$TIG e $TAO - sinergias que os tornam uma combinação perfeita TL; DR: Os modelos da TAO experimentariam enormes ganhos em desempenho, sofisticação e eficiência se usassem algoritmos melhores para seu treinamento e função. A melhor maneira de produzir esses algoritmos é @tigfoundation. Consequentemente, ambas as comunidades podem se beneficiar substancialmente da cooperação. Eles realizarão mais juntos do que qualquer um jamais poderia individualmente. Intro Eu vi várias pessoas que descobriram recentemente sobre @tigfoundation afirmarem que é semelhante ou um concorrente do Bittensor. Eu queria apontar rapidamente as principais diferenças entre os dois + destacar por que faz tanto sentido para eles trabalharem juntos. Semelhanças $TAO é uma estrutura descentralizada e sem permissão para treinamento LLM que permite que os mineradores contribuam com computação para suas 'sub-redes' em troca de tokens TAO. Cada sub-rede é um componente particionado da rede TAO que atende a IAs que estão sendo treinadas e direcionadas a casos de uso específicos. Essa abordagem permite que os pesquisadores agreguem computação de forma muito mais barata do que as abordagens centralizadas. $TIG é uma estrutura descentralizada e sem permissão para desenvolvimento de algoritmos que permite que qualquer pessoa em qualquer lugar contribua para o desenvolvimento de algoritmos de última geração com otimizações de computação ou código. Eles são pagos por suas contribuições em $TIG tokens. $TIG permite que os cientistas proponham 'desafios' para casos de uso de algoritmos distintos. Eles funcionam da mesma maneira que as sub-redes do TAO. Isso permite que $TIG otimize algoritmos para qualquer caso de uso e o faça em velocidades imprevistas anteriormente. Ambos são sem permissão e acessíveis globalmente, o que significa que tanto o treinamento de LLM quanto a melhoria dos métodos algorítmicos que o sustentam agora estão abertos a todos que podem contribuir significativamente. Sinergias Os LLMs da $TAO usam vários algoritmos fundamentais (muitas vezes amplamente disponíveis) para seu treinamento e aprimoramento. A sofisticação desses métodos (juntamente com a quantidade de computação delegada a eles) determina quanta energia e tempo $TAO LLMs levam para melhorar. Segue-se que, se os modelos TAO quiserem competir com os equivalentes de última geração produzidos por empresas centralizadas de IA, é do interesse do TAO envolver-se e talvez até financiar a pesquisa fundamental que melhora os métodos existentes. $TIG provou na semana passada que é o meio mais rápido disponível para melhorar os algoritmos. Lembre-se de que as melhorias de desempenho conferidas por algoritmos melhores são exponencialmente mais significativas do que aquelas produzidas por um aumento na computação. Se você está investido em $TAO superando os concorrentes centralizados em qualquer aspecto, este deve ser um momento de luz. O meio mais barato e eficiente de obter e manter uma vantagem derivada de algoritmos para seus LLMs está disponível gratuitamente para você e já provou funcionar. Desafios para processos fundamentais de IA, como particionamento de hipergrafos e otimização não convexa, estão sendo introduzidos agora e é apenas uma questão de tempo até que eles se tornem de última geração. Com isso em mente, eu diria que faz mais do que sentido para aqueles que trabalham e investiram no ecossistema $TAO começar a direcionar parte de seus recursos para implantar e participar $TIG Desafios. Os eventuais benefícios para $TAO LLMs certamente eclipsarão o trabalho e os recursos necessários.