Nebula AI прагне побудувати децентралізований ланцюжок обчислювальної інфраструктури штучного інтелекту (Zhiyun Chain), який зменшує енергоспоживання традиційних доказів робочого навантаження шляхом перетворення машин для майнінгу GPU на обчислювальні служби штучного інтелекту. Токени NBAI використовуються для придбання обчислювальної потужності, наприклад: тестування розробників; використання додатків DAI; придбання послуг навчання DAI тощо.

Цілі проекту

Щоб покращити поточну ситуацію централізованих хмарних обчислень, ми використовуємо децентралізований характер технології блокчейн для оренди та розподілу обчислювальної потужності між машинами зі штучним інтелектом у глобальному масштабі. Технологія шифрування Blockchain ефективно запобігає внутрішнім витокам, а обслуговування розподілених обчислювальних блоків штучного інтелекту передається власникам великих і малих обчислювальних блоків штучного інтелекту, що значно скорочує обсяг робіт з обслуговування. Цю загальну мету можна розділити на наступні підцілі:
1. Спільна обчислювальна платформа ШІ
Спільне використання платформи обчислювального обладнання ШІ вирішить проблему незбалансованого власника та використання обладнання ШІ умови попиту серед споживачів. Власники обчислювальних пристроїв зі штучним інтелектом не можуть використовувати 100% свого обчислювального потенціалу, що призводить до простою обчислювальних ресурсів. У той же час велика кількість користувачів, яким потрібна обчислювальна потужність штучного інтелекту, не може отримати економічно ефективні обчислювальні ресурси ШІ. Платіж «точка-точка» та технологія бухгалтерського обліку блокчейну через технологію блокчейну можуть дозволити спільне використання обчислювальної потужності штучного інтелекту для здійснення платежів та обміну найзручнішим способом.
2. Фізичний обчислювальний блок зі штучним інтелектом
Велику кількість обчислювальних машин для майнінгу з GPU можна перетворити на обчислювальні блоки зі штучним інтелектом, таким чином перетворюючи прості хеш-обчислення на більш значущі обчислення завдань ШІ. Через особливості обчислень штучного інтелекту необхідно попередньо встановити певну систему та регулярно оновлювати клієнта, включаючи систему обліку, щоб краще використовувати продуктивність апаратного забезпечення та розподіляти обчислювальну потужність ШІ.
3. Децентралізована програма штучного інтелекту
Коли децентралізована програма штучного інтелекту (Decentralized AI Application) підключена до системи, їй потрібен відповідний інтерфейс, щоб програмісти програми DAI могли зручно здійснювати виклики розробки в таким чином використовувати потужну обчислювальну потужність платформи. В основному він включає платіжний API, API оцінки обчислювальної потужності, API оцінки робочого навантаження тощо, щоб пришвидшити розробку програм ШІ.
4. Інтегруйте розподілене сховище IPFS
Децентралізованим програмам потрібно використовувати систему зберігання файлів для зберігання даних, одним із варіантів є система зберігання IPFS, яка замінить традиційне китайське централізоване хмарне сховище або локальне сховище файлів досягти кращого розподіленого зберігання.
Міжпланетна файлова система IPFS (скорочено InterPlanetary File System, IPFS) — це протокол мережевої передачі, розроблений для створення постійного та розподіленого сховища та спільних файлів. Це одноранговий протокол розповсюдження гіпермедіа з адресацією вмісту. Вузли в мережі IPFS утворюють розподілену файлову систему. У майбутньому більшість IPFS використовуватимуть міжланцюгові виклики за технологією. Для перехресної технології перегляньте міжланцюгові виклики служби.
5. Навчальний центр для інженерів штучного інтелекту
Nebula AI створить системний навчальний центр штучного інтелекту, щоб надати базові знання в галузі штучного інтелекту. Навчання, проектна практика, поступове створення та навчання моделі штучного інтелекту в дизайні продукту. Ми прагнемо поширювати новітні програми та знання в індустрії штучного інтелекту, а також розвивати та розвивати видатні таланти в галузі штучного інтелекту. Місія полягає в тому, щоб заповнити прогалину в талантах і повністю використовувати силу штучного інтелекту в бізнесі.

Цінність у використанні

Жетони системи використовуються для придбання обчислювальної потужності. Коли навчальні дані відносно малі, споживані токени відносно малі, а коли навчальні дані великі, споживані токени відповідно збільшуються. Сплачена плата пов’язана з вартістю навчання та вартістю поточного токена. Обчисліть обчислювальну потужність, згенеровану кожною відеокартою 1080Ti протягом однієї хвилини, що становить 7514 GFLOP/s×60.

Сценарії використання користувача

1. Кількісна торгівля
Кількісна торгівля використовує машини для допоміжної роботи з самого раннього етапу. Аналітики використовують різні кількісні моделі для розробки деяких індикаторів і спостереження за розподілом даних, використовуючи машина як калькулятор. До появи машинного навчання в останні роки, дані можна було швидко та масово аналізувати, адаптувати та прогнозувати, щоб точніше передбачити тенденції майбутніх фінансових продуктів.Однак розрахунок цих моделей потребує великої кількості людей, які обчислюють штучний інтелект. здатність. Якщо прийняти традиційний метод, кожен відділ торгівлі повинен побудувати власний центр обробки даних. А спільна обчислювальна потужність може заощадити дорогі витрати на обслуговування. Нехай фінансові торгові фірми більше зосереджуються на самому прогнозуванні.
2. План для студентів зі штучного інтелекту
Коледжі та університети поступово пропонують курси зі штучного інтелекту. Ця тенденція стане більш популярною протягом наступних кількох років. Коли студенти навчаться, ви виберете виконувати невеликі завдання локально та виконувати трудомісткі завдання в шкільному комп’ютерному кабінеті. Однак ці фрагментовані завдання можна повністю вирішити за допомогою обчислювальної хмари блокчейну. Недорога обчислювальна послуга штучного інтелекту дуже підходить студентам для виконання різноманітних розрахункових вправ і швидкої зміни власних моделей.
3. Біомедичний штучний інтелект
Ранній скринінг пухлин має велике значення, але через невелику площу ураження ранніх видів раку традиційними методами важко визначити доброякісність і злоякісність , що ускладнює клінічну діагностику. Лікарям часто доводиться проводити біопсію, що не тільки збільшує витрати на лікування, але й приносить пацієнтам сильний біль. Застосування штучного інтелекту для розпізнавання медичних зображень і мультидисциплінарної спільної діагностики може ефективно подолати цю складність, покращити діагностичні можливості лікарів, сприяти швидкому прийняттю рішень і сприяти перетворенню медичних послуг на індивідуалізацію та точність.

*Наведений вище вміст організовано офіційною особою YouToCoin. У разі повторного друку вкажіть джерело.