بعد "الاثنين الأسود" لسوق العملات المشفرة هذا الأسبوع، الذي شهد انخفاضًا كبيرًا، شهدت الرموز عبر قطاعات مختلفة ارتدادًا في اليوم التالي. من بينها، يبرز Bittensor (TAO) كالأكثر بروزًا.

وفقًا لبيانات CoinMarketCap ، ارتفع Bittensor (TAO) بنسبة 23.08٪ في الأمس ، مما جعله الأداء الأفضل من حيث الارتداد بين 100 رمزًا رئيسيًا حسب رأس المال السوقي.

على الرغم من أن السرد الذكاء الاصطناعي لم يكن ساخنًا كما كان في بداية العام، إلا أن اختيار رأس المال المضارب يشير إلى الثقة في المشاريع الرائدة في هذا القطاع. ومع ذلك، واجهت Bittensor بعض الخوف وعدم اليقين والشك في الماضي، حيث تساءلت المجتمعات عن اسم المشروع والتطبيقات العملية ضمن الشبكات الفرعية الخاصة بها.

(انظر أيضًا: الخوف والشائعات: هل سيسقط ملك الذكاء الاصطناعي الجديد بيتينسور من سمعته؟)

بينما لا يترتب الفائدة من مشروع العملة الرقمية دائمًا مباشرة على سعر رمزها المميز، هل بيتينسور مجرد قذيفة فارغة؟

في الأشهر الأخيرة، أضاف Bittensor 12 شبكة فرعية جديدة، تساهم كل منها إلى حد ما في التطور المتعلق بالذكاء الاصطناعي، وقد يؤدي ذلك في المستقبل إلى ظهور مشاريع ألفا جديدة. لقد قمنا بمراجعة هذه الشبكات الفرعية الجديدة لملاحظة التغيرات الأساسية فيها مع التركيز على ارتفاع أسعار TAO.

شبكة فرعية 38: Sylliba، أداة ترجمة النص إلى كلام تدعم أكثر من 70 لغة

فريق التطوير: وكيل اصطناعي

مقدمة:

سيليبا هو تطبيق ترجمة يدعم كل من الترجمة النصية والترجمة الصوتية في أكثر من 70 لغة. ومن الجدير بال mد أنه يمكن استخدام هذا التطبيق من قبل وكلاء الذكاء الصناعي المتصلين بسلسلة الكتل:

• عمليات الترجمة الآلية: يمكن لوكلاء الذكاء الاصطناعي استدعاء هذه الخدمة تلقائيًا لمعالجة المعلومات والاتصال عبر اللغات المختلفة.
• قدرات الذكاء الاصطناعي المحسّنة: تسمح لأنظمة الذكاء الاصطناعي بدون قدرات متعددة اللغات بالتعامل مع المهام متعددة اللغات.
• التحقق من البلوكشين: يمكن التحقق من طلبات الترجمة والنتائج على البلوكشين، مما يزيد من مصداقية النظام.
• آلية الحوافز: من خلال الاقتصاد الرمزي، يمكنه تحفيز مقدمي خدمات الترجمة عالية الجودة.

عنوان المشروع: https://github.com/agent-artificial/sylliba-subnet

شبكة فرعية 34: بتميند، أداة للكشف والتمييز بين المحتوى الاصطناعي الحقيقي والمزيف

فريق التطوير:@BitMindAI

مقدمة:

تركز BitMind على تطوير تكنولوجيا كشف العمق اللامركزية الكاذبة. مع التقدم السريع في نماذج الذكاء الاصطناعي التوليدية ، أصبح من الصعب تمييز وسائط اصطناعية ذات جودة عالية عن المحتوى الحقيقي.

بيت مايندشبكة فرعيةتعالج هذه المشكلة عن طريق نشر آليات كشف قوية داخل شبكة شبكة فرعية، باستخدام نماذج ذكاء اصطناعي توليدي وتمييزي لتحديد deepfakes بشكل فعال.

بالإضافة إلى ذلك، يتيح واجهة برمجة التطبيقات BitMind للمطورين الاستفادة من قدرات اكتشاف الوجوه الزائفة في الشبكة الفرعية لإنشاء تطبيقات استهلاكية قوية. تستخدم تطبيق الويب BitMind، الذي يتميز بواجهة تحميل الصور، واجهة برمجة التطبيقات لمساعدة المستخدمين على تقدير احتمالية أن تكون الصورة حقيقية أو مزيفة بسرعة، مما يوفر أداة وقاية سهلة الوصول وقابلة للتفسير ضد الخداع.

شبكة فرعية 43: غرافيت، شبكة تخطيط مسار ذكية

فريق التطوير:@GraphiteSubnet

مقدمة:

شبكة فرعية مخصصة بشكل خاص لمعالجة المشاكل المتعلقة بالرسوم البيانية ، مع التركيز بشكل خاص على مشكلة بائع التجوال (TSP). TSP هي مشكلة تحسينية كلاسيكية تهدف إلى إيجاد أقصر مسار ممكن يزور مجموعة من المدن والعودة إلى نقطة البداية.

يستخدم الغرافيت شبكة تعلم الآلة اللامركزية لبيتينسور لربط العاملين في التعدين بكفاءة للتعامل مع مطالب الحوسبة في مسألة TSP ومشاكل الرسوم البيانية المماثلة. حاليًا، يقوم المحققون بتوليد طلبات صناعية وإرسالها إلى العاملين في التعدين في الشبكة. المعدنون مسؤولون عن حل مسألة TSP باستخدام خوارزمياتهم وإرسال النتائج إلى المحققين للتقييم.

شبكة فرعية 42: جين 42، مساعدة شفرة المصدر المفتوح للذكاء الاصطناعي على جيت هاب

فريق التطوير:@RizzoValidator，@FrankRizz07

مقدمة:

تستفيد Gen42 من شبكة Bittensor لتقديم خدمات توليد الشفرة المتمركزة. يتركز تركيزهم على إنشاء أدوات قوية وقابلة للتوسعة للإجابة على الأسئلة المتعلقة بالشفرة وإكمال الشفرة، مدفوعة بنماذج لغوية كبيرة مفتوحة المصدر.

المنتجات الرئيسية:

a. تطبيق المحادثة: يوفر واجهة أمامية للدردشة تسمح للمستخدمين بالتفاعل مع شبكة فرعية. الميزة الرئيسية لهذا التطبيق هي الإجابة على الأسئلة بناءً على الشفرة.

b. الإكمال التلقائي للكود: يقدم واجهة برمجة التطبيقات المتوافقة مع OpenAI التي يمكن استخدامها مع continue.dev.

يمكن العثور على تفاصيل حول كيفية مشاركة المُنقبين والمُوثقين في المشروع على GitHub.

شبكة فرعية 41: Sportstensor، نموذج توقعات رياضية

فريق التطوير:@sportstensor

مقدمة:

سبورتستنسور هو مشروع مركز على تطوير خوارزميات التنبؤ الرياضية المتميزة، والتي تدعمها شبكة بيتتنسور المركزية.

يقدم المشروع نماذج أساسية على منصة HuggingFace de المفتوحة المصدر للمنقبين للتدريب والتحسين. يدعم التخطيط الاستراتيجي وتحليل الأداء بناءً على البيانات التاريخية والواقعية ويكافئ جمع البيانات الشاملة وتطوير نموذج التنبؤ عالي الأداء.

أدوار المُنقّب والمُعتمد:

• المُنقبون: يتلقون الطلبات من المُصَدِّقين، ويستخدمون البيانات ذات الصلة ويقومون بعمل توقعات باستخدام نماذج التعلم الآلي.
• المحققون: جمع التنبؤات من المنقبين، مقارنتها مع النتائج الفعلية، وتسجيل نتائج التحقق.

شبكة فرعية 29: coldint، تدريب نموذج الذكاء الاصطناعي المتخصص

المطور: لم يتم العثور عليه بعد،الموقع الرسمي هو هنا

مقدمة:

SN29 Coldint، وهي اختصار لـ التدريب الموزع الجماعي المحفز، تركز على التدريب المسبق لنماذج متخصصة. تشير "النماذج المتخصصة" إلى تلك النماذج التي قد لا تكون مفيدة بشكل واسع مثل النماذج العامة كبيرة الحجم ولكنها ذات قيمة كبيرة في المجالات أو المهام المحددة.

التعدين ومشاركة الدور:

يكسب المُنقبون الحوافز بشكلٍ أساسي من خلال مشاركة نماذجهم المدرَّبة بشكلٍ علني.

تُعطى حوافز ثانوية للمُنقبين أو المساهمين الآخرين الذين يشاركون بتقديم رؤى من خلال المساهمة في قاعدة الشفرة.

c) يُشجع المُنقبون على مشاركة تحسيناتهم بانتظام من خلال مكافآت للتحسينات الصغيرة.

d) يتم توفير مكافآت كبيرة لمساهمات الشفرة التي تجمع بشكل فعال جهود التدريب الفردية في نماذج مركبة محسنة.

شبكة فرعية 40: تجزئة، مجموعة بيانات محسنة لتطبيق RAG (الاسترجاع والتوليد المعزز)

فريق التطوير: @vectorchatai

الرمز: $CHAT

مقدمة:

يعمل SN40 Chunking مثل أمين مكتبة ذكي بشكل استثنائي ، مصمم خصيصا لتقسيم كميات كبيرة من المعلومات (النصوص والصور والصوت وما إلى ذلك) إلى أجزاء أصغر. يسهل هذا النهج على الذكاء الاصطناعي فهم المعلومات واستخدامها. تماما كما يساعدك رف الكتب المنظم جيدا في العثور بسرعة على ما تبحث عنه ، يساعد SN40 Chunking في "تنظيم رف الكتب" الذكاء الاصطناعي.

ليس مقتصرًا على النص ، يمكن لـ SN40 Chunking أيضًا التعامل مع أنواع مختلفة من المعلومات ، بما في ذلك الصور والصوت. إنه مشابه لأمين المكتبة المتعدد المهارات الذي يدير ليس فقط الكتب ولكن ألبومات الصور وأقراص الموسيقى والمزيد.

شبكة فرعية 39: EdgeMaxxing، تحسين نماذج الذكاء الاصطناعي للعمل على أجهزة المستهلك

فريق التطوير:@WOMBO

مقدمة: SN39 EdgeMaxxing هي شبكة فرعية تركز على تحسين نماذج الذكاء الاصطناعي للأجهزة الاستهلاكية ، بدءا من الهواتف الذكية إلى أجهزة الكمبيوتر المحمولة. تستخدم الشبكة الفرعية EdgeMaxxing نظام مكافآت تنافسي مع مسابقات يومية لتشجيع المشاركين على التحسين المستمر لأداء نماذج الذكاء الاصطناعي على أجهزة المستهلك.

أدوار ومسؤوليات المشاركين:

المُنقبون: المهمة الأساسية هي تقديم نقاط تفتيش نموذج الذكاء الاصطناعي المُحسَّنة. يستخدمون خوارزميات وأدوات متنوعة لتحسين أداء النموذج.

المدققون: يجب تشغيل الطرز المرسلة على أجهزة مستهدفة محددة (على سبيل المثال، NVIDIA GeForce RTX 4090). إنهم يجمعون جميع النماذج المقدمة من عمال المناجم يوميا ، ويقارنون كل نموذج ، ويقارنون النتائج بنقاط التفتيش الأساسية. يسجل المدققون النماذج بناء على تحسينات السرعة وصيانة الدقة وتحسينات الكفاءة الإجمالية ، ويختارون النموذج الأفضل أداء في اليوم باعتباره الفائز.

مستودع المشروع مفتوح المصدر: https://github.com/womboai/edge-maxxing

شبكة فرعية 30: Bettensor، سوق تنبؤ رياضي متميز

فريق التطوير:@Bettensor

مقدمة:

يتيح Bittensor لعشاق الرياضة توقع نتائج الأحداث الرياضية ، وإنشاء سوق توقع رياضي لامركزي يعتمد على تقنية سلسلة الكتل.

أدوار المشاركين:

المُنقب: مسؤول عن إنتاج نتائج التنبؤ.

المُعتمد: يتحقق من دقة نتائج التنبؤ.

مجمع البيانات: يجمع بيانات الأحداث الرياضية من مصادر مختلفة.

مستودع مشروع مفتوح المصدر: https://github.com/Bettensor/bettensor (يبدو أنه لا يزال قيد التطوير)

شبكة فرعية 06: ألعاب لا نهاية لها، سوق توقع عام

فريق التطوير:@Playinfgames

مقدمة:

تطوير الألعاب اللانهائية أدوات في الوقت الحقيقي والتنبؤية لأسواق التنبؤ. يشارك المشروع أيضًا في التحكم الآلي والتجميع للأحداث على منصات مثل @Polymarketو@azuroprotocol.

نظام الحوافز:

يستخدم الرموز $TAO كحوافز.

مكافآت مقدمي التوقعات الدقيقة والمعلومات القيمة.

بشكل عام، يشجع المشروع مشاركة المستخدم في التنبؤ ومشاركة المعلومات، مما يعزز مجتمعا نشطا للتنبؤ.

شبكة فرعية 37: ضبط LLM ، تحسين نموذج اللغة الكبير

فريق التطوير: Taoverse &@MacrocosmosAI

مقدمة:

هذا هو شبكة فرعية مركزة على ضبط نماذج اللغة الكبيرة (LLMs) ومكافأة المنقبين عن ضبط LLMs واستخدام تدفق البيانات الاصطناعية المستمرة من الشبكة الفرعية 18 لتقييم النموذج.

الآلية التشغيلية:

• يقوم عمال المناجم بتدريب النماذج ونشرها بانتظام على منصة Hugging Face.
• يقوم المحققون بتنزيل النماذج من Hugging Face وتقييمها باستمرار باستخدام بيانات اصطناعية.
• تُسجّل نتائج التقييم على منصة wandb.
• يتم توزيع رموز TAO كمكافآت لعمال المناجم والمدققين بناء على أدائهم.

عنوان مستودع المشروع: https://github.com/macrocosm-os/finetuning

الشبكة الفرعية 21: أي إلى أي ، إنشاء نماذج متقدمة متعددة الوسائط الذكاء الاصطناعي

فريق التطوير:@omegalabsai

مقدمة:

"أي شيء إلى أي شيء" في هذا المشروع يشير إلى قدرة نظام الذكاء الاصطناعي متعدد الوسائط على تحويل وفهم أنواع مختلفة من البيانات أو المعلومات، مثل النص إلى الصور، الصور إلى النص، الصوت إلى الفيديو، والفيديو إلى النص. النظام لا يقوم فقط بهذه التحويلات ولكنه يفهم أيضًا العلاقات بين الأوضاع المختلفة. على سبيل المثال، يمكنه فهم الصلة بين وصف نصي وصورة أو بين فيديو وصوته المقابل.

في هذه الشبكة الفرعية، تم تصميم آلية الحوافز لتشجيع الباحثين والمطورين العالميين في مجال الذكاء الاصطناعي على المشاركة في المشروع.

• يمكن للمساهمين كسب مكافآت الرمز الممنوحة من خلال توفير نماذج قيمة أو بيانات أو موارد حسابية.
• هذا الحافز الاقتصادي المباشر يجعل البحث والتطوير عالي الجودة في مجال الذكاء الاصطناعي مسعى مستداماً.

عنوان مستودع المشروع: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

معرفة إضافية:

المعرفة الإضافية:

في حال كان بعض القراء غير ملمين بمفهوم الشبكات الفرعية Bittensor، إليك توضيح بسيط:

• شبكة فرعية هي شبكة متخصصة داخل نظام Bittensor.
• كل شبكة فرعية تركز على مهام محددة للذكاء الاصطناعي أو تعلم الآلة.
• تسمح الشبكات الفرعية للمطورين بإنشاء ونشر نماذج الذكاء الاصطناعي لأغراض محددة.
• يستخدمون الاقتصاد التشفيري لتحفيز المشاركين على توفير الموارد الحسابية وتحسين النماذج.

بيان:

1. هذه المقالة مستنسخة من [تك فلو], العنوان الأصلي "TAO لديها أقوى ارتداد الآن ، واستغلال 12 مشروعًا ذكاء اصطناعيًا مفيدًا على الشبكة الفرعية "، حقوق النشر تعود للمؤلف الأصلي [深潮 TechFlow] ، إذا كان لديك أي اعتراض على النشر ، يرجى التواصلفريق تعلم Gate، ستتعامل الفريق معه في أقرب وقت ممكن وفقًا للإجراءات ذات الصلة.

2. إخلاء المسؤولية: الآراء ووجهات النظر الواردة في هذه المقالة تمثل فقط وجهات نظر المؤلف الشخصية ولا تشكل أي نصيحة استثمارية.

3. تتم ترجمة النسخ الأخرى من المقال بواسطة فريق Gate Learn، دون ذكر Gate.io، قد لا يتم استنساخ المقال المترجم أو توزيعه أو نسخه.