Bittensor (TAO) ist der erste KI-Coin, der dieses Jahr auf Binance gelistet wird. Ich dachte, dies sei der erste Schritt zur vollständigen Einführung des KI-Tracks, aber unerwartet wurde es der kurzfristige „letzte Schritt“. Seit seiner Einführung am 11. April ist der Preis von TAO stark gesunken und hat sich immer noch nicht erholt.

Als der Preis der Währung fiel, wurde die Community-Debatte über die Wirksamkeit des Projekts immer heftiger. Alles begann am 30. März, als Eric Wall, Mitbegründer von Taproot Wizards, in den sozialen Medien eine Reihe scharfer Fragen zu Bittensor (TAO) stellte, die mittlerweile fast 2 Millionen Aufrufe erreicht hat.

Die Kernpunkte von Eric Wall lassen sich wie folgt zusammenfassen:

・Viele Miner in Subnetz 1 führen wiederholt dasselbe Sprachmodell aus, um auf Eingabeaufforderungen zu antworten, was ineffizient ist und Ressourcen verschwendet. Ein Bergmann kann die Aufgabe erledigen, es ist nicht erforderlich, dass Tausende von Bergleuten parallel arbeiten.

・Der Überprüfungsmechanismus von Subnetz 1 ist zu einfach. Er vergleicht nur die Ähnlichkeit der Antworten.

・Derzeit läuft Subnetz 1 nur intern und kann nicht von normalen Benutzern verwendet werden, sodass es keinen praktischen Wert hat.

・Das Bittensor-Projekt propagiert lediglich das Konzept der „dezentralen KI“, täuscht Kleinanleger und treibt den Token-Preis künstlich in die Höhe.

Obwohl diese Zweifel direkt auf einige der Schmerzpunkte von Bittensor hinweisen, stehen sie auch im Verdacht, parteiisch und blendend zu sein. Die Redundanz mehrerer Miner mag ineffizient erscheinen, tatsächlich ist sie jedoch die einzige Möglichkeit für eine verteilte Zusammenarbeit. Bittensors Ziel ist es, ein globales KI-Netzwerk aufzubauen, bei dem Redundanz ein notwendiger Kostenfaktor und kein Designfehler ist.

Der Verifizierungsmechanismus ist noch relativ rudimentär, aber Bittensor hat ihn aktiv verbessert. Der neueste Plan sieht die Einführung des Commit-Reveal-Gewichtungsmechanismus vor. Durch die Verzögerung der Offenlegung des von Bergleuten übermittelten Gewichts kann der Commit-Reveal-Mechanismus opportunistisches Plagiat gut eindämmen.

Subnetz 1 ist als erstes Subnetz von Bittensor hauptsächlich für interne Schulungen und Tests vorgesehen. Das Bittensor-Ökosystem hat sich jedoch auf Dutzende Subnetze für verschiedene Anwendungsszenarien ausgeweitet, die in den Bereichen Suche, Medizin, Bildung, Spiele und anderen Bereichen einen spürbaren Mehrwert bieten. Bittensor einfach als „KI-Meme-Coin“ einzustufen und seinen Wert zu leugnen, ist an sich schon ein irrationaler und kurzsichtiger Ansatz.

Trotz dieser Zweifel und Herausforderungen ist Bittensor nicht stehen geblieben. Stattdessen baut es sein Netzwerk weiter aus und verbessert es. Am 12. Mai kündigte Bittensor an, jede Woche vier Subnetz-Slots hinzuzufügen, bis eine neue Obergrenze von 64 Slots erreicht sei, mit dem Ziel, in diesem Jahr auf 1024 Subnetze zu kommen.

Derzeit verfügt Bittensor über 34 Subnetze, die mehrere Bereiche abdecken, was das Potenzial und die Vielfalt der dezentralen KI voll und ganz demonstriert. Als nächstes werden in diesem Artikel diese Subnetze nacheinander aus den sechs Bereichen Inhaltsgenerierung, Datenerfassung und -verarbeitung, LLM-Ökosystem, dezentrale Infrastruktur, DeFi und anderen Anwendungen vorgestellt, in der Hoffnung, dass die Leser ein umfassendes und klares Verständnis des Bittensors erhalten Ökosystem.

Inhaltsgenerierung

Das Subnetz der Kategorie „Inhaltsgenerierung“ bietet eine Plattform für die Generierung und Optimierung von Text, Bildern, Audio und Video.

Texttipps (Subnetz 1): Es wurde von der Opentensor Foundation entwickelt und ist ein dezentrales Subnetz, das sich der Textgenerierung widmet. Es nutzt umfangreiche Sprachmodelle (wie GPT-3, GPT-4 usw.) für die Eingabeaufforderung und Argumentation, wobei Miner KI-Dienste bereitstellen und Validatoren für die Überprüfung der Vorhersageergebnisse verantwortlich sind.

MyShell TTS (Subnetz 3): Entwickelt von MyShell mit Schwerpunkt auf Text-to-Speech-Technologie (TTS). Dieses Subnetz entwickelt und optimiert Open-Source-TTS-Modelle wie OpenVoice und MeloTTS. Miner sind für das Training der Modelle verantwortlich und Validatoren bewerten die Modellleistung und engagieren sich für die Erstellung hochwertiger Open-Source-TTS-Modelle.

Multimodalität (Subnetz 4): Es wurde von Manifold entwickelt und konzentriert sich auf multimodale KI-Systeme, die Informationen über mehrere Datentypen und -formate hinweg, einschließlich Text, Bilder und Audio, verarbeiten und generieren.

Three Gen (Subnetz 17): ist ein dezentrales Subnetz, das sich auf die KI-gesteuerte Generierung von 3D-Inhalten konzentriert. Das Three-Gen-Subnetz nutzt KI-Technologie zur Generierung von 3D-Modellen und Inhalten. Miner und Verifizierer erhalten Belohnungen, indem sie Rechenressourcen bereitstellen und die Qualität der generierten Inhalte überprüfen, wodurch die Entwicklung der Technologie zur 3D-Inhaltsgenerierung gefördert wird.

Cortex.t (Subnetz 18): Es wurde von Corcel entwickelt und ist ein dezentrales Subnetz, das sich auf die KI-Entwicklung und die Generierung synthetischer Daten konzentriert.

Vision (Subnetz 19): ist ein dezentrales Subnetz, das sich auf die Bilderzeugung und Argumentation konzentriert. Das Vision-Subnetz nutzt das Distributed Scale Inference Subnet (DSIS)-Framework, um die Ausgabekapazitäten des Bittensor-Netzwerks zu maximieren, sodass Bergleute den Technologie-Stack frei wählen können, um Anforderungen zu verarbeiten und Antworten zu generieren. Validatoren empfangen Anforderungen vom Front-End und verteilen sie an Miner, bewerten deren Leistung und machen den Bilderzeugungsprozess effizienter.

Niche Image (Subnetz 23): ist ein Subnetz, das sich auf die dezentrale Bilderzeugung konzentriert. Niche Image unterstützt eine Vielzahl von Bilderzeugungsmodellen, indem es Rechenressourcen zur Verfügung stellt, und erhält eine Vergütung basierend auf der Qualität. Es werden ständig neue Modelle und Funktionen eingeführt, um den Benutzeranforderungen gerecht zu werden.

TensorAlchemy (Subnetz 26): ist ein Subnetz, das sich auf menschliches Scoring und dezentrale Bildgenerierung konzentriert. Es bewertet die Ergebnisse von Bilderzeugungsmodellen anhand menschlicher Bewertungen und belohnt Bergleute auf der Grundlage der Bewertungen und der Qualität der generierten Bilder. Die Technologie soll in Bereichen wie Kunstschaffen und Werbung eingesetzt werden.

Fractal (Subnetz 29): Dies ist ein von Fractal Research entwickeltes dezentrales Subnetz, das sich auf textgenerierte Videos konzentriert. Dieses Subnetzwerk nutzt das Grid-Diffusion-Modell und die Edge-Node-Argument-Technologie, um Videoaufgaben zur Textgenerierung über verteilte Knoten zu verarbeiten.

WomboAl (Subnetz 30): ist ein dezentrales Subnetz, das sich auf die Generierung von Bildern und das Teilen in sozialen Netzwerken konzentriert. Das WomboAl-Subnetz generiert hochwertige Bilder über das Bittensor-Netzwerk und ermöglicht Benutzern den Austausch von Bildern über Anwendungen wie WOMBO Dream und WOMBO Me.

Datenerhebung und -verarbeitung

Die Subnetze in der Kategorie „Datenerfassung und -verarbeitung“ konzentrieren sich auf dezentrale Datenerfassungs-, Speicher- und Analysedienste. Durch den Aufbau einer verteilten Indexierungsschicht und eines Datenverarbeitungsframeworks können diese Subnetze große Datensätze verarbeiten und anderen Subnetzen und Benutzern Datenunterstützung bieten.

Open Kaito (Subnetz 5): Entwickelt von Kaito AI, um dezentrale Such- und Analysedienste für Web3 bereitzustellen. Dieses Subnetz baut eine dezentrale Indexierungsschicht auf, um die intelligente Suche und Analyse von Web3-Inhalten zu unterstützen. Durch das Anreizsystem von Bittensor werden Miner zu Innovationen bei der Lösung von Indexierungsaufgaben ermutigt.

Dataverse (Subnetz 13): ist ein dezentrales Subnetz, das sich auf das Sammeln und Speichern großer Datenmengen konzentriert. Dataverse-Subnetze sammeln und speichern Daten aus verschiedenen Quellen und bieten Datenunterstützung für andere Subnetze. Miner werden mit TAO-Tokens basierend auf der von ihnen bereitgestellten Datenmenge belohnt, und Validatoren fragen regelmäßig die Richtigkeit der Daten ab und überprüfen sie.

Blockchain Insights (Subnetz 15): ist ein dezentrales Subnetz, das sich auf die Umwandlung roher Blockchain-Daten in strukturierte Diagrammmodelle konzentriert. Dieses Subnetz bietet Datenanalyse-Abfrage- und Ergebnisvisualisierungsfunktionen, unterstützt eine detaillierte Analyse von Blockchain-Daten und Benutzer können benutzerdefinierte Abfragen durchführen.

Metasuche (Subnetz 22): Entwickelt von Datura-ai, handelt es sich um ein dezentrales Subnetz, das sich auf die Twitter-Datenanalyse konzentriert. Meta Search nutzt KI-Technologie, um eine eingehende Analyse von Twitter-Daten durchzuführen und bietet Echtzeit-Datenzugriff und Stimmungsanalysen, um Benutzern zu helfen, die öffentliche Stimmung zu verstehen und datengesteuerte Entscheidungen zu treffen.

Omega Labs (Subnetz 24): Es wurde von Omega Labs entwickelt und ist ein Subnetz, das sich auf die Erstellung dezentraler multimodaler Datensätze sowie das Sammeln von Video-, Audio-, Text- und anderen Daten für die Forschung und Entwicklung allgemeiner künstlicher Intelligenz (AGI) konzentriert. Unterstützung wird bereitgestellt und Bergleute werden basierend auf den von ihnen bereitgestellten Daten belohnt.

Conversation Genome Project (Subnetz 33): Es wurde von Afterparty AI entwickelt und ist ein Subnetz, das sich auf die dezentrale Konversationsdatenverarbeitung und den personalisierten KI-Zugriff konzentriert. Dieses Subnetz verarbeitet und indiziert große Mengen an Konversationsdaten dezentral und bietet personalisierte KI-Zugriffsdienste, und Miner werden für die Bereitstellung von Rechenressourcen belohnt.

LLM-Ökosystem

Subnetze in der Kategorie „LLM-Ökosystem“ konzentrieren sich auf das Training, die Feinabstimmung, den Schutz und die Optimierung großer Sprachmodelle (LLMs).

Nous Finetuning (Subnetz 6): Entwickelt von Nous Research mit Schwerpunkt auf der Feinabstimmung großer Sprachmodelle (LLM). Dieses Subnetz belohnt Miner für die Feinabstimmung des LLM mithilfe synthetischer Daten, ermöglicht die subnetzübergreifende Kommunikation und bietet Minern Anreize durch die Bewertung der Modellleistung.

Vortraining (Subnetz 9): Es wurde von der Opentensor Foundation entwickelt und konzentriert sich auf das Vortraining großer Sprachmodelle. Miner trainieren Modelle anhand des Falcon Refined Web-Datensatzes und verbessern so die Modellleistung durch kontinuierliche Benchmarking- und Validierungsmechanismen.

Dippy Roleplay (Subnetz 11): Dieses von Impel entwickelte Subnetz konzentriert sich auf die Erstellung von Rollenspielmodellen. Dippy Roleplay bietet der Community einen Anreiz, rollenspielende Large Language Models (LLMs) dezentral zu erstellen und zu optimieren. Miner und Entwickler werden mit TAO-Tokens basierend auf der Modellqualität und Leistung, die sie beitragen, belohnt.

LLM Defender (Subnetz 14): Es wurde von Synapsec AI entwickelt und ist ein dezentrales Subnetz, das sich auf den Schutz großer Sprachmodelle (LLMs) vor einer Vielzahl von Angriffen konzentriert. Das LLM Defender-Subnetz erkennt und verhindert Angriffe auf LLM-Anwendungen durch mehrere Analysegeräte und Engines und nutzt seinen dezentralen Charakter, um einen mehrschichtigen Abwehrmechanismus bereitzustellen.

NAS-Kette (Subnetz 31): ist ein dezentrales Subnetz, das sich auf die Neural Architecture Search (NAS) konzentriert. Die NAS-Kette nutzt genetische Algorithmen und verteilte Rechenressourcen, um die Architektur des neuronalen Netzwerks zu optimieren, indem sie Rechenressourcen beisteuern und auf der Grundlage ihrer Beiträge Belohnungen erhalten.

Seine KI (Subnetz 32): ist ein dezentrales Subnetz, das sich auf die Erkennung von Inhalten konzentriert, die von großen Sprachmodellen (LLM) generiert werden. Dieses Subnetz verwendet das Modell deberta-v3-large, um von LLM generierten Text zu erkennen, und wird auf mehrere Szenarien wie maschinelles Lernen, Bildung und soziale Medien angewendet. Validatoren verwenden den The Pile-Datensatz, um die Genauigkeit und Zuverlässigkeit des Erkennungssystems sicherzustellen.

Dezentrale Infrastruktur

Subnetze in der Kategorie „Dezentrale Infrastruktur“ verbessern die Dezentralisierung und Stabilität des Netzwerks, indem sie verteilte Rechen- und Speicherressourcen bereitstellen.

Subvortex (Subnetz 7): Ermutigen Sie Miner, Subtensor-Knoten durch einen Anreizmechanismus zu betreiben, um die Dezentralisierung und Stabilität des Bittensor-Netzwerks zu verbessern. Dieses Subnetz stellt Knoten weltweit mit geringer Latenz und hoher Redundanz bereit, wodurch die Schwelle für die Teilnahme gesenkt wird.

Horde (Subnetz 12): Es wurde von Backend Developers Ltd entwickelt und ist ein Subnetz, das sich auf die dezentrale Zuweisung von Computerressourcen konzentriert. Das Horde-Subnetz weist durch verteiltes Rechnen Aufgaben verschiedenen Miner-Knoten zu, um die Effizienz und Geschwindigkeit der Aufgabenverarbeitung zu verbessern. Miner werden auf der Grundlage der von ihnen bereitgestellten Rechenressourcen und der Effizienz der Aufgabenverarbeitung belohnt, und Validatoren bewerten die Qualität der Arbeit der Miner.

Filetao (Subnetz 21): Es handelt sich um ein dezentrales verteiltes Speichersubnetz. FileTAO implementiert ein effizientes und sicheres Speichersystem durch einen wissensfreien Raum-Zeit-Algorithmus, unterstützt mehrstufige Verifizierungsmechanismen und subnetzübergreifende Kommunikation, und Miner werden durch die Bereitstellung von Speicherplatz belohnt.

Compute (Subnetz 27): Es wurde von Neural Inτerneτ entwickelt und ist ein Subnetz, das sich auf die dezentrale Zuweisung von Computerressourcen konzentriert. Das Compute-Subnetz bietet einen erlaubnisfreien Computing-Markt und integriert mehrere Cloud-Plattformen, um eine einheitliche dezentrale Cloud-Computing-Infrastruktur auf hoher Ebene zu bilden, indem sie Computing-Ressourcen bereitstellen.

DeFi

Subnetze in der DeFi-Kategorie konzentrieren sich auf die Optimierung und Innovation dezentraler Finanzdienstleistungen, einschließlich Liquiditätseinsatz, quantitativer Handel, Umsatzoptimierung und Finanzmarktprognosen.

Omron (Subnetz 2): Entwickelt von Inference Labs zur Optimierung und Validierung von Strategien für das Abstecken und erneute Abstecken von Liquidität durch künstliche Intelligenz und maschinelle Lerntechnologie. Omron nutzt intelligente Verträge und Verifizierungsknoten, um automatisierte Wiederverpfändungsstrategien bereitzustellen und die Authentizität und Sicherheit des Argumentationsprozesses durch einen wissensfreien Beweismechanismus sicherzustellen.

Proprietäres Handelsnetzwerk (Subnetz 8): Es wurde von der Taoshi Company entwickelt und konzentriert sich auf dezentrale quantitative Handelssignale. Miner steuern Handelssignale bei, die mehrere Finanzmärkte abdecken, und Benutzer können hochwertige Handelssignale erhalten.

Sturdy (Subnetz 10): Es wurde von Sturdy Finance entwickelt und ist ein Subnetz, das sich auf die dezentrale Ertragsoptimierung konzentriert. Das Sturdy-Subnetz ermöglicht es Bergleuten, Vermögenswerte durch intelligente Verträge verschiedenen Strategie-Pools zuzuordnen, um die höchsten Renditen zu erzielen. Miner werden basierend darauf belohnt, wie viel Umsatz ihre Vertriebsstrategie generiert, und Validatoren bewerten die Vertriebsstrategien der Miner und bewerten sie anhand der Umsatzleistung.

Foundry SP 500 Oracle (Subnetz 28): Es wurde von Foundry Digital LLC entwickelt und ist ein dezentrales Subnetz, das sich auf Finanzmarktprognosen konzentriert. Dieses Subnetz bietet Minern einen Anreiz, den Preis des SP 500-Index vorherzusagen, und lässt Validatoren die Vorhersagen bewerten.

Andere Apps

Subnetze in anderen Anwendungskategorien decken Bereiche wie Anzeigenverteilung, Aufgabenverwaltung, Proteinfaltungsforschung und Gesundheitswesen ab.

BitAds (Subnetz 16): ist ein dezentrales und incentiviertes Werbesubnetz. Das BitAds-Subnetz verteilt Werbeaufgaben dezentral, und Miner generieren organischen Traffic durch die Förderung von Werbelinks und erhalten TAO-Token-Belohnungen.

BitAgent (Subnetz 20): ist ein dezentrales Subnetz, das sich auf die Aufgaben- und Workflow-Verwaltung konzentriert. BitAgent kombiniert große Sprachmodelle (LLM) mit den häufig verwendeten Anwendungen der Benutzer, um intelligente Agentendienste bereitzustellen, die die täglichen Aufgaben und das Workflow-Management vereinfachen. Bergleute konkurrieren auf der Grundlage ihrer Leistung und werden mit TAO-Tokens auf der Grundlage der Aufgabenerledigung belohnt.

Proteinfaltung (Subnetz 25): Es wurde von der Opentensor Foundation entwickelt und ist ein dezentrales Subnetz, das sich auf die Proteinfaltungsforschung konzentriert. Die Proteinfaltungsforschung wird über verteilte Rechenressourcen durchgeführt, und Bergleute werden auf der Grundlage ihrer beigesteuerten Rechenleistung belohnt, was eine Plattform für biomedizinische Forschung bietet.

Healthi (Subnetz 34): Es wurde von Healthi Labs entwickelt und ist ein dezentrales Subnetz, das sich auf den Einsatz künstlicher Intelligenz (KI) zur Verbesserung der Gesundheitsdienste konzentriert. Das Healthi-Subnetz nutzt KI-Modelle für klinische Vorhersageaufgaben und verwaltet und verarbeitet medizinische Daten dezentral, um Datensicherheit und Datenschutz zu gewährleisten. Intelligente Verträge vereinfachen den Versicherungsprozess und verbessern die Effizienz medizinischer Leistungen.

Fazit: Neue Anwendungstrends von Bittensor

Wie der ehemalige Messari-Forscher Sami Kassab in einem aktuellen Artikel darlegte, zeichnen sich bei Bittensor derzeit zwei Anwendungstrends ab: Erstens lagern Projektparteien technologische Innovationen in das Bittensor-Subnetz aus, wie etwa Kaito AI, das die Forschung und Entwicklung von Suchmaschinen über Bittensor auslagert. Zweitens nutzt das Projekt Bittensor als Anreizschicht, um schnell Miner-Ressourcen zu sammeln, um die Versorgung mit digitalen Gütern für sein Netzwerk bereitzustellen. Beispielsweise steuert Inference Labs die Versorgung mit ZK-Proversen und Modell-Inferenzern durch den Start des Omron-Subnetzes.

Da Bittensor sein Subnetz erweitert, könnten sich künftig mehr Projekte dafür entscheiden, bestimmte Komponenten des Technologie-Stacks an Bittensor auszulagern, was zum drittgrößten Anwendungsszenario für Bittensor werden wird. Bittensor beschleunigt die professionelle Arbeitsteilung in der KI-Branche und fördert die Entstehung originellerer Projekte. Mit zunehmender Teilnehmerzahl wird erwartet, dass das Bittensor-Ökosystem einen positiven Kreislauf bildet und eine neue Phase kraftvoller Entwicklung einleitet.