Туманність AI зобов’язана будувати децентралізований базовий ланцюг обчислювальних розвідувальних обчислень (ланцюг Zhiyun), зменшуючи споживання енергії традиційних доказів роботи шляхом перетворення машин для видобутку GPU в обчислювальні послуги штучного інтелекту. Токени NBAI використовуються для придбання обчислювальної потужності, наприклад: тестування розробників; використання додатків DAI; Купівля навчальних послуг DAI тощо

Цілі проекту

Для покращення поточної ситуації централізованих хмарних обчислень ми використовуємо децентралізовані функції технології blockchain для оренди та виділення обчислювальної потужності в усьому світі. Технологія шифрування блокчейна ефективно дозволяє уникнути існування внутрішніх витоків, тоді як підтримка розподілених обчислювальних підрозділів AI передається власникам великих та малих обчислювальних підрозділів штучного інтелекту, що значно зменшує навантаження на технічне обслуговування. Цю загальну мету можна розділити на такі підзахиски: 1. Спільна обчислювальна платформа AI
Спільна платформа обчислювальних пристроїв AI вирішить незбалансовану ситуацію попиту між власниками та користувачами пристроїв AI. Власник обчислювального пристрою AI не може досягти свого обчислювального потенціалу на 100%, внаслідок чого деякі обчислювальні ресурси не вдаються. У той же час велика кількість користувачів, яким потрібна обчислювальна сила штучного інтелекту, не може отримати економічно вигідні обчислювальні ресурси AI. Оплата точки до точки та технології бухгалтерського обліку, виконана за допомогою технології blockchain, можуть дати можливість спільної обчислювальної потужності AI для завершення оплати та обміну найбільш зручним способом.
2. AI фізичні обчислювальні блок
Велика кількість обчислювальних шахтарів GPU може бути перетворена на обчислювальні блоки AI, тим самим перетворюючи з простих хеш -обчислень на більш значущі обчислення завдань AI. Через особливість обчислень AI необхідно попередньо встановити призначену систему та регулярно оновлювати клієнт, включаючи систему бухгалтерського обліку, щоб краще використовувати продуктивність обладнання та ділитися обчислювальними можливостями AI.
3. Децентралізоване застосування AI
Коли децентралізовані програми AI підключені до системи, відповідне з'єднання необхідне для програмістів DAI додатків для розробки та виклику зручним способом використання потужної обчислювальної потужності на платформі. В основному він включає API платежів, API оцінки потужності, API оцінки робочого навантаження тощо, тим самим прискорюючи розробку додатків AI.
4. Інтегровані IPFS розподілене сховище
Децентралізовані програми повинні використовувати системи зберігання файлів для зберігання даних. Один із варіантів - замінити традиційне централізоване хмарне зберігання або локальне зберігання файлів, тим самим досягаючи кращого розподіленого зберігання.
Міжпланетна файлова система IPFS (IPFS) - це протокол передачі мережі, призначений для створення стійких та розподілених файлів зберігання та спільних. Це протокол розподілу гіпермедіа, адресованого вмісту, що стосується вмісту. Вузли в мережі IPFS формуватимуть розподілену файлову систему. Більшість майбутніх IPFS використовуватимуть технологію між ланцюжками для дзвінка. Для перехресних технологій див. Похмурі дзвінки з перехресними ланцюжками.
5. Навчальний центр AI інженера
Туманність AI створить системний навчальний центр штучного інтелекту, щоб забезпечити основні знання у галузі штучної інтелектуальної практики. Інженери поступово будуватимуть та тренуватимуть моделі штучного інтелекту в дизайні продуктів за допомогою систематичного навчання та практики проекту. Ми прагнемо розповсюджувати новітні програми та знання індустрії штучного інтелекту та вирощування та надання видатних талантів штучного інтелекту. Ми маємо місію заповнити дефіцит талантів та повну гру силою штучного інтелекту в бізнесі.

Значення користувача

Токени системи використовуються для придбання обчислювальної потужності. Коли дані тренувань невеликі, жетони споживаються порівняно менше, а коли дані тренувань великі, жетони споживаються відповідно. Платні збори пов'язані з вартістю навчання та вартістю поточного маркера. Обчисліть обчислювальну потужність, що генерується за одну хвилину для кожної 1080TI відеокарти, що становить 7514 GFLOP/S × 60.

Сценарії використання користувачів

1. Кількісна торгівля
Кількісна торгівля використовує машини для надання допомоги в роботі з початку. Аналітики розробляють деякі показники за допомогою різних кількісних моделей, спостерігають розподіл даних та використовують машину як оператор. До зростання машинного навчання в останні роки дані можна швидко проаналізувати, встановити та прогнозувати у великих кількостях, тим самим більш точно прогнозувати майбутню тенденцію фінансових продуктів. Однак розрахунок цих моделей вимагає багато обчислювальної потужності штучного інтелекту. Якщо традиційний підхід буде прийнятий, кожен торговий відділ повинен самостійно побудувати центр обробки даних. Спільна обчислювальна потужність може заощадити дорогі витрати на обслуговування. Зробіть фінансові торгові компанії більш зосередженими на самих прогнозах.
2. Програма учнів штучного інтелекту
В даний час коледжі та університети поступово пропонують курси штучного інтелекту, і ця тенденція стане більш популярною в наступному році. Коли студенти навчаються, вони, як правило, вирішать виконувати невеликі завдання на місцях та трудомісткі завдання в шкільній комп'ютерній кімнаті. Однак ці фрагментовані завдання можна вирішити за допомогою Blockchain Computing Cloud Cloud. Недостатні обчислювальні послуги AI ідеально підходять для студентів для виконання різних обчислювальних вправ та швидко змінювати власні моделі.
3. Біомедичний штучний інтелект
Ранній скринінг пухлин має велике значення, але через невеликі ділянки ранніх ураження раку традиційні методи важко судити про доброякісні та злоякісні, що створює труднощі в клінічній діагностиці. Лікарі часто повинні проводити тестування за допомогою біопсії, що не лише збільшує медичні витрати, але й приносить велику біль пацієнтам. Застосування штучного інтелекту до визнання медичного зображення та багатодисциплінарної діагностики спільної роботи може ефективно пробитися через цю складність, покращити діагностичні можливості лікарів, допомогти приймати рішення та сприяти трансформації медичних послуг на індивідуалізацію та точність.

*Вищезазначений вміст складається з офіційного облікового запису недрібних облікових записів. Якщо перевидано, вкажіть джерело.