Центр оголошень
Дослідницький інститут CoinW
Анотація
Templar (Subnet 3, скорочено SN3) — це децентралізована підмережа попереднього навчання великих мовних моделей, побудована в екосистемі Bittensor. Її ядро полягає в трансформації надзвичайно дорогого та централізованого процесу попереднього навчання великих ШІ-моделей у промислову мережеву систему, що спільно підтримується розподіленими обчислювальними ресурсами по всьому світу, завдяки інноваційним механізмам, таким як «алгоритм SparseLoCo для стиснення комунікацій» та «протокол Gauntlet для оцінки внеску». З архітектурної точки зору вона долає фізичні обмеження традиційних централізованих дата-центрів, не лише знижуючи поріг доступу до обчислювальних потужностей, але й забезпечуючи захист чутливих даних і стійкість до цензури. З точки зору екосистеми та продуктивності даних, Templar успішно реалізував модель «Covenant-72B» із 72 мільярдами параметрів, продемонструвавши абсолютну здійсненність децентралізованого навчання для промислових застосувань. Templar заповнює сегмент базового навчання фундаментальних моделей «важкої індустрії» в екосистемі Bittensor і має довгостроковий потенціал еволюціонувати в стійку open-source ШІ-інфраструктуру, здатну працювати паралельно з технологічними гігантами Web2.
1. Виходячи з типових представників епохи Web2: поточна ситуація та обмеження навчання великих моделей
1.1 Монополія на обчислювальні ресурси в епоху Web2
Із розвитком інфраструктури генеративного ШІ розподіл і контроль обчислювальних ресурсів стали ключовою проблемою в глобальній технологічній конкуренції. У традиційному розумінні та в епоху Web2 «обчислювальний рів» для створення передових ШІ-моделей був сформований невеликою кількістю технологічних гігантів. Великі хмарні провайдери, такі як AWS і Azure, монополізують базові фізичні обчислювальні ресурси, тоді як постачальники ШІ-моделей, такі як OpenAI, Anthropic і Google, надають закриті або напіввідкриті сервіси навчання та інференсу моделей через масштабні централізовані дата-центри, що складаються із сотень тисяч високопродуктивних GPU.
1.2 Основні обмеження традиційної моделі
Хоча централізовані гіганти значно просунули розвиток передових моделей, цей підхід, що потребує значних капітальних і апаратних ресурсів, має очевидні обмеження. По-перше, це надмірна централізація та високі бар’єри входу: звичайні розробники та малі й середні підприємства практично не можуть брати участь, а інновації монополізовані невеликою кількістю технологічних олігархів. По-друге, це системна крихкість: у разі фізичного або мережевого збою в великому централізованому дата-центрі виникає ризик єдиної точки відмови, що може призвести до масштабних збоїв сервісів. Ще більш критичною є проблема конфіденційності та відповідності: дані користувачів і підприємств повинні завантажуватися у приватні хмари цих гігантів, що викликає серйозні побоювання щодо витоку даних. Нарешті, ця архітектура надзвичайно вразлива до експортних обмежень на обладнання або механізмів «білих списків», не маючи стійкості до цензури та геополітичних факторів.
2. Templar (SN3): реконструкція попереднього навчання великих моделей за допомогою “децентралізованої мережі”
2.1 Що таке Templar: лабораторія децентралізованого навчання великих моделей
Щоб подолати монополію технологічних гігантів, було створено Templar (SN3). На відміну від традиційних платформ, він не просто переміщує дані, а безпосередньо спрямований на найдорожчу та ключову частину індустрії ШI — децентралізоване попереднє навчання надвеликих мовних моделей. Простими словами, роль, яку відіграє Templar, подібна до ролі Anthropic або OpenAI у світі Web2; його можна розглядати як лабораторію навчання великих моделей у межах цих компаній, але його робота побудована на розподіленій мережі.
2.2 Від закритих систем до відкритої співпраці: яку проблему вирішує Templar
Ключова зміна Templar полягає в трансформації початкового процесу навчання, який був обмежений одним централізованим дата-центром, у бездозвільну відкриту мережу співпраці. Він руйнує традиційний механізм «білих списків», дозволяючи будь-якому вільному високопродуктивному GPU у світі приєднуватися або залишати мережу в будь-який момент, досягаючи справді permissionless участі та надзвичайно високої стійкості системи. Водночас Templar застосовує модель федеративного навчання «дані залишаються, моделі переміщуються», де навчальні дані залишаються на локальному пристрої майнера, а мережею передаються лише зашифровані та стиснені градієнти, повністю вирішуючи проблеми конфіденційності під час навчання чутливих даних між країнами та установами. Децентралізована архітектура вузлів забезпечує глобальним ШI-дослідженням «темний канал обчислювальної потужності», який дозволяє обходити санкції будь-якої окремої держави, досягаючи максимальної стійкості до цензури.
2.3 Роль в екосистемі TAO: базова платформа попереднього навчання «важкої індустрії»
В екосистемі основною опорою Templar є команда Covenant ШI найвищого рівня. Вони побудували чіткий розподіл ролей: Basilica (SN39) виступає як інфраструктурна мережа, що забезпечує оренду обчислювальних потужностей без необхідності довіри; Grail (SN81) відповідає за донавчання за допомогою підкріплення (reinforcement learning), щоб забезпечити узгодження моделей із людськими цінностями; а Templar (SN3) позиціонується як «база важкої індустрії», яка спеціально відповідає за базове попереднє навчання фундаментальних моделей «з нуля».
3. Основна архітектура: як у мережі здійснюється масштабне попереднє навчання
3.1 Розподілена співпраця: подолання обмежень фізичних мереж
Традиційне навчання ШI значною мірою залежить від високошвидкісних пропрієтарних оптоволоконних з’єднань у централізованих дата-центрах. Templar, натомість, зменшує обсяг комунікаційних даних між вузлами більш ніж у сто разів завдяки своєму унікальному алгоритму SparseLoCo. Це означає, що мережа більше не залежить від топового оптоволокна; достатньо звичайного домашнього інтернету, щоб підключити обчислювальні вузли, розподілені по всьому світу, для спільної роботи.
3.2 Контроль якості без довіри
У відкритих мережах без дозволів, щоб запобігти «ледарству» або зловмисній поведінці майнерів, Templar запровадив протокол Gauntlet. Це сувора система двошарової фільтрації та динамічного рейтингу довіри (OpenSkill). Валідатори в мережі ретельно перевіряють фактичний внесок даних, наданих кожним майнером, у покращення моделі, і лише ті вузли, які дійсно підвищують якість моделі, отримують високі оцінки та винагороди, ефективно усуваючи можливість шахрайства на рівні архітектури.
3.3 Перевірка промислового рівня: модель Covenant-72B
Ця архітектура була повністю підтверджена на практиці. Нещодавно Templar успішно реалізував модель «Covenant-72B», яка має щільну архітектуру з 72 мільярдами параметрів і навчається на масивному корпусі приблизно з 1,1 трильйона токенів. У цьому проєкті брали участь понад 70 повністю незалежних географічно розподілених вузлів, причому вузли могли динамічно приєднуватися або залишати мережу в будь-який момент. У тестах zero-shot модель Covenant-72B набрала 67.1 бала за тестом MMLU, що повністю співставно з моделлю Meta LLaMA-2-70B, яка навчалася в централізованих дата-центрах із величезними обчислювальними ресурсами, тоді як Covenant-72B використовувала лише 1,1 трильйона токенів — приблизно 50% від обсягу останньої. Її аналог у Web2 можна порівняти з моделями Anthropic OPUS або OpenAI Codex.
4. Механізми стимулювання та співпраці: як онлайн-взаємодія формує «позитивний цикл»
4.1 Динамічна токеноміка (dTAO)
Ефективна робота Templar нерозривно пов’язана з передовою токеномікою Bittensor — «динамічним TAO (dTAO)». У цій мережі:
Майнери: вузли, розподілені по всьому світу, надають обчислювальні ресурси та виконують локальне навчання моделей. Після надання якісних результатів вони отримують токенові винагороди.
Валідатори: виконують роль «воротаря», відповідають за перевірку роботи майнерів, підтримують справедливість і безпеку системи та забезпечують розвиток моделі в правильному напрямку.
Інвестори: придбання та стейкінг окремих Alpha-токенів Templar фактично є ставкою з плечем на майбутню якість моделі та масштаб обчислювальної потужності підмережі.
4.2 Екологічний замкнений цикл обчислювальної потужності, вартості та мережі
У цій грі вільного ринку якість моделі безпосередньо пов’язана з економічною вигодою. Чим кращі моделі створює Templar, тим вища вартість його токенів; а високовартісні токени, у свою чергу, приваблюють більше та потужніших майнерів обчислювальної потужності з усього світу. Цей механізм формує позитивний маховик, який міцно пов’язує обчислювальну потужність, цінність і мережеві ефекти, створюючи нерозривний екологічний цикл.
5. Екологічний статус
З точки зору поточного функціонування екосистеми, проєкт Templar уже має значний ринковий масштаб. Його поточна ринкова капіталізація становить 88 мільйонів доларів США. Щодо структури учасників, понад 70 незалежних і розподілених вузлів фактично брали участь у спільному проєкті попереднього навчання надвеликої моделі рівня 72B. У міру того як команда Covenant AI будує навколо SN3 допоміжні підмережі, такі як SN39 (оренда обчислювальних потужностей) і SN81 (донавчання з підкріпленням), вже почала формуватися повноцінна мережна система верхнього та нижнього рівнів, зосереджена на децентралізованому виробництві великих моделей.
Станом на 7 квітня ціна альфа-токена Templar становить приблизно 0.071 TAO, кількість адрес, що володіють токеном, становить близько 7,519, кількість майнерів — 253, валідаторів — 3, а коефіцієнт емісії — 2.58%. Водночас у його пулі ліквідності частка TAO становить 6.71%, а частка Alpha — 93.29%. Виходячи з ціни та кількості власників токенів, Templar уже сформував певну базу користувачів і рівень уваги, але загалом все ще перебуває на ранній стадії поширення.
Джерело даних: https://bittensormarketcap.com/subnets/3
6. Конкурентне середовище та переваги й недоліки
6.1 Позиціонування в індустрії та ключові компетенції
У контексті високої централізації обчислювальних ресурсів Templar пропонує індустрії технічне рішення, здатне протистояти ризикам єдиної точки відмови. Його основна перевага полягає у зміні парадигми, що досягається через дизайн механізмів: він забезпечує справжню участь без дозволів і використовує федеративне навчання для захисту суверенітету даних і конфіденційності. Поєднуючи механізми теорії ігор із розподіленим навчанням, Templar значно зменшує залежність розробників від одного постачальника обчислювальних ресурсів і створює обчислювальні канали, здатні обходити цензуру.
6.2 Постійно еволюціонуючі виклики та плани розвитку
Децентралізоване навчання стикається з довготривалими проблемами вузьких місць мережевої комунікації та гетерогенності обладнання під час масштабування. У відповідь Templar планує постійні технічні оптимізації та вдосконалення. З одного боку, через оновлення алгоритмів і винагороди для технічної спільноти планується оптимізація асинхронного навчання, щоб повністю усунути затримки, спричинені обмеженнями мережі. З іншого боку, Templar розробляє нове покоління гетерогенної архітектури, призначеної для того, щоб широко розповсюджені споживчі відеокарти (наприклад, RTX 4090) могли об’єднуватися у віртуальні кластери, дійсно активуючи величезну «довгохвосту» обчислювальну потужність у руках широкої аудиторії.
7. Майбутні перспективи: чи можна створити децентралізовані промислові великі моделі?
На поточному етапі Templar (SN3) вже успішно продемонстрував можливість створення високопродуктивних моделей промислового рівня за допомогою розподілених обчислювальних ресурсів, реалізувавши Covenant-72B. Чи зможе він досягти подальших проривів у майбутньому, залежить від формування комерційного замкненого циклу та залучення ліквідності.
З точки зору комерційної реалізації, Templar планує впровадити механізм «token-gated», який надаватиме власникам токенів ексклюзивний доступ до високорівневих моделей, із метою створення повного замкненого циклу від досліджень і розробки до комерційної монетизації. На більш макрорівні, у міру прискорення регуляторної відповідності криптоіндустрії (наприклад, схвалення ETF для TAO), приплив традиційного інституційного капіталу безпосередньо збільшить його економічний бюджет, тим самим залучаючи більш якісні вузли до участі в навчанні моделей нового покоління.
У довгостроковій перспективі розвиток технології AI-агентів створить величезний попит, і Templar очікується як інфраструктура для обчислень і платежів без дозволів. Templar — це не просто доповнення до моделей Web2; він також сприяє розвитку ШI у напрямку open-source прозорості, досліджуючи стійкий шлях, який може працювати паралельно з централізованими лабораторіями та сприяти глобальній співпраці.
Джерела
Офіційний сайт Templar: https://www.tplr.ai/
Twitter Templar: https://x.com/tplr_ai
Discord Templar: https://discord.com/invite/N5xgygBJ9r
Taostats K-line: https://taostats.io/subnets/3/chart
Дані bittensormarketcap: https://bittensormarketcap.com/subnets/3
Дослідницький інститут CoinW
Анотація
Templar (Subnet 3, скорочено SN3) — це децентралізована підмережа попереднього навчання великих мовних моделей, побудована в екосистемі Bittensor. Її ядро полягає в трансформації надзвичайно дорогого та централізованого процесу попереднього навчання великих ШІ-моделей у промислову мережеву систему, що спільно підтримується розподіленими обчислювальними ресурсами по всьому світу, завдяки інноваційним механізмам, таким як «алгоритм SparseLoCo для стиснення комунікацій» та «протокол Gauntlet для оцінки внеску». З архітектурної точки зору вона долає фізичні обмеження традиційних централізованих дата-центрів, не лише знижуючи поріг доступу до обчислювальних потужностей, але й забезпечуючи захист чутливих даних і стійкість до цензури. З точки зору екосистеми та продуктивності даних, Templar успішно реалізував модель «Covenant-72B» із 72 мільярдами параметрів, продемонструвавши абсолютну здійсненність децентралізованого навчання для промислових застосувань. Templar заповнює сегмент базового навчання фундаментальних моделей «важкої індустрії» в екосистемі Bittensor і має довгостроковий потенціал еволюціонувати в стійку open-source ШІ-інфраструктуру, здатну працювати паралельно з технологічними гігантами Web2.
1. Виходячи з типових представників епохи Web2: поточна ситуація та обмеження навчання великих моделей
1.1 Монополія на обчислювальні ресурси в епоху Web2
Із розвитком інфраструктури генеративного ШІ розподіл і контроль обчислювальних ресурсів стали ключовою проблемою в глобальній технологічній конкуренції. У традиційному розумінні та в епоху Web2 «обчислювальний рів» для створення передових ШІ-моделей був сформований невеликою кількістю технологічних гігантів. Великі хмарні провайдери, такі як AWS і Azure, монополізують базові фізичні обчислювальні ресурси, тоді як постачальники ШІ-моделей, такі як OpenAI, Anthropic і Google, надають закриті або напіввідкриті сервіси навчання та інференсу моделей через масштабні централізовані дата-центри, що складаються із сотень тисяч високопродуктивних GPU.
1.2 Основні обмеження традиційної моделі
Хоча централізовані гіганти значно просунули розвиток передових моделей, цей підхід, що потребує значних капітальних і апаратних ресурсів, має очевидні обмеження. По-перше, це надмірна централізація та високі бар’єри входу: звичайні розробники та малі й середні підприємства практично не можуть брати участь, а інновації монополізовані невеликою кількістю технологічних олігархів. По-друге, це системна крихкість: у разі фізичного або мережевого збою в великому централізованому дата-центрі виникає ризик єдиної точки відмови, що може призвести до масштабних збоїв сервісів. Ще більш критичною є проблема конфіденційності та відповідності: дані користувачів і підприємств повинні завантажуватися у приватні хмари цих гігантів, що викликає серйозні побоювання щодо витоку даних. Нарешті, ця архітектура надзвичайно вразлива до експортних обмежень на обладнання або механізмів «білих списків», не маючи стійкості до цензури та геополітичних факторів.
2. Templar (SN3): реконструкція попереднього навчання великих моделей за допомогою “децентралізованої мережі”
2.1 Що таке Templar: лабораторія децентралізованого навчання великих моделей
Щоб подолати монополію технологічних гігантів, було створено Templar (SN3). На відміну від традиційних платформ, він не просто переміщує дані, а безпосередньо спрямований на найдорожчу та ключову частину індустрії ШI — децентралізоване попереднє навчання надвеликих мовних моделей. Простими словами, роль, яку відіграє Templar, подібна до ролі Anthropic або OpenAI у світі Web2; його можна розглядати як лабораторію навчання великих моделей у межах цих компаній, але його робота побудована на розподіленій мережі.
2.2 Від закритих систем до відкритої співпраці: яку проблему вирішує Templar
Ключова зміна Templar полягає в трансформації початкового процесу навчання, який був обмежений одним централізованим дата-центром, у бездозвільну відкриту мережу співпраці. Він руйнує традиційний механізм «білих списків», дозволяючи будь-якому вільному високопродуктивному GPU у світі приєднуватися або залишати мережу в будь-який момент, досягаючи справді permissionless участі та надзвичайно високої стійкості системи. Водночас Templar застосовує модель федеративного навчання «дані залишаються, моделі переміщуються», де навчальні дані залишаються на локальному пристрої майнера, а мережею передаються лише зашифровані та стиснені градієнти, повністю вирішуючи проблеми конфіденційності під час навчання чутливих даних між країнами та установами. Децентралізована архітектура вузлів забезпечує глобальним ШI-дослідженням «темний канал обчислювальної потужності», який дозволяє обходити санкції будь-якої окремої держави, досягаючи максимальної стійкості до цензури.
2.3 Роль в екосистемі TAO: базова платформа попереднього навчання «важкої індустрії»
В екосистемі основною опорою Templar є команда Covenant ШI найвищого рівня. Вони побудували чіткий розподіл ролей: Basilica (SN39) виступає як інфраструктурна мережа, що забезпечує оренду обчислювальних потужностей без необхідності довіри; Grail (SN81) відповідає за донавчання за допомогою підкріплення (reinforcement learning), щоб забезпечити узгодження моделей із людськими цінностями; а Templar (SN3) позиціонується як «база важкої індустрії», яка спеціально відповідає за базове попереднє навчання фундаментальних моделей «з нуля».
3. Основна архітектура: як у мережі здійснюється масштабне попереднє навчання
3.1 Розподілена співпраця: подолання обмежень фізичних мереж
Традиційне навчання ШI значною мірою залежить від високошвидкісних пропрієтарних оптоволоконних з’єднань у централізованих дата-центрах. Templar, натомість, зменшує обсяг комунікаційних даних між вузлами більш ніж у сто разів завдяки своєму унікальному алгоритму SparseLoCo. Це означає, що мережа більше не залежить від топового оптоволокна; достатньо звичайного домашнього інтернету, щоб підключити обчислювальні вузли, розподілені по всьому світу, для спільної роботи.
3.2 Контроль якості без довіри
У відкритих мережах без дозволів, щоб запобігти «ледарству» або зловмисній поведінці майнерів, Templar запровадив протокол Gauntlet. Це сувора система двошарової фільтрації та динамічного рейтингу довіри (OpenSkill). Валідатори в мережі ретельно перевіряють фактичний внесок даних, наданих кожним майнером, у покращення моделі, і лише ті вузли, які дійсно підвищують якість моделі, отримують високі оцінки та винагороди, ефективно усуваючи можливість шахрайства на рівні архітектури.
3.3 Перевірка промислового рівня: модель Covenant-72B
Ця архітектура була повністю підтверджена на практиці. Нещодавно Templar успішно реалізував модель «Covenant-72B», яка має щільну архітектуру з 72 мільярдами параметрів і навчається на масивному корпусі приблизно з 1,1 трильйона токенів. У цьому проєкті брали участь понад 70 повністю незалежних географічно розподілених вузлів, причому вузли могли динамічно приєднуватися або залишати мережу в будь-який момент. У тестах zero-shot модель Covenant-72B набрала 67.1 бала за тестом MMLU, що повністю співставно з моделлю Meta LLaMA-2-70B, яка навчалася в централізованих дата-центрах із величезними обчислювальними ресурсами, тоді як Covenant-72B використовувала лише 1,1 трильйона токенів — приблизно 50% від обсягу останньої. Її аналог у Web2 можна порівняти з моделями Anthropic OPUS або OpenAI Codex.
4. Механізми стимулювання та співпраці: як онлайн-взаємодія формує «позитивний цикл»
4.1 Динамічна токеноміка (dTAO)
Ефективна робота Templar нерозривно пов’язана з передовою токеномікою Bittensor — «динамічним TAO (dTAO)». У цій мережі:
Майнери: вузли, розподілені по всьому світу, надають обчислювальні ресурси та виконують локальне навчання моделей. Після надання якісних результатів вони отримують токенові винагороди.
Валідатори: виконують роль «воротаря», відповідають за перевірку роботи майнерів, підтримують справедливість і безпеку системи та забезпечують розвиток моделі в правильному напрямку.
Інвестори: придбання та стейкінг окремих Alpha-токенів Templar фактично є ставкою з плечем на майбутню якість моделі та масштаб обчислювальної потужності підмережі.
4.2 Екологічний замкнений цикл обчислювальної потужності, вартості та мережі
У цій грі вільного ринку якість моделі безпосередньо пов’язана з економічною вигодою. Чим кращі моделі створює Templar, тим вища вартість його токенів; а високовартісні токени, у свою чергу, приваблюють більше та потужніших майнерів обчислювальної потужності з усього світу. Цей механізм формує позитивний маховик, який міцно пов’язує обчислювальну потужність, цінність і мережеві ефекти, створюючи нерозривний екологічний цикл.
5. Екологічний статус
З точки зору поточного функціонування екосистеми, проєкт Templar уже має значний ринковий масштаб. Його поточна ринкова капіталізація становить 88 мільйонів доларів США. Щодо структури учасників, понад 70 незалежних і розподілених вузлів фактично брали участь у спільному проєкті попереднього навчання надвеликої моделі рівня 72B. У міру того як команда Covenant AI будує навколо SN3 допоміжні підмережі, такі як SN39 (оренда обчислювальних потужностей) і SN81 (донавчання з підкріпленням), вже почала формуватися повноцінна мережна система верхнього та нижнього рівнів, зосереджена на децентралізованому виробництві великих моделей.
Станом на 7 квітня ціна альфа-токена Templar становить приблизно 0.071 TAO, кількість адрес, що володіють токеном, становить близько 7,519, кількість майнерів — 253, валідаторів — 3, а коефіцієнт емісії — 2.58%. Водночас у його пулі ліквідності частка TAO становить 6.71%, а частка Alpha — 93.29%. Виходячи з ціни та кількості власників токенів, Templar уже сформував певну базу користувачів і рівень уваги, але загалом все ще перебуває на ранній стадії поширення.
Джерело даних: https://bittensormarketcap.com/subnets/3
6. Конкурентне середовище та переваги й недоліки
6.1 Позиціонування в індустрії та ключові компетенції
У контексті високої централізації обчислювальних ресурсів Templar пропонує індустрії технічне рішення, здатне протистояти ризикам єдиної точки відмови. Його основна перевага полягає у зміні парадигми, що досягається через дизайн механізмів: він забезпечує справжню участь без дозволів і використовує федеративне навчання для захисту суверенітету даних і конфіденційності. Поєднуючи механізми теорії ігор із розподіленим навчанням, Templar значно зменшує залежність розробників від одного постачальника обчислювальних ресурсів і створює обчислювальні канали, здатні обходити цензуру.
6.2 Постійно еволюціонуючі виклики та плани розвитку
Децентралізоване навчання стикається з довготривалими проблемами вузьких місць мережевої комунікації та гетерогенності обладнання під час масштабування. У відповідь Templar планує постійні технічні оптимізації та вдосконалення. З одного боку, через оновлення алгоритмів і винагороди для технічної спільноти планується оптимізація асинхронного навчання, щоб повністю усунути затримки, спричинені обмеженнями мережі. З іншого боку, Templar розробляє нове покоління гетерогенної архітектури, призначеної для того, щоб широко розповсюджені споживчі відеокарти (наприклад, RTX 4090) могли об’єднуватися у віртуальні кластери, дійсно активуючи величезну «довгохвосту» обчислювальну потужність у руках широкої аудиторії.
7. Майбутні перспективи: чи можна створити децентралізовані промислові великі моделі?
На поточному етапі Templar (SN3) вже успішно продемонстрував можливість створення високопродуктивних моделей промислового рівня за допомогою розподілених обчислювальних ресурсів, реалізувавши Covenant-72B. Чи зможе він досягти подальших проривів у майбутньому, залежить від формування комерційного замкненого циклу та залучення ліквідності.
З точки зору комерційної реалізації, Templar планує впровадити механізм «token-gated», який надаватиме власникам токенів ексклюзивний доступ до високорівневих моделей, із метою створення повного замкненого циклу від досліджень і розробки до комерційної монетизації. На більш макрорівні, у міру прискорення регуляторної відповідності криптоіндустрії (наприклад, схвалення ETF для TAO), приплив традиційного інституційного капіталу безпосередньо збільшить його економічний бюджет, тим самим залучаючи більш якісні вузли до участі в навчанні моделей нового покоління.
У довгостроковій перспективі розвиток технології AI-агентів створить величезний попит, і Templar очікується як інфраструктура для обчислень і платежів без дозволів. Templar — це не просто доповнення до моделей Web2; він також сприяє розвитку ШI у напрямку open-source прозорості, досліджуючи стійкий шлях, який може працювати паралельно з централізованими лабораторіями та сприяти глобальній співпраці.
Джерела
Офіційний сайт Templar: https://www.tplr.ai/
Twitter Templar: https://x.com/tplr_ai
Discord Templar: https://discord.com/invite/N5xgygBJ9r
Taostats K-line: https://taostats.io/subnets/3/chart
Дані bittensormarketcap: https://bittensormarketcap.com/subnets/3