HTX Research｜Bittensorの進化：dTAOが市場インセンティブでオープンソースAIエコシステムを再構築

2025.03.19

共有先

TechFlow厳選深潮セレクト

HTX Research｜Bittensorの進化：dTAOが市場インセンティブでオープンソースAIエコシステムを再構築

dTAOのアップグレードがBittensorエコシステムに与える影響について深く分析し、そのアーキテクチャの革新性、経済モデル、および全体的なエコシステムダイナミクスに焦点を当てる。

2025.03.19 - 05:39:21

BittensorAI

Web3業界の深掘り報道に専念し潮流を洞察

著者：Chloe Zheng

Redpoint Capitalの2023年の調査によると、85%の開発者がゼロからモデルを訓練するよりも、既存モデルのファインチューニングを好んでいる。最近の傾向もこの事実を裏付けている。DeepSeekは自社モデルをオープンソース化し、教師モデル（大規模モデル）が推論ロジックを学生モデル（小規模モデル）に伝達することで知識圧縮と性能維持を最適化する「モデル蒸留」技術を導入した。同様に、OpenAIのChatGPT O3バージョンも後期トレーニングと強化学習を重視している。Bittensorは、AIモデルの共同作業と共有を支援するオープンで分散型のプラットフォームを提供している。2024年7月には、BittensorとCerebrasがBTLM-3b-8kというオープンソースの大規模言語モデル（LLM）をリリースし、Hugging Faceで16,000回以上ダウンロードされ、Bittensorの技術力を十分に示している。

Bittensorは2021年にローンチされたものの、2024年第4四半期のAIエージェントブームではほとんど注目されず、トークン価格も長期間横ばいだった。しかし2025年2月13日、BittensorはdTAOアップグレードをリリースし、トークン発行の最適化、公平性の向上、流動性の増加を目的とした。この変化は、Virtuals ProtocolがAIエージェントLaunchPadを立ち上げたことに類似しており、その影響により$VIRTUALの時価総額は2024年に50倍に急騰した。

本レポート『dTAOとBittensorの進化：市場主導のインセンティブによるオープンソースAIエコシステムの再構築』では、2025年2月13日に完了したdTAOアップグレードがBittensorエコシステムに与える影響について深く分析し、特にそのアーキテクチャ革新、経済モデル、および全体的なエコダイナミクスに焦点を当てている。

Bittensorシステム内のアカウント数は100%増加し、2024年初の10万件から約20万件に達した

1. Bittensorの基本アーキテクチャ

Bittensorシステムは以下の3つの主要モジュールから構成されている。

Subtensor パラレルチェーンおよびEVM互換レイヤー（tao evm）： SubtensorはPolkadotのSubstrate SDKに基づいて開発されたLayer1ブロックチェーンであり、Bittensorネットワークのブロックチェーン層を管理する。EVM互換レイヤー（tao evm）により、開発者はネットワーク上でイーサリアムスマートコントラクトを展開・実行できるようになり、システムの拡張性と互換性が強化される。Subtensorブロックチェーンは12秒ごとにブロックを生成し、各ブロックで1つのTAOトークンが発行される。さらに、Subtensorはサブネット内の重要な活動（検証者の評価重みやステーキング量など）を記録する。360ブロック（約72分）ごとに、Yumaコンセンサスアルゴリズムを通じて64のサブネットに配分されるトークン（排出量）が計算される。
サブネット（Subnets）： Bittensorネットワークには64のサブネットが存在し、それぞれ特定のタイプのAIモデルまたはアプリケーションシナリオに特化している。このモジュール構造によりネットワークの効率性とパフォーマンスが向上し、さまざまなAIモデルの専門化が促進される。各サブネットのインセンティブメカニズムはサブネット所有者が設計し、マイナーと検証者間のトークン分配方法を決定する。例えば、サブネット1はOpentensor Foundationが運営しており、「テキストプロンプト」を担当している。このサブネットでは、検証者がChatGPTのようなプロンプトを提供し、マイナーがそれに応じて回答を生成する。その後、検証者は回答の品質に基づいてマイナーをランク付けし、定期的に重みを更新してSubtensorブロックチェーンにアップロードする。ブロックチェーンは360ブロックごとにYumaコンセンサスを実行し、サブネットのトークン排出を割り当てる。
ルートサブネット（Root Subnet）： ネットワークの中枢として、すべてのサブネットの運用を調整・管理し、全体の整合性と安定性を確保する。

さらに、Bittensor APIはサブネット検証者とSubtensorブロックチェーン上のYumaコンセンサス間のデータ転送と接続を担っている。同一サブネット内の検証者は、同じサブネット内のマイナーのみと接続し、異なるサブネット間での通信や接続は行われない。

このようなアーキテクチャ設計により、Bittensorはブロックチェーン技術と人工知能を効果的に統合し、分散型かつ高効率なAIエコシステムを構築している。

SubtensorのEVM互換レイヤー「tao evm」は2024年12月30日に正式にリリースされた。これにより、イーサリアムスマートコントラクトを一切修正せずにSubtensorブロックチェーン上で展開・インタラクションが可能になった。また、すべてのEVM操作はSubtensorブロックチェーン上でのみ実行され、Ethereumとの相互作用はない。つまり、Bittensor上のスマートコントラクトはBittensorネットワークに限定され、Ethereumメインネットとは無関係である。現在tao evmはまだ初期段階にあり、TaoFiといったエコプロジェクトが進行中である。TaoFiはTAOを基盤とするAI対応DeFiインフラの開発を計画しており、TAOサポートの最初のステーブルコイン、分散型取引所、およびTAOトークンの流動性ステーキング版を含む。

1.1 アカウントシステム

1.1.1 Coldkey-Hotkey二重鍵システム

dTAOのアカウントシステムは、より高いセキュリティと柔軟性を確保するため、Coldkey-Hotkey二重鍵方式を採用している。ユーザーはウォレット作成時にChrome拡張機能またはローカル方式を選択できる。Chrome拡張機能で作成したウォレットはTAOの保管・送受信に使用され、システムはcoldkey（48文字、通常は5で始まる）と12語のリカバリーフレーズを生成する。ローカル方式で作成したウォレットはcoldkeyに加え、hotkeyも生成する。hotkeyはサブネットの作成、マイニング、検証などに使用される。

Hotkeyはサブネットの日常運用で頻繁に使用されるため、潜在的なセキュリティリスクにさらされる。一方、coldkeyは主にTAOの保管と移動に使用されるため、TAOの紛失リスクを低減できる。この二重保護メカニズムにより、アカウント操作の安全性と柔軟性が確保される。

バインディング関係については、1つのhotkeyは同一サブネット内の1つのcoldkeyにバインドできるが、異なるサブネットのcoldkeyにもバインド可能（非推奨）。1つのcoldkeyは複数のhotkeyにバインドできる。

1.1.2 サブネットUIDシステム

1.1.2.1 サブネットUIDの生成

最低100 TAOの登録料を支払うことで、システムはサブネットUIDを生成し、ユーザーのhotkeyにバインドする。このUIDはサブネットでのマイニングまたは検証に参加するための必須資格証となる。マイナーになるには、hotkey、coldkey、サブネットUIDを持ち、Bittensorを実行すればよい。

1.1.2.2 検証者になるための要件

サブネットの検証者になるには、最低1000 TAOをステーキングし、各サブネット内でステーキング量が上位64位以内に入る必要がある。なお、検証者は複数のUIDスロットを保有でき、複数のサブネットで検証を行うことができる（restakingに類似）。この仕組みにより、悪意ある行為のリスクが低下し、コストが上昇する。なぜなら、大量のTAO（最低1000 TAO）をステーキングすることで、不正行為の代償が大幅に増大するためだ。競争力を高めるために、各検証者は良好な評判と実績を築き、より多くのTAOの委任ステーキングを引き寄せ、上位64位以内に安定して残ろうとする。

1.1.2.3 サブネット構造と容量制限

サブネット1：1024個のUIDスロットがあり、最大128人の検証者を収容可能。検証者とマイナーの合計上限は1024人。

その他のサブネット：各サブネットは256個のUIDスロットを持ち、最大64人の検証者を収容可能。各サブネット内の検証者とマイナーの合計は256人を超えない。

1.1.2.4 サブネット内競争とインセンティブメカニズム

サブネット内部では、検証者がマイナーにタスクを割り当て、すべてのマイナーがタスクを完了した後に結果を検証者に提出する。検証者は各マイナーの成果の質を評価・ランク付けし、マイナーは作業の質に応じてTAO報酬を得る。同時に、検証者も高品質なマイナーに適切な報酬を与えたことでインセンティブ報酬を得る。これにより、サブネット全体の品質が継続的に向上する。この一連の競争プロセスは、サブネット作成者が設計したコードベースのインセンティブメカニズムによって自動的に実行され、システムの公正かつ効率的な運用が保証される。

各サブネットには7日間の保護期間（免疫期間）があり、マイナーがサブネットUIDを登録した時点でカウント開始される。この期間中、マイナーは報酬を累積する。保護期間中に新しいマイナーが登録し、現在のサブネットのUIDスロットが満杯の場合、累積報酬が最も少ないマイナーが排除され、そのUIDは新規登録者に再割り当てされる。

1.2 サブネットが構築する多層的エコシステム

Bittensorサブネットは、マイナー、検証者、サブネット作成者、消費者がそれぞれの役割を果たす多層的エコシステムを形成しており、高品質なAIサービスの生成を共に推進している。

マイナー（Miners）： ネットワークの中核となる計算ノードであり、AIモデルをホストし、推論やトレーニングサービスを提供する。損失関数を最小化し、ピアツーピア評価で競争することでTAO報酬を得る。マイナーの成功は提供するサービスの質とパフォーマンスに依存する。

検証者（Validators）： マイナーが提出したタスク結果を評価し、信頼マトリクスを構築して共謀や不正行為を防止し、優れたマイナーに高い報酬を与える。マイナーの応答品質に基づいてランク付けを行い、評価が正確かつ一貫しているほど、検証者自身の報酬も増える。

サブネット作成者（Subnet Creators）： 特定のアプリケーション領域（自然言語処理、コンピュータビジョンなど）のニーズに基づき、カスタマイズされたサブネットを設計し、独立したコンセンサスメカニズム、タスクフロー、インセンティブ構造を構築する。ネットワーク管理者の役割を担い、独自のサブネットを通じてインセンティブを分配する権限を持つ。

消費者（Consumers）： TAOトークンを支払ってAIサービスを利用し、APIクエリ、トレーニングデータの取得、またはモデルトレーニングに計算リソースを利用する。これらはBittensorが提供するAIモデルの最終ユーザである。

全体の流れとしては、サブネット検証者が問題を生成し、すべてのマイナーに配布する。マイナーはタスクに基づいて回答を生成し、検証者に返信する。検証者は回答の品質に基づいて評価し、マイナーの重みを更新して定期的にチェーン上にアップロードする。激しい競争と淘汰メカニズムを通じて、サブネット内のAIモデルの技術進歩とエコ最適化が継続的に推進される。

1.2.1 マイナーレイヤー

マイナーはBittensorネットワークにおいて中核的な計算ノードとして機能し、主な責任は以下の通り。

AIモデルのホスティングと推論・トレーニングサービスの提供： マイナーはローカルの機械学習モデルをホストし、クライアントアプリケーションに予測サービスを提供する。クライアントが必要な予測を要求すると、Bittensorネットワークがそれをサービス提供者として登録されたマイナーにルーティングする。マイナーはリクエストを処理し、予測結果をクライアントに返却する。

P2Pランキングでの競争を通じたTAO報酬獲得： マイナーはモデルのパフォーマンスとネットワークへの貢献度に基づき、ピアツーピアランキングで競い合い、TAO報酬を得る。このインセンティブメカニズムにより、マイナーはモデルパフォーマンスを継続的に最適化し、高品質なAIサービスをネットワークに提供するよう促される。

高品質なAIモデルの貢献の確保： マイナーはネットワークの需要に応え、サービス品質を確保するために高品質なAIモデルを提供することを目指す。これは彼らがネットワーク内で高いランキングと報酬を得るだけでなく、Bittensorネットワーク全体のパフォーマンスと信頼性を向上させることにも寄与する。

これらの責務を果たすことで、マイナーはBittensorネットワークの効率的な運用と発展に重要な貢献をしている。

各マイナーはデータセットD上でfi(x)を訓練し、損失関数Li=ED[Q(fi(x))]を最小化する。

ただし：

Q(fi(x))は誤差関数

EDはデータセットDに関する期待値

例：マイナーAが音声認識モデルfA(x)を提供する場合、その損失関数は次のようになる。

低いLA（つまり優れたモデルパフォーマンス）はP2P評価で高いランキングにつながる。

各マイナーの貢献はフィッシャー情報量（FIM）で測定される：Ri = WT ⋅ S

ただし：

Wはマイナー間のP2Pスコアの重み行列

Sはマイナーのネットワーク内ステーキング量（保有量）

マイナーAとBが相互に評価する場合、重み行列は次のようになる。

マイナーAの最終ランキングは：

マイナーAが高品質なAIモデルを持っている場合、wB,Aは高くなり、RAも高くなるため、より多くの報酬を得られる。

検証者レイヤー

検証者はマイナーのAIモデルを公正に評価し、共謀や悪意ある行動を防ぐ。彼らはネットワーク内の「審判」として機能し、高品質なAIサービスを保証する。

検証者は信頼マトリクスを計算することでマイナーをランク付けする。

ciはマイナーiの信頼スコア

tj,iはマイナーjがマイナーiに与える信頼度

sjはマイナーjのステーキング量

σはスムーズなスケーリングを行うシグモイド関数

例：ネットワークにマイナーA、B、Cの3人がいる場合、信頼マトリクスは次のようになる。

マイナーAのモデルが良好なパフォーマンスを示す場合、マイナーBとCは両方ともAを高く信頼する。

マイナーCのモデルが平均的な場合、マイナーBだけがやや信頼する。

したがって、マイナーAはより高い信頼スコアcAを得て多くの報酬を受け取り、マイナーCのスコアは低くなる。

1.2.2 コンシューマーレイヤー

Bittensorネットワークにおける消費者とは、最終ユーザーまたは企業であり、TAOトークンを支払ってマイナーが提供する人工知能（AI）サービスにアクセスする。このモデルにより、消費者は自前のAIモデルを所有・維持することなく、ネットワーク内のAI能力を利用でき、AI計算コストが削減される。

具体的な利用シーンには以下が含まれる。

開発者がAI APIをクエリ： 開発者はBittensorが提供するAIインターフェースを呼び出し、必要な知的サービスをアプリケーション開発や機能統合に利用できる。

研究機関がAIトレーニングデータセットにアクセス： 研究機関はネットワーク内のリソースを活用し、大規模なAIトレーニングデータセットにアクセス・分析して、研究プロジェクトや実験を支援できる。

企業がBittensorの計算リソースを利用してAIモデルをトレーニング： 企業はBittensorの分散型計算リソースを活用して、自社AIモデルのトレーニングと最適化を行い、業務の知能化レベルを向上させることができる。

このようにして、Bittensorは消費者に柔軟で効率的なAIサービス取得手段を提供し、人工知能の普及と応用を促進している。

1.2.3 ステーキングに基づくコンセンサスメカニズム

Bittensorのステーキングベースのコンセンサスメカニズムは主に以下の問題を解決する。

悪意ある評価操作を防ぎ、公正な評価を確保： w == f(w)を反復的に修正することで、コンセンサス（すなわちステーキング加重平均w）から大きく逸脱する重みを調整し、相手側が自己評価を過剰に高める影響を減少させる。

高品質なAI貢献者を報酬： 持続的に高品質な出力を提供する検証者は、重み修正後も高いランキングを維持する。なぜなら彼らの報告する重みがコンセンサス値に近いためである。

ステーキングに基づくゲーム理論モデル

コンセンサスモデルを二人ゲームと見なす。

誠実プレイヤー（主人公）のステーキング：SH、0.5 < SH ≤ 1

敵対プレイヤー（対戦相手）のステーキング：1-SH

双方は固定の総報酬を競う：eH + eC = 1。ここでeHとeCはそれぞれ誠実プレイヤーと敵対プレイヤーの報酬。

報酬分配後、ステーキング量は次のように更新される。

誠実プレイヤーは自分に客観的重みwHを割り当て、1-wHを対戦相手に割り当てる。

一方、対戦相手は自らの割り当て重みwCを自由に選べ、コストなしで誠実プレイヤーの重み支出を最大化しようとする。

試合の審査員を想像してほしい。誠実な審査員は公平な評価を行うが、悪意のある審査員（対戦相手）は偏った高いスコアを出すことで、誠実側に競争力を維持させるためにより大きな努力を強いる。

誠実プレイヤーの权益が多数派（sH > 0.5）であるため、プレイヤーの身元が不明でもすべての重みを調整する匿名コンセンサス戦略πを実施し、ナッシュ均衡を最適化できる。

目標は、修正後の重みが次を満たすように調整すること。

誤差を補正する。

基本的なコンセンサス戦略は次のように定義される。

ただし、コンセンサス重みwは權益加重平均値。

その後、この戦略を反復的に適用する。

ただしηは反復回数。

これは精密に校正された天秤に例えられる。片側の重みが高すぎると、システムは繰り返し調整してバランスを回復するまで続ける。例えばSH=0.6で初期wH=1の場合、何度も反復しても、対戦相手が高wC（例えばwC=0.8）を報告し続けても、誠実プレイヤーの実効支出は0.75未満にまで低下する。

1.2.3.1 スムージング処理と密度進化

急激な修正によるシステム不安定を避けるため、修正関数には「スムージング処理」が採用される。ステーキング加重平均絶対偏差を次のように定義する。

その後、スムーズな修正は次の式で与えられる。

ただしα（0 ≤ α < 1）はスムージングの程度を制御するパラメータ。

このスムーズな調整は、運転手がカーブで急ブレーキではなく徐々にブレーキをかけるようなもの。漸進的な修正方式により、小さな重み差異が穏やかに調整され、システム全体の安定性が保たれる。

これを二チームゲームに拡張（|H|は誠実プレイヤー、|C|は敵対プレイヤー）、各チームの重み分布は密度関数pwで記述できる。例えば、誠実プレイヤーに対しては重みが正規分布に従うと仮定する。

敵対プレイヤーの分布も同様。誠実・敵対チームの全体密度分布は：

その後、密度進化関数を適用。

ただしgw = f⁻¹(w)。η回の反復後、各プレイヤーの最終ランキングは：ri = ∫ f^η(p_i(w)) dw

このプロセスは大規模データセットに対する「統計的スムージング」に類似している。複数回の「スムージング」処理を経て、各参加者の「真のランキング」が明らかになる。鍵は、密度進化が「異常な重み」（すなわち悪意プレイヤーの過大重み）を大きく「圧縮」する一方で、誠実プレイヤーへの影響は小さいことにある。

1.2.3.2 重み信頼メカニズムとゼロ重み脆弱性防止

敵対プレイヤーが接近ゼロの重みを報告して罰則を回避するのを防ぐため、「重み信頼メカニズム」が導入される。信頼値Tを次のように定義：T = (W > 0)S

すなわち、非ゼロ重みに割り当てられた総权益。その後、スムーズな閾値を適用。

C = (1 + exp(-ρ(T - κ)))⁻¹

このメカニズムにより、多数が特定ノードの重みをゼロと認定した場合、その報酬は大幅に削減される。

これは「コミュニティ評判システム」に類似している。大多数のメンバーが信頼できると認めた人物だけが完全な利益を得られる。そうでなければ、ゼロ重み報告でシステムを操作しようとする行為は罰せられる。

現在の課題には以下が含まれる。

ゼロ重み脆弱性： 敵対プレイヤーが極めて低いまたはゼロの重みを報告し、報酬分配の穴を突こうとする可能性がある。

修正の不均衡： 場合によっては修正が「過剰に激しい」または「過剰に緩やか」になり、コンセンサスバイアスを生じる。

計算複雑性が高い： 密度進化と複数回の反復はO(n²)の計算量を伴い、ブロックチェーン環境に負荷をかける可能性がある。

dTAOアップグレードは上述の問題に対処した改善を含む。

反復とスムージング処理の最適化： 反復回数ηを増やし、スムージングパラメータαまたはδを微調整することで、ゼロ重み脆弱性を減らし、過剰修正を防ぐ。

重み信頼メカニズムの強化： 非ゼロ重みをより正確に検出し、より厳格な閾値を適用することで、大多数が認めたノードだけが完全報酬を得られるようにする。

計算負荷の低減： アルゴリズム最適化により計算コストを削減し、ブロックチェーンの計算制約に適合させつつ、理論的正確性を損なわない。

Bittensorの「權益ベースのコンセンサスメカニズム」は数学モデルとゲーム理論ツールを統合し、更新式、加重平均コンセンサス、反復修正、密度進化などの手法を通じて、異常な重み偏差を自動的に較正し、公正な最終報酬分配を確実にする。

このプロセスは「スマートバランスシステム」または「評判メカニズム」に類似しており、継続的に自己較正を行い、公正な評価、優れた貢献者へのインセンティブ、悪意ある共謀や投票操作の防止を実現する。

この基礎の上に、dTAOアップグレードはより精緻な「スムーズな制御」と改良された「重み信頼戦略」を採用し、システムの「堅牢性」と「公平性」をさらに高めた。したがって、敵対的環境下でも誠実な貢献者は常に「競争優位」を保ちつつ、「全体的な計算資源消費」も最適化・低減されている。

2. Yumaコンセンサス：動的でプログラマブルなインセンティブとコンセンサス

ビットコインは世界最大のP2P計算能力ネットワークを構築し、誰でもローカル計算能力を貢献することでグローバル台帳を維持できる。そのインセンティブルールは設計時に固定されており、エコシステムは比較的静的な形で発展してきた。

一方、Yumaコンセンサス（YC）は動的でプログラマブルなインセンティブフレームワークである。ビットコインの静的インセンティブとは異なり、YCは目的関数、ステーキング報酬、重み調整メカニズムを直接コンセンサスプロセスに統合する。つまり、システムは固定ルールに依存するのではなく、ノードの実際の貢献と行動に応じて動的に調整され、より公正で効率的な報酬分配を実現する。

YCコンセンサスアルゴリズムはSubtensorブロックチェーン上で継続的に実行され、各サブネットに対して独立して動作する。主なワークフローには以下の構成要素が含まれる。

サブネット検証者の重みベクトル： 各サブネット検証者は重みベクトルを保持しており、各要素はその検証者がすべてのサブネットマイナーに割り当てる評価重みを表す。この重みは検証者の過去のパフォーマンスに基づき、マイナーのランキングに使用される。例えば、ある検証者の評価ベクトルがw = [wn]の場合、得られるランキングはその検証者が各マイナーの貢献レベルをどう評価しているかを反映する。

ステーキング金額の影響： チェーン上の各検証者とマイナーは一定量のトークンをステーキングする。YCコンセンサスは重みベクトルとステーキング金額を組み合わせて報酬分配を計算する。つまり、最終報酬は評価重みだけでなく、ステーキング量にも依存し、「ステーキング → 重み → 報酬」という閉ループが形成される。

動的主観コンセンサス： 各参加者は自らの機械学習モデルにローカル重みを割り当てる。これらのローカル重みはコンセンサス戦略で調整され、ブロックチェーン上で集約されてグローバル指標となる。言い換えれば、YCは敵対的環境下でも大規模コンセンサスを達成でき、ノード行動の変化に動的に適応できる。

報酬計算と分配： サブネット検証者はそれぞれのランキング結果を収集し、YCアルゴリズムの集団入力として提出する。検証者のランキングが異なる時間に到着しても、Subtensorは約12秒ごとにすべてのランキングデータを処理する。これらのデータに基づき、システムは報酬（TAO単位）を計算し、サブネットマイナーと検証者のウォレットに格納する。

この統合メカニズムにより、YCは分散型ネットワークで継続的かつ公正に報酬を分配し、貢献品質に動的に適応しながら、ネットワーク全体の安全性と効率を維持できる。

2.1 知識蒸留とエキスパート混合（MoE）：協調学習と効率的な貢献評価

2.1.1 知識蒸留（Digital Hivemind）

Bittensorは知識蒸留の概念を導入しており、これは人間の脳内のニューロンが協働するのに類似している。ノードは知識共有、データサンプル交換、モデルパラメータ交換を通じて集団学習を行う。

このプロセスでは、ノードは継続的にデータとモデルパラメータを交換し、時間とともに自己最適化するネットワークを形成し、より正確な予測を実現する。各ノードは知識を共有プールに貢献し、最終的にネットワーク全体のパフォーマンスを向上させる。これにより、リアルタイム学習アプリケーション（ロボティクスや自動運転など）に適した高速で適応性の高いシステムが可能になる。

重要なのは、この方法が「災害的忘却」のリスクを効果的に軽減することである。これは機械学習における一般的な課題である。ノードは既存の知識を保持・拡張しつつ、新たな洞察を融合でき、ネットワークの堅牢性と適応性を強化する。

知識を複数のノードに分散させることで、Bittensor TAOネットワークは妨害や潜在的なデータ漏洩に対してより弾力的になる。この堅牢性は、金融・医療情報など高度なセキュリティとプライバシーが求められるアプリケーションにとって特に重要である。

2.1.2 エキスパート混合（MoE）

Bittensorは、AI予測を最適化するために分散型エキスパートモデル（MoE）を採用している。複数の専門化されたAIモデルが協働することで、複雑な問題解決の精度と効率が大幅に向上する。例えば、スペイン語注釈付きPythonコードを生成する場合、多言語モデルとコード専門モデルが協働することで、単一モデルよりもはるかに高品質な結果を生み出す。

Bittensorプロトコルの核はパラメータ化関数（通常「ニューロン」と呼ばれる）から成り、これらはP2P方式で分散配置され、各ニューロンはゼロまたは複数のネットワーク重みを記録し、隣接ノードの価値を評価するために相互ランキングを通じてニューラルネットワークを訓練する。その後、ランキングスコアがデジタル台帳に累積される。ランキングの高いノードは通貨報酬だけでなく追加の重みも得られ、ノードの貢献と報酬の間に直接的なつながりが生まれ、ネットワークの公平性と透明性が向上する。このメカニズムは、他の知能システムがインターネットを通じてP2P方式で情報を価格付けできる市場を構築し、各ノードが自らの知識と専門能力を継続的に向上させるよう促す。報酬の公正な分配を確保するため、Bittensorは協力ゲーム理論のシャープレイ値を借用し、ノードの貢献に基づいて他者間で効率的に報酬を分配する方法を提供している。YCコンセンサス下では、検証者が各専門モデルを評価・ランキングし、シャープレイ値の原理に基づいて報酬を公正に分配することで、ネットワークの安全性、効率性、継続的改善能力をさらに高める。

3. dTAOアップグレード

Bittensorプロジェクトはリソース配分と経済モデル設計に以下の主な問題を抱えている。

リソースの重複と冗長性： 複数のサブネットが類似したタスク（画像生成、テキストプロンプト、価格予測など）に集中しており、リソース配分の重複と浪費が生じている。

実用ユースケースの欠如： 一部のサブネット（価格予測やスポーツイベント結果予測など）は現実のシナリオで実用性を証明できていないため、リソース投入と実際の需要が一致しない可能性がある。

「悪玉が良玉を駆逐する」現象： 高品質なサブネットが十分な資金と発展空間を得られない可能性がある。保護期間がわずか7日間のため、ルート検証者からの十分な支援を得られなかったサブネットは早期に排除される。

検証者の中心化と新サブネットへのインセンティブ不足：

ルート検証者はすべてのTAO保有者を完全に代表できない可能性があり、その評価結果が広範な見解を反映しない。YCコンセンサス下では、トップ検証者が最終評価で支配的だが、その評価は常に客観的とは限らない。偏りが見つかっても、即座に是正できない可能性がある。

さらに、検証者は新サブネットへの移行インセンティブを持っていない。発行量の多い旧サブネットから発行量の少ない新サブネットに移ると、即座に報酬が減少するためである。新サブネットが将来的に既存サブネットと同等のトークン発行量に達するかどうかの不確実性が、移行意欲をさらに低下させる。

経済モデルの主な問題：

Bittensorのメカニズム設計における主要な問題は、すべての参加者がTAOを得ても、実際には誰もTAOを支払っていない点にある。これにより、継続的な売却圧力が生じる。現在、マイナーが回答する質問は実ユーザーではなく、サブネット所有者によって提供されている―歴史的なユーザー需要に基づく模擬クエリか、実ユーザーのクエリのいずれかである。そのため、マイナーの回答が価値を持っていても、その価値はサブネット所有者によって吸収される。マイナーの回答がサブネット所有者のモデルアルゴリズム改善に役立つか、あるいは所有者が直接モデルトレーニングに使用して製品を向上させても、マイナーと検証者の作業によって生み出される価値はすべてサブネット所有者が占有する。理論的には、サブネット所有者はこの価値に対して支払いを行うべきである。

さらに、サブネット所有者はコストを一切負わず、サブネット発行量の18%を享受している。つまり、Bittensorエコシステムは緊密に結びついておらず、参加者は開発と協働によって緩やかにつながっているに過ぎない。サブネット上のプロジェクトはいつでも退出でき、損失もない（サブネット登録料は返還されるため）。現在、Bittensorシステムでトークンを回収する主なメカニズムは、サブネットマイナーと検証者が支払う登録料であるが、これらは非常に少なく、効果的な価値捕捉を支えるには不十分である。ステーキングが主要なメカニズムとなっているが、ブロックチェーン取引手数料と登録料で回収されるTAOの量は依然として限られている。

ステーキングには2つの形式がある。

検証者ステーキング： 参加者がTAOをステーキングしてネットワークの安全性を支援し、報酬を得る。これは発行されるすべてのTAOの75%を占める。検証者は現在1日あたり約3,000 TAOを得ており、年率リターンは15%以上である。しかし、初回半減期後は、この分配は1日1,500 TAOにまで減少し、ステーキングの魅力が低下し、トークンの需給バランス効果が弱まる。

サブネット登録ステーキング： 新しいサブネットの増加はTAO供給に大きな影響を与える。これは課題となる。なぜなら、TAOの総発行量は固定されているため、サブネット数の増加はすべてのサブネットの報酬を希釈し、既存サブネットが運営を維持できなくなる可能性があり、一部のサブネットがネットワークから離脱する原因となる。

これらの問題は、Bittensorのリソース配分と経済モデル設計をさらに最適化する必要があることを示しており、ネットワークの持続可能な発展と公正なインセンティブを確保する。

3.1 dTAOとは何か

dTAOは、Bittensorネットワークが提案する革新的なインセンティブメカニズムであり、分散型ネットワークにおけるリソース配分の非効率性を解決することを目的としている。従来の検証者が手動で投票してリソースを配分する方式を放棄し、市場動態に基づく調整メカニズムを導入。サブネット間のTAO発行量の配分をサブネットトークンの市場パフォーマンスと直接連動させ、埋め込み型流動性プール設計により、ユーザーがTAOをステーキングしてサブネットトークンを取得するよう促し、優れたパフォーマンスを示すサブネットを支援する。

同時に、フェア発行モデルを採用し、サブネットトークンが段階的に分配されることで、チームが長期的な貢献を通じてトークンシェアを獲得し、検証者とユーザーの役割をバランスさせる。検証者はリスク投資家のように、チームの技術と市場ポテンシャルを厳しく評価し、ユーザーはステーキングと市場取引を通じてサブネット価値の形成をさらに推進する。

3.1.1 dTAOの核心メカニズム

3.1.1.1 検証者とチームをエコに強くバインド：利益を得るにはまずsubnet tokenに投資しなければならない

dTAOの設計は市場と技術の両面駆動に基づき、各サブネットにTAOとサブネットトークンで構成される流動性プールを設定する。$TAO保有者（検証者とサブネット所有者）がステーキング操作を行う際、$TAOを使用して対応する$dTAOを購入するのに相当し、受け取れる$dTAOの数量は以下の式で計算される。

交換時、$TAOと$dTAOの価格決定メカニズムはUniswap V2と同じ恒積公式に従う：τ × α = K

ここで、τは$TAOの数量、αは$dTAOの数量を表す。追加の流動性注入がない限り、いくら$TAOで$dTAOを交換しても、または$dTAOで$TAOを交換しても、Kの値は変わらない。逆に、$dTAO保有者がアンステーキング操作を行う場合、$dTAOを使って$TAOを購入するのに相当し、受け取れる$TAOの数量は以下の式で計算される。

Uniswap V2との違いは、$dTAOの流動性プールに直接流動性を追加できない点にある。サブネット所有者がサブネットを作成する場合を除き、すべての新規流動性注入は割り当てられた$TAOと$dTAO総新発行量の50%から完全に生じる。つまり、各サブネットに割り当てられた新発行$TAOは、直ちにそのサブネットの検証者・マイナー・所有者に分配されるのではなく、すべて流動性プールに注入されて準備金として備蓄される。同時に、新発行$dTAOの50%も流動性プールに注入され、残りの50%はサブネットが定めたインセンティブメカニズムに従って検証者・マイナー・所有者に分配される。

これにより、チームが初期に大量のコインを保有して急速に売却するのを避け、継続的な貢献と技術反復を促進する。検証者はリスク投資家のような役割を果たし、サブネットの技術、市場ポテンシャル、実績を厳しく評価する必要がある。