Nebula AI er forpligtet til at opbygge en decentraliseret kunstig intelligens-computerinfrastrukturkæde (Zhiyun Chain), som reducerer energiforbruget af traditionelle arbejdsbelastningsbeviser ved at konvertere GPU-minemaskiner til kunstig intelligens-computertjenester. NBAI-tokens bruges til at købe computerkraft, såsom: udviklertestning; brug af DAI-applikationer; køb af DAI-træningstjenester osv.

Projektmål

For at forbedre den nuværende situation med centraliseret cloud computing, bruger vi den decentraliserede natur af blockchain-teknologi til at leje og distribuere computerkraft til kunstig intelligens-maskiner på global skala. Blockchain-krypteringsteknologi undgår effektivt eksistensen af ​​interne lækager, og vedligeholdelsen af ​​distribuerede AI-computerenheder overdrages til ejerne af store og små kunstig intelligens-computerenheder, hvilket i høj grad reducerer mængden af ​​vedligeholdelsesarbejde. Dette overordnede mål kan opdeles i følgende delmål:
1. Delt AI-computerplatform
Deling af AI-computerudstyrsplatform vil løse problemet med ejeren og brugen af ​​AI-udstyr ubalanceret efterspørgselsforhold blandt forbrugerne. Ejere af AI-computerenheder kan ikke bruge 100 % af deres computerpotentiale, hvilket resulterer i inaktive computerressourcer. Samtidig kan et stort antal brugere, der har brug for kunstig intelligens-computerkraft, ikke opnå omkostningseffektive AI-computerressourcer. Point-to-point betaling og blockchain bogholderi teknologi gennem blockchain teknologi kan tillade deling af AI computerkraft for at fuldføre betaling og deling på den mest bekvemme måde.
2. Fysisk AI-beregningsenhed
Et stort antal GPU-beregningsminemaskiner kan konverteres til AI-beregningsenheder og dermed transformeres fra simple hash-beregninger til mere meningsfulde AI-opgaveberegninger. På grund af det særlige ved AI-databehandling er det nødvendigt at forudinstallere et specificeret system og regelmæssigt opdatere klienten, inklusive regnskabssystemet, for bedre at udnytte hardwarens ydeevne og dele AI-computerkraften.
3. Decentraliseret AI-applikation
Når en decentraliseret AI-applikation (Decentralized AI Application) er forbundet til systemet, har den brug for en tilsvarende grænseflade for at give DAI App-programmører mulighed for bekvemt at foretage udviklingsopkald i denne måde at bruge den kraftfulde computerkraft i platformen. Det omfatter hovedsageligt betalings-API, estimerings-API for computerkraft, API til estimering af arbejdsbelastning osv., for at fremskynde udviklingen af ​​AI-applikationer.
4. Integrer IPFS-distribueret lagring
Decentraliserede applikationer skal bruge fillagringssystem til at gemme data, en mulighed er IPFS-lagringssystem til at erstatte det traditionelle kinesiske centraliserede skylager eller lokal fillagring til opnå bedre fordelt opbevaring.
IPFS InterPlanetary File System (InterPlanetary File System, forkortet IPFS) er en netværkstransmissionsprotokol designet til at skabe vedvarende og distribueret lagring og delte filer. Det er en indholdsadresserbar peer-to-peer hypermedie distributionsprotokol. Noder i IPFS-netværket vil danne et distribueret filsystem. I fremtiden vil de fleste IPFS bruge cross-chain teknologi opkald. For cross-chain teknologi henvises til cross-chain service calls.
5. AI Engineer Training Center
Nebula AI vil etablere et systematisk kunstig intelligens træningscenter for at give grundlæggende viden inden for kunstig intelligens praksis. Læring, projektpraksis, gradvis opbygning og træning kunstig intelligens modeller i produktdesign. Vi er forpligtet til at formidle de nyeste applikationer og viden inden for kunstig intelligens-industrien og dyrke og levere fremragende kunstig intelligens-talenter. Missionen er at udfylde talentkløften og give fuld spil til kraften i kunstig intelligens i erhvervslivet.

Værdi i brug

Systemets tokens bruges til at købe computerkraft. Når træningsdataene er relativt små, er de forbrugte tokens relativt små, og når træningsdataene er store, stiger de forbrugte tokens tilsvarende. Det betalte gebyr er relateret til træningsomkostningerne og værdien af ​​det aktuelle token. Beregn den computerkraft, der genereres af hvert 1080Ti-grafikkort i et minut, hvilket er 7514 GFLOP/s×60.

Brugerbrugsscenarier

1. Kvantitativ handel
Kvantitativ handel har brugt maskiner til hjælpearbejde fra et meget tidligt stadie. Analytikere bruger forskellige kvantitative modeller til at designe nogle indikatorer og observere datafordeling vha. maskinen som lommeregner. Indtil fremkomsten af ​​maskinlæring i de senere år, kan data hurtigt og massivt analyseres, tilpasses og forudsiges, så man mere præcist kan forudsige udviklingen af ​​fremtidige finansielle produkter. Men beregningen af ​​disse modeller kræver et stort antal mennesker, der AI computing evne. Hvis den traditionelle metode anvendes, skal hver handelsafdeling bygge sit eget datacenter. Og deling af computerkraft kan spare dyre vedligeholdelsesomkostninger. Lad finansielle handelsvirksomheder fokusere mere på at forudsige sig selv.
2. Elevplan for kunstig intelligens
Gymnasier og universiteter tilbyder gradvist kurser i kunstig intelligens. Denne tendens vil blive mere populær i de næste par år. Når studerende lærer Generelt vil du vælge at køre små opgaver lokalt, og køre tidskrævende opgaver i skolens computerrum. Disse fragmenterede opgaver kan dog løses fuldstændigt af blockchain-computerkraftskyen. Den billige AI computing-tjeneste er meget velegnet til studerende til at gennemføre forskellige beregningsøvelser og hurtigt ændre deres egne modeller.
3. Biomedicinsk kunstig intelligens
Den tidlige screening af tumorer er af stor betydning, men på grund af det lille læsionsområde for tidlige kræftformer er traditionelle metoder svære at bedømme godartede og ondartede , hvilket gør klinisk diagnose vanskelig , Læger har ofte brug for at udføre biopsidetektion, hvilket ikke kun øger de medicinske omkostninger, men også bringer stor smerte til patienterne. Anvendelsen af ​​kunstig intelligens til medicinsk billedgenkendelse og multidisciplinær kollaborativ diagnose kan effektivt bryde igennem denne vanskelighed, forbedre lægernes diagnostiske evner, hjælpe med hurtig beslutningstagning og fremme transformationen af ​​medicinske tjenester til individualisering og præcision.

*Ovenstående indhold er organiseret af YouToCoin-officielle. Hvis det genoptrykkes, bedes du angive kilden.