Bittensor子網上的12個AI項目清單
經過本週加密市場的“黑色星期一”顯著下跌後，不同行業的代幣在隔天經歷了回升。其中，Bittensor（TAO）最為顯著。
根據CoinMarketCap的數據，Bittensor（TAO）昨天上漲了23.08%，使其成為市值前100個代幣中反彈表現最好的代幣。
雖然AI的敘述已不像年初時那麼熱門，但投機資本的選擇表明對該領域的領先項目有信心。然而，Bittensor在過去曾面臨一些FUD（恐懼、不確定性和懷疑），社區對該項目的名稱和其子網中的實際應用提出了疑問。
(另見：FUD和謠言：新的AI之王Bittensor會從恩寵中墜落嗎？)
儘管加密專案的實用性與其代幣價格不總是直接相關，但 Bittensor 只是一個空殼嗎？
最近幾個月，Bittensor增加了12個新子網，每個子網都在一定程度上促進了與AI相關的開發，並可能產生新的Alpha專案。我們回顧了這些新子網，以觀察它們的基本變化，同時關注 TAO 價格的反彈。
子網38：Sylliba，一個支持70多種語言的文本轉語音翻譯工具
開發團隊：Agent人工智能
介紹：
Sylliba是一款翻譯應用程式，支援超過70種語言的文字和語音翻譯。值得注意的是，這個應用程式可以被鏈上的人工智能代理所利用：
- 自動化翻譯流程：AI代理可以自動呼叫此服務進行跨語言信息處理和交流。
- 增強的人工智能能力：允許沒有多語言能力的人工智能系統處理多語言任務。
- 區塊鏈驗證：翻譯請求和結果可以在區塊鏈上進行驗證，提高系統的可信度。
- 激勵機制：通過代幣經濟學，可以激勵高質量的翻譯服務提供者。
項目地址：https://github.com/agent-artificial/sylliba-子網
子網34：Bitmind，一個用於檢測和區分真偽合成內容的工具
開發團隊：@BitMindAI
介紹：
BitMind專注於開發去中心化的深偽造檢測技術。隨著生成式AI模型的快速進步，區分高質量的合成媒體和真實內容變得越來越複雜。
BitMind的子網通過在Bittensor網路中部署強大的檢測機制來解決這個問題，使用生成性和判別性AI模型來有效識別深度偽造。
此外，BitMind API還允許開發人員利用子網的深度假冒檢測功能來創建強大的消費者應用程序。 BitMind Web應用程序具有圖像上傳界面，使用API幫助用戶快速評估圖像的真實性或虛假性，提供易於理解的反欺騙工具。
子網 43: 石墨, 智能路徑規劃網路
開發團隊:@GraphiteSubnet
介紹：
Graphite是一個專門設計用於解決與圖相關問題的子網，特別關注旅行推銷員問題（TSP）。TSP是一個經典的優化問題，旨在找到訪問一組城市並返回起點的最短路徑。
Graphite利用Bittensor的分散式機器學習網絡，有效地連接礦工，以處理TSP和類似的圖問題的計算需求。目前，驗證者生成合成請求並將它們發送到網絡中的礦工。礦工負責使用他們的算法解決TSP問題，並將結果發送回給驗證者進行評估。
子網 42： Gen42，GitHub的開源AI編程助手
開發團隊:@RizzoValidator，@FrankRizz07
介紹：
Gen42利用Bittensor網絡提供去中心化的代碼生成服務。他們的重點是創建強大、可擴展的代碼問答和代碼完成工具，以開源大型語言模型為驅動。
主要產品：
a. 聊天應用程式：提供聊天前端，讓用戶可以與其子網進行互動。該應用程式的主要功能是基於代碼的問答。
b. 代碼完成：提供與continue.dev兼容的OpenAI API。
有關礦工和驗證者參與方式的詳細信息可以在該項目的GitHub.
子網 41：Sportstensor，體育預測模型
開發團隊:@sportstensor
介紹：
Sportstensor是一個專注於開發去中心化運動預測算法的項目，由Bittensor網絡支持。
該項目提供了基於開源平台HuggingFace的基礎模型，供礦工訓練和改進。它支持基於歷史和實時數據的戰略規劃和性能分析，並獎勵全面的數據集收集和高性能預測模型開發。
礦工和驗證者角色：
- 礦工：從驗證者接收請求，存取相關資料，並利用機器學習模型進行預測。
- 驗證者：從礦工那裡收集預測，將其與實際結果進行比較並記錄驗證結果。
子網 29：coldint，專注於AI模型訓練
開發者：尚未找到,官方網站在這裡
介紹：
SN29 Coldint，全稱為集體分布式激勵培訓，專注於預訓練特定模型。 “特定模型”指的是那些在特定領域或任務中可能不像大型通用模型那樣廣泛應用但非常有價值的模型。
礦工和角色參與:
a)礦工主要通過公開分享其訓練模型來獲得激勵。
b) 給予礦工或其他貢獻者次要激勵，通過對代碼庫的貢獻分享見解。
c)礦工被鼓勵通過獎勵小改進來定期分享他們的改進。
d) 針對將個人培訓成果有效結合為改進的綜合模型的程式碼貢獻，提供顯著的獎勵。
子網 40：分塊，RAG（檢索增強生成）應用的優化數據集
開發團隊：@vectorchatai
代幣: $CHAT
介紹：
SN40分塊功能就像一位非常聰明的圖書館員，專門設計來將大量信息（文本、圖像、音頻等）分成更小的塊。這種方法使得人工智能更容易理解和利用信息。就像一個井然有序的書架幫助您快速找到您要找的東西一樣，SN40分塊幫助人工智能“整理書架”。
SN40分塊不僅限於文本，還可以處理各種類型的信息，包括圖像和音頻。它就像一個多才多藝的圖書館管理員，不僅管理書籍，還管理相冊、音樂CD等等。
子網 39：EdgeMaxxing，優化 AI 模型，以在消費者設備上運作
開發團隊:@WOMBO
介紹：SN39 EdgeMaxxing是一個專注於為消費者設備優化人工智能模型的子網，範圍從智能手機到筆記本電腦。EdgeMaxxing子網採用競爭獎勵制度，每日舉行比賽，鼓勵參與者不斷提升消費者設備上人工智能模型的性能。
參與者角色和責任：
礦工：主要任務是提交優化的AI模型檢查點。他們使用各種算法和工具來提高模型性能。
驗證者：必須在指定的目標硬體（例如 NVIDIA GeForce RTX 4090）上運行提交的模型。他們每天收集礦工提交的所有模型，對每個模型進行基準測試，並將結果與基線檢查點進行比較。驗證者根據速度改進、準確性維護和整體效率增強對模型進行評分，選擇當天表現最佳的模型作為獲勝者。
項目開源存儲庫: https://github.com/womboai/edge-maxxing
子網30：Bettensor，去中心化體育預測市場
開發團隊：@Bettensor
介紹：
Bittensor允許體育愛好者預測體育賽事的結果，創建基於區塊鏈技術的去中心化體育預測市場。
參與者角色：
礦工：負責生成預測結果。
驗證人：驗證預測結果的準確性。
資料收集器：從各種來源收集體育賽事數據。
項目開源庫：https://github.com/Bettensor/bettensor（似乎仍在開發中）
子網 06：Infinite Games，一般預測市場
開發團隊：@Playinfgames
簡介：
Infinite Games 開發了用於預測市場的實時和預測工具。該項目還從事套利和對諸如 Gate.io 之類的平台上事件的匯總。@Polymarket和@azuroprotocol.
激勵制度:
使用 $TAO 代幣作為激勵措施。
獎勵準確預測和有價值的信息的提供者。
整體而言，該項目鼓勵用戶參與預測和信息共享，促進了一個活躍的預測社區。
子網37：LLM微調，大型語言模型微調
開發團隊：Taoverse &@MacrocosmosAI
介紹:
這是一個專注於微調大型語言模型（LLMs）、獎勵礦工進行LLMs微調並使用子網18的持續合成數據流進行模型評估的子網。
運營機制：
- 礦工訓練模型並定期在Hugging Face平台上發布它們。
- 驗證者從Hugging Face下載模型並使用合成數據持續評估它們。
- 評估結果記錄在wandb平臺上。
- TAO令牌根據礦工和驗證者的表現分配為獎勵。
專案倉庫地址: https://github.com/macrocosm-os/finetuning
子網21：任意到任意，創建先進的AI多模型
開發團隊：@omegalabsai
介紹：
本專案中的“任意對任意”是指多模態人工智慧系統轉換和理解不同類型的數據或資訊的能力，例如文本到圖像、圖像到文本、音訊到視頻和視頻到文本。系統不僅執行這些轉換，而且還瞭解不同模式之間的關係。例如，它可以理解文本描述與圖像之間或視頻與其相應音訊之間的聯繫。
在此子網中，激勵機制旨在鼓勵全球 AI 研究人員和開發人員參與專案。
- 貢獻者可以通過提供有價值的模型、數據或計算資源來獲得代幣獎勵。
- 這種直接的經濟激勵使高質量的人工智能研究和開發成為可持續的努力。
項目倉庫地址：https://github.com/omegalabsinc/omegalabs-anytoany-bittensor
附加知識:
補充知識:
如果有些讀者對Bittensor子網的概念不太熟悉，這裡有一個簡單的解釋：
- 子網是Bittensor生態系統內的一個專用網絡。
- 每個子網專注於特定的AI或機器學習任務。
- 子網允許開發人員為特定目的創建和部署 AI 模型。
- 他們使用加密經濟學來激勵參與者提供計算資源並改進模型。
聲明:
相關文章
如何質押 ETH？
什幺是瑞波幣（XRP）？
什麼是穩定幣 USDT？
Bittensor子網上的12個AI項目清單
經過本週加密市場的“黑色星期一”顯著下跌後，不同行業的代幣在隔天經歷了回升。其中，Bittensor（TAO）最為顯著。
根據CoinMarketCap的數據，Bittensor（TAO）昨天上漲了23.08%，使其成為市值前100個代幣中反彈表現最好的代幣。
雖然AI的敘述已不像年初時那麼熱門，但投機資本的選擇表明對該領域的領先項目有信心。然而，Bittensor在過去曾面臨一些FUD（恐懼、不確定性和懷疑），社區對該項目的名稱和其子網中的實際應用提出了疑問。
(另見：FUD和謠言：新的AI之王Bittensor會從恩寵中墜落嗎？)
儘管加密專案的實用性與其代幣價格不總是直接相關，但 Bittensor 只是一個空殼嗎？
最近幾個月，Bittensor增加了12個新子網，每個子網都在一定程度上促進了與AI相關的開發，並可能產生新的Alpha專案。我們回顧了這些新子網，以觀察它們的基本變化，同時關注 TAO 價格的反彈。
子網38：Sylliba，一個支持70多種語言的文本轉語音翻譯工具
開發團隊：Agent人工智能
介紹：
Sylliba是一款翻譯應用程式，支援超過70種語言的文字和語音翻譯。值得注意的是，這個應用程式可以被鏈上的人工智能代理所利用：
- 自動化翻譯流程：AI代理可以自動呼叫此服務進行跨語言信息處理和交流。
- 增強的人工智能能力：允許沒有多語言能力的人工智能系統處理多語言任務。
- 區塊鏈驗證：翻譯請求和結果可以在區塊鏈上進行驗證，提高系統的可信度。
- 激勵機制：通過代幣經濟學，可以激勵高質量的翻譯服務提供者。
項目地址：https://github.com/agent-artificial/sylliba-子網
子網34：Bitmind，一個用於檢測和區分真偽合成內容的工具
開發團隊：@BitMindAI
介紹：
BitMind專注於開發去中心化的深偽造檢測技術。隨著生成式AI模型的快速進步，區分高質量的合成媒體和真實內容變得越來越複雜。
BitMind的子網通過在Bittensor網路中部署強大的檢測機制來解決這個問題，使用生成性和判別性AI模型來有效識別深度偽造。
此外，BitMind API還允許開發人員利用子網的深度假冒檢測功能來創建強大的消費者應用程序。 BitMind Web應用程序具有圖像上傳界面，使用API幫助用戶快速評估圖像的真實性或虛假性，提供易於理解的反欺騙工具。
子網 43: 石墨, 智能路徑規劃網路
開發團隊:@GraphiteSubnet
介紹：
Graphite是一個專門設計用於解決與圖相關問題的子網，特別關注旅行推銷員問題（TSP）。TSP是一個經典的優化問題，旨在找到訪問一組城市並返回起點的最短路徑。
Graphite利用Bittensor的分散式機器學習網絡，有效地連接礦工，以處理TSP和類似的圖問題的計算需求。目前，驗證者生成合成請求並將它們發送到網絡中的礦工。礦工負責使用他們的算法解決TSP問題，並將結果發送回給驗證者進行評估。
子網 42： Gen42，GitHub的開源AI編程助手
開發團隊:@RizzoValidator，@FrankRizz07
介紹：
Gen42利用Bittensor網絡提供去中心化的代碼生成服務。他們的重點是創建強大、可擴展的代碼問答和代碼完成工具，以開源大型語言模型為驅動。
主要產品：
a. 聊天應用程式：提供聊天前端，讓用戶可以與其子網進行互動。該應用程式的主要功能是基於代碼的問答。
b. 代碼完成：提供與continue.dev兼容的OpenAI API。
有關礦工和驗證者參與方式的詳細信息可以在該項目的GitHub.
子網 41：Sportstensor，體育預測模型
開發團隊:@sportstensor
介紹：
Sportstensor是一個專注於開發去中心化運動預測算法的項目，由Bittensor網絡支持。
該項目提供了基於開源平台HuggingFace的基礎模型，供礦工訓練和改進。它支持基於歷史和實時數據的戰略規劃和性能分析，並獎勵全面的數據集收集和高性能預測模型開發。
礦工和驗證者角色：
- 礦工：從驗證者接收請求，存取相關資料，並利用機器學習模型進行預測。
- 驗證者：從礦工那裡收集預測，將其與實際結果進行比較並記錄驗證結果。
子網 29：coldint，專注於AI模型訓練
開發者：尚未找到,官方網站在這裡
介紹：
SN29 Coldint，全稱為集體分布式激勵培訓，專注於預訓練特定模型。 “特定模型”指的是那些在特定領域或任務中可能不像大型通用模型那樣廣泛應用但非常有價值的模型。
礦工和角色參與:
a)礦工主要通過公開分享其訓練模型來獲得激勵。
b) 給予礦工或其他貢獻者次要激勵，通過對代碼庫的貢獻分享見解。
c)礦工被鼓勵通過獎勵小改進來定期分享他們的改進。
d) 針對將個人培訓成果有效結合為改進的綜合模型的程式碼貢獻，提供顯著的獎勵。
子網 40：分塊，RAG（檢索增強生成）應用的優化數據集
開發團隊：@vectorchatai
代幣: $CHAT
介紹：
SN40分塊功能就像一位非常聰明的圖書館員，專門設計來將大量信息（文本、圖像、音頻等）分成更小的塊。這種方法使得人工智能更容易理解和利用信息。就像一個井然有序的書架幫助您快速找到您要找的東西一樣，SN40分塊幫助人工智能“整理書架”。
SN40分塊不僅限於文本，還可以處理各種類型的信息，包括圖像和音頻。它就像一個多才多藝的圖書館管理員，不僅管理書籍，還管理相冊、音樂CD等等。
子網 39：EdgeMaxxing，優化 AI 模型，以在消費者設備上運作
開發團隊:@WOMBO
介紹：SN39 EdgeMaxxing是一個專注於為消費者設備優化人工智能模型的子網，範圍從智能手機到筆記本電腦。EdgeMaxxing子網採用競爭獎勵制度，每日舉行比賽，鼓勵參與者不斷提升消費者設備上人工智能模型的性能。
參與者角色和責任：
礦工：主要任務是提交優化的AI模型檢查點。他們使用各種算法和工具來提高模型性能。
驗證者：必須在指定的目標硬體（例如 NVIDIA GeForce RTX 4090）上運行提交的模型。他們每天收集礦工提交的所有模型，對每個模型進行基準測試，並將結果與基線檢查點進行比較。驗證者根據速度改進、準確性維護和整體效率增強對模型進行評分，選擇當天表現最佳的模型作為獲勝者。
項目開源存儲庫: https://github.com/womboai/edge-maxxing
子網30：Bettensor，去中心化體育預測市場
開發團隊：@Bettensor
介紹：
Bittensor允許體育愛好者預測體育賽事的結果，創建基於區塊鏈技術的去中心化體育預測市場。
參與者角色：
礦工：負責生成預測結果。
驗證人：驗證預測結果的準確性。
資料收集器：從各種來源收集體育賽事數據。
項目開源庫：https://github.com/Bettensor/bettensor（似乎仍在開發中）
子網 06：Infinite Games，一般預測市場
開發團隊：@Playinfgames
簡介：
Infinite Games 開發了用於預測市場的實時和預測工具。該項目還從事套利和對諸如 Gate.io 之類的平台上事件的匯總。@Polymarket和@azuroprotocol.
激勵制度:
使用 $TAO 代幣作為激勵措施。
獎勵準確預測和有價值的信息的提供者。
整體而言，該項目鼓勵用戶參與預測和信息共享，促進了一個活躍的預測社區。
子網37：LLM微調，大型語言模型微調
開發團隊：Taoverse &@MacrocosmosAI
介紹:
這是一個專注於微調大型語言模型（LLMs）、獎勵礦工進行LLMs微調並使用子網18的持續合成數據流進行模型評估的子網。
運營機制：
- 礦工訓練模型並定期在Hugging Face平台上發布它們。
- 驗證者從Hugging Face下載模型並使用合成數據持續評估它們。
- 評估結果記錄在wandb平臺上。
- TAO令牌根據礦工和驗證者的表現分配為獎勵。
專案倉庫地址: https://github.com/macrocosm-os/finetuning
子網21：任意到任意，創建先進的AI多模型
開發團隊：@omegalabsai
介紹：
本專案中的“任意對任意”是指多模態人工智慧系統轉換和理解不同類型的數據或資訊的能力，例如文本到圖像、圖像到文本、音訊到視頻和視頻到文本。系統不僅執行這些轉換，而且還瞭解不同模式之間的關係。例如，它可以理解文本描述與圖像之間或視頻與其相應音訊之間的聯繫。
在此子網中，激勵機制旨在鼓勵全球 AI 研究人員和開發人員參與專案。
- 貢獻者可以通過提供有價值的模型、數據或計算資源來獲得代幣獎勵。
- 這種直接的經濟激勵使高質量的人工智能研究和開發成為可持續的努力。
項目倉庫地址：https://github.com/omegalabsinc/omegalabs-anytoany-bittensor
附加知識:
補充知識:
如果有些讀者對Bittensor子網的概念不太熟悉，這裡有一個簡單的解釋：
- 子網是Bittensor生態系統內的一個專用網絡。
- 每個子網專注於特定的AI或機器學習任務。
- 子網允許開發人員為特定目的創建和部署 AI 模型。
- 他們使用加密經濟學來激勵參與者提供計算資源並改進模型。
聲明:
相關文章
如何質押 ETH？
什幺是瑞波幣（XRP）？