一股来自网络去中心化子网的新浪潮的Bittensor AI 创新正在涌现，本周的综述展示了该生态系统如何从加密挖矿大幅延伸到基因组学、药物发现、市场预测和企业销售等领域。2026 年 7 月 27 日至 8 月 2 日期间，构建在 Bittensor 之上的团队发布了新的研究成果，启动了一次横跨三大洲的大规模训练任务，并首次通过去中心化基础设施处理了真实的企业级工作负载。
Summary
要点速览
- Minos 与 OpenAI 共同撰写了一篇关于代理型 AI 时代科学计算的论文，将HelixForge GPU 引擎作为核心案例研究重点介绍。
- 在匹配基准测试中，HelixForge 的运行速度比 BamSurgeon 快 60 倍，并将突变频率误差降低了一半以上。
- Macrocosmos 启动了Orion-16B 训练，这是一个在三大洲基于 IOTA 运行的 160 亿参数模型，其算力池可扩展至 256 块 GPU。
- Beam 完成了首次去中心化子网到子网的数据传输，在大约六分钟内在 Cloudflare R2 和 Hippius 之间传输了 107 GB 数据。
- Engy 在 80 块消费级 RTX 5090 GPU 上运行了 2.8 万亿参数的 Kimi K3 模型，完全未使用任何数据中心级硬件。
创新 AI 研究与 GPU 引擎进展
Minos 与 OpenAI 共同撰写了一篇题为“Scientific computing in the age of agentic AI”（代理型 AI 时代的科学计算）的新论文，这一合作为已经在 Bittensor 研究子网内部流通的工作增添了学术分量。论文中最复杂的案例研究聚焦于 HelixForge，即 Minos 的GPU 原生引擎，该引擎用于生成 SN107 的隐藏评估基因组，以供基准测试使用。
在与广泛使用的基因组学工具 BamSurgeon 的匹配基准测试中，HelixForge 的端到端运行速度快了 60 倍，并将突变频率误差降低了一半以上。这种速度提升之所以重要，是因为基因组模拟工作负载一向以缓慢且极度消耗算力著称；一种同时缩短运行时间并降低误差幅度的 GPU 原生方法表明，Bittensor 的去中心化算力模型不仅可以与既有科学软件竞争，在某些情况下甚至可以超越它们。其意义在于：如果 HelixForge 的数据在进一步审查下依然站得住脚，那么它将使与 Bittensor 相关的研究成为计算生物学领域的合法贡献者，而不仅仅是与加密货币相关的好奇产物。
在去中心化硬件上进行大规模 AI 模型训练
本周最大的基础设施新闻是 Macrocosmos 启动了 Orion-16B，这是一个基于 IOTA 构建的、实时运行的 160 亿参数训练任务。与传统的集中式数据中心部署不同，该模型同时在三大洲进行训练，使用的是由消费级 RTX 4090 和 RTX 5090 GPU 组成的异构混合集群。
横跨三大洲的 Orion-16B 训练
Orion-16B 与其前身 Orion-100B 的区别在于其算力池的性质。该训练并未依赖一组固定且经过审查的机器，而是使用一个无需许可且不可预测的贡献者池，在任意时间点可扩展至 256 块 GPU。这一设计选择直接测试了在底层硬件供给波动且向任何愿意贡献算力的人开放的情况下，是否仍能可靠地训练大型模型。这与大多数前沿实验室的训练方式有着实质性差异，后者的算力通常是集中控制且可预测的。
Engy 在消费级 GPU 上运行 Kimi K3
另一方面，Engy 团队成功在80 块消费级 RTX 5090 GPU 上运行完整的 2.8 万亿参数 Kimi K3 模型，完全未使用任何数据中心级硬件或专用网络设备。Engy 计划通过其自有平台开放对该模型的访问。这一成果表明，前沿规模的开源模型并不一定需要传统上限制前沿 AI 访问权的那种专属且昂贵的基础设施。这对谁能够运行并试验当今最大规模的开源模型具有现实影响。
去中心化数据传输与基础设施扩展
Beam 本周完成了其首次去中心化子网到子网传输，在大约六分钟内将 107 GB 数据从 Cloudflare R2 迁移到 Hippius。这一里程碑听起来虽小，却有着更深层的意义：这是数据首次在两个不同的去中心化子网之间流动，而无需依赖一个在整个路径上居中处理的集中式中介。
连接私有与云端数据的 Beam Tunnels
下一阶段的 Beam Tunnels 旨在将同一网络扩展到私有数据源，直接把本地部署系统和云存储连接到 Bittensor 子网。综合来看，已完成的传输与即将推出的 Tunnels 功能共同推动 Beam 向一个可编程数据层演进，该数据层位于 Bittensor 去中心化网络与企业现有基础设施之间。这种去中心化数据传输对于推动采用至关重要，因为它降低了那些希望利用 Bittensor 算力和模型、却又不想推翻现有云端或本地部署架构的企业的接入门槛。
Bittensor 生态中的实用 AI 应用与合作
除了基础设施和训练方面的突破之外，多个子网正在将研究成果转化为可部署的产品，而这可以说是 Bittensor 价值最直观的体现。
来自 Metanova 和 Yalotein 的纳米抗体候选物
Metanova 已经与 Yalotein 合作，开始生产 NOVA 的顶级纳米抗体候选物，并将这些分子送往实验室进行测试。这些候选物是通过 Metanova 基于 Bittensor 的竞赛选出的，下一步是确定这些由计算机设计的分子在真实的物理实验中是否真正有效。这是一个关键检查点：计算设计可以快速生成有前景的候选物，但只有实验室结果才能确认科学是否真正转化为现实。
Synth 的预测模型、Dropbox 的 Leadpoet 试点与 Babelbit 的翻译演示
Synth 发布了一篇论文，详细说明其如何将谷歌的 TimesFM 2.5 模型改造用于SN50 的预测竞赛。改造后的模型并非只预测单一最可能结果，而是映射出多条可能的市场路径，并附带各自的不确定性。值得注意的是，Synth 在不到一小时的时间内，仅使用一块游戏级 GPU，就让该模型在 SN50 上具备竞争力，这表明在预测任务中，巧妙的模型改造有时比纯粹的算力更重要。
在企业应用方面，Dropbox 及其一位渠道销售合作伙伴正在试点 Leadpoet，这是一款旨在帮助销售团队识别最有可能转化为客户的公司、从而让销售代表知道应优先跟进哪些潜在客户的工具。与此同时，Babelbit 对其语音翻译与谷歌在同一段德语新闻播报上的表现进行了现场正面对比。在该演示中，Babelbit 的语言 API 显得更清晰、更准确，停顿和语句混乱的情况也少于竞争对手。
综合来看，本周的进展显示，Bittensor 的子网经济正在同时推进基因组学研究、分布式模型训练、企业数据流动以及应用型 AI 产品。贯穿其中的共同主线是：去中心化、无需许可的算力正在证明自己能够处理那些曾被认为必须依赖集中式、严格控制的基础设施才能完成的工作负载——而随着这些试点和训练任务逐步走向生产环境，这一主张也将面临越来越多的审视。
常见问题
什么是 HelixForge？与以往引擎相比表现如何？
HelixForge 是由 Minos 构建的 GPU 原生引擎，在匹配基准测试中，其运行速度比 BamSurgeon 快 60 倍，并将突变频率误差降低了一半以上，使其成为近期这篇关于科学计算的由 OpenAI 共同署名论文中的亮点案例研究。
Orion-16B AI 模型的训练方式有何独特之处？
Orion-16B 横跨三大洲进行训练，使用由消费级 RTX 4090 和 RTX 5090 GPU 组成的异构混合集群，从一个无需许可的算力池中获取资源，该池最多可扩展至 256 块 GPU，这种设置比早期的 Orion-100B 训练更加不可预测。
Bittensor 生态在去中心化数据传输方面取得了哪些进展？
Beam 成功完成了其首次子网间去中心化传输，在大约六分钟内将 107 GB 数据从 Cloudflare R2 迁移到 Hippius，并正通过 Beam Tunnels 扩展能力，以连接私有本地系统和云存储到 Bittensor 子网。
与 Bittensor 相关的 AI 努力正在涌现哪些实际应用？
应用包括 Metanova 和 Yalotein 的纳米抗体候选物早期实验室测试、Synth 为市场路径预测改造的预测模型、Dropbox 试点的 Leadpoet 销售工具，以及 Babelbit 与谷歌直接对比的实时语音翻译演示。
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”什么是 HelixForge？与以往引擎相比表现如何？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”HelixForge 是由 Minos 构建的 GPU 原生引擎，在匹配基准测试中，其运行速度比 BamSurgeon 快 60 倍，并将突变频率误差降低了一半以上，使其成为近期这篇由 OpenAI 共同署名的关于科学计算论文中的亮点案例研究。”}},{“@type”:”Question”,”name”:”Orion-16B AI 模型的训练方式有何独特之处？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Orion-16B 横跨三大洲进行训练，使用由消费级 RTX 4090 和 RTX 5090 GPU 组成的异构混合集群，从一个无需许可的算力池中获取资源，该池最多可扩展至 256 块 GPU，这种设置比早期的 Orion-100B 训练更加不可预测。”}},{“@type”:”Question”,”name”:”Bittensor 生态在去中心化数据传输方面取得了哪些进展？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Beam 完成了其首次去中心化子网到子网传输，在大约六分钟内将 107 GB 数据从 Cloudflare R2 迁移到 Hippius，并正通过 Beam Tunnels 扩展能力，以连接私有本地系统和云存储到 Bittensor 子网。”}},{“@type”:”Question”,”name”:”与 Bittensor 相关的 AI 努力正在涌现哪些实际应用？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”应用包括 Metanova 和 Yalotein 的纳米抗体候选物早期实验室测试、Synth 为市场路径预测改造的预测模型、Dropbox 试点的 Leadpoet 销售工具，以及 Babelbit 与谷歌直接对比的实时语音翻译演示。”}}]}
本文在人工智能协助下完成，并由编辑团队进行审阅。
