原文作者：深潮TechFlow
加密市場在經歷了本週的「黑色星期一」後血流成河，但一天過後不同板塊的代幣都迎來反彈。
在這之中，最靚的仔要數Bittensor （TAO）。
Coinmarketcap 數據顯示，昨日市值前 100 代幣中，Bittensor (TAO) 漲 23.08% ，位居反彈榜首位。
雖然 AI 敘事並沒有年初那般火熱，但遊資的選擇也代表著對板塊頭部計畫的看好。
不過之前Bittensor 也遭受了一定程度的fud，社群認為計畫名過其實，子網當中也並沒有什麼實際應用。
加密項目有沒有用雖然不與代幣價格直接相關，但Bittensor 真的只是個空殼子？
過去幾個月，Bittensor 上新增了 12 個子網，而每個子網都在一定程度上促進著AI 相關的開發，其中說不定也會跑出新的Alpha 專案。
我們盤了盤這些新子網，在註意力都集中在TAO 價格反彈的同時，一覽其基本面的變化。
子網路38 ：Sylliba，支援 70+語言的文字語音翻譯工具
開發團隊：Agent Artificial
簡介：
Sylliba 是一個翻譯應用程序，支援文字和語音的翻譯，可以處理 70 多種語言。
值得一提的是，該程式可以為鏈上 AI 代理程式所用：
自動化翻譯流程：AI 代理可以自動呼叫這個服務，實現跨語言的資訊處理和通訊。
增強 AI 能力：使得不具備多語言能力的 AI 系統也能處理多語言任務。
翻譯請求和結果可以在區塊鏈上驗證，增加了系統的可信度。
激勵機制：透過代幣經濟，可以激勵高品質的翻譯服務提供者。
專案網址：https://github.com/agent-artificial/sylliba-subnet
子網路34 ：Bitmind，偵測區分真實內容與虛假合成內容
開發團隊： @BitMindAI
簡介：
BitMind 專注於開發去中心化的深度偽造檢測技術。隨著生成式AI 模型的快速發展，區分高品質合成媒體和真實內容變得越來越複雜。
BitMind的Subnet透過在Bittensor 網路中部署強大的偵測機制來解決此問題，使用生成式和判別式AI 模型來有效識別深度偽造。
同時，BitMind API 使得能夠利用子網路的深度偽造檢測功能來開發強大的消費者應用程式。具有圖像上傳介面的 BitMind Web 應用程式可以使用API 幫助用戶快速識別圖片是真還是假的可能性，從而提供易於存取且易於解釋的反欺騙工具。
子網路43 ：Graphite，智慧路徑規劃網絡
開發團隊： @GraphiteSubnet
簡介：
Graphite 是一個專門設計用於處理圖形問題的子網，特別關注旅行商問題（TSP）。 TSP 是一個經典的最佳化問題，目標是找到訪問一組城市並返回起點的最短可能路線。
Graphite 利用 Bittensor 的去中心化機器學習網路來有效率地連接礦工，以處理 TSP 和類似圖形問題的運算需求。
目前，驗證者產生合成請求並發送給網路中的礦工。礦工負責使用他們設計的演算法解決 TSP，並將結果傳回驗證者進行評估。
子網路42 ：Gen 42 ，GitHub 的開源 AI 編碼助手
開發團隊： @RizzoValidator ， @FrankRizz 07
簡介：
Gen 42 利用 Bittensor 網路提供去中心化的程式碼產生服務。他們的重點是創建強大、可擴展的工具，用於基於程式碼的問答和程式碼補全，這些工具由開源大型語言模型驅動。
主要產品：
a. 聊天應用程式：提供一個聊天前端，讓使用者與他們的子網路互動。這個應用的主要功能是基於程式碼的問答。
b. 程式碼補全：提供一個相容 OpenAI 的 API，可以與 continue.dev 一起使用。
礦工和驗證者參與的方式詳見專案Github
子網路41 ：Sportstensor, 體育預測模型
開發團隊： @sportstensor
簡介：
Sportstensor 是一個致力於開發去中心化運動預測演算法的項目，由Bittensor 網路提供支援。
專案在開源的HuggingFace 上提供基礎模型供礦工訓練和改進，同時能夠基於歷史和即時資料進行策略規劃和效能分析，並獎勵全面的資料集收集和高效能預測模型開發。
礦工和驗證者功能：
礦工：接收驗證者的請求，存取相關數據，使用機器學習模型進行預測。
驗證者：收集礦工的預測，與實際結果比較，記錄驗證結果。
子網路29 ：coldint，小眾 AI 模型訓練
開發者：暫未發現，官網在此
簡介：
SN 29 coldint，全稱為Collective Distributed Incentivized Training（集體分散式激勵訓練）。
目標：專注於小眾模型（niche models）的預訓練。 "小眾模型"可能指的是那些不像大型通用模型那樣廣泛應用，但在特定領域或任務中非常有價值的模型。
礦工及其他角色參與及分工：
a) 礦工主要透過公開共享訓練模式來獲得激勵。
b) 次要激勵給予那些透過貢獻程式碼庫來分享見解的礦工或其他貢獻者。
c) 透過獎勵小的改進，鼓勵礦工定期分享他們改進的工作。
d) 高度獎勵能夠將個人訓練努力結合成更好的組合模型的程式碼貢獻。
子網路40: Chunking，最佳化 RAG（Retrieval-Augmented Generation，檢索增強生成）應用的資料集
開發團隊：@vectorchatai
代幣：$CHAT
簡介：
SN 40 Chunking 就像是一個非常聰明的圖書館員，具體的做法是把大量的資訊（文字、圖片、聲音等）分成小塊。這樣做是為了讓 AI 更容易理解和使用這些資訊。如果書架整理得很好，你就能很快找到。
SN 40 Chunking 是在幫 AI "整理書架"。
不只是文字，SN 40 Chunking 還能處理圖片、聲音等多種類型的訊息。這就像一個全能的圖書館員，不僅管理書籍，還管理照片集、音樂 CD 等。
子網路39: EdgeMaxxing，優化 AI 模型以在消費者設備上運行
開發團隊： @WOMBO
簡介：S N3 9 EdgeMaxxing 是一個專注於優化消費者設備 AI 模型的子網，從智慧型手機到筆記型電腦。
EdgeMaxxing 子網路採用了競爭性的獎勵系統，每天都會進行一次競賽。目的是鼓勵參與者不斷優化 AI 模型在消費者設備上的表現。
參與者角色與分工：
礦工（Miners）：
主要任務是提交經過最佳化的 AI 模型檢查點
他們使用各種演算法和工具來提高模型效能
驗證者（Validators）：
必須在指定的目標硬體上運行（例如NVIDIA GeForce RTX 4090），每天收集所有礦工提交的模型，對每個提交的模型進行基準測試，與基線檢查點比較；根據速度改進、準確性維持和整體效率提升來評分，並選出當天表現最佳的模型作為獲勝者
專案開源倉庫：https://github.com/womboai/edge-maxxing
子網30: Bettensor，去中心化運動預報市場
開發團隊： @Bettensor
簡介：
Bettensor 讓運動愛好者預測運動比賽的結果，創建一個基於區塊鏈的去中心化運動預測市場。
參與者角色：
Miner：負責產生預測結果
Validator：驗證預測結果的準確性
資料收集器：從各種來源收集體育賽事數據
專案開源倉庫：https://github.com/Bettensor/bettensor （看起來仍在開發中）
子網路06 ：Infinite Games，通用預測市場
開發團隊： @Playinfgames
簡介：
Infinite Games 開發即時和預測性工具，用於預測市場。同時專案對@Polymarket 和@azuroprotocol 等平台的事件進行套利和聚合。
激勵系統：
使用$TAO 代幣作為激勵手段
獎勵準確預測和有價值資訊的提供者
整體上，專案鼓勵使用者參與預測和資訊提供，形成一個活躍的預測社群。
子網路37 ：LLM Fine-tuning，大語言模型微調
開發團隊：Taoverse & @MacrocosmosAI
簡介：
這是一個專注於大語言模型（LLMs）微調的子網路：獎勵礦工（miners）對 LLMs 進行微調，使用來自子網路 18 的持續合成資料流進行模型評估。
工作機制：
礦工訓練模式並定期發佈到 Hugging Face 平台。
驗證者（validators）從 Hugging Face 下載模型並使用合成資料持續評估。
評估結果記錄在 wandb 平台上。
根據權重分配 TAO 代幣獎勵給礦工和驗證者。
專案倉庫位址：https://github.com/macrocosm-os/finetuning
子網路21 ：Any to Any，創建先進的 AI 多模態模型
開發團隊： @omegalabsai
簡介：
"Any to Any"在這個項目中指的是一種多模態AI 系統的能力，它可以在不同類型的數據或信息之間進行轉換和理解，例如文本到圖像，圖像到文本，音頻到視頻，視訊到文字。
系統不僅可以進行轉換，還能夠理解不同模態之間的關係。例如，它可以理解一段文字描述和一張圖片之間的關聯，或是一段影片和對應的音訊之間的連結。
在這個子網路中，激勵機制被用來鼓勵全球的 AI 研究者和開發者參與專案。具體來說：
貢獻者可以透過提供有價值的模型、數據或計算資源來獲得代幣獎勵。
這種直接的經濟誘因使得高品質的 AI 研究和開發成為可持續的事業。
專案倉庫地址：https://github.com/omegalabsinc/omegalabs-anytoany-bittensor
補充知識：
以防一部分讀者不知道Bittensor 子網的意義，一個簡單的解釋可以是：
子網是Bittensor 生態系統中的專門網絡，
每個子網專注於特定的AI 或機器學習任務。
子網路允許開發者建立和部署特定用途的AI 模型。
它們透過加密經濟學來激勵參與者提供計算資源和改進模型。
IOS
Android