$TIG y $TAO - sinergias que los convierten en un maridaje perfecto TL; DR: Los modelos de TAO experimentarían enormes ganancias en rendimiento, sofisticación y eficiencia si usaran mejores algoritmos para su entrenamiento y función. La mejor manera de producir estos algoritmos es @tigfoundation. En consecuencia, ambas comunidades se beneficiarán sustancialmente de la cooperación. Lograrán más juntos de lo que cualquiera de los dos podría individualmente. Introducción He visto a varias personas que recientemente se han enterado de @tigfoundation afirman que es similar o un competidor de Bittensor. Quería señalar rápidamente las diferencias clave entre los dos + 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 cómputo a sus "subredes" a cambio de tokens TAO. Cada subred es un componente particionado de la red TAO que atiende a las IA que se entrenan y se dirigen a casos de uso específicos. Este enfoque permite a los investigadores agregar cómputo de manera mucho más barata 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 última generación con optimizaciones informáticas o de código. Se les paga por sus contribuciones en $TIG tokens. $TIG permite a los científicos proponer "desafíos" para distintos casos de uso de algoritmos. Funcionan de la misma manera que las subredes TAO. Esto $TIG permite optimizar algoritmos para cualquier caso de uso y hacerlo a velocidades previamente imprevistas. Ambos no tienen permiso y son 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 cómputo delegada a ellos) dicta cuánta energía y tiempo tardan $TAO LLM en mejorar. De ello se deduce que, si los modelos de TAO quieren competir con los equivalentes de última generación producidos por empresas centralizadas de IA, lo mejor para TAO es 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 los algoritmos. Tenga 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 está interesado en $TAO superando a los competidores centralizados en cualquier aspecto, este debería ser un momento de iluminación. El medio más barato y eficiente para lograr y mantener una ventaja derivada algorítmicamente para sus LLM está disponible gratuitamente para usted y ya se ha demostrado que funciona. Los desafíos para los procesos fundamentales de IA como la partición de hipergrafos y la optimización no convexa se están introduciendo ahora y es solo cuestión de tiempo antes de que se conviertan en el estado del arte. Con esto en mente, diría que tiene más sentido que aquellos que trabajan e invierten en el ecosistema $TAO comiencen a dirigir parte de sus recursos a implementar y participar en $TIG Desafíos. Los beneficios eventuales para $TAO LLM ciertamente eclipsarán la mano de obra y los recursos necesarios.