HTX Research丨Bittensor 的演進：dTAO 用市場激勵機制重塑開源 AI 生態(tài)

作者：Chloe Zheng

根據(jù)紅杉資本2023年的研究，85%的開發(fā)者更傾向于對現(xiàn)有模型進行微調(diào)，而非從零開始訓練。近期趨勢進一步驗證了這一點：DeepSeek開源其模型，并引入模型蒸餾技術(shù)，通過教師模型（大型模型）將推理邏輯傳遞給學生模型（小型模型），以優(yōu)化知識壓縮和性能保留。類似地，OpenAI的ChatGPT O3版本也強調(diào)了后期訓練和強化學習。Bittensor提供了一個開放的、去中心化的平臺，支持AI模型的協(xié)作與共享。2024年7月，Bittensor與Cerebras發(fā)布了BTLM-3b-8k開源大型語言模型（LLM），在Hugging Face上獲得了超過16,000次下載，充分體現(xiàn)了Bittensor的技術(shù)能力。

盡管Bittensor于2021年上線，但在2024年Q4的AI Agent熱潮中幾乎未曾亮相，代幣價格也一直停滯不前。2025年2月13日，Bittensor推出了dTAO升級，旨在優(yōu)化代幣發(fā)行、提高公平性并增加流動性。這一變化類似于Virtuals Protocol推出AI Agent LaunchPad，其影響導致$VIRTUAL的市值在2024年飆升了50倍。

報告《dTAO與Bittensor的演進：通過市場驅(qū)動的激勵重塑開源AI生態(tài)》深入分析了2月13日完成的dTAO升級對Bittensor生態(tài)系統(tǒng)的影響，重點探討了其架構(gòu)創(chuàng)新、經(jīng)濟模型和整體生態(tài)動態(tài)。

Bittensor系統(tǒng)中的賬戶數(shù)量增加了100%，從2024年初的100,000個增長到接近200,000個

1.Bittensor的基本架構(gòu)

Bittensor 系統(tǒng)由以下三個主要模塊組成：

• Subtensor 平行鏈及其 EVM 兼容層（tao evm）：Subtensor 是基于 Polkadot 的 Substrate SDK 開發(fā)的 Layer1 區(qū)塊鏈，負責管理 Bittensor 網(wǎng)絡(luò)的區(qū)塊鏈層。其 EVM 兼容層（tao evm）允許開發(fā)者在網(wǎng)絡(luò)上部署和運行以太坊智能合約，增強了系統(tǒng)的可擴展性和兼容性。Subtensor 區(qū)塊鏈每隔 12 秒出塊一次，每個區(qū)塊產(chǎn)生一枚 TAO 代幣。此外，Subtensor 記錄子網(wǎng)中的關(guān)鍵活動，包括驗證者的評分權(quán)重和質(zhì)押代幣數(shù)量。每隔 360 個區(qū)塊（約 72 分鐘），通過 Yuma 共識算法計算 64 個子網(wǎng)獲得的代幣（Emissions）。

• 子網(wǎng)（Subnets）：Bittensor 網(wǎng)絡(luò)包含 64 個子網(wǎng)，每個子網(wǎng)專注于特定類型的 AI 模型或應用場景。這種模塊化結(jié)構(gòu)提升了網(wǎng)絡(luò)的效率和性能，促進了不同 AI 模型的專業(yè)化發(fā)展。每個子網(wǎng)的激勵機制由子網(wǎng)所有者制定，決定代幣在礦工和驗證者之間的分配方式。例如，子網(wǎng) 1 由 Opentensor Foundation 運營，任務為文本提示（Text Prompting）。在該子網(wǎng)中，驗證者提供類似 ChatGPT 的提示，礦工根據(jù)提示進行回答，驗證者根據(jù)礦工回答的質(zhì)量進行排序，定期更新權(quán)重并上傳到 Subtensor 區(qū)塊鏈。區(qū)塊鏈每隔 360 個區(qū)塊進行一次 Yuma 共識計算，并分配子網(wǎng)的代幣釋放。

• 根子網(wǎng)（Root Subnet）：作為網(wǎng)絡(luò)的核心，根子網(wǎng)負責協(xié)調(diào)和管理所有子網(wǎng)的運作，確保網(wǎng)絡(luò)的整體協(xié)調(diào)性和穩(wěn)定性。

此外，Bittensor API 在子網(wǎng)驗證者與 Subtensor 區(qū)塊鏈上的 Yuma 共識之間起到傳輸和連接的作用。同一子網(wǎng)中的驗證者只會連接到同一子網(wǎng)中的礦工，不同子網(wǎng)的驗證者和礦工之間不會互相溝通和連接。

這種架構(gòu)設(shè)計使 Bittensor 能夠有效地整合區(qū)塊鏈技術(shù)與人工智能，創(chuàng)建一個去中心化且高效的 AI 生態(tài)系統(tǒng)。

Subtensor EVM 兼容層 tao evm于2024年12月30日正式上線，無需修改任何以太坊智能合約，即可在 Subtensor區(qū)塊鏈上 部署和交互，同時所有 EVM 操作僅在 Subtensor 區(qū)塊鏈上執(zhí)行，不會與 Ethereum 進行交互。這意味著 Bittensor 上的智能合約僅限于 Bittensor 網(wǎng)絡(luò)，與 Ethereum 主網(wǎng)無關(guān)。目前tao evm還處于一個相當早期的階段，其中包括生態(tài)項目TaoFi，它計劃開發(fā)基于人工智能的 DeFi 基礎(chǔ)設(shè)施，包括首個由 TAO 支持的穩(wěn)定幣、去中心化交易所以及 TAO 代幣的流動性質(zhì)押版本。

1.1賬戶系統(tǒng)

1.1.1Coldkey-Hotkey雙鑰系統(tǒng)

dTAO 的賬戶系統(tǒng)采用了 Coldkey-Hotkey 雙密鑰機制，以確保更高的安全性和靈活性。用戶在創(chuàng)建錢包時，可選擇通過 Chrome 擴展程序或本地方式生成錢包。通過 Chrome 擴展程序創(chuàng)建的錢包用于存儲、發(fā)送和接收 TAO，系統(tǒng)會生成一個 coldkey（48 位字符，通常以 5 開頭）和一個 12 字的助記詞。本地創(chuàng)建的錢包除了生成 coldkey 外，還會生成 hotkey，hotkey 用于參與子網(wǎng)的創(chuàng)建、挖礦和驗證等操作。

采用 Coldkey-Hotkey 雙密鑰系統(tǒng)的主要原因在于，hotkey 在子網(wǎng)的日常運營中使用頻繁，面臨潛在的安全威脅；而 coldkey 主要用于存儲和轉(zhuǎn)移 TAO，因此能有效減少 TAO 丟失的風險。這種雙重保護機制確保了賬戶操作的安全性和靈活性。

在綁定關(guān)系上，一個 hotkey 可以綁定同一子網(wǎng)的一個 coldkey，但也可以綁定不同子網(wǎng)的 coldkey（不推薦）。一個 coldkey 可以綁定多個 hotkey。

1.1.2子網(wǎng) UID系統(tǒng)

1.1.2.1子網(wǎng) UID 生成

在支付至少 100 TAO 的注冊費用后，系統(tǒng)會生成一個子網(wǎng) UID，并將其綁定到您的 hotkey 上。該 UID 是參與子網(wǎng)挖礦或驗證的必備憑證。要成為礦工，您只需具備 hotkey、coldkey 和子網(wǎng) UID，然后運行 Bittensor 即可參與挖礦。

1.1.2.2成為驗證者的要求

要成為子網(wǎng)驗證者，必須質(zhì)押至少 1000 TAO，并且在每個子網(wǎng)中，質(zhì)押量需排名前 64。需要注意的是，驗證者可以同時持有多個 UID 插槽，從而在多個子網(wǎng)中進行驗證，而無需額外增加質(zhì)押數(shù)量（類似于 restaking 的概念）。這種機制不僅降低了驗證者作惡的風險，也提高了作惡成本，因為質(zhì)押高額 TAO（至少 1000 TAO）使得作惡代價大幅上升。為提升自身在子網(wǎng)中的競爭力，每個驗證者都會努力建立良好的聲譽和業(yè)績記錄，以吸引更多 TAO 委托質(zhì)押，從而確保穩(wěn)居前 64 的位置。

1.1.2.3子網(wǎng)結(jié)構(gòu)及容量限制

• 子網(wǎng) 1：共有 1024 個 UID 插槽，最多可容納 128 個驗證者；驗證者和礦工的總數(shù)上限為 1024。

• 其他子網(wǎng)：每個子網(wǎng)擁有 256 個 UID 插槽，最多可容納 64 個驗證者；每個子網(wǎng)中驗證者和礦工的總數(shù)不超過 256。

1.1.2.4子網(wǎng)競爭與激勵機制

在子網(wǎng)內(nèi)部，驗證者會向礦工分配任務，所有礦工完成任務后，將結(jié)果提交給對應的驗證者。驗證者會對各個礦工提交的任務質(zhì)量進行評估和排名，礦工根據(jù)工作質(zhì)量獲得 TAO 獎勵。同時，驗證者也會因為確保高質(zhì)量礦工獲得更好獎勵而獲得激勵獎勵，從而推動整個子網(wǎng)質(zhì)量的持續(xù)提升。這一系列競爭過程均由子網(wǎng)創(chuàng)建者設(shè)計的代碼激勵機制自動執(zhí)行，確保系統(tǒng)公平高效運作。

每個子網(wǎng)設(shè)有 7 天的保護期（免疫期），從礦工注冊子網(wǎng) UID 開始計時。在此期間，礦工將累計其獎勵。如果在保護期內(nèi)出現(xiàn)新礦工注冊，而當前子網(wǎng)的 UID 插槽已滿，則累計獎勵最少的礦工將被淘汰，其 UID 會重新分配給新注冊的礦工。

1.2子網(wǎng)構(gòu)建了一個多層次生態(tài)系統(tǒng)

Bittensor 子網(wǎng)構(gòu)建了一個多層次的生態(tài)系統(tǒng)，其中礦工、驗證者、子網(wǎng)創(chuàng)建者和消費者各司其職，共同推動高質(zhì)量 AI 服務的生成。

礦工（Miners）：作為網(wǎng)絡(luò)的核心計算節(jié)點，礦工托管 AI 模型，提供推理和訓練服務。他們通過最小化損失函數(shù)并在點對點評分中競爭，以獲得 TAO 獎勵。礦工的成功取決于其提供服務的質(zhì)量和性能。

驗證者（Validators）：驗證者負責評估礦工提交的任務結(jié)果，構(gòu)建信任矩陣，防止串通作弊，確保優(yōu)質(zhì)礦工獲得更高回報。他們根據(jù)礦工的響應質(zhì)量進行排名，排名越準確和一致，驗證者獲得的獎勵就越多。

子網(wǎng)創(chuàng)建者（Subnet Creators）：子網(wǎng)創(chuàng)建者根據(jù)特定應用領(lǐng)域（如自然語言處理、計算機視覺等）的需求，設(shè)計定制化子網(wǎng)，構(gòu)建獨立的共識機制、任務流程和激勵結(jié)構(gòu)。他們承擔網(wǎng)絡(luò)管理員的角色，有權(quán)通過各自的子網(wǎng)分配激勵。

消費者（Consumers）：消費者通過支付 TAO 代幣調(diào)用 AI 服務，實現(xiàn)查詢 API、獲取訓練數(shù)據(jù)或利用計算資源進行模型訓練的目的。他們是 Bittensor 提供的 AI 模型的最終用戶。

整體流程為：子網(wǎng)驗證者生成問題并分發(fā)給所有礦工，礦工根據(jù)任務生成答案并返回給驗證者。驗證者依據(jù)答案質(zhì)量進行評分并更新礦工權(quán)重，隨后定期將權(quán)重上傳至鏈上。通過激烈競爭和優(yōu)勝劣汰機制，持續(xù)推動子網(wǎng)內(nèi) AI 模型的技術(shù)進步和生態(tài)優(yōu)化。

1.2.1礦工層

礦工在 Bittensor 網(wǎng)絡(luò)中扮演著核心計算節(jié)點的角色，其主要職責包括：

• 托管 AI 模型，提供推理或訓練服務：礦工通過托管本地機器學習模型，為客戶端應用程序提供預測服務。當客戶端需要預測時，會向 Bittensor 網(wǎng)絡(luò)發(fā)送請求，網(wǎng)絡(luò)將其路由至已注冊為服務提供者的礦工。礦工處理請求并將預測結(jié)果返回給客戶端。

• 通過在 P2P 排名中競爭，賺取 TAO 代幣作為計算激勵：礦工根據(jù)其模型性能和對網(wǎng)絡(luò)的貢獻度，在點對點排名中競爭，以獲得 TAO 代幣獎勵。這種激勵機制鼓勵礦工持續(xù)優(yōu)化其模型性能，為網(wǎng)絡(luò)提供高質(zhì)量的 AI 服務。

• 確保高質(zhì)量的 AI 模型貢獻：礦工致力于提供高質(zhì)量的 AI 模型，以滿足網(wǎng)絡(luò)需求并確保服務質(zhì)量。這不僅有助于他們在網(wǎng)絡(luò)中獲得更高的排名和獎勵，也提升了整個 Bittensor 網(wǎng)絡(luò)的整體性能和可靠性。

通過履行這些職責，礦工為 Bittensor 網(wǎng)絡(luò)的高效運作和發(fā)展做出了重要貢獻。

每個礦工 fix在數(shù)據(jù)集 D上訓練，以最小化損失函數(shù)Li=EDQfix

其中：

• Qfix是誤差函數(shù)

• ED表示對數(shù)據(jù)集 D的期望。

例如，如果礦工 A提供語音識別模型 fAx，其損失函數(shù)可能為：

較低的 LA(即更好的模型性能) 會導致在 P2P 評估中獲得更高的排名。

每個礦工的貢獻通過費舍爾信息度量 (FIM):Ri=WT?S

其中：

• W是表示礦工之間 P2P 分數(shù)的權(quán)重矩陣。

• S是礦工在網(wǎng)絡(luò)中的質(zhì)押（持有）量。

如果礦工 A 和礦工 B 相互評分，權(quán)重矩陣為：

礦工 A 的最終排名為：

如果礦工 A 擁有高質(zhì)量的 AI 模型, 則 wB,A會很高, 導致 RA更高，從而獲得更多獎勵。

驗證者層

驗證者確保礦工 AI 模型的公平評估，防止串通和惡意行為。他們充當網(wǎng)絡(luò)中的“裁判”，確保高質(zhì)量的 AI 服務。

驗證者通過計算信任矩陣對礦工進行排名：

• ci是礦工i的信任分數(shù)。

• tj,i表示礦工 j對礦工i的信任度。

• sj是礦工 j的質(zhì)押量。

• 是 Sigmoid 函數(shù)，用于平滑縮放。

例如，假設(shè)網(wǎng)絡(luò)中有三個礦工 A、B、C，信任矩陣為：

• 如果礦工 A 擁有表現(xiàn)良好的模型，則礦工 B 和 C 都高度信任 A。

• 如果礦工 C 的模型一般，則只有礦工 B 稍微信任 C。

因此，礦工 A 會獲得更高的信任分數(shù) cA，從而獲得更多獎勵，而礦工 C 的分數(shù)較低。

1.2.2消費者層

在 Bittensor 網(wǎng)絡(luò)中，消費者是指最終用戶或企業(yè)，他們通過支付 TAO 代幣來訪問由礦工提供的人工智能（AI）服務。這種模式使消費者無需擁有或維護自己的 AI 模型，即可利用網(wǎng)絡(luò)內(nèi)的 AI 能力，降低了 AI 計算成本。

消費者的具體應用場景包括：

• 開發(fā)者查詢 AI API：開發(fā)者可以調(diào)用 Bittensor 提供的 AI 接口，獲取所需的智能服務，用于應用程序開發(fā)或功能集成。

• 研究機構(gòu)訪問 AI 訓練數(shù)據(jù)集：研究機構(gòu)能夠利用網(wǎng)絡(luò)內(nèi)的資源，訪問和分析大型 AI 訓練數(shù)據(jù)集，支持科研項目和實驗。

• 企業(yè)利用 Bittensor 的計算資源進行 AI 模型訓練：企業(yè)可借助 Bittensor 的去中心化計算資源，進行自有 AI 模型的訓練和優(yōu)化，提升業(yè)務智能化水平。

通過這種方式，Bittensor 為消費者提供了靈活、高效的 AI 服務獲取途徑，促進了人工智能的普及和應用。

1.2.3基于質(zhì)押的共識機制

Bittensor 的基于質(zhì)押的共識機制主要解決以下問題：

• 防止惡意評分操縱，確保公平評分：迭代修正 w==fw調(diào)整任何偏離共識（即質(zhì)押加權(quán)平均 w）過多的權(quán)重，從而減少對手方過度自評分數(shù)的影響。

• 獎勵高質(zhì)量的 AI 貢獻者：持續(xù)貢獻高質(zhì)量輸出的驗證者，即使在權(quán)重修正后，仍保持較高排名，因為他們報告的權(quán)重接近共識值。

基于質(zhì)押的博弈模型

我們將共識模型視為一個雙人博弈：

• 誠實方（主角）質(zhì)押：SHwith 0.5

• 對抗方（對手）質(zhì)押：1-SH

雙方競爭固定的總獎勵： eH+eC=1，其中 eH和 eC分別是誠實方和對抗方的獎勵。

獎勵分配后，質(zhì)押量更新為：

誠實方為自己分配了一個客觀權(quán)重 wH，并將 1-wH分配給對手。

相比之下，對手可以自由選擇其自分配權(quán)重wC，且無需成本，以最大化誠實方的權(quán)重支出：

想象比賽中的評委。誠實的評委給予公平的評分，而惡意的評委（對手）可能會給他們偏好的選手打出人為偏高的分數(shù)，迫使誠實方付出更多努力以保持競爭力。

由于誠實方的權(quán)益占多數(shù) ( sH>0.5), 他們可以實施匿名共識策略 π，在未知玩家身份的情況下調(diào)整所有權(quán)重，以優(yōu)化納什均衡：

目標是調(diào)整權(quán)重，使得修正后的權(quán)重滿足：

從而糾正誤差

基本的共識策略定義為：

其中，共識權(quán)重 w為權(quán)益加權(quán)平均值：

然后對該策略進行迭代：

其中 為迭代次數(shù)。

可以將其比作一個精確校準的天平。如果一側(cè)的權(quán)重過高，系統(tǒng)會反復調(diào)整，直到恢復平衡。例如，當 SH=0.6 且初始 wH=1, 經(jīng)過多次迭代，即使對手仍報了高 wC(比如 wC=0.8).，誠實方的有效支出也會降低到低于 0.75,

1.2.3.1平滑處理與密度演化

為了避免突兀的修正導致系統(tǒng)不穩(wěn)定，修正函數(shù)采用了“平滑處理”。我們定義 按權(quán)益加權(quán)的平均絕對偏差為：

然后，平滑修正由以下公式給出：

其中 (由參數(shù) (0≤α<1) 控制） 決定平滑程度.

這種平滑調(diào)整類似于駕駛員在轉(zhuǎn)彎時平穩(wěn)剎車，而不是突然猛踩剎車。這種漸進式的修正方式確保了小幅度的權(quán)重差異被溫和地調(diào)整，從而保持系統(tǒng)的整體穩(wěn)定性。

在推廣到 雙隊伍博弈(其中 |H|為誠實玩家 ， |C|為對抗性玩家）, 每個團隊的權(quán)重分布可用密度函數(shù) pw來描述。例如，對于誠實玩家，假設(shè)權(quán)重服從正態(tài)分布：

對抗性玩家的分布同理。誠實與對抗團隊的整體密度分布為：

然后應用 密度演化函數(shù)：

其中 gw=f-1w. 經(jīng)過 η 輪迭代后，每位玩家的最終排名為：: r_i = \int f^\eta\Bigl(p_i(w)\Bigr)\, dw .

這個過程類似于對大型數(shù)據(jù)集進行 統(tǒng)計平滑。經(jīng)過多輪“平滑”處理后，每位參與者的 真實排名得以顯現(xiàn)。關(guān)鍵在于，密度演化能更大程度地 壓縮異常權(quán)重（即惡意玩家的過高權(quán)重），而對誠實玩家的影響較小。

1.2.3.2權(quán)重信任機制與零權(quán)重漏洞防范

為了防止 對抗性玩家報告接近零的權(quán)重以規(guī)避懲罰，引入了 權(quán)重信任機制。定義信任值 Tas: T=(W?0)S

即 所有賦予非零權(quán)重的總權(quán)益。然后，應用 平滑閾值：

C = \Bigl(1+\exp\bigl(-\rho (T-\kappa)\bigr)\Bigr)^{-1}.

該機制確保：如果多數(shù)人認定某個節(jié)點的權(quán)重為零，則其獎勵將被大幅削減。

類似于 社區(qū)信譽系統(tǒng)——只有當大多數(shù)成員認可某人可信時，該人才能獲得全部收益；否則，試圖通過報告零權(quán)重來操縱系統(tǒng)的行為將受到懲罰。

當前面臨的挑戰(zhàn)包括：

• 零權(quán)重漏洞：對抗性玩家可能報告極低或零權(quán)重，以利用獎勵分配的漏洞。

• 修正不平衡：在某些情況下，修正可能 過于激進或 過于溫和，導致共識偏差。

• 計算復雜度高：密度演化和多次迭代涉及 On2計算量，可能會給區(qū)塊鏈環(huán)境帶來負擔。

dtao 升級針對上述問題進行了改進，具體包括：

• 優(yōu)化迭代和平滑處理：增加迭代次數(shù) η，精細調(diào)整平滑參數(shù) α 或 δ，從而減少零權(quán)重漏洞，并防止過度修正。

• 增強權(quán)重信任機制：更精準地檢測 非零權(quán)重，并應用更嚴格的閾值，使 只有大多數(shù)人認可的節(jié)點才能獲得完整獎勵。

• 降低計算開銷：通過算法優(yōu)化 減少計算成本，使其適應區(qū)塊鏈計算約束，同時不影響理論上的準確性。

Bittensor 的 基于權(quán)益的共識機制結(jié)合了 數(shù)學模型和 博弈論工具，通過 更新公式、加權(quán)平均共識、迭代修正、密度演化等方法，系統(tǒng)能 自動校準異常權(quán)重偏差，確保公平的最終獎勵分配。

這一過程類似于 智能平衡系統(tǒng)或 信譽機制，可以 持續(xù)自我校準，確保公平評分、激勵優(yōu)秀貢獻者，并防止惡意勾結(jié)和投票操縱。

在此基礎(chǔ)上，dtao 升級采用更精細的 平滑控制和 改進的權(quán)重信任策略，進一步提升了系統(tǒng)的 魯棒性與公平性。因此，在對抗性環(huán)境下，誠實貢獻者可以始終保持 競爭優(yōu)勢，而 整體計算資源消耗也得到了優(yōu)化和降低。

2.Yuma共識：動態(tài)可編程的激勵與共識

比特幣構(gòu)建了全球最大的點對點算力網(wǎng)絡(luò)，任何人都可以通過貢獻本地計算能力來維護全球賬本。其激勵規(guī)則在設(shè)計時已固定，導致生態(tài)系統(tǒng)以相對靜態(tài)的方式發(fā)展。

相比之下，Yuma 共識（YC）是一種動態(tài)、可編程的激勵框架。不同于比特幣的靜態(tài)激勵機制，YC 將目標函數(shù)、質(zhì)押獎勵和權(quán)重調(diào)整機制直接集成到共識過程中。這意味著系統(tǒng)并非僅依賴固定規(guī)則運行，而是根據(jù)節(jié)點的實際貢獻和行為動態(tài)調(diào)整，從而實現(xiàn)更公平和高效的獎勵分配。

YC 共識算法在 Subtensor 區(qū)塊鏈上持續(xù)運行，并針對每個子網(wǎng)獨立運作。其主要工作流程包括以下組件：

• 子網(wǎng)驗證者的權(quán)重向量：每個子網(wǎng)驗證者維護一個權(quán)重向量，其中每個元素代表該驗證者對所有子網(wǎng)礦工分配的評分權(quán)重。該權(quán)重基于驗證者的歷史表現(xiàn)，用于對礦工進行排名。例如，若某驗證者的評分向量為 w=wn，則所得排名反映了該驗證者對每個礦工貢獻水平的評價。

• 質(zhì)押金額的影響：鏈上的每個驗證者和礦工都會質(zhì)押一定數(shù)量的代幣。YC 共識結(jié)合權(quán)重向量和質(zhì)押金額來計算獎勵分配。即，最終獎勵不僅取決于評分權(quán)重，還取決于質(zhì)押數(shù)量，從而形成“質(zhì)押 → 權(quán)重 → 獎勵”的閉環(huán)。

• 動態(tài)主觀共識：每個參與者為其機器學習模型分配本地權(quán)重。這些本地權(quán)重通過共識策略進行調(diào)整，然后在區(qū)塊鏈上聚合為全局指標。換言之，YC 能夠即使在對抗性環(huán)境中也能實現(xiàn)大規(guī)模共識，并能動態(tài)適應節(jié)點行為的變化。

• 獎勵計算與分配：子網(wǎng)驗證者收集各自的排名結(jié)果，并將其作為 YC 算法的集體輸入提交。盡管不同驗證者的排名可能在不同時間到達，Subtensor 大約每 12 秒處理一次所有排名數(shù)據(jù)?；谶@些數(shù)據(jù)，系統(tǒng)計算獎勵（以 TAO 計）并將其存入子網(wǎng)礦工和驗證者的錢包中。

這種綜合機制使得 YC 能夠在去中心化網(wǎng)絡(luò)中持續(xù)且公平地分配獎勵，動態(tài)適應貢獻質(zhì)量，維護整體網(wǎng)絡(luò)的安全性和效率。

2.1知識蒸餾與專家混合（MoE）：協(xié)同學習與高效貢獻評估

2.1.1知識蒸餾（Digital Hivemind）

Bittensor 引入了知識蒸餾的概念，這類似于人類大腦中神經(jīng)元的協(xié)作工作，節(jié)點通過共享知識、交換數(shù)據(jù)樣本和模型參數(shù)來集體學習。

在此過程中，節(jié)點持續(xù)交換數(shù)據(jù)和模型參數(shù)，形成一個隨著時間自我優(yōu)化的網(wǎng)絡(luò)，以實現(xiàn)更準確的預測。每個節(jié)點將其知識貢獻到共享池中，最終提升整個網(wǎng)絡(luò)的整體性能，使其更快，更適合實時學習應用，如機器人技術(shù)和自動駕駛。

關(guān)鍵的是，這種方法有效減輕了災難性遺忘的風險——這是機器學習中的常見挑戰(zhàn)。節(jié)點可以在保留和擴展其現(xiàn)有知識的同時，融合新的見解，從而增強網(wǎng)絡(luò)的魯棒性和適應性。

通過將知識分布在多個節(jié)點上，Bittensor TAO 網(wǎng)絡(luò)對干擾和潛在的數(shù)據(jù)泄露變得更具彈性。這種魯棒性對于處理高度安全和隱私敏感的數(shù)據(jù)（如金融和醫(yī)療信息）的應用尤為重要。

2.1.2專家混合 (MoE)

Bittensor 采用分布式專家模型（MoE）來優(yōu)化人工智能預測，通過多個專業(yè)化 AI 模型的協(xié)同合作，大幅提升了解決復雜問題的準確性和效率。例如，在生成帶有西班牙語注釋的 Python 代碼時，多語言模型與代碼專長模型能夠協(xié)同發(fā)揮，產(chǎn)出遠優(yōu)于單一模型的高質(zhì)量結(jié)果。

Bittensor 協(xié)議的核心由參數(shù)化函數(shù)構(gòu)成，通常稱為神經(jīng)元，這些神經(jīng)元以點對點方式分布，每個神經(jīng)元記錄零個或多個網(wǎng)絡(luò)權(quán)重，并通過相互排名訓練神經(jīng)網(wǎng)絡(luò)來評估鄰近節(jié)點的價值，進而將排名得分累積到數(shù)字賬本上。排名較高的節(jié)點不僅獲得貨幣獎勵，還獲得額外權(quán)重，從而在節(jié)點貢獻與獎勵之間建立了直接聯(lián)系，提升了網(wǎng)絡(luò)的公平性和透明度。該機制構(gòu)建了一個市場，使得其他情報系統(tǒng)能夠通過互聯(lián)網(wǎng)以點對點方式對信息進行定價，并激勵各節(jié)點不斷提升自身知識和專業(yè)能力。為確保獎勵的公平分配，Bittensor 借用了合作博弈理論中的 Shapley 值，提供了一種根據(jù)節(jié)點貢獻在各方間高效分配獎勵的方法。在 YC 共識下，驗證者對各專業(yè)模型進行評分和排名，并依據(jù) Shapley 值原理公平分配獎勵，從而進一步提高了網(wǎng)絡(luò)的安全性、效率和持續(xù)改進能力。

3.dtao升級

Bittensor 項目在其資源分配和經(jīng)濟模型設(shè)計中存在以下主要問題：

1. 資源重疊與冗余：多個子網(wǎng)專注于類似任務，如文本到圖像生成、文本提示和價格預測，導致資源分配的重復和浪費。

1. 缺乏實際用例：某些子網(wǎng)（如價格預測或體育賽事結(jié)果預測）尚未在現(xiàn)實場景中證明其實用性，可能導致資源投入與實際需求不匹配。

1. “劣幣驅(qū)逐良幣”現(xiàn)象：高質(zhì)量子網(wǎng)可能難以獲得足夠的資金和發(fā)展空間。由于僅有七天的保護期，未能獲得根驗證者足夠支持的子網(wǎng)可能過早被淘汰。

1. 驗證者中心化及新子網(wǎng)激勵不足：

• 根驗證者可能無法完全代表所有 TAO 持有者，他們的評估結(jié)果可能不反映廣泛的觀點。在 Yuma 共識下，頂級驗證者在最終評分中占主導地位，但他們的評估并不總是客觀的。即使發(fā)現(xiàn)偏見，也可能無法立即糾正。

• 此外，驗證者缺乏遷移至新子網(wǎng)的激勵，因為從高發(fā)行量的舊子網(wǎng)轉(zhuǎn)移到低發(fā)行量的新子網(wǎng)可能導致即時獎勵損失。新子網(wǎng)能否最終匹配已建立子網(wǎng)的代幣發(fā)行量的不確定性，進一步降低了他們的遷移意愿。

經(jīng)濟模型的主要問題：

Bittensor 的機制設(shè)計中一個主要問題是，盡管所有參與者都獲得 TAO，但實際上沒有人支付 TAO，這導致持續(xù)的拋售壓力。目前，礦工回答的問題并非由真實用戶提出，而是由子網(wǎng)所有者提供——要么模擬真實用戶查詢，要么基于歷史用戶需求。因此，即使礦工的回答有價值，這些價值也被子網(wǎng)所有者所捕獲。無論礦工的回答是幫助子網(wǎng)所有者改進其模型算法，還是直接被子網(wǎng)所有者用于模型訓練以提升其產(chǎn)品，礦工和驗證者的工作所產(chǎn)生的價值都被子網(wǎng)所有者占有。理論上，子網(wǎng)所有者應為此價值付費。

此外，子網(wǎng)所有者不僅無需承擔任何成本，還享有子網(wǎng)發(fā)行量的 18%。這意味著 Bittensor 生態(tài)系統(tǒng)并非緊密相連——參與者基于開發(fā)和協(xié)作保持松散聯(lián)系。子網(wǎng)上的項目可以隨時退出而不會遭受任何損失（因為子網(wǎng)注冊費會被退還）。目前，Bittensor 系統(tǒng)中回收代幣的主要機制是子網(wǎng)礦工和驗證者支付的注冊費用；然而，這些費用很少，不足以支持有效的價值捕獲。盡管質(zhì)押已成為主要機制，但通過區(qū)塊鏈交易費用和注冊費用回收的 TAO 數(shù)量仍然有限。

質(zhì)押分為兩種形式：

1. 驗證者質(zhì)押：參與者質(zhì)押 TAO 以支持網(wǎng)絡(luò)安全并獲得獎勵，占所有發(fā)行 TAO 的 75%。驗證者目前每天可獲得約 3,000 TAO，年化回報率超過 15%。然而，在第一次減半后，這一分配將降至每天 1,500 TAO，降低了質(zhì)押的吸引力，削弱了其平衡代幣供需的效果。

1. 子網(wǎng)注冊質(zhì)押：新子網(wǎng)的增加顯著影響 TAO 供應。這構(gòu)成了一個挑戰(zhàn)，因為 TAO 的總發(fā)行量是固定的；子網(wǎng)數(shù)量的增加將稀釋所有子網(wǎng)的獎勵，使現(xiàn)有子網(wǎng)難以維持運營，可能導致一些子網(wǎng)退出網(wǎng)絡(luò)。

這些問題表明，Bittensor 的資源分配和經(jīng)濟模型設(shè)計需要進一步優(yōu)化，以確保網(wǎng)絡(luò)的可持續(xù)發(fā)展和公平激勵。

3.1什么是dtao

dTAO 是 Bittensor 網(wǎng)絡(luò)提出的一種創(chuàng)新激勵機制，旨在解決去中心化網(wǎng)絡(luò)中資源分配效率低下的問題。它摒棄了傳統(tǒng)由驗證者手動投票決定資源分配的方式，而是引入基于市場動態(tài)調(diào)整的機制，將 TAO 發(fā)行量在各子網(wǎng)之間的分配與子網(wǎng)代幣的市場表現(xiàn)直接掛鉤，通過嵌入式流動性池設(shè)計鼓勵用戶將 TAO 抵押換取子網(wǎng)代幣，從而支持表現(xiàn)優(yōu)異的子網(wǎng)。

同時，采用公平發(fā)行模式確保子網(wǎng)代幣逐步分配，促使團隊通過長期貢獻獲得代幣份額，并平衡了驗證者和用戶的角色，驗證者如同風險投資者般嚴格評估團隊技術(shù)和市場潛力，而用戶通過質(zhì)押和市場交易進一步推動子網(wǎng)價值的形成。

3.1.1dTAO的核心機制

3.1.1.1將驗證者和團隊與生態(tài)強綁定: 想要獲得收益須先投資subnet token

dTAO 的設(shè)計基于市場與技術(shù)雙重驅(qū)動，每個子網(wǎng)配置一個由 TAO 和子網(wǎng)代幣構(gòu)成的流動性池。當$TAO 持有者（驗證者和子網(wǎng)擁有者）進行質(zhì)押操作，相當于使用$TAO 購買相應的$dTAO，能夠換出$dTAO 的數(shù)量，遵循如下公式計算：

兌換時，$TAO 與$dTAO 的定價機制遵循與 Uniswap V2 相同的恒積公式: τ*α=K

其中，τ代表$TAO 的數(shù)量，α代表$dTAO 的數(shù)量。在沒有額外流動性注入的前提下，無論使用多少$TAO 兌換$dTAO 或多少$dTAO 兌換$TAO，K 的值將保持不變。反之亦然，當$dTAO 持有者進行解除質(zhì)押操作，相當于使用$dTAO 購買$TAO，能夠換出$TAO 的數(shù)量，遵循如下公式計算：

與 Uniswap V2 不同的是，$dTAO 的 liquidity pool 并不允許直接添加流動性。除 Subnet Owner 創(chuàng)建 Subnet 時以外，所有新注入的流動性完全來自被分配到的$TAO，以及$dTAO 總增發(fā)量的 50%。換言之，各 Subnet 被分配到的新增發(fā)$TAO 并不直接分配給該 Subnet 的 Validator\Miner\Owner，而是全部被注入到 liquidity pool 中備兌；同時，新增發(fā)的$dTAO 的 50% 也被注入到 liquidity pool 中，剩余 50% 則按照 Subnet 自身約定的激勵機制分配給 Validator\Miner\Owner。

這避免團隊通過初始大量持幣進行快速拋售，鼓勵團隊持續(xù)貢獻和技術(shù)迭代；驗證者需扮演類似風險投資人的角色，對子網(wǎng)的技術(shù)、市場潛力和實際表現(xiàn)進行嚴格評估；

Stake\Unstake 不會改變 K 的大小，而流動性注入會使得 K 增大為 K'

3.1.1.2市場價格最高的Subnet Token將獲得最多的$TAO emissions

在之前方案中，每個 Subnet 能夠獲得多少比例的新增發(fā)$TAO 是由 Root Network 的 Validator 決定的。這一方案暴露出一些潛在問題。例如，由于 Root Network 的權(quán)力集中在少數(shù) Validator 手中，即使 Validator 共謀將新增發(fā)$TAO 分配給低價值的 Subnet，也不會受到任何懲罰。

Dynamic TAO 中止 Root Network 的特權(quán)，并將決定新增發(fā)$TAO 該如何分配的權(quán)力交給所有$TAO 持有者。具體做法是采用全新的 Yuma Consensus V2，將各 Subnet Token 的價格進行 softmax 操作后得到對應的釋放比例，即：

?

Softmax 是一個常用的歸一化函數(shù)，能夠?qū)⒁唤M向量中的每個元素轉(zhuǎn)換為非負值同時保留各元素間相對大小關(guān)系，并確保轉(zhuǎn)換后所有元素之和為 1。

其中，P 是$dTAO 相對$TAO 的價格，由 liquidity pool 中$TAO 的數(shù)量除以$dTAO 的數(shù)量計算得出。

根據(jù)公式，當一個 Subnet Token 相對$TAO 價格越高時，能夠獲得新增發(fā)$TAO 的釋放比例也就越高。

3.1.1.3將設(shè)定激勵機制的權(quán)力下放給各 Subnet

之前Subnet 所獲得的$TAO 激勵按照固定比例 41%-41%-18% 分配給 Validator\Miner\Owner。

Dynamic TAO 賦予各 Subnet 發(fā)行自身「Subnet Token」的權(quán)力，并規(guī)定，除增發(fā)量的 50% 必須被注入到 liquidity pool 外，剩余 50% 具體按照何種機制分配給 Validator\Miner\Owner，則有 Subnet 參與者自行決定。

這一機制同時確保只有不斷提升產(chǎn)品和吸引用戶的子網(wǎng)才能獲得更多激勵，防止通過龐氏拉動短期收益的模式出現(xiàn)。

3.1.2 舉例分析

Dynamic TAO 網(wǎng)絡(luò)升級后，現(xiàn)在所有 Subnet 都已經(jīng)鑄造出相應的$dTAO，$dTAO 的創(chuàng)世數(shù)量等于該 Subnet Owner 曾經(jīng)在創(chuàng)建 Subnet 時鎖定的$TAO 的數(shù)量。其中，50% 的$dTAO 被注入到該 Subnet 的 liquidity pool 中，剩余 50% 則被分配給該 Subnet Owner。

假設(shè) Subnet #1 的 Owner 曾鎖定了 1000 顆$TAO，那么，$dTAO 的創(chuàng)世數(shù)量也為 1000 顆。其中，500 顆$dTAO 與 1000 顆$TAO 作為初始流動性被添加到 liquidity pool 中，剩余 500 顆$dTAO 則分配給 Owner。

接下來，當有 Validator 來到 Subnet #1 注冊并質(zhì)押了 1000 顆$TAO，那么該 Validator 將會獲得 250 顆$dTAO，此時 liquidity pool 中剩余 2000 顆$TAO 和 250 顆$dTAO。

假設(shè) Subnet #1 每天能夠獲得 720 顆$TAO 的區(qū)塊獎勵，那么，liquidity pool 每天會自動被注入 720 顆$TAO。至于每天注入$dTAO 的數(shù)量，則取決于該 Subnet 自行設(shè)置的增發(fā)速度。

3.2 dtao帶來的影響

dTAO 的引入從根本上重塑了 TAO 的分配與質(zhì)押機制。首先，新發(fā)行的 TAO 不再由少數(shù) Validator 獨斷分配，而是由所有 TAO 持有者通過市場行為間接共同決定，這使得質(zhì)押 TAO 更像是“買入”某個 Subnet 的 Token，而非簡單的旱澇保收。在這種機制下，短期內(nèi)質(zhì)押和解除質(zhì)押對 dTAO 價格的影響遠超 Subnet 實際獲得 TAO 數(shù)量的效應，進而使得質(zhì)押收益充滿不確定性。

好處在于，頂級 Validator 對區(qū)塊獎勵分配的絕對控制力消失，大大提高了潛在攻擊者通過質(zhì)押量攻擊網(wǎng)絡(luò)的成本；同時，后發(fā)優(yōu)質(zhì) Subnet 有更大機會脫穎而出，早期 Validator 支持高質(zhì)量 Subnet 的回報潛力極高，甚至可能實現(xiàn)本金的數(shù)倍回報。此外，Subnet 之間競爭的加劇將推動質(zhì)押者轉(zhuǎn)變?yōu)楦永硇缘耐顿Y者，通過嚴謹盡調(diào)選擇前景最優(yōu)的 Subnet。

總的來說，dTAO 機制的實施將促使整個生態(tài)系統(tǒng)向更高效、競爭激烈且市場化的方向發(fā)展

3.3 dTAO 升級后 Bittensor 生態(tài)系統(tǒng)將如何演變？

要分析 dTAO 升級的影響，我們需要關(guān)注兩個關(guān)鍵問題：

1. 子網(wǎng)需求如何轉(zhuǎn)化為對子網(wǎng)代幣的需求？

1. 子網(wǎng)代幣的引入是否能創(chuàng)造“TAO 之夏”，加速 TAO 生態(tài)系統(tǒng)內(nèi)的創(chuàng)新？

3.3.1子網(wǎng)需求如何轉(zhuǎn)化為對子網(wǎng)代幣的需求？

最初，所有子網(wǎng)代幣的價格相同，并且每個子網(wǎng)的流動性池中僅包含少量的 TAO 和 dTAO 代幣。因此，任何交易活動都可能引發(fā)顯著的價格波動。

為了參與子網(wǎng)并獲得獎勵，用戶必須首先購買 dTAO 子網(wǎng)代幣并將其質(zhì)押給驗證者，這一需求推動了該子網(wǎng)內(nèi) dTAO 價格的上漲。隨著 dTAO 價格上升，流動性池內(nèi)的 dTAO 總價值增加，系統(tǒng)會自動向該子網(wǎng)分配更多的 TAO 獎勵，使礦工和質(zhì)押者能夠獲得更高的回報。

這形成了一個正反饋循環(huán)：用戶購買 dTAO，推高價格??價格上漲導致子網(wǎng)獲得更多 TAO 發(fā)行量??更多的獎勵吸引額外用戶進入??進一步推高 dTAO 價格

反之，如果用戶開始大量拋售 dTAO，其價格下降，導致該子網(wǎng)獲得的 TAO 發(fā)行量減少，從而降低用戶的參與度?？傮w而言，子網(wǎng)代幣價格的波動主要受市場供需、流動性池規(guī)模以及系統(tǒng)自動激勵機制的影響。

這個機制與 AI 代理Launchpad 模型有相似之處，用戶首先需要購買平臺代幣來投資 AI 代理代幣。在 AI 代理 Launchpad 生態(tài)中，一旦某個 AI 代理代幣價格快速上漲并產(chǎn)生財富效應，大量用戶就會涌入，進一步推高平臺代幣的需求。

然而，dTAO 機制與 AI 代理 Launchpad 之間存在一些關(guān)鍵區(qū)別：

• 在 AI 代理 Launchpad 生態(tài)中，用戶通常僅在 AI 代理代幣的市值較低（即在項目內(nèi)部市場中）時使用平臺代幣購買這些 AI 代理代幣。

• 一旦 AI 代理代幣達到一定估值，用戶可以將其賣出換取 ETH/SOL 來實現(xiàn)利潤，新用戶也可以直接使用 ETH/SOL 購買 AI 代理代幣。

相比之下，在 dTAO 體系中：

• 當 dTAO 價格上漲，用戶希望套現(xiàn)或遷移到另一個具有更高潛力的子網(wǎng)時，他們只能用 dTAO 兌換 TAO。

• 這一過程可能導致流動性池內(nèi) dTAO 價格的大幅波動。

目前，用戶可以在 Backprop Finance上交易 dTAO 代幣，從而提供子網(wǎng)代幣的二級市場流動性。

3.3.2 dTAO 生態(tài)系統(tǒng)的獨特發(fā)行機制

dTAO 生態(tài)的另一個關(guān)鍵方面是其獨特的代幣發(fā)行機制。如下圖所示，在 dTAO 升級后，發(fā)行量高度集中在前幾個子網(wǎng)項目上。前 五個子網(wǎng)項目目前可獲得 40% 的總發(fā)行量。

目前每天分發(fā) 7,200 TAO，按照 2025 年 2 月 18 日的 TAO 價格計算，這意味著前五個子網(wǎng)項目每天單獨獲取價值約 100 萬美元的 TAO。

如果 dTAO 生態(tài)的發(fā)展路徑類似于 Virtual 生態(tài)，即某些項目獲得顯著市場關(guān)注，那么高市值子網(wǎng)將占據(jù)絕大部分新增的 TAO 發(fā)行量。

對于新項目而言，要想在競爭中勝出，必須展現(xiàn)出強勁的潛力，以吸引質(zhì)押者、礦工和驗證者參與。這通常意味著：

• 參與者需要 從其他子網(wǎng)遷移，將其 TAO 兌換成新子網(wǎng)的 dTAO。

• 這可能涉及 拋售現(xiàn)有流動性池中的子網(wǎng)代幣，從而提高新子網(wǎng)的市值。

這種競爭模式可能會促使子網(wǎng)代幣市場更加活躍，并進一步推動整個 TAO 生態(tài)系統(tǒng)的創(chuàng)新與發(fā)展。

3.4 dTAO 是否解決了 Bittensor 子網(wǎng)模型中的問題？

3.4.1 機制問題依然存在

dTAO 升級將 TAO 發(fā)行量與子網(wǎng)代幣的市場表現(xiàn)掛鉤，將資源分配決策從少數(shù)根驗證者轉(zhuǎn)變?yōu)?市場驅(qū)動方式，旨在激勵更廣泛的用戶參與和互動。雖然這一機制 部分緩解了資源重疊帶來的低效，確保只有 代幣價格表現(xiàn)強勁的高性能子網(wǎng)才能獲得更多 TAO 獎勵，但它并未從根本上解決以下關(guān)鍵問題：

• 資源重疊與冗余：如果多個子網(wǎng)專注于相似任務（如 文本生成、圖像生成或價格預測），即使采用市場驅(qū)動的調(diào)整方式，資源重復和低效利用仍然沒有得到根本解決。

• 雖然所有參與者都可以賺取 TAO，但沒有外部用戶為礦工和驗證者的貢獻付費。這導致 TAO 持續(xù)面臨拋售壓力，因為獎勵不斷發(fā)放，卻缺乏 可持續(xù)的需求機制來支撐 TAO 價格。

• 部分子網(wǎng)可能存在偽造模型和評估標準不完善的問題： Bittensor 正在演變?yōu)?AI 技術(shù)堆棧中的“外包層”，其中 代幣激勵迅速吸引資源并推動特定 AI 任務的分配。例如，Kaito AI 將搜索引擎的開發(fā)外包給一個子網(wǎng)，利用集體智能來降低成本。然而，這種 激勵驅(qū)動模型雖然在短期內(nèi)可以吸引開發(fā)者，但長期成功仍取決于真實需求和質(zhì)量保障。在測試 Cortex.t 子網(wǎng)時，發(fā)現(xiàn)其回答直接來自 OpenAI API，而非 Bittensor 礦工生成。這表明部分子網(wǎng)只是“包裝應用”，并未真正利用 Bittensor 的去中心化 AI 計算能力。部分子網(wǎng)驗證者依賴 OpenAI 結(jié)果進行對比，可能導致中心化風險，同時 部分價格預測類子網(wǎng)的準確性較低，難以實際應用

改進方向：提升實用性和透明度：

• 礦工應提交中間數(shù)據(jù)或哈希證明以驗證其模型訓練和推理過程，確保 輸出確實來自 Bittensor 網(wǎng)絡(luò)，而非外部 API。

• 應建立標準化測試數(shù)據(jù)集，用于 不同類型的子網(wǎng)（如預測模型、生成式 AI 模型）進行基準測試。

• 定期發(fā)布基準測試排名，促進子網(wǎng)之間的健康競爭，提高模型質(zhì)量。

3.4.2 dTAO 仍面臨 adoption、應用場景缺乏與質(zhì)押率下降問題

當前，dTAO 主要局限于 Bittensor 網(wǎng)絡(luò)內(nèi)部，尚未在更廣泛的加密市場中獲得足夠的采用度。雖然 dTAO 引入了 EVM 兼容性，但它并未像 Virtual 生態(tài)的 AI Agent 代幣那樣在社交媒體上形成熱度。與此同時，幾乎沒有項目將 dTAO 納入其核心代幣經(jīng)濟模型，導致 dTAO 仍然缺乏真實的應用需求。目前，購買子網(wǎng)代幣更像是一種一次性的投資行為，當用戶選擇套現(xiàn)時，可能會引發(fā)大幅度的價格波動。這種問題在 AI 基礎(chǔ)設(shè)施外包子網(wǎng)中尤為明顯，例如 Kaito 的 dTAO 代幣幾乎與其核心業(yè)務無關(guān)聯(lián)，使得其代幣缺乏市場價值支撐。

盡管如此，dTAO 仍然相較于 AI Agent Launchpad 具備一定優(yōu)勢。按照 dTAO 經(jīng)濟模型，50% 的新發(fā)行 dTAO 必須注入流動性池，而剩余 50% 由子網(wǎng)參與者（包括驗證者、礦工和子網(wǎng)所有者）決定分配。這一機制確保只有持續(xù)改進產(chǎn)品、吸引用戶的子網(wǎng)，才能獲得更多獎勵，從而避免低質(zhì)量 AI 代理的泛濫，并推動 TAO 生態(tài)的技術(shù)創(chuàng)新。然而，由于 dTAO 生態(tài)仍處于早期階段，受眾范圍尚未擴大，同時缺乏大規(guī)模的應用場景，使得其市場認可度依然較低。

當前，Bittensor 生態(tài)系統(tǒng)的擴張速度未能匹配代幣經(jīng)濟增長的需求。根據(jù)最新數(shù)據(jù)，TAO 的質(zhì)押率已從 90% 高峰下降至 71%。這表明，部分持幣者對網(wǎng)絡(luò)的長期激勵機制缺乏信心，可能轉(zhuǎn)向其他更具收益吸引力的 DeFi 或 AI 生態(tài)項目。

3.5 關(guān)注與 Bittensor 生態(tài)緊密結(jié)合且具備實際用例的子網(wǎng)項目

Bittensor 生態(tài)系統(tǒng)的健康發(fā)展，取決于是否能夠吸引并支持高質(zhì)量的子網(wǎng)。評估一個子網(wǎng)的長期潛力，需要重點關(guān)注其應用場景、激勵機制、團隊背景以及代幣的實際用途。

首先，子網(wǎng)必須具備清晰且實際的應用場景。一個成功的項目不僅需要解決現(xiàn)實世界的問題，還應獲得真實用戶的反饋。技術(shù)架構(gòu)需要穩(wěn)健且富有創(chuàng)新性，能夠支持分布式 AI 模型訓練和推理。此外，子網(wǎng)應利用鏈上數(shù)據(jù)，并采用透明的評估機制，以展示其對 Bittensor 生態(tài)的貢獻。

其次，合理的激勵機制是維持子網(wǎng)長期運作的關(guān)鍵。激勵結(jié)構(gòu)應該公平地分配給礦工、驗證者和子網(wǎng)所有者，避免由于缺乏持續(xù)的應用需求而導致的市場拋售壓力。子網(wǎng)需要能夠通過業(yè)務模式自我造血，而非單純依賴 TAO 發(fā)行進行激勵。

此外，一個成功的子網(wǎng)項目往往具備強大的團隊背景、生態(tài)整合能力以及社區(qū)支持。優(yōu)先關(guān)注 Bittensor 原生子網(wǎng)，而非單純的 AI 外包子網(wǎng)，能夠確保整個生態(tài)體系的長期穩(wěn)定性。對于外包型項目，關(guān)鍵在于其子網(wǎng)代幣是否真正融入到核心代幣經(jīng)濟模型，而不僅僅是一個激勵工具。

最后，子網(wǎng)代幣的實際用途是決定其長期價值的核心。目前，幾乎沒有項目真正將子網(wǎng)代幣納入其運營體系，dTAO 仍處于早期階段。如果子網(wǎng)代幣能夠用于支付、訪問 AI 服務、參與治理或提供額外激勵，才能建立真正的市場需求，確保長期價值和生態(tài)健康。否則，子網(wǎng)代幣仍然只是純粹的投機資產(chǎn)，容易引發(fā)市場波動，最終難以吸引長期用戶和開發(fā)者。

4. 經(jīng)濟模型

所有 TAO 代幣獎勵均為新鑄造，與比特幣類似，Bittensor 的 TAO 采用與比特幣相同的代幣經(jīng)濟學和發(fā)行曲線，總供應上限為 2100 萬，每 4 年減半。

Bittensor 采用公平啟動方式，無預挖或 ICO，每個流通的代幣都必須通過積極參與網(wǎng)絡(luò)來賺取。目前網(wǎng)絡(luò)每天生成 7,200 個 TAO（每個區(qū)塊生成 1 個 TAO，約每 12 秒產(chǎn)生一個），遵循程序化發(fā)行計劃：當總供應量的一半被分發(fā)后，發(fā)行速率便減半，此過程大約每 4 年發(fā)生一次，并在每次半數(shù)節(jié)點持續(xù)進行，直至 2100 萬 TAO 全部流通

盡管 TAO 的發(fā)行曲線與比特幣類似，但由于引入了回收機制，根據(jù) taostats 的代幣回收數(shù)據(jù)，Bittensor 網(wǎng)絡(luò)（于 2021 年 1 月 3 日上線）的計劃減半日期預計將推遲到 2025 年 12 月。

關(guān)于 HTX Research:

HTX Research 是 HTX Group 旗下的專屬研究部門，負責對加密貨幣、區(qū)塊鏈技術(shù)及新興市場趨勢等廣泛領(lǐng)域進行深入分析，撰寫全面報告，并提供專業(yè)評估。HTX Research 致力于提供基于數(shù)據(jù)的洞察和戰(zhàn)略前瞻，在塑造行業(yè)觀點和支持數(shù)字資產(chǎn)領(lǐng)域的明智決策方面發(fā)揮著關(guān)鍵作用。憑借嚴謹?shù)难芯糠椒ê颓把氐臄?shù)據(jù)分析，HTX Research 始終站在創(chuàng)新前沿，引領(lǐng)行業(yè)思想發(fā)展，并促進對不斷變化的市場動態(tài)的深入理解。

參考：

https://bittensor.com/content/consensus_v2

https://learnbittensor.org/subnets

https://taostats.io/subnets