Penulis asli: Deep Chao TechFlow
Pasar kripto mengalami pendarahan setelah "Black Monday" minggu ini, namun token di berbagai sektor kembali menguat setelah satu hari.
Diantaranya yang terindah adalah Bittensor (TAO).
Data Coinmarketcap menunjukkan bahwa di antara 100 token teratas berdasarkan nilai pasar kemarin, Bittensor (TAO) naik 23,08%, menempati peringkat pertama dalam daftar rebound.
Meskipun narasi AI tidak sepopuler awal tahun, pilihan uang panas juga mewakili optimisme terhadap proyek-proyek teratas di sektor ini.
Namun, Bittensor juga pernah mengalami masalah pada tingkat tertentu sebelumnya. Komunitas percaya bahwa proyek tersebut terlalu diberi nama dan tidak ada aplikasi praktis di subnet.
Meskipun kegunaan proyek enkripsi tidak berhubungan langsung dengan harga token, apakah Bittensor benar-benar hanya cangkang kosong?
Dalam beberapa bulan terakhir, 12 subnet baru telah ditambahkan ke Bittensor, dan setiap subnet mempromosikan pengembangan terkait AI sampai batas tertentu, dan mungkin juga ada proyek Alpha baru di antara subnet tersebut.
Kami mengamati subnet baru ini dan melihat perubahan fundamentalnya sambil fokus pada rebound harga TAO.
Subnet 38: Sylliba, alat terjemahan text-to-speech yang mendukung 70+ bahasa
Tim Pengembang: Agen Buatan
Perkenalan:
Sylliba adalah aplikasi terjemahan yang mendukung penerjemahan teks dan ucapan serta mampu menangani lebih dari 70 bahasa.
Perlu disebutkan bahwa program ini dapat digunakan oleh agen AI on-chain:
Proses penerjemahan otomatis: Agen AI dapat secara otomatis memanggil layanan ini untuk mencapai pemrosesan informasi dan komunikasi lintas bahasa.
Peningkatan kemampuan AI: Sistem AI yang tidak memiliki kemampuan multibahasa juga dapat menangani tugas multibahasa.
Permintaan dan hasil terjemahan dapat diverifikasi di blockchain, sehingga meningkatkan kredibilitas sistem.
Mekanisme insentif: Melalui token economy, penyedia layanan terjemahan berkualitas tinggi dapat diberi insentif.
Alamat proyek: https://github.com/agent-artificial/sylliba-subnet
Subnet 34: Bitmind, mendeteksi dan membedakan konten asli dari konten sintetis palsu
Tim Pengembang: @BitMindAI
Perkenalan:
BitMind berfokus pada pengembangan teknologi deteksi deepfake yang terdesentralisasi. Dengan pesatnya kemajuan model AI generatif, membedakan media sintetis berkualitas tinggi dari konten nyata menjadi semakin kompleks.
Subnet BitMind memecahkan masalah ini dengan menerapkan mekanisme deteksi yang kuat di jaringan Bittensor, menggunakan model AI generatif dan diskriminatif untuk mengidentifikasi deepfake secara efektif.
Pada saat yang sama, BitMind API memungkinkan pengembangan aplikasi konsumen yang kuat yang memanfaatkan kemampuan deteksi deepfake subnet. Aplikasi web BitMind dengan antarmuka pengunggahan gambar dapat menggunakan API untuk membantu pengguna dengan cepat mengidentifikasi kemungkinan suatu gambar asli atau palsu, menyediakan alat anti-spoofing yang mudah diakses dan ditafsirkan.
Subnet 43: Jaringan perencanaan jalur cerdas dan grafit
Tim Pengembang: @GraphiteSubnet
Perkenalan:
Grafit adalah subnet yang dirancang khusus untuk menangani masalah grafik, dengan fokus khusus pada Traveling Salesman Problem (TSP). TSP adalah masalah optimasi klasik yang tujuannya adalah menemukan rute terpendek yang mengunjungi sekumpulan kota dan kembali ke titik awal.
Grafit memanfaatkan jaringan pembelajaran mesin terdesentralisasi Bittensor untuk menghubungkan para penambang secara efisien guna menangani kebutuhan komputasi TSP dan masalah grafik serupa.
Saat ini, validator menghasilkan permintaan sintetis dan mengirimkannya ke penambang di jaringan. Penambang bertanggung jawab untuk menyelesaikan TSP menggunakan algoritma yang mereka rancang dan mengirimkan hasilnya kembali ke validator untuk dievaluasi.
Subnet 42: Gen 42, asisten pengkodean AI sumber terbuka GitHub
Tim Pengembang: @RizzoValidator, @FrankRizz 07
Perkenalan:
Gen 42 memanfaatkan jaringan Bittensor untuk menyediakan layanan pembuatan kode terdesentralisasi. Fokus mereka adalah menciptakan alat yang kuat dan terukur untuk menjawab pertanyaan berbasis kode dan penyelesaian kode yang didorong oleh model bahasa sumber terbuka yang besar.
Produk utama:
a. Aplikasi obrolan: Menyediakan antarmuka obrolan yang memungkinkan pengguna berinteraksi dengan subnet mereka. Fitur utama aplikasi ini adalah Tanya Jawab berbasis kode.
b. Penyelesaian kode: Menyediakan API yang kompatibel dengan OpenAI yang dapat digunakan dengan continue.dev.
Untuk rincian tentang bagaimana penambang dan validator berpartisipasi, silakan lihat proyek Github
Subnet 41: Sportstensor, model prediksi olahraga
Tim Pengembang: @sportstensor
Perkenalan:
Sportstensor adalah proyek yang didedikasikan untuk mengembangkan algoritma prediksi olahraga terdesentralisasi, yang didukung oleh jaringan Bittensor.
Proyek ini menyediakan model dasar HuggingFace open source untuk dilatih dan ditingkatkan oleh para penambang, sekaligus memungkinkan perencanaan strategis dan analisis kinerja berdasarkan data historis dan real-time, serta memberi penghargaan pada pengumpulan kumpulan data yang komprehensif dan pengembangan model prediksi kinerja tinggi.
Fungsi penambang dan validator:
Penambang: menerima permintaan dari validator, mengakses data yang relevan, dan menggunakan model pembelajaran mesin untuk membuat prediksi.
Verifikator: Mengumpulkan prediksi penambang, membandingkannya dengan hasil sebenarnya, dan mencatat hasil verifikasi.
Subnet 29: coldint, pelatihan model AI khusus
Pengembang: Belum ditemukan, situs resminya ada di sini
Perkenalan:
SN 29 coldint, nama lengkapnya Pelatihan Insentif Terdistribusi Kolektif.
Sasaran: Fokus pada pra-pelatihan model khusus. Model niche mungkin mengacu pada model yang tidak dapat diterapkan secara luas seperti model umum yang besar, namun sangat berharga dalam domain atau tugas tertentu.
Partisipasi dan pembagian kerja penambang dan peran lainnya:
a) Penambang terutama diberi insentif dengan membagikan model pelatihan kepada publik.
b) Insentif sekunder diberikan kepada penambang atau kontributor lain yang berbagi wawasan dengan berkontribusi pada basis kode.
c) Mendorong para penambang untuk secara teratur membagikan peningkatan pekerjaan mereka dengan memberi penghargaan pada perbaikan kecil.
d) Memberikan penghargaan yang tinggi terhadap kontribusi kode yang menggabungkan upaya pelatihan individu menjadi model gabungan yang lebih baik.
Subnet 40: Potongan, kumpulan data yang dioptimalkan untuk aplikasi RAG (Retrieval-Augmented Generation)
Tim Pengembang: @vectorchatai
Tanda: $CHAT
Perkenalan:
SN 40 Chunking ibarat pustakawan yang sangat cerdas dengan memecah sejumlah besar informasi (teks, gambar, suara, dll) menjadi potongan-potongan kecil. Hal ini dilakukan untuk memudahkan AI memahami dan menggunakan informasi tersebut. Jika rak buku Anda tertata dengan baik, Anda dapat menemukannya dengan cepat.
SN 40 Chunking membantu AI mengatur rak buku.
Tidak hanya teks, SN 40 Chunking juga dapat memproses berbagai jenis informasi seperti gambar dan suara. Ini seperti pustakawan serba bisa, tidak hanya mengelola buku, tetapi juga koleksi foto, CD musik, dll.
Subnet 39: EdgeMaxxing, mengoptimalkan model AI untuk dijalankan di perangkat konsumen
Tim Pengembang: @WOMBO
Pendahuluan: SN39 EdgeMaxxing adalah subnet yang berfokus pada pengoptimalan model AI untuk perangkat konsumen, mulai dari ponsel cerdas hingga laptop.
Subnet EdgeMaxxing menggunakan sistem penghargaan kompetitif dengan kompetisi harian. Tujuannya adalah untuk mendorong peserta untuk terus mengoptimalkan kinerja model AI pada perangkat konsumen.
Peran peserta dan pembagian kerja:
Penambang:
Tugas utamanya adalah mengirimkan pos pemeriksaan model AI yang dioptimalkan
Mereka menggunakan berbagai algoritma dan alat untuk meningkatkan kinerja model
Validator:
Harus berjalan pada perangkat keras target yang ditentukan (mis. NVIDIA GeForce RTX 4090) Semua model yang dikirimkan penambang dikumpulkan setiap hari dan setiap model yang dikirimkan dibandingkan dengan pos pemeriksaan dasar berdasarkan peningkatan kecepatan, pemeliharaan akurasi, dan efisiensi keseluruhan. Tingkatkan untuk mencetak dan memilih model dengan kinerja terbaik hari sebagai pemenang
Repositori sumber terbuka proyek: https://github.com/womboai/edge-maxxing
Subnet 30: Bettensor, pasar prediksi olahraga terdesentralisasi
Tim Pengembang: @Bettensor
Perkenalan:
Bettensor memungkinkan penggemar olahraga untuk memprediksi hasil pertandingan olahraga, menciptakan pasar prediksi olahraga terdesentralisasi berdasarkan blockchain.
Peran peserta:
Penambang: Bertanggung jawab untuk menghasilkan hasil prediksi
Validator: Memverifikasi keakuratan hasil prediksi
Pengumpul Data: Mengumpulkan data acara olahraga dari berbagai sumber
Repositori sumber terbuka proyek: https://github.com/Bettensor/bettensor (tampaknya masih dalam pengembangan)
Subnet 06: Infinite Games, pasar prediksi umum
Tim Pengembang: @Playinfgames
Perkenalan:
Infinite Games mengembangkan alat real-time dan prediktif untuk memprediksi pasar. Pada saat yang sama, proyek melakukan arbitrase dan mengumpulkan peristiwa pada platform seperti @Polymarket dan @azuroprotocol.
Sistem insentif:
Gunakan token $TAO sebagai insentif
Hadiahi penyedia perkiraan yang akurat dan informasi berharga
Secara keseluruhan, proyek ini mendorong pengguna untuk berpartisipasi dalam prediksi dan penyediaan informasi, sehingga membentuk komunitas prediksi yang aktif.
Subnet 37: Penyempurnaan LLM, penyempurnaan model bahasa besar
Tim Pengembang: Taoverse @MacrocosmosAI
Perkenalan:
Ini adalah subnet yang berfokus pada penyempurnaan model bahasa besar (LLM): penambang diberi imbalan atas penyempurnaan LLM, dan evaluasi model dilakukan menggunakan aliran data sintetik yang berkelanjutan dari subnet 18.
Mekanisme kerja:
Penambang melatih model dan mempublikasikannya secara teratur ke platform Hugging Face.
Validator mendownload model dari Hugging Face dan terus mengevaluasinya menggunakan data sintetis.
Hasil evaluasi dicatat pada platform tongkat sihir.
Distribusikan hadiah token TAO kepada penambang dan verifikator berdasarkan bobot.
Alamat gudang proyek: https://github.com/macrocosm-os/finetuning
Subnet 21: Any to Any, menciptakan model multi-modal AI yang canggih
Tim Pengembang: @omegalabsai
Perkenalan:
Any to Any dalam proyek ini mengacu pada kemampuan sistem AI multi-modal untuk mengkonversi dan memahami berbagai jenis data atau informasi, seperti teks menjadi gambar, gambar menjadi teks, audio menjadi video, video menjadi teks.
Sistem tidak hanya dapat melakukan transformasi tetapi juga memahami hubungan antara berbagai modalitas. Misalnya, ia dapat memahami hubungan antara deskripsi teks dan gambar, atau hubungan antara video dan audio terkait.
Dalam subnet ini, mekanisme insentif digunakan untuk mendorong peneliti dan pengembang AI di seluruh dunia untuk berpartisipasi dalam proyek. Secara khusus:
Kontributor bisa mendapatkan imbalan token dengan menyediakan model, data, atau sumber daya komputasi yang berharga.
Insentif finansial langsung ini menjadikan penelitian dan pengembangan AI berkualitas tinggi sebagai usaha yang berkelanjutan.
Alamat gudang proyek: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor
Pengetahuan tambahan:
Jika sebagian pembaca belum mengetahui arti subnet Bittensor, penjelasan sederhananya adalah:
Subnet adalah jaringan khusus dalam ekosistem Bittensor.
Setiap subnet berfokus pada tugas AI atau pembelajaran mesin tertentu.
Subnet memungkinkan pengembang membuat dan menerapkan model AI yang dibuat khusus.
Mereka menggunakan ekonomi kripto untuk memberi insentif kepada peserta agar menyediakan sumber daya komputasi dan meningkatkan model.
Tautan asli
