การตีความแบบพาโนรามาของ 34 ซับเน็ตของ Bittensor และแนวโน้มการพัฒนา

Bittensor (TAO) เป็นเหรียญ AI เหรียญแรกที่จดทะเบียนใน Binance ในปีนี้ ฉันคิดว่านี่เป็นก้าวแรกสู่การเปิดตัวแทร็ก AI อย่างเต็มรูปแบบ แต่จู่ๆ ก็กลายเป็น "ขั้นตอนสุดท้าย" ในระยะสั้น นับตั้งแต่เปิดตัวเมื่อวันที่ 11 เมษายน ราคาของ TAO ก็ดิ่งลงและยังไม่ดีดตัวขึ้น

เมื่อราคาของสกุลเงินลดลง การถกเถียงในชุมชนเกี่ยวกับประสิทธิภาพของโครงการก็เริ่มรุนแรงมากขึ้น ทุกอย่างเริ่มต้นเมื่อ Eric Wall ผู้ร่วมก่อตั้ง Taproot Wizards ออก คำถามที่ชัดเจน เกี่ยวกับ Bittensor (TAO) บนโซเชียลมีเดียเมื่อวันที่ 30 มีนาคม ซึ่งขณะนี้มีผู้เข้าชมเกือบ 2 ล้านครั้ง

ประเด็นหลักของ Eric Wall สามารถสรุปได้ดังนี้:

・นักขุดจำนวนมากในซับเน็ต 1 ดำเนินการโมเดลภาษาเดียวกันซ้ำแล้วซ้ำอีกเพื่อตอบข้อความแจ้ง ซึ่งไม่มีประสิทธิภาพและเปลืองทรัพยากร นักขุดหนึ่งคนสามารถทำงานให้เสร็จสิ้นได้ โดยไม่จำเป็นต้องให้นักขุดหลายพันคนทำงานคู่ขนานกัน

・กลไกการตรวจสอบของเครือข่ายย่อย 1 นั้นง่ายเกินไป เพียงเปรียบเทียบความคล้ายคลึงกันของคำตอบเท่านั้น นักขุดมีแนวโน้มที่จะฉวยโอกาสและการโกง

・ในปัจจุบัน ซับเน็ต 1 ทำงานภายในเท่านั้น และผู้ใช้ทั่วไปไม่สามารถใช้งานได้ ดังนั้นจึงไม่มีคุณค่าในทางปฏิบัติ

・โครงการ Bittensor เป็นเพียงการโปรโมตแนวคิด "AI แบบกระจายอำนาจ" เพื่อหลอกลวงนักลงทุนรายย่อย และทำให้ราคาโทเค็นสูงเกินจริง

แม้ว่าข้อสงสัยเหล่านี้จะชี้ตรงถึงปัญหาบางประการของ Bittensor แต่ก็สงสัยว่าเป็นเพียงบางส่วนและทำให้ไม่เห็น Multi-miner redundancy อาจดูเหมือนไม่มีประสิทธิภาพ แต่จริงๆ แล้ว มันเป็นวิธีเดียวสำหรับการทำงานร่วมกันแบบกระจาย เป้าหมายของ Bittensor คือการสร้างเครือข่าย AI ระดับโลก และความซ้ำซ้อนเป็นต้นทุนที่จำเป็น ไม่ใช่ข้อบกพร่องด้านการออกแบบ

กลไกการตรวจสอบยังค่อนข้างเป็นพื้นฐาน แต่ Bittensor ได้ปรับปรุงอย่างแข็งขัน แผนล่าสุดรวมถึง การแนะนำกลไก Commit-Reveal ด้วยการชะลอการเปิดเผยน้ำหนักที่นักขุดส่งมา กลไก Commit-Reveal จึงสามารถลดการลอกเลียนแบบการฉวยโอกาสได้เป็นอย่างดี

Subnet 1 ซึ่งเป็นซับเน็ตแรกของ Bittensor ส่วนใหญ่จะอยู่ในตำแหน่งสำหรับการฝึกอบรมและการทดสอบภายใน อย่างไรก็ตาม ระบบนิเวศของ Bittensor ได้ขยายไปยังซับเน็ตหลายสิบเครือข่ายสำหรับสถานการณ์การใช้งานที่แตกต่างกัน ซึ่งให้คุณค่าที่จับต้องได้ในการค้นหา การแพทย์ การศึกษา เกม และสาขาอื่น ๆ เพียงจัดประเภท Bittensor ว่าเป็น "AI meme coin" แล้วปฏิเสธคุณค่าของมันก็ถือเป็นแนวทางที่ไร้เหตุผลและสายตาสั้น

แม้จะมีข้อสงสัยและความท้าทายเหล่านี้ Bittensor ก็ยังคงไม่หยุดนิ่ง แต่ยังคงขยายและปรับปรุงเครือข่ายต่อไป เมื่อวันที่ 12 พฤษภาคม Bittensor ประกาศว่าจะเพิ่มช่องเครือข่ายย่อย 4 ช่องทุกสัปดาห์จนกว่าจะถึงขีดจำกัดใหม่จำนวน 64 ช่อง เป้าหมายของปีนี้คือการก้าวไปสู่ 1,024 ช่องเครือข่ายย่อย

จนถึงตอนนี้ Bittensor มีเครือข่ายย่อย 34 เครือข่าย ซึ่งครอบคลุมหลายสาขาและแสดงให้เห็นถึงศักยภาพและความหลากหลายของ AI แบบกระจายอำนาจอย่างเต็มที่ ถัดไป บทความนี้จะแนะนำเครือข่ายย่อยเหล่านี้ทีละรายการจากหกสาขาของการสร้างเนื้อหา การรวบรวมและการประมวลผลข้อมูล ระบบนิเวศ LLM โครงสร้างพื้นฐานแบบกระจายอำนาจ DeFi และแอปพลิเคชันอื่นๆ ด้วยความหวังว่าผู้อ่านจะมีความเข้าใจที่ครอบคลุมและชัดเจนเกี่ยวกับ Bittensor ระบบนิเวศน์

การสร้างเนื้อหา

ซับเน็ตของหมวดหมู่การสร้างเนื้อหาเป็นแพลตฟอร์มสำหรับการสร้างและการเพิ่มประสิทธิภาพของข้อความ รูปภาพ เสียง และวิดีโอ

ข้อความพร้อมท์ (ซับเน็ต 1): พัฒนาโดย Opentensor Foundation เป็นซับเน็ตแบบกระจายอำนาจสำหรับการสร้างข้อความโดยเฉพาะ ใช้โมเดลภาษาขนาดใหญ่ (เช่น GPT-3, GPT-4 ฯลฯ) สำหรับการแจ้งเตือนและการให้เหตุผล นักขุดให้บริการ AI และผู้ตรวจสอบมีหน้าที่รับผิดชอบในการตรวจสอบผลการทำนาย

MyShell TTS (Subnet 3): พัฒนาโดย MyShell โดยเน้นไปที่เทคโนโลยีการอ่านออกเสียงข้อความ (TTS) เครือข่ายย่อยนี้พัฒนาและเพิ่มประสิทธิภาพโมเดล TTS แบบโอเพนซอร์ส เช่น OpenVoice และ MeloTTS Miners มีหน้าที่รับผิดชอบในการฝึกอบรมโมเดลและผู้ตรวจสอบประเมินประสิทธิภาพของโมเดล และมุ่งมั่นที่จะสร้างโมเดล TTS แบบโอเพ่นซอร์สคุณภาพสูง

Multi Modality (Subnet 4): พัฒนาโดย Manifold โดยมุ่งเน้นไปที่ระบบ AI หลายรูปแบบที่ประมวลผลและสร้างข้อมูลในประเภทข้อมูลและรูปแบบที่หลากหลาย รวมถึงข้อความ รูปภาพ และเสียง

Three Gen (Subnet 17): เป็นซับเน็ตแบบกระจายอำนาจที่เน้นไปที่การสร้างเนื้อหา 3 มิติที่ขับเคลื่อนด้วย AI เครือข่ายย่อย Three Gen ใช้เทคโนโลยี AI เพื่อสร้างโมเดล 3 มิติและเนื้อหา นักขุดและผู้ตรวจสอบจะได้รับรางวัลจากการบริจาคทรัพยากรในการคำนวณและตรวจสอบคุณภาพของเนื้อหาที่สร้างขึ้น ซึ่งส่งเสริมการพัฒนาเทคโนโลยีการสร้างเนื้อหา 3 มิติ

Cortex.t (Subnet 18): พัฒนาโดย Corcel เป็นซับเน็ตแบบกระจายอำนาจที่เน้นการพัฒนา AI และการสร้างข้อมูลสังเคราะห์

วิสัยทัศน์ (Subnet 19): เป็นเครือข่ายย่อยแบบกระจายอำนาจที่เน้นไปที่การสร้างภาพและการให้เหตุผล ซับเน็ต Vision ใช้เฟรมเวิร์ก Distributed Scale Inference Subnet (DSIS) เพื่อเพิ่มขีดความสามารถเอาต์พุตของเครือข่าย Bittensor ช่วยให้นักขุดเลือกสแต็กเทคโนโลยีได้อย่างอิสระเพื่อประมวลผลความต้องการและสร้างการตอบสนอง ผู้ตรวจสอบจะได้รับความต้องการจากส่วนหน้าและแจกจ่ายให้กับนักขุด เพื่อประเมินประสิทธิภาพและทำให้กระบวนการสร้างอิมเมจมีประสิทธิภาพมากขึ้น

Niche Image (Subnet 23): เป็นซับเน็ตที่เน้นไปที่การสร้างภาพแบบกระจายอำนาจ Niche Image รองรับโมเดลการสร้างอิมเมจที่หลากหลาย Miners สร้างอิมเมจโดยการใช้ทรัพยากรในการคำนวณและรับรางวัลตามคุณภาพ

TensorAlchemy (ซับเน็ต 26): เป็นซับเน็ตที่เน้นไปที่การให้คะแนนของมนุษย์และการสร้างภาพที่กระจายอำนาจ ผลลัพธ์ของโมเดลการสร้างภาพจะได้รับการประเมินผ่านการให้คะแนนของมนุษย์ และนักขุดจะได้รับรางวัลตามการให้คะแนนและคุณภาพของภาพที่สร้างขึ้น โดยมีแผนจะใช้เทคโนโลยีในด้านต่างๆ เช่น การสร้างงานศิลปะและการโฆษณา

Fractal (Subnet 29): พัฒนาโดย Fractal Research เป็นซับเน็ตแบบกระจายอำนาจที่เน้นไปที่วิดีโอที่สร้างด้วยข้อความ เครือข่ายย่อยนี้ใช้โมเดลการแพร่กระจายของกริดและเทคโนโลยีการให้เหตุผลของโหนดขอบเพื่อประมวลผลงานวิดีโอการสร้างข้อความผ่านโหนดแบบกระจาย

WomboAl (Subnet 30): เป็นเครือข่ายย่อยแบบกระจายอำนาจที่เน้นไปที่การสร้างภาพและการแบ่งปันทางสังคม ซับเน็ต WomboAl สร้างภาพคุณภาพสูงผ่านเครือข่าย Bittensor และสนับสนุนผู้ใช้ในการแชร์ภาพผ่านแอปพลิเคชัน เช่น WOMBO Dream และ WOMBO Me

การรวบรวมและประมวลผลข้อมูล

ซับเน็ตในหมวดหมู่การรวบรวมข้อมูลและการประมวลผลมุ่งเน้นไปที่บริการการรวบรวม การจัดเก็บ และการวิเคราะห์ข้อมูลแบบกระจายอำนาจ ด้วยการสร้างเลเยอร์การจัดทำดัชนีแบบกระจายและเฟรมเวิร์กการประมวลผลข้อมูล ซับเน็ตเหล่านี้สามารถประมวลผลชุดข้อมูลขนาดใหญ่ และให้การสนับสนุนข้อมูลแก่ซับเน็ตและผู้ใช้อื่นๆ

Open Kaito (Subnet 5): พัฒนาโดย Kaito AI โดยมีเป้าหมายเพื่อให้บริการค้นหาและวิเคราะห์แบบกระจายอำนาจสำหรับ Web3 ซับเน็ตนี้สร้างเลเยอร์การจัดทำดัชนีแบบกระจายอำนาจเพื่อรองรับการค้นหาและการวิเคราะห์เนื้อหา Web3 อย่างชาญฉลาด ผ่านระบบจูงใจของ Bittensor นักขุดได้รับการสนับสนุนให้แก้ไขงานการจัดทำดัชนีอย่างสร้างสรรค์

Dataverse (Subnet 13): เป็นซับเน็ตแบบกระจายอำนาจที่เน้นการรวบรวมและจัดเก็บข้อมูลจำนวนมาก ซับเน็ต Dataverse รวบรวมและจัดเก็บข้อมูลจากแหล่งต่างๆ และให้การสนับสนุนข้อมูลแก่ซับเน็ตอื่นๆ นักขุดจะได้รับรางวัลโทเค็น TAO ตามปริมาณข้อมูลที่พวกเขามีส่วนร่วม และผู้ตรวจสอบจะค้นหาและตรวจสอบความถูกต้องของข้อมูลเป็นประจำ

Blockchain Insights (Subnet 15): เป็นซับเน็ตแบบกระจายอำนาจที่เน้นการแปลงข้อมูลบล็อคเชนแบบดิบเป็นโมเดลกราฟที่มีโครงสร้าง ซับเน็ตนี้มีฟังก์ชันการสืบค้นการวิเคราะห์ข้อมูลและการแสดงภาพผลลัพธ์ รองรับการวิเคราะห์เชิงลึกของข้อมูลบล็อกเชน และผู้ใช้สามารถดำเนินการสืบค้นแบบกำหนดเองได้

Meta Search (Subnet 22): พัฒนาโดย Datura-ai เป็นซับเน็ตแบบกระจายอำนาจที่เน้นไปที่การวิเคราะห์ข้อมูล Twitter Meta Search ใช้เทคโนโลยี AI เพื่อทำการวิเคราะห์เชิงลึกของข้อมูล Twitter ให้การเข้าถึงข้อมูลแบบเรียลไทม์และการวิเคราะห์ความรู้สึก เพื่อช่วยให้ผู้ใช้เข้าใจความรู้สึกของสาธารณะและตัดสินใจโดยอาศัยข้อมูล

Omega Labs (Subnet 24): พัฒนาโดย Omega Labs เป็นซับเน็ตที่เน้นไปที่การสร้างชุดข้อมูลหลายรูปแบบแบบกระจายอำนาจ การรวบรวมวิดีโอ เสียง ข้อความ และข้อมูลอื่น ๆ สำหรับการวิจัยและพัฒนาปัญญาประดิษฐ์ทั่วไป (AGI) มีการสนับสนุน และนักขุดจะได้รับรางวัลตามข้อมูลที่พวกเขามีส่วนร่วม

Conversation Genome Project (Subnet 33): พัฒนาโดย Afterparty AI โดยเป็นซับเน็ตที่เน้นไปที่การประมวลผลข้อมูลการสนทนาแบบกระจายอำนาจและการเข้าถึง AI แบบส่วนตัว ซับเน็ตนี้ประมวลผลและจัดทำดัชนีข้อมูลการสนทนาจำนวนมากในลักษณะกระจายอำนาจ โดยให้บริการการเข้าถึง AI ส่วนบุคคล และนักขุดจะได้รับรางวัลจากการมีส่วนร่วมในทรัพยากรการประมวลผล

ระบบนิเวศ LLM

ซับเน็ตในหมวดหมู่ระบบนิเวศ LLM มุ่งเน้นไปที่การฝึกอบรม การปรับแต่ง การป้องกัน และการเพิ่มประสิทธิภาพของโมเดลภาษาขนาดใหญ่ (LLM)

Nous Finetuning (Subnet 6): พัฒนาโดย Nous Research โดยมุ่งเน้นไปที่การปรับแต่งโมเดลภาษาขนาดใหญ่ (LLM) ซับเน็ตนี้ให้รางวัลแก่นักขุดสำหรับการปรับแต่ง LLM อย่างละเอียดโดยใช้ข้อมูลสังเคราะห์ เปิดใช้งานการสื่อสารข้ามเครือข่ายย่อย และสร้างแรงจูงใจให้นักขุดโดยการประเมินประสิทธิภาพของโมเดล

การฝึกอบรมล่วงหน้า (Subnet 9): พัฒนาโดย Opentensor Foundation โดยมุ่งเน้นไปที่การฝึกอบรมโมเดลภาษาขนาดใหญ่ล่วงหน้า นักขุดจะฝึกโมเดลบนชุดข้อมูล Falcon Refined Web และปรับปรุงประสิทธิภาพของโมเดลผ่านกลไกการเปรียบเทียบและการตรวจสอบอย่างต่อเนื่อง

Dippy Roleplay (ซับเน็ต 11): พัฒนาโดย Impel เป็นซับเน็ตที่เน้นไปที่การสร้างแบบจำลองการสวมบทบาท Dippy Roleplay สร้างแรงจูงใจให้ชุมชนสร้างและเพิ่มประสิทธิภาพโมเดลภาษาขนาดใหญ่ในการเล่นตามบทบาท (LLM) ในลักษณะกระจายอำนาจ นักขุดและนักพัฒนาจะได้รับรางวัลเป็นโทเค็น TAO ตามคุณภาพของโมเดลและประสิทธิภาพที่พวกเขามีส่วนร่วม

LLM Defender (Subnet 14): พัฒนาโดย Synapsec AI เป็นซับเน็ตแบบกระจายอำนาจที่เน้นการปกป้องโมเดลภาษาขนาดใหญ่ (LLM) จากการโจมตีต่างๆ ซับเน็ต LLM Defender ตรวจจับและป้องกันการโจมตีแอปพลิเคชัน LLM ผ่านตัววิเคราะห์และกลไกหลายตัว โดยใช้ประโยชน์จากลักษณะการกระจายอำนาจเพื่อสร้างกลไกการป้องกันแบบหลายชั้น

NAS Chain (Subnet 31): เป็นซับเน็ตแบบกระจายอำนาจที่เน้นไปที่ Neural Architecture Search (NAS) NAS Chain ใช้อัลกอริธึมทางพันธุกรรมและทรัพยากรการประมวลผลแบบกระจายเพื่อเพิ่มประสิทธิภาพสถาปัตยกรรมเครือข่ายประสาทเทียม เข้าร่วมในงาน NAS โดยบริจาคทรัพยากรในการประมวลผลและรับรางวัลตามการมีส่วนร่วมของพวกเขา

มันคือ AI (Subnet 32): เป็นซับเน็ตแบบกระจายอำนาจที่เน้นการตรวจจับเนื้อหาที่สร้างโดยโมเดลภาษาขนาดใหญ่ (LLM) ซับเน็ตนี้ใช้โมเดล deberta-v3-large เพื่อจดจำข้อความที่สร้างโดย LLM และใช้ในหลายสถานการณ์ เช่น การเรียนรู้ของเครื่อง การศึกษา และโซเชียลมีเดีย ผู้ตรวจสอบใช้ชุดข้อมูล Pile เพื่อรับรองความถูกต้องและความน่าเชื่อถือของระบบตรวจจับ

โครงสร้างพื้นฐานแบบกระจายอำนาจ

ซับเน็ตในหมวดหมู่โครงสร้างพื้นฐานแบบกระจายอำนาจจะปรับปรุงการกระจายอำนาจและความเสถียรของเครือข่ายโดยการจัดหาทรัพยากรการประมวลผลและการจัดเก็บข้อมูลแบบกระจาย

Subvortex (Subnet 7): ส่งเสริมให้นักขุดรันโหนดย่อยผ่านกลไกจูงใจเพื่อปรับปรุงการกระจายอำนาจและความเสถียรของเครือข่าย Bittensor ซับเน็ตนี้ปรับใช้โหนดทั่วโลกโดยมีความหน่วงต่ำและความซ้ำซ้อนสูง ซึ่งทำให้เกณฑ์การมีส่วนร่วมลดลง

Horde (Subnet 12): พัฒนาโดย Backend Developers Ltd เป็นซับเน็ตที่เน้นไปที่การจัดสรรทรัพยากรคอมพิวเตอร์แบบกระจายอำนาจ ซับเน็ต Horde จัดสรรงานให้กับโหนดขุดที่แตกต่างกันผ่านการคำนวณแบบกระจายเพื่อปรับปรุงประสิทธิภาพและความเร็วของการประมวลผลงาน นักขุดจะได้รับรางวัลตามทรัพยากรการประมวลผลที่พวกเขามอบให้และประสิทธิภาพในการประมวลผลงาน และผู้ตรวจสอบจะประเมินคุณภาพงานของนักขุด

Filetao (ซับเน็ต 21): เป็นซับเน็ตการจัดเก็บข้อมูลแบบกระจายแบบกระจายอำนาจ FileTAO ใช้ระบบจัดเก็บข้อมูลที่มีประสิทธิภาพและปลอดภัยผ่านอัลกอริธึมเวลาและอวกาศที่พิสูจน์ความรู้เป็นศูนย์ รองรับกลไกการตรวจสอบหลายระดับและการสื่อสารข้ามเครือข่ายย่อย และนักขุดจะได้รับรางวัลจากการบริจาคพื้นที่จัดเก็บข้อมูล

คำนวณ (เครือข่ายย่อย 27): พัฒนาโดย Neural Inτernetτ เป็นเครือข่ายย่อยที่เน้นไปที่การจัดสรรทรัพยากรคอมพิวเตอร์แบบกระจายอำนาจ เครือข่ายย่อย Compute มอบตลาดการประมวลผลที่ไม่ได้รับอนุญาตและรวมแพลตฟอร์มคลาวด์หลายแพลตฟอร์มเพื่อสร้างโครงสร้างพื้นฐานการประมวลผลบนคลาวด์ระดับสูงแบบรวมศูนย์แบบรวมศูนย์ ผู้ขุดจะได้รับรางวัลโทเค็น TAO จากการบริจาคทรัพยากรการประมวลผล

เดไฟ

ซับเน็ตในหมวดหมู่ DeFi มุ่งเน้นไปที่การเพิ่มประสิทธิภาพและนวัตกรรมของบริการทางการเงินแบบกระจายอำนาจ รวมถึงการวางสภาพคล่อง การซื้อขายเชิงปริมาณ การเพิ่มประสิทธิภาพรายได้ และการคาดการณ์ตลาดการเงิน

Omron (Subnet 2): พัฒนาโดย Inference Labs โดยมีเป้าหมายเพื่อเพิ่มประสิทธิภาพและตรวจสอบการวางเดิมพันสภาพคล่องและกลยุทธ์การวางเดิมพันใหม่ผ่านปัญญาประดิษฐ์และเทคโนโลยีการเรียนรู้ของเครื่องจักร Omron ใช้สัญญาอัจฉริยะและโหนดการตรวจสอบเพื่อจัดทำกลยุทธ์การจำนำซ้ำอัตโนมัติ และรับประกันความถูกต้องและความปลอดภัยของกระบวนการให้เหตุผลผ่านกลไกการพิสูจน์ความรู้แบบศูนย์

เครือข่ายการซื้อขายที่เป็นกรรมสิทธิ์ (Subnet 8): พัฒนาโดยบริษัท Taoshi โดยมุ่งเน้นไปที่สัญญาณการซื้อขายเชิงปริมาณแบบกระจายอำนาจ นักขุดสนับสนุนสัญญาณการซื้อขาย ครอบคลุมตลาดการเงินหลายแห่ง และผู้ใช้สามารถรับสัญญาณการซื้อขายคุณภาพสูงได้

Sturdy (Subnet 10): พัฒนาโดย Sturdy Finance เป็นซับเน็ตที่เน้นไปที่การเพิ่มประสิทธิภาพรายได้แบบกระจายอำนาจ ซับเน็ตที่แข็งแกร่งช่วยให้นักขุดสามารถจัดสรรสินทรัพย์ไปยังกลุ่มกลยุทธ์ที่แตกต่างกันผ่านสัญญาอัจฉริยะเพื่อให้ได้ผลตอบแทนสูงสุด นักขุดจะได้รับรางวัลตามจำนวนรายได้ที่กลยุทธ์การกระจายของพวกเขาสร้างขึ้น และผู้ตรวจสอบจะประเมินกลยุทธ์การกระจายของนักขุดและให้คะแนนตามประสิทธิภาพรายได้

Foundry S&P 500 Oracle (Subnet 28): พัฒนาโดย Foundry Digital LLC เป็นซับเน็ตแบบกระจายอำนาจที่เน้นไปที่การคาดการณ์ตลาดการเงิน เครือข่ายย่อยนี้จูงใจนักขุดให้คาดการณ์ราคาของดัชนี S&P 500 และมีผู้ตรวจสอบความถูกต้องประเมินการคาดการณ์

แอพอื่น ๆ

ซับเน็ตในแอปพลิเคชันประเภทอื่นๆ ครอบคลุมพื้นที่ต่างๆ เช่น การกระจายโฆษณา การจัดการงาน การวิจัยการพับโปรตีน และการดูแลสุขภาพ

BitAds (Subnet 16): เป็นเครือข่ายย่อยการโฆษณาแบบกระจายอำนาจและจูงใจ ซับเน็ต BitAds กระจายงานโฆษณาในลักษณะกระจายอำนาจ และผู้ขุดสร้างปริมาณการเข้าชมแบบออร์แกนิกโดยการโปรโมตลิงก์โฆษณาและรับรางวัลโทเค็น TAO

BitAgent (Subnet 20): เป็นซับเน็ตแบบกระจายอำนาจที่เน้นไปที่การจัดการงานและเวิร์กโฟลว์ BitAgent รวมโมเดลภาษาขนาดใหญ่ (LLM) เข้ากับแอปพลิเคชันทั่วไปของผู้ใช้เพื่อให้บริการตัวแทนอัจฉริยะเพื่อลดความซับซ้อนของงานประจำวันและการจัดการเวิร์กโฟลว์ นักขุดจะแข่งขันกันตามประสิทธิภาพและได้รับรางวัลเป็นโทเค็น TAO ตามความสำเร็จของงาน

Protein Folding (Subnet 25): พัฒนาโดย Opentensor Foundation เป็นซับเน็ตแบบกระจายอำนาจที่เน้นไปที่การวิจัยการพับโปรตีน การวิจัยการพับโปรตีนดำเนินการผ่านทรัพยากรคอมพิวเตอร์แบบกระจาย และนักขุดจะได้รับรางวัลตามพลังการประมวลผลที่พวกเขามี ซึ่งเป็นเวทีสำหรับการวิจัยทางชีวการแพทย์

Healthi (Subnet 34): พัฒนาโดย Healthi Labs เป็นซับเน็ตแบบกระจายอำนาจที่เน้นการใช้ปัญญาประดิษฐ์ (AI) เพื่อปรับปรุงบริการด้านสุขภาพ เครือข่ายย่อย Healthi ใช้แบบจำลอง AI เพื่อดำเนินการคาดการณ์ทางคลินิก ตลอดจนจัดการและประมวลผลข้อมูลทางการแพทย์ในลักษณะแบบกระจายอำนาจ เพื่อให้มั่นใจในความปลอดภัยของข้อมูลและความเป็นส่วนตัว สัญญาอัจฉริยะทำให้กระบวนการประกันภัยง่ายขึ้นและปรับปรุงประสิทธิภาพของบริการทางการแพทย์

สรุป: แนวโน้มการใช้งานใหม่ของ Bittensor

ดังที่อดีตนักวิจัย Messari Sami Kassab ชี้ ให้เห็นในบทความล่าสุด ปัจจุบัน Bittensor มีแนวโน้มการใช้งานที่เกิดขึ้นใหม่ 2 ประการ ได้แก่ ประการแรก ฝ่ายโครงการจ้างบุคคลภายนอกด้านนวัตกรรมทางเทคโนโลยีให้กับเครือข่ายย่อยของ Bittensor เช่น Kaito AI จ้างบุคคลภายนอกในการวิจัยและพัฒนาเครื่องมือค้นหาผ่านงาน Bittensor ประการที่สอง โปรเจ็กต์ใช้ Bittensor เป็นเลเยอร์จูงใจในการรวบรวมทรัพยากรนักขุดอย่างรวดเร็วเพื่อจัดหาสินค้าโภคภัณฑ์ดิจิทัลสำหรับเครือข่าย ตัวอย่างเช่น Inference Labs จะแนะนำการจัดหาผู้พิสูจน์ zk และผู้อนุมานแบบจำลองโดยการเปิดตัวเครือข่ายย่อย Omron

ในขณะที่ Bittensor ขยายเครือข่ายย่อย โครงการอื่นๆ อาจเลือกที่จะว่าจ้างส่วนประกอบเฉพาะของสแต็กเทคโนโลยีจากภายนอกให้กับ Bittensor ในอนาคต ซึ่งจะกลายเป็นสถานการณ์การใช้งานที่ใหญ่เป็นอันดับสามของ Bittensor Bittensor กำลังเร่งการแบ่งส่วนแรงงานระดับมืออาชีพในอุตสาหกรรม AI และส่งเสริมการเกิดขึ้นของโครงการดั้งเดิมมากขึ้น เมื่อจำนวนผู้เข้าร่วมเพิ่มขึ้น ระบบนิเวศของ Bittensor ก็คาดว่าจะสร้างวงจรเชิงบวก และนำไปสู่การพัฒนาขั้นใหม่อย่างแข็งแกร่ง