ผู้เขียนต้นฉบับ: Shenchao TechFlow

ตลาด crypto ตกเลือดหลังจาก "Black Monday" ในสัปดาห์นี้ แต่โทเค็นในภาคส่วนต่างๆ ดีดตัวขึ้นหลังจากผ่านไปหนึ่งวัน

หนุ่มหล่อที่สุดคือ Bittensor (TAO)

ข้อมูล Coinmarketcap แสดงให้เห็นว่าในบรรดาเหรียญ 100 อันดับแรกตามมูลค่าราคาตลาดเมื่อวานนี้ Bittensor (TAO) เพิ่มขึ้น 23.08% และติดอันดับรายการรีบาวด์

แม้ว่าการบรรยายเรื่อง AI จะไม่ได้รับความนิยมเหมือนเมื่อต้นปี แต่การเลือกเงินร้อนยังแสดงถึงการมองโลกในแง่ดีเกี่ยวกับโครงการชั้นนำในภาคส่วนนี้

อย่างไรก็ตาม Bittensor เคยประสบปัญหาในระดับหนึ่งมาก่อน ชุมชนเชื่อว่าโครงการนี้ได้รับการตั้งชื่อมากเกินไป และไม่มีการใช้งานจริงในเครือข่ายย่อย

แม้ว่าประโยชน์ของโครงการเข้ารหัสจะไม่เกี่ยวข้องโดยตรงกับราคาของโทเค็น แต่ Bittensor เป็นเพียงเปลือกเปล่าจริง ๆ หรือไม่?

ในช่วงไม่กี่เดือนที่ผ่านมา มีการเพิ่มเครือข่ายย่อยใหม่ 12 เครือข่ายใน Bittensor และแต่ละเครือข่ายย่อยส่งเสริมการพัฒนาที่เกี่ยวข้องกับ AI ในระดับหนึ่ง และอาจมีโครงการอัลฟ่าใหม่ในหมู่พวกเขาด้วย

เรารวบรวมซับเน็ตใหม่เหล่านี้ และในขณะที่มุ่งเน้นไปที่การฟื้นตัวของราคาของ TAO เรายังดูการเปลี่ยนแปลงในปัจจัยพื้นฐานด้วย

Subnet 38: Sylliba เครื่องมือแปลข้อความเป็นคำพูดที่รองรับมากกว่า 70 ภาษา

ทีมพัฒนา: ตัวแทน Artificial

การแนะนำ:

Sylliba เป็นแอปพลิเคชันการแปลที่รองรับการแปลข้อความและคำพูด และสามารถรองรับภาษาได้มากกว่า 70 ภาษา

เป็นที่น่าสังเกตว่าโปรแกรมนี้สามารถใช้งานโดยตัวแทน AI ออนไลน์ได้:

• กระบวนการแปลอัตโนมัติ: ตัวแทน AI สามารถเรียกใช้บริการนี้โดยอัตโนมัติเพื่อให้บรรลุการประมวลผลข้อมูลและการสื่อสารข้ามภาษา

• ปรับปรุงความสามารถของ AI: เปิดใช้งานระบบ AI ที่ไม่มีความสามารถหลายภาษาเพื่อจัดการงานหลายภาษา

• คำขอแปลและผลลัพธ์สามารถตรวจสอบได้บนบล็อคเชน เพิ่มความน่าเชื่อถือให้กับระบบ

• กลไกสิ่งจูงใจ: ด้วยระบบเศรษฐกิจโทเค็น ผู้ให้บริการแปลคุณภาพสูงสามารถได้รับสิ่งจูงใจ

ที่อยู่โครงการ: https://github.com/agent-artificial/sylliba-subnet

Subnet 34: Bitmind การตรวจจับและแยกแยะเนื้อหาจริงจากเนื้อหาสังเคราะห์ปลอม

ทีมพัฒนา: @BitMindAI

การแนะนำ:

BitMind มุ่งเน้นไปที่การพัฒนาเทคโนโลยีการตรวจจับ Deepfake แบบกระจายอำนาจ ด้วยการพัฒนาอย่างรวดเร็วของโมเดล AI เจนเนอเรชั่น การแยกแยะสื่อสังเคราะห์คุณภาพสูงจากเนื้อหาจริงจึงมีความซับซ้อนมากขึ้น

ซับเน็ตของ BitMind แก้ปัญหานี้ด้วยการปรับใช้กลไกการตรวจจับที่ทรงพลังในเครือข่าย Bittensor โดยใช้โมเดล AI ที่สร้างและเลือกปฏิบัติเพื่อระบุ Deepfakes ได้อย่างมีประสิทธิภาพ

ในเวลาเดียวกัน BitMind API ช่วยให้สามารถพัฒนาแอปพลิเคชันสำหรับผู้บริโภคที่มีประสิทธิภาพซึ่งใช้ประโยชน์จากความสามารถในการตรวจจับ Deepfake ของเครือข่ายย่อย เว็บแอปพลิเคชัน BitMind ที่มีอินเทอร์เฟซการอัปโหลดรูปภาพสามารถใช้ API เพื่อช่วยให้ผู้ใช้ระบุโอกาสที่รูปภาพจะเป็นของจริงหรือของปลอมได้อย่างรวดเร็ว โดยมีเครื่องมือป้องกันการปลอมแปลงที่เข้าถึงได้ง่ายและตีความได้ง่าย

Subnet 43: กราไฟท์ เครือข่ายการวางแผนเส้นทางอัจฉริยะ

ทีมพัฒนา: @GraphiteSubnet

การแนะนำ:

กราไฟท์เป็นซับเน็ตที่ได้รับการออกแบบมาโดยเฉพาะเพื่อจัดการกับปัญหากราฟ โดยเน้นที่ปัญหาการเดินทางของพนักงานขาย (TSP) โดยเฉพาะ TSP เป็นปัญหาการปรับให้เหมาะสมแบบคลาสสิกโดยมีเป้าหมายคือการค้นหาเส้นทางที่สั้นที่สุดเท่าที่จะเป็นไปได้เพื่อเยี่ยมชมเมืองต่างๆ และกลับไปยังจุดเริ่มต้น

Graphite ใช้ประโยชน์จากเครือข่ายการเรียนรู้ของเครื่องแบบกระจายอำนาจของ Bittensor เพื่อเชื่อมต่อนักขุดอย่างมีประสิทธิภาพ เพื่อรองรับความต้องการด้านการคำนวณของ TSP และปัญหากราฟที่คล้ายกัน

ปัจจุบันผู้ตรวจสอบความถูกต้องจะสร้างคำขอสังเคราะห์และส่งไปยังนักขุดในเครือข่าย นักขุดมีหน้าที่รับผิดชอบในการแก้ไข TSP โดยใช้อัลกอริธึมที่พวกเขาออกแบบ และส่งผลลัพธ์กลับไปยังผู้ตรวจสอบเพื่อทำการประเมิน

Subnet 42: Gen 42 ผู้ช่วยเขียนโค้ด AI แบบโอเพ่นซอร์สของ GitHub

ทีมพัฒนา: @RizzoValidator , @FrankRizz 07

การแนะนำ:

Gen 42 ใช้ประโยชน์จากเครือข่าย Bittensor เพื่อให้บริการสร้างโค้ดแบบกระจายอำนาจ จุดมุ่งหมายของพวกเขาคือการสร้างเครื่องมือที่มีประสิทธิภาพและปรับขนาดได้สำหรับการตอบคำถามโดยใช้โค้ดและการเติมโค้ดให้สมบูรณ์ซึ่งขับเคลื่อนโดยโมเดลภาษาโอเพ่นซอร์สขนาดใหญ่

ผลิตภัณฑ์หลัก:

ก. แอปพลิเคชันแชท: จัดเตรียมแชทส่วนหน้าที่อนุญาตให้ผู้ใช้โต้ตอบกับเครือข่ายย่อยของตน คุณสมบัติหลักของแอปนี้คือการถามตอบโดยใช้โค้ด

ข. การเติมโค้ดให้สมบูรณ์: จัดเตรียม API ที่เข้ากันได้กับ OpenAI ที่สามารถใช้กับ Continue.dev

สำหรับรายละเอียดเกี่ยวกับวิธีที่นักขุดและผู้ตรวจสอบมีส่วนร่วม โปรดดูโครงการ Github

ซับเน็ต 41: Sportstensor โมเดลการทำนายกีฬา

ทีมพัฒนา: @sportstensor

การแนะนำ:

Sportstensor เป็นโครงการที่อุทิศให้กับการพัฒนาอัลกอริธึมการทำนายผลกีฬาแบบกระจายอำนาจ ซึ่งขับเคลื่อนโดยเครือข่าย Bittensor

โครงการนี้มอบโมเดลพื้นฐานบน HuggingFace แบบโอเพ่นซอร์สเพื่อให้นักขุดได้ฝึกฝนและปรับปรุง ในขณะเดียวกันก็ช่วยให้สามารถวางแผนเชิงกลยุทธ์และการวิเคราะห์ประสิทธิภาพตามข้อมูลในอดีตและแบบเรียลไทม์ และให้รางวัลแก่การรวบรวมชุดข้อมูลที่ครอบคลุมและการพัฒนาแบบจำลองการคาดการณ์ที่มีประสิทธิภาพสูง

ฟังก์ชั่นผู้ขุดแร่และเครื่องมือตรวจสอบความถูกต้อง:

• นักขุด: รับคำขอจากเครื่องมือตรวจสอบ เข้าถึงข้อมูลที่เกี่ยวข้อง และใช้โมเดลการเรียนรู้ของเครื่องเพื่อทำการคาดการณ์

• ผู้ตรวจสอบ: รวบรวมการคาดการณ์ของนักขุด เปรียบเทียบกับผลลัพธ์จริง และบันทึกผลการตรวจสอบ

Subnet 29: coldint, การฝึกโมเดล AI เฉพาะกลุ่ม

ผู้พัฒนา: ยังไม่พบ เว็บไซต์อย่างเป็นทางการอยู่ที่นี่

การแนะนำ:

SN 29 coldint ชื่อเต็มคือ Collective Distributed Incentivized Training

เป้าหมาย: มุ่งเน้นไปที่การฝึกอบรมล่วงหน้าสำหรับโมเดลเฉพาะกลุ่ม "โมเดลเฉพาะ" อาจหมายถึงโมเดลที่ไม่ได้ใช้กันอย่างแพร่หลายเท่ากับโมเดลทั่วไปขนาดใหญ่ แต่มีคุณค่ามากในโดเมนหรืองานเฉพาะ

การมีส่วนร่วมและการแบ่งงานของนักขุดและบทบาทอื่น ๆ :

ก) นักขุดจะได้รับแรงจูงใจหลักจากการแบ่งปันโมเดลการฝึกอบรมต่อสาธารณะ

b) สิ่งจูงใจรองจะมอบให้กับนักขุดหรือผู้มีส่วนร่วมอื่น ๆ ที่แบ่งปันข้อมูลเชิงลึกโดยมีส่วนร่วมในฐานรหัส

c) ส่งเสริมให้นักขุดแบ่งปันงานที่ได้รับการปรับปรุงของพวกเขาอย่างสม่ำเสมอโดยให้รางวัลสำหรับการปรับปรุงเล็กๆ น้อยๆ

ง) การให้รางวัลโค้ดสูงซึ่งรวมความพยายามในการฝึกอบรมส่วนบุคคลเข้ากับโมเดลที่รวมกันได้ดีขึ้น

Subnet 40: ชุดข้อมูลที่ปรับให้เหมาะสมสำหรับแอปพลิเคชัน RAG (Retrieval-Augmented Generation)

ทีมพัฒนา: @vectorchatai

โทเค็น: $CHAT

การแนะนำ:

SN 40 Chunking เปรียบเสมือนบรรณารักษ์ที่ชาญฉลาดโดยการแบ่งข้อมูลจำนวนมาก (ข้อความ รูปภาพ เสียง ฯลฯ) ออกเป็นชิ้นเล็กๆ สิ่งนี้ทำเพื่อให้ AI เข้าใจและใช้ข้อมูลนี้ได้ง่ายขึ้น หากชั้นวางหนังสือของคุณได้รับการจัดระเบียบอย่างดี คุณจะพบได้อย่างรวดเร็ว

SN 40 Chunking กำลังช่วย AI "จัดระเบียบชั้นวางหนังสือ"

ไม่เพียงแต่ข้อความเท่านั้น SN 40 Chunking ยังสามารถประมวลผลข้อมูลประเภทต่างๆ เช่น รูปภาพและเสียง มันเหมือนกับบรรณารักษ์สากลที่ไม่เพียงแต่จัดการหนังสือเท่านั้น แต่ยังรวมถึงคอลเลกชันภาพถ่าย ซีดีเพลง และอื่นๆ อีกมากมาย

Subnet 39: EdgeMaxxing เพิ่มประสิทธิภาพโมเดล AI ให้ทำงานบนอุปกรณ์ของผู้บริโภค

ทีมพัฒนา: @WOMBO

บทนำ: S N3 9 EdgeMaxxing เป็นซับเน็ตที่มุ่งเน้นการเพิ่มประสิทธิภาพโมเดล AI สำหรับอุปกรณ์ผู้บริโภค ตั้งแต่สมาร์ทโฟนไปจนถึงแล็ปท็อป

ซับเน็ต EdgeMaxxing ใช้ระบบรางวัลที่แข่งขันได้พร้อมการแข่งขันรายวัน เป้าหมายคือการสนับสนุนให้ผู้เข้าร่วมเพิ่มประสิทธิภาพการทำงานของโมเดล AI บนอุปกรณ์ของผู้บริโภคอย่างต่อเนื่อง

บทบาทผู้เข้าร่วมและการแบ่งงาน:

คนงานเหมือง:

ภารกิจหลักคือการส่งจุดตรวจสอบโมเดล AI ที่ปรับให้เหมาะสม

พวกเขาใช้อัลกอริธึมและเครื่องมือต่างๆ เพื่อปรับปรุงประสิทธิภาพของโมเดล

ผู้ตรวจสอบ:

ต้องทำงานบนฮาร์ดแวร์เป้าหมายที่ระบุ (เช่น NVIDIA GeForce RTX 4090) โมเดลที่นักขุดส่งมาทั้งหมดจะถูกรวบรวมทุกวัน และแต่ละรุ่นที่ส่งมาจะถูกเปรียบเทียบกับจุดตรวจสอบพื้นฐาน โดยขึ้นอยู่กับการปรับปรุงความเร็ว การบำรุงรักษาความแม่นยำ และประสิทธิภาพโดยรวม เพิ่มคะแนนและเลือกรุ่นที่มีประสิทธิภาพดีที่สุด วันที่เป็นผู้ชนะ

คลังสินค้าโอเพ่นซอร์สโครงการ: https://github.com/womboai/edge-maxxing

Subnet 30: Bettensor ตลาดทำนายผลกีฬาแบบกระจายอำนาจ

ทีมพัฒนา: @Bettensor

การแนะนำ:

Bettensor ช่วยให้แฟนกีฬาสามารถทำนายผลการแข่งขันกีฬาได้ สร้างตลาดการทำนายผลกีฬาแบบกระจายอำนาจโดยใช้บล็อกเชน

บทบาทของผู้เข้าร่วม:

คนขุดแร่: รับผิดชอบในการสร้างผลการทำนาย

เครื่องมือตรวจสอบความถูกต้อง: ตรวจสอบความถูกต้องของผลการทำนาย

ตัวรวบรวมข้อมูล: รวบรวมข้อมูลการแข่งขันกีฬาจากแหล่งต่างๆ

พื้นที่เก็บข้อมูลโอเพ่นซอร์สของโครงการ: https://github.com/Bettensor/bettensor (ดูเหมือนว่าจะยังอยู่ระหว่างการพัฒนา)

Subnet 06: Infinite Games ตลาดการทำนายทั่วไป

ทีมพัฒนา: @Playinfgames

การแนะนำ:

Infinite Games พัฒนาเครื่องมือแบบเรียลไทม์และการคาดการณ์สำหรับการทำนายตลาด ในเวลาเดียวกัน โครงการเก็งกำไรและรวบรวมเหตุการณ์บนแพลตฟอร์ม เช่น @Polymarket และ @azuroprotocol

ระบบแรงจูงใจ:

ใช้โทเค็น $TAO เป็นสิ่งจูงใจ

ให้รางวัลแก่ผู้คาดการณ์ที่แม่นยำและข้อมูลอันมีค่า

โดยรวมแล้ว โครงการสนับสนุนให้ผู้ใช้มีส่วนร่วมในการทำนายและการจัดเตรียมข้อมูล เพื่อสร้างชุมชนการทำนายที่กระตือรือร้น

Subnet 37: LLM การปรับแต่งแบบละเอียด การปรับแต่งโมเดลภาษาขนาดใหญ่

ทีมพัฒนา: Taoverse และ @MacrocosmosAI

การแนะนำ:

นี่คือซับเน็ตที่เน้นไปที่การปรับแต่งโมเดลภาษาขนาดใหญ่ (LLM) โดยนักขุดจะได้รับรางวัลสำหรับการปรับแต่ง LLM อย่างละเอียด โดยใช้สตรีมข้อมูลสังเคราะห์อย่างต่อเนื่องจากซับเน็ต 18 สำหรับการประเมินโมเดล

กลไกการทำงาน:

• นักขุดจะฝึกฝนโมเดลและเผยแพร่ไปยังแพลตฟอร์ม Hugging Face เป็นประจำ

• เครื่องมือตรวจสอบจะดาวน์โหลดโมเดลจาก Hugging Face และประเมินโมเดลอย่างต่อเนื่องโดยใช้ข้อมูลสังเคราะห์

• ผลการประเมินจะถูกบันทึกไว้บนแท่นไม้กายสิทธิ์

• รางวัลโทเค็น TAO จะแจกจ่ายให้กับนักขุดและผู้ตรวจสอบตามน้ำหนัก

ที่อยู่คลังสินค้าโครงการ: https://github.com/macrocosm-os/finetuning

Subnet 21: Any to Any สร้างโมเดล AI หลายรูปแบบขั้นสูง

ทีมพัฒนา: @omegalabsai

การแนะนำ:

"Any to Any" ในโปรเจ็กต์นี้หมายถึงความสามารถของระบบ AI หลายรูปแบบที่สามารถแปลงและทำความเข้าใจระหว่างข้อมูลประเภทต่างๆ เช่น ข้อความเป็นรูปภาพ รูปภาพเป็นข้อความ เสียงเป็นวิดีโอ วิดีโอเป็นข้อความ

ระบบไม่เพียงแต่ทำการแปลงเท่านั้น แต่ยังเข้าใจความสัมพันธ์ระหว่างรังสีต่างๆ อีกด้วย ตัวอย่างเช่น สามารถเข้าใจความเชื่อมโยงระหว่างคำอธิบายข้อความและรูปภาพ หรือความเชื่อมโยงระหว่างวิดีโอและเสียงที่เกี่ยวข้อง

ในเครือข่ายย่อยนี้ มีการใช้กลไกสิ่งจูงใจเพื่อสนับสนุนให้นักวิจัยและนักพัฒนา AI ทั่วโลกเข้าร่วมในโครงการต่างๆ โดยเฉพาะ:

• ผู้ร่วมให้ข้อมูลสามารถรับรางวัลโทเค็นได้จากการจัดหาโมเดล ข้อมูล หรือทรัพยากรการประมวลผลอันทรงคุณค่า

• แรงจูงใจทางการเงินโดยตรงนี้ทำให้การวิจัยและพัฒนา AI คุณภาพสูงกลายเป็นองค์กรที่ยั่งยืน

ที่อยู่คลังสินค้าโครงการ: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

ความรู้เพิ่มเติม:

ในกรณีที่ผู้อ่านบางคนไม่ทราบความหมายของเครือข่ายย่อย Bittensor คำอธิบายง่ายๆ อาจเป็นดังนี้:

• ซับเน็ตคือเครือข่ายเฉพาะภายในระบบนิเวศของ Bittensor

• แต่ละซับเน็ตมุ่งเน้นไปที่งาน AI หรือการเรียนรู้ของเครื่องโดยเฉพาะ

• ซับเน็ตช่วยให้นักพัฒนาสามารถสร้างและปรับใช้โมเดล AI เฉพาะวัตถุประสงค์ได้

• พวกเขาใช้เศรษฐศาสตร์เข้ารหัสเพื่อจูงใจผู้เข้าร่วมในการจัดหาทรัพยากรคอมพิวเตอร์และปรับปรุงแบบจำลอง

ลิงค์เดิม