TAO 현재 가장 강력한 반등, 한 문서에서 자넷 12개의 유용한 AI 프로젝트 정리

심조TechFlow

2024-08-07 22:03:13

수집

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

위챗으로 스캔하기

저자: 심조 TechFlow

암호화폐 시장은 이번 주의 '검은 월요일'을 겪은 후 피가 흐르고 있지만, 하루가 지나면서 다양한 섹터의 토큰들이 반등을 맞이했습니다.

그 중 가장 눈에 띄는 것은 Bittensor (TAO)입니다.

Coinmarketcap 데이터에 따르면, 어제 시가총액 상위 100개 토큰 중 Bittensor (TAO)는 23.08% 상승하여 반등 순위 1위를 차지했습니다.

비록 AI 서사가 연초만큼 뜨겁지는 않지만, 유동 자금의 선택은 섹터의 주요 프로젝트에 대한 긍정적인 시각을 나타냅니다.

하지만 이전에 Bittensor는 어느 정도의 FUD를 겪었고, 커뮤니티는 프로젝트 이름이 과대 포장되었다고 생각하며, 서브넷 내에 실제 응용 프로그램이 없다고 주장했습니다.

암호화폐 프로젝트의 유용성이 토큰 가격과 직접적으로 관련이 없기는 하지만, Bittensor는 정말로 빈 껍데기일까요?

지난 몇 개월 동안 Bittensor에는 12개의 서브넷이 추가되었고, 각 서브넷은 어느 정도 AI 관련 개발을 촉진하고 있으며, 그 중에서 새로운 알파 프로젝트가 나올 가능성도 있습니다.

우리는 이러한 새로운 서브넷을 살펴보았고, TAO 가격 반등에 집중하는 동안 기본적인 변화도 살펴보았습니다.

서브넷 38: Sylliba, 70개 이상의 언어를 지원하는 텍스트 음성 번역 도구

개발 팀: Agent Artificial

소개:

Sylliba는 텍스트와 음성 번역을 지원하는 번역 애플리케이션으로, 70개 이상의 언어를 처리할 수 있습니다.

특히 이 프로그램은 체인 상의 AI 에이전트에서 사용할 수 있습니다:

자동화된 번역 프로세스: AI 에이전트는 이 서비스를 자동으로 호출하여 언어 간 정보 처리 및 통신을 실현합니다.
AI 능력 향상: 다국어 능력이 없는 AI 시스템도 다국어 작업을 처리할 수 있게 합니다.
번역 요청 및 결과는 블록체인에서 검증할 수 있어 시스템의 신뢰성을 높입니다.
인센티브 메커니즘: 토큰 경제를 통해 고품질 번역 서비스 제공자를 유도할 수 있습니다.

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

서브넷 34: Bitmind, 진짜 콘텐츠와 가짜 합성 콘텐츠를 구별하는 기술

개발 팀: @BitMindAI

소개:

BitMind는 탈중앙화된 딥페이크 탐지 기술 개발에 집중하고 있습니다. 생성형 AI 모델의 빠른 발전과 함께 고품질 합성 미디어와 실제 콘텐츠를 구별하는 것이 점점 더 복잡해지고 있습니다.

BitMind의 서브넷은 Bittensor 네트워크에 강력한 탐지 메커니즘을 배포하여 이 문제를 해결하며, 생성형 및 판별형 AI 모델을 사용하여 딥페이크를 효과적으로 식별합니다.

동시에 BitMind API는 서브넷의 딥페이크 탐지 기능을 활용하여 강력한 소비자 애플리케이션을 개발할 수 있게 합니다. 이미지 업로드 인터페이스를 갖춘 BitMind 웹 애플리케이션은 API를 사용하여 사용자가 이미지가 진짜인지 가짜인지 빠르게 식별할 수 있도록 도와주며, 접근하기 쉽고 이해하기 쉬운 반사기 도구를 제공합니다.

서브넷 43: Graphite, 스마트 경로 계획 네트워크

개발 팀: @GraphiteSubnet

소개:

Graphite는 그래프 문제를 처리하기 위해 특별히 설계된 서브넷으로, 특히 외판원 문제(TSP)에 중점을 두고 있습니다. TSP는 도시 집합을 방문하고 시작점으로 돌아가는 최단 경로를 찾는 고전적인 최적화 문제입니다.

Graphite는 Bittensor의 탈중앙화된 머신러닝 네트워크를 활용하여 효율적으로 채굴자들을 연결하고 TSP 및 유사한 그래프 문제의 계산 요구를 처리합니다.

현재 검증자는 합성 요청을 생성하고 네트워크의 채굴자에게 보냅니다. 채굴자는 자신이 설계한 알고리즘을 사용하여 TSP를 해결하고 결과를 검증자에게 보내 평가합니다.

서브넷 42: Gen42, GitHub의 오픈소스 AI 코딩 도우미

개발 팀: @RizzoValidator, @FrankRizz07

소개:

Gen42는 Bittensor 네트워크를 활용하여 탈중앙화된 코드 생성 서비스를 제공합니다. 그들은 코드 기반 질문 응답 및 코드 완성을 위한 강력하고 확장 가능한 도구를 만드는 데 중점을 두고 있으며, 이러한 도구는 오픈소스 대형 언어 모델에 의해 구동됩니다.

주요 제품:

a. 채팅 애플리케이션: 사용자와 서브넷 간의 상호작용을 허용하는 채팅 프론트엔드를 제공합니다. 이 애플리케이션의 주요 기능은 코드 기반 질문 응답입니다.

b. 코드 완성: OpenAI와 호환되는 API를 제공하며, continue.dev와 함께 사용할 수 있습니다.

채굴자와 검증자가 참여하는 방식은 프로젝트 GitHub에서 확인할 수 있습니다.

서브넷 41: Sportstensor, 스포츠 예측 모델

개발 팀: @sportstensor

소개:

Sportstensor는 탈중앙화된 스포츠 예측 알고리즘 개발에 전념하는 프로젝트로, Bittensor 네트워크의 지원을 받습니다.

이 프로젝트는 오픈소스 HuggingFace에서 채굴자가 훈련하고 개선할 수 있는 기본 모델을 제공하며, 역사적 및 실시간 데이터를 기반으로 전략 계획 및 성능 분석을 수행하고, 포괄적인 데이터 수집 및 고성능 예측 모델 개발에 보상을 제공합니다.

채굴자와 검증자의 기능:

채굴자: 검증자의 요청을 수신하고 관련 데이터를 접근하여 머신러닝 모델을 사용하여 예측합니다.
검증자: 채굴자의 예측을 수집하고 실제 결과와 비교하여 검증 결과를 기록합니다.

서브넷 29: coldint, 니치 AI 모델 훈련

개발자: 아직 발견되지 않음, 공식 웹사이트는 여기에 있습니다.

소개:

SN29 coldint, 전체 이름은 Collective Distributed Incentivized Training(집단 분산 인센티브 훈련)입니다.

목표: 니치 모델(niche models)의 사전 훈련에 집중합니다. '니치 모델'은 대형 범용 모델처럼 널리 사용되지는 않지만 특정 분야나 작업에서 매우 가치 있는 모델을 의미할 수 있습니다.

채굴자 및 기타 역할의 참여 및 분업:

a) 채굴자는 공개적으로 훈련 모델을 공유하여 인센티브를 얻습니다.

b) 코드 라이브러리를 기여하여 통찰력을 공유하는 채굴자나 기타 기여자에게 보조 인센티브를 제공합니다.

c) 작은 개선을 보상하여 채굴자가 정기적으로 개선 작업을 공유하도록 유도합니다.

d) 개인 훈련 노력을 결합하여 더 나은 조합 모델을 만드는 코드 기여에 대해 높은 보상을 제공합니다.

서브넷 40: Chunking, RAG(검색 증강 생성) 애플리케이션의 데이터셋 최적화

개발 팀: @vectorchatai

토큰: $CHAT

소개:

SN40 Chunking은 많은 정보를(텍스트, 이미지, 소리 등) 작은 조각으로 나누는 매우 똑똑한 사서와 같습니다. 이렇게 하는 이유는 AI가 이러한 정보를 더 쉽게 이해하고 사용할 수 있도록 하기 위함입니다. 책장이 잘 정리되어 있으면 빠르게 찾을 수 있습니다.

SN40 Chunking은 AI가 '책장을 정리'하는 데 도움을 주고 있습니다.

단순한 텍스트뿐만 아니라 SN40 Chunking은 이미지, 소리 등 다양한 유형의 정보도 처리할 수 있습니다. 이는 책뿐만 아니라 사진첩, 음악 CD 등을 관리하는 만능 사서와 같습니다.

서브넷 39: EdgeMaxxing, 소비자 장치에서 실행되는 AI 모델 최적화

개발 팀: @WOMBO

소개: SN39 EdgeMaxxing은 소비자 장치에서 AI 모델을 최적화하는 데 중점을 둔 서브넷으로, 스마트폰에서 노트북까지 포함됩니다.

EdgeMaxxing 서브넷은 경쟁적인 보상 시스템을 채택하여 매일 경연을 진행합니다. 목표는 참가자들이 소비자 장치에서 AI 모델의 성능을 지속적으로 최적화하도록 유도하는 것입니다.

참가자 역할 및 분업:

채굴자(Miners):

주요 임무는 최적화된 AI 모델 체크포인트를 제출하는 것입니다.
그들은 다양한 알고리즘과 도구를 사용하여 모델 성능을 향상시킵니다.

검증자(Validators):

지정된 목표 하드웨어에서 실행해야 합니다(예: NVIDIA GeForce RTX 4090). 매일 모든 채굴자가 제출한 모델을 수집하고, 각 제출된 모델에 대해 벤치마크 테스트를 수행하여 기준 체크포인트와 비교합니다. 속도 개선, 정확성 유지 및 전체 효율성 향상에 따라 점수를 매기고, 그날의 최상의 성능을 보인 모델을 승자로 선정합니다.

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