Satu hal tentang hidup di jam-jam Asia adalah Anda sering kali terbangun karena berita-berita penting dan harus mengejar ketinggalan.

Sam Altman dipecat dari OpenAI pada hari Jumat, misalnya.

Aku hampir tersedak susuku.

Mengapa dewan direksi memecat seseorang yang jelas-jelas sangat cerdas, memiliki rekam jejak kesuksesan yang patut dicontoh, dan yang baru saja menjadi pembicara utama di konferensi OpenAI 12 hari yang lalu?

Beri isyarat kepada para perajin teori yang pedas. Andrew Cote yakin bahwa pemecatan Altman disebabkan oleh politik karena “dia akan memajukan AI terlalu cepat dengan menerapkan terobosan terbaru.” Dan beberapa orang tidak menyukainya.

OpenAI memiliki struktur perusahaan yang sangat canggung (hampir tidak berfungsi) karena awalnya merupakan entitas nirlaba yang kemudian memutuskan untuk bertransisi menuju perusahaan nirlaba. Saat ini, organisasi nirlaba mengontrol arah entitas nirlaba sambil memberikan keuntungan terbatas kepada investor.

Ini akan menjadi beberapa minggu yang menegangkan ketika kebenaran terungkap.

Akankah ini menjadi momen Steve Jobs? Apakah Sam kemudian mendirikan perusahaan lain untuk menyaingi OpenAI?

Yang jelas adalah selubung misteri yang menyelimuti operasi internal OpenAI. Meskipun GPT merupakan alat yang ada di mana-mana dan digunakan oleh ratusan juta orang di seluruh dunia, terdapat kesenjangan yang nyata.

Kami, sebagai pengguna sehari-hari, mendapati diri kami berada di luar dan melihat ke dalam, mencoba mengintip melalui tabir kerahasiaan yang menyelimuti raksasa AI ini. Ketika GPT terus melekat dalam masyarakat kita, kurangnya transparansi ini mengkhawatirkan.

Blockchain + Kripto = ???

Blockchain… dan kripto? Sumber: marketoonist.com

Akhir-akhir ini, saya bergumul dengan pertanyaan: Seperti apa persinggungan antara kripto dan AI nantinya? Memang tidak jelas, namun sebagian besar orang akan setuju bahwa ada potensi besar yang menunggu untuk digali.

Ketika kita memikirkan AI x Crypto, kita biasanya memikirkan Akash Network dan Render. Ini adalah jaringan terdesentralisasi untuk GPU, yang dapat menyediakan komputasi yang diperlukan untuk pelatihan model AI. Logikanya jelas - seiring dengan terus meroketnya AI, permintaan akan sumber daya komputasi juga akan meningkat. Jaringan peer-to-peer, dalam konteks ini, dapat mengalami pertumbuhan yang signifikan. Jadi mereka berada dalam bisnis beliung dan sekop, tapi menurut saya ini hanya sedikit dari potensi AI x Crypto.

Ini seperti mengatakan bahwa JPEG monyet adalah puncak dari apa yang ditawarkan NFT.

Dan kemudian saya menemukan Bittensor.

ELI5: Bittensor

Berbeda dengan Akash atau Render yang mendukung pelatihan model AI (hulu), Bittensor berfokus pada inferensi AI (hilir), yaitu model terlatih yang digunakan untuk menghasilkan keluaran.

Ini adalah jaringan terdesentralisasi yang memberi insentif pada model AI, khususnya Model Bahasa Besar (LLM), untuk berbagai tugas seperti pembuatan teks, pembuatan gambar, dan produksi musik. Jaringan ini terdiri lebih dari 27 subnet, masing-masing berfokus pada tugas tertentu.

Secara sederhana, bayangkan Bittensor sebagai ChatGPT + Midjourney terdesentralisasi + hal lain yang dapat dilakukan AI.

Jaringan beroperasi melalui dua peran utama:

1. Penambang (Produsen nilai): Penambang mengembangkan dan menghosting model AI di jaringan. Mereka diberi hadiah token TAO berdasarkan kinerja model mereka yang terkait dengan tugas tertentu. Hal ini memberi insentif pada pengembangan model AI yang lebih baik dan efisien.
2. Validator (Produsen konsensus): Validator mengevaluasi keluaran dari penambang, memberi peringkat kinerja mereka pada tugas tertentu. Mereka juga berinteraksi dengan pengguna yang mengirimkan tugas ke validator (misalnya untuk subnet pembuatan gambar: “/bayangkan Sam Altman dengan topeng Darth Vader saat makan malam Thanksgiving”) dan mengarahkannya ke penambang yang sesuai

“Sam Altman mengenakan topeng Darth Vader saat makan malam Thanksgiving”, dibuat oleh subnet pembuatan gambar Bittensor.

Saya mungkin terlalu menyederhanakan seluk-beluk teknisnya, namun ada beberapa hal yang menonjol bagi saya:

• Penambang dan Validator di jaringan bertukar pengetahuan dan berbagi parameter, memungkinkan pengoptimalan mandiri seiring waktu
• Jaringan ini dirancang untuk memanfaatkan kekuatan beberapa model AI yang terpisah untuk menghasilkan keluaran terbaik (“Mixture-of-Experts”)

Sumber: Revelo Intel — Bittensor

Ini di luar niat saya untuk membahas detail teknisnya, namun berikut adalah beberapa ringkasan bagus yang telah membantu saya untuk lebih memahami Bittensor:

Revelo Intel — Bittensor

Knower - Laporan singkat tentang Bittensor dan AI

Anda dapat mencoba chatGPT Bittensor yang setara di sini

TAO

TAO adalah token utilitas untuk jaringan, dan memiliki struktur tokenomik yang mirip dengan Bitcoin: batasan maksimum 21 juta token dan peluncuran yang adil tanpa alokasi VC. Bahkan ada siklus separuh, dengan separuh pertama terjadi pada tahun 2025.

Ada 5,65 juta TAO yang beredar saat ini, dan semuanya didistribusikan secara adil melalui penambangan dan validasi di jaringan. Kapitalisasi pasar yang beredar saat ini sedikit di atas $1 miliar. 7,200 TAO baru dikeluarkan setiap hari untuk penambang dan validator.

Pikiran awal saya

Bittensor masih dalam masa pertumbuhan. Jaringan ini memiliki komunitas yang berdedikasi dan hampir seperti komunitas aliran sesat, namun jumlah keseluruhan pesertanya masih sedikit – sekitar 50.000+ akun aktif. Subnet paling ramai, SN1, yang didedikasikan untuk pembuatan teks, memiliki sekitar 40 validator aktif dan lebih dari 990 penambang.

Yang benar-benar menarik adalah konsep jaringan AI yang terdesentralisasi. Hal ini tidak hanya memitigasi risiko sentralisasi tetapi juga menimbulkan pertanyaan: Dapatkah insentif ekonomi yang unik ini mendorong model AI yang melampaui model yang dikembangkan oleh entitas yang didanai besar-besaran seperti OpenAI dan Google?

Sebelum LLM menjadi populer dengan munculnya alat seperti ChatGPT, startup teknologi mendalam sering kali berfokus pada perolehan kumpulan data eksklusif untuk mengembangkan model AI khusus berbasis pembelajaran mesin untuk tugas yang sangat spesifik. Misalnya, Flatiron Health menggunakan data klinis dunia nyata dari pasien onkologi dan mengembangkan model AI yang digunakan untuk mendukung peneliti kanker dan penyedia layanan. Secara tradisional, tujuan dari startup ini adalah untuk memproduksi dan memonetisasi model kepemilikan ini.

Bittensor, bagaimanapun, mungkin mewakili perubahan dalam paradigma ini. Mungkin lebih tepat untuk menyebutnya sebagai inovasi model bisnis yang dimungkinkan oleh teknologi, dibandingkan terobosan teknologi. Misalnya, ia menawarkan jalur bagi data kepemilikan dan model AI untuk dikembangkan bersama dan digunakan oleh khalayak yang lebih luas, tanpa memerlukan sumber terbuka. Saya dapat membayangkan suatu masa depan di mana Bittensor menampung ribuan subnet khusus yang menangani berbagai tantangan, mulai dari masalah lingkungan dan layanan kesehatan hingga solusi energi.

Dan jika boleh jujur, ada sesuatu yang menurut saya menarik dari tim yang merancang tokennomics mereka dengan cara yang sama seperti Bitcoin. Hal ini menunjukkan motivasi mereka, yang berbeda dari tim saat ini — yang sering kali mengoptimalkan tokennomics mereka dengan model yang didanai VC, dengan alokasi besar untuk para pendiri dan investor.

Saya tidak yakin ke mana Bittensor akan pergi. Ini bisa menjadi kesuksesan 100x atau kegagalan total. Namun potensi dan filosofi di baliknya terlalu menarik untuk saya abaikan.

(CATATAN: Pada saat penulisan, saya memiliki TAO dan mempertaruhkannya pada validator).

Penafian:

1. Artikel ini dicetak ulang dari [Pikiran Teng]. Semua hak cipta milik penulis asli [TENG YAN]. Jika ada keberatan terhadap cetak ulang ini, silakan menghubungi tim Gate Learn , dan mereka akan segera menanganinya.
2. Penafian Tanggung Jawab: Pandangan dan pendapat yang diungkapkan dalam artikel ini adalah sepenuhnya milik penulis dan bukan merupakan nasihat investasi apa pun.
3. Terjemahan artikel ke bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, dilarang menyalin, mendistribusikan, atau menjiplak artikel terjemahan.