساسة للخصوصية، مثل المعلومات المالية والطبية (المزيد عن الخصوصية في وقت لاحق).

مزيج من الخبراء (MoE)

من خلال الابتكار، تقدم شبكة Bittensor مفهوم خليط من الخبراء (MoE) المتمركز. يستغل هذا النهج قوة الشبكات العصبية المتعددة، حيث يتخصص كل منها في جوانب مختلفة من البيانات. عند إدخال بيانات جديدة، يتعاون هؤلاء الخبراء لإنتاج تنبؤات جماعية أكثر دقة من أي خبير فردي يمكن أن يحققه بمفرده.

تعتمد آلية التوافق المستخدمة على مزيج من التعلم العميق مع خوارزميات توافق سلسلة الكتل. الهدف الرئيسي منها هو توزيع الحصة كحافز للأقران الذين يساهمون بأكبر قيمة معلوماتية في الشبكة. في جوهرها، تكافأ تلك الأطراف التي تعزز معرفة الشبكة وقدراتها.

في جوهرها، يتكون بروتوكول Bittensor من وظائف معلمة، يُشار إليها في كثير من الأحيان باسم الخلايا العصبية. تُوزَّع هذه الخلايا العصبية بطريقة ند لند، حيث تحمل كل منها وزن شبكة يُسجَّل على دفتر الأستاذ الرقمي. يشارك الأقران نشطًا في تصنيف بعضهم البعض، وتدريب الشبكات العصبية لتحديد قيمة العقد المجاورة لديهم. يعد عملية التصنيف هذه حاسمة في تقييم مساهمات الأقران الفردية في الأداء الشامل للشبكة.

تتراكم العلامات التي تم إنشاؤها من خلال هذه العملية التصنيفية على دفتر الأستاذ الرقمي. يتلقى النظراء ذوو التصنيف العالي مكافآت مالية، مما يزيد من وزنهم إضافيًا في الشبكة. ينشئ هذا اتصالًا مباشرًا بين مساهمات النظير ومكافآتهم، معززًا العدالة والشفافية داخل الشبكة.

يقدم هذا النهج سوقًا حيث يتم تسعير الذكاء من قبل أنظمة الذكاء الأخرى بطريقة الند للند عبر الإنترنت. إنه يحفز الأقران على تعزيز معرفتهم وخبرتهم باستمرار.

لضمان توزيع مكافآت عادل، يعتمد Bittensor قيم Shapley، وهو مفهوم مقترض من نظرية الألعاب التعاونية. تقدم قيم Shapley طريقة عادلة وفعالة لتوزيع المكافآت بين نظراء الشبكة بناءً على مساهماتهم. هذا التوجيه للحوافز مع المساهمات يحفز العُقد على التصرف بمصلحة الشبكة الأفضل، مما يعزز الأمان والكفاءة بينما يدفع بالتحسين المستمر.

تتمحور مهمة بيتنسور الأساسية حول تعزيز الابتكار والتعاون في مجال الذكاء الاصطناعي من خلال إطار لامركزي. يتيح هذا الإطار التوسع السريع ومشاركة المعرفة، مما يخلق مكتبة معلومات متنامية ولا تُقاوم. في هذا السوق، يمكن للمطورين تحقيق الربح من نماذج الذكاء الاصطناعي الخاصة بهم وتقديم حلول قيمة للشركات والأفراد.

تمتد رؤية بيتنسور إلى مستقبل حيث تكون نماذج الذكاء الاصطناعي متاحة بسهولة ويمكن نشرها عبر مجموعة واسعة من الصناعات. تشجيع هذه القابلية للوصول يدفع التقدم ويفتح إمكانيات جديدة، مع تقليل الفجوة بين قدرات الذكاء الاصطناعي وتطبيقات العالم الحقيقي.

مثل النماذج العالمية البارزة للذكاء الاصطناعي مثل تشات GPT، تولد نماذج Bittensor 'تمثيلات' استنادًا إلى مجموعة بيانات عالمية. لتقييم أداء النموذج، معلومات فيشريُستخدم لتقدير تأثير إزالة عقدة من الشبكة، على غرار فقدان عصب في الدماغ البشري.

بالإضافة إلى تصنيف النموذج، يولي Bittensor تأكيدًا قويًا على التعلم التفاعلي. يشارك كل نموذج نشاطيًا مع الشبكة، بحثًا عن تفاعلات مع نماذج أخرى، على غرار البحث DNS. يعمل Bittensor كواجهة برمجة تطبيقات تسهل تبادل البيانات بين هذه النماذج، مع تعزيز التعلم التعاوني ومشاركة المعرفة - باستخدام نماذج مفتوحة المصدر ونماذج مغلقة المصدر.

باستخدام توافق يوما لضمان أن الجميع يلعبون بموجب القواعد، تعمل البيئة كقوة دافعة للمطورين مفتوحي المصدر ومختبرات بحوث الذكاء الاصطناعي، مقدمة حوافز مالية لتعزيز النماذج المؤسسية المفتوحة.

في جوهره، يعمل Bittensor كمستودع متوسع باستمرار للذكاء الصناعي. يتم تحقيق ذلك من خلال جمع 4 طبقات مختلفة معًا:

• الطبقة المُعدّنة مسؤولة عن إنتاج عمل قيم داخل الشبكة.
• تضمن طبقة المحقق أن يلتزم المنقبون بقواعد التوافق المُنشأة.
• تعتمد طبقة الشركات على البنية التحتية القائمة لتطوير منتجات وخدمات مبتكرة. إنها تعمل كمنصة للاستفادة من الذكاء الجماعي للشبكة لإنشاء حلول جديدة.
• تستفيد طبقة المستهلك من العمل الذي ينتجه طبقة الشركة. إنها تمثل المستخدمين النهائيين أو المنظمات التي تستخدم المنتجات والخدمات التي يتم تشغيلها بواسطة شبكة بيتنسور.

التاريخ

تأسست بيتنسور في عام 2019 من قبل باحثين اثنين في مجال الذكاء الاصطناعي،جايكوب ستيفزوعلى الشعبانة(وكان أحد الكتاب البيض الشهيرين المجهولين، يوما راو) الذين كانوا يبحثون عن وسيلة لجعل الذكاء الاصطناعي قابلاً للتراكم. سرعان ما أدركوا أن العملات المشفرة يمكن أن تكون الحل - وسيلة لتحفيز وتنظيم شبكة عالمية من العقد الآلية لتدريب والتعلم معًا على مشكلات محددة. تزيد الموارد التدريجية المضافة إلى الشبكة من الذكاء الإجمالي، متراكمة على العمل الذي قام به الباحثون السابقون والنماذج.

بدأت رحلة Bittensor مع إطلاق 'Kusanagi' في يناير 2021، مما يشكل تفعيل الشبكة ويسمح للمنقبين والمحققين ببدء كسب أول مكافآت $TAO. ومع ذلك، واجهت هذه الطبعة الأولية توقفًا مؤقتًا بسبب قضايا التوافق. ردًا على ذلك، قام Bittensor بتفريع 'Kusanagi' إلى 'Nakamoto' في نوفمبر 2021.

في 20 مارس 2023 ، تم الوصول إلى معلم مهم حيث تم تشعب "ناكاموتو" مرة أخرى ، وهذه المرة تطورت إلى "فيني". كان الغرض من هذه الترقية هو تحسين أداء كود kernel.

لاحظ أن Bittensor كانت تهدف في البداية إلى أن تصبح شبكة فرعية على Polkadot، مؤمنة مكانًا للشبكة الفرعية من خلال مزاد ناجح في يناير. ومع ذلك، تم اتخاذ قرار باستخدام سلسلة كتلها الخاصة المستقلة L1 المبنية علىالعمقبدلاً من الاعتماد على بولكادوت بسبب مخاوف تتعلق بسرعة تطوير بولكادوت.

الوضع الراهن

بيتتنسور كان على الشبكة الرئيسية لأكثر من عام، وكان تركيزه على البحث الرائد ووضع الأسس لإمكانياته المستقبلية. إليك نظرة عامة على الوضع الحالي والأسباب التي لم تبنى حالات استخدام تجارية بعد على أعلى من محققيها:

• النموذج المختلط الضئيل: يعمل Bittensor كبِت واحدنموذج خليط متناثر. يجذب نماذج الذكاء الاصطناعي المحددة إلى هذا الخليط، حيث يتناول كل نموذج الأدوار المتخصصة في حل المشاكل الأكبر التي يحددها المحققون. تكوين وضبط هذا النموذج للوصول إلى حالة الفن وما بعدها هو عملية معقدة وتكرارية. يقود في الوقت الحالي هذه المرحلة من خارطة الطريق مؤسسة أوبنتينسور.
• ضغط الذكاء (التقطير): ضغط الذكاء هو تركيز بحث مركزي لـ Bittensor. يشمل هذا تقنيات التقطير لتعزيز كفاءة الشبكة وقدراتها.
• تحسين لهدف كبير: كان تركيز Bittensor الرئيسي على تحسين هدف كبير بدلاً من حالات الاستخدام التجارية على المدى القصير. Opentensor ملتزمة بإنشاء شبكة تتجاوز كونها منصة ند لند بسيطة مع نظام تسعير للنماذج.
• التقدم والتحديثات: خلال السنة الماضية، قامت Opentensor بتحقيق تقدم كبير، بما في ذلك تحديث Synapse، الذي فتح Bittensor للطلبات الخارجية. في أكتوبر 2023، تمكنت ترقية الثورة من التوسع من خلال الشبكات الفرعية. هذا يمكن الوثبة الكبيرة من تحديد المشاكل بشكل مستقل، مما يخلق فرص تدفق نقدي من حصتهم.
• نحو التوسع في العالم الحقيقي: يمثل شبكة فني نقطة تحول لبيتنسور، مما يسمح للمحققين بالعمل بشكل أكثر استقلالية وتقليل التمركز الأولي. مع نمو حصة الشبكة وزيادة مكافآت الكتل، يساهم في تعزيز نمو الذكاء الاصطناعي.
• الذكاء الاصطناعي حالات استخدام الأعمال في الأفق: تتصور Bittensor التوسع في حالات استخدام الأعمال الذكاء الاصطناعي في العالم الحقيقي حيث يتبع أصحاب المصلحة ، بما في ذلك البشر والذكاء الاصطناعي ، حوافزهم. يلوح في الأفق تنفيذ متعدد وطرق فوقية ، حيث يدمج الشبكات الفرعية في تنسيق "استخبارات" موحد.

مع تحديث الثورة الأخير، فتح بيتنسور القدرة على أي شخص لإنشاء شبكة فرعية متخصصة في نوع معين من التطبيقات. على سبيل المثال، Subnet 4يستخدمJEPA(التضمين المشترك المعماري المتوقع)، وهو نهج الذكاء الاصطناعي الذي قادته ميتاYann LeCunللتعامل مع مجموعة متنوعة من المدخلات وأنواع الإخراج مثل الفيديو والصور والصوت في نموذج واحد.

إن إنجازًا ملحوظًا آخر هوCerebras, BTLM-3B-8K (نموذج لغة Bittensor ، نموذج بمعلمات 3B يجعل من الممكن تشغيل نماذج دقيقة وفعالة على أجهزة الهاتف المحمول ، مما يجعل الذكاء الاصطناعي أكثر إمكانية بشكل كبير. يتوفر BTLM-3B-8K على Hugging Face مع ترخيص Apache 2.0 للاستخدام التجاري.

تتميز النماذج الكبيرة لGPT عادةً بأكثر من 100 مليار معلمة، مما يتطلب عدة بطاقات رسومات عالية الأداء لإجراء عمليات الاستدلال. ومع ذلك، فإن إطلاق LLaMA من Meta أتاح للعالم نماذج عالية الأداء بما يصل إلى 7 مليار معلمة، مما يجعل من الممكن تشغيل LLMs على أجهزة كمبيوتر عالية الأداء.

ولكن حتى النموذج ذو المعلمة البارامترية 7 بت والتي تم تقليصها إلى دقة 4 بت لا تناسب العديد من الأجهزة الشائعة مثل iPhone 13 (4GB RAM). في حين أن النموذج ذو المعلمة البارامترية 3 بت سيكون مناسبًا تمامًا لجميع الأجهزة المحمولة تقريبًا، فإن النماذج ذات الحجم 3 بت السابقة كانت تعمل بشكل دون المستوى المطلوب مقارنةً بأقرانها ذوي الحجم 7 بت.

يجسد BTLM توازنًا بين حجم النموذج والأداء. بفضل 3 مليار معلمة، يوفر مستوى دقة وقدرة تتفوق بشكل كبير على النماذج السابقة بحجم 3 مليارات.

عند النظر إلى المعايير الفردية، يحصل BTLM على أعلى درجة في كل فئة باستثناء TruthfulQA.

لا تفوق BTLM-3B جميع النماذج 3B فحسب، بل تعمل أيضًا على توازي العديد من النماذج 7B.

ثورة - ترقية شبكة Bittensor

تشير ترقية Bittensor Revolution ، التي تم إطلاقها في 2 أكتوبر ، إلى علامة فارقة في تطوير Bittensor ، مما يؤدي إلى تغييرات جوهرية في هيكلها التشغيلي. ومن الأمور الأساسية في هذه الترقية إدخال "الشبكات الفرعية" ، وهو مفهوم رائد يمنح المطورين استقلالية غير مسبوقة في تشكيل آليات الحوافز الخاصة بهم وإنشاء الأسواق داخل نظام Bittensor البيئي.

ميزة رئيسية لهذ التحديث هي إدخال لغة برمجة متخصصة مصممة خصيصًا لصياغة أنظمة الحوافز. تمكن هذا الابتكار المطورين من إنشاء وتنفيذ آليات الحوافز الخاصة بهم على شبكة Bittensor، باستخدام بركتها الواسعة من الذكاء لتصميم الأسواق وفقًا لمتطلباتهم وتفضيلاتهم المحددة.

تمثل هذه الترقية أيضا خروجا ملحوظا عن النموذج المركزي ، حيث تتحكم مؤسسة واحدة في جميع جوانب الشبكة ، نحو إطار عمل أكثر لامركزية. لدى العديد من الأفراد أو المجموعات الآن الفرصة لامتلاك الشبكات الفرعية وإدارتها.

مع إدخال "الشبكات الفرعية" ، يمكن لأي شخص الآن إنشاء شبكاته الفرعية الخاصة وتحديد آليات الحوافز الخاصة به ، وتعزيز مجموعة أوسع من الخدمات داخل نظام Bittensor البيئي. يعزز هذا التحول التنوع واللامركزية داخل الشبكة ، بما يتماشى مع مبادئ الانفتاح والتعاون التي تدعم مهمة Bittensor.

وعلاوة على ذلك، ستتنافس الشبكات الفرعية على الانبعاثات من خلال جمع التوافق من الوفود في الشبكة الجديدة "شبكة الطريق"، مما يقدم عنصرًا تنافسيًا يمكن أن يدفع بالابتكار وتوزيع الموارد.

ظهور الشبكات الفرعية التي ينشئها المستخدم يمكن أن يُذكّر بانفجار التطبيقات على إثريوم بمجرد فتح أبوابه للمجتمع العالمي للمطورين. كما يُبرز هذا الترقية إمكانية دمج مختلف الأدوات والخدمات في شبكة متكاملة. في جوهره، يتم الآن تضمين كل عنصر مطلوب لتشكيل الذكاء تحت سقف واحد، يتم تنظيمه بواسطة رمز واحد ($TAO).

شبكة الطرق

تعمل شبكة الطرق كمكون محوري داخل النظام البيئي Bittensor. وهي تعمل كشبكة فرعية ميتا مع الدور الحاسم لتوزيع الانبعاثات عبر الشبكات الفرعية الأخرى ، وكلها تستند إلى إجماع مرجح من المندوبين الرئيسيين. هذا التحول تحويلي بطبيعته ، لأنه يغير Bittensor بشكل أساسي من نظام واحد يتم التحكم فيه إلى "شبكة شبكات" ديناميكية.

بشكل حاسم، جداول الانبعاث لم تعد تخضع فقط لسيطرةمؤسسة اوبنتنسور. يمتلك المندوبون داخل شبكة 'الجذر' الآن سلطة توزيع الحوافز. يقوم هذا التحول بتفكيك السيطرة على الحوافز، مما يزيل الاعتماد الكلي على أي كيان فردي ويضعه في أيدي شبكة 'الجذر'.

الشبكات الفرعية

الشبكات الفرعية داخل شبكة بيتينسور هي آليات حوافز مستقلة توفر إطارًا للمنقبين للتفاعل مع المنصة. تلعب هذه الشبكات الفرعية دورًا حاسمًا في تحديد البروتوكولات التي تحكم التفاعلات بين المنقبين والمحققين.

وعلاوة على ذلك، لم تعد تفاصيل آليات الحوافز مُشَفرة داخل قاعدة بيانات Bittensor. بدلاً من ذلك، يتم تحديد هذه التفاصيل داخل مستودعات الشبكة الفرعية، مما يسمح بزيادة المرونة والقابلية للتكيف.

Bittensor introduces specific subnetworks, such as the prompting subnetwork and the time series subnetwork. The prompting subnetwork enables the execution of various prompt neural networks, including GPT-3, GPT-4, ChatGPT, and others, for decentralized inference. This functionality allows users to interact with Validators on the network and obtain outputs from the best-performing models, empowering their applications with advanced AI capabilities.

تعمل الشبكات الفرعية عن طريق توزيع الرموز $TAO على المنقبين والمحققين بناءً على القيمة التي يسهمون بها في الشبكة. يتم تحديد القواعد والبروتوكولات الدقيقة لاستجابات المنقبين لاستفسارات المحقق وعملية التقييم التي يقوم بها المحققون بواسطة الكود داخل مستودع كل شبكة فرعية.

• عند الإطلاق، ستتوفر تسع فتحات للشبكة الفرعية، كل منها يتسع لـ 256 معرفًا افتراضيًا (باستثناء الشبكة الفرعية رقم 1، التي تتسع لـ 1024). ستتنافس الشبكات الفرعية بنشاط من أجل الانبعاثات من خلال البحث عن أوزان اتفاق من المندوبين ضمن الشبكة 'الجذرية'.
• للتسجيل في الشبكة الفرعية، يجب على الأفراد أو الكيانات قفل كمية معينة من $TAO لمدة وجود الشبكة الفرعية. يتولى أصحاب الشبكة الفرعية دور مسؤولي الشبكة الكاملين ولهم الحق في انبعاثات موزعة من خلال الشبكات الفرعية الخاصة بهم. يمتلكون صلاحيات كاملة، بما في ذلك القدرة على استدعاء إجراءات sudo عبر الشبكة، مثل ضبط الأوزان الفائقة مثل أسعار الشبكة الدنيا.

• يتم ربط كل شبكة فرعية بمعرف شبكي فريد، ويتم نقل ملكية الشبكة الفرعية إلى المحفظة التي قفلت المبلغ المطلوب من $TAO لتسجيلها. عند إنشاء شبكة فرعية، يتم خصم المبلغ المقابل من $TAO من محفظة الخالق ويرتبط بالشبكة الفرعية. في حال تسجيل شبكة فرعية، يتم إرجاع $TAO المقفلة إلى المالك.
• جانب ملحوظ هو أن 18% من الانبعاثات المرتجعة على $TAO المرهون داخل الشبكة الفرعية يتم منحها لمالك الشبكة الفرعية. هذا يحفز مبتكري الشبكة الفرعية على صياغة آليات تجذب المندوبين على شبكة الطريق، حيث يعزز فرصهم في تجنب إلغاء التسجيل.
• يتم منح الشبكات الفرعية المسجلة حديثًا فترة من الحصانة لمدة أسبوع واحد خلالها لا يمكن إلغاؤها. تم تعيين تكلفة القفل الأولية عند 2500 $TAO، وتتضاعف عند تسجيل شبكة فرعية جديدة. مع مرور الوقت، تنخفض تكلفة القفل تدريجيًا، وتتبع نمطًا خطيًا مشابهًا لآلية المزاد الهولندي. تهدف هذه الطريقة إلى إيجاد توازن في الطلب على فتحات الشبكة الفرعية من خلال ضبط تكلفة القفل مع مرور الوقت.

• عند إلغاء تسجيل الشبكة الفرعية، يتم إرجاع $TAO المقفلة لتسجيلها إلى المالك، ويتم إزالة جميع المنقبين داخل الشبكة الفرعية، ويتم إعادة تعيين حالة الشبكة.

شبكة الجذر

تعمل شبكة الجذر ك "شبكة فرعية ميتا" تعمل فوق الشبكات الفرعية الأخرى وتؤثر عليها بينما تلعب دورا محوريا في تحديد درجات الانبعاثات عبر النظام بأكمله.

وظيفته الأساسية هي استخدام آلية توافق مرجحة تشمل الوفود لإنتاج متجه انبعاث لكل شبكة فرعية. تخصص وفود داخل شبكة 'الجذر' أوزانًا لشبكات فرعية مختلفة بناءً على تفضيلاتهم، وتحدد آلية التوافق في نهاية المطاف توزيع الانبعاثات.

جانب بارز هو أن شبكة 'الجذر' تجمع بشكل فعال بين أدوار كل من مجلس الشيوخ وآليات التفويض، مما يجمع هذه الوظائف معًا في كيان واحد. يُبسط هذا التوحيد عمليات اتخاذ القرار داخل النظام البيئي لـ Bittensor.

يمتلك شبكة 'الجذر' السلطة لتشكيل النظام البيئي من خلال تأثير تخصيص الانبعاثات. إذا رأت أن شبكة فرعية معينة أو جانبًا معينًا من النظام غير قيم، فإن لديها القدرة على تقليل أو إلغاء الانبعاثات إلى تلك العنصر.

يجب على الشبكات الفرعية داخل شبكة Bittensor أن تسعى بنشاط لجذب غالبية الأوزان من الوفود داخل الشبكة 'الجذر' لضمان حصولها على حصة كبيرة من الانبعاثات. يؤكد هذا الجانب التنافسي أهمية الشبكات الفرعية في إظهار قيمتها وفائدتها للنظام البيئي الأوسع.

وبالإضافة إلى ذلك، يمنح أعلى 12 مفتاحًا داخل الشبكة القدرة على الاعتراض على الاقتراحات المقدمة من الثلاثي، مما يضيف طبقة إضافية من الحوكمة والتحقق والتوازن إلى النظام.

توجيه قطاع

في ميدان التكنولوجيا، ظل السلطة مركزة في أيدي عدد قليل من العمالقة التكنولوجيين. حافظت هذه العمالقة على السيطرة على السلع الرقمية القيمة التي هي ضرورية لدفع الابتكار. تعترف بيتنسور، مع ذلك، وتتحدى هذا النمط السائد عن طريق إدخال نظام أكثر ديمقراطية وإمكانية الوصول من خلال سوقها.

تكمن رؤية Bittensor الأساسية في فهم أن الذكاء هو نتيجة للسلع الرقمية المختلفة ، مثل قوة الحوسبة والبيانات. تاريخيا ، تم التحكم في هذه السلع بإحكام واقتصرت على مجال عمالقة التكنولوجيا. تسعى Bittensor إلى كسر هذه السلاسل من خلال تقديم شبكات فرعية أنشأها المستخدم. ستعمل هذه الأسواق في ظل نظام رمزي موحد ، مما يضمن حصول المطورين في جميع أنحاء العالم على وصول متساو إلى الموارد التي كانت في السابق مجالا حصريا لقلة مختارة داخل النظام البيئي المغلق لشركات التكنولوجيا الكبرى.

اعتماد محتمل

في عصرنا الرقمي الحديث، لا شك في القوة التحويلية للذكاء الاصطناعي (AI). أصبح الذكاء الاصطناعي جزءًا أساسيًا من حياتنا، حيث يبسط البحث، ويقوم بتأمين تدفق العمل، ويساعد في البرمجة، وينشئ محتوى من النص. إن النمو السريع لقدرات الذكاء الاصطناعي واضح، ولكن هذا النمو يأتي مع تحديات تتعلق بالقابلية للتوسع و، الأهم من ذلك، الموثوقية.

أظهرت الأحداث الأخيرة، مثل انقطاع خدمة ChatGPT أثناء المناقشات حول تنظيمات الذكاء الاصطناعي في واشنطن، الحاجة الملحة لحلول قوية لمعالجة تحديات توسيع الذكاء الاصطناعي. هذه الانقطاعات أثارت قلق المستخدمين بشأن استقرار وموثوقية الذكاء الاصطناعي مع تزايد تكامله في حياتنا اليومية. إنه في مثل هذه اللحظات التي يصبح فيها أهمية $TAO من Bittensor واضحة.

تقدم بيتتينسور ليس فقط دعمًا للذكاء الاصطناعي مفتوح المصدر ولكنه أيضًا يظهر أنه يمكن أن يكون مطاردة مالية مجزية. إنه يعكس التطور التنافسي الذي شهدناه في تعدين البتكوين ويمهد الطريق لسوق مزدهرة حيث تتصدر أفضل نماذج الذكاء الاصطناعي. تمكين الباحثين في مجال الذكاء الاصطناعي من المساهمة بخبرتهم في بيئة مفتوحة وديناميكية، مما يعود في نهاية المطاف بالفائدة على المجتمع بأسره.

$TAO يوفر بنية تحتية للذكاء الاصطناعي المتمركزة التي يمكن أن تخفف من المشاكل المحتملة مثل تلك التي تمر بها ChatGPT. من خلال تمرير الذكاء الاصطناعي، يضمن Bittensor متانة وموثوقية أنظمة الذكاء الاصطناعي، حتى مع استمرار زيادة الطلب عليها. يؤسس هذا النهج أساسا موثوقا لمستقبل خدمات الذكاء الاصطناعي.

ببساطة، يظهر Bittensor كسوق عالمي للذكاء الاصطناعي مفتوح المصدر، مقدمًا حلاً مقنعًا للتحديات التي تطرحها تطوير الذكاء الاصطناعي المغلق المصدر.

• القوة الجاذبية لتميز الذكاء الاصطناعي: يعمل Bittensor كقوة جاذبة تجذب أفضل نماذج الذكاء الاصطناعي من الباحثين في جميع أنحاء العالم. من خلال تعزيز سوق حر للذكاء الاصطناعي، تشجع الشبكة على تقديم نماذج متقدمة. مع نضوجه، يعد Bittensor بأسعار أقل، ويقضي على مخاطر المنصة، ويقدم أفضل النواتج للذكاء الاصطناعي، سواء في النصوص أو الصور أو الفيديو أو تنسيقات أخرى.
• المصدر المفتوح المربح: يحول Bittensor الذكاء الاصطناعي مفتوحة المصدر إلى مسعى مربح. باتباع المثال الذي وضعته Bitcoin ، تم تنظيم Bittensor بافتراض أن أصحاب المصلحة مدفوعون بالربح. في هذا النظام البيئي ، تكسب أفضل نماذج الذكاء الاصطناعي أكبر قدر من المال. إنه يوازي تطور تعدين البيتكوين ، والانتقال إلى صناعة تنافسية ومهنية. لدى باحثي الدكتوراه الآن الفرصة لتقديم أبحاثهم إلى هذا السوق المفتوح ، وسد الفجوة بين الأوساط الأكاديمية والصناعة الخاصة.
• مقياس مثير للإعجاب: لقد أسفرت حوافز Bittensor عن نتائج ملحوظة. يخدم الشبكة أكثر من 4,000 نموذج ذكاء اصطناعي، مكونة من 10 تريليون معلمة نموذج مذهلة. لوضع هذا في سياق، GPT-3 لديها 175 مليار معلمة.
• أصحاب مصالح متنوعون: تتضمن بيئة بيتينسور مجموعة متنوعة من أصحاب المصالح، بما في ذلك المنقبين والموثقين والمرشحين والمستهلكين. يضمن هذا المشاركة المتنوعة قوة الشبكة ونموها المستمر.

اعتبار كبير هو حالة AI الحالية، والتي تظل معظمها مقفلًا خلف أبواب مغلقة وتحت سيطرة عدد قليل من عمالقة التكنولوجيا. وهذا يثير السؤال: ماذا لو يمكن أن تكون AI مفتوحة وتتعلم من نماذج AI أخرى في بيئة تعاونية؟ يسعى $TAO من Bittensor لتوفير حلاً لهذا السؤال.

• التبني عن طريق النمو: في حين أن بعض شركات الذكاء الاصطناعي الكبرى قد تتردد في جعل تقنيات الذكاء الاصطناعي الخاصة بها عامة ، فإن $TAO تقدم اقتراحا مثيرا للاهتمام. يقدم إمكانية تحقيق المزيد من الدخل من خلال المعاملات الدقيقة. تخيل الحلول الذكاء الاصطناعي الراسخة مثل OpenAI التي تقبل المدفوعات الصغيرة في كل مرة يستخدم فيها شخص ما نماذج التدريب الخاصة به داخل نظام Bittensor البيئي لبناء منتجاته وأعماله. وهذا يمكن أن يفتح تدفقا جديدا للإيرادات لهذه الشركات، ويشجعها على المشاركة في شبكة الذكاء الاصطناعي مفتوحة.
• اعتماد حسب الطلب: بالبديل، نفترض أن الحلول الحالية للذكاء الاصطناعي تظل مغلقة ومقاومة للشبكات المفتوحة. حتى مع توافر رأس المال الكبير لديهم، هناك فرصة لتجاوز هذه الحلول الممولة بشكل كبير بواسطة المصادر المفتوحة. بينما تعتبر الموارد المالية أمراً حاسماً للنمو التكنولوجي، يجب عدم تقدير إمكانية تكنولوجيا يمكنها التعلم بشكل مستقل ومن بيئتها.

مأزق المصدر المفتوح

اكتسبت الجدل الدائر حول ما إذا كان ينبغي أن تكون نماذج الذكاء الاصطناعي مفتوحة المصدر بروزًا مع مخاوف بشأن مشكلة المواءمة في الذكاء الاصطناعي التي لا تزال تتزايد. السؤال الأساسي هو ما إذا كان ينبغي أن يكون الكود الفعلي وراء نماذج الذكاء الاصطناعي متاحًا بحرية للجميع. وبشكل مثير للاهتمام، حتى لو قامت الجهات الرئيسية مثل OpenAI بفتح مصدر نماذجها، فإن ذلك لن يشكل تهديدًا بالضرورة لـ Bittensor. في بيئة مفتوحة المصدر، يمكن لأي شخص الاستفادة من هذه النماذج على شبكة Bittensor.

Dentro de la comunidad tecnológica, hay una divergencia de opiniones sobre este asunto. Algunos argumentan que la tecnología de inteligencia artificial de código abierto podría permitir a actores malintencionados explotar la IA con fines dañinos. Por otro lado, otros sostienen que otorgar derechos exclusivos a las tecnologías de IA a las principales corporaciones plantea un peligro más significativo. Por ejemplo, concentrar el poder de la IA en manos de algunas corporaciones de billones de dólares, como se ha visto con el enfoque de OpenAI en recaudar fondos sustanciales, podría plantear preocupaciones éticas, destacando el riesgo de corrupción del poder.

قرار ميتا بفتح المصدر Llama2LLM تشير إلى تحول في الصناعة نحو تبني ممارسات المصدر المفتوح. هذه الخطوة توفر فرصة لـ Bittensor للتعلم من وربما دمج تطورات Meta في شبكتها، مما يساعد على سد الفجوة في الأداء بشكل أسرع.

من الضروري فحص تقييم كل من $TAO و OpenAI. في الوقت الحالي، تحتل OpenAI موقفًا سائدًا في الصناعة، معتقييم يتراوح بين 80 مليار دولار و 90 مليار دولار. ومع ذلك ، فإنه يعمل ضمن نظام بيئي مغلق يعتمد بشكل كبير على Microsoft وخدماتها السحابية المصرح بها. على الرغم من ذلك ، نجحت OpenAI في جذب أفضل المواهب من جميع أنحاء العالم. من ناحية أخرى ، مع تقدم الوقت وأصبحت المبادرات مفتوحة المصدر أكثر انتشارا ، تستعد مجموعة المواهب المتاحة للتوسع بشكل كبير ، لتصل إلى كل ركن من أركان الإنترنت. يمكن أن يلعب إضفاء الطابع الديمقراطي على الخبرة الذكاء الاصطناعي دورا حاسما في تشكيل اعتماد Bittensor.

المشهد التنافسي - الذكاء الاصطناعي مركزي

بقاء اعتماد المطورين عاملًا حيويًا في رحلة Bittensor. حاليًا، يمكن للمطورين التفاعل مع الشبكة من خلال واجهة برمجة التطبيقات بلغة Python التي طوّرتها مؤسسة OpenTensor، مما يؤكد أهمية تعزيز مجتمع مطورين قوي لدفع عملية الاعتماد. في الوقت الحالي، يعمل Bittensor بنشاط على تقسيم جوانب حيوية من الشبكة، مثل إنشاء النماذج والتدريب، ومكافأة النماذج الأكثر دقة مع تعزيز اتخاذ القرارات بشكل مجتمعي.

بشكل مثير للاهتمام، أصبحت الشركات الرائدة في مجال الذكاء الاصطناعي، بما في ذلك OpenAI وGoogle، الآن منافسين لـ $TAO. إنهم مشاركون بشكل عميق في مرحلة تكوين النموذج في مجال الذكاء الاصطناعي وحتى اقتحموا التكاملات العمودية المحتملة داخل مختلف الصناعات. في هذا السياق، أحد التحديات الرئيسية التي يواجهها $TAO هو مشكلة تقسيم البيانات.

على عكس عمالقة التكنولوجيا مثل Facebook و Apple و Amazon و Netflix و Google (FAANG) ، التي لديها إمكانية الوصول إلى مستودعات واسعة من البيانات ذات المغزى ، قد تفتقر المجتمعات ذات المصادر الجماعية إلى نفس المستوى من الموارد والوصول إلى البيانات. تم تجهيز مؤسسات FAANG بالوسائل المالية لتعزيز مساعيها الذكاء الاصطناعي بأجهزة قوية مثل تقنية Nvidia المتطورة ، بما في ذلك H100s و GH200s ، والتي يمكن أن تسرع بشكل كبير الذكاء الاصطناعي تدريب النموذج.

في الوقت نفسه ، من الضروري ملاحظة أن جميع حلول الذكاء الاصطناعي السائدة اليوم تتميز بأنها مغلقة ومركزية. ويشمل ذلك شركات بارزة مثل OpenAI و Google و Midjourney وغيرها ، كل منها يقدم حلولا الذكاء الاصطناعي تخريبية. ومع ذلك ، فإن الفجوة بين النماذج المغلقة والمفتوحة المصدر تضيق بسرعة. تكتسب النماذج مفتوحة المصدر أرضية من حيث السرعة والتخصيص والخصوصية والقدرة الإجمالية. إنها تحقق ميزات رائعة بميزانيات متواضعة نسبيا وأحجام معلمات مقارنة بنظيراتها المغلقة. علاوة على ذلك ، تعمل هذه النماذج مفتوحة المصدر وفقا لجدول زمني متسارع ، وتقدم النتائج في أسابيع بدلا من أشهر.

جوجل، عملاق التكنولوجيا بحقه، اعترف بهذه الاتجاه الناقل.وثيقة داخلية مسربةمن الشركة تقول: "ليس لدينا حوض مائي، وكذلك OpenAI." هذا الاعتراف يؤكد تأثير الذكاء الاصطناعي مفتوح المصدر المتزايد في المنافسة.

في هذا النظام البيئي الذكاء الاصطناعي المتطور ، يبرز $TAO كمحفز للتغيير ، متحديا النموذج التقليدي لتطوير الذكاء الاصطناعي والتدريب. نهجها اللامركزي وروحها التي يحركها المجتمع تضعها كمنافس في الساحة الديناميكية حيث ساد عمالقة التكنولوجيا ذات يوم.

على عكس المنصات المركزية التي تقيد الوصول إلى نموذج ذكاء اصطناعي واحد، توفر هندسة بيتينسور وصولًا غير مقيد إلى الذكاء. إنها تعمل كمتجر شامل لمطوري الذكاء الاصطناعي، تقدم جميع الموارد الحسابية اللازمة بينما ترحب بالمساهمات الخارجية. يربط هذا النموذج المضمن بين الشبكات العصبية عبر الإنترنت، مما يخلق نظام عالمي وموزع ومشجع لتعلم الآلة.

تحقيق الإمكانات الكاملة للذكاء الاصطناعي يتطلب الابتعاد عن ممارسات التطوير ذات المصادر المغلقة والقيود المرتبطة بها. تمامًا كما يوسع الأطفال فهمهم من خلال التفاعل الاجتماعي، يزدهر الذكاء الاصطناعي في بيئات ديناميكية. تعرض البيانات المتنوعة، والأفكار من الباحثين المبتكرين، والتفاعلات مع مجموعة متنوعة من النماذج تغذي إنشاء أنظمة ذكاء اصطناعية أكثر صلابة وذكاء. لا ينبغي أن تحكم مسار الذكاء الاصطناعي من قبل كيان واحد.

في هذا المستقبل المتناقض بشكل صارخ ، يصبح الاختيار بين عالم تهيمن عليه خوارزميات الصندوق الأسود والسلطة المركزية والمشهد الذكاء الاصطناعي المفتوح والديمقراطي أمرا بالغ الأهمية للمجتمع.

في السيناريو الأول، حيث تحمل شركات عملاقة مثل OpenAI أو Anthropic زمام حلول الذكاء الاصطناعي، نخاطر بالعيش تحت نظام مراقبة دائم. ستمتلك هذه الشركات سلطة هائلة على بياناتنا الشخصية وتفاعلاتنا اليومية، مع السلطة لإيقاف الخدمات والإبلاغ عن الأفراد بسبب آراء معارضة أو مناقشات.

ومع ذلك ، فإن البديل الأكثر تفاؤلا يوفر عالما تتجذر فيه الذكاء الاصطناعي في منصات مفتوحة المصدر ، مبنية على شبكات مملوكة عالميا. هنا ، السلطة والسيطرة لا مركزية ، الذكاء الاصطناعي بمثابة أداة للتمكين بدلا من المراقبة. في هذا السيناريو ، يمكن أن يزدهر الإبداع والتطوير دون خوف من تحيز الشركات أو الرقابة.

وكما أضفى الإنترنت طابعا ديمقراطيا على الوصول إلى المعلومات، فإن النظام البيئي المفتوح الذكاء الاصطناعي من شأنه أن يضفي الطابع الديمقراطي على الوصول إلى المعلومات الاستخباراتية. إنه يضمن عدم احتكار الذكاء من قبل قلة مختارة ، مما يعزز تكافؤ الفرص حيث يمكن لأي شخص المساهمة والتعلم والاستفادة.

$TAO عملة Tokenomics

• مماثل لبتكوين، يتم قيد إجمالي العرض الأقصى لعملات TAO عند 21،000،000، التي ستصدر بعد 256 عامًا.
• سيحدث تقسيم $TAO كل 10.5 مليون كتلة، مع مجموعة من 64 حدث تقسيمي سيحدث خلال الـ 45 سنة القادمة على الأقل.

• يعمل الشبكة على وقت كتلة يبلغ حوالي 12 ثانية، حيث يتم مكافأة 1 $TAO للمنقبين والمحققين لكل كتلة.
• حالياً، يبلغ عدد 7،200 عملة $TAO الجديدة التي يتم إصدارها يومياً، موزعة بالتساوي بين المنقبين والمدققين.

تشابه آخر مع بِتكوين هو أن جدول إصدار $TAO يتبع أيضًا مفهوم التقسيم إلى نصفين، الذي يحدث تقريبًا كل ٤ سنوات. ومع ذلك، يتم تحديد ذلك بواسطة إجمالي إصدار العملة بدلاً من عدد الكتل. على سبيل المثال، بمجرد أن يتم إصدار نصف إجمالي العرض، يتم تقليص معدل الإصدار إلى النصف.

الأهم من ذلك ، يتم حرق الرموز $TAO المستخدمة لإعادة تدوير التسجيلات مرة أخرى في العرض غير المصدر ، مما يؤدي إلى إطالة تدريجية لفترات النصف. تضمن هذه الآلية تعديل جدول الإصدار ديناميكيا بمرور الوقت ، مما يعكس احتياجات الشبكة وديناميكياتها الاقتصادية.

الاقتصاد الرمزي $TAO

اقتصاد العملة $TAO لشركة Bittensor مميز ببساطته، والتزامه باللامركزية، والتوزيع العادل. على عكس العديد من مشاريع البلوكشين الأخرى، لم يتم تخصيص عملة $TAO لأي طرف من خلال عروض العملة الأولية (ICOs)، أو العروض الأولية للعملات (IDOs)، أو المبيعات الخاصة لرؤوس الأموال (VCs)، أو التخصيصات الاحتكارية للفريق، أو المؤسسة، أو المستشارين. بدلاً من ذلك، يجب كسب كل عملة متداولة من خلال المشاركة الفعالة في الشبكة.

هناك أيضًا المخصصون لرأس المال المشاركون في الشبكة، يشاركون كمُنقّين أو موثقين بالإضافة إلى تقديم خدمات صنع السوق، مثل DCG، GSR، أو Polychain. المهم هو أنه لم يتلق أيًا منهم تخصيصًا للعملة نابعًا من بيع مسبق أو بيع خاص.

يمكن استخدام رمز $TAO للحكم، للرهان والمشاركة في آلية التوافق، وكوسيلة للدفع داخل شبكة بيتينسور.

بهذه الطريقة ، يقوم المدققون والمعدنين بتخزين الرموز المميزة الخاصة بهم كضمان لتأمين الشبكة وكسب المكافآت من خلال الانبعاثات التضخمية ، بينما يمكن للمستخدمين والمؤسسات استخدام $TAO للوصول إلى خدمات وتطبيقات الذكاء الاصطناعي المبنية على الشبكة.

يمكن إنتاج عملات $TAO الجديدة فقط من خلال التعدين والتحقق. يكافأ الشبكة كل من المُنقبين والمُحققين، ويمنح كل كتلة مكافأة قدرها 1 عملة $TAO، تتقاسم بالتساوي بين المنقبين والمُحققين. وبالتالي، السبل الوحيدة لاقتناء عملات $TAO هي إما عن طريق شراء الرموز في السوق المفتوحة أو المشاركة في أنشطة التعدين والتحقق.

يعكس نموذج توزيع الرمز المباشر لدولار TAO مبادئ اللامركزية، مشابه لأخلاقيات بيتكوين التي وضعها ساتوشي ناكاموتو. يتوافق توليد العملات الأولية لدولار TAO مع جدول أعمال بيتكوين (BTC)، مما يوفر فرصة متساوية لأي شخص يساهم بقيمة في الشبكة. يؤكد هذا النهج على أهمية منع تركيز السلطة والملكية، خصوصًا في مجال الذكاء الاصطناعي، الذي يحمل تأثيرات اجتماعية كبيرة ولا ينبغي أن يسيطر عليه عدد قليل من الأشخاص.

يضمن هذا النموذج التوزيعي أن يظل التعدين عملية تنافسية. مع انضمام المزيد من المنقبين إلى الشبكة، يزداد التنافس، مما يجعل من الصعب الحفاظ على الربحية. وهذا، بدوره، يحفز المنقبين على إيجاد طرق لتقليل تكاليفهم التشغيلية، معززًا بذلك الكفاءة والابتكار داخل الشبكة.

استيلاء القيمة على $TAO

$TAO، الرمز الخاص لشبكة Bittensor، يستمد قيمته الجوهرية من دوره الفريد في النظام البيئي. على عكس النموذج L1 القياسي حيث تستمد رموز الشبكة قيمتها من بيع مساحة الكتلة، فإن قيمة $TAO مرتبطة بالخدمات الذكاء الاصطناعي التي تمكنها. مع تزايد تأثير وفائدة هذه الخدمات الذكاء الاصطناعي، يزداد الطلب على $TAO.

الاحتفاظ ب $TAO يمنح الوصول إلى مجموعة واسعة من الموارد الرقمية المترابطة، بما في ذلك البيانات والنطاق الترددي، والذكاء الذي يتم توليده والتحقق من قبل مشاركي الشبكة. كما يتضح من جدول الانبعاثات، فإن قيمة $TAO ليست مستندة فقط إلى التكهنات أو الندرة ولكنها متأصلة بعمق في المساهمات الملموسة والفائدة التي يوفرها ضمن شبكة Bittensor.

ومع ذلك ، فإن الحفاظ على دورة الخلق والمكافأة هذه ليس مضمونا. عمال المناجم والمدققين ، بينما يساهمون بذكاء قيم للشبكة ويكسبون $TAO الرموز في المقابل ، لديهم أيضا حافز للبيع لتغطية النفقات ، على غرار عمال مناجم البيتكوين.

كيف يكون القيمة في سعر العملة؟

مثل أي رمز آخر ، يتم تحديد سعر $TAO من خلال المبادئ الاقتصادية الأساسية للعرض والطلب. تؤدي زيادة الطلب على $TAO إلى ارتفاع الأسعار ، بينما يؤدي انخفاض الطلب إلى انخفاض الأسعار. ومن ثم ، فإن الفكرة هي أن الطلب من نشاط النظام الإيكولوجي سيعوض عمليات فتح العرض.

لا يمكنك الحصول على $TAO إلا من خلال المساهمة في الشبكة. لذلك ، تحتاج إلى شرائها والاحتفاظ بها أو إنفاقها لبدء استخدام الشبكة.

• عوامل الطلب:
  • نشاط النظام الإيكولوجي:
    • يتطلب المدققون $TAO الرموز المميزة للتسجيل.
    • يمكن للمستخدمين شراء $TAO للمشاركة في عمليات التصويت المتعلقة بمحاذاة الذكاء.
    • استخدام كوسيلة للدفع داخل الشبكة.
  • الطلب على الرهن والتفويض $TAO لكسب مكافآت الرهن. يمكن أن يساعد هذا في حماية ضد الانبعاثات التضخمية.
  • السعر الإضافي التكهني كوسيلة للرهان على الإمكانيات الإيجابية لدمج تقنيتين مختلفتين مثل سلسلة الكتل والذكاء الاصطناعي.
  • تأثيرات الشبكة الناتجة عن دخول المزيد من المطورين إلى الشبكة والاستفادة من إمكانات النماذج مفتوحة المصدر
• سائقي العرض:
  • إصدار الرمز من الانبعاثات التضخمية للوصول إلى الإمداد الإجمالي من 21،000،000
  • قد يبيع المنقبون والمدققون عملات $TAO لتغطية نفقاتهم التشغيلية. هذا الجانب مشابه لبيع منقبي البيتكوين لتغطية التكاليف.

مع توسيع الشبكة وإضافة المزيد من نماذج الذكاء الاصطناعي والشبكات الفرعية، يزداد إمكانية الاستيلاء على القيمة. نمو الشبكة مدعوم أيضًا بتآزر بين الذكاء الاصطناعي والبلوكشين، مما يخلق دورة تعزيز ذاتي.

بهذه الطريقة ، يجسد Bittensor مبادئ قانون Metcalfe ، حيث تتناسب قيمة الشبكة مع مربع عدد المستخدمين أو العقد المتصلة. مع انضمام المزيد من المشاركين إلى الشبكة ، تزداد القيمة التي تقدمها بشكل كبير.

كيفية الاستيلاء على مثل هذه القيمة

في Bittensor، يتلقى المدققون حوافز لجذب حصة من حاملي الرموز، وهذه الحصة أساسية لعملهم ضمن الشبكة. كحامل رمز، يمكنك اختيار مجموعة متنوعة من المدققين المختلفين لوضع حصتك $TAO عليها. الخيار الأكثر شيوعًا هو مؤسسة OpenTensor نفسها، مع حوالي 20% من ملكية الشبكة.

حالياً، يوزع المحققون 82% من مكافآتهم على المندوبين على شكل عملات $TAO. ونتيجة لذلك، الوفد $TAOالرموز إلى معتمد يقدم فرصة لحاملي الرموز لكسب مكافآت الحصة. يمكن أن يساعد هذا في حماية المستخدمين ضد التخفيف المحتمل من الانبعاثات التضخمية.

• تكافؤ مكافأة المحققين حاليًا عند 22.45%
• مكافآت الحصة حاليًا عند نسبة 18.41%

المخاطرة / المكافأة والأفق الزمني

عند تقييم مخاطر/مكافأة تخصيص جزء من المحفظة لـ $TAO، من المهم أن تكون على علم بما تقوم فعلياً بشرائه. على سبيل المثال، الشراء لا يمنح صاحبه أي نوع من العائد المدفوع بالدولار الأمريكي الناتج عن النشاط الاقتصادي للشبكة. بدلاً من ذلك، يتم مكافأتك بانبعاثات الرموز. كحامل للرموز يمكنك بعد ذلك تفويض تلك الانبعاثات لكسب نسبة عائد سنوي وزيادة حيازاتك من $TAO.

أوجه التشابه مع Bitcoin واضحة ، ولكن هناك قصة ضمنية وراء $BTC تجعلها فريدة من نوعها. لا أحد يستطيع أن يقدم إجابة مرضية حول ما هي قيمة $BTC أو لماذا لها أي نوع من القيمة ، وبالتالي لماذا ينتهي المجتمع بتجسيد حرب قبلية بين من لا عملات معدنية ، و "shitcoiner" ، و maxis.

بالفعل، اقتصاد الرمز الفعلي لبيتكوين سهل الفهم: يُستخدم $BTC لتحفيز المُنقبين على تشغيل الشبكة. ونتيجة لذلك، يتم تخفيف حصة المالكين الحاليين (على الرغم من أنهم يمكنهم أن يصبحوا منقبين - أو ممثلين في حالة Bittensor). وبالتالي، لا يتم مكافأة أولئك الذين يمتلكون الرمز، ولا يتلقون أي حافز من الشبكة الأساسية.

ولكن في حالة $BTC، هناك عامل مهم يجب النظر فيه، وهو الندرة. حقيقة أنه سيكون هناك فقط 21 مليون يجعله فريدًا. وبينما تم نمذجة اقتصاد الرمز $TAO بعد بيتكوين نفسه، لا يزال هناك أكثر من 70% من الرموز غير المصدرة. هذا يطرح معضلة أمام المستثمرين حول ما الذي يقدرونه أكثر: لا مركزية الشبكة، أم ندرة الأصل.

في النهاية، ينبع فائدة $TAO من الوصول الذي يوفره إلى نماذج الذكاء الاصطناعي، استخدامه للحوكمة، الوصول إلى مكافآت الرهان، وكآلية حافزة.

نفقات التشغيل

التطويرات البنية الحالية تتم دفعها بواسطة المؤسسة اوبنتينسورمن خلال التمويل من التفويض لهم وكذلك من مكافآت التفويض. تُنفذ التطويرات الأخرى من قبل أطراف ثالثة تدير مقترحاتها الخاصة وتتموّل من خلال التفويض أيضًا.

مثلما يتطلب أي مبادرة عالمية تمويلاً للبحث والتطوير والنشر، تعتمد نجاح الذكاء الاصطناعي على كيفية تنسيق رؤوس الأموال وكيفية مكافأة أصحاب المصلحة عن إسهاماتهم. إن هذا التوجيه الاستراتيجي للموارد (البحث، وحدات المعالجة الرسومية للتدريب...) هو ما يحرك نمو الذكاء الاصطناعي وتأثيره.

في عالم الذكاء الاصطناعي ، خاصة في حالة نماذج اللغات الكبيرة مثل ChatGPT ، تكون التكاليف التشغيلية كبيرة. OpenAI ، على سبيل المثال ، يقدر أنه ينفق ما يقرب من $700,000 يوميًا لتشغيل ChatGPT, مما يسلط الضوء على العبء المالي الكبير المرتبط بنماذج الذكاء الاصطناعي بحجم كبير. يمكن أن تتراوح تكاليف التدريب من ملايين إلى عشرات الملايين من الدولارات لكل نموذج، مما يجعله مهمة تستهلك الموارد أكثر. يمكن أن تكون تكلفة تدريب نموذج على مجموعة بيانات كبيرة أعلى حتى، تصل إلى 30 مليون دولار.

بينما رفعت الشركة تمويلًا كبيرًا، بما في ذلك استثمار حديث من مايكروسوفت (نصفه تقريبًا على شكل رصيد Azure)، فإن الزيادة في تكاليف تدريب النماذج اللغوية الكبيرة تشكل قلقًا. تكلف كل عملية تدريب ملايين، وحاجة البدء من الصفر في النماذج الجديدة تفاقم هذه المشكلة.

هنا تصبح طريقة Bittensor لـ "تكديس المعرفة" ذات صلة. تركز الطريقة الفريدة لـ Bittensor على اللامركزية والتعاون من خلال "تكديس المعرفة". تسمح هذه الفلسفة لأنظمة الذكاء الاصطناعي بالبناء على المعرفة الحالية بطريقة لامركزية، مما يوفر مزايا مثل:

• فعالية التكلفة: من خلال الاستفادة من المعرفة الحالية وتحسينها باستمرار ، يمكن لنهج Bittensor أن يقلل من الحاجة إلى إعادة التدريب باهظة الثمن من الصفر.
• القدرة على التكيف: تواجه تطبيقات الذكاء الاصطناعي على نطاق واسع غالبًا احتياجات وتحديات متطورة. هنا تكمن فائدة النهج اللامركزي الذي يمكن منظمات من التكيف بأنظمتها الذكية بشكل أكثر مرونة، مما يضمن بقاؤها ذات صلة وفعالية في بيئة ديناميكية.
• اللامركزية: يمنح شبكة بيتينسور اللامركزية مجتمعًا عالميًا من المساهمين القوة، مما يقلل من الاعتماد على كيان واحد أو بنية تحتية مركزية. وهذا يعزز الابتكار والتنوع في تطوير الذكاء الاصطناعي.
• التعاون: الطبيعة التعاونية لتكديس المعرفة تشجع على مشاركة المعرفة والتعلم التعاوني بين العُقَد في الشبكة، مما يعزز البيئة الديناميكية لتقدم الذكاء الاصطناعي.

الفريق والمستثمرون

بِتِينسور هو بروتوكول مفتوح المصدر يشغل شبكة تعلم آلي مبنية على تقنية البلوكشين اللامركزية. الفريق الذي يقف وراء بِتِينسور يتضمنجاكوب ستيفز (مؤسس), علاء شعبانة(مؤسس)جاكلين دون(مدير التسويق)، وسعيدة مطلاغ(مهندس معماري للبلوكشين) وغيرهم. كما تخطط مؤسسة أوبنتينسور لتوسيع فريقها هذا العام.

يوجد اسم مستعار يدعى يوما راو والذي ذُكر أيضًا في ورقة بيضاء تابعة لبيتينسور، تمامًا مثلما في بيتكوين ساتوشي ناكاموتو. لا يُعرف ما إذا كان هذا الشخص موجودًا حقًا وقد لا نعرف المزيد عنه أو عنها.

لم يكشف Bittensor عن أي مستشارين بارزين أو مستثمرين رئيسيين، سوى تلقي تمويل من مؤسسة OpenTensor، وهي منظمة غير ربحية تدعم تطوير Bittensor. كما لم يعلن Bittensor عن أي شراكات رسمية.

رسالة علمية

معظم شركات التكنولوجيا بعيدة عن تقييماتها قبل الجائحة، ومع ذلك، تصل شركات الذكاء الاصطناعي الآن إلى أعلى مستوياتها في تقييمات الضعف ومعدل النمو.

بفضل رأس المال السوقي الأقل بشكل كبير من العمالقة في الصناعة، قد تكون Bittensor في الواقع الملعب المثالي لتطبيقات الذكاء الاصطناعي ذات الحجم الكبير/الطلب العالي واستخدام النماذج مفتوحة المصدر.

من الواضح أن أبسط مقارنة لقياس الجانب الإيجابي هي مقارنته مع التقييم الخاص لـ OpenAI بقيمة 29 مليار دولار. سواء كان واقعيًا أم لا، فإن هذا أعلى بقليل من 28 مرة قيمة $TAO. بنظرنا إلى المدى الزمني الذي سيستغرقه دخول الإمداد الكامل في التداول، يمكننا استخدام سقف السوق الدوري لوضع تقدير تقريبي حيث يزيد التقييم الخاص لشركة OpenAI بأكثر من 108 مرات من قيمة سوق $TAO.

ومع ذلك، هذا نهج تكهني للغاية يمكن تبسيطه على أنه عملية رهان على المشاريع التي يمكن أن تستفيد من التواجد في تقاطع الذكاء الاصطناعي والعملات المشفرة.

أهم ميزة يجب أن نتذكرها هي حقيقة أن Bittensor يعمل على معالجة مشكلة التمركز المركزي في مجال الذكاء الاصطناعي. في الوقت الحالي، تتحكم عدد قليل من الشركات في أقلية من النماذج الكبيرة والقوية، لكنها جميعًا معزولة ولا توجد تقريبًا أي تعاون أو مشاركة معرفة.

نماذج الذكاء الاصطناعي المعزولة لا يمكنها التعلم من بعضها البعض، وبالتالي فهي غير مركبة (يجب على الباحثين أن يبدؤوا من الصفر في كل مرة يقومون فيها بإنشاء نماذج جديدة). هذا يتناقض تمامًا مع بحوث الذكاء الاصطناعي، حيث يمكن للباحثين الجدد البناء على أعمال الباحثين السابقين، مما يخلق تأثيرًا مركبًا يعزز تطوير الأفكار.

الذكاء الاصطناعي المعزول محدود أيضًا في الوظائف نظرًا لأن التكاملات مع تطبيقات الجهات الخارجية والبيانات تتطلب إذنًا من مالك النموذج (على شكل شراكات تكنولوجيا واتفاقيات تجارية). يؤثر هذا القيد مباشرة على قيمة وفائدة الذكاء الاصطناعي، حيث أنه يمكن أن يكون قيمته فقط بقدر تنوع التطبيقات التي يمكنه تشغيلها بفعالية.

هذا البيئة المركزية والتي يأخذها الفائز كلها ليست مفيدة للفرق الصغيرة ذات الموارد الأقل. في هذا السياق ، فإن القوة الأساسية لـ Bittensor هي شبكتهم اللامركزية وآلية الحوافز لتشجيع الفرق الصغيرة والباحثين على تحقيق ربح من عملهم.

إذا نجح Bittensor في تقليص الفجوة في الأداء مع مزودي الذكاء الاصطناعي المغلقين الرائدين مثل GPT-4، فقد يصبح الاختيار الأفضل للمطورين والشركات والباحثين في مجال العملات المشفرة والذكاء الاصطناعي. طبيعته المفتوحة والتعاونية توضعه كبديل جذاب للبيئات المغلقة، مما قد يؤدي بالتالي إلى اعتماد كبير.

في نهاية المطاف، يمكن أن تكون تقييم TAO إما مشتقة من فائدة الشبكة (النشاط الاقتصادي المبني عليها) أو تدفق النقد المباشر إلى البروتوكول.

• كرمز للأداء، يُطلب $TAO للوصول إلى الشبكة. وبالتالي، يمكن استنتاج تقييمه من الفائدة الاقتصادية المبنية على ذلك.
• كرمز للرهان، يمكن لحاملي العملة تفويض $TAO إلى المحققين واستلام حصة من عائد الشبكة.
• يمكننا أيضًا قياس العوائد بناءً على حصة السوق والافتراضات المتعددة (التي تتسبب أيضًا في عدم موثوقية القيمة المتوقعة).

نظرًا لأن الفائدة أكثر تعسفًا وتجريدًا للقيمة، يمكننا أن نبدأ بالتدفق النقدي. بفرض أن سوق الذكاء الاصطناعي يمكن أن يصل إلى حجم سوق معين في المستقبل (انظر تقديرات البحث الأولويةفي الصورة أدناه)، يمكننا تقييم شبكة Bittensor بناءً على حصتها المحتملة في السوق وضعف الإيرادات.

بغض النظر عن الحجم السوقي المقدر، فإن Bittensor لا يزال مشروعًا متخصصًا ومعقدًا للغاية لفهمه، مما يعد عقبة أمام سهولة انضمام المطورين واعتماد المستخدمين.

المشروع لا يزال في مرحلة مبكرة جدًا من التطوير، وقد تظهر قضايا غير متوقعة مع الشبكة. على سبيل المثال، في يونيو حدث تواطؤ بين العمالقة الذين احتيالوا في الشبكة وتسببوا في بيع $TAO في السوق. كانت الإصلاح المؤقت هو خفض الانبعاثات بنسبة 90٪ لإعطاء وقت إضافي لمؤسسة Opentensor للعمل على حل للحفاظ على شبكة شفافة والسماح للبروتوكول بالعمل كما هو مقرر.

معظم المنتجات التي تعمل حاليًا على الشبكة لا يمكنها المنافسة ضد الأطراف المركزية، ولديها حتى الآن معدل اعتماد منخفض. أفضل طريقة للتعلم والتجربة بنفسك هي اختبار الخدمات المقدمة على محور بيتنسور.

يجب أيضًا أن نسأل السؤال ما إذا كانت اقتصاديات بيتكوين منطقية لشبكة متخصصة في تقديم خدمات الذكاء الاصطناعي مثل بيتتينسور. ربما الطبيعة المنكمشة لـ $BTC ليست الأفضل بالنسبة لشبكة تتطلب زيادة عدد منقبي العملات والتطبيقات المبنية فوقها من أجل التوسع. في الواقع، ينبغي أن تنتفخ العملة بنمو اعتماد الشبكة، أكثر تشابهًا بالنفط الرقمي بدلاً من الذهب الرقمي. وبطريقة ما، هذا مضمن بالفعل، محفزًا منقبي العملات للتنافس ضد بعضهم البعض وتوزيع الإمداد على مدى أكثر من 200+ عامًا.

التحدي الآخر هو الخصوصية ، بسبب استحالة تشفير البيانات قبل أن تمر عبر الشبكة العصبية. هذا أكثر إشكالية في بيئة لامركزية ، لأن أي بيانات تمر عبر عملية التعلم و / أو الاستدلال لن تكون بالتأكيد خاصة. منحت هذه مشكلة محتملة مع المركزية أيضا ، ولكن بعد ذلك عليك فقط أن تقلق بشأن 1 طرف معروف يرى بياناتك بدلا من عدد غير معروف.

الاقتصاد

سعر العملة

السعر مقارنة بأعلى سعر تاريخي وأدنى سعر تاريخي

توزيع العرض

استنتاج

بيتينسور يمكن أن يكون رهانًا قويًا على تقاطع الذكاء الاصطناعي والعملات المشفرة. ومع ذلك، فإنه من دون شك واحد من أكثر المشاريع تعقيدًا لتقييم معدل نموه والتحسين الإيجابي المحتمل.

هناك بوضوح الكثير من الإمكانيات في شبكة غير مركزية لتعزيز فائدة الذكاء الاصطناعي، خصوصًا عند تحفيز نماذج المصدر المفتوحة وتمركز ملكية الشبكة. ومع ذلك، الخدمات وحالات الأعمال التي تعتمد على Bittensor ليست تنافسية بما فيه الكفاية حتى الآن.

الذكاء الاصطناعي هو أيضًا صناعة تتطلب نفقات تشغيلية ضخمة ومبالغ كبيرة من التمويل التي لا يمكن تحقيقها إلا من خلال عمالقة الصناعة. يُعتبر Bittensor رهانًا معارضًا للغاية من هذا النوع، ولهذا السبب يستحق النظر في أكبر عدد ممكن من عوامل المخاطر والمكافآت.

مراجع

بِتِنسور – TAO

• موقع الكتروني
• المستندات
• وثيقة بيضاء
• التوافق Yuma
• المستكشفون
• جسر تاو
• تفويض
• تاوستاتس
• أخبار TAO
• Coingecko
• تويتر
• الفوضى
• مجموعة تيليجرام المجتمع
• Github
• @Bittensor">Youtube
• مؤسسة Opentensor Foundation للمدونات
• مؤسسة لينكدإن أوبنتينسور
• قالب شبكة Bittensor subnet
• قائمة المحققين

مصادر خارجية

• تقاطع العملات المشفرة والذكاء الاصطناعي من قبل رأس المال المتعدد للعملات
• محور بيتينسور - مجمع المحتوى

إخلاء المسؤولية:

1. تم نقل هذا المقال من [ ريفيلونتل]. جميع حقوق الطبع والنشر تنتمي إلى الكاتب الأصلي [revelointel]. إذا كانت هناك اعتراضات على هذا النقل، يرجى الاتصال بالتعلم بوابةفريق، وسيتولون بشكل سريع على ذلك.
2. إخلاء المسؤولية عن المسؤولية: الآراء والآراء الواردة في هذه المقالة هي فقط تلك التي يعبر عنها المؤلف ولا تشكل أي نصيحة استثمارية.
3. يتم إجراء ترجمات المقال إلى لغات أخرى من قبل فريق Gate Learn. ما لم يذكر غير ذلك، فإن نسخ أو توزيع أو نسخ المقالات المترجمة ممنوع.