Bittensor:FUD下的AI新王

닷랩스
2024-09-27 11:24:39
수집
Web3 AI 深度报告(行业报告6)

一、生成式AI融资暴涨,ML市场未来可期
1、      成本高昂融资却难,算法领域巨头垄断
2、      算法模型孤立分散,亟需合作释放价值
二、Web 3革新AI算法,Bittensor领跑行业板块
1、Polkadot生态明星项目,持续升级致力开发
2、尤马共识分配奖励,子网架构扩展网络
(1)主要角色及工作流程
(2)共识机制
(3)子网架构
(4) 神经元网络
3、项目公平启动,市值板块前列
4、行业拥抱开源,模型协作加持
三、FUD风声鹤唳,拒绝盲从盲信
四、风险提示

一、生成式AI融资暴涨,ML市场未来可期

20世纪30年代以来,关于AI的研究从未停歇,数据、算力、算法三要素层面不断取得进步和发展。2017年,Google Brain团队创建transformer模型,这是一种最初用于语言翻译的机器学习模型。自此,使用大语言模型(Large Language Model,简称LLM)生成文本和图像的模式被发掘,并应用于ChatGPT等生成式AI产品中,引发AIGC浪潮,市场对生成式AI的兴趣显著增长,2023年相关企业和项目的总融资暴涨至140亿美元。与此同时,生成式AI背后的机器学习等算法也被寄予厚望,预计到2030年,AI和机器学习(Machine Learning,简称ML)的市场规模将分别达到1.6万亿美元和3050亿美元。而事实上,由于科技巨头垄断和模型市场分散,AI算法领域的创新十分低效。

图1、2023年生成式AI总融资暴涨至140亿美元

图2、2030年AI和ML市场规模将达$1.6T和$305B

 
资料来源:CB insights,Dot Labs

资料来源:Precedence Research,Dot Labs

1、 成本高昂融资却难,算法领域巨头垄断

今年以来,硅谷出现了AI领域的收购潮,包括Amazon、Microsoft和Google在内的科技巨头纷纷出手,收购了Character.ai、Inflection AI、Adept等多家明星初创企业。其中Microsoft为躲避美国联邦贸易委员会的反垄断调查,在收购Inflection AI时发明了反向收购招聘(reverse acquihire)模式,支付6.5亿美元用于技术授权,同时招募Inflection AI的核心人员和大部分技术团队,此后大公司在进行收购时纷纷效仿。这些收购行为不仅凸显了AI大模型竞争的日益激烈,也预示着AI算法领域正在逐渐成为巨头们的专属游戏场。据Canalys统计,2024年Q2三大云服务提供商AWS、Microsoft Azure、Google Cloud的市场份额总计高达63%。科技巨头集中垄断,初创企业举步维艰,造成该现象主要有两个原因,一是AI模型开发成本高,需要大量资金,二是对于初创企业来说,融资却难。

随着AI模型复杂性和数据密集性的增加,计算资源需求呈指数级增长,这意味着AI模型开发需要昂贵的硬件投资或直接依赖云服务提供商。Anthropic的CEO最近公开表示,当前AI模型的训练成本已达到10亿美元量级,未来三年内可能会飙升至100亿甚至1000亿美元。同时,应用端货币化进展缓慢,进一步加剧了成本问题。尽管市场对AI应用的期待很高,但实际的营收情况和生产速度却远低于预期,美国软件公司从年初至今几乎没有产生与AI相关的收入,而据AlphaWise针对CIO的调查,AI应用投入生产的时间还在逐渐延迟,预计2024年上半年投入生产首个项目的CIO比例从2023年Q4的34%显著下降至2024年Q2的10%。

今年起对AI初创企业的投资列车也开始缓慢减速,年轻企业完成新一轮融资目标已经变得越来越困难。据Deutsche Bank统计,2024年Q1美国生成式AI初创企业的种子轮和早期融资总额仅为1.23亿美元,较上一季度暴跌超过2/3,融资交易数量从上一季度的70多笔锐减至34笔。

 

面对如此高昂的研发成本和日益紧缩的融资环境,只有互联网大厂们还能保持着高额的研发支出。据Morgan Stanley预计,2024-2025年主要云服务提供商(包括Google、Microsoft、Meta、腾讯、百度、Apple、IBM、Oracle)的资本支出接近3800亿美元,比过去三年总和多近500亿美元。因此,从头开始构建模型对大多数企业来说是一项艰巨的任务,据红杉资本关于LLM的调查,只有15%的受访创始人和团队愿意进行这项工作,通常还是使用LLM API。

2、 算法模型孤立分散,亟需合作释放价值

对于AI赛道上的企业来说,竞争是零和的,一家的模型赢得了市场,其他家就会出局,即使第三方应用集成也需要模型所有者的许可。因此,每家企业的算法和模型都是孤立的,算法之间无法相互学习,开发新模型必须从头开始,无法进行知识的转移和积累,且模型之间缺乏复合效应,例如,如果一个模型精通西班牙语,另一个模型精通编程,当用户需求是使用AI解释带西班牙语注释的代码时,显然两个算法合力输出效果最好,但目前的环境限制了这种合作。功能的有限导致价值的有限,因此,整个AI算法领域的合力未能得到充分发挥,需要新的合作模式来释放其真正的价值。

二、Web 3革新AI算法,Bittensor领跑行业板块

在AI风起云涌之际,Web 3的去中心化理念为AI行业发展提供了新的契机,大量“Web 3+AI”的优质案例涌现,相关代币热度高涨。加密货币和区块链通过激励、贡献和协调等形式从数据、算力、算法三个核心要素方面促进着AI的发展,显示出分布式网络资源的强大潜力。

l  Cyrpto+数据(如Filecoin):AI模型需要大量数据进行训练,区块链技术通过激励机制鼓励数据提供者贡献数据,或利用去中心化的数据存储为数据训练提供更加分散化的途径。

l  Crypto+算力(如Render):开发AI模型需要强大的计算能力,区块链技术可以利用分散在各地的如个人显卡等计算资源,通过加密货币鼓励提供闲置的算力资源。

l  Crypto+算法(如Bittensor):与数据和算力的资源密集型特性不同,算法更倾向于技术密集,是各家AI企业持续迭代的秘方和壁垒,因此难以通过激励从零直接创造出一个更好的算法。所以除了激励和贡献的逻辑,Crypto和算法的结合还需要筛选机制,从现有算法中筛选出最适合的算法或算法组合,避免市场被单一算法垄断。Bittensor就是该方面的代表项目。

 

随着AI叙事的火热,Bittensor在去年年底从众多Web 3项目中脱颖而出,其代币$TAO半年涨幅超10倍,市值高峰一度达到了近50亿美元,虽然近来因子网机制效率等质疑有所下跌,但Grayscale于今年8月推出$TAO加密投资信托的举动,仍体现了市场对其一定的信心。9日凌晨带AI功能的IPhone 16发布,当天AI领域代币大涨7%,$TAO以10%的涨幅领跑板块。

Bittensor利用区块链网络和激励机制,对不同的算法进行调度和筛选,在AI算法领域形成了一个自由竞争且点对点的模型市场,激励机器智能的生产,其目标是让Google这样的科技巨头认识到,使用其提供的神经网络作为自己机器学习网络的补充是有利的,并为此付费。在这个机器学习的协作网络中,知识生产者出售工作成果,消费者购买这些知识来增强自己的AI模型,通俗概括而言,Bittensor不生产算法,只是优质算法的搬运工。这种去中心化的方式允许知识快速扩展和共享,模型不再孤立,竞争也不再是零和,Bittensor类似于一个不可阻挡的知识库,呈指数级增长。

1、 Polkadot生态明星项目,持续升级致力开发

Bittensor由Opentensor Foundation支持开发,其背后有一支优秀的团队。据LinkedIn信息,该公司共有34名员工,团队的大多数成员都拥有计算机科学、AI和工程的背景经验。项目的具体融资金额等情况并未透露,已知投资者有Digital Currency Group、Polychain Capital、FirstMark Capital、GSR。团队主要成员:

l  Jacob Steeves:创始人,拥有机器学习研究背景,曾在Google任职。

l  Ala Shaabana:联合创始人,拥有计算机科学的博士学位和一定的学术研究背景,曾在多伦多大学担任助理教授,在VMware、Instacart担任软件工程师。

l  Garrett Oetken:CTO,同时是Quantum Star Technologies的联合创始人兼研发主管,曾担任Safeguard Equipment的首席软件工程师,在自然语言处理、计算机视觉、机器学习和数据分析等领域拥有丰富经验。

2019年,Jacob Steeves和Ala Shaabana创立Bittensor,最初设想是将其建立为Polkadot平行链。2021年1月,项目竞拍获得一条平行链插槽,发布初版网络“Kusanagi”,并发行第一批$TAO,5月由于共识机制问题网络暂停,11月网络升级分叉为“Nakamoto”继续开放。出于对Polkadot开发速度的担忧,项目在2023年3月进行了战略性转变,决定开发自己的专有区块链,网络再次升级演变为“Finney”,进一步提升了内核代码性能和网络整体效率,成为建立在Polkadot生态上,使用自己基于Substrate的独立的L1区块链,同月,$TAO在MEXC上线,$TAO现已上线Binance、Bitget等16个交易所。在过去的一年里,Bittensor通过Synapse更新优化了模型交互能力、通过Revolution升级实现了子网扩展,其与Cerebras合作开发的BTLM模型,不仅是能和几乎所有移动设备兼容的3B参数模型,且性能与许多7B模型齐平,在Hugging Face上广受好评。

2、尤马共识分配奖励,子网架构扩展网络

Bittensor是怎么在技术上解决AI算法领域存在的创新低效问题呢?作为一个开源协议,Bittensor利用矿工和验证器的工作为用户提供其需要的AI模型,促进模型间的学习和协作,并基于尤马共识等共识机制分配$TAO奖励。其利用专攻不同类型模型的子网细分AI模型任务,促进细分领域的专业化发展,并借鉴大脑神经网络构造建立节点间的信息传输及处理。

(1)   主要角色及工作流程

要理解Bittensor技术上怎样解决AI算法领域创新低效的问题,先要知道Bittensor网络中的主要角色以及角色间如何配合完成最基本的工作流程。主要角色有矿工、验证器和用户:

供给侧

矿工(Miner):托管其AI模型并提供给Bittensor网络。其对网络的贡献取决于所提供模型的质量和性能,根据贡献大小获得相应量的$TAO奖励。

验证器(Validator):充当Bittensor网络中的评估者,评估AI模型的质量和性能。验证器们对模型的筛选和评估越一致,获得的$TAO奖励就越多。(注:根据项目官网提供的名单,现有验证器主要是项目方自己旗下机构,存在一定去中心化不足的问题)

需求侧

用户(User):Bittensor网络里AI模型的最终使用方,可以是个人消费者,也可以是使用AI模型做应用的开发者们。其支付$TAO使用模型进行消费。

工作流程:①用户输入自己的需求②验证器将需求路由给矿工(路由指根据矿工的历史表现、模型能力和任务类型,选择性地分发任务)③矿工输出答案④验证器评估答案质量,将质量最高的模型返回给用户。概括来说,在Bittensor网络中,矿工提供模型,验证器评价模型,用户使用评价最高的模型。

 

在分发任务和输出结果时,Bittensor引入了混合专家机制(Mixtral of Experts,简称MoE),旨在利用多个模型来完成任务,每个专家模型都专注于特定方面,当任务包含多个方面时,将被拆解传输至不同的专家模型中进行处理,提高了解决复杂问题的准确性和效率。例如前文提到的情况,如果有一个模型精通西班牙语,一个模型精通编程,当用户需求是使用AI解释带西班牙语注释的代码时,两个模型将合作产出结果。Bittensor利用MoE机制促进了模型间的协作和组合,网络里的模型像可以任意组合变换的乐高积木一样,擅长不同领域的AI模型(如文本、图像或音频处理)相互组合,适应用户多样化的任务需求。

 

(2)   共识机制

共识机制是指去中心化网络中确保所有节点就数据状态达成一致的协议,旨在奖励网络中有价值的节点。传统的共识机制主要有PoW机制(Proof-of-Work,工作量证明)和PoS机制(Proof-of-Stake,权益证明),其中,PoW机制指矿工通过每10分钟进行一次算力竞赛争夺记账权力和代币奖励,理论上除非有人能掌握全网51%以上的算力,否则网络是无法被篡改的,该机制下的网络去中心化强但资源浪费问题严重,为解决这个问题,出现了PoS机制,该机制下只有满足一定条件的节点(如质押一定数量代币)才可能被选择作为出块节点争夺记账权力,持有的代币越多越可能出块,所以去中心化程度相对弱。Bittensor采用的共识机制是尤马共识和PoI机制:

尤马共识(Yuma Consensus):“PoW机制+PoS机制”的混合共识机制。当验证器对模型评分后,评分传输到链上,质押$TAO数量多的验证器的权重高,根据该机制对矿工和验证器进行代币奖励。与传统的共识机制相比,这种混合共识机制既减少了资源消耗,也保持了一定的去中心化程度。同时,由于网络是去中心化的,它允许在节点间分配计算资源,具有高度的可扩展性。

PoI机制(Proof-of-Intelligence,智能证明):PoW机制和PoS机制的变体,用以激励节点添加有用的机器学习模型和结果的一种机制。矿工和验证器需要执行机器学习任务来证明其智能,而不是解决复杂的数学问题或质押代币,机器学习模型的输出越准确越有价值,就越有可能被选中向链中添加新块并获得$TAO奖励。

Bittensor在其共识机制下分配节点奖励时,结合了博弈论的评分方法(game-theoretic scoring methods),根据对网络整体预测准确性和达成共识的边际贡献为每个模型分配一个Shapley值,损失越低的模型该值越高。

 

(3)   子网架构

2023年10月,Bittensor通过Revolution升级,引入了子网概念,标志着其发展的重要里程碑。在Bittensor生态系统中,有一个区块链和许多连接到这个区块链的平台,这些平台被称为子网。Bittensor依赖其独特的子网架构,不同类型的模型组成不同的子网,比如专攻图片的模型为一子网,专攻声音的模型为一子网。每一类数字商品在其所属子网中生产,应用程序构建在这些特定的子网上,为用户提供服务。子网存在于区块链之外,是链下竞争,优秀的矿工和验证器才能获得$TAO奖励。

子网内部进行输出模型、评价模型等最基本的工作流程后,子网验证器将评价通过Bittensor API传输到链上,作为链上尤马共识的集体输入,共识机制的输出决定如何给子网矿工和子网验证器分配奖励。

 

其中,根网络(root network)是一种特殊的子网,根网络的验证器为Bittensor网络中质押量最大的64个验证器,所有子网则是根网络的矿工,分配$TAO奖励时,先由根网络根据子网表现分配给每个子网,子网再分配给其所有者、矿工和验证器。一个子网包含256个UDI插槽,其中192个属于矿工,64个属于验证器,只有质押量最大的64个节点才能成为验证器,表现不佳的矿工会被新注册的矿工替换,表现不佳的子网也会被新注册的子网替换。

Bittensor目前有52个子网(不包括根网络),未来将进一步增加到64个。其中19号Vision、9号Pretraining、18号Cortex.t受到较大关注,排放量(emission,指$TAO的产生和分配)占比分别为8.57%、5.1%和4.94%。部分子网的具体情况:

3号MyShell TTS:注册于2024年5月,由麻省理工学院、牛津大学和普林斯顿大学等知名机构的核心成员组成,旨在创建一个无代码平台,使没有编程背景的用户能够轻松创建和使用语音机器人,使顶级TTS模型(Text To Speech,文本到语音)的访问更加民主化。

9号Pretraining:注册于2023年10月,专注于为机器学习模型提供高效的预训练服务,允许用户利用去中心化的计算资源进行大规模的模型预训练,旨在提升模型的性能和训练效率。

18号Cortex.t:注册于2023年10月,该子网的功能与ChatGPT相似,旨在通过集体智能为用户提供高质量的文本和图像响应。

19号Vision:注册于2023年12月,利用分布式规模推理子网(DSIS)框架,专注于去中心化的图像生成和推理,旨在最大化Bittensor网络的输出能力,允许矿工自由选择技术堆栈来处理需求并生成响应。

21号Omega Any-to-Any:注册于2024年7月,专注于实现去中心化的多模态AI交互,可以在文本、图像、视频等不同类型的数据或信息之间进行转换和理解。

42号Masa:注册于2024年8月,基于LLM的去中心化AI数据子网,旨在提供高效的数据贡献和处理机制。是Bittensor中首个发行代币的子网,引入了$MASA和$TAO的双代币奖励模型,CoinList社区轮代币销售中17分钟被抢购一空,超募认购超过6.4倍。

 

(4)   神经元网络

为了构造模型间能够协作的网络,Bittensor在信息传输上借鉴了人类大脑神经网络的认知过程,神经网络中的节点在Bittensor中表示为子网矿工和子网验证器,每个子网矿工或子网验证器运行一个客户端软件作为一个计算单元,称为“神经元”,每个神经元由模型、数据集和损失函数组成,这些神经元协同工作,旨在利用输入的数据和神经元间的通信来优化各自的损失函数,其具体过程:①神经元将其数据集中的一批输入信息(synapse object)通过树突(dentrite)发送给相邻的神经元,同时在其内部模型也处理同一批信息。②相邻神经元使用其模型处理输入,并将输出返回给原始神经元。③原始神经元通过轴突(axon)接收并合并这些输出,通过考虑相邻神经元的损失和自身的损失来更新其梯度。

这个过程应用到子网架构中来看。在某一子网内的前馈期间,来自外部世界的输入只能连接到子网验证器,子网验证器再传输到子网矿工,子网和神经网络一样是二分的,外部世界的输入仅连接到输入层(input layer),隐藏层(hidden layer)与外部世界隔离。之后,子网矿工可以直接与子网验证器通信,子网矿工和子网验证器之间的双向通信构成了激励机制中协议的核心,这样的双向是多对多的,但任意两个子网验证器或子网矿工并不相连。

 

3、 项目公平启动,市值板块前列

2021年1月,Bittensor选择了“公平启动”(fair launch),即没有代币保留给创始团队和VC,获取$TAO的唯一方法是在公开市场上购买代币或参与挖矿和验证活动,确保每个$TAO都反映了真正的机器学习工作。由于目前验证器大多是Bittensor旗下机构,可以合理推测,验证器可以先挖币再分发给做市商来做市,因此公平启动不意味着完全没有VC介入。但相较于普遍的“VC卖给二级”的发币模式,$TAO这种“先公平,再吸引资本介入”的模式,已经尽量做到了公平。

$TAO可在Bittensor内用于治理、质押,并作为访问AI服务和应用程序的支付手段。其总供应量为2100万个,与比特币的总供应相同,每四年进行一次减半,最近的一个减半周期预计在2025年11月,按这个减半周期,要256年这些代币才能完全被挖出来。(数据基于当前发行动态计算,$TAO回收注册数据也将相应延长)目前网络上每天创建7200个$TAO(在第一次减半时将减少到每天3600个$TAO),其中18%分配给子网所有者,41%分配给子网矿工,41%分配给子网验证器。

 

目前,$TAO的流通供应量是737万,占总供应量的35%,质押比例高达80.26%。网络的账户数量约12万,其中非零账户9万+。2023年3月上所至今,$TAO最高上涨数十倍,目前市值20.40亿美元,币价276美元。

 

在Web 3的AI板块中,$TAO的市值位于第4,目前仅次于$NEAR、$ICP和$FET,但由于减半机制的存在,市值与完全稀释价值的比例反而很低,说明$TAO的流通量目前来看相对较低,但单价较高,低流通量某些情况下意味着盘子小更容易拉升。

4、行业拥抱开源,模型协作加持

对标Web 2世界,Bittensor的主要竞争对手就是垄断算法行业的科技巨头们。这些公司不仅在AI模型生成阶段深度参与,还在相关行业中探索潜在的垂直整合,拥有初创企业难以企及的数据库、资金等资源,比如Google的强大财力支持其使用Nvidia的H100和GH200,能显著加速模型训练过程。同时,目前在Bittensor网络上运行的大多数产品质量、性能有限,采用率也低,无法与中心化对手竞争,要从在行业深耕多年的巨头手里分得一杯羹,Bittensor暂时难以胜任。

但是,基于Web 3世界的Bittensor也有自己的优势。出于技术商业化、防止技术滥用等方面的考虑,主流AI解决方案都以封闭和集中的形式存在。然而,封闭和开源模型之间的差距正在迅速缩小,开源模型凭借速度、价格、可定制等优势,越来越受到市场青睐。比如新兴的开源聊天机器人Vicuna-13B,可达到OpenAI ChatGPT和Google Bard90%以上的质量,同时较显著的优于LLaMA和Alpaca,而培训Vicuna-13B的成本仅约300美元。Google在其泄露的一份文件中表示:“我们没有护城河,OpenAI也没有,开源模型正在用100美元和13B的参数规模做着我们1000万美元和540B的情况下努力完成的事情。”

同时,用户安全等道德担忧也让是否开源的问题争论激烈,选择一个由黑盒算法和集中权威主导的世界,还是一个开放、民主的AI未来对社会非常重要。但有趣的是,即使巨头们开源模型,也未必会对Bittensor构成威胁。因为在开源环境中,任何人都可以在Bittensor上利用这些模型,Meta开源其Llama2 LLM表明行业在向拥抱开源转变,也为Bittensor提供了学习并将模型整合进其网络的机会。从这点来看,Bittensor似乎立于不败之地。

Web 3几乎没有和Bittensor的同类项目,最与之最具竞争关系的应该是专注于机器学习的算力项目Gensyn。该项目是基于区块链的去中心化深度学习计算协议,利用数据中心、个人笔记本电脑等闲置算力,旨在创建一个超级可扩展的机器学习网络。该项目创新地使用概率学习证明机制(Probabilistic Proof-of-Learning)、基于图的精确定位协议和Truebit式激励,来验证计算任务是否已正确执行,其机器学习训练成本每小时约0.4美元,远低于AWS的2美元和Google的2.5美元。2023年6月完成了由a16z领投的4300万美元A轮融资,是AI板块广受关注的明星项目。项目暂还未发行代币。

与之相比,Bittensor的关键优势在于其可以利用MoE模型让多个专业化的AI模型协同工作来增强AI预测,以及拥有相对完善的代币机制。但或许在将来,通过无需许可的区块链,各种协议能够进行集成从而增强整体去中心化AI生态系统,比如Bittensor利用在Gensyn训练的模型进行推理,并由Akash等项目提供推理和训练的GPU算力支持。

三、FUD风声鹤唳,拒绝盲从盲信

从去年起,Bittensor走进众人视野甚至被称作AI新王,但FUD(Fear, Uncertainty, and Doubt,恐惧、不确定和怀疑)一直不断:

该项目仍处于开发的早期阶段,网络可能会出现意外问题。比如今年7月Bittensor的多个钱包遭到攻击,以致$TAO价格下跌超15%,攻击者盗走约3.2万个$TAO,按当时市值计算约为800万美元。事情发生后,项目团队第一时间暂停链上交易调查原因,结论为恶意软件包被上传,修复问题后立刻恢复了网络运行,且在一个月后发布名为“Child Hotkeys”的技术,旨在减少网络被黑客攻击的风险。网络在不断升级改善,且团队也能尽量做到事中应对、事后补救以至今后可以事前预防。

该项目常被质疑去中心化程度不够,其中一个主要原因是分配给每个子网的奖励仅由质押量最大的64个验证器决定,有主观操纵的风险。对此,Opentensor Foundation去年年初提交了一份网络升级提案Dynamic TAO(The Dtao proposal,BIT001),提出允许各子网发行自己的代币、由子网代币的价格决定分配等方式解决子网奖励分配问题,经过不断地讨论和调整,今年8月22日Dynamic TAO的测试网络Bittensor Rao上线,选择采用双代币机制、从验证器驱动$TAO分配切换到价格驱动的方式解决问题,Dynamic TAO即将全面到来,具体效果如何还需要时间的检验。

该项目的工作流程中,面对用户输入多个矿工会独立地生成答案,由于每个矿工都试图生成最接近验证器期望的答案,他们往往倾向于采用相似的策略和模型配置,这意味着多个矿工在执行几乎相同的计算任务,很多质疑认为这个过程资源浪费严重。经济学有一个定理认为,完全竞争市场均衡是帕累托最优的,竞争的市场可以更好地分配资源,而且,在没有Bittensor之类平台的情况下,初创企业难以在行业中生存下来,企业一旦失败,其如果存活下去就可能创造出来的AI算法资源也根本没有成为资源的机会,经济学认为竞争促进资源分配,笔者认为,在AI算法领域,面对行业巨头的垄断和压力,与其说Bittensor在打破垄断促进资源分配,不如说Bittensor是给了自己和同行一个创造资源的机会。

Bittensor利用子网架构打破了过去“Web 3+AI”项目各自为战的局面,同时以模型协作、组合的形态诞生在大概率可能选择拥抱开源的时代,其叙事本身就有一定吸引力。当然,商业博弈不是凭借一纸白皮书就可以胜出的。市场的质疑,一些是见人见智的事情,而更多的质疑需要项目方的重视态度、应对措施以及时间的检验,如何说服更多人参与甚至拥护网络,Bittensor仍有很长的路要走。虽然$TAO的涨幅说明了市场已对其概念集体买账,但Bittensor在其细分赛道很难找到同类项目,其估值是无从借鉴比对的,比起盲从或盲信,密切关注项目消息和市场动态才是更为实际的选择。

四、风险提示

风险一:价格波动

  • 加密货币价格波动较大,无法保证或预测未来价格

风险2:财务

  • 项目可能会破产,或者无法偿还SWEAT本金或利息

风险3:黑客攻击

  • SWEAT可能会被恶意行为者窃取,项目方可能无法退还资金

风险4:法律

  • 部分国家和地区禁止该类行为,项目方可能无法偿还SWEAT本金或利息

 

체인캐처(ChainCatcher)는 독자들에게 블록체인을 이성적으로 바라보고, 리스크 인식을 실제로 향상시키며, 다양한 가상 토큰 발행 및 조작에 경계해야 함을 상기시킵니다. 사이트 내 모든 콘텐츠는 시장 정보나 관련 당사자의 의견일 뿐이며 어떠한 형태의 투자 조언도 제공하지 않습니다. 만약 사이트 내에서 민감한 정보를 발견하면 “신고하기”를 클릭하여 신속하게 처리할 것입니다.
체인캐처 혁신가들과 함께하는 Web3 세상 구축