Setelah “Senin Hitam” pasar kripto minggu ini, yang mengalami penurunan signifikan, token di berbagai sektor mengalami pemulihan pada hari berikutnya. Di antaranya, Bittensor (TAO) menjadi yang paling mencolok.

Menurut data CoinMarketCap, Bittensor (TAO) naik 23,08% kemarin, menjadikannya yang terbaik dalam hal rebound di antara 100 token teratas berdasarkan kapitalisasi pasar.

Meskipun narasi AI tidak sepanas pada awal tahun ini, pilihan modal spekulatif menunjukkan kepercayaan pada proyek-proyek unggulan di sektor ini. Namun, Bittensor telah menghadapi beberapa FUD (Fear, Uncertainty, and Doubt) di masa lalu, dengan komunitas mempertanyakan nama proyek dan aplikasi praktis di dalam subnetnya.

(Lihat juga: FUD dan Rumor: Akankah Raja AI Baru Bittensor Jatuh dari Kekuasaannya?)

Meskipun kegunaan proyek kripto tidak selalu berhubungan langsung dengan harga tokennya, apakah Bittensor hanya sekedar cangkang kosong?

Dalam beberapa bulan terakhir, Bittensor telah menambahkan 12 subnet baru, masing-masing memberikan kontribusi pada pengembangan terkait kecerdasan buatan sampai batas tertentu, dan berpotensi menciptakan proyek Alpha baru. Kami telah meninjau subnet-subnet baru ini untuk mengamati perubahan mendasar mereka sambil fokus pada lonjakan harga TAO.

Subnet 38: Sylliba, alat terjemahan teks-ke-suara yang mendukung lebih dari 70 bahasa

Tim Pengembang: Agen Kecerdasan Buatan

Pengantar:

Sylliba adalah aplikasi terjemahan yang mendukung terjemahan teks dan ucapan dalam lebih dari 70 bahasa. Terutama, aplikasi ini dapat digunakan oleh agen AI on-chain:

• Proses Penerjemahan Otomatis: Agen AI dapat secara otomatis memanggil layanan ini untuk pemrosesan dan komunikasi informasi lintas bahasa.
• Kemampuan Kecerdasan Buatan yang Ditingkatkan: Memungkinkan sistem kecerdasan buatan tanpa kemampuan multibahasa untuk menangani tugas-tugas multibahasa.
• Verifikasi Blockchain: Permintaan terjemahan dan hasilnya dapat diverifikasi di blockchain, meningkatkan kredibilitas sistem.
• Mekanisme Insentif: Melalui ekonomi token, itu dapat memberikan insentif kepada penyedia layanan terjemahan berkualitas tinggi.

Alamat proyek: https://github.com/agent-artificial/sylliba-subnet

Subnet 34: Bitmind, alat untuk mendeteksi dan membedakan antara konten sintetis asli dan palsu

Tim pengembang:@BitMindAI

Pengantar:

BitMind berfokus pada pengembangan teknologi deteksi deepfake terdesentralisasi. Dengan kemajuan cepat model AI generatif, membedakan antara media sintetis berkualitas tinggi dan konten nyata semakin kompleks.

BitMind'ssubnetmengatasi masalah ini dengan menerapkan mekanisme deteksi yang kuat dalam jaringan Bittensor, menggunakan model AI generatif dan diskriminatif untuk mengidentifikasi deepfakes secara efektif.

Selain itu, API BitMind memungkinkan pengembang memanfaatkan kemampuan deteksi deepfake dari subnet untuk membuat aplikasi konsumen yang kuat. Aplikasi web BitMind, yang menampilkan antarmuka unggah gambar, menggunakan API untuk membantu pengguna dengan cepat menilai kemungkinan bahwa sebuah gambar adalah asli atau palsu, menyediakan alat anti-pemalsuan yang dapat diakses dan dapat diinterpretasikan.

Subnet 43: Grafit, jaringan perencanaan jalur cerdas

Tim pengembangan:@GraphiteSubnet

Pengantar:

Graphite adalah sebuah subnet yang dirancang khusus untuk menangani masalah yang berkaitan dengan graf, dengan fokus khusus pada Traveling Salesman Problem (TSP). TSP adalah masalah optimisasi klasik yang bertujuan untuk menemukan rute terpendek yang mengunjungi sejumlah kota dan kembali ke titik awal.

Graphite memanfaatkan jaringan pembelajaran mesin terdesentralisasi Bittensor untuk menghubungkan penambang secara efisien untuk menangani tuntutan komputasi TSP dan masalah grafik serupa. Saat ini, validator menghasilkan permintaan sintetis dan mengirimkannya ke penambang di jaringan. Penambang bertanggung jawab untuk menyelesaikan TSP menggunakan algoritma mereka dan mengirimkan hasilnya kembali ke validator untuk evaluasi.

Subnet 42: Gen42, asisten pemrograman AI sumber terbuka GitHub

Tim pengembang:@RizzoValidator，@FrankRizz07

Pengantar:

Gen42 memanfaatkan jaringan Bittensor untuk menawarkan layanan generasi kode terdesentralisasi. Fokus mereka adalah menciptakan alat yang kuat dan dapat diskalakan untuk menjawab pertanyaan berbasis kode dan melengkapi kode, didorong oleh model bahasa besar open-source.

Produk Utama:

a. Aplikasi Obrolan: Menyediakan antarmuka obrolan yang memungkinkan pengguna berinteraksi dengan subnet mereka. Fitur utama dari aplikasi ini adalah jawaban pertanyaan berbasis kode.

b. Penyelesaian Kode: Menawarkan API yang kompatibel dengan OpenAI yang dapat digunakan dengan continue.dev.

Rincian tentang bagaimana penambang dan validator berpartisipasi dapat ditemukan di proyek ini GitHub.

Subnet 41: Sportstensor, model prediksi olahraga

Tim pengembang:@sportstensor

Pengantar:

Sportstensor adalah sebuah proyek yang fokus pada pengembangan algoritma prediksi olahraga terdesentralisasi, didukung oleh jaringan Bittensor.

Proyek ini menawarkan model-model dasar pada platform open-source HuggingFace untuk para penambang agar dapat melatih dan meningkatkan kualitas. Ini mendukung perencanaan strategis dan analisis kinerja berdasarkan data historis dan real-time serta memberikan reward untuk pengumpulan dataset yang komprehensif dan pengembangan model prediksi berkinerja tinggi.

Peran Penambang dan Validator:

• Para penambang: Menerima permintaan dari validator, mengakses data yang relevan, dan membuat prediksi menggunakan model pembelajaran mesin.
• Validator: Mengumpulkan prediksi dari para penambang, membandingkannya dengan hasil yang sebenarnya, dan mencatat hasil validasi.

Subnet 29: coldint, pelatihan model AI niche

Pengembang: Belum ditemukan,Situs web resmi ada di sini

Pengantar:

SN29 Coldint, singkatan dari Collective Distributed Incentivized Training, berfokus pada pra-pelatihan model-model niche. "Model-model niche" merujuk pada model-model yang mungkin tidak seberlaku luas seperti model umum yang besar, namun sangat berharga di domain atau tugas tertentu.

Penambang dan Partisipasi Peran:

a) Para penambang utamanya memperoleh insentif dengan membagikan publik model-model yang telah mereka pelajari.

b) Insentif sekunder diberikan kepada penambang atau kontributor lain yang berbagi wawasan dengan berkontribusi pada kode sumber.

c) Para penambang didorong untuk secara berkala berbagi peningkatan melalui imbalan untuk perbaikan kecil.

d) Penghargaan signifikan diberikan untuk kontribusi kode yang secara efektif menggabungkan upaya pelatihan individu menjadi model komposit yang ditingkatkan.

Subnet 40: Chunking, set data yang dioptimalkan untuk aplikasi RAG (Retrieval-Augmented Generation)

Tim Pengembangan: @vectorchatai

Token: $CHAT

Pengantar:

Fungsi Chunking SN40 seperti seorang pustakawan yang sangat cerdik, dirancang khusus untuk membagi volume informasi besar (teks, gambar, audio, dll.) menjadi potongan-potongan kecil. Pendekatan ini memudahkan AI untuk memahami dan memanfaatkan informasi. Sama seperti rak buku yang terorganisir dengan baik membantu Anda menemukan dengan cepat apa yang Anda cari, Chunking SN40 membantu “mengatur rak buku” untuk AI.

Tidak hanya terbatas pada teks, SN40 Chunking juga dapat mengelola berbagai jenis informasi, termasuk gambar dan audio. Ini seperti seorang pustakawan yang sangat terampil yang mengelola tidak hanya buku tetapi juga album foto, CD musik, dan lainnya.

Subnet 39: EdgeMaxxing, mengoptimalkan model AI untuk dioperasikan pada perangkat konsumen

Tim pengembang:@WOMBO

Pengantar: SN39 EdgeMaxxing adalah subnet yang difokuskan pada mengoptimalkan model AI untuk perangkat konsumen, mulai dari smartphone hingga laptop. Subnet EdgeMaxxing menggunakan sistem imbalan kompetitif dengan kontes harian untuk mendorong peserta terus meningkatkan kinerja model AI pada perangkat konsumen.

Peran dan Tanggung Jawab Peserta:

Penambang: Tugas utama adalah mengirimkan titik cek AI model yang dioptimalkan. Mereka menggunakan berbagai algoritma dan alat untuk meningkatkan kinerja model.

Validator: Harus menjalankan model yang dikirimkan pada perangkat keras target yang ditentukan (misalnya, NVIDIA GeForce RTX 4090). Mereka mengumpulkan semua model yang dikirimkan oleh penambang setiap hari, membandingkan setiap model, dan membandingkan hasilnya dengan pos pemeriksaan dasar. Validator menilai model berdasarkan peningkatan kecepatan, pemeliharaan akurasi, dan peningkatan efisiensi secara keseluruhan, memilih model berkinerja terbaik hari itu sebagai pemenang.

Repositori sumber terbuka proyek: https://github.com/womboai/edge-maxxing

Subnet 30: Bettensor, pasar prediksi olahraga terdesentralisasi di Gate.io

Tim pengembang:@Bettensor

Pengantar:

Bittensor memungkinkan para penggemar olahraga untuk memprediksi hasil dari acara olahraga, menciptakan pasar prediksi olahraga terdesentralisasi berbasis teknologi blockchain.

Peran Peserta:

Penambang: Bertanggung jawab untuk menghasilkan hasil prediksi.

Validator: Memverifikasi keakuratan hasil prediksi.

Data Collector: Mengumpulkan data acara olahraga dari berbagai sumber.

Repositori sumber terbuka proyek: https://github.com/Bettensor/bettensor (sepertinya masih dalam pengembangan)

Subnet 06: Game Tak Terbatas, pasar prediksi umum

Tim pengembang:@Playinfgames

Pengantar:

Infinite Games mengembangkan alat-alat real-time dan prediktif untuk pasar prediksi. Proyek ini juga terlibat dalam arbitrase dan agregasi acara di platform seperti Gate.IO@Polymarketdan@azuroprotocol.

Sistem Insentif:

Menggunakan token $TAO sebagai insentif.

Memberikan imbalan kepada penyedia prediksi akurat dan informasi berharga.

Secara keseluruhan, proyek ini mendorong partisipasi pengguna dalam prediksi dan berbagi informasi, membangun komunitas prediksi yang aktif.

Subnet 37: Penyetelan Halus LLM, penyetelan model bahasa besar

Tim Pengembangan: Taoverse &@MacrocosmosAI

Pengantar:

Ini adalah subnet yang berfokus pada penyesuaian model bahasa besar (LLM), memberikan imbalan kepada penambang untuk penyesuaian LLM, dan menggunakan aliran data sintetis kontinu dari Subnet 18 untuk evaluasi model.

Mekanisme Operasional:

• Para penambang melatih model dan secara teratur mempublikasikannya di platform Hugging Face.
• Validator mengunduh model dari Hugging Face dan terus mengevaluasinya menggunakan data sintetis.
• Hasil evaluasi dicatat di platform wandb.
• Token TAO didistribusikan sebagai imbalan kepada penambang dan validator berdasarkan kinerja mereka.

Alamat gudang proyek: https://github.com/macrocosm-os/finetuning

Subnet 21: Any to Any, menciptakan model multi-modal AI canggih

Tim pengembang:@omegalabsai

Pengantar:

"Any to Any" dalam proyek ini merujuk kepada kemampuan sistem AI multimodal untuk mengubah dan memahami berbagai jenis data atau informasi, seperti teks ke gambar, gambar ke teks, audio ke video, dan video ke teks. Sistem ini tidak hanya melakukan transformasi tersebut tetapi juga memahami hubungan antara modalitas yang berbeda. Sebagai contoh, sistem ini dapat memahami hubungan antara deskripsi teks dan gambar atau antara video dan audio yang sesuai.

Di subnet ini, mekanisme insentif dirancang untuk mendorong para peneliti dan pengembang AI global untuk berpartisipasi dalam proyek.

• Kontributor dapat menghasilkan imbalan token dengan menyediakan model, data, atau sumber daya komputasi yang berharga.
• Insentif ekonomi langsung ini membuat penelitian dan pengembangan AI berkualitas tinggi menjadi upaya yang berkelanjutan.

Alamat gudang proyek: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

Pengetahuan tambahan:

Pengetahuan Tambahan:

Jika beberapa pembaca tidak mengenal konsep subnet Bittensor, berikut adalah penjelasan sederhana:

• Subnet adalah jaringan khusus dalam ekosistem Bittensor.
• Setiap subnet berfokus pada tugas-tugas kecerdasan buatan atau pembelajaran mesin tertentu.
• Subnet memungkinkan pengembang untuk membuat dan menyebarkan model AI untuk tujuan tertentu.
• Mereka menggunakan kriptoekonomi untuk memberikan insentif kepada peserta untuk menyediakan sumber daya komputasi dan meningkatkan model.

pernyataan:

1. Artikel ini direproduksi dari [TechFlow], judul asli “TAO memiliki rebound terkuat sekarang, mengambil stok 12 proyek AI yang berguna di subnet”, hak cipta milik penulis asli [深潮 TechFlow], jika Anda keberatan dengan publikasi ulang, silakan hubungi Tim Pembelajaran Gate, tim akan menanganinya sesegera mungkin sesuai dengan prosedur yang relevan.

2. Penafian: Pandangan dan opini yang tertera dalam artikel ini hanya mewakili pandangan pribadi penulis dan tidak merupakan saran investasi apa pun.

3. Versi bahasa lain dari artikel diterjemahkan oleh tim Gate Learn, tidak disebutkan dalamGate.io, artikel yang diterjemahkan tidak boleh direproduksi, didistribusikan atau dijiplak.