TAO強勢反彈，一覽子網12個值得關注的AI項目

原文作者：深潮 TechFlow

加密市場在經歷了本周的“黑色星期一”後血流成河，但一天過後不同板塊的代幣均迎來反彈。

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着對板塊頭部項目的看好。

不過之前 Bittensor 也遭受了一定程度的 fud，社區認為項目名過其實，子網當中也並沒有什么實際應用。

加密項目有沒有用雖然並不與代幣價格直接相關，但 Bittensor 就真的只是個空殼子么？

過去幾個月，Bittensor 上新增了 12 個子網，且每個子網都在一定程度上促進着 AI 相關的开發，其中說不定也會跑出新的 Alpha 項目。

我們盤了盤這些新子網，在注意力都集中在 TAO 價格反彈的同時，一覽其基本面的變化。

子網 38 ：Sylliba，支持 70+語言的文本語音翻譯工具

开發團隊：Agent Artificial

簡介：

Sylliba 是一個翻譯應用程序，支持文本和語音的翻譯，可以處理 70 多種語言。

值得一提的是，該程序可以為鏈上 AI 代理所用：

• 自動化翻譯流程：AI 代理可以自動調用這個服務，實現跨語言的信息處理和通信。

• 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：通過代幣經濟，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-subnet

子網 34 ：Bitmind，檢測區分真實內容與虛假合成內容

开發團隊： @BitMindAI

簡介：

BitMind 專注於开發去中心化的深度僞造檢測技術。隨着生成式 AI 模型的快速發展，區分高質量合成媒體和真實內容變得越來越復雜。

BitMind 的 Subnet 通過在 Bittensor 網絡中部署強大的檢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僞造。

同時，BitMind API 使得能夠利用子網的深度僞造檢測功能來开發強大的消費者應用程序。具有圖像上傳界面的 BitMind Web 應用程序可以使用 API 幫助用戶快速識別圖片是真還是假的可能性，從而提供易於訪問且易於解釋的反欺騙工具。

子網 43 ：Graphite，智能路徑規劃網絡

开發團隊： @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 是一個經典的優化問題，目標是找到訪問一組城市並返回起點的最短可能路线。

Graphite 利用 Bittensor 的去中心化機器學習網絡來高效地連接礦工，以處理 TSP 和類似圖形問題的計算需求。

目前，驗證者生成合成請求並發送給網絡中的礦工。礦工負責使用他們設計的算法解決 TSP，並將結果發送回驗證者進行評估。

子網 42 ：Gen 42 ，GitHub 的开源 AI 編碼助手

开發團隊： @RizzoValidator ， @FrankRizz 07

簡介：

Gen 42 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、可擴展的工具，用於基於代碼的問答和代碼補全，這些工具由开源大型語言模型驅動。

主要產品：

a. 聊天應用：提供一個聊天前端，允許用戶與他們的子網進行交互。這個應用的主要功能是基於代碼的問答。

b. 代碼補全：提供一個兼容 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項目 Github

子網 41 ：Sportstensor, 體育預測模型

开發團隊： @sportstensor

簡介：

Sportstensor 是一個致力於开發去中心化體育預測算法的項目，由 Bittensor 網絡提供支持。

項目在开源的 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實時數據進行战略規劃和性能分析，並獎勵全面的數據集收集和高性能預測模型开發。

礦工和驗證者功能：

• 礦工：接收驗證者的請求，訪問相關數據，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 29 ：coldint，小衆 AI 模型訓練

开發者：暫未發現， 官網在此

簡介：

SN 29 coldint，全稱為 Collective Distributed Incentivized Training（集體分布式激勵訓練）。

目標：專注於小衆模型（niche models）的預訓練。"小衆模型"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。

礦工和其他角色參與及分工：

a) 礦工主要通過公开共享訓練模型來獲得激勵。

b) 次要激勵給予那些通過貢獻代碼庫來分享見解的礦工或其他貢獻者。

c) 通過獎勵小的改進，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代碼貢獻。

子網 40: Chunking，優化 RAG（Retrieval-Augmented Generation，檢索增強生成）應用的數據集

开發團隊：@vectorchatai

代幣：$CHAT

簡介：

SN 40 Chunking 就像是一個非常聰明的圖書管理員，具體的做法是把大量的信息（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信息。如果書架整理得很好，你就能很快找到。

SN 40 Chunking 就是在幫 AI "整理書架"。

不僅僅是文字，SN 40 Chunking 還能處理圖片、聲音等多種類型的信息。這就像一個全能的圖書管理員，不僅管理書籍，還管理照片集、音樂 CD 等。

子網 39: EdgeMaxxing，優化 AI 模型以在消費者設備上運行

开發團隊： @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，從智能手機到筆記本電腦。

EdgeMaxxing 子網採用了一種競爭性的獎勵系統，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性能。

參與者角色和分工：

礦工（Miners）：

主要任務是提交經過優化的 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（Validators）：

必須在指定的目標硬件上運行（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准測試，與基线檢查點比較；根據速度改進、准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

項目开源倉庫：https://github.com/womboai/edge-maxxing

子網 30: Bettensor，去中心化體育預測市場

开發團隊： @Bettensor

簡介：

Bettensor 允許體育愛好者預測體育比賽的結果，創建一個基於區塊鏈的去中心化體育預測市場。

參與者角色：

Miner：負責生成預測結果

Validator：驗證預測結果的准確性

數據收集器：從各種來源收集體育賽事數據

項目开源倉庫：https://github.com/Bettensor/bettensor （看起來仍在开發中）

子網 06 ：Infinite Games，通用預測市場

开發團隊： @Playinfgames

簡介：

Infinite Games 开發實時和預測性工具，用於預測市場。同時項目對@Polymarket 和@azuroprotocol 等平臺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

獎勵准確預測和有價值信息的提供者

總體上，項目鼓勵用戶參與預測和信息提供，形成一個活躍的預測社區。

子網 37 ：LLM Fine-tuning，大語言模型微調

开發團隊：Taoverse & @MacrocosmosAI

簡介：

這是一個專注於大語言模型（LLMs）微調的子網：獎勵礦工（miners）對 LLMs 進行微調，使用來自子網 18 的持續合成數據流進行模型評估。

工作機制：

• 礦工訓練模型並定期發布到 Hugging Face 平臺。

• 驗證者（validators）從 Hugging Face 下載模型並使用合成數據持續評估。

• 評估結果記錄在 wandb 平臺上。

• 根據權重分配 TAO 代幣獎勵給礦工和驗證者。

項目倉庫地址：https://github.com/macrocosm-os/finetuning

子網 21 ：Any to Any，創建先進的 AI 多模態模型

开發團隊： @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，視頻到文本。

系統不僅可以進行轉換，還能夠理解不同模態之間的關系。比如，它可以理解一段文字描述和一張圖片之間的關聯，或者一段視頻和相應的音頻之間的聯系。

在這個子網中，激勵機制被用來鼓勵全球的 AI 研究者和开發者參與項目。具體來說：

• 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得高質量的 AI 研究和开發成為可持續的事業。

項目倉庫地址：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。

• 子網允許开發者創建和部署特定用途的 AI 模型。

• 它們通過加密經濟學來激勵參與者提供計算資源和改進模型。

原文鏈接

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。