گریڈیئنٹس: بٹیٹنسور پر ایک ڈیسینٹرلائزڈ AI ٹریننگ انفراسٹرکچر

ذریعہ: CoinW ریسرچ انسٹیٹیوٹ

Gradients، Bittensor پر بنایا گیا ایک ڈی سینٹرلائزڈ AI ٹریننگ سب نیٹ (SN56) ہے، جس کا مرکزی نقطہ "ٹاسک جاری کرنا، مائنرز کا مقابلہ، اور تصدیق کا انتخاب" جیسے مکینزمز کے ذریعے مدل ٹریننگ کو پیچیدہ ٹیکنیکل عمل سے مارکیٹ ڈرائون نیٹ ورک کولابوریشن میں تبدیل کرنا ہے۔ اس کی ساخت میں AutoML اور ڈسٹریبیوٹڈ کمپوٹنگ کو ملا کر ایک ایسا ٹریننگ مارکیٹ تشکیل دیا گیا ہے جو انعامات کے مکینزم پر مرکوز ہے، جس سے AI استعمال کی رکاوٹیں کم ہوتی ہیں اور کمپوٹنگ طاقت کے استعمال کا اثربخشی بڑھتا ہے۔ ایکوسسٹم اور ڈیٹا کے پرفارمنس کے حوالے سے، Gradients نے بنیادی نیٹ ورک تعمیر کر لیا ہے، لیکن اب تک انعامات کا وزن اور فنڈ انفلو نسبتاً محدود ہے۔ Gradients TAO ایکوسسٹم میں ٹریننگ انفراسٹرکچر کو مکمل کرتا ہے اور "مارکیٹ ڈرائون AI آپٹمائزیشن" کا نیا طرز تجربہ کرتا ہے، جس کا لمبے مدت میں ڈی سینٹرلائزڈ AI ٹریننگ کے لیے اہم انٹری لیول بننے کا امکان ہے۔

1.1 AutoML کیا ہے

سنتی طور پر، ایک AI ماڈل کو تربیت دینا ایک انتہائی مشکل کام سمجھا جاتا تھا، جس میں انجینئرز کو ڈیٹا کو منظم کرنا، ماڈل منتخب کرنا، بار بار پیرامیٹرز کو ایڈجسٹ کرنا، اور اس کے اثرات کا جائزہ لینا پڑتا تھا — پورا عمل پیچیدہ اور وقت لینے والا تھا۔ لیکن AutoML (آٹومیٹڈ میکن لرننگ) کے ظہور نے ان تمام پیچیدہ مراحل کو “آٹومیٹڈ پیکیج” میں بدل دیا۔ اسے ایک “آٹومیٹک ماڈل بنانے والا ٹول” سمجھا جا سکتا ہے: صرف ڈیٹا فراہم کریں اور سسٹم کو بتائیں کہ آپ کا مقصد کیا ہے — جیسے طبقہ بندی، پیشگوئی یا شناخت — باقی تمام مراحل، جن میں ماڈل کا انتخاب، پیرامیٹرز کی ترتیب، تربیت اور بہتر بنانا شامل ہے، سسٹم خود کر دے گا۔ اس طرح AI صرف کچھ ماہر انجینئرز کے لیے نہیں رہا، بلکہ عام ڈوولپرز اور کاروباروں کے لیے بھی استعمال کرنے لائق ہو گیا، جو AI کے عام استعمال کی طرف ایک اہم قدم ہے۔

1.2 روایتی AutoML کی بنیادی حدود

اپنے وقت کے لیے، آٹو ایم ایل کے بنیادی اجرائی طریقے کلب فارم پلیٹ فارمز پر مرکوز ہیں، جیسے گوگل ورٹیکس ای آئی اور ای وی ایس سیگمیکر، جو "ای آئی ٹریننگ آن ڈیمانڈ" فراہم کرتے ہیں۔ حالانکہ ویب2 آٹو ایم ایل نے ای آئی استعمال کی سرحد کو کافی حد تک کم کر دیا ہے، لیکن اس کے بنیادی ماڈل میں واضح حدود موجود ہیں۔ پہلا مسئلہ مرکزیت ہے، جس میں کمپوٹنگ طاقت، قیمتیں اور قواعد تمام طور پر پلیٹ فارم کے ہاتھوں میں ہوتے ہیں، جس سے صارفین ایک منفرد سروس فراہم کنندہ پر زیادہ انحصار کرتے ہیں اور بات چیت کرنے کی صلاحیت نہیں رکھتے۔ دوسرا مسئلہ لاگت کا زیادہ ہونا اور عدم شفافیت ہے، جس میں ای آئی ٹریننگ کے لیے ضروری جی پی یو وسائل زیادہ تر کلب فارم پلیٹ فارمز کے پاس مرکوز ہوتے ہیں، جبکہ قیمت کا نظام بازار کے مقابلے سے محروم ہے۔ اس سے بھی زیادہ اہم بات یہ ہے کہ بہتر بنانے کا عمل اپنی حد تک محدود ہے۔ روایتی آٹو ایم ایل بنیادی طور پر "ایک سسٹم جو آپ کے لیے بہترین حل تلاش کر رہا ہے" ہے، جو چاہے اتنا ہی پیچیدہ کیوں نہ ہو، لیکن بنیادی طور پر اس میں صرف ایک ٹیکنالوجی کا استعمال ہوتا ہے۔ اس کا تلاش کرنے کا رنگ بھرنا محدود ہوتا ہے، اور یہ مختلف مکمل طرز عمل کو одно وقت ممکن نہیں بناتا۔ اس لئے موجودہ ویب2 ای آئی ٹریننگ ایک "بند نظام" ہے، جس میں ماڈل کا تربیت، بہتر بنانا اور وسائل کا ترتيب دینا، تمام اس بات پر منحصر ہوتا ہے کہ اسے ایک منفرد پلیٹ فارم کنٹرول کرتا ہے۔ اس طرز عمل کا طریقہ موثر تو ہے، لیکن جب ضرورت بڑھتی جائے تو اس کے حدود دھیرے دھیرے ظاہر ہونے لگتے ہیں۔

2.1 Gradients کیا ہے: ایک ڈی سینٹرلائزڈ AutoML پلیٹ فارم

پچھلے حصے میں ہم نے بتایا کہ روایتی Web2 AutoML کا بنیادی مسئلہ “بند نظام” ہے، جہاں ماڈل ٹریننگ پلیٹ فارم پر منحصر ہوتی ہے، ترقی کے راستے محدود ہوتے ہیں اور وسائل کی حرکت محدود ہوتی ہے۔ Gradients اسی طرز کا ایک نئے انداز میں دوبارہ ڈیزائن کیا گیا ہے۔ Gradients WanderingWeights کے ذریعے شروع کیا گیا ایک غیر مرکزی انجینئرز کا کمیونٹی ہے، جو Bittensor نیٹ ورک پر بنایا گیا ہے اور Subnet 56 پر چلنے والا AI ٹریننگ سب نیٹ ہے۔ روایتی پلیٹ فارمز کے برعکس، یہ مرکزی سروسز فراہم نہیں کرتا، بلکہ ٹریننگ عمل کو تقسیم کرکے ایک کھلے نیٹ ورک پر سونپ دیتا ہے۔ صرف صارفین اپنا مقصد تعریف کرتے ہیں، جیسے ماڈل کا قسم اور ڈیٹا، باقی تمام عمل جیسے ٹریننگ کا انجام، پیرامیٹرز کا بہتر بنانا اور نتائج کا انتخاب، نیٹ ورک خود بخود مکمل کر دیتا ہے۔ اس طرز میں، AI ٹریننگ ایک پیچیدہ انجینئرنگ عمل سے “درخواست جمع کروائیں، نتائج حاصل کریں” جیسا آسان عمل بن جاتا ہے، جو ایک عام صلاحیت کے قریب ہے، نہ کہ انتہائی ماہرانہ تکنیک۔

2.2 بند نظام سے کھلی تعاون تک: گریڈیئنٹس نے کیا مسئلہ حل کیا

گریڈیئنٹس کا بنیادی تبدیلی یہ ہے کہ اس نے ایک منفرد پلیٹ فارم کے اندر بند تربیت کے عمل کو ایک کھلا تعاونی نیٹ ورک عمل میں تبدیل کر دیا ہے۔ تربیت کے کام اب ایک منفرد سسٹم کے ذریعے نہیں، بلکہ متعدد شرکاء کو تقسیم کر کے متوازی طور پر کیے جاتے ہیں، اور پھر ایک یکساں جائزہ فرائیم ورک کے ذریعے بہترین نتائج کو منتخب کیا جاتا ہے۔ اس ساخت نے مرکزی سروس فراہم کنندگان پر انحصار کو کم کر دیا ہے، جس سے تربیت تقسیم شدہ کمپوٹنگ طاقت پر قائم ہو گئی ہے؛ اس کے علاوہ، تقسیم شدہ GPU وسائل ایک ہی نیٹ ورک میں مل گئے ہیں، جہاں مقابلے کے ذریعے بازار کے قریب تر وسائل کی تخصیص ہوتی ہے۔ اہم بات یہ ہے کہ ماڈل کا بہتر بنانا اب صرف ایک منفرد راستے تک محدود نہیں، بلکہ متعدد طریقوں کے متوازی تجربات کے ذریعے مسلسل بہتر حل کی طرف بڑھ رہا ہے، جس سے مجموعی بہتر بنانے کا حد بڑھ جاتا ہے۔

2.3 بنیادی تبدیلی: اوزار سے "ٹریننگ مارکیٹ" تک

سنتی AutoML میں، پلیٹ فارم زیادہ تر ایک ٹول کی طرح ہوتا ہے جو صارفین کو اندر کے الگورتھمز کے ذریعے بہترین حل تلاش کرنے میں مدد کرتا ہے۔ جبکہ Gradients میں، یہ عمل ایک مستقل چلنے والے "بازار" کے قریب ہوتا ہے: صارفین اپنی ضرورتیں جاری کرتے ہیں، مختلف شرکاء ایک ہی کام پر مقابلہ کرتے ہیں، اور نتائج کو جائزہ لینے کے نظام کے ذریعے منتخب کیا جاتا ہے۔ اس طرح، ماڈل کی کارکردگی صرف ایک منفرد سسٹم کی صلاحیتوں پر منحصر نہیں رہتی، بلکہ متعدد شرکاء کے تعاون سے مستقل مقابلہ اور ترقی کے نتیجے میں حاصل ہوتی ہے۔ AutoML اب ایک نسبتا بند تکنیکی بہتری کا مسئلہ نہیں رہا، بلکہ ایک انگیزہ سے چلنے والا ڈائنامک عمل بن گیا ہے جس سے بہتری کی صلاحیت شرکاء کے بڑھنے کے ساتھ وسعت حاصل کرتی ہے۔ یہ تبدیلی، AI ٹریننگ کو بازار کی طرح خود بخود ترقی کرنے والے خصوصیات سے لاتی ہے۔

2.4 TAO ایکوسسٹم میں کردار: AI ٹریننگ انفراسٹرکچر لیئر

بٹٹینسر کے سب نیٹ ورک میں، مختلف سب نیٹس کا کام تجزیہ، ڈیٹا پروسیسنگ اور تربیت جیسے مختلف فنکشنز کو انجام دینا ہے، جبکہ گریڈینٹس تربیت کے لیے مخصوص ہے۔ یہ مرکزی طور پر بکھرے ہوئے کمپوٹنگ طاقتوں کو حقیقی ماڈل آؤٹ پٹ میں تبدیل کرتا ہے اور اس کے لیے ٹاسکس کو تقسیم اور جائزہ لینے کے نظام کے ذریعے ان وسائل کو مستقل طور پر منظم اور بہتر بناتا ہے۔ اس کے علاوہ، یہ کمپوٹنگ فراہمی اور ماڈل کی ضرورت کے درمیان رابطہ قائم کرتا ہے، جس سے تربیت صرف وسائل کے استعمال کا عمل نہیں رہ جاتا بلکہ ایک منظم اور بہتر بنائے جانے والے نیٹ ورک کالابوریشن کا عمل بن جاتا ہے۔ اس نظام میں، گریڈینٹس ایک مرکزی حلقہ کے طور پر کام کرتا ہے جو تقسیم شدہ وسائل کو استعمال کے قابل AI صلاحیتوں میں تبدیل کرتا ہے اور اوپر والے ایپلیکیشنز کی ترقی کو سپورٹ کرتا ہے۔

پچھلے حصے میں ہم نے ذکر کیا تھا کہ گریڈیئنٹس نے AI تربیت کو "پلیٹ فارم کے اندر مکمل ہونے" سے "نیٹ ورک کی مدد سے تعاون کے ذریعے مکمل ہونے" میں تبدیل کر دیا ہے۔ تو، یہ نیٹ ورک بالکل کیسے کام کرتا ہے؟ اس حصے کا مرکزی نقطہ اس عمل کو زیادہ واضح طریقے سے تقسیم کرنا ہے۔

3.1 ڈسٹریبیوٹڈ ٹریننگ: ایک ٹاسک کو کیسے "کئی افراد" نے مل کر مکمل کیا

گریڈیئنٹس کو ایک مسلسل چلنے والے "ٹریننگ کولابوریٹو نیٹ ورک" کے طور پر سمجھیں۔ جب کوئی صارف ایک ٹریننگ ٹاسک جمع کراتا ہے، تو یہ ٹاسک کسی ایک سسٹم کو نہیں دیا جاتا بلکہ نیٹ ورک کے متعدد شرکاء کو ایک ساتھ بھیج دیا جاتا ہے۔ یہ شرکاء ایک ہی ڈیٹا اور مقصد کے ساتھ، مختلف ٹریننگ طریقے آزماتے ہیں اور مقررہ وقت کے اندر اپنے نتائج جمع کراتے ہیں۔ اس کے بعد، سسٹم ان نتائج کا ایک مجموعی جائزہ لیتا ہے اور سب سے بہترین حل کو منتخب کرتا ہے۔ آخر میں، بہترین نتائج کو انعام دیا جاتا ہے، جبکہ دوسرے حل ختم کر دیے جاتے ہیں۔ صارف کے نقطہ نظر سے، اس عمل میں صرف ایک ٹاسک شروع کرنا کافی ہوتا ہے، جس سے وہ ایک ساتھ متعدد مختلف آپٹمائزیشن خیالات کو "کال" کرتا ہے اور بہترین حل خود بخود منتخب ہو جاتا ہے۔ اس طریقہ کار کا بنیادی نقطہ یہ نہیں کہ ایک نوڈ کتنامزید طاقتور ہے، بلکہ یہ ہے کہ متعدد لوگوں کے متوازی آزمائش + خودکار فلٹرنگ کے ذریعے نتائج مسلسل بہترین حل کی طرف بڑھتے رہتے ہیں۔

اس نیٹ ورک میں تین اہم کردار ہیں: صارفین، مائنرز اور ویریفائرز۔ صارفین تربیت کی درخواستیں جمع کرواتے ہیں؛ مائنرز کمپوٹیشنل طاقت فراہم کرتے ہیں اور مختلف تربیتی طریقے آزماتے ہیں؛ جبکہ ویریفائرز نتائج کا جائزہ لیتے ہیں اور بہترین ماڈل منتخب کرتے ہیں۔ یہ تقسیمِ کام تربیت کے عمل کو مستقل طور پر جاری رکھنے اور بہتر حل تلاش کرنے میں مدد کرتا ہے۔ مجموعی طور پر، یہ “درخواست، فراہمی، جائزہ” کے ذریعے چلنے والا ایک تعاونی نیٹ ورک ہے۔

3.2 مارکیٹ ڈرائیون AutoML

پچھلے مکینیزم کے تجزیہ میں دیکھا جا سکتا ہے کہ Gradients صرف AutoML کو بلاکچین پر منتقل نہیں کرتا، بلکہ متعدد شرکاء اور انعامات کے نظام کو شامل کرکے ماڈل آپٹیمائزیشن کے بنیادی منطق کو تبدیل کرتا ہے۔ روایتی AutoML ایک منفرد سسٹم پر انحصار کرتا ہے جو محدود راستوں میں بہترین حل تلاش کرتا ہے، جبکہ Gradients میں یہ عمل پورے نیٹ ورک تک وسعت پاتا ہے: مختلف شرکاء ایک ہی کام کے لیے مستقل طور پر مختلف طریقے آزماتے ہیں اور ایک یکساں جائزہ کے ذریعہ مستقل طور پر فلٹر کرتے اور دوبارہ ترقی دیتے ہیں۔ اس سے ماڈل آپٹیمائزیشن صرف ایک مرتبہ کا کمپوٹیشنل عمل نہیں رہ جاتا، بلکہ ایک دوبارہ ترقی پذیر متحرک عمل بن جاتا ہے۔ اس مکینیزم کے تحت، بہتر کارکردگی والے نتائج زیادہ منافع حاصل کرتے ہیں، جس سے شرکاء مستقل طور پر اپنے حکمت عملیوں کو بہتر بنانے کے لیے متوجہ ہوتے رہتے ہیں اور مجموعی کارکردگی مسلسل بہتر ہوتی رہتی ہے۔

4.1 انعامی نظام (TAO ڈرائیون): تربیت کے عمل سے منافع تک

گریڈیئنٹس کی لمبے عرصے تک چلنے کی کلیدی بات پیچھے کا انعامی نظام ہے۔ یہ بٹٹینسر کی فراہم کردہ اصل انعامی نظام پر منحصر ہے۔ اس میں، TAO بٹٹینسر نیٹ ورک کا اصل ٹوکن ہے، جو پورے نیٹ ورک میں “قدرتی اقدار کا ذریعہ” ہے: ایک طرف یہ کمپوٹیشنل طاقت اور ماڈل کے حصے دینے والوں کو انعام دینے کے لیے استعمال ہوتا ہے، دوسری طرف یہ قبضہ جیسے طریقوں سے سب نیٹ وزن کی تقسیم میں شرکت کرتا ہے اور وسائل کو مختلف سب نیٹس کے درمیان کیسے منتقل کیا جائے، اس پر اثر ڈالتا ہے۔

بٹٹنسور کی مین نیٹ ورک روزانہ تقریباً 3600 TAO کے موزوں مقدار میں نئے انعامات (Emission) کو جاری رکھے گی اور انہیں مختلف سب نیٹ ورکس کے درمیان ایک مخصوص قاعدے کے تحت تقسیم کیا جائے گا۔ ہر سب نیٹ ورک کو کتنی مقدار ملے گی، اس کا فیصلہ اس کی پورے نیٹ ورک میں "کارکردگی" پر منحصر ہوگا، جیسے سرگرمی، تعاون کی معیار اور فنڈنگ کی حمایت وغیرہ۔ گریڈینٹس کے سب نیٹ ورک کے لیے، اس حصے کے طور پر موصول ہونے والے TAO کو اندر ہی شرکاء کے درمیان دوبارہ تقسیم کیا جائے گا۔ تقسیم کا بنیادی معیار یہ ہے کہ جس نے بہتر ماڈل فراہم کیا، اسے زیادہ منافع حاصل ہوگا۔

بذریعہ تفصیل، مائنر ٹریننگ کے نتائج جمع کراتے ہیں، جبکہ ویریفائر ان نتائج کا ٹیسٹ کرتے ہیں اور انہیں اسکور دیتے ہیں۔ سسٹم اس اسکورنگ کے مطابق ہر شرکت کنندہ کا “کنٹریبیوشن ویٹ” حساب کرتا ہے، اور پھر اس ویٹ کے مطابق انعامات تقسیم کرتا ہے۔ بہترین پرفارم کرنے والے ماڈلز (مثلاً جن کی جنرلائزیشن کابیلیت زیادہ ہو یا ان کا اثر مستقل ہو) کو زیادہ منافع حاصل ہوگا، اور ویریفائر جو اسکورنگ زیادہ درست کریں اور حقیقی معیار کو بہتر طریقے سے ظاہر کریں، انہیں بھی زیادہ انعام ملے گا۔ اس ڈیزائن کے ذریعے “بہتر کام کرنا” ب без “زیادہ کمانا” سے براہ راست مطابقت رکھتا ہے، جس سے شرکت کنندگان ماڈلز کو مستقل بہتر بنانے کے لیے متحرک رہتے ہیں۔

4.2 سب نیٹ کے درمیان مقابلہ: صرف اندر کا مقابلہ نہیں، بلکہ باہری درجہ بندی بھی

سرخیوں کے اندر مقابلے کے علاوہ، گریڈینٹس کو بٹٹینٹر نیٹ ورک میں "افقی مقابلہ" کا سامنا بھی ہے۔ چونکہ TAO کی تقسیم ڈائنانمک ہے، اس لیے مختلف سب نیٹ ورکس زیادہ وزن حاصل کرنے کے لیے آپس میں مقابلہ کرتے ہیں۔ صرف وہی سب نیٹ ورکس جو مستقل طور پر اعلیٰ معیار کے نتائج پیدا کرتے ہیں اور زیادہ شرکاء کو اپنی طرف متوجہ کرتے ہیں، بڑا انعام حصہ حاصل کرتے ہیں۔ اس لیے، گریڈینٹس کے انعامات صرف اندر کے ماڈل کی کارکردگی پر ہی منحصر نہیں، بلکہ اس کی پورے اکوسسٹم میں نسبتی مقابلہ جدوجہد پر بھی منحصر ہیں۔ پورا نظام ایک متعدد سطحی حلقوں کا تشکیل دیتا ہے: سب نیٹ ورکس کے اندر ماڈلز کے درمیان مقابلہ ہوتا ہے؛ اور سب نیٹ ورکس کے درمیان کل پرفارمنس کا مقابلہ ہوتا ہے۔ آخرکار، کمپوٹنگ طاقت، ماڈل کی کارکردگی اور مالی منافع ایک ساتھ جڑ جاتے ہیں، جو ایک مستقل چلنے والے مثبت ردعمل کا نظام تشکیل دیتے ہیں۔

4.3 گریڈیئنٹس 5.0: مقابلے سے "ٹورنامنٹ میکنزم" تک

ابتدائی مستقل مقابلے کے بنیاد پر، گریڈیئنٹس نے ایک زیادہ منظم طریقہ متعارف کرایا جسے "ٹورنامنٹ ٹریننگ" کہا جاتا ہے۔ اسے ایک دورانیے کے مقابلے کے طور پر سمجھا جا سکتا ہے: ہر تربیتی دور میں ایک وقتی ونڈو تقرر کی جاتی ہے، جس میں کئی شرکاء ایک ہی کام پر مقابلہ کرتے ہیں اور متعدد مراحل کے ذریعے نکال دیے جاتے ہیں تاکہ بہترین حل منتخب کیا جا سکے۔ اس فارمیٹ میں مرحلہ وار موازنہ اور مرکزی جائزہ پر زور دیا جاتا ہے۔ ایک اہم تبدیلی یہ ہے کہ مائنز اب تربیت کے نتائج نہیں بلکہ "تربیت کا طریقہ" (کوڈ) جمع کراتے ہیں، جسے پھر ویریفکیشن نوڈس ایک ساتھ انجام دیتے ہیں۔ اس سے انصاف بڑھتا ہے کیونکہ مختلف کمپوٹنگ ماحول کے اثرات سے بچا جاتا ہے، اور ساتھ ہی ڈیٹا اور تربیت کے عمل کی خفیہ رکھنے میں بھی مدد ملتی ہے۔ علاوہ ازیں، فاتح حل عام طور پر محفوظ کر لیے جاتے ہیں اور دوبارہ استعمال کے قابل طریقے بن جاتے ہیں، جیسے مستقل طور پر جمع ہوتے رہنے والے "بہترین عمل"۔ لمبے عرصے تک، یہ طریقہ صرف بہترین ماڈل منتخب کرنے تک محدود نہیں بلکہ ایک مستقل ترقی پذیر تربیت کے طرائق کا مجموعہ تعمیر کرنے کا بھی مقصد رکھتا ہے۔

5.1 شرکاء کی ساخت: مانگ، پیشکش اور جائزہ کے ساتھ ایک تعاونی نیٹ ورک

گریڈیئنٹس ایکو سسٹم تین اہم کرداروں سے بنی ہے: صارفین (مانگ کی طرف)، مائنر (آپریشن کی طرف)، اور ویریفائرز (تجزیہ کی طرف)۔ صارفین میں عام طور پر AI ڈویلپرز، چھوٹے اور درمیانے کاروبار، اور Web3 بِلڈرز شامل ہیں، جو عام طور پر کچھ ٹیکنیکل مہارت رکھتے ہیں لیکن کمپوٹیشنل پاور یا مکمل ماڈل ٹریننگ کی صلاحیت نہیں رکھتے، اس لیے وہ گریڈیئنٹس کے ذریعے کم لاگت پر ماڈل بنانے کو ترجیح دیتے ہیں۔ مائنر GPU کمپوٹیشنل پاور فراہم کرتے ہیں اور ٹریننگ ٹاسکس کے لیے مقابلہ کرتے ہیں، جن کا مرکزی مقصد TAO کمائی حاصل کرنا ہے؛ ویریفائرز ٹریننگ نتائج کا جائزہ لیتے ہیں اور انہیں ترتیب دیتے ہیں، جو ماڈل کی معیار اور نظام کے مؤثر طریقے سے کام کرنے کے لیے اہم کردار ادا کرتے ہیں۔

مزید تفصیلی صارفین کے تصویر کے مطابق، گریڈیئنٹس کے حقیقی صارفین کا گروہ واضح طور پر "آدھے ڈویلپر" کا ہے: یہ بالکل اعلیٰ AI لیبز کی طرح نہیں ہے اور نہ ہی بالکل غیر تکنیکی عام صارفین کی طرح، بلکہ اس میں کچھ انجینئرنگ صلاحیت رکھنے والے ڈویلپرز اور Web3 ٹیکنالوجی صارفین شامل ہیں۔ اس بات کا انعکاس اس کی کمیونٹی کے ڈھانچے میں بھی ہوتا ہے، جہاں موجودہ ایکوسسٹم انگریزی زبان پر مشتمل ہے، جس کے مرکزی صارفین شمالی امریکہ اور یورپ کے ڈویلپرز میں مرکوز ہیں، جبکہ کچھ جنوب مشرقی ایشیا کے مائنرز اور عالمی GPU وسائل فراہم کرنے والوں کو بھی شامل کرتا ہے۔ مجموعی طور پر، یہ ایک ٹیکنالوجی سے چلنے والی ڈویلپر کمیونٹی کے قریب ہے۔

5.2 اکوسسٹم کی موجودہ حالت

12 مئی تک، گریڈیئنٹس کا الفا ٹوکن قیمت تقریباً 0.0255 TAO ہے، ملکیت والے پتے تقریباً 4,890 ہیں، مائنر 243، ویریفائر 12، اور ایمیشن کا تناسب 1.61% ہے۔ اس کے علاوہ، اس کے لیکویڈیٹی پول میں TAO کا تناسب 2.19% اور Alpha کا تناسب 97.81% ہے۔ قیمت اور ملکیت والے پتوں کے حوالے سے، گریڈیئنٹس کے پاس کچھ صارفین کی بنیاد اور توجہ موجود ہے، لیکن مجموعی طور پر یہ ابھی ابتدائی مرحلے میں ہے۔ TAO ایکوسسٹم کے سرکاری منصوبے چوٹس کے مقابلے میں، اسی دن الفا ٹوکن کی قیمت 0.0877 TAO تھی اور ملکیت والے پتے 13,409 تھے۔

شکل 1. گریڈیئنٹس کا ڈیٹا۔

ذریعہ:https://bittensormarketcap.com/subnets/56

دوسرا Emission انعامی نظام ہے۔ بٹ ٹینسر سسٹم میں، Emission کا مطلب ہے کہ اس سب نیٹ کو مجموعی نئے انعامات میں کتنی فیصد تفویض کی جا رہی ہے۔ بٹ ٹینسر نیٹ ورک مستقل طور پر نئے TAO جاری کرتا ہے اور انہیں وزن کے مطابق مختلف سب نیٹس کو تقسیم کیا جاتا ہے، جبکہ Gradients کا موجودہ 1.61% کا وزن اس بات کو ظاہر کرتا ہے کہ وہ مجموعی نئے انعامات میں صرف ایک چھوٹا حصہ حاصل کر رہا ہے۔ یہ اشارہ دراصل بازار کی طرف سے مختلف سب نیٹس کے خلاف "ووٹ" کا نتیجہ ہے، جو عام طور پر staking جیسے فنڈز کے بہاؤ سے ظاہر ہوتا ہے۔ اس لیے، 1.61% کی سطح عام طور پر اس بات کو ظاہر کرتی ہے کہ موجودہ بازار کی تسلیم شدہ قدر اور فنڈز کا流入 محدود ہے، اور دوسری طرف، اس کا مطلب یہ بھی ہے کہ مستقبل میں اس کا وزن بڑھانے کا امکان موجود ہے۔ فنڈز کی ساخت (لکویڈٹی پول) کے حوالے سے، TAO کا حصہ صرف 2.19% ہے، جبکہ Alpha 97.81% ہے، جس سے ظاہر ہوتا ہے کہ باہری فنڈز کا流入 اب بھی محدود ہے اور موجودہ صورتحال میں زیادہ تر پیش رفت سب نیٹ کے اندر کی فراہمی پر منحصر ہے۔ قیمت نئے فنڈز کے لحاظ سے بہت حساس ہے، اگر مزید TAO流入 ہو تو اس سے زیادہ واضح اثرات دیکھنے کو مل سکتے ہیں۔

6.1 صنعتی تعین: ڈی سینٹرلائزڈ AutoML کی تربیت کی بنیادی ڈھانچہ

گریڈیئنٹس "AI ٹریننگ انفراسٹرکچر + ڈی سینٹرلائزڈ AutoML" کے ایک نکی پیداواری شعبے میں ہے۔ یہ ماڈل ٹریننگ کو مرکزی پلیٹ فارمز سے آزاد کرنے اور نیٹ ورکڈ مکینزم کے ذریعے زیادہ موثر وسائل کے استعمال اور ماڈل آپٹیمائزیشن حاصل کرنے کی کوشش کرتا ہے۔ ویب2 نظام میں، یہ شعبہ نسبتاً بالغ ہو چکا ہے، جس کے معروف نمائندگان Google Vertex AI اور AWS SageMaker ہیں۔ ان پلیٹ فارمز نے کلاؤڈ کمپوٹنگ کے ذریعے ڈویلپرز کو ایک جگہ ماڈل ٹریننگ اور ڈپلومنٹ سروس فراہم کی ہے، لیکن ان کا بنیادی طور پر مرکزی ساخت ہے۔ مقابلے میں، گریڈیئنٹس کا فرق "زیادہ فنکشنز" میں نہیں، بلکہ بنیادی منطق میں ہے: یہ ٹریننگ کو "پلیٹ فارم سروس" سے "نیٹ ورک کالابوریشن" میں تبدیل کرتا ہے اور مقابلے کے مکینزم کے ذریعے بہترین نتائج کو منتخب کرتا ہے، جس سے یہ ایک بازار کے طور پر کام کرنے والے ٹریننگ سسٹم کے قریب تر ہوتا ہے۔

6.2 افقی موازنہ: ویب2 اور ویب3 آٹو ایم ایل کے درمیان فرق

مکمل طور پر دیکھنے پر، آٹو ایم ایل کے حوالے سے ویب 2 اور ویب 3 کے درمیان فرق دو مختلف پیرادائیمز کا مقابلہ ہے۔ ویب 2 ماڈل کارکردگی اور استحکام پر زور دیتا ہے، جس میں مرکزی وسائل اور انجینئرنگ بہتری کے ذریعے قابل کنٹرول اور بالغ سروس کا تجربہ فراہم کیا جاتا ہے؛ جبکہ ویب 3 ماڈل کھلائی اور انعامات کے نظام پر زور دیتا ہے، جس میں متعدد شرکاء کو شامل کرکے ماڈل کی بہتری کو مقابلے کے ذریعے مستقل ترقی دی جاتی ہے۔ خاص طور پر، ویب 2 آٹو ایم ایل زیادہ تر "ایک طاقتور ٹول" کی طرح ہے، جہاں صارف اپنا کام پلیٹ فارم کو سونپ دیتا ہے اور سسٹم اندر بہترین حل تلاش کرتا ہے؛ جبکہ گریڈینٹس جیسے ویب 3 آٹو ایم ایل زیادہ تر "ایک کھلا بازار" کی طرح ہے، جہاں صارفین اپنی ضرورتیں جاری کرتے ہیں، مختلف شرکاء حل فراہم کرتے ہیں، اور پھر جائزہ لینے والے نظام کے ذریعے نتائج کا انتخاب کیا جاتا ہے۔ اس فرق کا ب без تاثر یہ ہے کہ پہلا زیادہ مستحکم اور قابل کنٹرول ہے، لیکن بہتری کے راستے محدود ہوتے ہیں؛ جبکہ دوسرا تلاش کا زیادہ وسیع میدان رکھتا ہے، بالقوہ حدود زیادہ بلند ہوتی ہیں، لیکن استحکام اور بالغ ہونے میں اب بھی بہتری کی ضرورت ہے۔

6.3 ویب3 میں گریڈیئنٹس کا فرق

موجودہ ویب3 AI شعبے میں، زیادہ تر منصوبے ابھی تک استدلال لیور یا AI ایجنٹ کی طرف مرکوز ہیں، جبکہ “ٹریننگ انفراسٹرکچر” پر توجہ دینے والے منصوبے نسبتاً کم ہیں۔ کچھ منصوبے کمپوٹیشنل نیٹ ورک یا ڈیٹا نیٹ ورک کو جوڑ کر ٹریننگ کی صلاحیت فراہم کرنے کی کوشش کر رہے ہیں، لیکن کل مل کر، زیادہ تر ابھی تک وسائل کی تفویض یا کمپوٹیشنل مارکیٹ کے سطح پر ہی ہیں۔ Gradients کا فرق یہ ہے کہ یہ صرف کمپوٹیشنل میچنگ فراہم نہیں کرتا، بلکہ اس سے آگے بڑھ کر “موڈل آپٹیمائزیشن مکینزم” تک جاتا ہے، جس میں جائزہ اور مقابلہ کے نظام کو شامل کرکے ٹریننگ عمل کو مستقل ترقی کی صلاحیت دی جاتی ہے۔ اس کا مطلب یہ ہے کہ یہ صرف “کمپوٹیشنل طاقت کہاں سے آئے گی” کا مسئلہ حل نہیں کرتا، بلکہ “ان کمپوٹیشنل طاقتوں کو زیادہ موثر طریقے سے کaise استعمال کیا جائے” کا بھی مسئلہ حل کرتا ہے۔ مقام کے لحاظ سے، Gradients ایک “ٹریننگ رزلٹس اورڈینٹڈ” نیٹ ورک کے قریب ہے، نہ کہ صرف ایک کمپوٹیشنل مارکیٹ یا ٹول پلیٹ فارم، جو اسے زیادہ تر ویب3 AI منصوبوں سے بنیادی طور پر الگ کرتا ہے۔

6.4 مرکزی فوائد: مکینزم کی بنیاد پر کارکردگی میں اضافہ

عام طور پر، گریڈیئنٹس کی ترجیحات اس کے مکینزم ڈیزائن میں مرکوز ہیں۔ سب سے پہلے، یہ ٹاسک ایبسترکشن کے ذریعے استعمال کی رکاوٹ کو کم کرتا ہے، جس سے صارفین کو پیچیدہ تربیت کے عمل میں گہرا شامل ہونے کی ضرورت نہیں پڑتی اور وہ مدل کے نتائج حاصل کر سکتے ہیں، جس سے ممکنہ صارفین کی تعداد بڑھتی ہے۔ دوسرے، وسائل کے لحاظ سے، ڈسٹریبیوٹڈ کمپوٹنگ کے اضافے سے تربیت اب ایک منفرد کلاؤڈ فراہم کنندہ پر منحصر نہیں رہی، اور نظریہ طور پر مقابلہ کے ذریعے زیادہ لچکدار لاگت کی ساخت تشکیل دی جا سکتی ہے۔ اہم بات یہ ہے کہ اس کا بہتر بنانے کا طریقہ تبدیل ہو گیا ہے۔ متعدد شرکاء کے متوازی تلاش اور انتخاب کے مکینزم کے ذریعے، گریڈیئنٹس ایک ایسا حل فراہم کرتا ہے جو روایتی اکلوتے راستے کے بہتر بنانے سے مختلف ہے، جس سے مدل کو مختصر وقت میں بہتر کارکردگی حاصل کرنے کا موقع ملتا ہے۔ یہ “مقابلہ بنیادی بہتر بنانے” کا طریقہ اس کا سب سے اہم فائدہ ہے۔

6.5 ممکنہ چیلنجز

ماڈل کی معیار میں استحکام کی کمی کا امکان ہے۔ مرکزیت سے محروم تربیت متعدد طرفین کی شرکت پر منحصر ہے، جو حد تک بہتری لاسکتی ہے لیکن نتائج میں لہروں کا بھی سبب بن سکتی ہے، مرکزی نظام کے مقابلے میں اس کی قابو پانے کی صلاحیت میں کچھ عدم یقین ہے۔ دوسرا، کاروباری سطح پر اعتماد کا مسئلہ ہے۔ کاروباری صارفین کے لیے ڈیٹا کی حفاظت اور تربیت کے عمل کی جانچ پڑتال کرنا انتہائی اہم ہے، اور مرکزیت سے محروم ماحول میں ڈیٹا کے غلط استعمال سے بچاؤ اور نتائج کی جانچ پڑتال کا طریقہ تلاش کرنا اب بھی ایک بڑا چیلنج ہے۔ آخر میں، ٹوکن معاش کے اعتماد پر منحصر ہے۔ گریڈینٹس کا عمل تحریکات پر زبردست طور پر منحصر ہے، اگر TAO کے منافع کا خاصہ کم ہو جائے تو، یہ مائنرز کی شرکت اور پورے نیٹ ورک کی سرگرمی پر اثر انداز ہو سکتا ہے۔ اس لیے، اس کی لمبے عرصے تک قائم رہنے کی صلاحیت تقریباً اس بات پر منحصر ہے کہ معاشی ماڈل مستحکم مثبت حلقوں کو تشکیل دے سکتا ہے یا نہیں۔

موجودہ مرحلے کے مطابق، گریڈیئنٹس اب بھی ابتدائی مرحلے میں ہیں، اور ان کے مستقبل کا حقیقی طور پر کامیاب ہونا کچھ اہم نکات پر منحصر ہے۔ سب سے اہم بات یہ ہے کہ کیا وہ صرف انعامات کے لیے شرکت کے بجائے حقیقی تربیت کی مانگ کو مستقل طور پر متوجہ کر سکتے ہیں؛ دوسرے، ماڈل کی معیار، کیا مرکزیت سے آزاد طریقہ مستقل طور پر استعمال کے قابل، یا حتیٰ کہ بہتر نتائج پیدا کر سکتا ہے؛ اور تیسرے، مالیاتی مکینزم کیا مثبت حلقوں کو تشکیل دے سکتا ہے جس سے کمپوٹنگ پاور کی فراہمی اور آمدنی کے درمیان لمبے عرصے تک توازن برقرار رہے۔

بڑے صنعتی سیاق میں، AI ٹریننگ دو راستوں پر تقسیم ہو رہی ہے۔ ایک Web2 ماڈل ہے جس کی قیادت بڑی ٹیک کمپنیاں کرتی ہیں، جو مرکزی وسائل اور انجینئرنگ صلاحیتوں کے ذریعے ماڈل کی کارکردگی کو مستقل طور پر بہتر بناتی ہیں، جس کا فائدہ استحکام اور بالغ ہونے میں ہے؛ دوسرا Gradients جیسے Web3 راستہ ہے، جو کھلے نیٹ ورک اور انعامات کے نظام کے ذریعے زیادہ شرکاء کو ماڈل کے بہتر بنانے میں شامل کرتا ہے، اور مقابلے کے دوران اپنی حدود کو مستقل طور پر بڑھاتا ہے۔ پہلا راستہ “زیادہ طاقتور نظام تعمیر کرنا” ہے، جبکہ دوسرا راستہ “ایک خود بخود ترقی کرنے والا نیٹ ورک تعمیر کرنا” جیسا ہے۔

اس منظر سے، گریڈیئنٹس کی تلاش ایک نئی ممکنہ بات کی نمائندگی کرتی ہے: AI ٹریننگ صرف ایک ٹیکنیکل مسئلہ نہیں، بلکہ "کمپوٹیشن پاور + ڈیٹا + مارکیٹ میکانزم" کا امتزاج ہے۔ اگر یہ ماڈل کام کر سکتا ہے، تو یہ ڈی سینٹرلائزڈ AI ٹریننگ کا ایک دروازہ بن سکتا ہے اور Bittensor ایکوسسٹم میں ایک اہم انفراسٹرکچر کا کردار ادا کر سکتا ہے۔ بالکل، اس راستے کو تصدیق کے لیے ابھی وقت درکار ہے، لیکن یہ AutoML کے لیے روایتی راستے سے مختلف ایک ترقیاتی سوچ فراہم کر چکا ہے۔

حوالہ

1. بٹٹنسور دستاویزات:https://docs.learnbittensor.org

2. گریڈیئنٹس ویب سائٹ:https://www.gradients.io/

3. گریڈیئنٹس:https://bittensormarketcap.com/subnets/56

4. گریڈیئنٹس X: https://x.com/gradients_ai

5. ٹاوسٹیٹس:https://taostats.io/subnets/56/chart