Центр объявлений
Институт исследований CoinW
Аннотация
Templar (Subnet 3, сокращенно SN3) — это децентрализованный сабнет для предварительного обучения (претрейнинга) больших языковых моделей, построенный в экосистеме Bittensor. Его суть заключается в трансформации крайне дорогостоящего и централизованного процесса претрейнинга ИИ-моделей в сетевую систему промышленного уровня, функционирующую на основе совместных усилий распределенных вычислительных ресурсов по всему миру. Это достигается благодаря инновационным механизмам, таким как алгоритм SparseLoCo для сжатия данных при передаче и протокол Gauntlet для оценки вклада участников. С точки зрения архитектуры, проект преодолевает физические сетевые ограничения традиционных централизованных дата-центров, не только снижая порог входа для доступа к вычислительным мощностям, но и обеспечивая защиту конфиденциальных данных и устойчивость к цензуре. Судя по показателям экосистемы и производительности данных, Templar успешно представил модель Covenant-72B с 72 миллиардами параметров, что доказывает абсолютную осуществимость децентрализованного обучения для промышленных приложений. Templar восполняет сегмент обучения базовых моделей «тяжелой промышленности» в экосистеме Bittensor и обладает долгосрочным потенциалом стать устойчивой ИИ-инфраструктурой с открытым исходным кодом, способной конкурировать с технологическими гигантами Web2.
1. Начиная с типичных представителей эпохи Web2: текущая ситуация и ограничения обучения больших моделей
1.1 Монополия на вычисления в эпоху Web2
С развитием инфраструктуры генеративного ИИ распределение и контроль над вычислительными мощностями стали ключевым вопросом в глобальной технологической конкуренции. В традиционном понимании и в эпоху Web2 «защитный ров» из вычислительных мощностей для разработки передовых ИИ-моделей был возведен горсткой техгигантов. Крупные облачные провайдеры, такие как AWS и Azure, монополизировали базовые физические вычислительные ресурсы, в то время как поставщики ИИ-моделей, такие как OpenAI, Anthropic и Google, предоставляют услуги обучения и инференса закрытых или полуоткрытых моделей через массивные централизованные дата-центры, состоящие из сотен тысяч высокопроизводительных GPU.
1.2 Ключевые ограничения традиционной модели
Хотя централизованные гиганты значительно продвинули разработку фронтирных моделей, этот капиталоемкий и аппаратно-зависимый подход имеет очевидные ограничения. Во-первых, это экстремальная централизация и высокие барьеры: рядовые разработчики и представители малого и среднего бизнеса практически не могут участвовать в процессе, а инновации монополизированы немногими технологическими олигархами. Во-вторых, системная хрупкость: сбой в работе крупного централизованного дата-центра (физический или сетевой) создает риск «единой точки отказа», что может привести к масштабным перебоям в обслуживании. Что еще более критично, существуют риски конфиденциальности данных и соблюдения нормативных требований: данные пользователей и предприятий должны загружаться в частные облака этих гигантов, что вызывает серьезные опасения по поводу утечек. Наконец, такая архитектура крайне уязвима к экспортным запретам на конкретное оборудование или контролю через «белые списки», что лишает ее антихрупкости перед лицом цензуры и геополитических факторов.
2. Templar (SN3): Реконструкция претрейнинга больших моделей с помощью «децентрализованной сети»
2.1 Что такое Templar: Децентрализованная лаборатория обучения больших моделей
Чтобы разрушить монополию техгигантов, был создан Templar (SN3). В отличие от традиционных платформ, он не просто перемещает данные, а напрямую нацелен на самый дорогой и основной этап в производственной цепочке ИИ — децентрализованный претрейнинг сверхмасштабных языковых моделей. Проще говоря, роль Templar аналогична роли Anthropic или OpenAI в сфере Web2; его можно рассматривать как лабораторию по обучению больших моделей при этих компаниях, но его работа построена на распределенной сети.
2.2 От закрытых систем к открытому сотрудничеству: Какую проблему решил Templar
Основное изменение, привносимое Templar, заключается в трансформации процесса обучения, который ранее был ограничен рамками одного централизованного дата-центра, в открытую совместную сеть, не требующую разрешений (permissionless). Проект разрушает традиционный механизм «белых списков», позволяя любому простаивающему высокопроизводительному GPU в любой точке мира присоединиться к сети или покинуть ее в любое время, обеспечивая подлинно свободное участие и чрезвычайно высокую устойчивость системы. В то же время Templar использует модель федеративного обучения по принципу «данные остаются, модели перемещаются», где обучающие данные остаются на локальном устройстве майнера, а сеть передает только зашифрованные и сжатые данные градиентов. Это идеально решает проблемы конфиденциальности при обучении на чувствительных данных между странами и институтами. Децентрализованная архитектура узлов предоставляет глобальным исследованиям и разработкам в области ИИ «канал вычислительных мощностей даркнета» для обхода санкций со стороны любого отдельного суверенного государства, обеспечивая экстремальную устойчивость к цензуре.
2.3 Роль в экосистеме TAO: Основная база претрейнинга «тяжелой промышленности»
В экосистеме Templar поддерживается топовой командой Covenant AI. Они выстроили четкое разделение труда: Basilica (SN39) служит опорной сетью инфраструктуры, обеспечивая бездоверительную (trustless) аренду вычислительных мощностей; Grail (SN81) отвечает за тонкую настройку через обучение с подкреплением (RLHF), чтобы модели соответствовали человеческим ценностям; а Templar (SN3) позиционируется как «база тяжелой промышленности», специализирующаяся на основном претрейнинге базовых моделей «с нуля».
3. Основная архитектура: Как в сети осуществляется масштабный претрейнинг
3.1 Распределенное взаимодействие: Преодоление ограничений физических сетей
Традиционное обучение ИИ сильно зависит от высокоскоростных проприетарных оптоволоконных соединений в централизованных дата-центрах. Templar, напротив, сжимает данные связи между узлами более чем в сто раз с помощью своего уникального алгоритма SparseLoCo. Это означает, что сеть больше не зависит от топового оптоволокна; для совместной работы вычислительных узлов, распределенных по всему миру, достаточно обычного домашнего широкополосного интернета.
3.2 Бездоверительный контроль качества
В открытых сетях без разрешений, чтобы предотвратить «уклонение» майнеров от работы или злонамеренные действия, Templar внедрил протокол Gauntlet. Это строгая система двухслойной фильтрации и динамического кредитного рейтинга (OpenSkill). Валидаторы в сети тщательно проверяют фактический вклад данных, представленных каждым майнером, в модель, и только те узлы, которые действительно улучшают качество модели, могут получать высокие баллы и вознаграждения, что эффективно исключает возможность мошенничества на уровне архитектуры.
3.3 Верификация поставок промышленного уровня: Модель Covenant-72B
Эта архитектура была полностью подтверждена в ходе практической реализации. Недавно Templar успешно представил модель Covenant-72B с плотной архитектурой на 72 миллиарда параметров, обученную на массивном корпусе объемом около 1,1 триллиона токенов. В этом проекте участвовало более 70 полностью независимых, географически распределенных пиринговых узлов, которые могли динамически присоединяться к сети или покидать ее. В бенчмарках zero-shot Covenant-72B набрала 67,1 балла в тесте MMLU, что вполне сопоставимо с моделью Meta LLaMA-2-70B, которая обучалась в централизованных дата-центрах с огромными вычислительными мощностями. При этом Covenant-72B использовала всего 1,1 триллиона токенов — 50% от объема данных последней. Ее аналогом в индустрии Web2 являются такие модели, как OPUS от Anthropic или Codex от OpenAI.
4. Механизмы стимулирования и сотрудничества: Как онлайн-взаимодействие формирует «позитивный цикл»
4.1 Движимый динамической токеномикой (dTAO)
Эффективная работа Templar неотделима от передовой токеномики Bittensor — «динамического TAO (dTAO)». В этой сети:
Майнеры: Узлы, распределенные по всему миру, предоставляют аппаратные вычислительные мощности и выполняют локальное обучение моделей. После отправки высококачественных результатов обучения они получают вознаграждение в токенах.
Валидаторы: Выполняют роль «вратарей», отвечают за проверку работы майнеров, поддержание справедливости и безопасности системы, а также гарантируют развитие модели в правильном направлении.
Инвесторы: Покупка и стейкинг собственных Alpha-токенов Templar — это, по сути, ставка с кредитным плечом на будущее качество моделей и масштаб вычислительных мощностей сабнета.
4.2 Экологический замкнутый цикл вычислительной мощности, ценности и сети
В этой игре на свободном рынке качество модели глубоко связано с экономическим доходом. Чем лучше модели, производимые Templar, тем выше стоимость его токенов; а дорогостоящие токены, в свою очередь, привлекают в сеть все больше сильных майнеров со всего мира. Этот механизм создает «маховик», который тесно связывает вычислительную мощность, ценность и сетевые эффекты, формируя неразрывный экологический цикл.
5. Состояние экосистемы
С точки зрения текущей работы экосистемы, проект Templar уже обладает значительным рыночным масштабом. Его текущая рыночная стоимость составляет 88 миллионов долларов США. Что касается структуры участников, более 70 независимых и распределенных узлов существенно участвовали в проекте совместного претрейнинга сверхбольшой модели уровня 72B. Поскольку команда Covenant AI выстраивает вокруг SN3 периферийные сабнеты, такие как SN39 (аренда мощностей) и SN81 (тонкая настройка RL), начинает формироваться полная цепочка сети, ориентированная на децентрализованное производство больших моделей.
По состоянию на 7 апреля цена Alpha-токена Templar составляет примерно 0,071 TAO, количество адресов-держателей — около 7519, майнеров — 253, валидаторов — 3, а доля эмиссии (Emission) составляет 2,58%. В пуле ликвидности доля TAO составляет 6,71%, а доля Alpha — 93,29%. Судя по цене и количеству держателей, Templar уже сформировал определенную пользовательскую базу и уровень внимания, но в целом все еще находится на ранней стадии распространения.
Источник данных: https://bittensormarketcap.com/subnets/3
6. Конкурентная среда, преимущества и недостатки
6.1 Позиционирование в индустрии и ключевые компетенции
В условиях высокой централизации вычислительных ресурсов Templar предлагает индустрии техническое решение, способное противостоять рискам единой точки отказа. Его главное преимущество заключается в смене парадигмы, продиктованной дизайном механизмов: проект обеспечивает подлинно свободное участие и использует федеративное обучение для защиты суверенитета и конфиденциальности данных. Сочетая механизмы теории игр с распределенным обучением, Templar значительно снижает зависимость разработчиков от одного поставщика вычислительных мощностей и создает каналы вычислений, способные обходить цензуру.
6.2 Постоянно развивающиеся вызовы и планирование
Децентрализованное обучение сталкивается с давними проблемами узких мест в сетевой связи и аппаратной неоднородности при масштабировании. В ответ на это Templar запланировал непрерывную оптимизацию на техническом уровне. С одной стороны, ведется работа над оптимизацией асинхронного обучения через обновление алгоритмов и вознаграждения для сообщества гиков, чтобы полностью устранить задержки, вызванные сетевыми ограничениями. С другой стороны, Templar разрабатывает гетерогенную архитектуру нового поколения, которая позволит широко распространенным потребительским видеокартам (таким как RTX 4090) объединяться в виртуальные кластеры, пробуждая огромные «длинные хвосты» вычислительных мощностей в руках общественности.
7. Перспективы на будущее: Могут ли существовать децентрализованные промышленные большие модели?
На текущем этапе Templar (SN3) успешно продемонстрировал возможность создания высокопроизводительных моделей промышленного уровня с помощью распределенных вычислительных мощностей, представив Covenant-72B. Удастся ли добиться дальнейших прорывов в будущем, зависит от создания коммерческого замкнутого цикла и привлечения ликвидности.
В плане коммерческой реализации Templar планирует внедрить механизм «токен-гейтинга» (token-gated) для предоставления держателям токенов эксклюзивного доступа к высококлассным моделям, стремясь создать полный цикл от разработки до получения коммерческой выгоды. На более макроэкономическом уровне, по мере ускорения комплаенса в криптоиндустрии (например, одобрение ETF для TAO), приток капитала от традиционных институтов напрямую увеличит экономический бюджет проекта, привлекая более качественные узлы для попыток обучения моделей следующего поколения.
В долгосрочной перспективе зрелость технологий ИИ-агентов вызовет массовый спрос, и ожидается, что Templar предоставит для этого инфраструктуру платежей и вычислений, не требующую разрешений. Templar — это не просто дополнение к модели Web2; он продвигает технологии ИИ к прозрачности и открытому исходному коду, исследуя устойчивый путь, который может существовать параллельно с централизованными лабораториями и способствовать глобальному сотрудничеству.
Ссылки
Официальный сайт Templar: https://www.tplr.ai/
Twitter Templar: https://x.com/tplr_ai
Discord Templar: https://discord.com/invite/N5xgygBJ9r
K-линия Taostats: https://taostats.io/subnets/3/chart
Данные bittensormarketcap: https://bittensormarketcap.com/subnets/3
Институт исследований CoinW
Аннотация
Templar (Subnet 3, сокращенно SN3) — это децентрализованный сабнет для предварительного обучения (претрейнинга) больших языковых моделей, построенный в экосистеме Bittensor. Его суть заключается в трансформации крайне дорогостоящего и централизованного процесса претрейнинга ИИ-моделей в сетевую систему промышленного уровня, функционирующую на основе совместных усилий распределенных вычислительных ресурсов по всему миру. Это достигается благодаря инновационным механизмам, таким как алгоритм SparseLoCo для сжатия данных при передаче и протокол Gauntlet для оценки вклада участников. С точки зрения архитектуры, проект преодолевает физические сетевые ограничения традиционных централизованных дата-центров, не только снижая порог входа для доступа к вычислительным мощностям, но и обеспечивая защиту конфиденциальных данных и устойчивость к цензуре. Судя по показателям экосистемы и производительности данных, Templar успешно представил модель Covenant-72B с 72 миллиардами параметров, что доказывает абсолютную осуществимость децентрализованного обучения для промышленных приложений. Templar восполняет сегмент обучения базовых моделей «тяжелой промышленности» в экосистеме Bittensor и обладает долгосрочным потенциалом стать устойчивой ИИ-инфраструктурой с открытым исходным кодом, способной конкурировать с технологическими гигантами Web2.
1. Начиная с типичных представителей эпохи Web2: текущая ситуация и ограничения обучения больших моделей
1.1 Монополия на вычисления в эпоху Web2
С развитием инфраструктуры генеративного ИИ распределение и контроль над вычислительными мощностями стали ключевым вопросом в глобальной технологической конкуренции. В традиционном понимании и в эпоху Web2 «защитный ров» из вычислительных мощностей для разработки передовых ИИ-моделей был возведен горсткой техгигантов. Крупные облачные провайдеры, такие как AWS и Azure, монополизировали базовые физические вычислительные ресурсы, в то время как поставщики ИИ-моделей, такие как OpenAI, Anthropic и Google, предоставляют услуги обучения и инференса закрытых или полуоткрытых моделей через массивные централизованные дата-центры, состоящие из сотен тысяч высокопроизводительных GPU.
1.2 Ключевые ограничения традиционной модели
Хотя централизованные гиганты значительно продвинули разработку фронтирных моделей, этот капиталоемкий и аппаратно-зависимый подход имеет очевидные ограничения. Во-первых, это экстремальная централизация и высокие барьеры: рядовые разработчики и представители малого и среднего бизнеса практически не могут участвовать в процессе, а инновации монополизированы немногими технологическими олигархами. Во-вторых, системная хрупкость: сбой в работе крупного централизованного дата-центра (физический или сетевой) создает риск «единой точки отказа», что может привести к масштабным перебоям в обслуживании. Что еще более критично, существуют риски конфиденциальности данных и соблюдения нормативных требований: данные пользователей и предприятий должны загружаться в частные облака этих гигантов, что вызывает серьезные опасения по поводу утечек. Наконец, такая архитектура крайне уязвима к экспортным запретам на конкретное оборудование или контролю через «белые списки», что лишает ее антихрупкости перед лицом цензуры и геополитических факторов.
2. Templar (SN3): Реконструкция претрейнинга больших моделей с помощью «децентрализованной сети»
2.1 Что такое Templar: Децентрализованная лаборатория обучения больших моделей
Чтобы разрушить монополию техгигантов, был создан Templar (SN3). В отличие от традиционных платформ, он не просто перемещает данные, а напрямую нацелен на самый дорогой и основной этап в производственной цепочке ИИ — децентрализованный претрейнинг сверхмасштабных языковых моделей. Проще говоря, роль Templar аналогична роли Anthropic или OpenAI в сфере Web2; его можно рассматривать как лабораторию по обучению больших моделей при этих компаниях, но его работа построена на распределенной сети.
2.2 От закрытых систем к открытому сотрудничеству: Какую проблему решил Templar
Основное изменение, привносимое Templar, заключается в трансформации процесса обучения, который ранее был ограничен рамками одного централизованного дата-центра, в открытую совместную сеть, не требующую разрешений (permissionless). Проект разрушает традиционный механизм «белых списков», позволяя любому простаивающему высокопроизводительному GPU в любой точке мира присоединиться к сети или покинуть ее в любое время, обеспечивая подлинно свободное участие и чрезвычайно высокую устойчивость системы. В то же время Templar использует модель федеративного обучения по принципу «данные остаются, модели перемещаются», где обучающие данные остаются на локальном устройстве майнера, а сеть передает только зашифрованные и сжатые данные градиентов. Это идеально решает проблемы конфиденциальности при обучении на чувствительных данных между странами и институтами. Децентрализованная архитектура узлов предоставляет глобальным исследованиям и разработкам в области ИИ «канал вычислительных мощностей даркнета» для обхода санкций со стороны любого отдельного суверенного государства, обеспечивая экстремальную устойчивость к цензуре.
2.3 Роль в экосистеме TAO: Основная база претрейнинга «тяжелой промышленности»
В экосистеме Templar поддерживается топовой командой Covenant AI. Они выстроили четкое разделение труда: Basilica (SN39) служит опорной сетью инфраструктуры, обеспечивая бездоверительную (trustless) аренду вычислительных мощностей; Grail (SN81) отвечает за тонкую настройку через обучение с подкреплением (RLHF), чтобы модели соответствовали человеческим ценностям; а Templar (SN3) позиционируется как «база тяжелой промышленности», специализирующаяся на основном претрейнинге базовых моделей «с нуля».
3. Основная архитектура: Как в сети осуществляется масштабный претрейнинг
3.1 Распределенное взаимодействие: Преодоление ограничений физических сетей
Традиционное обучение ИИ сильно зависит от высокоскоростных проприетарных оптоволоконных соединений в централизованных дата-центрах. Templar, напротив, сжимает данные связи между узлами более чем в сто раз с помощью своего уникального алгоритма SparseLoCo. Это означает, что сеть больше не зависит от топового оптоволокна; для совместной работы вычислительных узлов, распределенных по всему миру, достаточно обычного домашнего широкополосного интернета.
3.2 Бездоверительный контроль качества
В открытых сетях без разрешений, чтобы предотвратить «уклонение» майнеров от работы или злонамеренные действия, Templar внедрил протокол Gauntlet. Это строгая система двухслойной фильтрации и динамического кредитного рейтинга (OpenSkill). Валидаторы в сети тщательно проверяют фактический вклад данных, представленных каждым майнером, в модель, и только те узлы, которые действительно улучшают качество модели, могут получать высокие баллы и вознаграждения, что эффективно исключает возможность мошенничества на уровне архитектуры.
3.3 Верификация поставок промышленного уровня: Модель Covenant-72B
Эта архитектура была полностью подтверждена в ходе практической реализации. Недавно Templar успешно представил модель Covenant-72B с плотной архитектурой на 72 миллиарда параметров, обученную на массивном корпусе объемом около 1,1 триллиона токенов. В этом проекте участвовало более 70 полностью независимых, географически распределенных пиринговых узлов, которые могли динамически присоединяться к сети или покидать ее. В бенчмарках zero-shot Covenant-72B набрала 67,1 балла в тесте MMLU, что вполне сопоставимо с моделью Meta LLaMA-2-70B, которая обучалась в централизованных дата-центрах с огромными вычислительными мощностями. При этом Covenant-72B использовала всего 1,1 триллиона токенов — 50% от объема данных последней. Ее аналогом в индустрии Web2 являются такие модели, как OPUS от Anthropic или Codex от OpenAI.
4. Механизмы стимулирования и сотрудничества: Как онлайн-взаимодействие формирует «позитивный цикл»
4.1 Движимый динамической токеномикой (dTAO)
Эффективная работа Templar неотделима от передовой токеномики Bittensor — «динамического TAO (dTAO)». В этой сети:
Майнеры: Узлы, распределенные по всему миру, предоставляют аппаратные вычислительные мощности и выполняют локальное обучение моделей. После отправки высококачественных результатов обучения они получают вознаграждение в токенах.
Валидаторы: Выполняют роль «вратарей», отвечают за проверку работы майнеров, поддержание справедливости и безопасности системы, а также гарантируют развитие модели в правильном направлении.
Инвесторы: Покупка и стейкинг собственных Alpha-токенов Templar — это, по сути, ставка с кредитным плечом на будущее качество моделей и масштаб вычислительных мощностей сабнета.
4.2 Экологический замкнутый цикл вычислительной мощности, ценности и сети
В этой игре на свободном рынке качество модели глубоко связано с экономическим доходом. Чем лучше модели, производимые Templar, тем выше стоимость его токенов; а дорогостоящие токены, в свою очередь, привлекают в сеть все больше сильных майнеров со всего мира. Этот механизм создает «маховик», который тесно связывает вычислительную мощность, ценность и сетевые эффекты, формируя неразрывный экологический цикл.
5. Состояние экосистемы
С точки зрения текущей работы экосистемы, проект Templar уже обладает значительным рыночным масштабом. Его текущая рыночная стоимость составляет 88 миллионов долларов США. Что касается структуры участников, более 70 независимых и распределенных узлов существенно участвовали в проекте совместного претрейнинга сверхбольшой модели уровня 72B. Поскольку команда Covenant AI выстраивает вокруг SN3 периферийные сабнеты, такие как SN39 (аренда мощностей) и SN81 (тонкая настройка RL), начинает формироваться полная цепочка сети, ориентированная на децентрализованное производство больших моделей.
По состоянию на 7 апреля цена Alpha-токена Templar составляет примерно 0,071 TAO, количество адресов-держателей — около 7519, майнеров — 253, валидаторов — 3, а доля эмиссии (Emission) составляет 2,58%. В пуле ликвидности доля TAO составляет 6,71%, а доля Alpha — 93,29%. Судя по цене и количеству держателей, Templar уже сформировал определенную пользовательскую базу и уровень внимания, но в целом все еще находится на ранней стадии распространения.
Источник данных: https://bittensormarketcap.com/subnets/3
6. Конкурентная среда, преимущества и недостатки
6.1 Позиционирование в индустрии и ключевые компетенции
В условиях высокой централизации вычислительных ресурсов Templar предлагает индустрии техническое решение, способное противостоять рискам единой точки отказа. Его главное преимущество заключается в смене парадигмы, продиктованной дизайном механизмов: проект обеспечивает подлинно свободное участие и использует федеративное обучение для защиты суверенитета и конфиденциальности данных. Сочетая механизмы теории игр с распределенным обучением, Templar значительно снижает зависимость разработчиков от одного поставщика вычислительных мощностей и создает каналы вычислений, способные обходить цензуру.
6.2 Постоянно развивающиеся вызовы и планирование
Децентрализованное обучение сталкивается с давними проблемами узких мест в сетевой связи и аппаратной неоднородности при масштабировании. В ответ на это Templar запланировал непрерывную оптимизацию на техническом уровне. С одной стороны, ведется работа над оптимизацией асинхронного обучения через обновление алгоритмов и вознаграждения для сообщества гиков, чтобы полностью устранить задержки, вызванные сетевыми ограничениями. С другой стороны, Templar разрабатывает гетерогенную архитектуру нового поколения, которая позволит широко распространенным потребительским видеокартам (таким как RTX 4090) объединяться в виртуальные кластеры, пробуждая огромные «длинные хвосты» вычислительных мощностей в руках общественности.
7. Перспективы на будущее: Могут ли существовать децентрализованные промышленные большие модели?
На текущем этапе Templar (SN3) успешно продемонстрировал возможность создания высокопроизводительных моделей промышленного уровня с помощью распределенных вычислительных мощностей, представив Covenant-72B. Удастся ли добиться дальнейших прорывов в будущем, зависит от создания коммерческого замкнутого цикла и привлечения ликвидности.
В плане коммерческой реализации Templar планирует внедрить механизм «токен-гейтинга» (token-gated) для предоставления держателям токенов эксклюзивного доступа к высококлассным моделям, стремясь создать полный цикл от разработки до получения коммерческой выгоды. На более макроэкономическом уровне, по мере ускорения комплаенса в криптоиндустрии (например, одобрение ETF для TAO), приток капитала от традиционных институтов напрямую увеличит экономический бюджет проекта, привлекая более качественные узлы для попыток обучения моделей следующего поколения.
В долгосрочной перспективе зрелость технологий ИИ-агентов вызовет массовый спрос, и ожидается, что Templar предоставит для этого инфраструктуру платежей и вычислений, не требующую разрешений. Templar — это не просто дополнение к модели Web2; он продвигает технологии ИИ к прозрачности и открытому исходному коду, исследуя устойчивый путь, который может существовать параллельно с централизованными лабораториями и способствовать глобальному сотрудничеству.
Ссылки
Официальный сайт Templar: https://www.tplr.ai/
Twitter Templar: https://x.com/tplr_ai
Discord Templar: https://discord.com/invite/N5xgygBJ9r
K-линия Taostats: https://taostats.io/subnets/3/chart
Данные bittensormarketcap: https://bittensormarketcap.com/subnets/3