글쓴이: Chloe Zheng

Sequoia Capital의 2023년 연구에 따르면 개발자의 85%가 모델을 처음부터 학습시키는 것보다 기존 모델을 미세 조정하는 것을 선호합니다. 최근 추세는 이를 더욱 입증합니다. DeepSeek은 모델을 오픈 소스로 공개하고 모델 증류 기술을 도입했습니다. 이 기술은 교사 모델(대형 모델)에서 학생 모델(소형 모델)로 추론 논리를 전달하여 지식 압축과 성과 보존을 최적화합니다. 마찬가지로 OpenAI의 ChatGPT O3 버전도 학습 후 학습과 강화 학습을 강조합니다. Bittensor는 AI 모델의 협업과 공유를 지원하는 개방적이고 분산화된 플랫폼을 제공합니다. 2024년 7월, Bittensor와 Cerebras는 BTLM-3b-8k 오픈소스 대규모 언어 모델(LLM)을 출시했고, 이는 Hugging Face에서 16,000회 이상 다운로드되어 Bittensor의 기술적 역량을 완벽하게 보여주었습니다.

Bittensor는 2021년에 출시되었지만 2024년 4분기에 AI Agent 열풍이 불었을 때는 거의 모습을 드러내지 않았으며 토큰 가격은 정체된 상태를 유지했습니다. 2025년 2월 13일, Bittensor는 토큰 발행을 최적화하고, 공정성을 개선하고, 유동성을 늘리는 것을 목표로 dTAO 업그레이드를 출시했습니다. 이러한 변화는 Virtuals Protocol이 AI Agent LaunchPad를 출시한 것과 유사하며, 이로 인해 $VIRTUAL의 시가총액이 2024년에 50배 급증했습니다.

보고서 "dTAO와 Bittensor의 진화: 시장 주도 인센티브를 통한 오픈 소스 AI 생태계 재편"은 2월 13일에 완료된 dTAO 업그레이드가 Bittensor 생태계에 미친 영향을 심층적으로 분석하며, 아키텍처 혁신, 경제 모델 및 전반적인 생태 역학에 초점을 맞춥니다.

Bittensor 시스템의 계정 수는 2024년 초 100,000개에서 100% 증가하여 거의 200,000개에 달했습니다.

1. Bittensor의 기본 아키텍처

Bittensor 시스템은 다음 세 가지 주요 모듈로 구성됩니다.

1. 서브텐서 파라체인과 EVM 호환 계층(tao evm): 서브텐서는 폴카닷의 Substrate SDK를 기반으로 개발된 Layer1 블록체인으로, Bittensor 네트워크의 블록체인 계층을 관리합니다. EVM 호환성 계층(tao evm)을 통해 개발자는 네트워크에서 Ethereum 스마트 계약을 배포하고 실행하여 시스템의 확장성과 호환성을 향상시킬 수 있습니다. 서브텐서 블록체인은 12초마다 블록을 생성하고, 각 블록은 TAO 토큰 하나를 생성합니다. 또한 Subtensor는 검증자의 점수 가중치와 스테이킹된 토큰 수를 포함하여 서브넷의 주요 활동을 기록합니다. 360개 블록(약 72분)마다 Yuma 합의 알고리즘은 64개 서브넷에서 얻은 토큰(배출량)을 계산합니다.

2. 서브넷: Bittensor 네트워크는 64개의 서브넷으로 구성되어 있으며, 각 서브넷은 특정 유형의 AI 모델이나 애플리케이션 시나리오에 초점을 맞춥니다. 이러한 모듈형 구조는 네트워크의 효율성과 성능을 개선하고 다양한 AI 모델의 특수화를 촉진합니다. 각 서브넷의 인센티브 메커니즘은 서브넷 소유자가 설정하며, 이를 통해 채굴자와 검증자 간에 토큰이 어떻게 분배되는지가 결정됩니다. 예를 들어, 서브넷 1은 Opentensor Foundation에서 운영하며 해당 작업은 텍스트 프롬프트입니다. 이 서브넷에서 검증자는 ChatGPT와 유사한 프롬프트를 제공하고, 채굴자는 프롬프트에 따라 답변하고, 검증자는 답변의 질에 따라 채굴자의 순위를 매기고, 가중치를 정기적으로 업데이트하여 Subtensor 블록체인에 업로드합니다. 블록체인은 360블록마다 Yuma 합의 계산을 수행하고 서브넷에 대한 토큰 릴리스를 할당합니다.

3. 루트 서브넷: 네트워크의 핵심인 루트 서브넷은 모든 서브넷의 운영을 조정하고 관리하여 네트워크의 전반적인 조정과 안정성을 보장하는 역할을 합니다.

또한 Bittensor API는 서브넷 검증자와 Subtensor 블록체인의 Yuma 합의 간의 전송 및 연결 역할을 합니다. 동일한 서브넷의 검증자는 동일한 서브넷의 채굴자에게만 연결됩니다. 서로 다른 서브넷에 있는 검증자와 채굴자는 서로 통신하거나 연결되지 않습니다.

이러한 아키텍처 설계를 통해 Bittensor는 블록체인 기술과 인공 지능을 효과적으로 통합하여 분산되고 효율적인 AI 생태계를 구축할 수 있습니다.

Subtensor EVM 호환 계층 tao evm은 2024년 12월 30일에 공식 출시됩니다. Ethereum 스마트 계약을 수정하지 않고도 Subtensor 블록체인에 배포하고 상호 작용할 수 있습니다. 동시에 모든 EVM 작업은 Subtensor 블록체인에서만 실행되며 Ethereum과 상호 작용하지 않습니다. 즉, Bittensor의 스마트 계약은 Bittensor 네트워크에만 국한되며 Ethereum 메인넷과는 아무런 관련이 없습니다. 현재 Tao EVM은 아직 초기 단계에 있으며, 여기에는 최초의 TAO 지원 스테이블코인, 분산형 거래소, TAO 토큰의 유동성 스테이킹 버전 등 AI 기반 DeFi 인프라를 개발할 계획인 생태 프로젝트 TaoFi가 포함됩니다.

1.1 계정 시스템

1.1.1 Coldkey-Hotkey 듀얼 키 시스템

dTAO의 계정 시스템은 더 높은 보안과 유연성을 보장하기 위해 Coldkey-Hotkey 듀얼 키 메커니즘을 채택합니다. 지갑을 생성할 때 사용자는 Chrome 확장 프로그램을 사용하거나 로컬에서 지갑을 생성할 수 있습니다. Chrome 확장 프로그램을 통해 생성된 지갑은 TAO를 저장하고, 보내고, 받는 데 사용됩니다. 시스템은 콜드키(48자, 보통 5자로 시작)와 12단어 니모닉을 생성합니다. 로컬에서 생성된 지갑은 콜드키를 생성하는 것 외에도 핫키도 생성합니다. 핫키는 서브넷 생성, 마이닝, 검증 작업에 참여하는 데 사용됩니다.

Coldkey-Hotkey 듀얼 키 시스템을 채택하는 주된 이유는 핫키가 서브넷의 일상적 운영에서 자주 사용되고 잠재적인 보안 위협에 직면해 있기 때문입니다. 반면, 콜드키는 주로 TAO를 저장하고 전송하는 데 사용되므로 TAO 손실 위험을 효과적으로 줄일 수 있습니다. 이러한 이중 보호 메커니즘은 계좌 운영의 보안과 유연성을 보장합니다.

바인딩 측면에서 핫키는 동일한 서브넷의 콜드키에 바인딩될 수 있지만, 다른 서브넷의 콜드키에도 바인딩될 수 있습니다(권장하지 않음). 하나의 콜드키를 여러 개의 핫키에 바인딩할 수 있습니다.

1.1.2 서브넷 UID 시스템

1.1.2.1 서브넷 UID 생성

최소 100 TAO의 등록비를 지불하면 시스템에서 서브넷 UID를 생성하여 핫키에 연결합니다. 이 UID는 서브넷 마이닝이나 검증에 참여하는 데 필요한 자격 증명입니다. 채굴자가 되려면 핫키, 콜드키, 서브넷 UID만 있으면 되고, Bittensor를 실행하여 채굴에 참여하면 됩니다.

1.1.2.2 검증자가 되기 위한 요구 사항

서브넷 검증자가 되려면 최소 1,000 TAO를 스테이킹해야 하며 각 서브넷에서 스테이킹 순위가 상위 64위 안에 들어야 합니다. 검증자는 여러 개의 UID 슬롯을 동시에 보유할 수 있으므로 추가로 스테이크 금액을 늘리지 않고도 여러 서브넷에서 검증을 수행할 수 있다는 점에 유의하는 것이 중요합니다(재스테이킹 개념과 유사). 이러한 메커니즘은 검증자가 악행을 저지를 위험을 줄일 뿐만 아니라, 악행의 비용도 증가시킵니다. 왜냐하면 많은 양의 TAO(최소 1,000 TAO)를 스테이킹하면 악행의 비용이 크게 증가하기 때문입니다. 서브넷에서 경쟁력을 높이기 위해 각 검증자는 더 많은 TAO 위임 지분을 유치하기 위해 좋은 평판과 실적을 구축하기 위해 노력할 것이며, 그렇게 함으로써 상위 64위 안에 안정적으로 진입할 수 있을 것입니다.

1.1.2.3 서브넷 구조 및 용량 제한

서브넷 1: 총 1024개의 UID 슬롯이 있으며, 최대 128개의 검증기를 수용할 수 있습니다. 검증자와 마이너의 총 수는 1024개로 제한됩니다.

기타 서브넷: 각 서브넷에는 256개의 UID 슬롯이 있으며 최대 64개의 검증자를 수용할 수 있습니다. 각 서브넷의 검증자와 마이너의 총 수는 256을 초과하지 않습니다.

1.1.2.4 서브넷 경쟁 및 인센티브 메커니즘

서브넷 내부에서 검증자는 마이너에게 작업을 할당합니다. 모든 채굴자가 작업을 완료한 후 해당 검증자에게 결과를 제출합니다. 검증자는 각 채굴자가 제출한 작업의 품질을 평가하고 순위를 매기며, 채굴자는 작업의 품질에 따라 TAO 보상을 받게 됩니다. 동시에 검증자는 고품질 채굴자가 더 나은 보상을 받도록 보장하는 인센티브 보상도 받게 되며, 이를 통해 전체 서브넷의 품질이 지속적으로 개선됩니다. 이러한 일련의 경쟁 과정은 서브넷 생성자가 시스템이 공정하고 효율적으로 운영되도록 설계한 코드 인센티브 메커니즘에 의해 자동으로 실행됩니다.

각 서브넷에는 마이너가 서브넷 UID를 등록한 시점부터 시작되는 7일의 보호 기간(면역 기간)이 있습니다. 이 기간 동안 채굴자들은 보상을 받게 됩니다. 보호 기간 동안 새로운 채굴자가 등록하고 현재 서브넷의 UID 슬롯이 가득 찬 경우, 누적 보상이 가장 적은 채굴자가 제거되고 해당 UID가 새로 등록된 채굴자에게 재할당됩니다.

1.2 서브넷은 다층 생태계를 구축합니다.

Bittensor 서브넷은 채굴자, 검증자, 서브넷 생성자, 소비자가 각자의 임무를 수행하고 공동으로 고품질 AI 서비스 생성을 촉진하는 다층 생태계를 구축합니다.

마이너: 네트워크의 핵심 컴퓨팅 노드인 마이너는 AI 모델을 호스팅하고 추론 및 교육 서비스를 제공합니다. 그들은 손실 함수를 최소화하여 TAO 보상을 얻기 위해 피어 투 피어 스코어링에서 경쟁합니다. 채굴자의 성공은 제공하는 서비스의 품질과 성능에 달려 있습니다.

검증자: 검증자는 채굴자가 제출한 작업 결과를 평가하고, 신뢰 매트릭스를 구축하고, 공모 및 부정 행위를 방지하고, 고품질 채굴자가 더 높은 수익을 받도록 보장하는 역할을 합니다. 검증자는 채굴자의 응답 품질을 기준으로 순위가 매겨지며, 순위가 정확하고 일관성이 높을수록 검증자가 받는 보상이 커집니다.

서브넷 생성자: 서브넷 생성자는 특정 응용 프로그램 영역(자연어 처리, 컴퓨터 비전 등)의 요구 사항에 따라 맞춤형 서브넷을 설계하고 독립적인 합의 메커니즘, 작업 프로세스, 인센티브 구조를 구축합니다. 그들은 네트워크 관리자의 역할을 맡고 각자의 서브넷에 인센티브를 분배할 권한을 갖습니다.

소비자: 소비자는 TAO 토큰을 지불하여 AI 서비스를 호출하여 API를 쿼리하고, 교육 데이터를 얻거나, 모델 교육을 위해 컴퓨팅 리소스를 사용합니다. 그들은 Bittensor가 제공하는 AI 모델의 최종 사용자입니다.

전반적인 프로세스는 다음과 같습니다. 서브넷 검증자가 질문을 생성하여 모든 마이너에게 배포합니다. 채굴자는 작업에 따라 답변을 생성하고 이를 검증자에게 반환합니다. 검증자는 답변의 질을 평가하고 채굴자 가중치를 업데이트하며, 이 가중치는 주기적으로 체인에 업로드됩니다. 치열한 경쟁과 적자생존의 메커니즘을 통해 우리는 서브넷 내 AI 모델의 기술적 진보와 생태적 최적화를 지속적으로 촉진할 것입니다.

1.2.1 채굴자 계층

채굴자는 Bittensor 네트워크에서 핵심 컴퓨팅 노드 역할을 합니다. 주요 책임은 다음과 같습니다.

AI 모델 호스팅 및 추론 또는 교육 서비스 제공: 채굴자는 로컬 머신 러닝 모델을 호스팅하여 클라이언트 애플리케이션에 대한 예측 서비스를 제공합니다. 클라이언트가 예측을 필요로 할 때 Bittensor 네트워크에 요청을 보내면, 해당 요청은 서비스 제공자로 등록된 채굴자에게 전달됩니다. 채굴자는 요청을 처리하고 예측 결과를 클라이언트에게 반환합니다.

P2P 랭킹에서 경쟁하여 컴퓨팅 인센티브로 TAO 토큰 획득: 채굴자들은 P2P 랭킹에서 경쟁하여 모델 성과와 네트워크 기여도에 따라 TAO 토큰 보상을 획득합니다. 이러한 인센티브 메커니즘은 채굴자들이 모델 성능을 지속적으로 최적화하고 네트워크에 고품질 AI 서비스를 제공하도록 장려합니다.

고품질 AI 모델 기여 보장: 채굴자는 네트워크 요구 사항을 충족하고 서비스 품질을 보장하기 위해 고품질 AI 모델을 제공하기 위해 최선을 다하고 있습니다. 이를 통해 네트워크에서 더 높은 순위와 보상을 얻을 수 있을 뿐만 아니라, Bittensor 네트워크 전체의 전반적인 성능과 안정성도 향상됩니다.

이러한 책임을 다함으로써 채굴자는 Bittensor 네트워크의 효율적인 운영과 개발에 중요한 기여를 합니다.

1.2.2 소비자 계층

Bittensor 네트워크에서 소비자는 채굴자가 제공하는 인공지능(AI) 서비스에 액세스하기 위해 TAO 토큰을 지불하는 최종 사용자 또는 기업입니다. 이 모델을 사용하면 소비자는 자체 AI 모델을 소유하거나 유지 관리하지 않고도 네트워크 내에서 AI 기능을 활용할 수 있으므로 AI 컴퓨팅 비용이 절감됩니다.

소비자를 위한 특정 애플리케이션 시나리오는 다음과 같습니다.

· 개발자 쿼리 AI API: 개발자는 Bittensor가 제공하는 AI 인터페이스를 호출하여 애플리케이션 개발이나 기능 통합에 필요한 지능형 서비스를 얻을 수 있습니다.

· 연구 기관을 위한 AI 교육 데이터 세트에 대한 액세스: 연구 기관은 네트워크 내 리소스를 사용하여 대규모 AI 교육 데이터 세트에 액세스하고 분석하여 과학 연구 프로젝트와 실험을 지원할 수 있습니다.

· 기업은 Bittensor의 컴퓨팅 리소스를 사용하여 AI 모델을 훈련합니다. 기업은 Bittensor의 분산 컴퓨팅 리소스를 사용하여 자체 AI 모델을 훈련하고 최적화하고 비즈니스 인텔리전스 수준을 개선할 수 있습니다.

이런 방식으로 Bittensor는 소비자에게 AI 서비스를 얻을 수 있는 유연하고 효율적인 방법을 제공하여 인공지능의 대중화와 응용을 촉진합니다.

1.2.3 플레지 기반 합의 메커니즘

Bittensor의 플레지 기반 합의 메커니즘은 주로 다음과 같은 문제를 해결합니다.

1.2.3.1 평활화 및 밀도 진화

갑작스러운 수정으로 인한 시스템 불안정성을 방지하기 위해 수정 함수는 "평활화"를 채택합니다. 우리는 주식 가중 평균 절대 편차를 다음과 같이 정의합니다.

이 프로세스는 대규모 데이터 세트의 통계적 평활화와 유사합니다. 여러 차례의 "평활화" 과정을 거친 후, 각 참가자의 실제 순위가 드러납니다. 핵심은 밀도 진화를 통해 악의적인 플레이어의 과도한 가중치와 같은 비정상적인 가중치를 더 많이 압축할 수 있는 반면, 정직한 플레이어에게 미치는 영향은 줄어든다는 것입니다.

1.2.3.2 가중 신뢰 메커니즘 및 0가중치 취약성 방지

dtao 업그레이드를 통해 위의 문제가 다음과 같이 개선되었습니다.

· 최적화된 반복 및 평활화 처리: 반복 횟수 η를 늘리고 평활화 매개변수 α 또는 δ를 미세 조정하여 가중치가 없는 취약성을 줄이고 과도한 수정을 방지합니다.

· 향상된 가중치 신뢰 메커니즘: 0이 아닌 가중치를 보다 정확하게 감지하고 더 엄격한 임계값을 적용하여 대다수가 인식한 노드만이 전체 보상을 받을 수 있도록 합니다.

· 계산 오버헤드 감소:이론적 정확도에 영향을 주지 않고 블록체인 컴퓨팅 제약 조건에 맞게 알고리즘을 최적화하여 계산 비용을 줄입니다.

Bittensor의 주식 기반 합의 메커니즘은 수학적 모델과 게임 이론 도구를 결합한 것입니다. 공식 업데이트, 가중 평균 합의, 반복적 수정, 밀도 진화와 같은 방법을 통해 시스템은 비정상적인 가중치 편차를 자동으로 보정하여 공정한 최종 보상 분배를 보장할 수 있습니다.

이 프로세스는 공정한 채점을 보장하고, 우수한 기여자에게 인센티브를 제공하며, 악의적인 공모 및 투표 조작을 방지하기 위해 지속적으로 자체 보정하는 스마트 밸런싱 시스템이나 평판 메커니즘과 유사합니다.

이를 기반으로 dtao 업그레이드는 보다 정교한 평활화 제어와 개선된 가중치 신뢰 전략을 채택하여 시스템의 견고성과 공정성을 더욱 강화합니다. 따라서 적대적인 환경에서도 정직한 기여자는 항상 경쟁 우위를 유지할 수 있으며, 전체 컴퓨팅 리소스 소비는 최적화되고 감소합니다.

2. 유마 합의: 동적으로 프로그래밍 가능한 인센티브 및 합의

비트코인은 세계 최대의 P2P 컴퓨팅 네트워크를 구축했으며, 누구나 로컬 컴퓨팅 성능을 기여하여 글로벌 원장을 유지할 수 있습니다. 이러한 인센티브 규칙은 설계 시점에 고정되어 있어 생태계가 비교적 정적인 방식으로 발전하게 됩니다.

반대로, Yuma Consensus(YC)는 역동적이고 프로그래밍 가능한 인센티브 프레임워크입니다. 비트코인의 정적인 인센티브 메커니즘과 달리 YC는 목적 함수, 스테이킹 보상, 가중치 조정 메커니즘을 합의 프로세스에 직접 통합합니다. 즉, 시스템은 고정된 규칙에만 의존하지 않고 노드의 실제 기여도와 행동에 따라 동적으로 조정되어 보다 공정하고 효율적인 보상 분배를 달성합니다.

YC 합의 알고리즘은 Subtensor 블록체인에서 지속적으로 실행되며 각 서브넷에서 독립적으로 작동합니다. 주요 워크플로에는 다음 구성 요소가 포함됩니다.

· 서브넷 검증자의 가중치 벡터: 각 서브넷 검증자는 가중치 벡터를 유지 관리하며, 각 요소는 검증자가 모든 서브넷 마이너에 할당한 점수 가중치를 나타냅니다. 이 가중치는 검증자의 과거 성과를 기반으로 하며 채굴자의 순위를 매기는 데 사용됩니다. 예를 들어, 검증자의 점수 벡터가 인 경우 결과 순위는 각 채굴자의 기여 수준에 대한 검증자의 평가를 반영합니다.

· 지분 금액의 영향:체인의 각 검증자와 채굴자는 특정 양의 토큰을 지분으로 보유합니다. YC 합의는 가중치 벡터와 지분 금액을 결합하여 보상 분배를 계산합니다. 즉, 최종 보상은 득점 가중치뿐만 아니라 베팅 금액에 따라서도 달라지므로, "베팅 금액 → 가중치 → 보상"의 닫힌 루프가 형성됩니다.

· 동적 주관적 합의: 각 참가자는 머신 러닝 모델에 로컬 가중치를 할당합니다. 이러한 지역적 가중치는 합의 정책을 통해 조정된 후 블록체인의 글로벌 지표로 집계됩니다. 즉, YC는 적대적인 환경에서도 대규모 합의를 달성할 수 있으며 노드 동작의 변화에 동적으로 적응할 수 있습니다.

· 보상 계산 및 분배:서브넷 검증자는 각자의 순위 결과를 수집하여 YC 알고리즘에 대한 집합적 입력으로 제출합니다. 다양한 검증자의 순위가 도착하는 시간은 다를 수 있지만 Subtensor는 약 12초마다 모든 순위 데이터를 처리합니다. 이 데이터를 기반으로 시스템은 보상(TAO)을 계산하고 이를 서브넷 마이너와 검증자의 지갑에 입금합니다.

이 포괄적인 메커니즘을 통해 YC는 분산형 네트워크에서 지속적이고 공정하게 보상을 분배하고, 기여의 질에 동적으로 적응하며, 전체 네트워크의 보안과 효율성을 유지할 수 있습니다.

2.1 지식 증류 및 전문가 혼합(MoE): 협력 학습 및 효율적 기여 평가

2.1.1 지식 증류(디지털 하이브마인드)

Bittensor는 지식 증류라는 개념을 도입했습니다. 이는 인간 뇌의 뉴런의 협력 작업과 유사하며, 노드가 지식을 공유하고, 데이터 샘플과 모델 매개변수를 교환하여 집단적으로 학습합니다.

이 과정에서 노드는 지속적으로 데이터와 모델 매개변수를 교환하여 시간이 지남에 따라 자체 최적화되어 더 정확한 예측을 달성하는 네트워크를 형성합니다. 각 노드는 자신의 지식을 공유 풀에 기여하여 궁극적으로 전체 네트워크의 전반적인 성능을 향상시키고, 로봇 공학 및 자율 주행과 같은 실시간 학습 애플리케이션에 더 적합하고 더 빠르게 만듭니다.

중요한 점은 이러한 접근 방식이 머신 러닝에서 흔히 발생하는 문제인 심각한 망각의 위험을 효과적으로 완화한다는 것입니다. 노드는 기존 지식을 유지 및 확장하면서 새로운 통찰력을 통합할 수 있으므로 네트워크의 견고성과 적응성이 향상됩니다.

여러 노드에 지식을 분산함으로써 Bittensor TAO 네트워크는 간섭과 잠재적인 데이터 유출에 대한 회복력이 더욱 강화됩니다. 이러한 견고성은 금융 및 의료 정보와 같이 보안 및 개인 정보 보호에 매우 민감한 데이터를 처리하는 애플리케이션에 특히 중요합니다.

2.1.2 전문가 혼합(MoE)

Bittensor는 분산 전문가 모델(MoE)을 사용하여 AI 예측을 최적화합니다. 다양한 전문 AI 모델의 협업을 통해 복잡한 문제를 해결하는 정확도와 효율성이 크게 향상됩니다. 예를 들어, 스페인어 주석이 포함된 Python 코드를 생성하는 경우 다국어 모델과 코드 전문성 모델을 함께 사용하면 단일 모델로 만든 결과보다 훨씬 더 뛰어난 고품질 결과를 얻을 수 있습니다.

Bittensor 프로토콜의 핵심은 뉴런이라고 일반적으로 불리는 매개변수화된 함수로 구성되며, 이는 지점 간 방식으로 분산됩니다. 각 뉴런은 0개 이상의 네트워크 가중치를 기록하고, 신경망을 훈련시켜 이웃 노드의 가치를 평가한 후, 서로의 순위를 매기고 디지털 원장에 순위 점수를 누적합니다. 순위가 높은 노드는 금전적 보상뿐만 아니라, 추가적인 가중치도 받습니다. 이를 통해 노드 기여와 보상 사이에 직접적인 연관성이 생기고 네트워크의 공정성과 투명성이 향상됩니다. 이 메커니즘은 다른 정보 시스템이 인터넷을 통해 P2P 방식으로 정보에 대한 가격을 책정할 수 있는 시장을 구축하고 각 노드가 지식과 전문적 역량을 지속적으로 향상시키도록 유도합니다. 보상의 공정한 분배를 보장하기 위해 Bittensor는 협력 게임 이론의 Shapley 값을 차용하여 노드 기여도에 따라 당사자 간에 보상을 효율적으로 분배하는 방법을 제공합니다. YC 합의에 따라 검증자는 각 전문 모델에 점수를 매기고 순위를 매기고, Shapley 가치 원칙에 따라 보상을 공정하게 분배합니다. 이를 통해 네트워크의 보안, 효율성, 지속적인 개선 능력이 더욱 향상됩니다.

3.dtao 업그레이드

Bittensor 프로젝트는 리소스 할당 및 경제 모델 설계에서 다음과 같은 주요 문제가 있습니다.

1. 리소스 중복 및 중복성: 여러 하위 네트워크가 텍스트-이미지 생성, 텍스트 프롬프트, 가격 예측과 같은 유사한 작업에 초점을 맞춰 리소스 할당이 중복되고 낭비됩니다.

2. 실제 사용 사례 부족: 특정 서브넷(예: 가격 예측이나 스포츠 이벤트 결과 예측)은 아직 실제 시나리오에서 실용성이 입증되지 않았으며, 이로 인해 리소스 투자와 실제 요구 사항 간에 불일치가 발생할 수 있습니다.

3. "나쁜 돈이 좋은 돈을 몰아낸다" 현상: 고품질 서브넷은 충분한 자금과 개발 공간을 확보하기 어려울 수 있습니다. 보호 기간이 7일뿐이므로 루트 검증자로부터 충분한 지원을 받지 못하는 서브넷은 조기에 제거될 수 있습니다.

4. 검증자 중앙 집중화 및 새로운 서브넷에 대한 인센티브 부족:

· 루트 검증자는 모든 TAO 보유자를 완전히 대표하지 못할 수 있으며, 평가 결과가 광범위한 견해를 반영하지 못할 수 있습니다. 유마 합의에 따르면, 상위 검증자가 최종 점수를 지배하지만, 그들의 평가는 항상 객관적인 것은 아닙니다. 편견이 발견되더라도 즉시 수정되지 않을 수도 있습니다. 

· 또한 검증자는 새로운 서브넷으로 마이그레이션할 인센티브가 부족합니다. 높은 발급량을 가진 기존 서브넷에서 낮은 발급량을 가진 새 서브넷으로 이동하면 보상이 즉시 손실될 수 있기 때문입니다. 새로운 서브넷이 결국 기존 서브넷의 토큰 발행량과 일치할 수 있을지에 대한 불확실성으로 인해 마이그레이션 의지가 더욱 약화됩니다. 

경제 모델의 주요 문제점:

Bittensor 메커니즘 설계의 주요 문제점은 모든 참가자가 TAO를 받지만 실제로 TAO를 지불하는 사람이 아무도 없어 지속적인 매도 압력이 발생한다는 것입니다. 현재, 채굴자가 답하는 질문은 실제 사용자가 묻는 것이 아니라 서브넷 소유자가 제공하는 것입니다. 이는 실제 사용자 쿼리를 시뮬레이션하거나 과거 사용자 수요를 기반으로 합니다. 따라서 채굴자의 답변에 가치가 있더라도 이 값은 서브넷 소유자에 의해 캡처됩니다. 채굴자의 답변이 서브넷 소유자가 모델 알고리즘을 개선하는 데 도움이 되는지, 아니면 서브넷 소유자가 제품을 개선하기 위한 모델 학습에 직접 사용하는지 여부와 관계없이, 채굴자와 검증자의 작업으로 생성된 가치는 서브넷 소유자의 소유입니다. 이론상으로는 서브넷 소유자에게 이 값에 대한 요금이 청구되어야 합니다.

또한 서브넷 소유자는 비용을 부담할 필요가 없을 뿐만 아니라 서브넷 발행량의 18%도 누릴 수 있습니다. 즉, Bittensor 생태계는 긴밀하게 연결되어 있지 않습니다. 참여자들은 개발과 협업을 기반으로 느슨한 연결을 유지합니다. 서브넷에 있는 프로젝트는 언제든지 손실 없이 종료될 수 있습니다(서브넷 등록 수수료는 환불되므로). 현재 Bittensor 시스템에서 토큰을 복구하는 주요 메커니즘은 서브넷 마이너와 검증자가 지불한 등록 수수료입니다. 그러나 이러한 수수료는 적고 효과적인 가치 포착을 뒷받침하기에 부족합니다. 스테이킹이 주요 메커니즘이 되었지만, 블록체인 거래 수수료와 등록 수수료를 통해 회수되는 TAO의 양은 여전히 제한적입니다.

스테이킹은 두 가지 형태로 나뉩니다.

1. 검증자 스테이킹: 참여자는 네트워크 보안을 지원하고 보상을 받기 위해 TAO를 스테이킹하며, 발행된 모든 TAO의 75%를 차지합니다. 검증자는 현재 하루에 약 3,000 TAO를 벌 수 있으며, 연간 수익률은 15%가 넘습니다. 그러나 첫 번째 반감기 이후에는 이 분배가 하루 1,500 TAO로 줄어들어 스테이킹의 매력이 떨어지고 토큰의 수요와 공급을 균형 잡는 효과도 약해집니다.

2. 서브넷 등록 및 스테이킹: 새로운 서브넷을 추가하면 TAO 공급에 상당한 영향을 미칩니다. 이는 TAO의 총 발행량이 고정되어 있기 때문에 문제가 됩니다. 서브넷 수가 늘어나면 모든 서브넷의 보상이 희석되어 기존 서브넷이 운영을 유지하기 어려워지고 일부 서브넷이 네트워크에서 탈퇴하게 될 수도 있습니다.

이러한 문제는 네트워크의 지속 가능한 개발과 공정한 인센티브를 보장하기 위해 Bittensor의 리소스 할당 및 경제 모델 설계를 더욱 최적화해야 한다는 것을 나타냅니다.

3.1 dtao란 무엇인가

dTAO는 Bittensor Network에서 제안한 혁신적인 인센티브 메커니즘으로, 분산 네트워크에서 비효율적인 리소스 할당 문제를 해결하는 것을 목표로 합니다. 이는 검증자의 수동 투표에 의한 리소스 할당을 결정하는 기존 방식을 폐기하고, 대신 시장의 역동적인 조정에 기반한 메커니즘을 도입하여 서브넷 간 TAO 발행 분배를 서브넷 토큰의 시장 성과에 직접 연결합니다. 내장된 유동성 풀을 설계하여 사용자가 서브넷 토큰을 대가로 TAO를 약속하도록 장려함으로써 뛰어난 성능의 서브넷을 지원합니다.

동시에, 서브넷 토큰의 점진적인 분배를 보장하기 위해 공정한 발행 모델을 채택하여 팀이 장기 기여를 통해 토큰 공유를 얻도록 하고 검증자와 사용자의 역할의 균형을 맞춥니다. 검증자는 벤처 투자자처럼 팀의 기술과 시장 잠재력을 엄격하게 평가하는 반면, 사용자는 스테이킹과 시장 거래를 통해 서브넷 가치 형성을 더욱 촉진합니다.

3.1.1 dTAO의 핵심 메커니즘

3.1.1.1 검증자와 팀을 생태계에 강력하게 연결합니다. 혜택을 얻으려면 먼저 서브넷 토큰에 투자해야 합니다.

dTAO의 설계는 시장과 기술 요인을 모두 기반으로 합니다. 각 서브넷에는 TAO 및 서브넷 토큰으로 구성된 유동성 풀이 갖춰져 있습니다. $TAO 보유자(검증자 및 서브넷 소유자)가 약속 작업을 수행하는 것은 $TAO를 사용하여 해당 $dTAO를 구매하는 것과 같습니다. 교환 가능한 $dTAO의 양은 다음 공식에 따라 계산됩니다.

Uniswap V2와 달리 $dTAO의 유동성 풀은 유동성을 직접 추가할 수 없습니다. 서브넷 소유자가 서브넷을 생성하는 경우를 제외하고 새로 주입되는 유동성은 모두 할당된 $TAO와 총 $dTAO 발행량의 50%에서 나옵니다. 즉, 각 서브넷에 할당된 새로 발행된 $TAO는 서브넷의 Validator\Miner\Owner에게 직접 할당되지 않고, 모두 상환을 위해 유동성 풀에 주입됩니다. 동시에, 새로 발행된 $dTAO의 50%도 유동성 풀에 주입되고, 나머지 50%는 서브넷 자체에서 합의한 인센티브 메커니즘에 따라 Validator\Miner\Owner에게 할당됩니다.

이렇게 하면 팀이 처음에 대량의 토큰을 급히 매각하는 것을 방지하고 팀이 지속적으로 기여하고 기술적 반복을 하도록 장려합니다. 검증자는 벤처 캐피탈리스트와 유사한 역할을 수행해야 하며 서브넷의 기술, 시장 잠재력 및 실제 성과에 대한 엄격한 평가를 실시해야 합니다.

스테이크\언스테이크는 K의 크기를 변경하지 않지만 유동성 주입은 K를 K'로 증가시킵니다.

3.1.1.2 시장 가격이 가장 높은 서브넷 토큰이 가장 많은 $TAO 발행을 받습니다.

이전 계획에서 각 서브넷이 얻을 수 있는 새로 발행된 $TAO의 비율은 루트 네트워크의 검증자에 의해 결정됩니다. 이 계획은 몇 가지 잠재적인 문제점을 드러낸다. 예를 들어, 루트 네트워크의 권력이 몇몇 검증자의 손에 집중되어 있기 때문에 검증자들이 공모하여 새로 발행된 $TAO를 가치가 낮은 서브넷에 분배하더라도 처벌이 없습니다.

동적 TAO는 루트 네트워크의 권한을 종료하고 새로 발행된 $TAO를 모든 $TAO 보유자에게 어떻게 분배할지 결정하는 권한을 부여합니다. 구체적인 접근 방식은 새로운 Yuma Consensus V2를 사용하고 각 서브넷 토큰의 가격에 소프트맥스 연산을 수행하여 해당 릴리스 비율을 구하는 것입니다. 즉, 다음과 같습니다.

소프트맥스는 일반적으로 사용되는 정규화 함수로, 벡터 집합의 각 요소를 요소 간의 상대적 크기 관계를 유지하면서 음이 아닌 값으로 변환하고 변환 후 모든 요소의 합이 1이 되도록 보장합니다.