Tác giả gốc: Deep Chao TechFlow
Thị trường tiền điện tử đang chảy máu sau khi trải qua "Thứ Hai Đen" của tuần này, nhưng các token ở các lĩnh vực khác nhau đã phục hồi sau một ngày.
Trong số đó, đẹp nhất là Bittensor (TAO).
Dữ liệu của Coinmarketcap cho thấy trong số 100 token hàng đầu theo giá trị thị trường ngày hôm qua, Bittensor (TAO) đã tăng 23,08%, đứng đầu trong danh sách phục hồi.
Mặc dù câu chuyện về AI không còn phổ biến như hồi đầu năm nhưng việc lựa chọn tiền nóng cũng thể hiện sự lạc quan về các dự án hàng đầu trong lĩnh vực này.
Tuy nhiên, Bittensor cũng từng gặp phải một số rắc rối nhất định trước đây. Cộng đồng tin rằng dự án đã được đặt tên quá mức và không có ứng dụng thực tế nào trong mạng con.
Mặc dù tính hữu ích của dự án mã hóa không liên quan trực tiếp đến giá của token nhưng Bittensor có thực sự chỉ là một cái vỏ rỗng không?
Trong vài tháng qua, 12 mạng con mới đã được thêm vào Bittensor và mỗi mạng con thúc đẩy sự phát triển liên quan đến AI ở một mức độ nhất định và cũng có thể có các dự án Alpha mới trong số đó.
Chúng tôi đã kiểm tra các mạng con mới này và xem xét những thay đổi về nguyên tắc cơ bản của nó trong khi tập trung vào sự phục hồi giá của TAO.
Subnet 38: Sylliba, công cụ dịch văn bản sang giọng nói hỗ trợ hơn 70 ngôn ngữ
Nhóm phát triển: Agent Artificial
Giới thiệu:
Sylliba là một ứng dụng dịch thuật hỗ trợ dịch văn bản và lời nói và có thể xử lý hơn 70 ngôn ngữ.
Điều đáng nói là chương trình này có thể được sử dụng bởi các tác nhân AI trên chuỗi:
Quá trình dịch tự động: Các tác nhân AI có thể tự động gọi dịch vụ này để đạt được khả năng xử lý và giao tiếp thông tin đa ngôn ngữ.
Khả năng AI nâng cao: Các hệ thống AI không có khả năng đa ngôn ngữ cũng có thể xử lý các tác vụ đa ngôn ngữ.
Các yêu cầu và kết quả dịch thuật có thể được xác minh trên blockchain, làm tăng độ tin cậy của hệ thống.
Cơ chế khuyến khích: Thông qua nền kinh tế mã thông báo, các nhà cung cấp dịch vụ dịch thuật chất lượng cao có thể được khuyến khích.
Địa chỉ dự án: https://github.com/agent-artificial/sylliba-subnet
Subnet 34: Bitmind, phát hiện và phân biệt nội dung thật với nội dung tổng hợp giả
Nhóm phát triển: @BitMindAI
Giới thiệu:
BitMind tập trung phát triển công nghệ phát hiện deepfake phi tập trung. Với sự tiến bộ nhanh chóng của các mô hình AI tổng hợp, việc phân biệt phương tiện tổng hợp chất lượng cao với nội dung thực ngày càng trở nên phức tạp.
Mạng con của BitMind giải quyết vấn đề này bằng cách triển khai cơ chế phát hiện mạnh mẽ trong mạng Bittensor, sử dụng các mô hình AI tổng quát và phân biệt đối xử để xác định hiệu quả các hành vi giả mạo sâu.
Đồng thời, API BitMind cho phép phát triển các ứng dụng tiêu dùng mạnh mẽ nhằm tận dụng khả năng phát hiện deepfake của mạng con. Ứng dụng web BitMind với giao diện tải lên hình ảnh có thể sử dụng API để giúp người dùng nhanh chóng xác định khả năng hình ảnh là thật hay giả, cung cấp công cụ chống giả mạo dễ truy cập và dễ hiểu.
Subnet 43: Graphite, mạng quy hoạch đường đi thông minh
Nhóm phát triển: @GraphiteSubnet
Giới thiệu:
Graphite là một mạng con được thiết kế đặc biệt để xử lý các vấn đề về đồ thị, đặc biệt tập trung vào Vấn đề nhân viên bán hàng du lịch (TSP). TSP là một bài toán tối ưu hóa cổ điển với mục tiêu là tìm ra con đường ngắn nhất có thể đi qua một tập hợp các thành phố và quay trở lại điểm xuất phát.
Graphite tận dụng mạng máy học phi tập trung của Bittensor để kết nối hiệu quả các công cụ khai thác nhằm xử lý các nhu cầu tính toán của TSP và các vấn đề đồ thị tương tự.
Hiện tại, trình xác thực tạo ra các yêu cầu tổng hợp và gửi chúng đến các thợ mỏ trong mạng. Người khai thác chịu trách nhiệm giải quyết TSP bằng thuật toán do họ thiết kế và gửi kết quả lại cho người xác nhận để đánh giá.
Subnet 42: Gen 42, trợ lý mã hóa AI mã nguồn mở của GitHub
Nhóm phát triển: @RizzoValidator, @FrankRizz 07
Giới thiệu:
Gen 42 tận dụng mạng Bittensor để cung cấp các dịch vụ tạo mã phi tập trung. Trọng tâm của họ là tạo ra các công cụ mạnh mẽ, có thể mở rộng để trả lời câu hỏi dựa trên mã và hoàn thành mã được điều khiển bởi các mô hình ngôn ngữ lớn nguồn mở.
sản phẩm chính:
a. Ứng dụng trò chuyện: Cung cấp giao diện người dùng trò chuyện cho phép người dùng tương tác với mạng con của họ. Tính năng chính của ứng dụng này là Hỏi đáp dựa trên mã.
b. Hoàn thiện mã: Cung cấp API tương thích với OpenAI có thể được sử dụng với continue.dev.
Để biết chi tiết về cách người khai thác và người xác thực tham gia, vui lòng xem dự án Github
Subnet 41: Sportstensor, mô hình dự đoán thể thao
Nhóm phát triển: @sportstensor
Giới thiệu:
Sportstensor là một dự án dành riêng cho việc phát triển các thuật toán dự đoán thể thao phi tập trung, được cung cấp bởi mạng Bittensor.
Dự án cung cấp các mô hình cơ bản trên HuggingFace mã nguồn mở để các nhà khai thác đào tạo và cải tiến, đồng thời cho phép lập kế hoạch chiến lược và phân tích hiệu suất dựa trên dữ liệu lịch sử và thời gian thực, đồng thời khen thưởng việc thu thập tập dữ liệu toàn diện và phát triển mô hình dự đoán hiệu suất cao.
Chức năng khai thác và xác thực:
Người khai thác: nhận yêu cầu từ người xác thực, truy cập dữ liệu liên quan và sử dụng mô hình học máy để đưa ra dự đoán.
Trình xác minh: Thu thập dự đoán của người khai thác, so sánh chúng với kết quả thực tế và ghi lại kết quả xác minh.
Subnet 29: đào tạo mô hình AI coldint, niche
Nhà phát triển: Chưa tìm thấy, trang web chính thức ở đây
Giới thiệu:
SN 29 coldint, tên đầy đủ là Collective Distributed Incentivized Training.
Mục tiêu: Tập trung vào việc đào tạo trước các mô hình thích hợp. Các mô hình thích hợp có thể đề cập đến các mô hình không được áp dụng rộng rãi như các mô hình tổng quát lớn nhưng rất có giá trị trong một lĩnh vực hoặc nhiệm vụ cụ thể.
Sự tham gia và phân công lao động của thợ mỏ và các vai trò khác:
a) Thợ mỏ chủ yếu được khuyến khích bằng cách chia sẻ công khai các mô hình đào tạo.
b) Ưu đãi phụ được trao cho những người khai thác hoặc những người đóng góp khác chia sẻ thông tin chi tiết bằng cách đóng góp vào cơ sở mã.
c) Khuyến khích người khai thác thường xuyên chia sẻ công việc cải tiến của họ bằng cách khen thưởng những cải tiến nhỏ.
d) Những đóng góp mã có phần thưởng cao kết hợp nỗ lực đào tạo của từng cá nhân thành các mô hình kết hợp tốt hơn.
Subnet 40: Chunking, tập dữ liệu được tối ưu hóa cho ứng dụng RAG (Retrieval-Augmented Generation)
Nhóm phát triển: @vectorchatai
Mã thông báo: $CHAT
Giới thiệu:
SN 40 Chunking giống như một thủ thư rất thông minh bằng cách chia một lượng lớn thông tin (văn bản, hình ảnh, âm thanh, v.v.) thành các phần nhỏ. Điều này được thực hiện để giúp AI hiểu và sử dụng thông tin này dễ dàng hơn. Nếu giá sách của bạn được sắp xếp tốt, bạn có thể tìm thấy nó một cách nhanh chóng.
SN 40 Chunking đang giúp AI sắp xếp giá sách.
Không chỉ văn bản, SN 40 Chunking còn có thể xử lý nhiều loại thông tin khác nhau như hình ảnh, âm thanh. Nó giống như một thủ thư đa năng, quản lý không chỉ sách mà còn cả bộ sưu tập ảnh, đĩa CD nhạc, v.v.
Subnet 39: EdgeMaxxing, tối ưu hóa mô hình AI để chạy trên thiết bị tiêu dùng
Nhóm phát triển: @WOMBO
Giới thiệu: SN39 EdgeMaxxing là mạng con tập trung vào việc tối ưu hóa các mô hình AI cho các thiết bị tiêu dùng, từ điện thoại thông minh đến máy tính xách tay.
Mạng con EdgeMaxxing sử dụng hệ thống phần thưởng cạnh tranh với các cuộc thi hàng ngày. Mục đích là khuyến khích người tham gia liên tục tối ưu hóa hiệu suất của các mô hình AI trên thiết bị tiêu dùng.
Vai trò của người tham gia và phân công lao động:
Thợ mỏ:
Nhiệm vụ chính là gửi điểm kiểm tra mô hình AI được tối ưu hóa
Họ sử dụng nhiều thuật toán và công cụ khác nhau để cải thiện hiệu suất của mô hình
Trình xác nhận:
Phải chạy trên phần cứng mục tiêu được chỉ định (ví dụ: NVIDIA GeForce RTX 4090) Tất cả các mô hình khai thác được gửi đều được thu thập hàng ngày và mỗi mô hình được gửi sẽ được đo điểm chuẩn dựa trên các điểm kiểm tra cơ bản dựa trên các cải tiến về tốc độ, duy trì độ chính xác và hiệu quả tổng thể Tăng cường để ghi điểm và chọn mô hình hoạt động tốt nhất; ngày là người chiến thắng
Kho lưu trữ nguồn mở của dự án: https://github.com/womboai/edge-maxxing
Subnet 30: Betensor, thị trường dự đoán thể thao phi tập trung
Nhóm phát triển: @Bettensor
Giới thiệu:
Betensor cho phép người hâm mộ thể thao dự đoán kết quả của các trận đấu thể thao, tạo ra thị trường dự đoán thể thao phi tập trung dựa trên blockchain.
Vai trò người tham gia:
Công cụ khai thác: Chịu trách nhiệm tạo ra kết quả dự đoán
Trình xác thực: Xác minh tính chính xác của kết quả dự đoán
Trình thu thập dữ liệu: Thu thập dữ liệu sự kiện thể thao từ nhiều nguồn khác nhau
Kho lưu trữ nguồn mở của dự án: https://github.com/Bettensor/bettensor (dường như vẫn đang được phát triển)
Subnet 06: Trò chơi vô hạn, thị trường dự đoán chung
Nhóm phát triển: @Playinfgames
Giới thiệu:
Infinite Games phát triển các công cụ dự đoán và thời gian thực để dự đoán thị trường. Đồng thời, dự án phân tích và tổng hợp các sự kiện trên các nền tảng như @Polymarket và @azuroprotocol.
Hệ thống khuyến khích:
Sử dụng token $TAO làm ưu đãi
Trao thưởng cho những người cung cấp dự báo chính xác và thông tin có giá trị
Nhìn chung, dự án khuyến khích người dùng tham gia dự đoán và cung cấp thông tin, hình thành một cộng đồng dự đoán tích cực.
Subnet 37: Tinh chỉnh LLM, tinh chỉnh mô hình ngôn ngữ lớn
Nhóm phát triển: Taoverse @MacrocosmosAI
Giới thiệu:
Đây là mạng con tập trung vào việc tinh chỉnh các mô hình ngôn ngữ lớn (LLM): người khai thác được thưởng khi tinh chỉnh LLM và việc đánh giá mô hình được thực hiện bằng cách sử dụng luồng dữ liệu tổng hợp liên tục từ mạng con 18.
Cơ chế làm việc:
Những người khai thác đào tạo các mô hình và xuất bản chúng thường xuyên lên nền tảng Ôm mặt.
Người xác thực tải xuống mô hình từ Ôm mặt và liên tục đánh giá mô hình đó bằng dữ liệu tổng hợp.
Kết quả đánh giá được ghi lại trên nền tảng Wanb.
Phân phối phần thưởng mã thông báo TAO cho người khai thác và người xác minh dựa trên trọng lượng.
Địa chỉ kho dự án: https://github.com/macrocosm-os/finetuning
Subnet 21: Any to Any, tạo mô hình AI đa phương thức tiên tiến
Nhóm phát triển: @omegalabsai
Giới thiệu:
Any to Any trong dự án này đề cập đến khả năng của hệ thống AI đa phương thức chuyển đổi và hiểu giữa các loại dữ liệu hoặc thông tin khác nhau, chẳng hạn như văn bản thành hình ảnh, hình ảnh thành văn bản, âm thanh sang video, video thành văn bản.
Hệ thống không chỉ có thể thực hiện các phép biến đổi mà còn hiểu được mối quan hệ giữa các phương thức khác nhau. Ví dụ: nó có thể hiểu kết nối giữa mô tả văn bản và hình ảnh hoặc kết nối giữa video và âm thanh tương ứng.
Trong mạng con này, các cơ chế khuyến khích được sử dụng để khuyến khích các nhà nghiên cứu và phát triển AI trên toàn thế giới tham gia vào các dự án. Đặc biệt:
Những người đóng góp có thể kiếm được phần thưởng mã thông báo bằng cách cung cấp các mô hình, dữ liệu hoặc tài nguyên máy tính có giá trị.
Khuyến khích tài chính trực tiếp này làm cho hoạt động nghiên cứu và phát triển AI chất lượng cao trở thành một doanh nghiệp bền vững.
Địa chỉ kho dự án: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor
Kiến thức bổ sung:
Trong trường hợp một số bạn đọc chưa biết ý nghĩa của subnet Bittensor thì có thể giải thích đơn giản như sau:
Mạng con là một mạng chuyên biệt trong hệ sinh thái Bittensor.
Mỗi mạng con tập trung vào một nhiệm vụ AI hoặc học máy cụ thể.
Mạng con cho phép các nhà phát triển tạo và triển khai các mô hình AI được xây dựng có mục đích.
Họ sử dụng kinh tế học tiền điện tử để khuyến khích người tham gia cung cấp tài nguyên máy tính và cải thiện mô hình.
Liên kết gốc
