TAO, 최강의 반등 신호… 서브넷 내 12개 유용한 AI 프로젝트 정리

2024.08.07

TAO, 최강의 반등 신호… 서브넷 내 12개 유용한 AI 프로젝트 정리

Bittensor에 12개의 새로운 서브넷이 추가되었으며, 각 서브넷은 AI 관련 개발을 어느 정도 촉진하고 있다.

2024.08.07 - 08:22:40

Web3 심층 보도에 집중하고 흐름을 통찰

Bittensor에 12개의 새로운 서브넷이 추가되었으며, 각 서브넷은 AI 관련 개발을 어느 정도 촉진하고 있다.

글: TechFlow

암호화 시장은 이번 주 '검은 월요일'을 겪으며 큰 타격을 입었지만, 하루 만에 각기 다른 분야의 토큰들이 반등에 성공했다.

이 가운데 가장 두드러진 존재는 비텐서(Bittensor, TAO)다.

코인마켓캡 데이터에 따르면 어제 시가총액 상위 100위 안에 드는 토큰 중 Bittensor(TAO)는 23.08% 상승하며 반등 순위에서 1위를 차지했다.

비록 AI 스토리가 올해 초만큼 뜨겁지는 않지만, 유동 자금의 선택은 여전히 핵심 프로젝트들에 대한 기대감을 보여준다.

하지만 이전까지 Bittensor는 일정 부분 허점(FUD)에 직면한 바 있으며, 커뮤니티에서는 이름값에 비해 실질적인 애플리케이션이 부족하다고 지적하기도 했다.

（참고 기사: FUD 확산 속, AI 신왕 Bittensor가 무너질까?）

암호화 프로젝트의 실용성과 토큰 가격은 반드시 직접 연결되지는 않지만, 그렇다고 해서 Bittensor가 진짜로 허울뿐인 프로젝트란 말인가?

지난 몇 달간 Bittensor에는 12개의 새로운 서브넷이 추가되었으며, 각각의 서브넷은 AI 관련 개발을 어느 정도 촉진하고 있다. 그중에서 새로운 알파(Alpha) 프로젝트가 등장할 가능성도 배제할 수 없다.

우리는 이러한 새로운 서브넷들을 살펴보았다. TAO 가격 반등에만 집중하는 것이 아니라, 기본적인 면모 변화도 함께 조명해본다.

서브넷 38: Sylliba, 70개 이상 언어 지원 텍스트 및 음성 번역 도구

개발팀: Agent Artificial

소개:

Sylliba는 텍스트와 음성을 번역할 수 있는 애플리케이션으로, 70개 이상의 언어를 처리할 수 있다.

특히 주목할 점은 이 프로그램이 체인상 AI 에이전트에서도 활용될 수 있다는 것이다.

자동화된 번역 프로세스: AI 에이전트가 자동으로 해당 서비스를 호출하여 다국어 정보 처리 및 커뮤니케이션을 가능하게 한다.
AI 능력 강화: 다국어 기능이 없는 AI 시스템도 다국어 작업을 수행할 수 있게 된다.
번역 요청과 결과를 블록체인 상에서 검증할 수 있어 시스템의 신뢰성을 높인다.
보상 메커니즘: 토큰 경제를 통해 고품질 번역 서비스 제공자를 유인한다.

프로젝트 주소: https://github.com/agent-artificial/sylliba-subnet

서브넷 34: Bitmind, 진짜 콘텐츠와 위조된 생성물 구분 감지

개발팀：@BitMindAI

소개:

BitMind은 창성형 AI 모델의 급속한 발전에 따라 고품질 합성 미디어와 실제 콘텐츠를 구별하는 것이 점점 더 복잡해짐에 따라, 탈중앙화 딥페이크 감지 기술 개발에 주력하고 있다.

BitMind의 서브넷은 생성형 및 판별형 AI 모델을 사용해 딥페이크를 효과적으로 식별함으로써, Bittensor 네트워크 내에 강력한 감지 메커니즘을 배치해 문제를 해결한다.

또한 BitMind API는 서브넷의 딥페이크 감지 기능을 활용해 강력한 소비자 애플리케이션을 개발할 수 있도록 한다. 이미지 업로드 인터페이스를 갖춘 BitMind 웹 앱은 API를 이용해 사용자가 사진이 진짜인지 가짜인지 여부를 빠르게 판단할 수 있도록 도와주며, 쉽게 접근하고 이해할 수 있는 사기 방지 도구를 제공한다.

서브넷 43: Graphite, 스마트 경로 계획 네트워크

개발팀：@GraphiteSubnet

소개:

Graphite는 그래프 문제 처리를 위해 특별히 설계된 서브넷으로, 특히 여행 외판원 문제(TSP)에 집중한다. TSP는 일련의 도시를 방문하고 출발지로 돌아오는 최단 경로를 찾는 고전적인 최적화 문제이다.

Graphite는 Bittensor의 탈중앙화 머신러닝 네트워크를 활용하여 TSP 및 유사한 그래프 문제의 계산 요구를 효율적으로 처리하기 위해 마이너들을 연결한다.

현재는 검증자가 합성 요청을 생성하여 네트워크 내 마이너들에게 전송하고, 마이너들은 자체 설계한 알고리즘을 사용해 TSP 문제를 해결한 후 결과를 검증자에게 평가를 위해 되돌려 보내는 방식이다.

서브넷 42: Gen42, GitHub 오픈소스 AI 코딩 어시스턴트

개발팀：@RizzoValidator, @FrankRizz07

소개:

Gen42는 Bittensor 네트워크를 활용해 탈중앙화 코드 생성 서비스를 제공한다. 오픈소스 대규모 언어 모델(LLM) 기반의 강력하고 확장 가능한 도구를 만들어 코드 기반 질의응답 및 코드 자동완성에 집중한다.

주요 제품:

a. 채팅 앱: 사용자가 서브넷과 상호작용할 수 있는 채팅 인터페이스를 제공하며, 주요 기능은 코드 기반 질의응답이다.

b. 코드 자동완성: continue.dev와 함께 사용할 수 있는 OpenAI 호환 API를 제공한다.

마이너와 검증자의 참여 방식은 프로젝트 Github 참조

서브넷 41: Sportstensor, 스포츠 예측 모델

개발팀：@sportstensor

소개:

Sportstensor는 Bittensor 네트워크의 지원을 받아 탈중앙화 스포츠 예측 알고리즘 개발에 매진하는 프로젝트이다.

프로젝트는 오픈소스 HuggingFace 플랫폼에서 기초 모델을 제공하여 마이너들이 이를 훈련하고 개선할 수 있도록 하며, 역사적 및 실시간 데이터를 기반으로 전략 수립 및 성능 분석을 수행한다. 또한 포괄적인 데이터 수집과 고효율 예측 모델 개발에 대해 보상을 제공한다.

마이너와 검증자 역할:

마이너: 검증자의 요청을 받고 관련 데이터에 접근한 후 머신러닝 모델을 사용해 예측을 수행한다.
검증자: 마이너들의 예측을 수집하고 실제 결과와 비교한 후 검증 결과를 기록한다.

서브넷 29: coldint, 니치(Niche) AI 모델 훈련

개발자: 확인되지 않음, 공식 사이트

소개:

SN29 coldint는 Collective Distributed Incentivized Training(집단 분산 인센티브 훈련)의 약자이다.

목표: 니치 모델(niche models)의 사전 훈련에 집중한다. "니치 모델"이란 대규모 일반 모델처럼 광범위하게 사용되지는 않지만 특정 분야나 작업에서 매우 가치 있는 모델을 의미할 수 있다.

마이너 및 기타 역할 참여 및 분담:

a) 마이너는 공개적으로 훈련 모델을 공유함으로써 인센티브를 받는다.

b) 코드 베이스를 기여하여 통찰을 공유하는 마이너 또는 기타 기여자에게는 보조적인 인센티브가 제공된다.

c) 작은 개선에도 보상을 주어 마이너들이 정기적으로 자신의 개선 내용을 공유하도록 장려한다.

d) 개인의 훈련 노력을 결합해 더 나은 통합 모델을 만드는 코드 기여에 대해 높은 보상을 제공한다.

서브넷 40: Chunking, RAG(Retrieval-Augmented Generation, 검색 증강 생성) 애플리케이션의 데이터셋 최적화

개발팀: @vectorchatai

토큰: $CHAT

소개:

SN40 Chunking은 매우 똑똑한 사서와 같다. 구체적으로는 방대한 정보(문자, 이미지, 음성 등)를 작은 단위로 나누는 것이다. 이렇게 함으로써 AI가 정보를 더 쉽게 이해하고 활용할 수 있게 된다. 책장이 잘 정리되어 있으면 원하는 책을 빠르게 찾을 수 있듯이 말이다.

SN40 Chunking은 바로 AI의 "책장을 정리"해주는 역할을 한다.

문자뿐 아니라 SN40 Chunking은 이미지, 음성 등 다양한 형태의 정보도 처리할 수 있다. 마치 책뿐만 아니라 사진첩, 음악 CD까지 관리하는 다재다능한 사서와 같다.

서브넷 39: EdgeMaxxing, 소비자 기기에서 작동하는 AI 모델 최적화

개발팀：@WOMBO

소개: SN39 EdgeMaxxing은 스마트폰부터 노트북 컴퓨터까지 다양한 소비자 기기에서 AI 모델을 최적화하는 데 초점을 맞춘 서브넷이다.

EdgeMaxxing 서브넷은 경쟁적인 보상 시스템을 채택하여 매일 한 번씩 경연을 진행한다. 목적은 참여자들이 소비자 기기에서 AI 모델의 성능을 지속적으로 최적화하도록 유도하는 것이다.

참여자 역할 및 분담:

마이너(Miners):

주요 임무는 최적화된 AI 모델 체크포인트를 제출하는 것이다.

다양한 알고리즘과 도구를 사용하여 모델 성능을 향상시킨다.

검증자(Validators):

지정된 대상 하드웨어(예: NVIDIA GeForce RTX 4090)에서 실행해야 하며, 매일 모든 마이너가 제출한 모델을 수집해 각 모델에 대해 벤치마크를 수행하고 기준 체크포인트와 비교한다. 속도 개선, 정확도 유지, 전체 효율성 향상 등을 기준으로 평가하며, 당일 최고 성능 모델을 승자로 선정한다.

프로젝트 오픈소스 저장소: https://github.com/womboai/edge-maxxing