قیمت TAO

حل مشکل هوش مصنوعی متمرکز

اهداف Bittensor

• سرعت توسعه مدل های هوش مصنوعی و ML را افزایش میدهد.
• هوش مصنوعی را منبع باز و بخشی از دامنه عمومی قرار میدهد.
• یک بازار P2P برای ایجاد انگیزه در تولید و آموزش هوش ماشینی ایجاد میکند.
• تعامل متخصصان هوش مصنوعی را تشویق و در تقطیر دانش برای دستیابی به توسعه مدل‌های هوش مصنوعی قوی‌تر مشارکت میکند.
•    با تشویق مشارکت های فردی دانش و مشارکت، اقتصاد تمرکززدایی را برای هوش مصنوعی توسعه میدهد.
• یک شبکه عصبی بدون حاشیه بر روی یک پلت فرم منبع باز میسازد.

هوش مصنوعی و ML چیست؟

• هوش مصنوعی مفهومی گسترده است که به استفاده از فناوری‌ها برای توسعه رایانه‌ها و الگوریتم‌هایی مربوط می‌شود که می‌توانند به عملکردهای شناختی و هوش انسان‌مانند دست یابند. برای مثال، هدف هوش مصنوعی توانایی تجزیه و تحلیل، درک و پاسخ به زبان گفتاری یا نوشتاری است.
• ML زیرمجموعه‌ای از هوش مصنوعی است که از الگوریتم‌هایی برای یادگیری خودکار بینش‌ها، تشخیص الگوها از داده‌ها و بهبود با تجربه استفاده می‌کند. الگوریتم های ML می توانند عملکرد خود را در طول زمان از طریق آموزش و قرار گرفتن در معرض داده های اضافی افزایش دهند.   هوش مصنوعی مدت کوتاهی پس از راه اندازی چت ربات ChatGPT توسط OpenAI به یک موضوع داغ تبدیل شد. این اپلیکیشن سریع‌ترین رشد را به خود اختصاص داده است و تنها در پنج روز به 1 میلیون کاربر و در حدود دو ماه به 100 میلیون کاربر رسیده است.

Bittensor چگونه کار می کند؟

• ماینرها – وظایف پروتکل هوش مصنوعی توسط چندین ماشین تحت مالکیت به اصطلاح "ماینرها" انجام می شود که مدل های ML و منابع محاسباتی خود را در شبکه به اشتراک می گذارند. ماینرها با ارز دیجیتال بومی، TAO پاداش می گیرند.
• کاربران – سکه کریپتو TAO همچنین برای پرداخت هزینه برای پرسیدن سوال یا انجام وظایف توسط هوش مصنوعی استفاده می شود. هنگامی که یک سوال پرسیده می شود، شبکه از مکانیزم اجماع برای تعیین بهترین پاسخ استفاده می کند که به طور خودکار بر اساس پارامترهای متعدد ارزش گذاری می شود.
• اعتبار سنجی - علاوه بر ماینرها، اعتبار سنجی ها نیز نقش کلیدی در شبکه Bittensor دارند. وظیفه آنها اعتبارسنجی پاسخ ها و پیش بینی های ارائه شده توسط ماینرها و اطمینان از یکپارچگی و کیفیت داده ها و مدل ها است. آنها از ماینرها پرس و جو می کنند و سپس پاسخ های آنها را ارزیابی می کنند و برای تلاش هایشان پاداش دریافت می کنند.

 

 زیرشبکه های Bittensor

  ساختار Bittensor شبکه‌ای از زیرشبکه‌های غیرمتمرکز را نشان می‌دهد که در آن هر زیرشبکه بر یک موضوع متمرکز است و بر یک مکانیسم مبتنی بر انگیزه برای هدایت رقابت ماینرها متکی است.  برای مثال، متنی که زیرشبکه را تحریک می‌کند، به استخراج‌کنندگان برای تولید پاسخ‌های متنی با بالاترین کیفیت به درخواست‌های صادر شده توسط اعتبارسنجی‌های زیرشبکه پاداش می‌دهد. در حال حاضر 32 زیرشبکه وجود دارد. زیرشبکه‌ها به گونه‌ای طراحی شده‌اند که شبیه شبکه‌های عصبی کلاسیک باشند، جایی که یک گره می‌تواند نشان دهنده اعتبارسنجی زیرشبکه یا استخراج‌کننده زیرشبکه باشد. هر گره به عنوان یک نورون شناخته می شود و با هم، یک شبکه عصبی جهانی را تشکیل می دهند. اعتبار سنجی گره ها را در لایه ورودی زیرشبکه نشان می دهند که ورودی ها را از دنیای خارجی دریافت می کنند. در جاهای دیگر، ماینرها "لایه پنهان" را تشکیل می دهند و فقط با اعتبار سنجی ها ارتباط برقرار می کنند. اعتبار سنجی ها نمی توانند بین خود ارتباط برقرار کنند، که در مورد ماینرها نیز صادق است.