탈중앙화 AI 네트워크 Bittensor의 전면 분석

원문 제목：《Demystify Bittensor ：How's the Decentralized AI Network?》

저자：Ming Ruan，Wenshuang Guo，Animoca Brands Research

편집：Scof，ChainCatcher

간략 개요

• 인공지능의 발전은 중요한 임계점에 도달했으며, 그것이 세계에 미치는 깊은 영향은 피할 수 없을 뿐만 아니라 범위와 깊이에서 기하급수적으로 증가할 것으로 기대됩니다. 향후 5년 내에 시장 규모가 1조 달러를 초과할 것으로 예상되며, AI 성장을 가속화할 수 있는 프로젝트는 막대한 가치를 창출할 것입니다.
• Bittensor는 TAO 토큰에 의해 구동되는 분산형 인공지능 네트워크로, 프로젝트가 분산형 AI 훈련의 대안으로 AI 관련 "디지털 상품"을 크라우드소싱할 수 있도록 설계되었습니다.
• Bittensor의 기능은 두 가지 핵심 메커니즘에 의존합니다. 첫 번째는 혁신적인 Yuma 합의로, 검증자가 채굴자 간의 보상 분배에 대해 합의할 수 있게 합니다. 두 번째는 TAO 토큰의 지속적인 발행으로, 매 12초마다 1개의 토큰이 발행됩니다. 발행 속도는 4년마다 반으로 줄어들어 예측 가능하지만 점차 감소하는 TAO 공급량을 생성합니다.
• Bittensor의 기본 구성 단위는 서브넷으로, 서브넷은 세 가지 주요 참여자로 구성됩니다: 1) 서브넷 소유자, 서브넷의 목표를 설정합니다; 2) 채굴자, 컴퓨팅 능력을 제공하고 더 큰 보상 몫을 경쟁합니다; 3) 검증자, 채굴자의 성과를 평가하고 그 평가에 따라 보상을 받습니다. 서브넷에 할당된 총 보상은 "루트 서브넷" 또는 서브넷 0에 의해 결정됩니다.
• 현재 Bittensor에서는 50개 이상의 서브넷이 운영되고 있으며, 인프라, 데이터 소스, 모델 훈련, 미세 조정 등 다양한 AI 관련 요구를 포괄하고 있습니다. 일부 서브넷은 특정 차원에서 중앙 집중식 대안을 초월하며 초기 성공을 보여주고 있습니다.
• 많은 신생 생태계와 마찬가지로 Bittensor의 경제 모델은 여전히 결함이 있습니다. 상향식 자금 배분 설계는 각 당사자의 이익과 완전히 일치하지 않습니다. 또한 네트워크 자금을 지원하는 TAO 토큰 가격은 다가오는 반감기 이벤트의 영향을 받기 쉽습니다. 우리는 이러한 문제를 해결하고 Bittensor 생태계의 이익 정렬성과 지속 가능성을 향상시키기 위한 방법을 제안합니다.

분산형 AI의 수요

인공지능 분야는 전례 없는 속도로 발전하고 있지만, 이는 도전 과제가 없는 것은 아닙니다. 현재 중앙 집중식 데이터 훈련 모델이 이 분야를 지배하고 있으며, 주로 OpenAI, Google 및 X(구 Twitter)와 같은 기술 대기업에 의해 통제되고 있습니다.

중앙 집중식 AI 훈련은 최근 몇 년 동안 상당한 성과를 거두었지만, 특정한 한계도 존재합니다. 첫째, 데이터 훈련 과정에서 개인 정보의 무단 사용, 데이터 검열로 인한 훈련 결과 왜곡, 데이터 출처의 추적 가능성 부족과 같은 문제가 있습니다. 알고리즘 측면에서 중앙 집중식 모델은 데이터 품질에 심각하게 의존하며, 실시간 평가를 통해 반복적인 개선을 이루기 어려운 경우가 많습니다.

분산형 AI 훈련은 대안 솔루션을 제시하지만, 특히 자원이 부족한 상황에서 큰 도전에 직면해 있습니다. 현재 대형 모델 훈련 비용은 1억 달러를 초과하여 커뮤니티 주도의 프로젝트가 경쟁하기 거의 불가능합니다. 분산형 노력은 컴퓨팅 능력, 데이터 및 인재의 자발적인 기여에 의존하지만, 이러한 자원은 유사한 규모의 프로젝트를 지원하기에 부족합니다. 따라서 분산형 AI의 잠재력은 여전히 제한적이며, 중앙 집중식 AI와 완전히 경쟁할 수 있는 규모와 영향력을 갖추지 못하고 있습니다.

출처: Statista

Bittensor 개요

Bittensor는 분산형 네트워크로, 고품질 AI 모델이 분산형 방식으로 개발될 수 있는 스마트 시장을 형성하는 것을 목표로 합니다. 참여자에게 컴퓨팅 자원, 전문 지식 및 혁신적 기여를 제공하도록 장려하고 보상함으로써, Bittensor는 원주율 통화 TAO를 통해 보상 토큰이자 네트워크 접근 증명으로 작용하는 오픈 소스 AI 능력 생태계를 구축했습니다.

Bittensor의 핵심 구성 요소인 Yuma 합의, 서브넷 및 TAO 토큰은 2021년 11월 "사토시" 버전 출시와 함께 처음 도입되었으며, Polkadot의 평행 체인으로 구축되었습니다. 이후 2023년 Polkadot Substrate 기반의 Layer 1 체인으로 이전되었으며, TAO의 발행 계획은 변함이 없습니다.

Bittensor의 창립자이자 운영 주체인 Opentensor Foundation은 전 구글 엔지니어 Jacob Steeves와 머신러닝 학자 Ala Shaabana가 공동 설립하였으며, 현재 약 30명의 직원이 있으며, 거의 모든 직원이 엔지니어링 기능에 종사하고 있어 B2B 시장 개발, 비즈니스 개발, 파트너십 또는 개발자 관계와 같은 기능이 부족합니다.

기본 원리: Bittensor는 어떻게 작동하는가?

Bittensor는 동적 인센티브 합의 프레임워크를 기반으로 한 혁신적인 네트워크를 개발하여, 참여자가 기계 지능 생산에 필요한 자원 기여를 지원할 수 있도록 합니다. 각 서브넷은 특정 작업의 모델로 작동하며, 독립적인 성능 평가 기준을 가지고 있으며, Bittensor의 전체 Yuma 합의를 통해 인센티브를 분배합니다.

서브넷이 어떻게 작동하는지를 설명하기 위해 비유를 들어보겠습니다. 서브넷은 매달 작문 대회를 조직하는 잡지 출판사와 비유할 수 있습니다. 매달 한 편집자가 작가들이 10,000달러의 보상 풀을 놓고 경쟁할 수 있는 주제를 발표합니다. 기준은 "web3 정신을 가장 잘 반영한 작품"입니다. 작가들은 편집자에게 글을 제출하여 검토를 받으며, 모든 편집자가 제출된 작품을 평가하고, 편집자의 평가 결과가 최종 순위를 결정합니다. 순위가 가장 높은 글은 출판되어 가장 큰 보상 몫을 받으며, 순위가 낮은 글도 작은 보상을 받을 수 있습니다. 모든 제출된 글과 그 평가 결과는 참여한 작가와 편집자와 공유되어 피드백과 학습이 이루어집니다. 이러한 인센티브 구조를 통해 작가는 지속적으로 참여하고 기여하게 되며, 작가와 편집자 간의 기준도 점차 일치하게 되어 잡지가 "web3 정신을 가장 잘 반영한" 고품질 글을 출판할 수 있게 됩니다.

이 비유에서 잡지 출판사는 서브넷을, 작가는 채굴자를, 편집자는 검증자를 나타냅니다. 편집자가 글에 대한 평가 과정을 종합하는 것이 Yuma 합의 메커니즘입니다. 실제 서브넷에서는 채굴자가 달러 대신 TAO 토큰을 받으며, 이 토큰은 루트 서브넷(서브넷 0)에서 분배됩니다; 검증자도 인센티브를 받아 그들의 기준이 종합된 평가와 가까워지도록 하여 더 많은 보상을 받을 수 있습니다.

이 프레임워크에서 서브넷 소유자는 검증자의 수단을 통해 채굴자로부터 지능 능력을 훈련하고 획득하여 특정 기능을 가진 AI 모듈을 구축합니다. 서브넷 외에도 Bittensor는 전체 네트워크 기능을 지원하는 다른 계층을 설정하고 있습니다:

1. 응용 계층: 외부 응용 프로그램이 서브넷에 요청을 보내어 지능적 응답을 받습니다.
2. 실행 계층: 서브넷 그룹으로 구성되어 있으며, 각 서브넷은 채굴자를 훈련하고 활용하여 지능 및 기타 관련 능력을 개발하는 목표를 가지고 있습니다.
3. 자금 계층: 루트 서브넷(서브넷 0)은 서브넷에 TAO 발행량을 할당하여 그들의 활동을 지원합니다.
4. 블록체인 계층: TAO를 발행하고 서브넷 체인에서 거래를 기록합니다.

a. 응용 계층

사용자는 다양한 응용 프로그램을 통해 Bittensor와 상호작용할 수 있으며, 이러한 응용 프로그램은 서브넷에 연결되거나 서브넷으로 작동합니다. 사용자는 언어 번역 또는 데이터 분석과 같은 서비스 요청을 제출하며, 응용 프로그램은 검증자 API를 통해 요청을 서브넷으로 라우팅합니다. 최상의 채굴자 답변은 검증자 합의에 의해 선택되어 사용자에게 반환됩니다.

b. 실행 계층

이 계층은 Yuma 합의를 사용하여 채굴자를 훈련하고 활용하는 모든 서브넷으로 구성됩니다. 각 서브넷에 대한 심층적인 논의 없이, 여기서는 Yuma 합의 및 서브넷의 참여 상황에 대해 논의하겠습니다.
Yuma 합의

Yuma 합의는 검증자 간의 합의를 구축하기 위한 알고리즘으로, 보상 분배를 결정하는 데 사용됩니다. 간단히 이해하자면, 각 검증자는 자신의 총 점수 1점을 채굴자에게 분배합니다. 그런 다음 각 채굴자의 합의 점수는 모든 검증자 점수의 가중 평균값이 됩니다. 이 점수가 채굴자가 받을 수 있는 보상 몫을 결정합니다.

서브넷

작업 특정 서브넷은 그 목표를 위해 설계된 프레임워크인 "검증 스택"을 사용합니다. 검증자는 이 스택을 실행하여 채굴자가 가치를 창출하는 작업을 수행하도록 안내하며, 서브넷의 목표가 달성되도록 보장합니다. 채굴자의 목표는 동료를 초월하여 더 큰 보상 몫을 얻는 것입니다.

서브넷 소유자가 되려면 먼저 등록비를 지불해야 하며, 그 후에 서브넷에 연결할 수 있습니다. 등록비는 수요에 따라 변동하며, 현재 약 3000 TAO입니다. 서브넷이 해지될 때 비용은 환불됩니다.

검증자가 되려면 TAO를 스테이킹해야 합니다. 최소 스테이킹 기준은 스테이킹 양이 64위인 검증자에 의해 결정됩니다. 더 많은 스테이킹을 한 검증자는 각 서브넷의 서비스 요청 및 Yuma 합의에서 더 높은 가중치를 가집니다. 또한, 하나의 검증자는 여러 서브넷에서 서비스할 수 있습니다.

서브넷에 참여하려면 검증자 또는 채굴자로서 "뉴런"이라는 위치를 등록해야 합니다. 등록비는 서브넷에 따라 다르며, 수요와 공급에 따라 변동하지만 일반적으로 1 TAO 이하입니다. 등록이 해지되면 회수되며 환불되지 않습니다. 입장료 외에도 채굴자는 서브넷의 목적에 맞게 소프트웨어 및 하드웨어를 사용자 정의해야 합니다. 따라서 채굴자는 일반적으로 하나의 서브넷에 묶여 있습니다.

2024년 12월 기준으로, 173개 사용자 계정이 운영하는 250명의 검증자가 있으며, 2,709개 사용자 계정이 운영하는 11,856명의 채굴자가 있습니다.

인센티브 분배

각 서브넷 내에서 할당된 TAO 발행량은 루트 서브넷(자금 계층의 루트)에 의해 결정되며, 정해진 비율에 따라 검증자와 채굴자에게 분배됩니다: 41%는 채굴자에게, 41%는 검증자에게, 18%는 서브넷 소유자에게 분배됩니다. 채굴자 간의 인센티브는 검증자가 분배한 "신뢰 점수"에 따라 결정됩니다. 검증자 간의 인센티브는 검증자의 "신뢰 점수"와 스테이킹 양에 따라 분배됩니다. TAO를 위임하여 스테이킹한 검증자는 다른 스테이커와 보상을 공유하며, 그들의 "몫"을 제외한 후 분배됩니다.

c. 자금 계층

루트 네트워크, 즉 서브넷 0은 Bittensor 스택 내의 자금 계층입니다. 루트 서브넷 내에서 각 검증자는 모든 서브넷의 검증 스택을 실행하여 각 서브넷의 기준 반환 결과의 품질, 정확성 및 응답 시간을 평가하여 점수를 결정합니다. 그런 다음 이러한 점수는 Yuma 합의를 통해 서브넷의 TAO 발행 몫으로 변환됩니다.

루트 서브넷은 두 가지 독특한 특징을 가지고 있습니다: 첫째, 채굴자가 서브넷을 대체하여 평가의 주체가 됩니다; 둘째, 루트 서브넷 내의 검증자 수는 64명으로 고정되어 있습니다. 설계상 새로운 신청자는 기존 검증자의 최소 스테이킹 양을 초과하는 TAO를 스테이킹해야 루트 서브넷에 가입할 수 있습니다. 그러나 현재 이 대체 메커니즘은 중단되었으므로, 스테이킹 양이 다르더라도 고정된 64명의 검증자가 루트 서브넷을 통제하고 있습니다.

d. 블록체인 계층

Subtensor는 Bittensor 내의 블록체인으로, TAO를 발행하는 역할을 합니다. 서브넷 내의 검증자는 가중 점수, 거래 데이터 및 성능 지표를 Subtensor 블록체인에 제출합니다. Subtensor 블록체인의 검증자 노드는 Opentensor 재단이 권위 증명(Proof-of-Authority)을 사용하여 운영하며, 거래를 검증하고 Subtensor 장부를 업데이트하며 보상 분배를 관리합니다. 이 블록체인 계층의 분산화 선언에 대한 논란이 있으며, Opentensor 재단 팀은 필요할 경우 블록체인을 중단할 수 있습니다.

서브넷 평가

2024년 12월 기준으로 56개의 활성 서브넷이 존재합니다. 이 서브넷들은 AI 개발의 여러 측면을 포괄하며, 훈련 데이터 파이프라인, 컴퓨팅 능력, 훈련 플랫폼, 범용 AI 모델 및 특정 응용 AI 도구 등을 포함합니다. 서브넷 간의 발행 분배는 불균형하며, 상위 10개 서브넷이 총 발행량의 약 50%를 차지합니다.

이 섹션의 나머지 부분에서는 서브넷 소유자가 어떻게 서브넷을 활용하는지를 설명하기 위해 세 가지 흥미로운 서브넷을 심층적으로 살펴보겠습니다.

서브넷 18: Cortex.t

Cortex.t는 Corcel이 DSIS 프레임워크 하에 개발한 서브넷으로, GPT4o 및 GPT4를 통해 모델 테스트 및 편향 없는 인공지능 평가를 위한 동적 합성 데이터를 생성하는 것을 목표로 합니다. 고품질의 프롬프트-응답 쌍을 생성하고 이를 wandb.ai의 합성 질문-응답 데이터로 아카이브하며, 프롬프트 진화 및 데이터 증강과 같은 기술을 활용하여 출력 결과를 최적화합니다.

Cortex.t 서브넷 내에서 채굴자는 GPT4o 및 GPT4 출력이 필요한 프롬프트를 처리하며, 그 정확성, 속도 및 효율성은 검증자에 의해 평가됩니다. 이러한 검증자는 동일한 모델을 사용하여 합성 데이터베이스를 형성하고, API 서버를 관리하여 프롬프트를 전송합니다. 또한 검증자는 DSIS 프레임워크 하에 대역폭을 서비스로 판매할 수 있습니다.

서브넷 37: 모델 미세 조정

모델 미세 조정 서브넷은 분산형 능력을 활용하여 고급 전문 모델(예: 챗봇 또는 추론 시스템)을 훈련하는 것을 목표로 합니다. 모델 미세 조정은 일반적으로 시간이 많이 소요되고 계산 집약적이며 특정 기술이 필요합니다. 서브넷 구조를 적용함으로써 채굴자는 자신의 기술과 자원을 기여하여 모델을 개선하고 그에 대한 보상을 받을 수 있습니다.

채굴자 작업은 모델 미세 조정 경연 대회 형식으로 조직됩니다. 각 경연 대회에서는 기본 모델, 제한 조건 및 목표가 발표됩니다. 채굴자는 기본 모델을 출발점으로 하여 오프라인에서 미세 조정을 수행하고, 미세 조정된 모델을 Hugging Face(인공지능 커뮤니티 웹사이트)에 제출하며, 모델 메타데이터를 Bittensor 체인에 제출합니다.

검증자는 메타데이터를 검색하여 모델을 식별하고, 서브넷 18의 합성 질문-응답 데이터(Synthetic QA 데이터)를 사용합니다. 이후 검증자는 SYNTHETIC_MMLU 작업에서 채굴자 모델의 객관식 질문 정확성을 평가하여 채굴자의 성과를 측정합니다. 채굴자는 검증자의 평가 순위에 따라 보상을 받습니다.

서브넷 5: Open Kaito

서브넷 5는 텍스트 임베딩 모델을 개발하여 의미 검색 및 자연어 이해와 같은 응용 프로그램의 능력을 향상시키는 데 중점을 두고 있습니다. 채굴자는 대규모 텍스트 데이터 세트를 사용하여 이러한 모델을 훈련시켜 임베딩 생성에서 높은 성능을 보장합니다. 검증자는 최첨단 기준과 비교하여 모델 성능을 평가하여 지속적인 개선을 촉진합니다.

이러한 모델은 공공 검증자 API를 통해 접근할 수 있도록 제공되어 다양한 응용 프로그램에 통합될 수 있으며, 목표는 기존 성능 기준을 초월하는 것입니다.

Open Kaito 팀은 최근 서브넷 5의 채굴자가 외부 기준 테스트에서 OpenAI 임베딩 모델을 초월했다고 주장했습니다. 이는 이전에 대규모 합성 데이터 세트를 사용하여 더 낮은 손실과 더 높은 Top-1 정확도를 달성한 기반 위에서 이루어진 돌파구입니다. 이 성공은 분산형 인공지능 모델 훈련이 특정 측면에서 중앙 집중식 모델을 초월할 수 있음을 보여주기 때문에 중요합니다.

출처: wandb

이러한 서브넷 예시에서 우리는 Bittensor가 분산형 인공지능 생태계로서 초기 성공의 징후를 보여주고 있음을 알 수 있습니다. 개별 서브넷 수준에서 분산형 모델 훈련 및 미세 조정은 실행 가능하다는 것이 입증되었습니다. 이는 Prime Intelligence가 최근에 최초의 분산형 100억 매개변수 모델 INTELLECT-1을 성공적으로 훈련한 것을 통해 뒷받침됩니다. 생태계 수준에서 각 서브넷 간의 협력이 가능하여 가치 사슬을 형성할 수 있습니다. 따라서 모델 훈련 부분뿐만 아니라 전체 인공지능 가치 사슬도 Bittensor를 통해 분산화될 가능성이 있습니다.

Bittensor에서 분산형 인공지능의 기술적 실행 가능성을 평가한 후, 우리는 그 생태계의 경제성을 추가로 탐구하여 그 설계가 지속 가능한 인공지능 훈련 가치 사슬을 지원할 수 있는지 판단할 것입니다.

TAO 토큰 경제 모델

Bittensor의 인센티브 토큰 TAO는 그 블록체인 Subtensor 위에 구축되어 있습니다. 현재 매 12초마다 새로운 블록이 생성되며, 각 블록은 1개의 TAO를 발행하여 네트워크 참여자에게 보상으로 분배합니다. TAO의 발행률은 최초 10,500,000개의 토큰이 발행된 후 첫 번째 반감기를 맞이하며, 이후 이전 반감기 주기의 발행량의 절반에 도달할 때마다(예: 두 번째 반감기는 5,250,000개의 토큰) 발행률이 계속 반으로 줄어듭니다. 이 반감기 메커니즘은 TAO의 총 공급 한도를 2100만 개로 설정합니다. 2024년 12월 기준으로 약 37.8%의 총 공급량, 즉 793만 TAO가 이미 발행되었습니다.

각 반감기 이벤트의 시간은 주로 블록 생성 속도에 의해 결정되며, 토큰 회수의 영향을 받기도 합니다. 1개의 TAO가 회수될 때마다(일반적으로 블록체인 수수료나 서브넷 참여자의 등록비에서 발생) 1개의 새로운 TAO의 발행이 차단되어 블록 생성 주기의 반감기 시간을 지연시킵니다. 최신 추정에 따르면 다음 반감기 날짜는 2025년 11월 29일입니다.

앞서 언급했듯이 TAO의 주요 용도는 네트워크 참여자를 유도하기 위한 보상 토큰으로 사용됩니다. 다음은 TAO의 다른 용도입니다:

• 스테이킹: TAO 보유자는 TAO를 자신의 검증자에게 직접 스테이킹하거나 검증자에게 위임하여 검증자 활동의 보상을 공유할 수 있으며, 최소 스테이킹 금액은 0.1 TAO입니다.
• 네트워크 접근: 채굴자, 검증자 및 서브넷 소유자는 Bittensor 네트워크에 가입하기 위해 TAO 등록비를 지불해야 합니다.
• 거버넌스: TAO 보유자는 "상원"을 통해 네트워크 거버넌스 결정에 영향을 미칠 수 있으며, 예를 들어 프로토콜 업그레이드 및 발행 조정에 대해 논의합니다. "상원" 구성원은 활성 서브넷 검증자로 구성됩니다.
• 거래 수수료: TAO는 Subtensor 블록체인의 연료 비용 토큰입니다.

Bittensor는 지속 가능한가?

Bittensor는 인공지능 능력을 찾는 사용자가 서브넷을 구축하여 검증자 및 채굴자와 협력할 수 있도록 하는 스마트 시장으로 자리 잡고 있습니다. 그러나 그 메커니즘은 전통적인 시장 구조에서 벗어나 있습니다: 서브넷 소유자는 채굴자나 검증자의 서비스에 대해 직접 보수를 지급하지 않으며, 이러한 기여자의 수익은 그들의 출력이나 작업량과 연결되어 있지 않습니다.

실제로 Bittensor는 시장이라기보다는 자금 지원 시스템에 가깝습니다. 서브넷 활동은 "루트" 네트워크에서 배분된 자금으로 인센티브를 제공하지만, 자금 금액의 결정 기준은 항상 서브넷의 실제 가치나 작업량과 일치하지 않습니다. 또한 생태계 내 서브넷 수가 어떻게 변하든 총 자금 풀은 항상 고정되어 있습니다.

이러한 관행을 더 잘 이해하기 위해 도시와 비유할 수 있습니다. 이 도시에는 우리가 이전에 논의한 잡지 출판사 외에도 도서 출판사, 음악 스튜디오 및 공연 학교와 같은 상업적 실체가 있습니다. 이러한 기업의 유일한 수익원은 시 정부의 자금 지원이며, 자금 지원 위원회의 승인을 받을 수 있다면 실제 가치 창출과 관계없이 지속적으로 자금을 받을 수 있습니다. 새로 들어온 기업은 자격을 얻기 위해 정부로부터 토지를 구매해야 합니다. 새로운 기업이 증가함에 따라 총 자금 풀은 여전히 고정되어 있으며, 기업 수와 관계없이 변하지 않습니다.

이러한 비전통적 시스템은 시장 역학을 왜곡하여 자원 분배의 효율성을 저하시킵니다. 자금 배분자(루트 네트워크)는 서브넷의 기여를 측정할 수 있는 효과적인 수단이 부족하며, 서브넷은 더 넓은 생태계와 인공지능 능력에서 발생하는 이익을 공유할 동기가 없습니다. 채굴자는 최소한의 노력으로 최대의 TAO 분배를 얻으려 하며, 능력을 향상시키거나 더 많은 작업량을 맡으려 하지 않습니다.

2024년 1월에 일부 비효율 문제를 해결하기 위해 동적 TAO(Dynamic TAO) 제안이 제기되었지만, 이 제안은 아직 시행되지 않았으며 그 유효성은 여전히 불확실합니다.

TAO의 인센티브 모델은 TAO의 강력한 가격에 크게 의존하며, 대부분의 네트워크 참여자의 주요 수익이 TAO로 이루어져 있어 지속적인 매도 압력을 초래합니다. 이러한 압력을 균형 있게 하기 위해 스테이킹이 주요 메커니즘이 되었지만, 블록체인 수수료와 등록비에서 발생하는 토큰 회수량은 여전히 제한적입니다.

스테이킹은 두 가지 형태로 나뉩니다:

1. 검증자 스테이킹: 참여자는 TAO를 스테이킹하여 네트워크 보안을 지원하고 보상을 받으며, 이는 발행된 TAO의 약 75%를 차지합니다. 검증자는 현재 매일 2,952 TAO를 분배하며, 연간 수익률은 16%입니다. 그러나 첫 번째 반감기 이후 이 분배는 매일 1,476 TAO로 줄어들어 스테이킹의 매력이 감소하고, 이는 토큰 공급과 수요의 균형에 대한 스테이킹의 영향을 약화시킬 것입니다.
2. 서브넷 등록 스테이킹: 서브넷 등록비는 약 3,000 TAO이며, 새로운 서브넷의 추가는 TAO 공급에 상당한 영향을 미칩니다. 그러나 이는 또한 하나의 문제를 야기합니다: TAO의 총 발행량이 고정되어 있기 때문에 서브넷 수가 증가하면 모든 서브넷의 보상이 희석되어 기존 서브넷이 운영을 유지하기 어려워지고, 일부 서브넷이 네트워크에서 탈퇴할 수 있습니다.

Bittensor의 현재 경제 모델은 지속 가능성이 없습니다. 그 상향식 자금 지원 구조는 서브넷 간 자원을 효율적으로 분배하지 못하고 있습니다. 더 중요한 것은 TAO의 수요가 반감기 이후 가치를 지탱할 수 없다는 점이며, 이는 네트워크의 취약성을 심화시켜 장기 생존 능력을 위협합니다.

우리의 제안

우리는 Bittensor의 지속 가능성을 높이기 위한 두 가지 전략을 제안합니다:

1. 서브넷 기여 장려: 서브넷 소유자가 자신의 서브넷에 추가 TAO 보상을 제공할 수 있도록 허용하며, 이러한 보상은 루트 네트워크에 할당된 서브넷의 총 인센티브 풀에 추가되고 기존 합의 메커니즘을 통해 참여자에게 분배됩니다. 이는 서브넷에서 상당한 가치를 얻는 서브넷 소유자가 서브넷 보상 풀에 기여하도록 장려하여, 채굴자와 검증자의 적극적인 참여를 보장하고 서브넷 소유자가 TAO 토큰의 구매력이 되어 가격을 효과적으로 지탱할 수 있도록 합니다.
2. 우선 자금 배분: 루트 네트워크는 신규 및 높은 잠재력을 가진 서브넷에 우선적으로 자금을 배분하고, 점진적으로 오래된 서브넷에 대한 지원을 줄여야 합니다. 이는 자연 선택을 통해 가치가 낮은 서브넷을 제거하고, 신규 서브넷이 총 서브넷 수에 의해 희석되지 않고 충분한 자금을 확보할 수 있도록 보장합니다. 또한 이러한 방식은 루트 네트워크 검증자의 부담을 줄여주어 신규 서브넷의 성장에 집중할 수 있게 하며, 상향식 자금 지원 모델에 더 부합합니다.

이러한 전략을 시행함으로써 Bittensor는 TAO 토큰에 지속적인 수요를 창출하여 가치를 유지할 수 있으며, 더 이상 단순히 스테이킹에 의존하지 않게 됩니다. 동시에 이러한 조치는 자연 선택 메커니즘을 도입하여 생태계 성장을 촉진하고 자원을 집중하여 신규 서브넷을 육성할 수 있게 합니다.

결론

인공지능은 기술 발전의 미래를 분명히 나타냅니다. 이는 인공지능 가치 사슬에서 선도 기업의 높은 평가와 사회 각 분야에서의 광범위한 응용 가능성에서 확인할 수 있습니다. 중앙 집중식 인공지능 개발이 진전을 이끌어냈지만, 중앙 집중식 데이터, 모델 개발 및 이익 집중에 대한 의존의 단점도 드러났습니다.

Bittensor는 분산형 인공지능에 대한 강력한 대안을 제공합니다. 상향식 자금 지원 모델과 견고한 TAO 토큰 가격 지원 아래, 여러 서브넷이 인공지능 능력 발전을 촉진할 잠재력을 보여주고 있습니다. 전반적으로 Bittensor는 인공지능 생태계 전체 가치 사슬을 포괄하는 종합 플랫폼을 형성할 수 있습니다.

그러나 다른 신생 생태계와 마찬가지로 Bittensor는 도전에 직면해 있으며, 특히 첫 번째 반감기 이후 그 토큰 경제 모델의 지속 가능성과 보상 분배 시스템의 유효성 측면에서 그렇습니다. 이러한 문제를 해결하기 위해 우리는 보상 모델을 조정하고 신규 및 높은 잠재력을 가진 서브넷을 우선 지원하여 이들이 벤처 캐피탈처럼 운영되도록 할 것을 제안합니다. 이는 기존 서브넷 소유자가 참여자를 지원하고 분산형 인공지능의 기여로부터 이익을 얻을 수 있게 할 것입니다.

이 조정을 통해 우리는 Bittensor의 인센티브 모델이 지속 가능성을 달성할 수 있다고 믿으며, 진정으로 중요한 문제인 분산형 인공지능이 언제 고부가가치의 현실 응용을 창출할 수 있을지를 주목하게 될 것입니다.