TAO tăng mạnh nhất, điểm mặt 12 dự án AI hữu ích trên mạng con
Tuyển chọn TechFlowTuyển chọn TechFlow
TAO tăng mạnh nhất, điểm mặt 12 dự án AI hữu ích trên mạng con
12 mạng con mới đã được thêm vào Bittensor, và mỗi mạng con đều thúc đẩy việc phát triển liên quan đến AI ở một mức độ nhất định.
Chuyên sâu báo cáo Web3Tác giả: TechFlow
Thị trường tiền mã hóa sau "thứ Hai đen tối" trong tuần này đã rơi vào cảnh máu chảy thành sông, nhưng chỉ một ngày sau đó, các token ở các lĩnh vực khác nhau đều phục hồi tăng giá.
Trong số đó, nổi bật nhất phải kể đến Bittensor (TAO).
Dữ liệu từ Coinmarketcap cho thấy, trong số 100 token hàng đầu về vốn hóa hôm qua, Bittensor (TAO) tăng 23,08%, dẫn đầu danh sách phục hồi.
Mặc dù câu chuyện AI không còn nóng như đầu năm, nhưng sự lựa chọn của dòng tiền vẫn thể hiện sự lạc quan đối với các dự án hàng đầu trong lĩnh vực này.
Tuy nhiên trước đó Bittensor cũng từng chịu một lượng FUD nhất định, cộng đồng cho rằng dự án quá thổi phồng tên tuổi, các subnet cũng không có ứng dụng thực tiễn nào đáng kể.
(Xem thêm : FUD lan truyền, vị vua AI mới Bittensor có sụp đổ từ trên đài thần không?)
Việc một dự án mã hóa có thực dụng hay không tuy không liên quan trực tiếp đến giá token, nhưng liệu Bittensor thực sự chỉ là một cái vỏ rỗng?
Trong vài tháng qua, Bittensor đã bổ sung thêm 12 subnet mới, và mỗi subnet này ở mức độ nào đó đều thúc đẩy phát triển liên quan đến AI, trong số đó có thể sẽ xuất hiện những dự án Alpha mới.
Chúng tôi đã tổng hợp lại các subnet mới này, khi mọi ánh mắt đang đổ dồn vào đà phục hồi giá TAO, hãy cùng nhìn lại những thay đổi về cơ bản của dự án.
Subnet 38: Sylliba – Công cụ dịch văn bản và giọng nói hỗ trợ hơn 70 ngôn ngữ
Đội phát triển: Agent Artificial
Giới thiệu:
Sylliba là một ứng dụng dịch thuật, hỗ trợ dịch văn bản và giọng nói, có khả năng xử lý hơn 70 ngôn ngữ.
Điều đáng chú ý là chương trình này có thể được sử dụng bởi các agent AI trên chuỗi:
-
Tự động hóa quy trình dịch thuật: Các agent AI có thể tự động gọi dịch vụ này để xử lý và giao tiếp thông tin đa ngôn ngữ.
-
Nâng cao khả năng AI: Giúp các hệ thống AI không có khả năng đa ngôn ngữ vẫn có thể xử lý các tác vụ bằng nhiều ngôn ngữ.
-
Các yêu cầu và kết quả dịch thuật có thể được xác minh trên blockchain, tăng tính tin cậy cho hệ thống.
-
Cơ chế thưởng: Thông qua kinh tế học token, có thể khuyến khích những người cung cấp dịch vụ dịch thuật chất lượng cao.
Địa chỉ dự án: https://github.com/agent-artificial/sylliba-subnet
Subnet 34: Bitmind – Phát hiện và phân biệt nội dung thật và nội dung giả mạo tổng hợp
Đội phát triển: @BitMindAI
Giới thiệu:
BitMind tập trung phát triển công nghệ phát hiện deepfake phi tập trung. Khi các mô hình AI sinh tạo phát triển nhanh chóng, việc phân biệt giữa phương tiện tổng hợp chất lượng cao và nội dung thật ngày càng trở nên phức tạp.
Subnet của BitMind giải quyết vấn đề này bằng cách triển khai các cơ chế phát hiện mạnh mẽ trên mạng Bittensor, sử dụng cả mô hình AI sinh tạo và phân biệt để nhận diện hiệu quả deepfake.
Đồng thời, API của BitMind cho phép tận dụng chức năng phát hiện deepfake của subnet để phát triển các ứng dụng tiêu dùng mạnh mẽ. Ứng dụng web BitMind với giao diện tải ảnh lên có thể sử dụng API giúp người dùng nhanh chóng nhận biết khả năng ảnh thật hay giả, từ đó cung cấp một công cụ chống lừa đảo dễ tiếp cận và dễ hiểu.
Subnet 43: Graphite – Mạng lưới lập kế hoạch đường đi thông minh
Đội phát triển: @GraphiteSubnet
Giới thiệu:
Graphite là một subnet được thiết kế chuyên biệt để xử lý các bài toán đồ thị, đặc biệt tập trung vào bài toán người du lịch (TSP). TSP là một bài toán tối ưu cổ điển, mục tiêu là tìm ra tuyến đường ngắn nhất để đi qua một nhóm thành phố rồi quay về điểm xuất phát.
Graphite tận dụng mạng máy học phi tập trung của Bittensor để kết nối hiệu quả các thợ đào nhằm đáp ứng nhu cầu tính toán cho TSP và các bài toán đồ thị tương tự.
Hiện tại, các bộ xác thực tạo yêu cầu tổng hợp và gửi đến các thợ đào trong mạng. Các thợ đào chịu trách nhiệm giải TSP bằng các thuật toán do họ thiết kế và gửi kết quả về cho bộ xác thực đánh giá.
Subnet 42: Gen42 – Trợ lý mã hóa AI mã nguồn mở trên GitHub
Đội phát triển: @RizzoValidator, @FrankRizz07
Giới thiệu:
Gen42 tận dụng mạng Bittensor để cung cấp dịch vụ sinh mã phi tập trung. Họ tập trung xây dựng các công cụ mạnh mẽ, có thể mở rộng cho hỏi đáp dựa trên mã và hoàn thiện mã, được vận hành bởi các mô hình ngôn ngữ lớn mã nguồn mở.
Sản phẩm chính:
a. Ứng dụng trò chuyện: Cung cấp giao diện trò chuyện phía trước, cho phép người dùng tương tác với subnet của họ. Chức năng chính của ứng dụng này là hỏi đáp dựa trên mã.
b. Hoàn thiện mã: Cung cấp API tương thích OpenAI, có thể dùng cùng continue.dev.
Chi tiết cách thợ đào và bộ xác thực tham gia xem tại Github của dự án
Subnet 41: Sportstensor – Mô hình dự đoán thể thao
Đội phát triển: @sportstensor
Giới thiệu:
Sportstensor là một dự án chuyên phát triển các thuật toán dự đoán thể thao phi tập trung, được hỗ trợ bởi mạng Bittensor.
Dự án cung cấp mô hình nền tảng mã nguồn mở trên HuggingFace để các thợ đào huấn luyện và cải tiến, đồng thời có thể lập kế hoạch chiến lược và phân tích hiệu suất dựa trên dữ liệu lịch sử và thời gian thực, đồng thời thưởng cho việc thu thập bộ dữ liệu toàn diện và phát triển mô hình dự đoán hiệu suất cao.
Chức năng của thợ đào và bộ xác thực:
-
Thợ đào: Nhận yêu cầu từ bộ xác thực, truy cập dữ liệu liên quan, sử dụng mô hình học máy để đưa ra dự đoán.
-
Bộ xác thực: Thu thập dự đoán từ các thợ đào, so sánh với kết quả thực tế, ghi nhận kết quả xác thực.
Subnet 29: coldint – Huấn luyện mô hình AI ngách
Người phát triển: Hiện chưa rõ, trang web chính thức tại đây
Giới thiệu:
SN29 coldint, viết đầy đủ là Collective Distributed Incentivized Training (Huấn luyện tập thể phân tán có thưởng).
Mục tiêu: Tập trung vào việc tiền huấn luyện các mô hình ngách (niche models). "Mô hình ngách" có thể ám chỉ những mô hình không được sử dụng rộng rãi như các mô hình tổng quát lớn, nhưng lại rất có giá trị trong một lĩnh vực hoặc nhiệm vụ cụ thể.
Thợ đào và các vai trò khác tham gia và phân công:
a) Thợ đào chủ yếu nhận phần thưởng bằng cách chia sẻ công khai mô hình đã huấn luyện.
b) Phần thưởng thứ cấp dành cho những thợ đào hoặc đóng góp viên khác chia sẻ hiểu biết bằng cách đóng góp vào kho mã nguồn.
c) Bằng cách thưởng cho những cải tiến nhỏ, khuyến khích thợ đào thường xuyên chia sẻ công việc cải tiến của họ.
d) Phần thưởng cao dành cho những đóng góp mã có khả năng kết hợp các nỗ lực huấn luyện cá nhân thành các mô hình tổ hợp tốt hơn.
Subnet 40: Chunking – Tối ưu hóa tập dữ liệu cho ứng dụng RAG (Retrieval-Augmented Generation - Sinh nội dung tăng cường truy xuất)
Đội phát triển: @vectorchatai
Token: $CHAT
Giới thiệu:
SN40 Chunking giống như một thủ thư cực kỳ thông minh, cụ thể là chia thông tin lớn (văn bản, hình ảnh, âm thanh...) thành từng phần nhỏ. Làm như vậy để AI dễ dàng hiểu và sử dụng thông tin này hơn. Cũng giống như khi sắp xếp kệ sách gọn gàng, bạn có thể tìm thấy thứ mình cần nhanh chóng.
SN40 Chunking đang giúp AI "sắp xếp kệ sách".
Không chỉ giới hạn ở văn bản, SN40 Chunking còn có thể xử lý hình ảnh, âm thanh và nhiều loại thông tin khác. Điều này giống như một thủ thư toàn năng, không chỉ quản lý sách mà còn quản lý album ảnh, đĩa nhạc CD...
Subnet 39: EdgeMaxxing – Tối ưu mô hình AI để chạy trên thiết bị người dùng
Đội phát triển: @WOMBO
Giới thiệu: SN39 EdgeMaxxing là một subnet tập trung vào việc tối ưu mô hình AI cho các thiết bị người dùng, từ điện thoại thông minh đến máy tính xách tay.
Subnet EdgeMaxxing áp dụng hệ thống thưởng cạnh tranh, tổ chức một cuộc thi mỗi ngày. Mục đích là khuyến khích người tham gia liên tục tối ưu hiệu suất mô hình AI trên thiết bị người dùng.
Vai trò và phân công người tham gia:
Thợ đào (Miners):
Nhiệm vụ chính là nộp các điểm kiểm tra mô hình AI đã được tối ưu
Họ sử dụng nhiều thuật toán và công cụ khác nhau để nâng cao hiệu suất mô hình
Bộ xác thực (Validators):
Phải chạy trên phần cứng mục tiêu đã chỉ định (ví dụ: NVIDIA GeForce RTX 4090), hàng ngày thu thập tất cả các mô hình mà thợ đào nộp, chạy kiểm chuẩn từng mô hình đã nộp, so sánh với điểm kiểm tra chuẩn; chấm điểm theo cải thiện tốc độ, duy trì độ chính xác và nâng cao hiệu suất tổng thể, sau đó chọn mô hình tốt nhất trong ngày làm người chiến thắng
Kho mã nguồn mở của dự án: https://github.com/womboai/edge-maxxing
Subnet 30: Bettensor – Thị trường dự đoán thể thao phi tập trung
Đội phát triển: @Bettensor
Giới thiệu:
Bettensor cho phép những người yêu thể thao dự đoán kết quả các trận đấu thể thao, tạo ra một thị trường dự đoán thể thao phi tập trung dựa trên blockchain.
Vai trò người tham gia:
Thợ đào: Chịu trách nhiệm tạo ra kết quả dự đoán
Bộ xác thực: Xác minh độ chính xác của kết quả dự đoán
Bộ thu thập dữ liệu: Thu thập dữ liệu các sự kiện thể thao từ nhiều nguồn khác nhau
Kho mã nguồn mở của dự án: https://github.com/Bettensor/bettensor (có vẻ vẫn đang trong quá trình phát triển)
Subnet 06: Infinite Games – Thị trường dự đoán tổng quát
Đội phát triển: @Playinfgames
Giới thiệu:
Infinite Games phát triển các công cụ thời gian thực và dự đoán để phục vụ thị trường dự đoán. Đồng thời dự án thực hiện chênh lệch giá và tổng hợp các sự kiện trên các nền tảng như @Polymarket và @azuroprotocol.
Hệ thống thưởng:
Sử dụng token $TAO làm phương tiện thưởng
Thưởng cho những người dự đoán chính xác và cung cấp thông tin có giá trị
Nhìn chung, dự án khuyến khích người dùng tham gia dự đoán và cung cấp thông tin, tạo thành một cộng đồng dự đoán sôi động.
Subnet 37: LLM Fine-tuning – Tinh chỉnh mô hình ngôn ngữ lớn
Đội phát triển: Taoverse & @MacrocosmosAI
Giới thiệu:
Đây là một subnet chuyên về tinh chỉnh mô hình ngôn ngữ lớn (LLMs): Thưởng cho các thợ đào (miners) khi tinh chỉnh LLMs, sử dụng luồng dữ liệu tổng hợp liên tục từ subnet 18 để đánh giá mô hình.
Cơ chế hoạt động:
-
Thợ đào huấn luyện mô hình và định kỳ đăng lên nền tảng Hugging Face.
-
Bộ xác thực (validators) tải mô hình từ Hugging Face và sử dụng dữ liệu tổng hợp để đánh giá liên tục.
-
Kết quả đánh giá được ghi nhận trên nền tảng wandb.
-
Phân bổ phần thưởng token TAO cho thợ đào và bộ xác thực theo trọng số.
Địa chỉ kho dự án: https://github.com/macrocosm-os/finetuning
Subnet 21: Any to Any – Tạo mô hình AI đa phương thức tiên tiến
Đội phát triển: @omegalabsai
Giới thiệu:
"Any to Any" trong dự án này ám chỉ khả năng của một hệ thống AI đa phương thức có thể chuyển đổi và hiểu giữa các loại dữ liệu hoặc thông tin khác nhau, ví dụ như văn bản sang hình ảnh, hình ảnh sang văn bản, âm thanh sang video, video sang văn bản.
Hệ thống không chỉ có thể chuyển đổi mà còn có thể hiểu mối quan hệ giữa các phương thức khác nhau. Ví dụ, nó có thể hiểu mối liên hệ giữa một đoạn mô tả văn bản và một bức ảnh, hoặc giữa một đoạn video và âm thanh tương ứng.
Trong subnet này, cơ chế thưởng được dùng để khuyến khích các nhà nghiên cứu và nhà phát triển AI toàn cầu tham gia dự án. Cụ thể:
-
Người đóng góp có thể nhận phần thưởng token bằng cách cung cấp các mô hình, dữ liệu hoặc tài nguyên tính toán có giá trị.
-
Sự khuyến khích kinh tế trực tiếp này khiến nghiên cứu và phát triển AI chất lượng cao trở thành một công việc bền vững.
Địa chỉ kho dự án: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor
Kiến thức bổ sung:
Phòng trường hợp một số độc giả chưa hiểu ý nghĩa của các subnet Bittensor, có thể giải thích đơn giản như sau:
-
Subnet là các mạng chuyên biệt trong hệ sinh thái Bittensor,
-
Mỗi subnet tập trung vào một nhiệm vụ AI hoặc học máy cụ thể.
-
Subnet cho phép các nhà phát triển tạo và triển khai các mô hình AI chuyên dụng.
-
Chúng sử dụng kinh tế học mã hóa để thưởng cho những người tham gia cung cấp tài nguyên tính toán và cải tiến mô hình.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
深潮TechFlow
