Skip to main content

⛏️ Unit 2 — Core Concepts & Mechanisms of Bittensor

Goal Unit Ini

Setelah baca unit ini, kamu akan paham:

  1. Arsitektur subnet — apa isinya, siapa pelakunya, bagaimana datanya mengalir
  2. Role miner vs validator — flow request-response dan skoring
  3. Yuma Consensus — algoritma agregasi skor validator (simplified math)
  4. Metagraph — "snapshot" network yang jadi ground truth untuk distribusi reward
  5. Incentive split 41/41/18 — siapa dapat apa, dan kenapa ratio ini

Unit sebelumnya (Unit 1) sudah menjelaskan kenapa Bittensor ada. Sekarang kita bedah bagaimana dia bekerja. Unit ini lebih teknis dari Unit 1 — sediain kopi, siap?

🗺️ Big Picture — Komponen Bittensor dalam Satu Gambar​

Sebelum masuk detail, pahami dulu the big picture:

Yang harus kamu tangkap dari diagram ini:

  1. Di bawah semuanya ada Subtensor — blockchain utama. Ini tempat state disimpan, consensus di-run, dan TAO di-emit.
  2. Di atas Subtensor ada subnet-subnet. Setiap subnet punya komunitas miner & validator sendiri.
  3. Subnet tidak berinteraksi langsung satu sama lain — masing-masing punya task spesifik. Tapi mereka semua share Subtensor sebagai source of truth.
  4. Flow TAO: Subtensor emit TAO tiap blok → dibagi ke subnet → dibagi lagi ke miner & validator di dalam subnet sesuai kontribusi.

🧩 Apa Itu Subnet?​

Subnet = unit spesialisasi di Bittensor. Setiap subnet adalah komunitas miner + validator yang bekerja di satu task spesifik dengan reward mechanism yang di-customize.

Komponen Subnet​

Mari kita bedah satu-satu:

1. Subnet Owner​

Pihak (orang atau team) yang deploy subnet ke Subtensor dan menentukan:

  • Task apa yang dikerjakan subnet (contoh: "scraping Twitter data", "prediksi hasil olahraga")
  • Reward function — bagaimana validator score miner
  • Protocol — request-response format antara miner dan validator
  • Parameter — minimum stake, burn amount untuk registrasi, dll

Subnet owner dapat 18% emission subnet-nya sebagai kompensasi maintenance. Kalau subnet populer → revenue bagus, kalau sepi → kerjaan sia-sia.

2. Miner​

Worker yang menjalankan layanan AI aktual. Miner:

  • Run model/algoritma di server/GPU sendiri
  • Listen request dari validator
  • Generate response secepat & seberkualitas mungkin
  • Dapat 41% emission subnet jika performanya bagus

3. Validator​

Auditor yang menilai kualitas miner. Validator:

  • Stake TAO (butuh minimum stake — di mainnet biasanya 1,000+ TAO)
  • Kirim challenge/request ke miner
  • Score response berdasarkan reward function
  • Submit weight matrix ke Subtensor (angka 0–1 per miner)
  • Dapat 41% emission subnet jika scoring-nya "konsisten" dengan validator lain

4. NetUID​

Setiap subnet punya ID angka unik. Contoh:

  • NetUID 1 — Text Prompting (subnet pertama)
  • NetUID 13 — Data Universe
  • NetUID 41 — Sportstensor
  • NetUID 64 — Chutes
  • NetUID 62 — Ridges

Saat kamu jalankan btcli atau code, kamu selalu rujuk subnet lewat NetUID-nya.

Analogi Sederhana: Subnet = Stall di Pasar

Bayangin Bittensor itu pasar raksasa. Setiap subnet = stall (lapak) dengan produk berbeda. Stall 13 jual data. Stall 41 jual prediksi olahraga. Stall 64 jual inference AI.

  • Subnet owner = pemilik stall, bikin aturan stall (harga minimum, kualitas, dll)
  • Miner = penjual di stall (bawa produk)
  • Validator = inspektur pasar (nilai kualitas)
  • Subtensor = sertifikat pasar (ngasih "ijin stall" dan "bayar sewa")
  • TAO = mata uang umum di pasar

⛏️ Miner — Flow Lengkap​

Seorang miner punya lifecycle yang repetitif tapi penting dipahami:

Step-by-Step untuk Miner​

1. Register ke subnet — bayar "registration fee" berupa TAO yang di-burn. Besarannya dinamis (naik kalau banyak yang register kompetisi). Habis register, kamu dapat UID (angka unik dalam subnet, 0–255 biasanya).

2. Jalankan software miner — biasanya script Python yang:

  • Load model (misalnya LLM, classifier, scraper, dll)
  • Listen pada axon port (port TCP untuk komunikasi)
  • Register axon IP ke Subtensor supaya validator bisa connect

3. Serve request — validator akan kirim request setiap tempo (interval block, biasanya ~72 menit / 360 blok). Miner proses dan return response.

4. Tunggu reward — kalau validator nilai kamu bagus (high weight), kamu dapat share emission TAO setiap tempo.

Contoh Request-Response Miner​

Misalnya di subnet Text Prompting (fictional simple example):

# Miner pseudocode
def forward(synapse: TextPromptSynapse) -> TextPromptSynapse:
    prompt = synapse.prompt
    response = my_llm.generate(prompt, max_tokens=200)
    synapse.response = response
    return synapse

Di subnet Sportstensor (SN41):

# Miner pseudocode
def forward(synapse: MatchPredictionSynapse) -> MatchPredictionSynapse:
    match_id = synapse.match_id
    # Fetch stats, run prediction model
    prediction = my_model.predict(match_id)
    synapse.prediction = prediction  # {home_win: 0.6, draw: 0.2, away_win: 0.2}
    return synapse
Realita Teknis Miner

Sebagai miner, pekerjaan kamu tidak hanya menjalankan script. Yang bedain top-miner vs bottom-miner biasanya:

  • Kualitas model (kalau subnet ML-heavy)
  • Latency (validator timeout cepat — 5–10 detik)
  • Uptime (kalau offline saat tempo, nggak dapat reward)
  • Strategy (tahu pattern challenge validator, optimasi terhadap reward function)

🔍 Validator — Flow Lengkap​

Validator punya tanggung jawab berbeda dan lebih berat:

Tanggung Jawab Validator​

  1. Stake TAO — minimum stake bervariasi per subnet, tapi umumnya ≥ 1,000 TAO (di dTAO era, stake pakai alpha token)
  2. Query semua miner tiap tempo
  3. Score dengan reward function subnet (ditentukan subnet owner)
  4. Submit weight vector ke Subtensor — array angka 0–1 sepanjang jumlah miner
  5. Konsisten dengan validator lain — kalau kamu skor beda drastis, Yuma Consensus akan "punish" kamu

Reward Function — Contoh Konkret​

Di Sportstensor (SN41), reward function sederhananya seperti ini (simplified):

score_miner_i = accuracy_over_last_N_matches - latency_penalty
weight_miner_i = softmax(score_miner_i across all miners)

Artinya: miner yang prediksinya lebih akurat di N match terakhir dan responsenya cepat dapat weight lebih tinggi.

Di Data Universe (SN13):

score_miner_i = volume_data × freshness × uniqueness × validation_pass_rate

Miner yang contribute banyak data segar & unik (bukan duplikat) yang lulus validasi dapat skor tinggi.

Kenapa Validator Butuh Stake Tinggi?

Karena kalau validator jahat (kasih weight random, atau collude dengan miner), dia bisa merusak distribusi reward. Stake tinggi adalah skin in the game — kalau scoring-nya deviate dari consensus, emission dia berkurang. Economic disincentive untuk bad behavior.

🧠 Yuma Consensus — Jantung Bittensor​

Yuma Consensus adalah algoritma yang agregasi semua weight dari validator-validator jadi satu distribusi reward akhir. Ini inovasi core Bittensor.

Masalah yang Dipecahkan​

Bayangin kamu punya 50 validator, masing-masing submit weight vector untuk 200 miner. Kamu dapat matrix 50×200 angka. Pertanyaan:

  • Weight validator mana yang lebih valid? (Validator boss atau validator random?)
  • Gimana kalau satu validator jahat kasih weight aneh?
  • Gimana aggregate secara adil tanpa trust satu validator saja?

Solusi: Weighted Consensus + Trust Score​

Yuma Consensus bekerja dalam beberapa tahap (disederhanakan):

Matematika Simplified​

Anggap ada 3 validator (A, B, C) dengan stake (10, 20, 30) TAO, dan 2 miner (X, Y). Weight matrix-nya:

ValidatorStakeWeight XWeight Y
A100.80.2
B200.70.3
C300.20.8

Step 1 — Stake-weighted average per miner:

Miner X: (10×0.8 + 20×0.7 + 30×0.2) / 60 = (8 + 14 + 6) / 60 = 0.467
Miner Y: (10×0.2 + 20×0.3 + 30×0.8) / 60 = (2 + 6 + 24) / 60 = 0.533

Step 2 — Consensus C = [0.467, 0.533]

Step 3 — Trust score tiap validator (seberapa mirip weight mereka dengan consensus):

Trust_A = similarity([0.8, 0.2], [0.467, 0.533]) = rendah (jauh dari consensus)
Trust_B = similarity([0.7, 0.3], [0.467, 0.533]) = medium
Trust_C = similarity([0.2, 0.8], [0.467, 0.533]) = tinggi

Step 4 — Validator dengan trust tinggi → emission validator mereka lebih besar. Validator A yang "out-of-consensus" dapat emission lebih kecil (disincentive untuk melawan mayoritas).

Step 5 — Miner Y (skor 0.533) dapat share emission lebih besar dari Miner X (skor 0.467).

Kenapa "Mayoritas" Bukan Tyranny of Majority?

Pertanyaan valid: apa kalau 51% validator collude kasih skor jahat? Dalam teori bisa. Tapi dalam praktek:

  • Stake minimum membuat validator colluding butuh stake puluhan ribu TAO ($juta dolar)
  • Reputation long-term — validator yang konsisten scoring bagus akan dipercaya delegator dan dapat lebih banyak stake delegated
  • Reward function transparan — kalau validator skor random, gampang di-detect oleh komunitas
  • Fork resistance — komunitas bisa fork kalau ada attack serious

Trade-off-nya mirip Bitcoin — secara teori 51% attack mungkin, praktek sangat mahal.

📊 Metagraph — Snapshot State Subnet​

Metagraph adalah representasi lengkap state subnet pada titik waktu tertentu. Dia bukan "live stream" — dia snapshot yang di-update setiap tempo.

Isi Metagraph​

FieldArtiContoh
uidsArray UID miner/validator dalam subnet[0, 1, 2, ..., 255]
stakeStake TAO tiap UID[1000, 500, 20, ...]
weightsMatrix weight terakhir (validator → miner)[[0.1, 0.2, ...], ...]
ranksSkor ranking miner (hasil Yuma Consensus)[0.8, 0.5, 0.3, ...]
trustTrust score tiap neuron[0.9, 0.7, ...]
incentiveShare incentive miner (fraction of miner pool)[0.4, 0.1, ...]
dividendsShare dividend validator (fraction of validator pool)[0.3, 0.2, ...]
emissionTAO emission per neuron per block[0.05, 0.02, ...]
hotkeysPublic key tiap UID["5C4h...", "5F3s...", ...]
axonsIP:port tiap miner (buat validator connect)["1.2.3.4:8091", ...]

Cara Akses Metagraph​

Pakai btcli:

btcli subnet metagraph --netuid 13

Atau di Python:

import bittensor as bt
metagraph = bt.metagraph(netuid=13)
print(metagraph.ranks)       # [0.8, 0.5, 0.3, ...]
print(metagraph.incentive)   # [0.4, 0.1, ...]
Metagraph = Ground Truth

Kalau kamu jadi miner dan nggak yakin performa kamu bagus atau tidak, baca metagraph. Cek:

  • incentive[my_uid] — share reward kamu sekarang
  • trust[my_uid] — seberapa dipercaya kamu oleh validator
  • emission[my_uid] — TAO per block yang kamu dapat

Semua decision optimization miner biasanya berbasis data metagraph.

💰 Incentive Distribution — Ratio 41 / 41 / 18​

Setiap subnet punya "emission pool" per blok. Pool ini dibagi tiga pihak:

Kenapa 41 / 41 / 18?​

Design choice dari Yuma Rao + iterasi community:

  • 41% miner — mereka yang bikin output real (the product)
  • 41% validator — mereka yang jaga kualitas (gatekeeper)
  • 18% subnet owner — mereka yang bikin & maintain protocol (infrastructure)

Kalau satu sisi over-rewarded, sistem collapse:

  • Kalau miner 90%, validator quit → kualitas drop
  • Kalau validator 90%, miner quit → nggak ada yang kerja
  • Kalau owner 50%, miner & validator protest

41/41/18 adalah equilibrium yang work secara empiris.

Contoh Angka Konkret​

Anggap:

  • Emission per block subnet = 1 TAO (angka realistis untuk subnet medium)
  • 1 block = 12 detik
  • 1 tempo = 360 blocks = 72 menit

Per tempo, subnet emit 360 TAO, dibagi:

PihakSharePer TempoPer Hari (20 tempo)
Miner pool41%147.6 TAO2,952 TAO
Validator pool41%147.6 TAO2,952 TAO
Subnet owner18%64.8 TAO1,296 TAO
Total100%360 TAO7,200 TAO

Sekarang miner pool 147.6 TAO dibagi ke semua miner aktif (misalnya 128 miner) proportional to incentive[uid]. Jadi kalau miner UID 5 punya incentive = 0.1, dia dapat:

emission_miner_5 = 147.6 × 0.1 = 14.76 TAO per tempo
= 14.76 × 20 = 295.2 TAO per hari

Kalau TAO = $300, itu sekitar $88,560/hari. Kalau TAO = $50, itu $14,760/hari. Makanya harga TAO matters banget untuk ROI miner.

Realita Ekonomis

Contoh di atas adalah best case — top miner di subnet populer. Realitanya:

  • Kebanyakan miner dapat incentive < 0.01 (bottom 80% kolektif)
  • Top 3 miner bisa dominate dengan incentive > 0.3
  • Kalau kamu new miner, ekspektasinya loss dulu beberapa tempo sampai strategy kamu matang

Dari perspektif subnet owner: kalau subnet sepi (sedikit validator total stake), emission ke subnet kamu juga kecil. Ada alokasi dinamis berbasis demand (lewat dTAO, bahas di Unit 3).

🔑 Coldkey vs Hotkey — Pemisahan Kunci​

Ini konsep penting yang akan kamu pakai terus di btcli:

KunciFungsiContoh Penggunaan
ColdkeyWallet utama, simpan TAO, tandatangan transaksi pentingTransfer TAO, stake/unstake, delegasi
HotkeyOperational key, di-run di server miner/validatorSubmit weight, serve axon, signing lightweight

Kenapa dipisah?

Hotkey disimpan di server yang always-on → resiko compromised lebih tinggi. Kalau hotkey kamu bocor, attacker tidak bisa drain TAO kamu — mereka cuma bisa ganggu operation miner kamu. TAO tetap aman di coldkey yang disimpan offline.

Satu coldkey bisa punya banyak hotkey — misalnya kamu jalanin 5 miner di 5 subnet, tiap miner pakai hotkey berbeda tapi coldkey sama (untuk kumpulkan reward).

🧪 Contoh Perhitungan End-to-End​

Oke, mari gabungkan semua konsep dengan satu skenario konkret.

Setup:

  • Kamu miner di subnet SN41 (Sportstensor)
  • UID kamu = 17
  • Ada 128 miner aktif, 24 validator aktif
  • Emission per block subnet = 0.8 TAO

Tempo ke-100:

  1. 24 validator semua query UID 17. Kamu return prediction match.
  2. Rata-rata accuracy kamu di 20 match terakhir = 62% (di atas average 55%).
  3. 20 dari 24 validator kasih weight tinggi ke UID 17 (say, 0.05 average).
  4. 4 validator kasih weight rendah (maybe disconnect, maybe scoring beda).
  5. Stake-weighted average weight UID 17 = 0.042.
  6. Ini di-feed ke Yuma Consensus → rank UID 17 = 0.042.
  7. Normalisasi semua miner → incentive[17] = 0.08.

Emission kamu tempo ini:

miner_pool = 0.8 TAO/block × 360 blocks × 41% = 118.08 TAO
emission_17 = 118.08 × 0.08 = 9.45 TAO per tempo

Per hari (20 tempo): 189 TAO. Kalau TAO = $200, itu $37,800/hari. 😮

(Sekali lagi: ini example untuk top-tier miner. Realistic median miner jauh di bawah.)

🧭 Peta Konsep yang Sudah Kamu Pelajari​

Semua istilah ini harus kamu kenal by heart sebelum lanjut ke Unit 3.

🎯 Rangkuman​

Yang Harus Kamu Ingat
  1. Subnet = unit spesialisasi di Bittensor, dimiliki subnet owner, dijalankan miner & validator
  2. Miner generate output AI; Validator score output; Subnet Owner bikin protocol
  3. Yuma Consensus agregasi weight validator jadi ranking final — validator out-of-consensus dihukum lewat trust score
  4. Metagraph = snapshot state subnet (stake, weights, incentive, dividends, emission) — ground truth untuk reward
  5. Incentive split 41/41/18 — miner, validator, subnet owner — equilibrium stabil secara empiris
  6. Coldkey vs Hotkey — security hygiene dasar; coldkey simpan TAO, hotkey operate miner
  7. Reward real depend pada: incentive fraction × pool size × harga TAO — semua variabel ini perlu di-optimize

✅ Quick Check​

  • ❓ Sebutkan 4 role utama dalam subnet (selain Subtensor blockchain)
  • ❓ Kenapa validator harus stake TAO sebelum bisa submit weight?
  • ❓ Jelaskan secara singkat alur Yuma Consensus: raw weights → emission
  • ❓ Apa beda coldkey dan hotkey, dan kenapa harus dipisah?

🚀 Next Unit​

Kamu sekarang paham arsitektur Bittensor. Selanjutnya kita masuk ke tools praktis untuk interact dengan network ini.

Next: Unit 3 — Tooling & Tokenomics 👉

Di unit berikut: install btcli, bikin wallet, kenalan dengan TAO tokenomics lengkap (halving, max supply 21M), dTAO + alpha tokens, dan Chrome Extension wallet.

📚 Referensi Tambahan​