Sau “Black Monday” của thị trường tiền điện tử trong tuần này, ghi nhận một sự sụt giảm đáng kể, các token trên các lĩnh vực khác nhau đã trải qua một cuộc hồi phục vào ngày hôm sau. Trong số đó, Bittensor (TAO) nổi bật như là token đáng chú ý nhất.

Theo dữ liệu từ CoinMarketCap, Bittensor (TAO) đã tăng 23,08% vào ngày hôm qua, là đồng tiền tốt nhất về mặt phục hồi trong số 100 đồng tiền hàng đầu theo vốn hoá thị trường.

Mặc dù câu chuyện về trí tuệ nhân tạo không còn nóng như đầu năm, sự lựa chọn của vốn đầu cơ cho thấy sự tự tin vào các dự án hàng đầu trong lĩnh vực này. Tuy nhiên, Bittensor đã gặp phải một số FUD (Sợ hãi, Bất định và Nghi ngờ) trong quá khứ, khi cộng đồng đặt câu hỏi về tên dự án và các ứng dụng thực tế trong các mạng con của nó.

(Xem thêm: FUD và Tin đồn: Liệu Vua trí tuệ nhân tạo mới Bittensor có rơi khỏi vị vua?)

Mặc dù tính hữu ích của một dự án crypto không luôn tương quan trực tiếp với giá token của nó, nhưng liệu Bittensor có phải chỉ là một vỏ trống không?

Trong những tháng gần đây, Bittensor đã thêm 12 mạng con mới, mỗi mạng con đóng góp vào phát triển liên quan đến trí tuệ nhân tạo một phần và có thể dẫn đến các dự án Alpha mới. Chúng tôi đã xem xét những mạng con mới này để quan sát các thay đổi cơ bản của chúng trong khi tập trung vào sự phục hồi của giá TAO.

Mạng con 38: Sylliba, một công cụ dịch thuật chuyển văn bản thành giọng nói hỗ trợ hơn 70 ngôn ngữ

Nhóm phát triển: Agent Artificial

Giới thiệu:

Sylliba là một ứng dụng dịch hỗ trợ cả dịch văn bản và dịch giọng nói trong hơn 70 ngôn ngữ. Đáng chú ý, ứng dụng này có thể được sử dụng bởi các đại lý trí tuệ nhân tạo trên chuỗi.

• Quy trình Dịch tự động: Các đại lý trí tuệ nhân tạo có thể tự động gọi dịch vụ này để xử lý thông tin và giao tiếp qua ngôn ngữ.
• Khả năng AI nâng cao: Cho phép các hệ thống AI không có khả năng đa ngôn ngữ để xử lý các nhiệm vụ đa ngôn ngữ.
• Xác minh Blockchain: Các yêu cầu và kết quả dịch thuật có thể được xác minh trên blockchain, tăng độ tin cậy của hệ thống.
• Cơ chế Incentive: Qua token kinh tế, nó có thể khuyến khích các nhà cung cấp dịch vụ dịch chất lượng cao.

Địa chỉ dự án:https://github.com/agent-artificial/sylliba-mạng con

Mạng con 34: Bitmind, một công cụ để phát hiện và phân biệt giữa nội dung tổng hợp thực và giả

Nhóm phát triển:@BitMindAI

Giới thiệu:

BitMind tập trung vào việc phát triển công nghệ phát hiện deepfake phi tập trung. Với sự tiến bộ nhanh chóng của các mô hình trí tuệ nhân tạo sinh ra, phân biệt giữa phương tiện tổng hợp chất lượng cao và nội dung thực sự đã trở nên ngày càng phức tạp.

BitMind'smạng conđịa chỉ này giải quyết vấn đề này bằng cách triển khai các cơ chế phát hiện mạnh mẽ trong mạng con Bittensor, sử dụng cả mô hình AI tạo ra và phân biệt để nhận diện hiệu quả deepfakes.

Ngoài ra, BitMind API cho phép các nhà phát triển tận dụng khả năng phát hiện deepfake của mạng con để tạo ra các ứng dụng tiêu dùng mạnh mẽ. Ứng dụng web BitMind, với giao diện tải lên hình ảnh, sử dụng API để giúp người dùng nhanh chóng đánh giá khả năng hình ảnh có thật hay giả, cung cấp một công cụ chống lừa dối dễ tiếp cận và có thể hiểu được.

Mạng con 43: Graphite, mạng lưới lập kế hoạch đường đi thông minh

Nhóm phát triển:@GraphiteSubnet

Giới thiệu:

Graphite là một mạng con được thiết kế đặc biệt để giải quyết các vấn đề liên quan đến đồ thị, với trọng tâm đặc biệt vào Bài toán Người bán hàng du lịch (TSP). TSP là một vấn đề tối ưu hóa cổ điển mà mục tiêu là tìm đường đi ngắn nhất có thể ghé thăm một tập hợp các thành phố và quay trở lại điểm xuất phát.

Graphite sử dụng mạng máy học phân tán của Bittensor để kết nối các máy đào một cách hiệu quả để xử lý các yêu cầu tính toán của TSP và các vấn đề đồ thị tương tự. Hiện tại, các nhà xác minh tạo ra các yêu cầu tổng hợp và gửi chúng đến các máy đào trong mạng. Các máy đào chịu trách nhiệm giải quyết TSP bằng các thuật toán của mình và gửi kết quả trở lại cho nhà xác minh đánh giá.

Mạng con 42: Gen42, trợ lý lập trình trí tuệ nhân tạo mã nguồn mở của GitHub

Nhóm phát triển:@RizzoValidator，@FrankRizz07

Giới thiệu:

Gen42 tận dụng mạng con Bittensor để cung cấp dịch vụ sinh mã nguồn phi tập trung. Họ tập trung vào việc tạo ra các công cụ mạnh mẽ, có khả năng mở rộng để trả lời câu hỏi dựa trên mã nguồn và hoàn thiện mã nguồn, được thúc đẩy bởi các mô hình ngôn ngữ lớn mã nguồn mở.

Các Sản Phẩm Chính:

a. Ứng dụng Trò chuyện: Cung cấp giao diện trò chuyện cho phép người dùng tương tác với mạng con của họ. Tính năng chính của ứng dụng này là trả lời câu hỏi dựa trên mã code.

b. Hoàn thành mã: Cung cấp một API tương thích với OpenAI có thể được sử dụng với continue.dev.

Chi tiết về cách các thợ mỏ và người xác nhận tham gia có thể được tìm thấy trên dự án's GitHub.

Mạng con 41: Sportstensor, mô hình dự đoán thể thao

Nhóm phát triển:@sportstensor

Giới thiệu:

Sportstensor là một dự án tập trung vào việc phát triển các thuật toán dự đoán thể thao phi tập trung, được hỗ trợ bởi mạng con Bittensor.

Dự án cung cấp các mô hình cơ bản trên nền tảng nguồn mở HuggingFace cho người đào tạo và cải thiện. Nó hỗ trợ kế hoạch chiến lược và phân tích hiệu suất dựa trên dữ liệu lịch sử và thời gian thực và đề cao việc thu thập bộ dữ liệu toàn diện và phát triển mô hình dự đoán hiệu suất cao.

Vai trò của Miner và Validator:

• Người đào: Nhận yêu cầu từ người xác nhận, truy cập dữ liệu liên quan và đưa ra dự đoán bằng cách sử dụng các mô hình học máy.
• Người xác minh: Thu thập dự đoán từ các thợ mỏ, so sánh chúng với kết quả thực tế, và ghi lại kết quả xác minh.

Mạng con 29: coldint, đào tạo mô hình AI chuyên ngành

Nhà phát triển: Chưa tìm thấy,Trang web chính thức ở đây

Giới thiệu:

SN29 Coldint, viết tắt của Collective Distributed Incentivized Training, tập trung vào việc huấn luyện trước các mô hình chuyên ngành. “Mô hình chuyên ngành” đề cập đến những mô hình có thể không phổ biến như các mô hình thông dụng lớn nhưng rất có giá trị trong các lĩnh vực hoặc nhiệm vụ cụ thể.

Người đào và vai trò tham gia:

a) Các thợ đào chủ yếu kiếm được động lực bằng cách chia sẻ công khai các mô hình đã được huấn luyện của họ.

b) Các động lực phụ được cung cấp cho các nhà khai thác mỏ hoặc những người đóng góp khác chia sẻ thông tin bằng cách đóng góp vào mã nguồn.

c) Người đào được khuyến khích chia sẻ thường xuyên những cải tiến của họ thông qua phần thưởng cho những cải thiện nhỏ.

d) Phần thưởng đáng kể được cung cấp cho những đóng góp mã nguồn nhằm kết hợp nỗ lực đào tạo cá nhân thành các mô hình tổng hợp được cải thiện hiệu quả.

Mạng con 40: Chia nhỏ, tập dữ liệu tối ưu cho ứng dụng RAG (Retrieval-Augmented Generation)

Nhóm phát triển: @vectorchatai

Token: $CHAT

Giới thiệu:

SN40 Chunking hoạt động như một thủ thư đặc biệt thông minh, được thiết kế đặc biệt để chia khối lượng lớn thông tin (văn bản, hình ảnh, âm thanh, v.v.) thành các phần nhỏ hơn. Cách tiếp cận này giúp AI dễ hiểu và sử dụng thông tin hơn. Cũng giống như một kệ sách được tổ chức tốt giúp bạn nhanh chóng tìm thấy những gì bạn đang tìm kiếm, SN40 Chunking giúp "tổ chức giá sách" cho AI.

Không giới hạn với văn bản, SN40 Chunking cũng có thể xử lý nhiều loại thông tin khác nhau, bao gồm hình ảnh và âm thanh. Nó tương tự như một thủ thư linh hoạt quản lý không chỉ sách mà còn cả album ảnh, đĩa nhạc và nhiều hơn nữa.

Mạng con 39: EdgeMaxxing, tối ưu hóa mô hình AI để hoạt động trên các thiết bị tiêu dùng

Nhóm phát triển:@WOMBO

Giới thiệu: SN39 EdgeMaxxing là một mạng con tập trung vào tối ưu hóa các mô hình trí tuệ nhân tạo cho các thiết bị người dùng, từ điện thoại thông minh đến laptop. Mạng con EdgeMaxxing sử dụng một hệ thống thưởng cạnh tranh với các cuộc thi hàng ngày để khuyến khích các thành viên liên tục cải thiện hiệu suất của các mô hình trí tuệ nhân tạo trên các thiết bị người dùng.

Vai trò và trách nhiệm của người tham gia:

Miners: Nhiệm vụ chính là nộp các điểm kiểm tra mô hình AI được tối ưu hóa. Họ sử dụng các thuật toán và công cụ khác nhau để cải thiện hiệu suất mô hình.

Validators: Phải chạy các mô hình đã được gửi trên phần cứng mục tiêu được chỉ định (ví dụ, NVIDIA GeForce RTX 4090). Họ thu thập tất cả các mô hình được gửi bởi những người đào hàng ngày, đánh giá hiệu năng của từng mô hình và so sánh kết quả với các điểm kiểm tra cơ sở. Validators đánh điểm cho các mô hình dựa trên cải thiện tốc độ, duy trì độ chính xác và tăng cường hiệu suất chung, chọn mô hình có hiệu suất cao nhất trong ngày làm người chiến thắng.

Dự án kho lưu trữ mã nguồn mở: https://github.com/womboai/edge-maxxing

Mạng con 30: Bettensor, thị trường dự đoán thể thao phi tập trung

Nhóm phát triển:@Bettensor

Giới thiệu:

Bittensor cho phép người yêu thể thao dự đoán kết quả của các sự kiện thể thao, tạo ra một thị trường dự đoán thể thao phi tập trung dựa trên công nghệ blockchain.

Vai trò của người tham gia:

Miner: Đảm nhiệm việc tạo ra kết quả dự đoán.

Validator: Xác minh tính chính xác của kết quả dự đoán.

Bộ thu thập dữ liệu: Thu thập dữ liệu sự kiện thể thao từ các nguồn khác nhau.

Kho lưu trữ mã nguồn mở dự án: https://github.com/Bettensor/bettensor (có vẻ đang trong quá trình phát triển)

Mạng con 06: Infinite Games, thị trường dự đoán tổng quát

Nhóm phát triển:@Playinfgames

Giới thiệu:

Infinite Games phát triển công cụ thời gian thực và dự đoán cho thị trường dự đoán. Dự án cũng tham gia vào cơ hội lợi nhuận và tổng hợp sự kiện trên các nền tảng như @Polymarketvà@azuroprotocol.

Hệ thống động viên:

Sử dụng token $TAO như là phần thưởng.

Cung cấp phần thưởng cho những người dự đoán chính xác và cung cấp thông tin có giá trị.

Nhìn chung, dự án khuyến khích sự tham gia của người dùng trong việc dự đoán và chia sẻ thông tin, tạo điều kiện cho một cộng đồng dự đoán hoạt động.

Mạng con 37: LLM Fine-tuning, large language model fine-tuning

Đội phát triển: Taoverse &@MacrocosmosAI

Giới thiệu:

Đây là một mạng con tập trung vào việc tinh chỉnh các mô hình ngôn ngữ lớn (LLM), thưởng cho các thợ mỏ để tinh chỉnh LLM và sử dụng luồng dữ liệu tổng hợp liên tục từ Subnet 18 để đánh giá mô hình.

Cơ chế hoạt động:

• Người đào tạo huấn luyện mô hình và thường xuyên công bố chúng trên nền tảng Hugging Face.
• Validators tải xuống các mô hình từ Hugging Face và liên tục đánh giá chúng bằng dữ liệu tổng hợp.
• Kết quả đánh giá được ghi lại trên nền tảng wandb.
• Token TAO được phân phối dưới dạng phần thưởng cho người đào và người xác minh dựa trên hiệu suất của họ.

Địa chỉ kho dự án: https://github.com/macrocosm-os/finetuning

Subnet 21: Any to Any, tạo ra các mô hình đa phương thức AI tiên tiến

Nhóm phát triển:@omegalabsai

Giới thiệu:

Trong dự án này, thuật ngữ “Any to Any” đề cập đến khả năng của một hệ thống AI đa dạng có khả năng chuyển đổi và hiểu biết các loại dữ liệu hoặc thông tin khác nhau, như văn bản thành hình ảnh, hình ảnh thành văn bản, âm thanh thành video và video thành văn bản. Hệ thống không chỉ thực hiện những phép biến đổi này mà còn hiểu rõ mối quan hệ giữa các dạng dữ liệu khác nhau. Ví dụ, nó có thể hiểu được mối liên kết giữa mô tả văn bản và một hình ảnh hoặc giữa một video và âm thanh tương ứng của nó.

Trong mạng con này, cơ chế khuyến khích được thiết kế để khuyến khích các nhà nghiên cứu và nhà phát triển trí tuệ nhân tạo toàn cầu tham gia vào dự án.

• Người đóng góp có thể kiếm được phần thưởng token bằng cách cung cấp các mô hình, dữ liệu hoặc tài nguyên tính toán có giá trị.
• Khoản khuyến khích kinh tế trực tiếp này giúp cho nghiên cứu và phát triển trí tuệ nhân tạo chất lượng cao trở thành một nỗ lực bền vững.

Địa chỉ kho dự án: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

Kiến thức bổ sung:

Kiến thức bổ sung:

Trong trường hợp một số độc giả không quen thuộc với khái niệm mạng con Bittensor, dưới đây là một giải thích đơn giản:

• Một mạng con là một mạng chuyên biệt trong hệ sinh thái Bittensor.
• Mỗi mạng con tập trung vào các nhiệm vụ trí tuệ nhân tạo hoặc học máy cụ thể.
• Mạng con cho phép các nhà phát triển tạo và triển khai các mô hình trí tuệ nhân tạo cho mục đích cụ thể.
• Họ sử dụng cryptoeconomics để khuyến khích người tham gia cung cấp tài nguyên tính toán và cải thiện mô hình.

tuyên bố:

1. Bài viết này được sao chép từ [ TechFlow], tiêu đề ban đầu “TAO có phục hồi mạnh nhất hiện nay, đánh giá 12 dự án AI hữu ích trên mạng con”, bản quyền thuộc về tác giả gốc [深潮 TechFlow], nếu bạn có bất kỳ ý kiến gì về việc sao chép, vui lòng liên hệ Đội ngũ Gate Learn, nhóm sẽ xử lý nó càng sớm càng tốt theo các quy trình liên quan.

2. Miễn trách: Các quan điểm và ý kiến được biểu đạt trong bài viết này chỉ đại diện cho quan điểm cá nhân của tác giả và không đại diện cho bất kỳ lời khuyên đầu tư nào.

3. Các phiên bản ngôn ngữ khác của bài viết được dịch bởi nhóm Gate Learn, không được đề cập trong Gate.ioBài viết đã dịch có thể không được sao chép, phân phối hoặc đạo văn.