$TIG a $TAO - synergie, které z nich dělají dokonalou dvojici TL; DR: Modely TAO by dosáhly obrovského nárůstu výkonu, sofistikovanosti a efektivity, pokud by používaly lepší algoritmy pro svůj trénink a funkci. Nejlepším způsobem, jak tyto algoritmy vytvořit, je @tigfoundation. V důsledku toho budou mít obě komunity ze spolupráce značný prospěch. Společně toho dokážou více, než by kdy mohli jednotlivě. Předehra Viděl jsem řadu lidí, kteří se nedávno dozvěděli o @tigfoundation tvrdili, že je podobný nebo konkurent Bittensoru. Chtěl jsem rychle poukázat na klíčové rozdíly mezi těmito dvěma + zdůraznit, proč má takový smysl, aby spolupracovaly. Podobnosti $TAO je decentralizovaný rámec bez povolení pro školení LLM, který umožňuje těžařům přispívat výpočetními prostředky do svých "podsítí" výměnou za tokeny TAO. Každá podsíť je dělená součást sítě TAO, která se stará o umělou inteligenci, která je trénována a směrována na konkrétní případy použití. Tento přístup umožňuje výzkumníkům agregovat výpočty mnohem levněji než centralizované přístupy. $TIG je decentralizovaný rámec pro vývoj algoritmů bez povolení, který umožňuje komukoli kdekoli přispívat k vývoji nejmodernějších algoritmů s výpočetními nebo optimalizacemi kódu. Za své příspěvky jsou placeni ve $TIG tokenech. $TIG umožňuje vědcům navrhovat "výzvy" pro různé případy použití algoritmů. Fungují v podstatě stejným způsobem jako podsítě TAO. To $TIG umožňuje optimalizovat algoritmy pro jakýkoli případ použití, a to při dříve nepředvídaných rychlostech. Obě školy jsou bez povolení a globálně dostupné, což znamená, že jak školení LLM, tak zdokonalování algoritmických metod, které jsou jeho základem, jsou nyní otevřeny všem, kteří mohou smysluplně přispět. Synergie LLM $TAO používají různé základní (často široce dostupné) algoritmy pro svůj trénink a zlepšování. Sofistikovanost těchto metod (spolu s množstvím výpočtů, které jsou na ně delegovány) diktuje, kolik energie a času $TAO LLM potřebují ke zlepšení. Z toho vyplývá, že pokud chtějí modely TAO konkurovat nejmodernějším ekvivalentům vyráběným centralizovanými firmami zabývajícími se umělou inteligencí, je v nejlepším zájmu TAO, aby se zapojila do základního výzkumu, který zdokonaluje stávající metody, a možná jej i financovala. $TIG minulý týden dokázal, že je to nejrychlejší dostupný prostředek pro zlepšení algoritmů. Mějte na paměti, že zlepšení výkonu způsobená lepšími algoritmy jsou exponenciálně významnější než zlepšení dosažená zvýšením výpočetních prostředků. Pokud investujete do $TAO překonání centralizovaných konkurentů v jakémkoli ohledu, měl by to být okamžik světla. Nejlevnější a nejefektivnější prostředek k dosažení a udržení algoritmicky odvozené výhody pro vaše LLM je vám volně dostupný a již se osvědčil. Výzvy pro základní procesy umělé inteligence, jako je dělení hypergrafů a nekonvexní optimalizace, se zavádějí teprve nyní a je jen otázkou času, než se stanou nejmodernějšími. S ohledem na to bych tvrdil, že je více než logické, aby ti, kteří pracují na ekosystému $TAO a investovali do něj, začali směrovat část svých zdrojů na nasazení a účast na $TIG výzvách. Konečné výhody pro $TAO LLM jistě zastíní potřebnou práci a zdroje.