Tổng quan

Máy học ML (Machine Learning) và trí tuệ nhân tạo AI (Artificial Intelligence) đang biến đổi thế giới một cách chưa từng có. Các ứng dụng ML có ở khắp mọi nơi, từ ô tô tự lái đến trợ lý thông minh, từ chẩn đoán y tế đến giải trí. Tuy nhiên, bất chấp những tiến bộ và đổi mới nhanh chóng trong lĩnh vực này, nhiều thách thức và hạn chế vẫn cản trở toàn bộ tiềm năng của máy học ML.

Một trong những thách thức chính là tính chất tập trung và riêng biệt của các nền tảng và hệ thống máy học. Hầu hết các mô hình và dữ liệu máy học ML đều được kiểm soát bởi một số tập đoàn và tổ chức lớn, tạo ra các vấn đề như quyền riêng tư, bảo mật, sai lệch và quyền truy cập dữ liệu. Hơn nữa, hầu hết các mô hình machine learning đều được đào tạo biệt lập, không được hưởng lợi từ trí tuệ tập thể và sự đa dạng của các mô hình và nguồn dữ liệu khác. Liệu có giải pháp nào để có được sức mạnh tính toán lớn mà các tài nguyên AI không bị tập trung vào tay một số tập đoàn không?

Để giải bài toán này, Bittensor đặt mục tiêu biến AI và máy học (machine learning) trở thành hàng hóa công cộng có thể dựa vào sự cộng tác, học hỏi và tương tác P2P. Nhờ cách tiếp cận này, nó có thể phát triển với tốc độ nhanh hơn so với việc bị giới hạn bởi các khuôn khổ được cấp phép của công ty tập trung. Chúng ta cùng tìm hiểu sâu hơn về Bittensor nhé.

Mô hình kinh doanh

Bittensor là một giao thức ngang hàng dành cho các mạng con (subnet) phi tập trung tổng hợp vào máy học ML. Mạng con là một nhóm các nút cung cấp các dịch vụ máy học chuyên dụng cho mạng, như văn bản, hình ảnh, âm thanh, video, v.v. Ví dụ: mạng con văn bản có thể cung cấp các dịch vụ xử lý ngôn ngữ tự nhiên, như dịch thuật, tóm tắt, phân tích tình cảm…

Tầm nhìn của Bittensor là tạo ra một mạng lưới ML toàn cầu, phi tập trung và được khuyến khích, nơi bất kỳ ai cũng có thể tham gia và đóng góp các mô hình và dữ liệu ML của họ, đồng thời được khen thưởng theo giá trị thông tin mà họ mang lại cho tập thể. Bittensor nhằm mục đích khắc phục những hạn chế và thách thức của các nền tảng và hệ thống ML hiện tại, chẳng hạn như tập trung hóa, quyền riêng tư, bảo mật, minh bạch và quyền truy cập.

Bittensor hoạt động như thế nào?

Bittensor là một mạng phi tập trung nhằm cách mạng hóa cách tạo, chia sẻ và khuyến khích các mô hình máy học. Nó hoạt động ngang hàng, hình thành một hệ sinh thái toàn cầu nơi các mô hình AI cộng tác để tạo thành mạng lưới nơ-ron thần kinh.

Điều này đạt được bằng cách sử dụng quy trình sau:

• Người tiêu dùng muốn truy cập dịch vụ máy học sẽ gửi truy vấn tới mạng cùng với khoản thanh toán bằng mã thông báo TAO.
• Mạng định tuyến truy vấn đến mạng con thích hợp dựa trên loại và định dạng của truy vấn.
• Mạng con chọn các nơ-ron tốt nhất để trả lời truy vấn dựa trên danh tiếng và tính khả dụng của chúng.
• Các nơ-ron được chọn sẽ xử lý truy vấn và gửi lại phản hồi của chúng cùng với bằng chứng công việc.
• Người tiêu dùng nhận được phản hồi và chọn câu trả lời tốt nhất dựa trên sở thích và tiêu chí.
• Người tiêu dùng trả tiền cho nơ-ron cung cấp phản hồi tốt nhất và tùy ý đưa ra phản hồi cho mạng.
• Mạng cập nhật siêu dữ liệu dựa trên các giao dịch, tương tác và phản hồi, đồng thời phân phối phần thưởng và hình phạt cho các nơ-ron tương ứng.

Sự đồng thuận của Yuma

Trọng tâm hoạt động của Bittensor là Đồng thuận Yuma. Cơ chế đồng thuận này được thiết kế để cho phép chủ sở hữu mạng con (subnet) viết cơ chế khuyến khích của riêng họ, cho phép người xác thực mạng con (subnet validator) bày tỏ sở thích chủ quan của họ về những gì mạng nên tìm hiểu. Đồng thuận Yuma hoạt động bằng cách thưởng cổ tức cho những subnet validator vì đã đưa ra các đánh giá về giá trị khai thác phù hợp với các đánh giá chủ quan do các subnet validator khác đưa ra, được tính theo tỷ lệ stake. Điều này đảm bảo không có nhóm nào có toàn quyền kiểm soát những gì được học và duy trì sự quản trị phi tập trung trên toàn mạng.

Hỗn hợp các chuyên gia (MoE – Mixture of Experts)

Một cơ chế quan trọng khác là mô hình Hỗn hợp các chuyên gia (MoE). Trong mô hình này, Bittensor sử dụng nhiều mạng lưới thần kinh, mỗi mạng chuyên về một khía cạnh khác nhau của dữ liệu. Các mô hình chuyên gia này cộng tác khi dữ liệu mới được đưa ra, kết hợp kiến ​​thức chuyên môn của họ để tạo ra dự đoán chung. Cách tiếp cận này cho phép Bittensor giải quyết các vấn đề phức tạp hiệu quả hơn bất kỳ mô hình riêng lẻ nào có thể.

Bằng chứng về trí thông minh (Proof of Intelligence)

Bằng chứng thông minh là một cơ chế đồng thuận độc đáo được Bittensor sử dụng. Nó thưởng cho các nút (node) trong mạng vì đã đóng góp giá trị cho các mô hình và đầu ra của máy học ML. Không giống như các cơ chế Bằng chứng công việc (PoW) hoặc Bằng chứng cổ phần (PoS) truyền thống dựa vào sức mạnh tính toán hoặc cổ phần tài chính, Bằng chứng thông minh ưu tiên sự đóng góp trí tuệ của các nút. Điều này điều chỉnh hệ thống phần thưởng của mạng với sứ mệnh cốt lõi là nâng cao trí thông minh của máy.

Các nút trong mạng Bittensor được yêu cầu đăng ký và tham gia vào quá trình đồng thuận. Họ làm như vậy bằng cách giải quyết thách thức bằng chứng công việc (POW) hoặc trả phí. Sau khi đăng ký, họ trở thành một phần của mạng con (subnet) và đóng góp vào trí tuệ chung của mạng. Sau đó, người xác thực (Validator) sẽ đánh giá giá trị của các mô hình máy học và kết quả đầu ra do các nút này cung cấp, đảm bảo chất lượng và tính toàn vẹn của tài sản trí tuệ của mạng.

Cơ chế này là trọng tâm trong tầm nhìn của Bittensor về một thị trường máy học phi tập trung, nơi trí thông minh là tiền tệ chính và sự đổi mới liên tục được khuyến khích. Nó thể hiện một sự thay đổi đáng kể so với các cơ chế đồng thuận blockchain truyền thống, tập trung vào sự tiến bộ của công nghệ AI và máy học.

Subnets (Mạng con)

Mạng con là các khối xây dựng của Bittensor, hoạt động như thị trường hàng hóa phi tập trung theo hệ thống token thống nhất. Mỗi mạng con có một miền hoặc chủ đề cụ thể và bao gồm các nút đã đăng ký và các mô hình máy học liên quan. Trình xác nhận (Validators) trong các mạng con này đóng vai trò quan trọng trong việc duy trì tính toàn vẹn và chất lượng của dữ liệu cũng như mô hình được trao đổi trong mạng.

Cùng với nhau, các cơ chế này đảm bảo rằng Bittensor vẫn là một nền tảng phi tập trung, hợp tác và đổi mới để phát triển các mô hình AI và máy học. 

Mạng con là cốt lõi của hệ sinh thái Bittensor. Mạng con là các nhóm nơ-ron cung cấp các dịch vụ học máy chuyên biệt cho mạng, chẳng hạn như văn bản, hình ảnh, âm thanh, video, v.v. Mạng con cũng xác định cơ chế khuyến khích và miền nhiệm vụ cho mỗi nhóm. Các mạng con cho phép tạo ra nhiều thị trường hàng hóa phi tập trung hoặc các cuộc thi nằm trong một hệ thống mã thông báo thống nhất.

Mạng con đóng vai trò quan trọng trong mạng Bittensor vì chúng cung cấp các chức năng sau:

• Mạng con cho phép phân công lao động và chuyên môn hóa giữa các tế bào thần kinh (neuron). Mỗi mạng con tập trung vào một loại dịch vụ máy học cụ thể, chẳng hạn như nhắc nhở văn bản, chú thích hình ảnh, nhận dạng giọng nói, nhận dạng khuôn mặt, v.v. Điều này cho phép các tế bào thần kinh tối ưu hóa các mô hình và tài nguyên của chúng cho miền đã chọn và cung cấp các dịch vụ chất lượng cao và hiệu quả cho mạng.
• Mạng con cho phép tạo ra các cơ chế khuyến khích tùy chỉnh cho từng nhóm tế bào thần kinh. Mỗi mạng con có thể thiết kế và triển khai hệ thống phần thưởng và hình phạt của riêng mình, dựa trên các tiêu chí và mục tiêu của nó. Điều này cho phép mạng con căn chỉnh các động cơ của tế bào thần kinh với các kết quả mong muốn của mạng con và khuyến khích sự hợp tác và đổi mới giữa các tế bào thần kinh.
• Mạng con tạo điều kiện cho việc quản lý và sự đồng thuận của mạng. Mỗi mạng con có các validator riêng, những người chịu trách nhiệm cập nhật siêu dữ liệu và bảo mật mạng. Các validator được bầu bởi các thành viên mạng con – những người stake mã thông báo TAO của họ để bỏ phiếu cho các ứng cử viên mà họ ưa thích. Validator cũng tham gia vào việc quản lý mạng bằng cách đề xuất và bỏ phiếu cho những thay đổi và nâng cấp ảnh hưởng đến mạng.

Đội ngũ dự án

Jacob Steeves là CEO và Co-Founder của Bittensor. Ông có nền tảng nghiên cứu về máy học và thành lập Bittensor để phân cấp AI. Ông cũng đã làm việc cho Google trong một vài năm.

Ala Shaabana là Co-Founder của Bittensor. Ông có bằng Tiến sĩ về máy học machine learning.

Định hướng phát triển

• Vào tháng 1 năm 2021, Opentensor Foundation đã ra mắt phiên bản đầu tiên của Subtensor có tên là “Kusanagi”.
• Vào tháng 5 năm 2021, Opentensor Foundation đã dừng Kusanagi “để giải quyết một số vấn đề ban đầu với sự đồng thuận”.
• Vào tháng 11 năm 2021, Kusanagi đã được phân nhánh và ra mắt dưới tên “Nakamoto”.
• Phiên bản testnet của “Finney” được ra mắt vào ngày 10 tháng 1 năm 2023 để thử nghiệm các nâng cấp mạng chính, bao gồm việc phát hành các mạng con và staking được ủy quyền.
• Vào ngày 20 tháng 3 năm 2023, Nakamoto đã được fork thành mạng chính Finney “để giải quyết một số vấn đề về hiệu suất trong code của mạng,” và vẫn là phiên bản trực tiếp của Subtensor.
• Vào ngày 28 tháng 3 năm 2023, Opentensor Foundation đã công bố phát hành Chattensor, một mô hình ngôn ngữ lớn (LLM) được xây dựng trên Bittensor.
• Vào ngày 24 tháng 7 năm 2023, Opentensor Foundation đã công bố phát hành Mô hình ngôn ngữ Bittensor (BTLM). Là “mô hình ngôn ngữ tham số 3 tỷ”, BTLM được thiết kế để tương thích với các thiết bị di động bằng yêu cầu ít bộ nhớ hơn đáng kể để lưu trữ so với các mô hình tham số 7 tỷ và 10 tỷ phổ biến như GPT-3 của OpenAI và LLaMA của Meta.
• Vào ngày 7 tháng 8 năm 2023, Opentensor Foundation đã thông báo rằng họ đã thực hiện mô hình tiền đào tạo được khuyến khích đầu tiên bằng cách sử dụng GPT-2 trên Bittensor mạng thử nghiệm.
• Vào ngày 2 tháng 10 năm 2023, các mạng con đã hoạt động trên Finney, cho phép người dùng tạo cơ chế khuyến khích cho các loại tác vụ máy học cụ thể, như tạo hình ảnh, tạo nhạc hoặc thu thập và lập chỉ mục internet.
• Subtensor là blockchain của Bittensor được xây dựng bằng Substrate của Polkadot SDK đang hoạt động và tạo ra các khối. Các mạng con này đang thử nghiệm nhiều trường hợp sử dụng, chẳng hạn như tạo văn bản, dịch máy, thu thập dữ liệu internet, tạo hình ảnh, lưu trữ và tạo nhạc.

Thực tế đạt được

Updating…

Tokenomic

Tổng nguồn cung 21 triệu được lập trình sẵn. Một khối được khai thác khoảng 12 giây một lần, thưởng cho thợ đào (miner) và người xác thực (validator) là 1 TAO cho mỗi khối (block). Theo lịch trình lạm phát hiện tại, điều này dẫn đến 7200 TAO mới được phát hành vào lưu thông sau mỗi 24 giờ, hiện được chia đều cho miner và validator.

Khi một nửa nguồn cung được phát hành, tốc độ phát hành sẽ giảm một nửa — với 12 giây cho mỗi khối, tương đương với một lần halving sau mỗi 4 năm, cho đến khi tất cả 21 triệu TAO được lưu thông.

Tính tới thời điểm hiện tại (tháng 6/2024) đã có 6.91 triệu token TAO được khai thác, trong đó hơn 5.75 triệu token TAO đang được staked/delegated & 1.15 triệu token TAO đang lưu thông ngoài thị trường.

Cộng đồng

• Website: https://bittensor.com/
• X (Twitter): https://x.com/opentensor
• Discord: https://discord.com/invite/3rUr6EcvbB
• Coingecko:  https://www.coingecko.com/en/coins/bittensor

Kết luận

Bằng cách tận dụng các mạng lưới phi tập trung và khuyến khích sự hợp tác giữa những người tham gia, Bittensor hướng đến mục tiêu cách mạng hóa cách chúng ta tiếp cận đào tạo máy học và phát triển AI.

Một trong những điểm mạnh chính của Bittensor nằm ở bản chất phi tập trung của nó, giải quyết các vấn đề cơ bản được tìm thấy trong các hệ thống AI tập trung. Phi tập trung không chỉ tăng cường quyền riêng tư và bảo mật dữ liệu mà còn mở rộng quyền truy cập vào các công nghệ AI. Thông qua thị trường năng động dành cho trí tuệ máy móc, Bittensor cung cấp một nền tảng nơi các mô hình AI đa dạng có thể tương tác, học hỏi lẫn nhau và đóng góp có ý nghĩa vào trí tuệ tập thể của mạng lưới.

Nhìn chung, Bittensor có triển vọng to lớn trong việc định hình lại tương lai của AI bằng cách thúc đẩy sự hợp tác, tính bao hàm và tính minh bạch trong đào tạo máy học và phát triển AI.

Đừng quên theo dõi thông tin về Bittensor tại nhóm GFI Blockchain để cập nhật các thông tin mới nhất.