HTX Research | L'évolution de Bittensor : dTAO repense l'écosystème open source de l'IA grâce à des incitations de marché
TechFlow SélectionTechFlow Sélection
HTX Research | L'évolution de Bittensor : dTAO repense l'écosystème open source de l'IA grâce à des incitations de marché
Analyse approfondie de l'impact de la mise à niveau dTAO sur l'écosystème Bittensor, mettant l'accent sur ses innovations architecturales, son modèle économique et la dynamique globale de l'écosystème.
Dédié à des analyses Web3 approfondiesAuteur : Chloe Zheng
Selon une étude de Sequoia Capital en 2023, 85 % des développeurs préfèrent ajuster des modèles existants plutôt que d'entraîner à partir de zéro. Cette tendance récente est confirmée par les faits : DeepSeek a publié ses modèles en open source et introduit la technique de distillation de modèle, transférant la logique de raisonnement du modèle enseignant (grand modèle) au modèle étudiant (petit modèle), afin d’optimiser la compression des connaissances et préserver les performances. De même, la version O3 de ChatGPT d’OpenAI met l’accent sur l’entraînement postérieur et l’apprentissage par renforcement. Bittensor fournit une plateforme ouverte et décentralisée permettant la collaboration et le partage de modèles d’intelligence artificielle (IA). En juillet 2024, Bittensor et Cerebras ont publié le modèle linguistique massif (LLM) BTLM-3b-8k en open source, qui a été téléchargé plus de 16 000 fois sur Hugging Face, illustrant pleinement les capacités techniques de Bittensor.
Bien que Bittensor ait été lancé en 2021, il n’est presque pas apparu pendant la vague des agents IA au quatrième trimestre 2024, et son prix de jeton est resté stagnant. Le 13 février 2025, Bittensor a lancé la mise à niveau dTAO, visant à optimiser l’émission de jetons, améliorer l’équité et augmenter la liquidité. Ce changement est similaire au lancement par Virtuals Protocol d’un LaunchPad pour agents IA, dont l’impact a fait grimper la capitalisation boursière de $VIRTUAL de 50 fois en 2024.
Le rapport « dTAO et l'évolution de Bittensor : Repenser l'écosystème open source de l'IA via des incitations pilotées par le marché » analyse en profondeur l'impact de la mise à niveau dTAO achevée le 13 février sur l'écosystème Bittensor, en se concentrant sur ses innovations architecturales, son modèle économique et sa dynamique globale.
Le nombre de comptes dans le système Bittensor a doublé, passant de 100 000 début 2024 à près de 200 000
1. Architecture fondamentale de Bittensor
Le système Bittensor se compose de trois modules principaux :
-
La chaîne parallèle Subtensor et sa couche compatible EVM (tao evm) : Subtensor est une blockchain de niveau 1 développée à l’aide du SDK Substrate de Polkadot, chargée de gérer la couche blockchain du réseau Bittensor. Sa couche compatible EVM (tao evm) permet aux développeurs de déployer et d’exécuter des contrats intelligents Ethereum sur le réseau, renforçant ainsi l’extensibilité et la compatibilité du système. La blockchain Subtensor génère un bloc toutes les 12 secondes, produisant un jeton TAO par bloc. En outre, Subtensor enregistre les activités clés des sous-réseaux, notamment les poids de notation des validateurs et les quantités de jetons mis en gage. Tous les 360 blocs (environ 72 minutes), l’algorithme de consensus Yuma calcule les émissions de jetons allouées aux 64 sous-réseaux.
-
Les sous-réseaux (Subnets) : Le réseau Bittensor comprend 64 sous-réseaux, chacun spécialisé dans un type particulier de modèle IA ou application spécifique. Cette structure modulaire améliore l’efficacité et les performances du réseau, favorisant le développement spécialisé des différents modèles IA. Le mécanisme d’incitation de chaque sous-réseau est défini par son propriétaire, déterminant la répartition des jetons entre mineurs et validateurs. Par exemple, le sous-réseau 1, exploité par la Fondation Opentensor, traite les invites textuelles (Text Prompting). Dans ce sous-réseau, les validateurs fournissent des invites similaires à ChatGPT, les mineurs y répondent, puis les validateurs classent les réponses selon leur qualité, mettent régulièrement à jour les poids et les téléversent sur la blockchain Subtensor. Tous les 360 blocs, le consensus Yuma calcule et distribue les émissions de jetons du sous-réseau.
-
Le sous-réseau racine (Root Subnet) : Agissant comme cœur du réseau, le sous-réseau racine coordonne et gère le fonctionnement de tous les sous-réseaux, assurant la cohérence et la stabilité globales du réseau.
De plus, l’API Bittensor assure la transmission et la connexion entre les validateurs des sous-réseaux et le consensus Yuma sur la blockchain Subtensor. Les validateurs d’un même sous-réseau ne se connectent qu’aux mineurs du même sous-réseau ; il n’y a aucune communication ni connexion entre les validateurs et mineurs de sous-réseaux différents.
Cette conception architecturale permet à Bittensor d’intégrer efficacement la technologie blockchain et l’intelligence artificielle, créant ainsi un écosystème IA décentralisé et hautement performant.
La couche compatible EVM tao evm de Subtensor a été officiellement lancée le 30 décembre 2024. Elle permet de déployer et d’interagir avec des contrats intelligents Ethereum sans modification, et toutes les opérations EVM s’exécutent uniquement sur la blockchain Subtensor, sans interaction avec Ethereum. Cela signifie que les contrats intelligents sur Bittensor sont limités au réseau Bittensor et n’ont aucun lien avec le réseau principal d’Ethereum. Actuellement, tao evm en est encore à un stade très précoce, incluant des projets comme TaoFi, qui prévoit de développer une infrastructure DeFi basée sur l’IA, comprenant une monnaie stable soutenue par TAO, un exchange décentralisé et une version de mise en gage liquide du jeton TAO.
1.1 Système de comptes
1.1.1 Système à double clé Coldkey-Hotkey
Le système de compte de dTAO adopte un mécanisme à double clé Coldkey-Hotkey, garantissant une sécurité et une flexibilité accrues. Lors de la création d’un portefeuille, l’utilisateur peut choisir de le générer via une extension Chrome ou localement. Un portefeuille créé via une extension Chrome est utilisé pour stocker, envoyer et recevoir des TAO, générant automatiquement une coldkey (48 caractères, commençant généralement par 5) et une phrase mnémonique de 12 mots. Un portefeuille créé localement génère non seulement une coldkey, mais aussi une hotkey, utilisée pour créer des sous-réseaux, miner et valider.
L’utilisation du système à double clé vise à isoler les risques : la hotkey, fréquemment utilisée dans les opérations quotidiennes du sous-réseau, est exposée à des menaces potentielles, tandis que la coldkey, réservée au stockage et au transfert de TAO, réduit efficacement le risque de perte. Ce double mécanisme de protection assure à la fois sécurité et souplesse.
Concernant les liens, une hotkey peut être associée à une coldkey dans le même sous-réseau, voire à des coldkeys de sous-réseaux différents (non recommandé). Une coldkey peut être liée à plusieurs hotkeys.
1.1.2 Système UID des sous-réseaux
1.1.2.1 Génération de l’UID du sous-réseau
Après paiement de frais d’enregistrement d’au moins 100 TAO, un UID de sous-réseau est généré et lié à votre hotkey. Cet UID est nécessaire pour participer à l’exploitation minière ou à la validation. Pour devenir mineur, vous avez besoin d’une hotkey, d’une coldkey et d’un UID de sous-réseau, puis lancez simplement Bittensor.
1.1.2.2 Conditions pour devenir validateur
Pour devenir validateur d’un sous-réseau, il faut miser au moins 1000 TAO, et figurer parmi les 64 premiers en volume de mise dans chaque sous-réseau. À noter qu’un validateur peut posséder plusieurs emplacements UID, lui permettant de valider simultanément dans plusieurs sous-réseaux sans avoir à augmenter davantage sa mise (similaire au concept de restaking). Ce mécanisme augmente non seulement le coût des comportements malveillants, mais réduit également les risques d’actes malveillants, car la mise élevée (au moins 1000 TAO) rend ces actes coûteux. Afin d’améliorer leur compétitivité dans le sous-réseau, chaque validateur s’efforce de construire une bonne réputation et un historique de performance solide, attirant ainsi davantage de délégations de TAO pour rester parmi les 64 premiers.
1.1.2.3 Structure et limites de capacité des sous-réseaux
-
Sous-réseau 1 : Comporte 1024 emplacements UID, pouvant accueillir jusqu’à 128 validateurs ; le nombre total de validateurs et mineurs est limité à 1024.
-
Autres sous-réseaux : Chaque sous-réseau dispose de 256 emplacements UID, pouvant accueillir jusqu’à 64 validateurs ; le nombre total de validateurs et mineurs par sous-réseau ne dépasse pas 256.
1.1.2.4 Compétition et mécanismes d’incitation dans les sous-réseaux
Dans chaque sous-réseau, les validateurs attribuent des tâches aux mineurs. Après exécution, les mineurs soumettent leurs résultats aux validateurs correspondants. Ces derniers évaluent et classent la qualité des réponses, et les mineurs reçoivent des récompenses en TAO proportionnelles à la qualité de leur travail. Les validateurs sont eux-mêmes récompensés pour avoir assuré que les meilleurs mineurs soient bien récompensés, stimulant ainsi une amélioration continue de la qualité du sous-réseau. Ce processus concurrentiel est entièrement automatisé par le mécanisme d’incitation codé par le créateur du sous-réseau, garantissant un fonctionnement équitable et efficace.
Chaque sous-réseau dispose d’une période de protection de 7 jours (période d’immunité), démarrant dès l’enregistrement de l’UID du mineur. Pendant cette période, les récompenses du mineur s’accumulent. Si un nouveau mineur s’inscrit alors que tous les emplacements UID sont occupés, le mineur ayant accumulé le moins de récompenses sera éliminé, et son UID sera réaffecté au nouveau mineur.
1.2 Les sous-réseaux forment un écosystème multicouche
Les sous-réseaux Bittensor construisent un écosystème multicouche où mineurs, validateurs, créateurs de sous-réseaux et consommateurs jouent des rôles spécifiques, contribuant ensemble à la production de services IA de haute qualité.
Mineurs (Miners) : Nœuds centraux de calcul du réseau, ils hébergent des modèles IA et fournissent des services d’inférence et d’entraînement. Ils s’affrontent en minimisant la fonction de perte et en concourant sur les classements point à point pour obtenir des récompenses en TAO. Leur succès dépend directement de la qualité et des performances de leurs services.
Validateurs (Validators) : Ils évaluent les résultats soumis par les mineurs, construisent une matrice de confiance, empêchent les tricheries concertées et s’assurent que les meilleurs mineurs soient mieux récompensés. Ils classent les réponses selon leur qualité, et plus leurs classements sont précis et cohérents, plus ils obtiennent de récompenses.
Créateurs de sous-réseaux (Subnet Creators) : Conception de sous-réseaux personnalisés selon des besoins applicatifs spécifiques (comme le traitement du langage naturel ou la vision par ordinateur), définissant des mécanismes de consensus, flux de tâches et structures d’incitation indépendantes. Ils agissent comme administrateurs du réseau, ayant le pouvoir d’allouer des incitations via leur propre sous-réseau.
Consommateurs (Consumers) : Utilisateurs finaux ou entreprises payant des TAO pour accéder aux services IA, effectuer des requêtes API, obtenir des données d’entraînement ou utiliser les ressources de calcul pour entraîner leurs propres modèles. Ce sont les utilisateurs finaux des modèles IA proposés par Bittensor.
Le processus global est le suivant : les validateurs du sous-réseau génèrent des questions et les distribuent à tous les mineurs. Les mineurs produisent des réponses et les renvoient aux validateurs. Ces derniers notent la qualité des réponses, mettent à jour les poids des mineurs, puis les téléversent régulièrement sur la chaîne. Grâce à une forte compétition et à un mécanisme de sélection naturelle, les modèles IA du sous-réseau progressent continuellement, optimisant ainsi tout l’écosystème.
1.2.1 Couche des mineurs
Les mineurs jouent un rôle central en tant que nœuds de calcul dans le réseau Bittensor, avec pour principales responsabilités :
-
Héberger des modèles IA et fournir des services d’inférence ou d’entraînement : Les mineurs hébergent des modèles d’apprentissage machine locaux pour offrir des services de prédiction aux applications clientes. Lorsqu’un client a besoin d’une prédiction, il envoie une requête au réseau Bittensor, qui la route vers un mineur inscrit comme fournisseur de service. Le mineur traite la requête et retourne le résultat au client.
-
Gagner des jetons TAO en concourant dans les classements P2P : Les mineurs s’affrontent dans des classements point à point selon la performance de leur modèle et leur contribution au réseau, afin de recevoir des récompenses en TAO. Ce mécanisme incite les mineurs à optimiser continuellement leurs modèles pour fournir des services IA de haute qualité.
-
Garantir la contribution de modèles IA de haute qualité : Les mineurs s’efforcent de fournir des modèles de qualité supérieure pour répondre aux besoins du réseau et assurer la qualité du service. Cela leur permet non seulement d’obtenir de meilleurs classements et récompenses, mais améliore aussi la performance globale et la fiabilité du réseau Bittensor.
En remplissant ces fonctions, les mineurs apportent une contribution essentielle au bon fonctionnement et au développement du réseau Bittensor.
Chaque mineur entraîne son modèle fi sur un jeu de données D, en minimisant la fonction de perte Li=ED[Q(fi,x)]
Où :
-
Q(fi,x) est la fonction d’erreur
-
ED désigne l’espérance sur le jeu de données D.
Par exemple, si le mineur A fournit un modèle de reconnaissance vocale fA(x), sa fonction de perte pourrait être :
Une valeur plus faible de LA (c’est-à-dire une meilleure performance du modèle) conduit à un meilleur classement dans l’évaluation P2P.
La contribution de chaque mineur est mesurée par l’information de Fisher (FIM) : Ri=WT·S
Où :
-
W est la matrice de poids représentant les scores P2P entre mineurs.
-
S est la quantité de jetons mis en gage (détenus) par le mineur dans le réseau.
Si les mineurs A et B s’évaluent mutuellement, la matrice de poids est :
Le classement final du mineur A est :
Si le mineur A possède un modèle IA de haute qualité, wB,A sera élevé, conduisant à un RA plus élevé et donc à une récompense plus importante.
Couche des validateurs
Les validateurs assurent une évaluation juste des modèles IA des mineurs, empêchant les manipulations et comportements malveillants. Ils agissent comme des « arbitres » du réseau, garantissant des services IA de haute qualité.
Les validateurs classent les mineurs en calculant une matrice de confiance :
-
ci est le score de confiance du mineur i.
-
tj,i représente le degré de confiance du mineur j envers le mineur i.
-
sj est la mise du mineur j.
-
σ est la fonction sigmoïde, utilisée pour un lissage proportionnel.
Par exemple, supposons trois mineurs A, B, C dans le réseau, avec la matrice de confiance suivante :
-
Si le mineur A possède un modèle performant, les mineurs B et C lui font tous deux une grande confiance.
-
Si le mineur C a un modèle médiocre, seul le mineur B lui fait légèrement confiance.
Par conséquent, le mineur A obtient un score de confiance cA plus élevé, donc une meilleure récompense, tandis que le mineur C obtient un score plus faible.
1.2.2 Couche des consommateurs
Dans le réseau Bittensor, les consommateurs sont des utilisateurs finaux ou entreprises qui paient des jetons TAO pour accéder aux services d’intelligence artificielle (IA) fournis par les mineurs. Ce modèle permet aux consommateurs d’utiliser les capacités IA du réseau sans avoir à posséder ou entretenir leurs propres modèles, réduisant ainsi le coût du calcul IA.
Les cas d'utilisation concrets des consommateurs incluent :
-
Requêtes d'API IA par des développeurs : Les développeurs peuvent invoquer les interfaces IA fournies par Bittensor pour obtenir les services intelligents nécessaires, intégrant ainsi des fonctionnalités IA dans leurs applications.
-
Accès aux jeux de données d'entraînement IA par des instituts de recherche : Ces instituts peuvent exploiter les ressources du réseau pour accéder et analyser de grands jeux de données d'entraînement IA, soutenant ainsi leurs projets scientifiques et expériences.
-
Entreprises utilisant les ressources de calcul de Bittensor pour entraîner leurs modèles IA : Les entreprises peuvent tirer parti des ressources de calcul décentralisées de Bittensor pour entraîner et optimiser leurs propres modèles IA, améliorant ainsi leur niveau d'intelligence opérationnelle.
Grâce à cela, Bittensor offre aux consommateurs un accès flexible et efficace aux services IA, favorisant ainsi la diffusion et l'application généralisées de l'intelligence artificielle.
1.2.3 Mécanisme de consensus basé sur la mise en gage
Le mécanisme de consensus basé sur la mise en gage de Bittensor vise principalement à résoudre les problèmes suivants :
-
Prévenir la manipulation des notes malveillantes et garantir une notation équitable : L’ajustement itératif w ← f(w) corrige tout poids s’écartant excessivement de la moyenne pondérée par la mise (consensus w), réduisant ainsi l’influence excessive des auto-évaluations par les parties adverses.
-
Récompenser les contributeurs IA de haute qualité : Les validateurs qui fournissent continuellement des sorties de haute qualité conservent un classement élevé même après correction des poids, car leurs rapports de poids sont proches de la valeur de consensus.
Modèle de jeu basé sur la mise
Nous considérons le modèle de consensus comme un jeu à deux joueurs :
-
Joueur honnête (le protagoniste) mise : SH avec 0,5 < SH ≤ 1
-
Joueur adverse (l’opposant) mise : 1 - SH
Les deux parties se disputent une récompense totale fixe : eH + eC = 1, où eH et eC sont respectivement les récompenses du joueur honnête et de l’adversaire.
Après allocation des récompenses, les mises sont mises à jour selon :
Le joueur honnête s’attribue un poids objectif wH et attribue 1-wH à l’adversaire.
En revanche, l’adversaire peut librement choisir son poids d’auto-attribution wC, sans coût, afin de maximiser la dépense de poids du joueur honnête :
Imaginons des juges dans une compétition. Un juge honnête donne des notes justes, tandis qu’un juge malveillant (l’adversaire) pourrait attribuer artificiellement des notes très élevées à son candidat favori, forçant ainsi le juge honnête à redoubler d’efforts pour rester compétitif.
Étant donné que le joueur honnête détient la majorité des parts (sH > 0,5), il peut appliquer une stratégie de consensus anonyme π, ajustant tous les poids sans connaître l’identité des joueurs, afin d’optimiser l’équilibre de Nash :
L’objectif est d’ajuster les poids pour que les poids corrigés vérifient :
Corrigeant ainsi l’erreur
La stratégie de consensus de base est définie par :
Où le poids de consensus w est la moyenne pondérée par les parts :
La stratégie est ensuite itérée :
Où k est le nombre d’itérations.
On peut le comparer à une balance précise. Si un plateau est trop lourd, le système ajuste répétitivement jusqu’à retrouver l’équilibre. Par exemple, lorsque SH=0,6 et wH=1 initialement, après plusieurs itérations, même si l’adversaire maintient un wC élevé (par exemple wC=0,8), la dépense effective du joueur honnête descendra en dessous de 0,75,
1.2.3.1 Lissage et évolution de densité
Pour éviter des corrections brutales causant une instabilité du système, la fonction de correction utilise un « lissage ». Nous définissons l’écart absolu moyen pondéré par parts comme :
La correction lissée est alors donnée par :
Où α (avec 0 ≤ α < 1) contrôle le degré de lissage.
Ce réglage progressif est comparable à un conducteur freinant en douceur lors d’un virage, plutôt que de freiner brusquement. Cette approche progressive garantit que les petites différences de poids sont ajustées en douceur, préservant ainsi la stabilité globale du système.
En généralisant au jeu à deux équipes (où |H| est le nombre de joueurs honnêtes, |C| le nombre de joueurs adverses), la distribution des poids de chaque équipe peut être décrite par une fonction de densité p(w). Par exemple, pour les joueurs honnêtes, supposons une distribution normale :
La distribution des joueurs adverses est similaire. La densité globale combinée des deux équipes est :
On applique ensuite la fonction d’évolution de densité :
Où g(w)=f⁻¹(w). Après η itérations, le classement final de chaque joueur est : r_i = ∫ f^η(p_i(w)) dw .
Ce processus est similaire à un lissage statistique sur un grand jeu de données. Après plusieurs cycles de « lissage », le classement réel de chaque participant émerge. L’essentiel est que l’évolution de densité compresse davantage les poids anormaux (c’est-à-dire ceux excessivement élevés des joueurs malveillants), tout en affectant peu les joueurs honnêtes.
1.2.3.2 Mécanisme de confiance des poids et prévention des failles à poids nul
Pour empêcher les joueurs adverses de signaler des poids proches de zéro afin d’éviter les sanctions, un mécanisme de confiance des poids est introduit. On définit la valeur de confiance T comme : T = (∑ Wᵢ > 0) Sᵢ
C’est-à-dire la somme totale des parts accordant un poids non nul. On applique ensuite un seuil lissé :
C = (1 + exp(-ρ(T - κ)))⁻¹.
Ce mécanisme garantit que si la majorité considère le poids d’un nœud comme nul, sa récompense sera fortement réduite.
C’est analogue à un système de réputation communautaire : seul celui reconnu digne de confiance par la majorité des membres perçoit l’intégralité de ses gains ; sinon, toute tentative de manipulation par déclaration de poids nul est sanctionnée.
Les défis actuels incluent :
-
Faille du poids nul : les joueurs adverses peuvent signaler des poids très faibles ou nuls pour exploiter les failles dans l’allocation des récompenses.
-
Déséquilibre de correction : dans certains cas, la correction peut être trop radicale ou trop douce, entraînant un biais de consensus.
-
Complexité de calcul élevée : l’évolution de densité et les multiples itérations impliquent un coût de calcul en O(n²), pouvant alourdir l’environnement blockchain.
La mise à niveau dTAO apporte des améliorations spécifiques à ces problèmes :
-
Optimisation des itérations et du lissage : augmentation du nombre d’itérations η, ajustement fin des paramètres de lissage α ou δ, réduisant ainsi la faille du poids nul et évitant les corrections excessives.
-
Renforcement du mécanisme de confiance des poids : détection plus précise des poids non nuls, application de seuils plus stricts, garantissant que seuls les nœuds reconnus par la majorité obtiennent une récompense complète.
-
Réduction de la charge de calcul : optimisation algorithmique pour diminuer le coût de calcul, l’adaptant aux contraintes de la blockchain sans compromettre la précision théorique.
Le mécanisme de consensus basé sur les parts de Bittensor combine modèles mathématiques et outils de théorie des jeux. Grâce à des formules de mise à jour, moyennes pondérées, corrections itératives et évolution de densité, le système auto-correctionne les écarts anormaux de poids, assurant une allocation équitable des récompenses finales.
Ce processus est comparable à un système d’équilibrage intelligent ou un mécanisme de réputation, capable de s’auto-calibrer continuellement, garantissant des évaluations justes, récompensant les meilleurs contributeurs et empêchant les coalitions malveillantes et manipulations de vote.
Sur cette base, la mise à niveau dTAO adopte un contrôle de lissage plus fin et des stratégies de confiance des poids améliorées, renforçant davantage la robustesse et l’équité du système. Ainsi, dans un environnement adversaire, les contributeurs honnêtes conservent toujours un avantage concurrentiel, tandis que la consommation globale de ressources de calcul est optimisée et réduite.
2. Consensus Yuma : Incitation et consensus dynamiques et programmables
Bitcoin a construit le plus grand réseau mondial de puissance de calcul pair-à-pair, où chacun peut contribuer à la maintenance du grand livre mondial en apportant sa puissance locale. Ses règles d’incitation sont fixes dès la conception, ce qui conduit à un développement relativement statique de l’écosystème.
En comparaison, le consensus Yuma (YC) est un cadre d’incitation dynamique et programmable. Contrairement au mécanisme statique de Bitcoin, YC intègre directement la fonction-objectif, les récompenses de mise et le mécanisme d’ajustement des poids dans le processus de consensus. Cela signifie que le système ne fonctionne pas uniquement selon des règles fixes, mais s’ajuste dynamiquement selon les contributions réelles et les comportements des nœuds, permettant une allocation plus équitable et efficace des récompenses.
L’algorithme de consensus YC fonctionne en continu sur la blockchain Subtensor et opère indépendamment pour chaque sous-réseau. Son flux de travail principal comprend les composants suivants :
-
Vecteur de poids des validateurs du sous-réseau : Chaque validateur du sous-réseau maintient un vecteur de poids, chaque élément représentant la note attribuée par ce validateur à tous les mineurs du sous-réseau. Ce poids, basé sur les performances historiques du validateur, sert à classer les mineurs. Par exemple, si le vecteur de notation d’un validateur est w=(w₁,...,wₙ), le classement obtenu reflète l’évaluation par ce validateur du niveau de contribution de chaque mineur.
-
Influence du montant mis en gage : Chaque validateur et mineur sur la chaîne mise une certaine quantité de jetons. Le consensus YC combine le vecteur de poids et le montant mis en gage pour calculer l’allocation des récompenses. Autrement dit, la récompense finale dépend non seulement du poids de notation, mais aussi du volume de mise, formant ainsi une boucle fermée « mise → poids → récompense ».
-
Consensus subjectif dynamique : Chaque participant attribue des poids locaux à son modèle d’apprentissage machine. Ces poids locaux sont ajustés par une stratégie de consensus, puis agrégés sur la blockchain en indicateurs globaux. En d’autres termes, YC peut atteindre un consensus à grande échelle même dans un environnement adversaire, s’adaptant dynamiquement aux changements de comportement des nœuds.
-
Calcul et distribution des récompenses : Les validateurs du sous-réseau rassemblent leurs résultats de classement et les soumettent comme entrée collective à l’algorithme YC. Bien que les classements des différents validateurs puissent arriver à des moments différents, Subtensor traite environ toutes les 12 secondes l’ensemble des données de classement. Sur cette base, le système calcule les récompenses (en TAO) et les verse dans les portefeuilles des mineurs et validateurs du sous-réseau.
Ce mécanisme intégré permet à YC de distribuer continuellement et équitablement les récompenses dans un réseau décentralisé, de s’adapter dynamiquement à la qualité des contributions, et de maintenir la sécurité et l’efficacité globales du réseau.
2.1 Distillation des connaissances et Mélange d’experts (MoE) : Apprentissage collaboratif et évaluation efficace des contributions
2.1.1 Distillation des connaissances (Digital Hivemind)
Bittensor introduit le concept de distillation des connaissances, similaire à la collaboration des neurones dans le cerveau humain, où les nœuds partagent des connaissances, échangent des échantillons de données et des paramètres de modèles pour apprendre collectivement.
Dans ce processus, les nœuds échangent continuellement des données et des paramètres de modèles, formant un réseau qui s’optimise au fil du temps pour des prédictions plus précises. Chaque nœud contribue ses connaissances à un bassin partagé, améliorant ainsi la performance globale du réseau, le rendant plus rapide et mieux adapté aux applications d’apprentissage en temps réel, comme la robotique ou la conduite autonome.
L’essentiel est que cette méthode atténue efficacement le risque d’oubli catastrophique — un défi courant en apprentissage machine. Les nœuds peuvent conserver et étendre leurs connaissances existantes tout en intégrant de nouvelles idées, renforçant ainsi la robustesse et l’adaptabilité du réseau.
En répartissant les connaissances sur plusieurs nœuds, le réseau Bittensor TAO devient plus résistant aux perturbations et aux fuites de données potentielles. Cette robustesse est particulièrement cruciale pour des applications traitant des données hautement sensibles en matière de sécurité et de confidentialité, telles que les informations financières ou médicales.
2.1.2 Mélange d’experts (MoE)
Bittensor utilise un modèle d’experts distribués (MoE) pour optimiser les prédictions d’intelligence artificielle, combinant plusieurs modèles IA spécialisés pour améliorer significativement la précision et l’efficacité de la résolution de problèmes complexes. Par exemple, lors de la génération de code Python annoté en espagnol, un modèle multilingue et un modèle expert en code peuvent coopérer pour produire des résultats de bien meilleure qualité qu’un modèle unique.
Le protocole Bittensor repose sur des fonctions paramétriques, souvent appelées neurones, répartis de manière pair-à-pair. Chaque neurone enregistre zéro ou plusieurs poids réseau et évalue la valeur des nœuds voisins en les classant mutuellement, cumulant les scores de classement sur un grand livre numérique. Les nœuds bien classés reçoivent non seulement une récompense monétaire, mais aussi des poids supplémentaires, établissant un lien direct entre contribution et récompense, améliorant ainsi l’équité et la transparence du réseau. Ce mécanisme crée un marché où d’autres systèmes d’intelligence peuvent tarifer l’information via Internet de manière pair-à-pair, incitant chaque nœud à améliorer continuellement ses connaissances et compétences. Pour assurer une allocation équitable des récompenses, Bittensor utilise la valeur de Shapley issue de la théorie des jeux coopératifs, offrant une méthode efficace de distribution des récompenses selon la contribution. Sous le consensus YC, les validateurs notent et classent les modèles spécialisés, répartissant les récompenses selon le principe de la valeur de Shapley, renforçant ainsi la sécurité, l’efficacité et la capacité d’amélioration continue du réseau.
3. Mise à niveau dTAO
Le projet Bittensor présente les problèmes suivants dans sa conception de
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
HTX Research
