หลังจาก "วันจันทร์ดำ" ของตลาดสกุลเงินดิจิทัลในสัปดาห์นี้ ซึ่งเห็นการลดลงมาก ๆ โทเคนทั่วทั้งในกลุ่มอุตสาหกรรมต่าง ๆ ได้ทราบถึงการเกิดการฟื้นตัวในวันถัดมา ในนั้น บิทเทนเซอร์ (TAO) ยืนยงว่าเป็นที่ๆ โดดเด่น

ตามข้อมูล CoinMarketCap วันที่ผ่านมา Bittensor (TAO) เพิ่มขึ้น 23.08% ทำให้เป็นผู้แสดงผลที่ดีที่สุดในเรื่องการกลับมาอีกใน 100 โทเค็นอันดับต้น ๆ ตามทรัพย์สินตลาด

แม้ว่านิเวศวิทยาจะไม่ได้อยู่ในระดับที่ฮอตเหมือนเดิมตอนเริ่มต้นของปี การเลือกทุนสเปคูเลติฟยืนยันความมั่นใจในโครงการชั้นนำในกลุ่มนี้ อย่างไรก็ตาม Bittensor ได้เผชิญกับความกังวลทางสื่อสาร (Fear, Uncertainty, and Doubt) ในอดีต โดยชุมชนได้สอบถามชื่อโครงการและการประยุกต์ใช้งานในเครือข่ายย่อยของโครงการ

(ดูเพิ่มเติมที่: FUD และข่าวลือ: พระเจ้า AI ใหม่ Bittensor จะตกอยู่จากชั้นบริสุทธิ์หรือไม่?)

ในขณะที่ความช่วยเหลือของโครงการคริปโตไม่ได้สัมพันธ์โดยตรงกับราคาโทเค็น แต่ Bittensor มันเป็นเพียงเปลือกโมงว่างเท่านั้นหรือเปล่า?

ในเดือนที่ผ่านมา Bittensor ได้เพิ่มเครือข่ายย่อย 12 เครือข่าย ที่ Contributing ที่บางความสามารถสำหรับการพัฒนา AI และอาจทำให้เกิดโครงการ Alpha ใหม่ เราได้ทบทวนเครือข่ายย่อยเหล่านี้เพื่อสังเกตการเปลี่ยนแปลงพื้นฐานของเขาขณะที่โฟกัสที่การเพิ่มขึ้นในราคา TAO

เครือข่ายย่อย 38: Sylliba เป็นเครื่องมือแปลข้อความเป็นเสียงที่รองรับภาษากว่า 70 ภาษา

ทีมพัฒนา: ตัวแทนประดิษฐ์

คำอธิบาย:

Sylliba เป็นแอปพลิเคชันแปลภาษาที่รองรับการแปลข้อความและสนทนาเสียงในกว่า 70 ภาษา ที่สำคัญคือแอปพลิเคชันนี้สามารถใช้งานได้โดยเอเจนต์ AI on-chain:

• กระบวนการแปลอัตโนมัติ: ตัวแทน AI สามารถเรียกร้องบริการนี้โดยอัตโนมัติสำหรับการประมวลผลข้อมูลและการสื่อสารระหว่างภาษา
• ความสามารถขั้นสูงของ AI: ช่วยให้ระบบ AI ที่ไม่มีความสามารถในการใช้หลายภาษาสามารถจัดการกับงานที่ใช้หลายภาษาได้
• การตรวจสอบบล็อกเชน: คำขอแปลและผลลัพธ์สามารถตรวจสอบได้บนเครือข่ายย่อยเพิ่มความน่าเชื่อถือของระบบ
• กลไกส่งเสริม: ผ่านเศรษฐศาสตร์โทเคน มันสามารถส่งเสริมผู้ให้บริการบริการแปลภาษาคุณภาพสูงได้

ที่อยู่โครงการ: https://github.com/agent-artificial/sylliba-เครือข่ายย่อย

เครือข่ายย่อย 34: Bitmind, เครื่องมือสำหรับตรวจจับและแยกแยะระหว่างเนื้อหาสังเคราะห์ที่เป็นจริงและของปลอม

ทีมพัฒนา:@BitMindAI

บทนำ:

BitMind มุ่งเน้นการพัฒนาเทคโนโลยีตรวจจับ deepfake แบบกระจายกำลัง ด้วยความก้าวหน้าอย่างรวดเร็วของแบบจำลอง AI การแยกแยะระหว่างสื่อเทียมที่มีคุณภาพสูงและเนื้อหาจริงกลับกลายเป็นเรื่องที่ซับซ้อนขึ้น

BitMind'sเครือข่ายย่อยGate แอดเดรสนี้จะแก้ไขปัญหานี้โดยการใช้กลไกการตรวจจับที่แข็งแกร่งภายในเครือข่าย Bittensor โดยใช้ร่วมกันระบบ AI รุ่นสร้างและรุ่นประเภทเพื่อระบุความปลอดภัยของ deepfakes อย่างเต็มประสิทธิภาพ

นอกจากนี้ BitMind API ช่วยให้นักพัฒนาสามารถใช้ความสามารถในการตรวจจับภาพปลอมลึกของเครือข่ายย่อยเพื่อสร้างแอปพลิเคชันที่มีประสิทธิภาพสำหรับผู้บริโภค แอปพลิเคชันเว็บ BitMind ที่มีอินเทอร์เฟซการอัปโหลดภาพ ใช้ API เพื่อช่วยผู้ใช้ประเมินความน่าจะเป็นที่ภาพเป็นจริงหรือเท็จโดยรวดเร็ว นำเสนอเครื่องมือป้องกันการหลอกลวงที่เข้าถึงได้และสามารถตีความได้

เครือข่ายย่อย 43: Graphite, การวาดแผนที่เส้นทางอัจฉริยะของเครือข่าย

ทีมพัฒนา:@GraphiteSubnet

บทนำ:

Graphite เป็นเครือข่ายย่อยที่ออกแบบมาเพื่อแก้ไขปัญหาที่เกี่ยวข้องกับกราฟ โดยมีการให้ความสนใจเฉพาะเจาะจงใน Traveling Salesman Problem (TSP) TSP เป็นปัญหาการปรับแต่งแบบคลาสสิกที่มีเป้าหมายในการค้นหาเส้นทางที่สั้นที่สุดที่เยือนชุดเมืองต่าง ๆ และกลับไปยังจุดเริ่มต้น

Graphite ใช้เครือข่ายการเรียนรู้ของเครื่องจักรแบบกระจายของ Bittensor เพื่อเชื่อมต่อผู้ขุดเพื่อการจัดการความต้องการด้านการคำนวณของ TSP และปัญหากราฟที่คล้ายกันอย่างมีประสิทธิภาพ ปัจจุบัน ผู้ตรวจสอบสร้างคำขอเสมมมและส่งให้ผู้ขุดในเครือข่าย ผู้ขุดรับผิดชอบในการแก้ปัญหา TSP โดยใช้อัลกอริทึมของพวกเขาและส่งผลลัพธ์กลับไปยังผู้ตรวจสอบเพื่อการประเมิน

เครือข่ายย่อย 42: Gen42, ผู้ช่วยในการเขียนโปรแกรม AI โอเพ่นซอร์สของ GitHub

ทีมพัฒนา:@RizzoValidator，@FrankRizz07

คำนำ:

Gen42 ใช้เครือข่าย Bittensor เพื่อให้บริการการสร้างรหัสแบบเฉพาะกิจแบบกระจาย ซึ่งเป้าหมายของพวกเขาคือการสร้างเครื่องมือที่มีกำลังและขยายได้สำหรับการตอบคำถามที่ใช้รหัสและการเสริมสมรรถนะของรหัส โดยขับเคลื่อนด้วยโมเดลภาษาขนาดใหญ่โอเพนซอร์ส

ผลิตภัณฑ์หลัก:

a. แอปพลิเคชันแชท: ให้บริการด้านหน้าแชทที่อนุญาตให้ผู้ใช้สื่อสารกับเครือข่ายย่อยของพวกเขา คุณลักษณะหลักของแอปพลิเคชันนี้คือการตอบคำถามที่ใช้โค้ด

b. การเติมโค้ด: มี API ที่เข้ากันได้กับ OpenAI ที่สามารถใช้งานได้กับ continue.dev

รายละเอียดเกี่ยวกับวิธีการเข้าร่วมของนักขุดและผู้ตรวจสอบสามารถหาได้ในโครงการGitHub.

เครือข่ายย่อย 41: Sportstensor, โมเดลทำนายกีฬา

ทีมพัฒนา:@sportstensor

บทนำ:

Sportstensor เป็นโครงการที่เน้นการพัฒนาอัลกอริทึมทำนายกีฬาที่ได้รับการสนับสนุนจากเครือข่าย Bittensor ที่เป็นเครือข่ายที่ไม่มีกลาง

โครงการนี้มีแบบจำลองพื้นฐานบนแพลตฟอร์มโอเพนซอร์ส HuggingFace สำหรับนักขุดเพื่อฝึกฝนและปรับปรุง มันสนับสนุนการวางแผนกลยุทธ์และการวิเคราะห์ผลการดำเนินงานโดยใช้ข้อมูลทางประวัติและแบบจำลองการพยากรณ์ที่มีประสิทธิภาพสูง

บทบาทของผู้ขุดและผู้ตรวจสอบ:

• Miners: รับคำขอจากผู้ตรวจสอบ, เข้าถึงข้อมูลที่เกี่ยวข้อง, และทำการพยากรณ์โดยใช้โมเดลการเรียนรู้ของเครื่อง
• Validators: สะสมการพยากรณ์จากนักขุด, เปรียบเทียบกับผลลัพธ์จริง, และบันทึกผลการตรวจสอบ

เครือข่ายย่อย 29: coldint, การฝึกโมเดล AI ที่เฉพาะเจาะจง

Developer: ยังไม่พบ,เว็บไซต์อย่างเป็นทางการอยู่ที่นี่

บทนำ:

SN29 Coldint, ซึ่งย่อมาจาก Collective Distributed Incentivized Training, เน้นการพัฒนาโมเดลที่เชี่ยวชาญในงานที่เฉพาะเจาะจง โมเดลที่เชี่ยวชาญในงานที่เฉพาะเจาะจง หมายถึงโมเดลที่อาจจะไม่สามารถนำไปใช้ได้กับงานทั่วไปเหมือนกับโมเดลทั่วไป แต่กลับมีความมีค่ามากในโดเมนหรืองานที่เฉพาะเจาะจง

ผู้ขุดแร่และการมีส่วนร่วมของบทบาท:

a) นักขุดได้รับสิทธิพิเศษโดยการแบ่งปันโมเดลที่ฝึกอบรมของพวกเขาออกสู่สาธารณะเป็นสำคัญ

b) มีการให้สิ่งสนับสนุนรองให้แก่ผู้ขุดเหรียญหรือผู้มีส่วนร่วมอื่น ๆ ที่แบ่งปันความคิดด้วยการสนับสนุนโค้ดเบส

c) นักขุดได้รับคำแนะนำให้แบ่งปันการปรับปรุงของพวกเขาอย่างสม่ำเสมอผ่านการตอบแทนสำหรับการปรับปรุงเล็ก ๆ

d) มีการให้รางวัลที่สำคัญสำหรับการมีส่วนร่วมในการเขียนโค้ดที่รวมทุกความพยายามในการฝึกฝนรายบุคคลเข้าด้วยกันเป็นแบบจำลองที่ดีขึ้น

เครือข่ายย่อย 40: การแบ่งชั้น, ชุดข้อมูลที่ถูกปรับให้เหมาะสำหรับการใช้กับ RAG (Retrieval-Augmented Generation) application

ทีมพัฒนา: @vectorchatai

Token: $CHAT

การแนะนำ:

SN40 ฟังก์ชันการตัดเชิงเฉพาะเหมือนบรรณารักษ์ที่ฉลาดมาก ซึ่งออกแบบมาเฉพาะเพื่อแบ่งข้อมูลปริมาณมาก (ข้อความ รูปภาพ เสียง เป็นต้น) เป็นชิ้นย่อย วิธีนี้ทำให้ AI เข้าใจและใช้ข้อมูลได้ง่ายขึ้น เหมือนการจัดหนังสือบนชั้นหนังสือที่เรียบร้อยช่วยให้คุณสามารถหาสิ่งที่คุณกำลังมองหาได้อย่างรวดเร็ว SN40 ฟังก์ชันการตัดเชิงช่วยให้ "จัดหนังสือบนชั้นหนังสือ" สำหรับ AI

ไม่จำกัดเฉพาะข้อความเท่านั้น SN40 Chunking ยังสามารถจัดการข้อมูลประเภทต่าง ๆ ได้ เช่น ภาพและเสียง มันเปรียบเสมือนบรรณารักษ์หลากหลายที่จัดการไม่เพียงแค่หนังสือเท่านั้น แต่ยังรวมถึงอัลบั้มรูปภาพ เอลบั้มเพลง และอื่น ๆ

เครือข่ายย่อย 39: EdgeMaxxing การปรับแต่งโมเดล AI เพื่อให้สามารถทำงานบนอุปกรณ์ผู้บริโภคได้อย่างเต็มประสิทธิภาพ

ทีมพัฒนา:@WOMBO

บทนำ: SN39 EdgeMaxxing เป็นเครือข่ายย่อยที่เน้นการปรับตั้งอาร์ติเฟตเพื่อออพติไมซ์โมเดล AI สำหรับอุปกรณ์บริโภคตั้งแต่สมาร์ทโฟนถึงแล็ปท็อป เครือข่ายย่อย EdgeMaxxing ใช้ระบบรางวัลแข่งขันรายวันเพื่อกระตุ้นผู้เข้าร่วมให้ปรับปรุงประสิทธิภาพของโมเดล AI บนอุปกรณ์บริโภคอย่างต่อเนื่อง

บทบาทและความรับผิดชอบของผู้เข้าร่วม:

นักขุด: งานหลักคือการส่งจุดสำรองโมเดล AI ที่ถูกปรับแต่งให้เหมาะสม พวกเขาใช้อัลกอริทึมและเครื่องมือต่าง ๆ เพื่อปรับปรุงประสิทธิภาพของโมเดล

Validators: ต้องเรียกใช้โมเดลที่ส่งเข้ามาบนฮาร์ดแวร์เป้าหมายที่ระบุไว้ (เช่น NVIDIA GeForce RTX 4090) พวกเขาจะเก็บโมเดลที่ส่งเข้ามาโดยนักขุดทุกวัน ทำการเปรียบเทียบแต่ละโมเดลเทียบกับเช็คพอยต์เริ่มต้น และให้คะแนนโมเดลโดยพิจารณาจากความเร็วการปรับปรุงความแม่นยำและประสิทธิภาพโดยรวม โดยเลือกโมเดลที่ดำเนินการดีที่สุดในวันนั้นเป็นผู้ชนะ

โครงการเปิดเผยโค้ดซอร์ซเรียล: https://github.com/womboai/edge-maxxing

เครือข่ายย่อย 30: Bettensor, ตลาดพยากรณ์กีฬาแบบกระจาย

ทีมพัฒนา:@Bettensor

บทนำ:

Bittensor ช่วยให้ผู้สนใจกีฬาสามารถทำนายผลของกิจกรรมกีฬา โดยสร้างตลาดทำนายกีฬาที่กระจายอำนวยความสะดวกโดยใช้เทคโนโลยีบล็อกเชน

บทบาทของผู้เข้าร่วม:

Miner: รับผิดชอบในการสร้างผลการคาดการณ์

ผู้ตรวจสอบ: ตรวจสอบความถูกต้องของผลการพยากรณ์

ตัวเก็บข้อมูล: รวบรวมข้อมูลกีฬาจากแหล่งข้อมูลต่าง ๆ

ระบบจัดเก็บเปิดเผยโครงการ: https://github.com/Bettensor/bettensor (ดูเหมือนว่ายังอยู่ในระหว่างการพัฒนา)

เครือข่ายย่อย 06: Infinite Games, ตลาดทำนายทั่วไป

ทีมพัฒนา:@Playinfgames

คำอธิบาย:

Infinite Games พัฒนาเครื่องมือในเวลาจริงและการพยากรณ์สำหรับตลาดทำนาย โครงการยังมีการทำธุรกรรมและรวมกลุ่มเหตุการณ์บนแพลตฟอร์ม เช่น Gate.io@Polymarketและ@azuroprotocol.

ระบบส่งเสริม

ใช้โทเค็น $TAO เป็นสิ่งตั้งใจ

ผู้ให้ของรางวัลสำหรับคำทำนายที่แม่นยำและข้อมูลที่มีคุณค่า

โดยรวมโครงการส่งเสริมการมีส่วนร่วมของผู้ใช้ในการทำนายและการแบ่งปันข้อมูล เพื่อสร้างชุมชนการทำนายที่เต็มไปด้วยความกระตือรือร้น

เครือข่ายย่อย 37: LLM Fine-tuning, fine-tuning โมเดลภาษาใหญ่

ทีมพัฒนา: Taoverse &@MacrocosmosAI

บทนำ:

นี่เป็นเครือข่ายย่อยที่มุ่งเน้นการปรับแต่งโมเดลภาษาขนาดใหญ่ (LLMs) การรางวัลให้กับนักขุดสำหรับการปรับแต่ง LLMs และใช้การส่งข้อมูลสังเคราะห์ต่อเนื่องจาก Subnet 18 สำหรับการประเมินผลโมเดล

กลไกการดำเนินงาน:

• นักขุดฝึกอบรมแบบจำลองและเผยแพร่อย่างต่อเนื่องบนแพลตฟอร์ม Hugging Face
• Validators ดาวน์โหลดโมเดลจาก Hugging Face และประเมินผลอย่างต่อเนื่องโดยใช้ข้อมูลสังเคราะห์
• ผลการประเมินถูกบันทึกบนแพลตฟอร์ม wandb
• โทเค็น TAO จะถูกแจกจ่ายเป็นรางวัลให้กับนักขุดและผู้ตรวจสอบตามผลงานของพวกเขา

ที่อยู่คลังโครงการ: https://github.com/macrocosm-os/finetuning

ซับเน็ต 21: Any to Any สร้างโมเดลหลายโมดอล AI ขั้นสูง

ทีมพัฒนา:@omegalabsai

บทนำ:

ในโครงการนี้ "Any to Any" หมายถึงความสามารถของระบบ AI แบบ multimodal ในการแปลงและเข้าใจข้อมูลหรือข้อมูลประเภทต่างๆ เช่น ข้อความเป็นภาพ ภาพเป็นข้อความ เสียงเป็นวิดีโอ และวิดีโอเป็นข้อความ ระบบไม่เพียงแค่ทำการแปลงเหล่านี้ แต่ยังเข้าใจความสัมพันธ์ระหว่าง modalities ต่างๆ เช่น สามารถเข้าใจความเชื่อมโยงระหว่างคำอธิบายทางข้อความและภาพหรือระหว่างวิดีโอกับเสียงที่สอดคล้องกันได้

ในเครือข่ายย่อยนี้ กลไกกระตุ้นถูกออกแบบให้ส่งเสริมนักวิจัยและนักพัฒนา AI ระดับโลกในการเข้าร่วมโครงการ

• ผู้ร่วมสนับสนุนสามารถรับรางวัลโทเค็นโดยการให้บริการโมเดลมีคุณค่า ข้อมูล หรือทรัพยากรคอมพิวเตอร์
• แรงจูงใจทางเศรษฐกิจโดยตรงนี้ทำให้การวิจัยและพัฒนา AI ที่มีคุณภาพสูงเป็นการพยายามที่ยั่งยืน

ที่อยู่คลังโครงการ: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

ความรู้เพิ่มเติม:

ความรู้เพิ่มเติม:

ในกรณีที่ผู้อ่านบางท่านไม่คุ้นเคยกับแนวคิดของเครือข่ายย่อย Bittensor นี่คือคำอธิบายที่เรียบง่าย

• เครือข่ายย่อยคือเครือข่ายที่เชี่ยวชาญภายในระบบ Bittensor
• แต่ละเครือข่ายย่อยมุ่งเน้นไปที่งาน AI หรือแมชชีนเลิร์นนิ่งที่เฉพาะเจาะจง
• เครือข่ายย่อยช่วยให้นักพัฒนาสามารถสร้างและนำ AI รุ่นไปใช้งานสำหรับวัตถุประสงค์ที่เฉพาะเจาะจง
• พวกเขาใช้เครื่องหมายเศรษฐศาสตร์เพื่อให้แรงจูงใจให้ผู้เข้าร่วมให้ทรัพยากรคอมพิวเตอร์และปรับปรุงโมเดล

คำแถลง:

1. บทความนี้ถูกเผยแพร่จาก [เทคโฟล์] ชื่อเดิม "TAO มีการฟื้นตัวที่แข็งแกร่งที่สุดในตอนนี้โดยถือหุ้น 12 โครงการ AI ที่มีประโยชน์บนซับเน็ต" ลิขสิทธิ์เป็นของผู้เขียนต้นฉบับ [深潮 TechFlow] หากคุณมีการคัดค้านการพิมพ์ซ้ําโปรดติดต่อ ทีมเรียน Gateทีมจะดำเนินการตามขั้นตอนที่เกี่ยวข้องโดยเร็วที่สุด

2. คำชี้แจง: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงมุมมองส่วนบุคคลของผู้เขียนเท่านั้นและไม่เป็นที่ปรึกษาการลงทุนใด ๆ

3. เวอร์ชันภาษาอื่น ๆ ของบทความถูกแปลโดยทีม Gate Learn ที่ไม่ได้กล่าวถึงGate.ioบทความที่แปลแล้วต้องไม่ทําซ้ําแจกจ่ายหรือลอกเลียนแบบ