$TIG và $TAO - Sự kết hợp hoàn hảo Tóm tắt: Các mô hình của TAO sẽ trải qua những cải tiến lớn về hiệu suất, độ tinh vi và hiệu quả nếu chúng sử dụng các thuật toán tốt hơn cho việc đào tạo và hoạt động của chúng. Cách tốt nhất để sản xuất những thuật toán này là @tigfoundation. Do đó, cả hai cộng đồng đều có thể hưởng lợi đáng kể từ sự hợp tác. Họ sẽ đạt được nhiều hơn khi làm việc cùng nhau hơn là mỗi bên có thể làm một mình. Giới thiệu Tôi đã thấy một số người gần đây phát hiện ra @tigfoundation khẳng định rằng nó tương tự như hoặc là đối thủ của Bittensor. Tôi muốn nhanh chóng chỉ ra những khác biệt chính giữa hai bên + nhấn mạnh lý do tại sao việc hợp tác giữa họ lại hợp lý đến vậy. Sự tương đồng $TAO là một khung phi tập trung, không cần sự cho phép cho việc đào tạo LLM cho phép các thợ mỏ đóng góp tính toán cho các 'subnet' của nó để đổi lấy token TAO. Mỗi subnet là một thành phần phân chia của mạng TAO phục vụ cho các AI đang được đào tạo cho và hướng đến các trường hợp sử dụng cụ thể. Cách tiếp cận này cho phép các nhà nghiên cứu tập hợp tính toán rẻ hơn nhiều so với các phương pháp tập trung. $TIG là một khung phi tập trung, không cần sự cho phép cho việc phát triển thuật toán cho phép bất kỳ ai ở bất kỳ đâu đóng góp vào việc phát triển các thuật toán tiên tiến nhất với các tối ưu hóa về tính toán hoặc mã. Họ được trả tiền cho những đóng góp của mình bằng token $TIG. $TIG cho phép các nhà khoa học đề xuất 'thách thức' cho các trường hợp sử dụng thuật toán khác nhau. Chúng hoạt động tương tự như các subnet của TAO. Điều này cho phép $TIG tối ưu hóa các thuật toán cho bất kỳ trường hợp sử dụng nào và làm điều đó với tốc độ chưa từng thấy trước đây. Cả hai đều không cần sự cho phép và có thể truy cập toàn cầu, điều này có nghĩa là cả việc đào tạo LLM và cải thiện các phương pháp thuật toán mà nó dựa vào giờ đây đều mở cho tất cả những ai có thể đóng góp một cách có ý nghĩa. Sự hợp tác Các LLM của $TAO sử dụng nhiều thuật toán cơ bản (thường có sẵn rộng rãi) cho việc đào tạo và cải thiện của chúng. Độ tinh vi của các phương pháp này (cùng với lượng tính toán được phân bổ cho chúng) quyết định mức độ năng lượng và thời gian mà các LLM của $TAO cần để cải thiện. Điều đó có nghĩa là, nếu các mô hình TAO muốn cạnh tranh với các phiên bản tiên tiến nhất được sản xuất bởi các công ty AI tập trung, thì lợi ích tốt nhất cho TAO là tham gia vào và có thể thậm chí tài trợ cho nghiên cứu cơ bản nhằm cải thiện các phương pháp hiện có. $TIG đã chứng minh vào tuần trước rằng nó là phương tiện nhanh nhất hiện có để cải thiện các thuật toán. Hãy nhớ rằng, những cải tiến về hiệu suất do các thuật toán tốt hơn mang lại có ý nghĩa hơn nhiều so với những gì được tạo ra từ việc tăng cường tính toán. Nếu bạn đang đầu tư vào việc $TAO vượt trội hơn các đối thủ tập trung về bất kỳ khía cạnh nào, đây nên là một khoảnh khắc chợt nhận ra. Cách rẻ nhất và hiệu quả nhất để đạt được và duy trì lợi thế được tạo ra từ thuật toán cho các LLM của bạn là hoàn toàn có sẵn cho bạn và đã được chứng minh là hiệu quả. Các thách thức cho các quy trình AI cơ bản như Phân vùng Hypergraph và Tối ưu hóa Không lồi hiện đang được giới thiệu và chỉ còn là vấn đề thời gian trước khi chúng trở thành công nghệ tiên tiến. Với điều này trong tâm trí, tôi sẽ lập luận rằng việc những người làm việc và đầu tư vào hệ sinh thái $TAO bắt đầu chỉ đạo một số tài nguyên của họ vào việc triển khai và tham gia vào các Thách thức $TIG là hoàn toàn hợp lý. Những lợi ích cuối cùng cho các LLM của $TAO chắc chắn sẽ vượt xa công sức và tài nguyên cần thiết.