Nebula AI elkötelezett egy decentralizált alapvető mesterséges intelligencia számítástechnikai lánc (Zhiyun lánc) felépítése mellett, csökkentve a munka hagyományos bizonyítékának energiafogyasztását azáltal, hogy a GPU bányászati ​​gépeket mesterséges intelligencia számítógépes szolgáltatásokká alakítja. Az NBAI tokeneket a számítási teljesítmény megvásárlására használják, például: fejlesztői tesztelés; a DAI alkalmazások használata; DAI képzési szolgáltatások vásárlása stb.

Projekt célkitűzések

A központosított felhőalapú számítástechnika jelenlegi helyzetének javítása érdekében a blockchain technológia decentralizált tulajdonságait használjuk a számítástechnika globális bérlésére és elosztására. A Blockchain titkosítási technológia hatékonyan elkerüli a belső szivárgások létezését, míg az elosztott AI számítástechnikai egységek karbantartását a nagy és a kis mesterséges intelligencia számítási egységek tulajdonosainak adják át, ami jelentősen csökkenti a karbantartási terhelést. Ez az általános cél a következő al-célokra osztható: 1. Megosztott AI számítástechnikai platform
A megosztott AI számítástechnikai eszköz platformja foglalkozik a tulajdonosok és az AI eszközök tulajdonosai és felhasználói közötti kiegyensúlyozatlan kereslet helyzetével. Az AI számítástechnikai eszköz tulajdonosa nem tudja elérni a számítástechnikai potenciálját 100%-ban, így a számítási erőforrások egy része alapjáraton van. Ugyanakkor számos olyan felhasználó, akiknek szüksége van a mesterséges intelligencia kiszámítási erejére, nem tudnak költséghatékony AI számítási erőforrásokat szerezni. A Blockchain technológián keresztül befejezett pont-pont fizetés és blokklánc-számviteli technológia lehetővé teszi a megosztott AI számítási teljesítményt a fizetés és a megosztás legkényelmesebb teljesítéséhez.
2. AI fizikai számítástechnikai egység
Számos GPU számítástechnikai bányász konvertálható AI számítástechnikai egységekké, ezáltal az egyszerű hash -számítástechnikáról értelmesebb AI feladatszámításgá alakítva. Az AI számítástechnika sajátossága miatt előre kell állítani a kijelölt rendszert, és rendszeresen frissíteni kell az ügyfelet, beleértve a számviteli rendszert is, a hardver teljesítményének jobb felhasználása és az AI számítástechnikai képességek megosztása érdekében.
3. Decentralizált AI alkalmazás
Amikor a decentralizált AI alkalmazások csatlakoztatnak a rendszerhez, akkor a megfelelő kapcsolat szükséges ahhoz, hogy a DAI APP programozók kidolgozzák és felhívják a megfelelő módon az erős számítástechnikai teljesítmény használatát a platformon. Elsősorban magában foglalja a fizetési API -t, a számítástechnikai teljesítmény becslési API -t, a munkaterhelés -becslés API -t stb., Ezáltal felgyorsítva az AI alkalmazások fejlesztését.
4. Integrált IPFS elosztott tároló
A decentralizált alkalmazásoknak fájltároló rendszereket kell használniuk az adatok tárolására. Az egyik lehetőség a hagyományos központosított felhőalapú vagy a helyi fájlok tárolása, ezáltal a jobb elosztott tárolást elérve.
Az IPFS Interplanetary File System (IPFS) egy hálózati átviteli protokoll, amely kitartó és elosztott tároló és megosztott fájlok létrehozására szolgál. Ez egy tartalom címezhető peer hipermedia eloszlási protokoll. Az IPFS hálózat csomópontjai elosztott fájlrendszert alkotnak. A jövőbeni IPF-ek többsége a láncolaj-technológiát fogja használni. A láncok közötti technológiáról lásd a láncok közötti szolgáltatási hívásokat.
5. AI Mérnöki Képzési Központ
A Nebula AI rendszer alapú mesterséges intelligencia képzési központot fog felépíteni, hogy alapvető ismereteket nyújtson a mesterséges intelligencia gyakorlatának területén. A mérnökök a szisztematikus tanulás és a projektgyakorlat révén fokozatosan építik és képzik a terméktervezésben a terméktervezésben. Elkötelezettek vagyunk a mesterséges intelligencia iparág legújabb alkalmazásainak és ismereteinek terjesztése mellett, valamint kiemelkedő mesterséges intelligencia tehetségek ápolása és megvalósítása mellett. Küldetésünk van, hogy kitöltsük a tehetséghiányt, és teljes játékot adjunk a mesterséges intelligencia hatalmának az üzleti életben.

Felhasználói érték

A rendszer tokenjeit a számítási teljesítmény megvásárlására használják. Ha az edzési adatok kicsik, a tokenek viszonylag kevesebbet fogyasztanak, és ha az edzési adatok nagyok, a tokeneknek megfelelően növekszik. A fizetett díjak a képzési költségekhez és a jelenlegi token értékéhez kapcsolódnak. Számítsa ki az egy perc alatt előállított számítási teljesítményt minden 1080TI grafikus kártyára, amely 7514 GFLOP/S × 60.

Felhasználói használati forgatókönyvek

1. Kvantitatív kereskedelem
A kvantitatív kereskedelem már korai kezdetektől fogva használja a gépeket a munka elősegítésére. Az elemzők néhány mutatót különféle kvantitatív modellek révén terveznek, megfigyelik az adatok eloszlását, és használják a gépet operátorként. Az elmúlt években a gépi tanulás növekedéséig az adatok gyorsan elemezhetők, felszerelhetők és nagy mennyiségben megjósolhatók, ezáltal pontosabban megjósolva a pénzügyi termékek jövőbeli trendjét. Ezeknek a modelleknek a kiszámításához azonban sok mesterséges intelligencia számítási teljesítmény szükséges. Ha a hagyományos megközelítést alkalmazzák, minden kereskedelmi osztálynak önmagában kell felépítenie egy adatközpontot. A megosztott számítási teljesítmény drága karbantartási költségeket takaríthat meg. A pénzügyi kereskedési társaságok magukra az előrejelzésekre összpontosítanak.
2. Mesterséges intelligencia tanuló program
A főiskolák és az egyetemek jelenleg fokozatosan kínálnak mesterséges intelligencia tanfolyamokat, és ez a tendencia a következő évben népszerűbbé válik. Amikor a hallgatók tanulnak, általában úgy döntenek, hogy kis feladatokat végeznek helyi és időigényes feladatokat az iskola számítógépes szobájában. Ezek a fragmentált feladatok azonban megoldhatók a blokklánc -számítástechnikai erőfelhővel. Az olcsó AI számítástechnikai szolgáltatások ideálisak a hallgatók számára, hogy elvégezzék a különféle számítástechnikai gyakorlatokat, és gyorsan módosítsák saját modelleiket.
3. Orvosbiológiai mesterséges intelligencia
A daganatok korai szűrése nagy jelentőséggel bír, de a korai rákos léziók kis területei miatt a hagyományos módszereket nehéz megítélni a jóindulatú és rosszindulatúak, ami nehézségeket okoz a klinikai diagnózisban. Az orvosoknak gyakran biopszián keresztül kell végezniük a teszteket, ami nemcsak növeli az orvosi költségeket, hanem nagy fájdalmat is okoz a betegek számára. A mesterséges intelligencia alkalmazása az orvosi képfelismeréshez és a multidiszciplináris együttműködési diagnózisban hatékonyan áttörheti ezt a nehézséget, javíthatja az orvosok diagnosztikai képességeit, elősegítheti a gyors döntések meghozatalát, és elősegítheti az orvosi szolgáltatások individualizációjává és pontosságává történő átalakulását.

*A fenti tartalmat a nem kicsi fiókok hivatalos fiókja állítja össze. Újra nyomtatva, kérjük, jelezze a forrást.