$TIG и $TAO - Синергия, которая делает их идеальной парой Кратко: Модели TAO получат огромные преимущества в производительности, сложности и эффективности, если будут использовать лучшие алгоритмы для своего обучения и функционирования. Лучший способ создать эти алгоритмы - это @tigfoundation. Следовательно, обе сообщества могут значительно выиграть от сотрудничества. Они достигнут большего вместе, чем каждый из них мог бы по отдельности. Введение Я видел множество людей, которые недавно узнали о @tigfoundation, утверждающих, что это похоже на или является конкурентом Bittensor. Я хотел бы быстро указать на ключевые различия между ними и подчеркнуть, почему имеет смысл работать вместе. Сходства $TAO - это децентрализованная, безразрешительная структура для обучения LLM, которая позволяет майнерам вносить вычислительные ресурсы в его «подсети» в обмен на токены TAO. Каждая подсеть - это разделенный компонент сети TAO, который обслуживает ИИ, обучаемые для конкретных случаев использования. Этот подход позволяет исследователям агрегировать вычисления гораздо дешевле, чем централизованные подходы. $TIG - это децентрализованная, безразрешительная структура для разработки алгоритмов, которая позволяет любому в любом месте вносить свой вклад в разработку передовых алгоритмов с помощью вычислений или оптимизаций кода. Они получают оплату за свои вклады в токенах $TIG. $TIG позволяет ученым предлагать «вызовы» для различных случаев использования алгоритмов. Они функционируют аналогично подсетям TAO. Это позволяет $TIG оптимизировать алгоритмы для любого случая использования и делать это с ранее невиданной скоростью. Обе структуры безразрешительные и доступны по всему миру, что означает, что как обучение LLM, так и улучшение алгоритмических методов, которые его поддерживают, теперь открыты для всех, кто может внести значимый вклад. Синергия LLM $TAO используют различные фундаментальные (часто широко доступные) алгоритмы для своего обучения и улучшения. Сложность этих методов (вместе с количеством вычислений, делегированных им) определяет, сколько энергии и времени требуется LLM $TAO для улучшения. Следовательно, если модели TAO хотят конкурировать с передовыми аналогами, производимыми централизованными ИИ-компаниями, то в интересах TAO участвовать и, возможно, даже финансировать фундаментальные исследования, которые улучшают существующие методы. На прошлой неделе $TIG доказал, что это самый быстрый способ улучшения алгоритмов. Имейте в виду, что улучшения производительности, обеспеченные лучшими алгоритмами, экспоненциально более значительны, чем те, которые достигаются за счет увеличения вычислений. Если вы инвестируете в то, чтобы $TAO превосходил централизованных конкурентов в любом отношении, это должно стать для вас озарением. Самый дешевый и эффективный способ получить и поддерживать алгоритмически обоснованное преимущество для ваших LLM доступен вам и уже доказал свою эффективность. Вызовы для фундаментальных процессов ИИ, таких как Гиперграфовая Партиция и Невыпуклая Оптимизация, только начинают вводиться, и это лишь вопрос времени, прежде чем они станут передовыми. С учетом этого, я бы утверждал, что имеет смысл для тех, кто работает над и инвестирует в экосистему $TAO, начать направлять некоторые свои ресурсы на участие в вызовах $TIG. Окончательные преимущества для LLM $TAO, безусловно, превзойдут затраты труда и ресурсов.