$TIG y $TAO - Sinergias que los convierten en una combinación perfecta Resumen: Los modelos de TAO experimentarían enormes ganancias en rendimiento, sofisticación y eficiencia si utilizaran mejores algoritmos para su entrenamiento y funcionamiento. La mejor manera de producir estos algoritmos es @tigfoundation. En consecuencia, ambas comunidades tienen mucho que ganar con la cooperación. Lograrán más juntos de lo que cualquiera podría lograr individualmente. Introducción He visto a varias personas que recientemente han descubierto @tigfoundation afirmar que es similar o un competidor de Bittensor. Quería señalar rápidamente las diferencias clave entre los dos y resaltar por qué tiene tanto sentido que trabajen juntos. Similitudes $TAO es un marco descentralizado y sin permisos para el entrenamiento de LLM que permite a los mineros contribuir con computación a sus 'subredes' a cambio de tokens TAO. Cada subred es un componente particionado de la red TAO que se dirige a AIs que están siendo entrenadas para y dirigidas a casos de uso específicos. Este enfoque permite a los investigadores agregar computación de manera mucho más económica que los enfoques centralizados. $TIG es un marco descentralizado y sin permisos para el desarrollo de algoritmos que permite a cualquier persona, en cualquier lugar, contribuir al desarrollo de algoritmos de vanguardia con optimizaciones de computación o código. Se les paga por sus contribuciones en tokens $TIG. $TIG permite a los científicos proponer 'desafíos' para casos de uso de algoritmos distintos. Funcionan de manera muy similar a las subredes de TAO. Esto permite a $TIG optimizar algoritmos para cualquier caso de uso y hacerlo a velocidades previamente inimaginables. Ambos son sin permisos y accesibles globalmente, lo que significa que tanto el entrenamiento de LLM como la mejora de los métodos algorítmicos que lo sustentan ahora están abiertos a todos los que puedan contribuir de manera significativa. Sinergias Los LLM de $TAO utilizan varios algoritmos fundamentales (a menudo ampliamente disponibles) para su entrenamiento y mejora. La sofisticación de estos métodos (junto con la cantidad de computación delegada a ellos) dicta cuánta energía y tiempo requieren los LLM de $TAO para mejorar. Se deduce que, si los modelos de TAO quieren competir con los equivalentes de vanguardia producidos por empresas de IA centralizadas, es en el mejor interés de TAO involucrarse y quizás incluso financiar la investigación fundamental que mejora los métodos existentes. $TIG demostró la semana pasada que es el medio más rápido disponible para mejorar algoritmos. Ten en cuenta que las mejoras de rendimiento conferidas por mejores algoritmos son exponencialmente más significativas que las producidas por un aumento en la computación. Si estás invertido en que $TAO supere a los competidores centralizados en cualquier aspecto, este debería ser un momento revelador. El medio más barato y eficiente para obtener y mantener una ventaja derivada algorítmicamente para tus LLM está disponible de forma gratuita y ya se ha demostrado que funciona. Los desafíos para procesos de IA fundamentales como la Partición de Hipergráficos y la Optimización No Convexa están siendo introducidos ahora y es solo cuestión de tiempo antes de que se conviertan en lo último en tecnología. Con esto en mente, argumentaría que tiene más que sentido que aquellos que trabajan e invierten en el ecosistema $TAO comiencen a dirigir algunos de sus recursos a desplegar y participar en los Desafíos de $TIG. Los beneficios eventuales para los LLM de $TAO sin duda eclipsarán el trabajo y los recursos requeridos.