Після "Чорного понеділка" крипторинку на цьому тижні, коли спостерігалася значна знижка, токени різних секторів відчули підйом наступного дня. Серед них Bittensor (TAO) виділяється як найбільш помітний.

За даними CoinMarketCap, Bittensor (TAO) зросла на 23,08% вчора, що робить її найкращим виконавцем з перезавантаження серед топ-100 токенів за ринковою капіталізацією.

Хоча історія штучного інтелекту не така популярна, як на початку року, вибір спекулятивного капіталу свідчить про довіру до провідних проєктів у цьому секторі. Однак Bittensor стикався з деякими FUD (страх, невизначеність та сумнів) у минулому, коли громада ставила під сумнів назву проєкту та практичні застосування в його підмережах.

(Також дивіться: FUD та чутки: Чи впаде новий король штучного інтелекту Bittensor з благодаті?)

Хоча корисність криптопроекту не завжди прямо корелює з ціною його токена, але чи є Bittensor просто порожньою оболонкою?

У останні місяці Bittensor створив 12 нових підмереж, кожна з яких в деякій мірі сприяє розвитку ШІ та, можливо, виникає нові проекти Alpha. Ми пройшлися по цих нових підмережах, щоб спостерігати їх фундаментальні зміни, зосереджуючись на зростанні цін на TAO.

Підмережа 38: Sylliba, інструмент перекладу тексту в мовлення, що підтримує 70+ мов

Команду розробників: Агент Штучний

Вступ:

Sylliba - це додаток для перекладу, що підтримує як текстовий, так і голосовий переклад у понад 70 мовах. Зокрема, цей додаток може бути використаний штучними інтелектуальними агентами на ланцюжку.

• Автоматизовані процеси перекладу: штучні агенти можуть автоматично викликати цей сервіс для обробки та комунікації інформації між мовами.
• Покращені можливості штучного інтелекту: дозволяє системам штучного інтелекту без багатомовних можливостей вирішувати багатомовні завдання.
• Підтвердження блокчейну: Запити на переклад та результати можна перевірити в блокчейні, що збільшує вірогідність системи.
• Механізм стимулювання: За допомогою токеноміки він може стимулювати постачальників високоякісних послуг з перекладу.

Адреса проекту: https://github.com/agent-artificial/sylliba-підмережа

Підмережа 34: Bitmind, інструмент для виявлення та розрізнення справжнього та підробленого синтетичного контенту

Команда розробників:@BitMindAI

Вступ:

BitMind фокусується на розробці технології децентралізованого виявлення глибоких фейків. Зі швидким розвитком моделей генеративного штучного інтелекту, відмежування високоякісних синтетичних медіа та реального контенту стає все складнішим.

BitMind'sпідмережарозкриває цю проблему, розгортаючи потужні механізми виявлення в мережі Bittensor, за допомогою яких генеративні та дискримінативні моделі штучного інтелекту ефективно виявляють глибокі підробки.

Крім того, API BitMind дозволяє розробникам використовувати можливості виявлення deepfake в підмережі для створення потужних споживчих додатків. Веб-додаток BitMind з можливістю завантаження зображень використовує API для допомоги користувачам швидко оцінювати ймовірність того, що зображення є реальним або фальшивим, надаючи доступний і зрозумілий інструмент протидії обману.

Підмережа 43: Графіт, інтелектуальне планування мережі шляхів

Команда розробників:@GraphiteSubnet

Вступ:

Graphite - це підмережа, спеціально розроблена для вирішення проблем, пов'язаних з графіками, з особливим акцентом на проблему комівояжера (TSP). TSP - це класична задача оптимізації, яка має на меті знайти найкоротший можливий маршрут, що відвідує набір міст і повертається до початкової точки.

Graphite використовує децентралізовану мережу машинного навчання Bittensor для ефективного з'єднання гірників для вирішення обчислювальних вимог TSP та схожих графічних проблем. Наразі валідатори генерують синтетичні запити й відправляють їх гірникам у мережі. Гірники відповідальні за вирішення TSP за допомогою своїх алгоритмів і відсилають результати назад валідаторам для оцінки.

Підмережа 42: Gen42, відкритий AI-помічник для написання коду GitHub

Команда розробників:@RizzoValidator，@FrankRizz07

Вступ:

Gen42 використовує мережу Bittensor, щоб надавати децентралізовані послуги генерації коду. Їхня увага зосереджена на створенні потужних, масштабованих інструментів для відповідей на запитання на основі коду та завершення коду, що працює на основі відкритих великих мовних моделей.

Основні продукти:

a. Додаток чату: Забезпечує фронтенд чату, який дозволяє користувачам взаємодіяти з їх підмережею. Основною функцією цього додатка є відповідь на питання на основі коду.

b. Завершення коду: пропонує сумісний з OpenAI API, який можна використовувати з continue.dev.

Деталі про участь шахтарів та валідаторів можна знайти на проекті'sGitHub.

підмережа 41: Sportstensor, модель прогнозування спортивних подій

Команда розробників:@sportstensor

Вступ:

Sportstensor - це проект, спрямований на розробку децентралізованих алгоритмів прогнозування спортивних подій, підтримуваних мережею Bittensor.

Проект пропонує базові моделі на відкритій платформі HuggingFace для майнерів для тренування та покращення. Він підтримує стратегічне планування та аналіз продуктивності на основі історичних та поточних даних та винагороджує комплексний збір наборів даних та розробку високопродуктивної прогностичної моделі.

Ролі майнера та валідатора:

• Майнери: отримують запити від валідаторів, отримують доступ до відповідних даних та роблять прогнози за допомогою моделей машинного навчання.
• Валідатори: Збирають прогнози від шахтарів, порівнюють їх з фактичними результатами та записують результати валідації.

Підмережа 29: coldint, навчання моделей спеціалізованого штучного інтелекту

Розробник: ще не знайдений,Офіційний вебсайт знаходиться тут

Вступ:

SN29 Coldint, що скорочено означає Collective Distributed Incentivized Training, спрямований на попереднє навчання спеціалізованих моделей. «Спеціалізовані моделі» означають ті, що можуть бути не такими широко застосовуваними, як великі загальні моделі, але дуже цінні в конкретних галузях або завданнях.

Майнер та участь ролі:

a) Майнери в основному отримують стимули, публічно ділячись своїми навченими моделями.

b) Другорядні стимули надаються майнерам або іншим учасникам, які діляться своїми уявленнями, вносячи внесок до кодової бази.

c) Шахтарів закликають регулярно ділитися своїми поліпшеннями через нагороди за невеликі вдосконалення.

d) За значний внесок у код надаються винагороди, які ефективно поєднують індивідуальні навчальні зусилля в удосконалені композитні моделі.

Підмережа 40: Чанковання, оптимізований набір даних для застосування RAG (Retrieval-Augmented Generation)

Команда розробників: @vectorchatai

Токен: $CHAT

Вступ:

SN40 Функції фрагментації працюють як надзвичайно розумний бібліотекар, спеціально призначений для розділення великих обсягів інформації (тексту, зображень, аудіо тощо) на менші частини. Цей підхід полегшує розуміння та використання інформації штучним інтелектом. Точно так само, як організована книжкова полиця допомагає вам швидко знайти те, що ви шукаєте, фрагментація SN40 допомагає "організувати книжкову полицю" для штучного інтелекту.

Не обмежуючись текстом, SN40 Chunking також може обробляти різні типи інформації, включаючи зображення та аудіо. Це схоже на універсального бібліотекаря, який керує не тільки книгами, але й фотоальбомами, музичними CD-дисками та іншим.

Підмережа 39: EdgeMaxxing, оптимізація моделей штучного інтелекту для роботи на пристроях споживачів

Команда розробників:@WOMBO

Вступ: SN39 EdgeMaxxing - це підмережа, спрямована на оптимізацію моделей AI для споживацьких пристроїв, від смартфонів до ноутбуків. Підмережа EdgeMaxxing використовує конкурентну систему винагород з щоденними змаганнями, що спонукають учасників безперервно покращувати продуктивність моделей AI на споживацьких пристроях.

Ролі та відповідальності учасників:

Майнери: Першочерговим завданням є подання контрольних точок оптимізованої моделі штучного інтелекту. Вони використовують різні алгоритми та інструменти для підвищення продуктивності моделі.

Валідатори: повинні запускати надіслані моделі на вказаному цільовому апаратному забезпеченні (наприклад, NVIDIA GeForce RTX 4090). Вони щоденно збирають усі надіслані моделі майнерів, тестують кожну модель і порівнюють результати з базовими перевірочними точками. Валідатори оцінюють моделі на основі покращення швидкості, збереження точності та загальних покращень ефективності, вибираючи найкращу модель дня як переможця.

Репозиторій відкритого джерела проекту:https://github.com/womboai/edge-maxxing

Підмережа 30: Bettensor, децентралізований ринок передбачень у спорті Gate

Команда розробників:@Bettensor

Вступ:

Bittensor дозволяє спортивним ентузіастам передбачати результати спортивних подій, створюючи децентралізований ринок прогнозів у галузі спорту на основі блокчейн технологій.

Ролі учасників:

Майнер: Відповідає за генерацію результатів прогнозу.

Валідатор: Перевіряє точність результатів передбачення.

Data Collector: Збирає дані про спортивні події з різних джерел.

Репозитарій відкритого вихідного коду проекту: https://github.com/Bettensor/bettensor (здається, все ще знаходиться в стадії розробки)

Підмережа 06: Ігри безмеж, загальний ринок передбачень

Команда розробників:@Playinfgames

Вступ:

Infinite Games розробляє реальний час та передбачувані інструменти для прогнозування ринків. Проект також займається арбітражем та агрегацією подій на платформах, таких як @Polymarket і @azuroprotocol.

Система стимулювання:

Використовує токени $TAO як стимули.

Винагороджує постачальників точних прогнозів та цінної інформації.

Загалом проект сприяє участі користувачів у прогнозуванні та обміні інформацією, сприяючи активному прогнозному співтовариству.

Підмережа 37: Налаштування LLM, налаштування великого мовного моделю

Команда розробників: Taoverse &@MacrocosmosAI

Вступ:

Це підмережа, спрямована на налаштування великих мовних моделей (LLMs), винагороду для майнерів за налаштування LLMs та використання постійного синтетичного потоку даних з Subnet 18 для оцінки моделі.

Операційний механізм:

• Майнери тренують моделі та регулярно публікують їх на платформі Hugging Face.
• Валідатори завантажують моделі з Hugging Face та постійно їх оцінюють за допомогою синтетичних даних.
• Результати оцінювання фіксуються на платформі wandb.
• Токени TAO розподіляються як винагорода майнерам та валідаторам на основі їх продуктивності.

Адреса проектного складу: https://github.com/macrocosm-os/finetuning

Підмережа 21: Будь-яка до будь-якої, створення передових багатомодальних моделей штучного інтелекту

Команда розробників:@omegalabsai

Вступ:

«Будь-які до будь-яких» у цьому проекті означає здатність мультимодальної штучної інтелектуальної системи перетворювати і розуміти різні типи даних або інформації, такі як текст на зображення, зображення на текст, аудіо на відео та відео на текст. Система не тільки виконує ці перетворення, але й розуміє зв'язки між різними модальностями. Наприклад, вона може розуміти зв'язок між текстовим описом і зображенням або між відео і відповідним аудіо.

У цій підмережі механізм стимулювання розроблено з метою сприяти участі глобальних дослідників та розробників штучного інтелекту в проекті.

• Учасники можуть заробляти токенові винагороди, надаючи цінні моделі, дані або обчислювальні ресурси.
• Цей прямий економічний стимул робить високоякісні дослідження та розробки штучного інтелекту сталим зусиллям.

Адреса складу проекту: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

Додаткові знання:

Додаткові знання:

У разі, якщо деякі читачі не знайомі з концепцією підмереж Bittensor, ось просте пояснення:

• Підмережа - це спеціалізована мережа в екосистемі Bittensor.
• Кожна підмережа спрямована на конкретні завдання із штучного інтелекту або машинного навчання.
• Підмережі дозволяють розробникам створювати та розгортати моделі штучного інтелекту для конкретних цілей.
• Вони використовують криптоекономіку для стимулювання учасників надавати обчислювальні ресурси та вдосконалювати моделі.

заява:

1. Цю статтю відтворено з [TechFlow], оригінальна назва «TAO зараз має найсильніший відскік, беручи до уваги 12 корисних проектів штучного інтелекту в підмережі», авторські права належать оригінальному автору [深潮 TechFlow], якщо у вас є заперечення проти перевидання, будь ласка, зв'яжіться з нами Команда Gate LearnКоманда якнайшвидше вирішить це відповідно до відповідних процедур.

2. Відмова від відповідальності: погляди та думки, висловлені в цій статті, представляють лише особисті погляди автора і не є інвестиційними порадами.

3. Інші мовні версії статті перекладені командою Gate Learn, не згадано вGate.io, перекладена стаття не може бути відтворена, розповсюджена або скопійована.