คลื่นลูกใหม่ของนวัตกรรม Bittensor AIกำลังเกิดขึ้นจากซับเน็ตแบบกระจายศูนย์ของเครือข่าย และสรุปประจำสัปดาห์นี้แสดงให้เห็นอย่างชัดเจนว่าระบบนิเวศได้ขยายตัวออกไปไกลเกินกว่าการขุดคริปโตไปสู่จีโนมิกส์ การค้นพบยา การพยากรณ์ตลาด และการขายระดับองค์กร ระหว่างวันที่ 27 กรกฎาคม ถึง 2 สิงหาคม 2026 ทีมที่สร้างบน Bittensor ได้เผยแพร่งานวิจัยใหม่ เปิดตัวการรันเทรนขนาดใหญ่ที่ครอบคลุมสามทวีป และย้ายเวิร์กโหลดระดับองค์กรจริงผ่านโครงสร้างพื้นฐานแบบกระจายศูนย์เป็นครั้งแรก
Summary
ประเด็นสำคัญ
- Minos ร่วมเขียนบทความกับ OpenAI เกี่ยวกับการคำนวณเชิงวิทยาศาสตร์ในยุคของ AI แบบเอเจนต์ โดยเน้นย้ำเอนจิน GPU HelixForgeเป็นกรณีศึกษาแกนหลัก
- HelixForge ทำงานได้เร็วกว่า BamSurgeon ถึง 60 เท่าในเบนช์มาร์กเดียวกัน และลดข้อผิดพลาดความถี่การกลายพันธุ์ได้มากกว่าครึ่ง
- Macrocosmos เปิดตัวการเทรนOrion-16B โมเดลขนาด 16 พารามิเตอร์พันล้านที่รันบน IOTA ครอบคลุมสามทวีป โดยมีพูลคอมพิวต์ที่สเกลได้ถึง 256 GPU
- Beam ทำการโอนข้อมูลแบบกระจายศูนย์ระหว่างซับเน็ตเป็นครั้งแรก ย้ายข้อมูล 107 GB ระหว่าง Cloudflare R2 และ Hippius ในเวลาประมาณหกนาที
- Engy รันโมเดล Kimi K3 ขนาด 2.8 ล้านล้านพารามิเตอร์บน GPU ผู้บริโภค RTX 5090 จำนวน 80 ตัว โดยไม่มีฮาร์ดแวร์ดาต้าเซ็นเตอร์เข้ามาเกี่ยวข้อง
งานวิจัย AI เชิงนวัตกรรมและความก้าวหน้าของเอนจิน GPU
Minos ได้ร่วมเขียนบทความใหม่กับOpenAIชื่อ “การคำนวณเชิงวิทยาศาสตร์ในยุคของ AI แบบเอเจนต์” ความร่วมมือนี้ช่วยเพิ่มน้ำหนักเชิงวิชาการให้กับงานที่หมุนเวียนอยู่แล้วภายในซับเน็ตวิจัยของ Bittensor กรณีศึกษาที่ซับซ้อนที่สุดในบทความมุ่งไปที่ HelixForge เอนจินGPU-nativeของ Minos ซึ่งใช้สร้างจีโนมประเมินผลที่ซ่อนอยู่ของ SN107 เพื่อใช้ในการเบนช์มาร์ก
ในการทดสอบเบนช์มาร์กเดียวกันกับ BamSurgeon ซึ่งเป็นเครื่องมือจีโนมิกส์ที่ใช้กันอย่างแพร่หลาย HelixForge ทำงานได้เร็วกว่า 60 เท่าตั้งแต่ต้นจนจบและลดข้อผิดพลาดความถี่การกลายพันธุ์ได้มากกว่าครึ่ง การเพิ่มความเร็วระดับนี้มีความสำคัญเพราะเวิร์กโหลดการจำลองจีโนมเป็นงานที่ช้าและใช้คอมพิวต์สูงอย่างฉาวโฉ่ แนวทางแบบ GPU-native ที่ลดได้ทั้งเวลาในการรันและส่วนต่างข้อผิดพลาดพร้อมกัน บ่งชี้ว่าโมเดลคอมพิวต์แบบกระจายศูนย์ของ Bittensor สามารถแข่งขัน และในบางกรณีทำงานได้ดีกว่า ซอฟต์แวร์วิทยาศาสตร์ที่มีอยู่เดิม ทำไมเรื่องนี้จึงสำคัญ: หากตัวเลขของ HelixForge ยังคงยืนหยัดได้ภายใต้การตรวจสอบเพิ่มเติม ก็จะทำให้การวิจัยที่เชื่อมโยงกับ Bittensor อยู่ในฐานะผู้มีส่วนร่วมที่ถูกต้องตามหลักวิชาการต่อชีววิทยาเชิงคำนวณ ไม่ใช่แค่ความอยากรู้อยากเห็นที่อยู่ใกล้เคียงกับคริปโตเท่านั้น
การเทรนโมเดล AI ขนาดใหญ่บนฮาร์ดแวร์แบบกระจายศูนย์
เรื่องโครงสร้างพื้นฐานที่ใหญ่ที่สุดของสัปดาห์คือ Macrocosmos เปิดตัว Orion-16B การรันเทรนสดของโมเดลขนาด 16 พารามิเตอร์พันล้านที่สร้างบนIOTA แตกต่างจากการสร้างดาต้าเซ็นเตอร์แบบรวมศูนย์ตามปกติ โมเดลนี้กำลังเทรนพร้อมกันบนสามทวีป โดยใช้ส่วนผสมแบบเฮเทอโรจีนัสของ GPU ผู้บริโภค RTX 4090 และ RTX 5090
การเทรน Orion-16B ครอบคลุมสามทวีป
สิ่งที่ทำให้ Orion-16B แตกต่างจากรุ่นก่อนหน้า Orion-100B คือธรรมชาติของพูลคอมพิวต์ แทนที่จะพึ่งพาชุดเครื่องที่คงที่และผ่านการตรวจสอบแล้ว การรันครั้งนี้ใช้พูลผู้มีส่วนร่วมแบบ permissionless และคาดเดาไม่ได้ โดยสามารถสเกลได้ถึง 256 GPU ในเวลาใดเวลาหนึ่ง การออกแบบเช่นนี้เป็นการทดสอบโดยตรงว่าโมเดลขนาดใหญ่สามารถเทรนได้อย่างน่าเชื่อถือหรือไม่ เมื่อซัพพลายฮาร์ดแวร์พื้นฐานมีความผันผวนและเปิดให้ใครก็ตามที่ต้องการบริจาคกำลังประมวลผล นี่เป็นการเบี่ยงเบนที่มีนัยสำคัญจากแนวทางของห้องปฏิบัติการแนวหน้าส่วนใหญ่ ที่ซึ่งคอมพิวต์ถูกควบคุมแบบรวมศูนย์และคาดการณ์ได้
Engy รัน Kimi K3 บน GPU ผู้บริโภค
ในอีกด้านหนึ่ง ทีมงานที่ Engy สามารถทำให้โมเดล Kimi K3 ขนาด 2.8 ล้านล้านพารามิเตอร์รันบน GPU ผู้บริโภคRTX 5090 จำนวน 80 ตัวได้ โดยไม่มีฮาร์ดแวร์ระดับดาต้าเซ็นเตอร์หรือระบบเครือข่ายเฉพาะทางเข้ามาเกี่ยวข้อง Engy มีแผนจะเปิดให้เข้าถึงโมเดลผ่านแพลตฟอร์มของตนเอง ความสำเร็จนี้แสดงให้เห็นว่าโมเดลโอเพ่นขนาดแนวหน้าไม่จำเป็นต้องใช้โครงสร้างพื้นฐานแบบเอ็กซ์คลูซีฟและมีราคาแพงที่เคยเป็นกำแพงกั้นการเข้าถึง AI ล้ำสมัยมาโดยตลอด ซึ่งมีนัยสำคัญต่อคำถามว่าใครจะได้รันและทดลองกับโมเดลโอเพ่นที่ใหญ่ที่สุดที่มีอยู่ในปัจจุบัน
การถ่ายโอนข้อมูลแบบกระจายศูนย์และการขยายโครงสร้างพื้นฐาน
Beam ทำการโอนข้อมูลแบบกระจายศูนย์ระหว่างซับเน็ตเป็นครั้งแรกในสัปดาห์นี้ ย้ายข้อมูล 107 GB จากCloudflare R2ไปยังHippiusในเวลาประมาณหกนาที ฟังดูเหมือนหมุดหมายเล็ก ๆ แต่มีประเด็นที่ใหญ่กว่าซ่อนอยู่: เป็นครั้งแรกที่ข้อมูลถูกย้ายระหว่างสองซับเน็ตแบบกระจายศูนย์ที่แตกต่างกัน โดยไม่ต้องพึ่งพาตัวกลางแบบรวมศูนย์ที่จัดการเส้นทางทั้งหมด
Beam Tunnels เชื่อมต่อข้อมูลส่วนตัวและข้อมูลบนคลาวด์
เฟสถัดไป Beam Tunnels มีเป้าหมายที่จะขยายเครือข่ายเดียวกันนี้ไปยังแหล่งข้อมูลส่วนตัว เชื่อมต่อระบบ on-premise และที่เก็บข้อมูลบนคลาวด์เข้ากับซับเน็ตของ Bittensor โดยตรง เมื่อรวมกันแล้ว การโอนที่เสร็จสมบูรณ์และฟีเจอร์ Tunnels ที่กำลังจะมาถึง ผลักดันให้ Beam เข้าใกล้การเป็นเลเยอร์ข้อมูลแบบโปรแกรมได้ ที่อยู่ระหว่างเครือข่ายแบบกระจายศูนย์ของ Bittensor และโครงสร้างพื้นฐานระดับองค์กรที่บริษัทต่าง ๆ ใช้งานอยู่แล้ว การถ่ายโอนข้อมูลแบบกระจายศูนย์ลักษณะนี้มีความสำคัญต่อการยอมรับใช้งาน เพราะช่วยลดแรงเสียดทานให้กับธุรกิจที่ต้องการใช้คอมพิวต์และโมเดลของ Bittensor โดยไม่ต้องรื้อถอนระบบคลาวด์หรือระบบ on-premise ที่มีอยู่เดิม
การประยุกต์ใช้ AI เชิงปฏิบัติและความร่วมมือในระบบนิเวศ Bittensor
นอกเหนือจากความก้าวหน้าด้านโครงสร้างพื้นฐานและการเทรนแล้ว ซับเน็ตหลายแห่งกำลังเปลี่ยนงานวิจัยให้กลายเป็นผลิตภัณฑ์ที่นำไปใช้งานได้จริง และนั่นอาจเป็นจุดที่หลักฐานที่จับต้องได้มากที่สุดของคุณค่าจาก Bittensor ปรากฏขึ้น
แคนดิเดตนาโนบอดีจาก Metanova และ Yalotein
Metanova เริ่มผลิตแคนดิเดตนาโนบอดีชั้นนำของ NOVA ร่วมกับ Yalotein โดยส่งโมเลกุลไปทดสอบในห้องปฏิบัติการ แคนดิเดตเหล่านี้ถูกคัดเลือกผ่านการแข่งขันที่ใช้ Bittensor ของ Metanova และขั้นตอนถัดไปคือการตัดสินใจว่าโมเลกุลที่ออกแบบด้วยคอมพิวเตอร์เหล่านี้จะทำงานได้จริงในทดลองทางกายภาพหรือไม่ นี่เป็นจุดตรวจที่สำคัญ: การออกแบบเชิงคำนวณสามารถสร้างแคนดิเดตที่มีแนวโน้มดีได้อย่างรวดเร็ว แต่มีเพียงผลลัพธ์ในห้องแล็บเท่านั้นที่ยืนยันได้ว่าวิทยาศาสตร์จะแปลผลได้จริง
โมเดลพยากรณ์ของ Synth โครงการนำร่อง Leadpoet ของ Dropbox และเดโมการแปลของ Babelbit
Synth เผยแพร่บทความที่อธิบายวิธีที่ตนดัดแปลงโมเดล TimesFM 2.5 ของ Google สำหรับการแข่งขันพยากรณ์ของ SN50 แทนที่จะทำนายผลลัพธ์ที่มีแนวโน้มเพียงค่าเดียว โมเดลที่ดัดแปลงนี้ทำแผนที่เส้นทางตลาดที่เป็นไปได้หลายเส้นทางพร้อมกับความไม่แน่นอนที่แนบมากับแต่ละเส้นทาง ที่น่าสังเกตคือ Synth ทำให้โมเดลสามารถแข่งขันบน SN50 ได้ด้วยเวลาเทรนไม่ถึงหนึ่งชั่วโมงบน GPU เกมมิ่งเพียงตัวเดียว ซึ่งบ่งชี้ว่าการดัดแปลงอย่างชาญฉลาดอาจสำคัญกว่าพลังคอมพิวต์ดิบในงานพยากรณ์
ในฝั่งองค์กร Dropbox และหนึ่งในพาร์ตเนอร์ช่องทางการขายกำลังทดสอบ Leadpoet ซึ่งเป็นเครื่องมือที่ออกแบบมาเพื่อช่วยทีมขายระบุว่าบริษัทใดมีแนวโน้มจะเปลี่ยนมาเป็นลูกค้ามากที่สุด เพื่อให้เซลส์รู้ว่าควรให้ความสำคัญกับใคร ขณะเดียวกัน Babelbit ได้จัดเดโมเปรียบเทียบการแปลคำพูดแบบสดของตนกับของ Google บนข่าวภาษาเยอรมันรายการเดียวกัน ในเดโมนั้น Language API ของ Babelbit ดูชัดเจนและแม่นยำกว่า มีการลังเลและประโยคที่เพี้ยนให้น้อยกว่าคู่แข่ง
เมื่อมองรวมกันแล้ว พัฒนาการในสัปดาห์นี้แสดงให้เห็นว่าเศรษฐกิจซับเน็ตของ Bittensor กำลังก้าวเข้าสู่งานวิจัยจีโนมิกส์ การเทรนโมเดลแบบกระจาย การเคลื่อนย้ายข้อมูลระดับองค์กร และผลิตภัณฑ์ AI เชิงประยุกต์ไปพร้อม ๆ กัน เส้นด้ายร่วมคือคอมพิวต์แบบกระจายศูนย์และ permissionless ที่พิสูจน์ให้เห็นว่าสามารถจัดการเวิร์กโหลดที่ครั้งหนึ่งเคยถูกมองว่าต้องใช้โครงสร้างพื้นฐานแบบรวมศูนย์และควบคุมอย่างเข้มงวดได้ — ซึ่งเป็นข้ออ้างที่ย่อมจะถูกตรวจสอบมากขึ้นเรื่อย ๆ เมื่อโครงการนำร่องและการรันเทรนเหล่านี้เติบโตสู่การใช้งานจริงในระดับโปรดักชัน
คำถามที่พบบ่อย
HelixForge คืออะไร และมีประสิทธิภาพอย่างไรเมื่อเทียบกับเอนจินก่อนหน้า?
HelixForge เป็นเอนจินแบบ GPU-native ที่สร้างโดย Minos ซึ่งทำงานได้เร็วกว่า BamSurgeon ถึง 60 เท่าในเบนช์มาร์กเดียวกัน และลดข้อผิดพลาดความถี่การกลายพันธุ์ได้มากกว่าครึ่ง ทำให้เป็นกรณีศึกษาที่โดดเด่นในบทความด้านการคำนวณเชิงวิทยาศาสตร์ที่ร่วมเขียนกับ OpenAIล่าสุด
โมเดล AI Orion-16B ถูกเทรนอย่างโดดเด่นแตกต่างอย่างไร?
Orion-16B ถูกเทรนครอบคลุมสามทวีป โดยใช้ส่วนผสมแบบเฮเทอโรจีนัสของ GPU ผู้บริโภค RTX 4090 และ RTX 5090 โดยดึงกำลังจากพูลคอมพิวต์แบบ permissionless ที่สามารถสเกลได้ถึง 256 GPU ซึ่งเป็นการตั้งค่าที่คาดเดาไม่ได้มากกว่าการรัน Orion-100B ก่อนหน้า
มีความคืบหน้าอย่างไรบ้างในด้านการถ่ายโอนข้อมูลแบบกระจายศูนย์ภายในระบบนิเวศ Bittensor?
Beam ดำเนินการถ่ายโอนแบบกระจายศูนย์ระหว่างซับเน็ตครั้งแรกได้สำเร็จ โดยย้ายข้อมูล 107 GB จาก Cloudflare R2 ไปยัง Hippius ในเวลาประมาณหกนาที และกำลังขยายต่อด้วย Beam Tunnels เพื่อเชื่อมต่อระบบ on-premise ส่วนตัวและที่เก็บข้อมูลบนคลาวด์เข้ากับซับเน็ตของ Bittensor
มีการประยุกต์ใช้จริงใดบ้างที่เกิดขึ้นจากความพยายามด้าน AI ที่เกี่ยวข้องกับ Bittensor?
การประยุกต์ใช้รวมถึงการทดสอบในห้องแล็บระยะเริ่มต้นของแคนดิเดตนาโนบอดีจาก Metanova และ Yalotein โมเดลพยากรณ์ที่ดัดแปลงของ Synth สำหรับการทำนายเส้นทางตลาด โครงการนำร่อง Leadpoet ของ Dropbox ซึ่งเป็นเครื่องมือช่วยงานขาย และเดโมการแปลคำพูดแบบสดของ Babelbit ที่เปรียบเทียบโดยตรงกับของ Google
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”HelixForge คืออะไร และมีประสิทธิภาพอย่างไรเมื่อเทียบกับเอนจินก่อนหน้า?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”HelixForge เป็นเอนจินแบบ GPU-native ที่สร้างโดย Minos ซึ่งทำงานได้เร็วกว่า BamSurgeon ถึง 60 เท่าในเบนช์มาร์กเดียวกัน และลดข้อผิดพลาดความถี่การกลายพันธุ์ได้มากกว่าครึ่ง ทำให้เป็นกรณีศึกษาที่โดดเด่นในบทความด้านการคำนวณเชิงวิทยาศาสตร์ที่ร่วมเขียนกับ OpenAI ล่าสุด”}},{“@type”:”Question”,”name”:”โมเดล AI Orion-16B ถูกเทรนอย่างโดดเด่นแตกต่างอย่างไร?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Orion-16B ถูกเทรนครอบคลุมสามทวีป โดยใช้ส่วนผสมแบบเฮเทอโรจีนัสของ GPU ผู้บริโภค RTX 4090 และ RTX 5090 โดยดึงกำลังจากพูลคอมพิวต์แบบ permissionless ที่สามารถสเกลได้ถึง 256 GPU ซึ่งเป็นการตั้งค่าที่คาดเดาไม่ได้มากกว่าการรัน Orion-100B ก่อนหน้า”}},{“@type”:”Question”,”name”:”มีความคืบหน้าอย่างไรบ้างในด้านการถ่ายโอนข้อมูลแบบกระจายศูนย์ภายในระบบนิเวศ Bittensor?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Beam ดำเนินการถ่ายโอนแบบกระจายศูนย์ระหว่างซับเน็ตครั้งแรกได้สำเร็จ โดยย้ายข้อมูล 107 GB จาก Cloudflare R2 ไปยัง Hippius ในเวลาประมาณหกนาที และกำลังขยายต่อด้วย Beam Tunnels เพื่อเชื่อมต่อระบบ on-premise ส่วนตัวและที่เก็บข้อมูลบนคลาวด์เข้ากับซับเน็ตของ Bittensor”}},{“@type”:”Question”,”name”:”มีการประยุกต์ใช้จริงใดบ้างที่เกิดขึ้นจากความพยายามด้าน AI ที่เกี่ยวข้องกับ Bittensor?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”การประยุกต์ใช้รวมถึงการทดสอบในห้องแล็บระยะเริ่มต้นของแคนดิเดตนาโนบอดีจาก Metanova และ Yalotein โมเดลพยากรณ์ที่ดัดแปลงของ Synth สำหรับการทำนายเส้นทางตลาด โครงการนำร่อง Leadpoet ของ Dropbox ซึ่งเป็นเครื่องมือช่วยงานขาย และเดโมการแปลคำพูดแบบสดของ Babelbit ที่เปรียบเทียบโดยตรงกับของ Google”}}]}
บทความนี้จัดทำขึ้นด้วยความช่วยเหลือของปัญญาประดิษฐ์และผ่านการทบทวนโดยทีมบรรณาธิการแล้ว
