Nebula AI har åtagit sig att bygga en decentraliserad datorinfrastrukturkedja för artificiell intelligens (Zhiyun Chain), som minskar energiförbrukningen för traditionella arbetsbelastningsbevis genom att konvertera GPU-gruvmaskiner till datortjänster med artificiell intelligens. NBAI-tokens används för att köpa datorkraft, såsom: utvecklartestning; användning av DAI-applikationer; köp av DAI-utbildningstjänster, etc.

Projektmål

För att förbättra den nuvarande situationen för centraliserad molnberäkning använder vi blockkedjeteknikens decentraliserade natur för att hyra ut och distribuera datorkraft till maskiner med artificiell intelligens på en global skala. Blockchain-krypteringsteknik undviker effektivt förekomsten av interna läckor, och underhållet av distribuerade AI-beräkningsenheter överlämnas till ägarna av stora och små beräkningsenheter för artificiell intelligens, vilket avsevärt minskar mängden underhållsarbete. Detta övergripande mål kan delas upp i följande delmål:
1. Delad AI-datorplattform
Att dela AI-datorutrustningsplattform kommer att lösa problemet med ägaren och användningen av AI-utrustning obalanserad efterfrågan bland konsumenterna. Ägare av AI-datorenheter kan inte använda 100 % av sin datorpotential, vilket resulterar i lediga datorresurser. Samtidigt kan ett stort antal användare som behöver artificiell intelligens datorkraft inte få kostnadseffektiva AI-beräkningsresurser. Punkt-till-punkt-betalning och blockchain-bokföringsteknik genom blockchain-teknik kan tillåta delning av AI-datorkraft för att slutföra betalning och delning på det mest bekväma sättet.
2. Fysisk beräkningsenhet för AI
Ett stort antal gruvmaskiner för GPU-beräkningar kan konverteras till AI-beräkningsenheter, och på så sätt förvandlas från enkla hashberäkningar till mer meningsfulla AI-uppgiftsberäkningar. På grund av det speciella med AI-beräkningar är det nödvändigt att förinstallera ett specificerat system och regelbundet uppdatera klienten, inklusive redovisningssystemet, för att bättre kunna utnyttja hårdvarans prestanda och dela AI-beräkningskraften.
3. Decentraliserad AI-applikation
När en decentraliserad AI-applikation (Decentralized AI Application) är ansluten till systemet behöver den ett motsvarande gränssnitt för att göra det möjligt för DAI-appprogrammerare att bekvämt göra utvecklingsanrop i detta sätt att använda den kraftfulla datorkraften i plattformen. Det inkluderar huvudsakligen betalnings-API, API för beräkning av beräkningskraft, API för uppskattning av arbetsbelastning, etc., för att påskynda utvecklingen av AI-applikationer.
4. Integrera IPFS distribuerad lagring
Decentraliserade applikationer måste använda fillagringssystem för att lagra data, ett alternativ är IPFS-lagringssystem för att ersätta den traditionella kinesiska centraliserade molnlagringen eller lokal fillagring för att uppnå bättre distribuerad lagring.
IPFS InterPlanetary File System (InterPlanetary File System, förkortat IPFS) är ett nätverksöverföringsprotokoll designat för att skapa beständig och distribuerad lagring och delade filer. Det är ett innehållsadresserbart peer-to-peer-hypermediadistributionsprotokoll. Noderna i IPFS-nätverket kommer att bilda ett distribuerat filsystem. I framtiden kommer de flesta IPFS att använda tvärkedjetekniksamtal. För tvärkedjeteknik, vänligen se servicesamtal över flera kedjor.
5. Utbildningscenter för AI-ingenjörer
Nebula AI kommer att etablera ett systematiskt utbildningscenter för artificiell intelligens för att ge grundläggande kunskaper inom området för artificiell intelligens. Lärande, projektövningar, gradvis uppbyggnad och utbildning artificiell intelligens-modeller i produktdesign. Vi är engagerade i att sprida de senaste tillämpningarna och kunskaperna inom industrin för artificiell intelligens, och att odla och leverera enastående talanger inom artificiell intelligens. Uppdraget är att fylla talangklyftan och ge full spel åt kraften i artificiell intelligens i näringslivet.

Användningsvärde

Systemets tokens används för att köpa datorkraft. När träningsdatan är relativt liten är tokens som förbrukas relativt små, och när träningsdatan är stor ökar tokens som förbrukas i enlighet därmed. Den erlagda avgiften är relaterad till utbildningskostnaden och värdet av den aktuella token. Beräkna beräkningskraften som genereras av varje 1080Ti-grafikkort under en minut, vilket är 7514 GFLOP/s×60.

Användarscenarier

1. Kvantitativ handel
Kvantitativ handel har använt maskiner för hjälparbete från ett mycket tidigt stadium. Analytiker använder olika kvantitativa modeller för att utforma vissa indikatorer och observera datadistribution, med hjälp av maskinen som en miniräknare. Fram till uppkomsten av maskininlärning under de senaste åren kan data snabbt och massivt analyseras, anpassas och förutsägas, för att mer exakt förutsäga trenden för framtida finansiella produkter. Men beräkningen av dessa modeller kräver ett stort antal människor som AI-beräkningar förmåga. Om den traditionella metoden antas måste varje handelsavdelning bygga sitt eget datacenter. Och delad datorkraft kan spara dyra underhållskostnader. Låt finansiella handelsföretag fokusera mer på att prognostisera sig själva.
2. Elevplan för artificiell intelligens
Högskolor och universitet erbjuder gradvis kurser i artificiell intelligens. Denna trend kommer att bli mer populär under de närmaste åren. När studenter lär sig Vanligtvis kommer du att välja att köra små uppgifter lokalt, och köra tidskrävande uppgifter i skolans datorsal. Dessa fragmenterade uppgifter kan dock lösas helt med blockchain-datorkraftsmoln. Den billiga AI-datortjänsten är mycket lämplig för studenter att genomföra olika beräkningsövningar och snabbt modifiera sina egna modeller.
3. Biomedicinsk artificiell intelligens
Tidig screening av tumörer är av stor betydelse, men på grund av det lilla lesionsområdet för tidiga cancerformer är traditionella metoder svåra att bedöma som godartade och maligna , vilket försvårar klinisk diagnos, läkare behöver ofta genomföra biopsidetektering, vilket inte bara ökar medicinska kostnader, utan också medför stor smärta för patienterna. Tillämpningen av artificiell intelligens på medicinsk bildigenkänning och multidisciplinär samarbetsdiagnostik kan effektivt bryta igenom denna svårighet, förbättra läkarnas diagnostiska kapacitet, hjälpa snabbt beslutsfattande och främja omvandlingen av medicinska tjänster till individualisering och precision.

*Ovanstående innehåll är organiserat av YouToCoin-tjänstemannen. Om det skrivs ut igen, vänligen ange källan.