原文作者：深潮 TechFlow
加密市场在经历了本周的“黑色星期一”后血流成河，但一天过后不同板块的代币均迎来反弹。
在这之中，最靓的仔要数 Bittensor （TAO）。
Coinmarketcap 数据显示，昨日市值前 100 代币中，Bittensor (TAO) 涨 23.08% ，位居反弹榜首位。
虽然 AI 叙事并没有年初那般火热，但游资的选择也代表着对板块头部项目的看好。
不过之前 Bittensor 也遭受了一定程度的 fud，社区认为项目名过其实，子网当中也并没有什么实际应用。
加密项目有没有用虽然并不与代币价格直接相关，但 Bittensor 就真的只是个空壳子么？
过去几个月，Bittensor 上新增了 12 个子网，且每个子网都在一定程度上促进着 AI 相关的开发，其中说不定也会跑出新的 Alpha 项目。
我们盘了盘这些新子网，在注意力都集中在 TAO 价格反弹的同时，一览其基本面的变化。
子网 38 ：Sylliba，支持 70+语言的文本语音翻译工具
开发团队：Agent Artificial
简介：
Sylliba 是一个翻译应用程序，支持文本和语音的翻译，可以处理 70 多种语言。
值得一提的是，该程序可以为链上 AI 代理所用：
自动化翻译流程：AI 代理可以自动调用这个服务，实现跨语言的信息处理和通信。
增强 AI 能力：使得不具备多语言能力的 AI 系统也能处理多语言任务。
翻译请求和结果可以在区块链上验证，增加了系统的可信度。
激励机制：通过代币经济，可以激励高质量的翻译服务提供者。
项目地址：https://github.com/agent-artificial/sylliba-subnet
子网 34 ：Bitmind，检测区分真实内容与虚假合成内容
开发团队：@BitMindAI
简介：
BitMind 专注于开发去中心化的深度伪造检测技术。随着生成式 AI 模型的快速发展，区分高质量合成媒体和真实内容变得越来越复杂。
BitMind的 Subnet通过在 Bittensor 网络中部署强大的检测机制来解决此问题，使用生成式和判别式 AI 模型来有效识别深度伪造。
同时，BitMind API 使得能够利用子网的深度伪造检测功能来开发强大的消费者应用程序。具有图像上传界面的 BitMind Web 应用程序可以使用 API 帮助用户快速识别图片是真还是假的可能性，从而提供易于访问且易于解释的反欺骗工具。
子网 43 ：Graphite，智能路径规划网络
开发团队：@GraphiteSubnet
简介：
Graphite 是一个专门设计用于处理图形问题的子网，特别关注旅行商问题（TSP）。TSP 是一个经典的优化问题，目标是找到访问一组城市并返回起点的最短可能路线。
Graphite 利用 Bittensor 的去中心化机器学习网络来高效地连接矿工，以处理 TSP 和类似图形问题的计算需求。
目前，验证者生成合成请求并发送给网络中的矿工。矿工负责使用他们设计的算法解决 TSP，并将结果发送回验证者进行评估。
子网 42 ：Gen 42 ，GitHub 的开源 AI 编码助手
开发团队：@RizzoValidator，@FrankRizz 07
简介：
Gen 42 利用 Bittensor 网络提供去中心化的代码生成服务。他们的重点是创建强大、可扩展的工具，用于基于代码的问答和代码补全，这些工具由开源大型语言模型驱动。
主要产品：
a. 聊天应用：提供一个聊天前端，允许用户与他们的子网进行交互。这个应用的主要功能是基于代码的问答。
b. 代码补全：提供一个兼容 OpenAI 的 API，可以与 continue.dev 一起使用。
矿工和验证者参与的方式详见项目 Github
子网 41 ：Sportstensor, 体育预测模型
开发团队：@sportstensor
简介：
Sportstensor 是一个致力于开发去中心化体育预测算法的项目，由 Bittensor 网络提供支持。
项目在开源的 HuggingFace 上提供基础模型供矿工训练和改进，同时能够基于历史和实时数据进行战略规划和性能分析，并奖励全面的数据集收集和高性能预测模型开发。
矿工和验证者功能：
矿工：接收验证者的请求，访问相关数据，使用机器学习模型进行预测。
验证者：收集矿工的预测，与实际结果比较，记录验证结果。
子网 29 ：coldint，小众 AI 模型训练
开发者：暂未发现，官网在此
简介：
SN 29 coldint，全称为 Collective Distributed Incentivized Training（集体分布式激励训练）。
目标：专注于小众模型（niche models）的预训练。小众模型可能指的是那些不像大型通用模型那样广泛应用，但在特定领域或任务中非常有价值的模型。
矿工和其他角色参与及分工：
a) 矿工主要通过公开共享训练模型来获得激励。
b) 次要激励给予那些通过贡献代码库来分享见解的矿工或其他贡献者。
c) 通过奖励小的改进，鼓励矿工定期分享他们改进的工作。
d) 高度奖励能够将个人训练努力结合成更好的组合模型的代码贡献。
子网 40: Chunking，优化 RAG（Retrieval-Augmented Generation，检索增强生成）应用的数据集
开发团队：@vectorchatai
代币：$CHAT
简介：
SN 40 Chunking 就像是一个非常聪明的图书管理员，具体的做法是把大量的信息（文字、图片、声音等）分成小块。这样做是为了让 AI 更容易理解和使用这些信息。如果书架整理得很好，你就能很快找到。
SN 40 Chunking 就是在帮 AI 整理书架。
不仅仅是文字，SN 40 Chunking 还能处理图片、声音等多种类型的信息。这就像一个全能的图书管理员，不仅管理书籍，还管理照片集、音乐 CD 等。
子网 39: EdgeMaxxing，优化 AI 模型以在消费者设备上运行
开发团队：@WOMBO
简介：S N3 9 EdgeMaxxing 是一个专注于优化消费者设备 AI 模型的子网，从智能手机到笔记本电脑。
EdgeMaxxing 子网采用了一种竞争性的奖励系统，每天都会进行一次竞赛。目的是鼓励参与者不断优化 AI 模型在消费者设备上的性能。
参与者角色和分工：
矿工（Miners）：
主要任务是提交经过优化的 AI 模型检查点
他们使用各种算法和工具来提高模型性能
验证者（Validators）：
必须在指定的目标硬件上运行（例如 NVIDIA GeForce RTX 4090），每天收集所有矿工提交的模型，对每个提交的模型进行基准测试，与基线检查点比较；根据速度改进、准确性维持和整体效率提升来评分，并选出当天表现最佳的模型作为获胜者
项目开源仓库：https://github.com/womboai/edge-maxxing
子网 30: Bettensor，去中心化体育预测市场
开发团队：@Bettensor
简介：
Bettensor 允许体育爱好者预测体育比赛的结果，创建一个基于区块链的去中心化体育预测市场。
参与者角色：
Miner：负责生成预测结果
Validator：验证预测结果的准确性
数据收集器：从各种来源收集体育赛事数据
项目开源仓库：https://github.com/Bettensor/bettensor （看起来仍在开发中）
子网 06 ：Infinite Games，通用预测市场
开发团队：@Playinfgames
简介：
Infinite Games 开发实时和预测性工具，用于预测市场。同时项目对@Polymarket 和@azuroprotocol 等平台的事件进行套利和聚合。
激励系统：
使用$TAO 代币作为激励手段
奖励准确预测和有价值信息的提供者
总体上，项目鼓励用户参与预测和信息提供，形成一个活跃的预测社区。
子网 37 ：LLM Fine-tuning，大语言模型微调
开发团队：Taoverse @MacrocosmosAI
简介：
这是一个专注于大语言模型（LLMs）微调的子网：奖励矿工（miners）对 LLMs 进行微调，使用来自子网 18 的持续合成数据流进行模型评估。
工作机制：
矿工训练模型并定期发布到 Hugging Face 平台。
验证者（validators）从 Hugging Face 下载模型并使用合成数据持续评估。
评估结果记录在 wandb 平台上。
根据权重分配 TAO 代币奖励给矿工和验证者。
项目仓库地址：https://github.com/macrocosm-os/finetuning
子网 21 ：Any to Any，创建先进的 AI 多模态模型
开发团队：@omegalabsai
简介：
Any to Any在这个项目中指的是一种多模态 AI 系统的能力，它可以在不同类型的数据或信息之间进行转换和理解，例如文本到图像，图像到文本，音频到视频，视频到文本。
系统不仅可以进行转换，还能够理解不同模态之间的关系。比如，它可以理解一段文字描述和一张图片之间的关联，或者一段视频和相应的音频之间的联系。
在这个子网中，激励机制被用来鼓励全球的 AI 研究者和开发者参与项目。具体来说：
贡献者可以通过提供有价值的模型、数据或计算资源来获得代币奖励。
这种直接的经济激励使得高质量的 AI 研究和开发成为可持续的事业。
项目仓库地址：https://github.com/omegalabsinc/omegalabs-anytoany-bittensor
补充知识：
以防一部分读者不知道 Bittensor 子网的意义，一个简单的解释可以是：
子网是 Bittensor 生态系统中的专门网络，
每个子网专注于特定的 AI 或机器学习任务。
子网允许开发者创建和部署特定用途的 AI 模型。
它们通过加密经济学来激励参与者提供计算资源和改进模型。
