Após a 'Black Monday' do mercado de criptomoedas desta semana, que viu uma queda significativa, tokens em diferentes setores experimentaram um aumento no dia seguinte. Entre eles, Bittensor (TAO) se destaca como o mais notável.

De acordo com dados do CoinMarketCap, o Bittensor (TAO) subiu 23,08% ontem, tornando-se o melhor desempenho em termos de recuperação entre os 100 principais tokens por capitalização de mercado.

Embora a narrativa da IA não seja tão quente como no início do ano, a escolha de capital especulativo indica confiança em projetos líderes neste setor. No entanto, a Bittensor enfrentou algum FUD (Medo, Incerteza e Dúvida) no passado, com a comunidade questionando o nome do projeto e as aplicações práticas dentro de suas sub-redes.

(Veja também: FUD e Rumores: O novo rei da IA, Bittensor, cairá em desgraça?)

Embora a utilidade de um projeto de criptomoeda nem sempre se correlacione diretamente com o preço de seu token, a Bittensor é apenas uma casca vazia?

Nos últimos meses, a Bittensor adicionou 12 novas sub-redes, cada uma contribuindo para o desenvolvimento relacionado à IA em certa medida e potencialmente dando origem a novos projetos Alpha. Analisamos essas novas sub-redes para observar suas mudanças fundamentais enquanto nos concentramos na recuperação dos preços da TAO.

Sub-rede 38: Sylliba, uma ferramenta de tradução de texto para fala que suporta mais de 70 idiomas

Equipe de Desenvolvimento: Agente Artificial

Introdução:

Sylliba é um aplicativo de tradução que suporta tradução de texto e voz em mais de 70 idiomas. Notavelmente, este aplicativo pode ser utilizado por agentes de IA on-chain:

• Processos de Tradução Automatizada: Agentes de IA podem chamar automaticamente este serviço para processamento e comunicação de informações entre idiomas.
• Capacidades aprimoradas de IA: Permite que sistemas de IA sem capacidades multilíngues lidem com tarefas multilíngues.
• Verificação Blockchain: Solicitações e resultados de tradução podem ser verificados na blockchain, aumentando a credibilidade do sistema.
• Mecanismo de Incentivo: Através da economia de tokens, pode incentivar provedores de serviços de tradução de alta qualidade.

Endereço do projeto: https://github.com/agent-artificial/sylliba-subnet

Sub-rede 34: Bitmind, uma ferramenta para detectar e distinguir entre conteúdo sintético real e falso

Equipe de desenvolvimento:@BitMindAI

Introdução:

BitMind foca no desenvolvimento de tecnologia de detecção descentralizada de deepfake. Com o rápido avanço dos modelos de IA generativa, distinguir entre mídia sintética de alta qualidade e conteúdo real se tornou cada vez mais complexo.

BitMind's sub-redeaborda este problema através da implementação de mecanismos robustos de detecção dentro da rede Bittensor, utilizando modelos de IA generativos e discriminativos para identificar efetivamente deepfakes.

Além disso, a API do BitMind permite que os desenvolvedores aproveitem as capacidades de detecção de deepfake da sub-rede para criar aplicativos poderosos para consumidores. A aplicação web do BitMind, com uma interface de upload de imagens, usa a API para ajudar os usuários a avaliar rapidamente a probabilidade de uma imagem ser real ou falsa, fornecendo uma ferramenta anti-engano acessível e interpretável.

Sub-rede 43: Grafite, rede de planejamento de caminho inteligente

Equipe de desenvolvimento:@GraphiteSubnet

Introdução:

Graphite é uma sub-rede projetada especificamente para resolver problemas relacionados a gráficos, com foco especial no Problema do Caixeiro Viajante (TSP). TSP é um problema clássico de otimização que visa encontrar a rota mais curta possível visitando um conjunto de cidades e retornando ao ponto de partida.

Graphite utiliza a rede descentralizada de aprendizado de máquina da Bittensor para conectar eficientemente os mineradores para lidar com as demandas computacionais do TSP e problemas semelhantes de gráficos. Atualmente, os validadores geram solicitações sintéticas e as enviam para os mineradores na rede. Os mineradores são responsáveis por resolver o TSP usando seus algoritmos e enviar os resultados de volta para os validadores para avaliação.

Sub-rede 42: Gen42, assistente de codificação de IA de código aberto do GitHub

Equipe de desenvolvimento:@RizzoValidator，@FrankRizz07

Introdução:

A Gen42 utiliza a rede Bittensor para oferecer serviços de geração de código descentralizados. Seu foco está em criar ferramentas poderosas e escaláveis para responder a perguntas baseadas em código e completar código, impulsionadas por modelos de linguagem de código aberto de grande escala.

Principais Produtos:

a. Aplicativo de Bate-papo: Fornece uma interface de bate-papo que permite aos usuários interagir com sua sub-rede. A principal característica deste aplicativo é a resposta a perguntas baseadas em código.

b. Completar Código: Oferece uma API compatível com o OpenAI que pode ser usada com continue.dev.

Detalhes sobre como os mineradores e validadores participam podem ser encontrados no site do projeto GitHub.

Sub-rede 41: Sportstensor, modelo de previsão de esportes

Equipe de desenvolvimento:@sportstensor

Introdução:

Sportstensor é um projeto focado no desenvolvimento de algoritmos de previsão esportiva descentralizados, suportados pela rede Bittensor.

O projeto oferece modelos fundamentais na plataforma de código aberto HuggingFace para os mineradores treinarem e melhorarem. Ele suporta o planejamento estratégico e a análise de desempenho com base em dados históricos e em tempo real e recompensa a coleta abrangente de conjuntos de dados e o desenvolvimento de modelos de previsão de alta performance.

Funções de Minerador e Validador:

• Mineradores: Receber solicitações de validadores, acessar dados relevantes e fazer previsões usando modelos de aprendizado de máquina.
• Validadores: coletam previsões dos mineradores, as comparam com os resultados reais e registram os resultados da validação.

Sub-rede 29: coldint, treinamento de modelo de IA de nicho

Desenvolvedor: Ainda não encontrado,O site oficial está aqui

Introdução:

SN29 Coldint, abreviação de Treinamento Incentivado Distribuído Coletivo, concentra-se no pré-treinamento de modelos de nicho. Os 'modelos de nicho' referem-se àqueles que podem não ser tão amplamente aplicáveis quanto modelos grandes e de propósito geral, mas são altamente valiosos em domínios ou tarefas específicas.

Miner e Participação de Papel:

a) Os mineradores ganham principalmente incentivos ao compartilhar publicamente seus modelos treinados.

b) Incentivos secundários são dados aos mineiros ou outros contribuidores que compartilham insights ao contribuir para a base de códigos.

c) Os mineradores são incentivados a compartilhar regularmente suas melhorias através de recompensas por pequenas melhorias.

d) São fornecidas recompensas significativas para contribuições de código que combinam efetivamente os esforços individuais de treinamento em modelos compostos aprimorados.

Sub-rede 40: Chunking, conjunto de dados otimizado para aplicação de Geração com Recuperação Aprimorada (RAG)

Equipe de Desenvolvimento: @vectorchatai

Token: $CHAT

Introdução:

SN40 Funções de divisão funcionam como um bibliotecário excepcionalmente inteligente, projetado especificamente para dividir grandes volumes de informações (texto, imagens, áudio, etc.) em partes menores. Essa abordagem facilita para a IA entender e utilizar as informações. Assim como uma estante de livros bem organizada ajuda você a encontrar rapidamente o que está procurando, a divisão SN40 ajuda a “organizar a estante de livros” para a IA.

Não se limita a texto, o SN40 Chunking também pode lidar com vários tipos de informações, incluindo imagens e áudio. É como um bibliotecário versátil gerenciando não apenas livros, mas também álbuns de fotos, CDs de música e muito mais.

Sub-rede 39: EdgeMaxxing, otimizando modelos de IA para operação em dispositivos do consumidor

Equipe de desenvolvimento:@WOMBO

Introdução: SN39 EdgeMaxxing é uma sub-rede focada na otimização de modelos de IA para dispositivos de consumo, desde smartphones até laptops. A sub-rede EdgeMaxxing utiliza um sistema de recompensa competitivo com concursos diários para incentivar os participantes a aprimorar continuamente o desempenho dos modelos de IA em dispositivos de consumo.

Funções e Responsabilidades dos Participantes:

Mineiros: A tarefa principal é enviar checkpoints de modelo de IA otimizados. Eles usam vários algoritmos e ferramentas para melhorar o desempenho do modelo.

Validadores: Devem executar os modelos enviados no hardware alvo especificado (por exemplo, NVIDIA GeForce RTX 4090). Eles coletam todos os modelos enviados pelos mineradores diariamente, realizam testes de benchmark em cada modelo e comparam os resultados com checkpoints de referência. Os validadores pontuam os modelos com base em melhorias de velocidade, manutenção de precisão e aprimoramentos gerais de eficiência, selecionando o modelo de melhor desempenho do dia como o vencedor.

Repositório de código aberto do projeto: https://github.com/womboai/edge-maxxing

Sub-rede 30: Bettensor, mercado de previsão esportiva descentralizado

Equipe de desenvolvimento:@Bettensor

Introdução:

Bittensor permite que entusiastas de esportes prevejam os resultados de eventos esportivos, criando um mercado descentralizado de previsão esportiva baseado em tecnologia blockchain.

Funções dos Participantes:

Miner: Responsável por gerar resultados de previsão.

Validador: Verifica a precisão dos resultados de previsão.

Coletor de Dados: Coleta dados de eventos esportivos de várias fontes.

Repositório de código aberto do projeto: https://github.com/Bettensor/bettensor (parece estar em desenvolvimento)

Sub-rede 06: Jogos Infinitos, mercado de previsão geral

Equipe de desenvolvimento:@Playinfgames

Introdução:

A Infinite Games desenvolve ferramentas em tempo real e preditivas para mercados de previsão. O projeto também se envolve em arbitragem e agregação de eventos em plataformas como @Polymarkete@azuroprotocol.

Sistema de Incentivo:

Usa tokens $TAO como incentivos.

Recompensa provedores de previsões precisas e informações valiosas.

No geral, o projeto incentiva a participação do usuário em previsões e compartilhamento de informações, promovendo uma comunidade de previsão ativa.

Sub-rede 37: Ajuste fino do LLM, ajuste fino do modelo de linguagem grande

Equipe de Desenvolvimento: Taoverse &@MacrocosmosAI

Introdução:

Esta é uma sub-rede focada no ajuste fino de grandes modelos de linguagem (LLMs), recompensando mineradores pelo ajuste fino de LLMs e utilizando o fluxo contínuo de dados sintéticos da Sub-rede 18 para avaliação do modelo.

Mecanismo Operacional:

• Os mineiros treinam modelos e os publicam regularmente na plataforma Hugging Face.
• Validadores baixam modelos da Hugging Face e os avaliam continuamente usando dados sintéticos.
• Os resultados da avaliação são registrados na plataforma wandb.
• Os tokens TAO são distribuídos como recompensa para mineradores e validadores com base em seu desempenho.

Endereço do depósito do projeto: https://github.com/macrocosm-os/finetuning

Sub-rede 21: Any to Any, criando modelos multimodais avançados de IA

Equipe de desenvolvimento:@omegalabsai

Introdução:

"Any to Any" neste projeto refere-se à capacidade de um sistema de IA multimodal de transformar e entender diferentes tipos de dados ou informações, como texto para imagens, imagens para texto, áudio para vídeo e vídeo para texto. O sistema não apenas realiza essas transformações, mas também entende as relações entre diferentes modalidades. Por exemplo, ele pode compreender a conexão entre uma descrição textual e uma imagem ou entre um vídeo e seu áudio correspondente.

Nesta sub-rede, o mecanismo de incentivo é projetado para encorajar pesquisadores e desenvolvedores globais de IA a participarem do projeto.

• Os contribuidores podem ganhar recompensas em tokens fornecendo modelos, dados ou recursos computacionais valiosos.
• Este incentivo econômico direto torna a pesquisa e desenvolvimento de IA de alta qualidade um empreendimento sustentável.

Endereço do depósito do projeto: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

Conhecimento adicional:

Conhecimento Suplementar:

Caso alguns leitores não estejam familiarizados com o conceito de sub-redes Bittensor, aqui está uma explicação simples:

• Uma sub-rede é uma rede especializada dentro do ecossistema Bittensor.
• Cada sub-rede foca em tarefas específicas de IA ou aprendizado de máquina.
• As sub-redes permitem que os desenvolvedores criem e implantem modelos de IA para fins específicos.
• Eles usam criptoeconomia para incentivar os participantes a fornecer recursos computacionais e melhorar modelos.

declaração:

1. Este artigo é reproduzido de [TechFlow], título original “TAO tem o maior retorno agora, fazendo um balanço de 12 projetos de IA úteis na sub-rede”, os direitos autorais pertencem ao autor original [深潮 TechFlow], se você tiver alguma objeção à reprodução, entre em contatoTime de Aprendizado da GateA equipe irá lidar com isso o mais breve possível de acordo com os procedimentos relevantes.

2. Aviso Legal: As opiniões e pontos de vista expressos neste artigo representam apenas as opiniões pessoais do autor e não constituem qualquer conselho de investimento.

3. Outras versões do artigo são traduzidas pela equipe de aprendizado da Gate, não mencionadas emGate.io, o artigo traduzido não pode ser reproduzido, distribuído ou plagiado.