主機模型，提供代管或主機服務模型，透過主機服務機代服務程式設計。當客戶端需要預測時，會向 Bittensor 網路發送請求，網路將其路由至已註冊為服務提供者的礦工。礦工處理請求並將預測結果傳回給客戶端。

透過在 P2P 排名中競爭，賺取 TAO 代幣作為計算激勵： 礦工根據其模型性能和對網絡的貢獻度，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優化其模型效能，為網路提供高品質的 AI 服務。

確保高品質的 AI 模型貢獻： 礦工致力於提供高品質的 AI 模型，以滿足網路需求並確保服務品質。這不僅有助於他們在網路中獲得更高的排名和獎勵，也提升了整個 Bittensor 網路的整體效能和可靠性。

透過履行這些職責，礦工為 Bittensor 網路的高效運作和發展做出了重要貢獻。

1.2.2 消費者層

在 Bittensor 網路中，消費者是指最終用戶或企業，他們透過支付 TAO 代幣來存取由礦工提供的人工智慧（AI）服務。這種模式使消費者無需擁有或維護自己的 AI 模型，即可利用網路內的 AI 能力，降低了 AI 運算成本。

消費者的具體應用場景包括：

· 開發者查詢 AI API： 開發者可以調用 Bittensor 提供的 AI 接口，獲取所需的智能服務，用於應用程序開發或功能集成。

· 研究機構存取 AI 訓練資料集： 研究機構能夠利用網路內的資源，存取和分析大型 AI 訓練資料集，支援科學研究計畫和實驗。

· 企業利用 Bittensor 的運算資源進行 AI 模型訓練： 企業可藉助 Bittensor 的去中心化運算資源，進行自有 AI 模型的訓練與最佳化，提升業務智慧化水準。

透過這種方式，Bittensor 為消費者提供了靈活、高效的 AI 服務取得途徑，促進了人工智慧的普及和應用。

1.2.3 基於質押的共識機制

Bittensor的以質押為基礎的共識機制主要解決以下問題：

1.2.3.1 平滑處理與密度演化

1.2.3.1 平滑處理與密度演化

為了修正系統的修正系統導致「合計」配壓3><1

我們定義 以權益加權的平均絕對偏差 為：

這個過程類似於對大型資料集進行 統計平滑。經過多輪「平滑」處理後，每位參與者的 真實排名 得以顯現。關鍵在於，密度演化能更大程度地 壓縮異常權重（即惡意玩家的過高權重），而對誠實玩家的影響較小。

1.2.3.2 權重信賴機制與零權重漏洞防範

dtao 升級 針對上述問題進行了迭代，具體包括：

dtao 升級 針對上述問題進行了迭代，具體包括：

α 或 δ，從而減少零權重漏洞，並防止過度修正。

· 增強權重信任機制：更精準地檢測 非零權重，並應用更嚴格的閾值，使 只有大多數人認可的節點 才能獲得完整獎勵。

· 降低計算開銷：透過演算法最佳化 減少計算成本，使其適應區塊鏈計算約束，同時不影響理論上的準確性。

Bittensor 的 基於權益的共識機制 結合了 數學模型 和 博弈論工具，透過 更新公式、加權平均共識、迭代修正、密度演化 等方法，系統能 自動校準異常權重偏差，確保公平的最終獎勵分配。

這個過程類似於 智慧平衡系統 或 信譽機制，可以 持續自我校準，確保公平評分、激勵優秀貢獻者，並防止惡意勾結和投票操縱。

在此基礎上，dtao 升級 採用更精細的 平滑控制 和 改進的權重信任策略，進一步提升了系統的 穩健性與公平性。因此，在對抗性環境下，誠實貢獻者可以始終保持 競爭優勢，而 整體運算資源消耗 也得到了最佳化和降低。

2.Yuma 共識：動態可編程的激勵與共識

比特幣建立了全球最大的點對點算力網絡，任何人都可以透過貢獻本地運算能力來維護全球帳本。其激勵規則在設計時已固定，導致生態系統以相對靜態的方式發展。

相較之下，Yuma 共識（YC）是一種動態、可程式化的激勵框架。不同於比特幣的靜態激勵機制，YC 將目標函數、質押獎勵和權重調整機制直接整合到共識過程中。這意味著系統並非僅依賴固定規則運行，而是根據節點的實際貢獻和行為動態調整，從而實現更公平和高效的獎勵分配。

YC 共識演算法在 Subtensor 區塊鏈上持續運行，並針對每個子網路獨立運作。其主要工作流程包括以下元件：

· 子網路驗證者的權重向量：每個子網路驗證者維護一個權重向量，其中每個元素代表該驗證者對所有子網路礦工分配的評分權重。此權重基於驗證者的歷史表現，用於對礦工進行排名。例如，若某驗證者的評分向量為 ，則所得排名反映了此驗證者對每個礦工貢獻水準的評估。

· 質押金額的影響：鏈上的每個驗證者和礦工都會質押一定數量的代幣。 YC 共識結合權重向量和質押金金額來計算獎勵分配。即，最終獎勵不僅取決於評分權重，還取決於質押數量，從而形成「質押 → 權重 → 獎勵」的閉環。

· 動態主觀共識：每位參與者為其機器學習模型分配本地權重。這些本地權重透過共識策略進行調整，然後在區塊鏈上聚合為全局指標。換言之，YC 能夠即使在對抗性環境中也能實現大規模共識，並能動態適應節點行為的變化。

· 獎勵計算與分配：子網路驗證者收集各自的排名結果，並將其作為 YC 演算法的集體輸入提交。儘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資料。基於這些數據，系統計算獎勵（以 TAO 計）並將其存入子網路礦工和驗證者的錢包中。

這種綜合機制使得 YC 能夠在去中心化網路中持續且公平地分配獎勵，動態適應貢獻質量，維護整體網路的安全性和效率。

2.1 知識蒸餾與專家混合（MoE）：協同學習與高效貢獻評估

2.1.1 知識蒸餾（Digital Hivemind）

Bittens引入了知識蒸餾的概念，這類似於人類大腦中神經元的協作工作，節點透過共享知識、交換資料樣本和模型參數來集體學習。

在此過程中，節點持續交換資料和模型參數，形成一個隨著時間自我最佳化的網絡，以實現更準確的預測。每個節點將其知識貢獻到共享池中，最終提升整個網路的整體效能，使其更快，更適合即時學習應用，如機器人技術和自動駕駛。

關鍵的是，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。節點可以在保留和擴展其現有知識的同時，融合新的見解，從而增強網路的穩健性和適應性。

透過將知識分佈在多個節點上，Bittensor TAO 網路對幹擾和潛在的資料外洩變得更具彈性。這種穩健性對於處理高度安全和隱私敏感的資料（如金融和醫療資訊）的應用尤其重要。

2.1.2 專家混合 (MoE)

Bittensor 採用分散式專家模型（MoE）來優化複雜性協同預測模型，透過多重化，大幅提升了 AI 的專業準確性。例如，在產生西班牙文註解的 Python 程式碼時，多語言模型與程式碼專長模型能夠協同發揮，產出遠優於單一模型的高品質結果。

Bittensor 協定的核心由參數化函數構成，通常稱為神經元，這些神經元以點對點方式分佈，每個神經元記錄零個或多個網路權重，並透過鄰近鄰近性排名的神經系統來評估相互排名累積的值排名較高的節點不僅獲得貨幣獎勵，還獲得額外權重，從而在節點貢獻與獎勵之間建立了直接聯繫，提升了網路的公平性和透明度。該機制建構了一個市場，使得其他情報系統能夠透過網路以點對點方式對資訊進行定價，並激勵各節點不斷提升自身知識和專業能力。為確保獎勵的公平分配，Bittensor 借用了合作博弈理論中的 Shapley 值，提供了一種根據節點貢獻在各方間高效分配獎勵的方法。在 YC 共識下，驗證者對各專業模型進行評分和排名，並依據 Shapley 值原理公平分配獎勵，從而進一步提高了網路的安全性、效率和持續改進能力。

3.dtao 升級

Bittensor 項目在其資源分配和經濟模型設計中存在以下主要問題：

1.資源重疊與冗餘：

1.資源重疊與冗餘：多個子網造成類似子網，

2.缺乏實際用例：某些子網（如價格預測或體育賽事結果預測）尚未在現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。

3.「劣幣驅逐良幣」現象：高品質子網路可能難以獲得足夠的資金和發展空間。由於僅有七天的保護期，未能獲得根驗證者足夠支援的子網路可能過早被淘汰。

4.驗證者中心化及新子網路激勵不足：

· 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，但他們的評估並不總是客觀的。即使發現偏見，也可能無法立即糾正。 

· 此外，驗證者缺乏遷移至新子網路的激勵，因為從高發行量的舊子網路轉移到低發行量的新子網路可能導致即時獎勵損失。新子網路能否最終匹配已建立子網路的代幣發行量的不確定性，進一步降低了他們的遷移意願。 

經濟模型的主要問題：

Bittensor 的機制設計中一個主要問題是，儘管所有參與者都獲得 TAO，但實際上沒有人支付 TAO，這導致持續的拋售壓力。目前，礦工回答的問題並非由真實用戶提出，而是由子網路所有者提供——要么模擬真實用戶查詢，要么基於歷史用戶需求。因此，即使礦工的回答有價值，這些價值也被子網所有者所捕獲。無論礦工的回答是幫助子網所有者改進其模型演算法，還是直接被子網所有者用於模型訓練以提升其產品，礦工和驗證者的工作所產生的價值都被子網所有者佔有。理論上，子網所有者應為此價值付費。

此外，子網路所有者不僅無需承擔任何成本，還享有子網路發行量的 18%。這意味著 Bittensor 生態系統並非緊密相連——參與者基於開發和協作保持鬆散聯繫。子網路上的項目可以隨時退出而不會遭受任何損失（因為子網路註冊費會退還）。目前，Bittensor 系統中回收代幣的主要機制是子網礦工和驗證者支付的註冊費用；然而，這些費用很少，不足以支持有效的價值捕獲。儘管質押已成為主要機制，但透過區塊鏈交易費用和註冊費用回收的 TAO 數量仍然有限。

質押分為兩種形式：

1.驗證者質押：參與者質押 TAO 以支持網路安全並獲得獎勵，佔所有發行 TAO 的 75%。驗證者目前每天可獲得約 3,000 TAO，年化報酬率超過 15%。然而，在第一次減半後，這項分配將降至每天 1,500 TAO，降低了質押的吸引力，削弱了其平衡代幣供需的效果。

2.子網路註冊質押：新子網路的增加顯著影響 TAO 供應。這構成了一個挑戰，因為 TAO 的總發行量是固定的；子網數量的增加將稀釋所有子網的獎勵，使現有子網難以維持運營，可能導致一些子網退出網絡。

這些問題表明，Bittensor 的資源分配和經濟模型設計需要進一步優化，以確保網路的可持續發展和公平誘因。

3.1 什麼是 dtao

dTAO 是 Bittensor 網路提出的一種創新激勵機制，旨在解決去中心化網路中資源分配效率低下的問題。它摒棄了傳統由驗證者手動投票決定資源分配的方式，而是引入基於市場動態調整的機制，將 TAO 發行量在各子網之間的分配與子網代幣的市場表現直接掛鉤，透過嵌入式流動性池設計鼓勵用戶將 TAO 抵押換取子網代幣，從而支持表現優異的子網。

同時，採用公平發行模式確保子網代幣逐步分配，促使團隊透過長期貢獻獲得代幣份額，並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和市場潛力，而用戶透過質押和市場交易進一步推動子網價值的形成。

3.1.1dTAO 的核心機制

3.1.1.1 將驗證者和團隊與生態收益綁定: 想要獲得雙網驅動須先投資 subnet token