撰文：深潮 TechFlow
加密市場在經歷了本週的“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著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麼實際應用。
（相關閱讀：FUD 風聲鶴唳，AI 新王 Bittensor 會跌下神壇嗎？）
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麼？
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著 AI 相關的開發，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
開發團隊：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
開發團隊：@BitMindAI
簡介：
BitMind專注於開發去中心化的深度偽造檢測技術。隨著生成式 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複雜。
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偽造。
同時，BitMind API 使得能夠利用子網的深度偽造檢測功能來開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
開發團隊：@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線。
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併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：Gen42，GitHub 的開源AI編碼助手
開發團隊：@RizzoValidator，@FrankRizz07
簡介：
Gen42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，這些工具由開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
開發團隊：@sportstensor
簡介：
Sportstensor 是一個致力於開發去中心化體育預測算法的項目，由 Bittensor 網絡提供支持。
項目在開源的 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戰略規劃和性能分析，並獎勵全面的數據集收集和高性能預測模型開發。
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，小眾AI模型訓練
開發者：暫未發現，官網在此
簡介：
SN29 coldint，全稱為 Collective Distributed Incentivized Training（集體分佈式激勵訓練）。
目標：專注於小眾模型（niche models）的預訓練。"小眾模型"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) 礦工主要通過公開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
開發團隊：@vectorchatai
代幣：$CHAT
簡介：
SN40 Chunking 就像是一個非常聰明的圖書管理員，具體的做法是把大量的信息（文字、圖片、聲音等）分成小塊。這樣做是為了讓AI更容易理解和使用這些信息。如果書架整理得很好，你就能很快找到。
SN40 Chunking就是在幫AI "整理書架"。
不僅僅是文字，SN40 Chunking還能處理圖片、聲音等多種類型的信息。這就像一個全能的圖書管理員，不僅管理書籍，還管理照片集、音樂CD等。
子網 39: EdgeMaxxing，優化AI模型以在消費者設備上運行
開發團隊：@WOMBO
簡介：SN39 EdgeMaxxing是一個專注於優化消費者設備AI模型的子網，從智能手機到筆記本電腦。
EdgeMaxxing子網採用了一種競爭性的獎勵系統，每天都會進行一次競賽。目的是鼓勵參與者不斷優化AI模型在消費者設備上的性能。
參與者角色和分工：
礦工（Miners）：
主要任務是提交經過優化的AI模型檢查點
他們使用各種算法和工具來提高模型性能
驗證者（Validators）：
必須在指定的目標硬件上運行（例如NVIDIA GeForce RTX 4090），每天收集所有礦工提交的模型，對每個提交的模型進行基準測試，與基線檢查點比較；根據速度改進、準確性維持和整體效率提升來評分，並選出當天表現最佳的模型作為獲勝者
項目開源倉庫：https://github.com/womboai/edge-maxxing
子網 30: Bettensor，去中心化體育預測市場
開發團隊：@Bettensor
簡介：
Bettensor允許體育愛好者預測體育比賽的結果，創建一個基於區塊鏈的去中心化體育預測市場。
參與者角色：
Miner：負責生成預測結果
Validator：驗證預測結果的準確性
數據收集器：從各種來源收集體育賽事數據
項目開源倉庫：https://github.com/Bettensor/bettensor （看起來仍在開發中）
子網 06：Infinite Games，通用預測市場
開發團隊：@Playinfgames
簡介：
Infinite Games 開發實時和預測性工具，用於預測市場。同時項目對@Polymarket和@azuroprotocol等平臺的事件進行套利和聚合。
激勵系統：
使用$TAO代幣作為激勵手段
獎勵準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
開發團隊：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佈到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
開發團隊：@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係。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繫。
在這個子網中，激勵機制被用來鼓勵全球的AI研究者和開發者參與項目。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研究和開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。
子網允許開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。
