После "Черного понедельника" на криптовалютном рынке на этой неделе, который принес значительное снижение, токены различных секторов испытали восстановление на следующий день. Среди них выделяется Bittensor (TAO) как наиболее заметный.

Согласно данным CoinMarketCap, Bittensor (TAO) вырос на 23.08% вчера, что сделало его лучшим исполнителем в плане отскока среди топ-100 токенов по капитализации рынка.

Хотя история искусственного интеллекта не так горяча, как в начале года, выбор спекулятивного капитала свидетельствует о доверии к ведущим проектам в этом секторе. Однако Bittensor столкнулся с некоторыми FUD (опасениями, неопределенностью и сомнениями) в прошлом, когда сообщество подвергло сомнению название проекта и практическое применение в его подсетях.

(См. также: FUD и слухи: Упадет ли новый король искусственного интеллекта Bittensor с пьедестала?)

Хотя полезность криптопроекта не всегда прямо коррелирует с ценой его токена, является ли Bittensor пустой оболочкой?

В последние месяцы Bittensor добавил 12 новых подсетей, каждая из которых вносит свой вклад в развитие искусственного интеллекта в той или иной степени и, возможно, приводит к появлению новых проектов Alpha. Мы рассмотрели эти новые подсети, чтобы наблюдать их фундаментальные изменения, сосредоточившись на восстановлении цен TAO.

Подсеть 38: Sylliba, инструмент для преобразования текста в речь, поддерживающий 70+ языков

Команда разработки: Агент Искусственный

Введение:

Sylliba - это приложение для перевода, поддерживающее как текстовый, так и голосовой перевод более чем на 70 языках. Следует отметить, что это приложение может быть использовано цепными искусственными интеллектуальными агентами:

• Автоматизированные процессы перевода: ИИ-агенты могут автоматически вызывать эту услугу для обработки и передачи информации на разных языках.
• Расширенные возможности искусственного интеллекта: Позволяет системам искусственного интеллекта без многоязыковых возможностей выполнять многоязыковые задачи.
• Проверка блокчейна: Запросы на перевод и результаты могут быть проверены в блокчейне, что увеличивает достоверность системы.
• Механизм стимулирования: С помощью токеномики он может стимулировать поставщиков услуг высококачественного перевода.

Адрес проекта: https://github.com/agent-artificial/sylliba-подсеть

Подсеть 34: Bitmind, инструмент для обнаружения и различения между реальным и поддельным синтетическим контентом

Команда разработки:@BitMindAI

Введение:

BitMind сосредоточен на разработке технологии децентрализованного обнаружения deepfake. С быстрым развитием моделей генеративного искусственного интеллекта отличить высококачественные синтетические медиа от реального контента стало все сложнее.

BitMind'sподсетьрешает эту проблему, развертывая надежные механизмы обнаружения в сети Bittensor, используя как генеративные, так и дискриминативные модели искусственного интеллекта для эффективной идентификации глубоких фейков.

Кроме того, API BitMind позволяет разработчикам использовать возможности обнаружения глубокого фейков в подсети для создания мощных потребительских приложений. Веб-приложение BitMind с интерфейсом загрузки изображений использует API, чтобы помочь пользователям быстро оценить вероятность того, что изображение является реальным или фальшивым, предоставляя доступный и интерпретируемый инструмент против обмана.

Подсеть 43: Графит, интеллектуальная сеть планирования пути

Команда разработчиков:@GraphiteSubnet

Введение:

Graphite - это подсеть, специально разработанная для решения проблем, связанных с графикой, особенно проблемы коммивояжера (TSP). TSP - это классическая задача оптимизации, целью которой является поиск кратчайшего возможного маршрута, посещающего набор городов и возвращающегося в начальную точку.

Graphite использует децентрализованную сеть машинного обучения Bittensor для эффективного подключения майнеров для обработки вычислительных запросов TSP и подобных графовых задач. В настоящее время валидаторы генерируют синтетические запросы и отправляют их майнерам в сети. Майнеры отвечают за решение TSP с использованием своих алгоритмов и отправляют результаты обратно валидаторам для оценки.

Подсеть 42: Gen42, открытый исходный код помощника по кодированию искусственного интеллекта GitHub

Команда разработчиков:@RizzoValidator，@FrankRizz07

Введение:

Gen42 использует сеть Bittensor для предоставления децентрализованных услуг по генерации кода. Они сосредоточены на создании мощных и масштабируемых инструментов для ответа на вопросы на основе кода и автодополнения кода, управляемых моделями большого объема на основе открытого исходного кода.

Основные продукты:

a. Приложение для чата: обеспечивает фронтэнд для чата, который позволяет пользователям взаимодействовать со своей подсетью. Основной функцией этого приложения является ответ на вопросы на основе кода.

b. Завершение кода: предоставляет API, совместимый с OpenAI, который можно использовать с continue.dev.

Подробности о том, как шахтеры и валидаторы участвуют, можно найти на проекте GitHub.

Подсеть 41: Sportstensor, модель прогнозирования спортивных событий

Команда разработчиков:@sportstensor

Введение:

Sportstensor - проект, направленный на разработку децентрализованных алгоритмов прогнозирования спортивных событий с поддержкой сети Bittensor.

Проект предлагает базовые модели на платформе с открытым исходным кодом HuggingFace для обучения и улучшения для майнеров. Он поддерживает стратегическое планирование и анализ производительности на основе исторических и реальных данных, поощряет комплексный сбор набора данных и разработку моделей высокой производительности в области прогнозирования.

Роли майнера и валидатора:

• Майнеры: получают запросы от валидаторов, получают доступ к соответствующим данным и делают прогнозы с использованием моделей машинного обучения.
• Валидаторы: Собирают прогнозы от майнеров, сравнивают их с фактическими результатами и записывают результаты проверки.

Подсеть 29: coldint, обучение моделей искусственного интеллекта для нишевых задач

Разработчик: еще не найден,Официальный сайт здесь

Введение:

SN29 Coldint, сокращение от Collective Distributed Incentivized Training, фокусируется на нишевых моделях предварительного обучения. «Нишевые модели» относятся к тем, которые могут быть не так широко применимы, как большие модели общего назначения, но очень ценны в конкретных областях или задачах.

Майнер и участие роли:

a) Майнеры в основном зарабатывают стимулы, публично делясь своими обученными моделями.

b) Вторичные стимулы предоставляются майнерам или другим участникам, которые делятся идеями, внося вклад в кодовую базу.

c) Майнеры поощряются регулярно делиться своими улучшениями через вознаграждение за небольшие улучшения.

d) Предоставляются значительные вознаграждения за вклад в код, который эффективно объединяет индивидуальные усилия в улучшенные композитные модели.

Подсеть 40: Чанкирование, оптимизированный набор данных для приложения RAG (Retrieval-Augmented Generation)

Команда разработчиков: @vectorchatai

Токен: $CHAT

Знакомство:

SN40 Chunking функционирует как исключительно умный библиотекарь, специально разработанный для разделения больших объемов информации (текст, изображения, аудио и т. д.) на более мелкие фрагменты. Такой подход облегчает ИИ понимание и использование информации. Точно так же, как хорошо организованная книжная полка помогает быстро найти то, что вы ищете, SN40 Chunking помогает «организовать книжную полку» для ИИ.

SN40 Chunking может обрабатывать не только текст, но и различные типы информации, включая изображения и аудио. Это подобно универсальному библиотекарю, управляющему не только книгами, но и фотоальбомами, музыкальными CD и т.д.

Подсеть 39: EdgeMaxxing, оптимизация моделей ИИ для работы на потребительских устройствах

Команда разработчиков:@WOMBO

Введение: SN39 EdgeMaxxing - это подсеть, ориентированная на оптимизацию моделей искусственного интеллекта для потребительских устройств, начиная от смартфонов и заканчивая ноутбуками. Подсеть EdgeMaxxing использует конкурентную систему вознаграждения с ежедневными конкурсами, чтобы поощрять участников непрерывно улучшать производительность моделей искусственного интеллекта на потребительских устройствах.

Роли и обязанности участников:

Майнеры: Основная задача - представить оптимизированные контрольные точки моделей искусственного интеллекта. Они используют различные алгоритмы и инструменты для улучшения производительности модели.

Валидаторы: должны запускать представленные модели на указанном целевом аппаратном обеспечении (например, NVIDIA GeForce RTX 4090). Они ежедневно собирают все представленные модели от майнеров, выполняют их бенчмаркинг и сравнивают результаты с базовыми контрольными точками. Валидаторы оценивают модели на основе улучшения скорости, поддержания точности и общего повышения эффективности, выбирая лучшую модель дня в качестве победителя.

Репозиторий проекта с открытым исходным кодом: https://github.com/womboai/edge-maxxing

подсеть 30: Bettensor, децентрализованный рынок прогнозирования спорта Gate

Команда разработки:@Bettensor

Введение:

Bittensor позволяет спортивным энтузиастам предсказывать результаты спортивных событий, создавая децентрализованный рынок прогнозов спорта на основе блокчейн-технологии.

Роли участников:

Майнер: Ответственен за генерацию результатов прогнозирования.

Валидатор: проверяет точность результатов прогнозирования.

Сборщик данных: собирает данные о спортивных событиях из разных источников.

Репозиторий с открытым исходным кодом проекта: https://github.com/Bettensor/bettensor (похоже, все еще находится в разработке)

Подсеть 06: Infinite Games, общий рынок прогнозов

Команда разработчиков:@Playinfgames

Введение:

Infinite Games разрабатывает инструменты реального времени и предсказания для прогностических рынков. Проект также занимается арбитражом и агрегацией событий на платформах, таких как @Polymarketи@azuroprotocol.

Система поощрений:

Использует токены $TAO в качестве стимулов.

Провайдеры вознаграждений точных прогнозов и ценной информации.

В целом, проект поощряет участие пользователей в прогнозировании и обмене информацией, способствуя активному развитию прогнозного сообщества.

Подсеть 37: LLM Настройка, настройка большой языковой модели

Команда разработчиков: Taoverse &@MacrocosmosAI

Введение:

Это подсеть, ориентированная на тонкую настройку больших языковых моделей (LLM), вознаграждение майнеров за тонкую настройку LLM и использование непрерывного потока синтетических данных из подсети 18 для оценки моделей.

Операционный механизм:

• Майнеры обучают модели и регулярно публикуют их на платформе Hugging Face.
• Валидаторы загружают модели из Hugging Face и непрерывно оценивают их с использованием синтетических данных.
• Результаты оценки записываются на платформе wandb.
• Токены TAO распределяются в качестве вознаграждения майнерам и валидаторам в зависимости от их производительности.

Адрес проектного склада: https://github.com/macrocosm-os/finetuning

Подсеть 21: любой к любому, создание продвинутых мультимодальных моделей искусственного интеллекта

Команда разработки:@omegalabsai

Введение:

"Любой к Любому" в этом проекте относится к возможности мультимодальной системы искусственного интеллекта преобразовывать и понимать различные типы данных или информации, такие как текст в изображения, изображения в текст, аудио в видео и видео в текст. Система не только выполняет эти преобразования, но и понимает взаимосвязи между различными видами данных. Например, она может понимать связь между текстовым описанием и изображением или между видео и соответствующим аудио.

В этой подсети механизм стимулирования разработан для поощрения участия мировых исследователей и разработчиков в области искусственного интеллекта в проекте.

• Участники могут зарабатывать токенные награды, предоставляя ценные модели, данные или вычислительные ресурсы.
• Этот прямой экономический стимул делает исследования и разработку искусственного интеллекта высокого качества устойчивым делом.

Адрес склада проекта: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

Дополнительные знания:

Дополнительные знания:

В случае, если некоторым читателям незнакома концепция подсетей Bittensor, вот простое объяснение:

• Подсеть - это специализированная сеть в экосистеме Bittensor.
• Каждая подсеть фокусируется на конкретных задачах искусственного интеллекта или машинного обучения.
• Подсети позволяют разработчикам создавать и развертывать модели ИИ для определенных целей.
• Они используют криптоэкономику для стимулирования участников предоставлять вычислительные ресурсы и улучшать модели.

утверждение:

1. Эта статья воспроизводится из [TechFlow], оригинальное название «TAO сейчас имеет самое сильное восстановление, оценивая 12 полезных проектов искусственного интеллекта в подсети», авторские права принадлежат оригинальному автору [深潮 TechFlow], если у вас есть возражения против публикации, пожалуйста, свяжитесь с Команда Gate Learn, команда обработает это как можно скорее в соответствии с соответствующими процедурами.

2. Отказ от ответственности: Взгляды и мнения, выраженные в этой статье, представляют только личные взгляды автора и не являются инвестиционным советом.

3. Другие языковые версии статьи переведены командой Gate Learn, не упомянуты в Gate.io, переведенная статья не может быть воспроизведена, распространена или скопирована.