Après le "Black Monday" survenu sur le marché de la cryptomonnaie cette semaine, qui a connu une forte baisse, les jetons de différents secteurs ont rebondi le jour suivant. Parmi eux, Bittensor (TAO) se distingue comme le plus notable.

Selon les données de CoinMarketCap, Bittensor (TAO) a augmenté de 23,08% hier, ce qui en fait le meilleur performeur en termes de rebond parmi les 100 premiers jetons en termes de capitalisation boursière.

Bien que le discours sur l'IA ne soit pas aussi chaud qu'au début de l'année, le choix du capital spéculatif indique la confiance dans les projets phares de ce secteur. Cependant, Bittensor a été confronté à certaines FUD (peur, incertitude et doute) par le passé, la communauté remettant en question le nom du projet et les applications pratiques au sein de ses sous-réseaux.

(Voir aussi: FUD et Rumeurs : Le nouveau roi de l'IA, Bittensor, tombera-t-il en disgrâce ?)

Bien que l'utilité d'un projet crypto ne soit pas toujours directement liée à son prix du jeton, Bittensor n'est-il qu'une coquille vide ?

Au cours des derniers mois, Bittensor a ajouté 12 nouveaux sous-réseaux, chacun contribuant au développement lié à l'IA dans une certaine mesure, et potentiellement donnant lieu à de nouveaux projets Alpha. Nous avons examiné ces nouveaux sous-réseaux pour observer leurs changements fondamentaux tout en nous concentrant sur la reprise des prix de TAO.

Sous-réseau 38 : Sylliba, un outil de traduction texte-parole prenant en charge plus de 70 langues

Équipe de développement: Agent Artificiel

Introduction :

Sylliba est une application de traduction qui prend en charge à la fois la traduction de texte et la traduction vocale dans plus de 70 langues. Notamment, cette application peut être utilisée par des agents d'IA on-chain:

• Processus de traduction automatisée : les agents d'IA peuvent appeler automatiquement ce service pour le traitement et la communication d'informations entre différentes langues.
• Capacités d'IA améliorées : Permet aux systèmes d'IA sans capacités multilingues de gérer des tâches multilingues.
• Vérification de la blockchain: Les demandes et les résultats de traduction peuvent être vérifiés sur la blockchain, ce qui augmente la crédibilité du système.
• Mécanisme d'incitation : Grâce à l'économie des jetons, il peut inciter les fournisseurs de services de traduction de haute qualité.

Adresse du projet : https://github.com/agent-artificial/sylliba-subnet

Subnet 34: Bitmind, un outil pour détecter et distinguer entre le contenu synthétique réel et faux

Équipe de développement :@BitMindAI

Introduction :

BitMind se concentre sur le développement de la technologie de détection des deepfakes décentralisée. Avec l'avancement rapide des modèles d'IA générative, la distinction entre les médias synthétiques de haute qualité et le contenu réel est devenue de plus en plus complexe.

BitMind's subnetadresse ce problème en déployant des mécanismes de détection robustes au sein du réseau Bittensor, en utilisant à la fois des modèles d'IA générative et discriminative pour identifier efficacement les deepfakes.

De plus, l'API BitMind permet aux développeurs de tirer parti des capacités de détection deepfake du sous-réseau pour créer de puissantes applications grand public. L'application web BitMind, dotée d'une interface de téléchargement d'images, utilise l'API pour aider les utilisateurs à évaluer rapidement la probabilité qu'une image soit réelle ou fausse, offrant ainsi un outil anti-tromperie accessible et interprétable.

Subnet 43: Graphite, réseau de planification de chemin intelligent

Équipe de développement :@GraphiteSubnet

Introduction:

Graphite est un sous-réseau spécifiquement conçu pour résoudre les problèmes liés aux graphes, avec une attention particulière sur le Problème du Voyageur de Commerce (TSP). TSP est un problème d'optimisation classique qui vise à trouver le trajet le plus court possible en visitant un ensemble de villes et en retournant au point de départ.

Graphite utilise le réseau d'apprentissage automatique décentralisé de Bittensor pour connecter efficacement les mineurs afin de gérer les demandes de calcul du TSP et des problèmes de graphe similaires. Actuellement, les validateurs génèrent des demandes synthétiques et les envoient aux mineurs du réseau. Les mineurs sont responsables de résoudre le TSP à l'aide de leurs algorithmes et d'envoyer les résultats aux validateurs pour évaluation.

Subnet 42: Gen42, l'assistant de codage IA open source de GitHub

Équipe de développement :@RizzoValidator，@FrankRizz07

Introduction:

Gen42 utilise le réseau Bittensor pour offrir des services de génération de code décentralisés. Leur objectif est de créer des outils puissants et évolutifs pour la réponse aux questions basées sur le code et l'achèvement du code, pilotés par des modèles de langage open source de grande envergure.

Produits Principaux:

a. Application de chat : Fournit une interface de chat permettant aux utilisateurs d'interagir avec leur sous-réseau. La fonction principale de cette application est la réponse aux questions basée sur le code.

b. Complétion du code: Offre une API compatible avec OpenAI qui peut être utilisée avec continue.dev.

Les détails sur la participation des mineurs et des validateurs peuvent être trouvés sur le projet’s GitHub.

Subnet 41: Sportstensor, modèle de prédiction sportive

Équipe de développement:@sportstensor

Introduction:

Sportstensor est un projet axé sur le développement d'algorithmes de prédiction sportive décentralisés, soutenu par le réseau Bittensor.

Le projet offre des modèles fondamentaux sur la plate-forme open-source HuggingFace pour que les mineurs puissent s'entraîner et s'améliorer. Il prend en charge la planification stratégique et l'analyse des performances basées sur des données historiques et en temps réel et récompense la collecte de données complètes et le développement de modèles de prédiction haute performance.

Rôles de mineur et de validateur:

• Mineurs : Recevoir des demandes des validateurs, accéder aux données pertinentes et faire des prédictions à l'aide de modèles d'apprentissage automatique.
• Validateurs: Collecter les prédictions des mineurs, les comparer avec les résultats réels et enregistrer les résultats de validation.

Subnet 29: coldint, formation de modèle niche AI

Développeur: Pas encore trouvé,Le site officiel est ici

Introduction :

SN29 Coldint, abréviation de Collective Distributed Incentivized Training, se concentre sur la pré-formation de modèles de niche. Les "modèles de niche" désignent ceux qui peuvent ne pas être aussi largement applicables que les modèles généraux de grande taille, mais qui sont très précieux dans des domaines ou des tâches spécifiques.

Participation du mineur et du rôle :

a) Les mineurs gagnent principalement des incitations en partageant publiquement leurs modèles entraînés.

b) Des incitations secondaires sont accordées aux mineurs ou à d'autres contributeurs qui partagent leurs connaissances en contribuant au code source.

c) Les mineurs sont encouragés à partager régulièrement leurs améliorations grâce à des récompenses pour de petites améliorations.

d) Des récompenses significatives sont fournies pour les contributions de code qui combinent efficacement les efforts de formation individuelle en modèles composites améliorés.

Subnet 40 : Chunking, ensemble de données optimisé pour l'application RAG (Retrieval-Augmented Generation)

Équipe de développement: @vectorchatai

Token : $CHAT

Introduction:

Les fonctions de découpage SN40 fonctionnent comme un bibliothécaire exceptionnellement intelligent, spécialement conçu pour diviser de grandes quantités d'informations (texte, images, audio, etc.) en morceaux plus petits. Cette approche facilite la compréhension et l'utilisation des informations par l'IA. Tout comme une étagère bien organisée vous aide à trouver rapidement ce que vous cherchez, le découpage SN40 aide à « organiser l'étagère » pour l'IA.

Non limité au texte, le Chunking SN40 peut également gérer divers types d'informations, y compris des images et du son. C'est semblable à un bibliothécaire polyvalent qui gère non seulement des livres, mais aussi des albums photo, des CD de musique et plus encore.

Subnet 39: EdgeMaxxing, optimisation des modèles d'IA pour leur fonctionnement sur les appareils grand public

Équipe de développement :@WOMBO

Introduction : SN39 EdgeMaxxing est un sous-réseau axé sur l'optimisation des modèles de l'IA pour les appareils grand public, allant des smartphones aux ordinateurs portables. Le sous-réseau EdgeMaxxing utilise un système de récompense compétitif avec des concours quotidiens pour encourager les participants à améliorer continuellement les performances des modèles de l'IA sur les appareils grand public.

Rôles et responsabilités des participants:

Les mineurs : La tâche principale consiste à soumettre des points de contrôle de modèle AI optimisés. Ils utilisent divers algorithmes et outils pour améliorer les performances du modèle.

Validators : Doit exécuter les modèles soumis sur le matériel cible spécifié (par exemple, NVIDIA GeForce RTX 4090). Ils collectent tous les modèles soumis par les mineurs chaque jour, mesurent les performances de chaque modèle et comparent les résultats avec les checkpoints de référence. Les validateurs attribuent des scores aux modèles en fonction des améliorations de vitesse, du maintien de l'exactitude et des améliorations globales de l'efficacité, sélectionnant ainsi le modèle le plus performant de la journée comme gagnant.

Projet dépôt open source : https://github.com/womboai/edge-maxxing

Subnet 30: Bettensor, marché de prédiction sportive décentralisé

Équipe de développement :@Bettensor

Introduction:

Bittensor permet aux passionnés de sport de prédire les résultats des événements sportifs, créant ainsi un marché de prédiction sportive décentralisé basé sur la technologie de la blockchain.

Rôles des participants :

Mineur : Responsable de générer des résultats de prédiction.

Validateur : Vérifie l'exactitude des résultats de prédiction.

Collecteur de données : Rassemble les données d'événements sportifs provenant de différentes sources.

Dépôt open source du projet : https://github.com/Bettensor/bettensor (semble être encore en cours de développement)

Subnet 06: Infinite Games, marché de prédiction général

Équipe de développement :@Playinfgames

Introduction:

Infinite Games développe des outils en temps réel et prédictifs pour les marchés de prédiction. Le projet s'engage également dans l'arbitrage et l'agrégation d'événements sur des plateformes telles que Gate.io et les subnets.@Polymarket et @azuroprotocol.

Système d'incitation:

Utilise des jetons $TAO comme incitatifs.

Récompense les fournisseurs de prédictions précises et d'informations précieuses.

Dans l'ensemble, le projet encourage la participation des utilisateurs à la prédiction et au partage d'informations, favorisant ainsi une communauté de prédiction active.

Subnet 37: LLM Fine-tuning, l'optimisation fine du modèle de langue de grande taille

Équipe de développement : Taoverse &@MacrocosmosAI

Introduction :

Il s'agit d'un sous-réseau axé sur le peaufinage des grands modèles linguistiques (LLM), récompensant les mineurs pour le peaufinage des LLM et utilisant le flux continu de données synthétiques provenant du sous-réseau 18 pour l'évaluation des modèles.

Mécanisme opérationnel:

• Les mineurs entraînent des modèles et les publient régulièrement sur la plateforme Hugging Face.
• Les validateurs téléchargent des modèles depuis Hugging Face et les évaluent en continu en utilisant des données synthétiques.
• Les résultats de l'évaluation sont enregistrés sur la plateforme wandb.
• Les jetons TAO sont distribués en récompense aux mineurs et validateurs en fonction de leurs performances.

Adresse de l'entrepôt du projet : https://github.com/macrocosm-os/finetuning

Subnet 21: Any to Any, création de modèles multimodaux avancés d'IA

Équipe de développement :@omegalabsai

Introduction:

Dans ce projet, «Any to Any» fait référence à la capacité d'un système d'IA multimodal à transformer et comprendre différents types de données ou d'informations, tels que du texte en images, des images en texte, de l'audio en vidéo et de la vidéo en texte. Le système effectue non seulement ces transformations, mais il comprend également les relations entre les différentes modalités. Par exemple, il peut comprendre le lien entre une description textuelle et une image ou entre une vidéo et son audio correspondant.

Dans ce sous-réseau, le mécanisme d'incitation est conçu pour encourager les chercheurs mondiaux en IA et les développeurs à participer au projet.

• Les contributeurs peuvent gagner des récompenses en jetons en fournissant des modèles, des données ou des ressources de calcul précieuses.
• Cet incitatif économique direct rend la recherche et le développement de l'IA de haute qualité durable.

Adresse du projet du entrepôt : https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

Connaissances supplémentaires :

Connaissances supplémentaires :

Au cas où certains lecteurs ne connaîtraient pas le concept de sous-réseau Bittensor, voici une explication simple :

• Un sous-réseau est un réseau spécialisé au sein de l'écosystème Bittensor.
• Chaque sous-réseau se concentre sur des tâches spécifiques d'IA ou d'apprentissage automatique.
• Les sous-réseaux permettent aux développeurs de créer et de déployer des modèles d'IA pour des objectifs particuliers.
• Ils utilisent la crypto-économie pour inciter les participants à fournir des ressources informatiques et à améliorer les modèles.

déclaration :

1. Cet article est reproduit à partir de [ TechFlow], titre original « TAO a le rebond le plus fort maintenant, faisant le point sur 12 projets d’IA utiles sur le sous-réseau », le droit d’auteur appartient à l’auteur original [深潮 TechFlow], si vous avez une objection à la réimpression, veuillez contacter Équipe d'apprentissage Gate, l'équipe s'en occupera dès que possible selon les procédures pertinentes.

2. Avis de non-responsabilité : Les points de vue et opinions exprimés dans cet article ne représentent que les points de vue personnels de l'auteur et ne constituent pas des conseils en matière d'investissement.

3. D'autres versions linguistiques de l'article sont traduites par l'équipe Gate Learn, non mentionnée dansGate.io, l'article traduit ne peut être reproduit, distribué ou plagié.