Uma nova onda de inovações de IA da Bittensor está surgindo dos sub-redes descentralizadas da rede, e o resumo desta semana mostra até que ponto o ecossistema se estendeu além da mineração de cripto para genômica, descoberta de medicamentos, previsão de mercado e vendas corporativas. Entre 27 de julho e 2 de agosto de 2026, equipes construindo na Bittensor publicaram novas pesquisas, lançaram uma execução de treinamento em massa abrangendo três continentes e moveram cargas de trabalho corporativas reais por meio de infraestrutura descentralizada pela primeira vez.
Summary
Principais destaques
- A Minos coassinou um artigo com a OpenAI sobre computação científica na era da IA agente, destacando o motor de GPU HelixForge como estudo de caso central.
- O HelixForge foi 60 vezes mais rápido que o BamSurgeon em um benchmark equivalente e reduziu o erro de frequência de mutação em mais da metade.
- A Macrocosmos lançou o treinamento Orion-16B, um modelo de 16 bilhões de parâmetros rodando na IOTA em três continentes com um pool de computação escalando para 256 GPUs.
- A Beam concluiu sua primeira transferência descentralizada de sub-rede para sub-rede, movendo 107 GB entre o Cloudflare R2 e o Hippius em cerca de seis minutos.
- A Engy executou o modelo Kimi K3 de 2,8 trilhões de parâmetros em 80 GPUs RTX 5090 de consumo, sem hardware de datacenter envolvido.
Pesquisa inovadora em IA e avanços em motores de GPU
A Minos coassinou um novo artigo com a OpenAI intitulado “Computação científica na era da IA agente”, uma colaboração que confere peso acadêmico ao trabalho já em circulação dentro das sub-redes de pesquisa da Bittensor. O estudo de caso mais complexo do artigo se concentra no HelixForge, o motor nativo de GPU da Minos, que é usado para gerar os genomas de avaliação ocultos do SN107 para fins de benchmark.
Em um benchmark equivalente contra o BamSurgeon, uma ferramenta de genômica amplamente utilizada, o HelixForge foi 60 vezes mais rápido de ponta a ponta e reduziu o erro de frequência de mutação em mais da metade. Esse tipo de ganho de velocidade é importante porque cargas de trabalho de simulação genômica são notoriamente lentas e famintas por computação; uma abordagem nativa de GPU que reduz ao mesmo tempo o tempo de execução e a margem de erro sugere que o modelo de computação descentralizada da Bittensor pode competir com, e em alguns casos superar, softwares científicos estabelecidos. Por que isso importa: se os números do HelixForge se mantiverem sob escrutínio adicional, isso posiciona a pesquisa ligada à Bittensor como uma contribuinte legítima para a biologia computacional, não apenas uma curiosidade adjacente a cripto.
Treinamento de modelos de IA em larga escala em hardware descentralizado
A maior história de infraestrutura da semana é a Macrocosmos lançando o Orion-16B, uma execução de treinamento ao vivo de 16 bilhões de parâmetros construída na IOTA. Diferente de uma construção convencional em datacenter centralizado, esse modelo está sendo treinado simultaneamente em três continentes usando uma mistura heterogênea de GPUs RTX 4090 e RTX 5090 de consumo.
Treinamento do Orion-16B em três continentes
O que diferencia o Orion-16B de seu predecessor, o Orion-100B, é a natureza de seu pool de computação. Em vez de depender de um conjunto fixo e verificado de máquinas, essa execução usa um pool de contribuidores permissionless e imprevisível, escalando até 256 GPUs em qualquer momento. Essa escolha de design é um teste direto de se modelos grandes podem ser treinados de forma confiável quando o fornecimento de hardware subjacente é volátil e aberto a qualquer pessoa que queira contribuir ciclos. É um afastamento significativo da forma como a maioria dos laboratórios de fronteira aborda o treinamento, onde a computação é centralmente controlada e previsível.
Engy executa o Kimi K3 em GPUs de consumo
Separadamente, a equipe da Engy conseguiu colocar o modelo completo Kimi K3 de 2,8 trilhões de parâmetros rodando em 80 GPUs RTX 5090 de consumo, sem hardware de datacenter ou rede especializada envolvidos. A Engy planeja abrir o acesso ao modelo por meio de sua própria plataforma. A conquista demonstra que modelos abertos em escala de fronteira não exigem necessariamente a infraestrutura exclusiva e cara que tradicionalmente limitou o acesso à IA de ponta. Isso tem implicações reais para quem pode executar e experimentar com os maiores modelos abertos disponíveis hoje.
Transferência de dados descentralizada e expansão de infraestrutura
A Beam concluiu sua primeira transferência descentralizada de sub-rede para sub-rede nesta semana, movendo 107 GB de dados do Cloudflare R2 para o Hippius em cerca de seis minutos. É um marco que parece pequeno, mas com um ponto maior por trás: pela primeira vez, dados se moveram entre duas sub-redes descentralizadas distintas sem depender de um intermediário centralizado controlando todo o caminho.
Beam Tunnels conectando dados privados e em nuvem
A próxima fase, Beam Tunnels, visa estender essa mesma rede a fontes de dados privadas, conectando sistemas on-premise e armazenamento em nuvem diretamente às sub-redes da Bittensor. Em conjunto, a transferência concluída e o próximo recurso Tunnels empurram a Beam na direção de se tornar uma camada de dados programável situada entre a rede descentralizada da Bittensor e a infraestrutura corporativa que as empresas já operam. Esse tipo de transferência de dados descentralizada é importante para a adoção porque reduz o atrito para empresas que querem aproveitar a computação e os modelos da Bittensor sem desmontar suas configurações atuais de nuvem ou on-premise.
Aplicações práticas de IA e parcerias no ecossistema Bittensor
Além dos avanços em infraestrutura e treinamento, várias sub-redes estão transformando pesquisa em produtos implantáveis, e é aí que, provavelmente, a prova mais tangível do valor da Bittensor aparece.
Candidatos a nanocorpos da Metanova e Yalotein
A Metanova começou a produzir os principais candidatos a nanocorpos da NOVA em parceria com a Yalotein, enviando as moléculas para testes laboratoriais. Os candidatos foram selecionados por meio da competição da Metanova baseada na Bittensor, e o próximo passo é determinar se essas moléculas projetadas por computador realmente funcionam em experimentos físicos reais. É um ponto de verificação crítico: o design computacional pode gerar candidatos promissores rapidamente, mas apenas resultados de laboratório podem confirmar se a ciência se traduz.
Modelo de previsão da Synth, piloto Leadpoet da Dropbox e demonstração de tradução da Babelbit
A Synth publicou um artigo detalhando como adaptou o modelo TimesFM 2.5 do Google para a competição de previsão do SN50. Em vez de prever um único resultado provável, o modelo adaptado mapeia vários caminhos de mercado possíveis juntamente com a incerteza associada a cada um. Notavelmente, a Synth tornou o modelo competitivo no SN50 com menos de uma hora de treinamento em uma única GPU de jogos, sugerindo que uma adaptação habilidosa pode importar mais do que computação bruta em tarefas de previsão.
No lado corporativo, a Dropbox e um de seus parceiros de vendas de canal estão pilotando o Leadpoet, uma ferramenta projetada para ajudar equipes de vendas a identificar as empresas com maior probabilidade de se converterem em clientes, para que os representantes saibam quem priorizar. Enquanto isso, a Babelbit realizou uma comparação ao vivo, frente a frente, de sua tradução de fala contra o Google na mesma transmissão de notícias em alemão. Nessa demonstração, a Language API da Babelbit se mostrou mais clara e precisa, com menos hesitações e frases embaralhadas do que sua rival.
Em conjunto, os desenvolvimentos desta semana mostram a economia de sub-redes da Bittensor avançando simultaneamente em pesquisa genômica, treinamento distribuído de modelos, movimentação de dados corporativos e produtos de IA aplicada. O fio condutor é a computação descentralizada e permissionless provando que pode lidar com cargas de trabalho antes consideradas dependentes de infraestrutura centralizada e rigidamente controlada — uma afirmação que só receberá mais escrutínio à medida que esses pilotos e execuções de treinamento amadurecerem em uso em produção.
Perguntas frequentes
O que é o HelixForge e como ele se desempenha em comparação com motores anteriores?
O HelixForge é um motor nativo de GPU criado pela Minos que é 60 vezes mais rápido que o BamSurgeon em benchmarks equivalentes e reduz o erro de frequência de mutação em mais da metade, tornando-se um estudo de caso de destaque no recente artigo coassinado com a OpenAI sobre computação científica.
Como o modelo de IA Orion-16B está sendo treinado de forma única?
O Orion-16B é treinado em três continentes usando uma mistura heterogênea de GPUs RTX 4090 e RTX 5090 de consumo, recorrendo a um pool de computação permissionless que pode escalar até 256 GPUs, uma configuração mais imprevisível do que a execução anterior do Orion-100B.
Que progresso foi feito na transferência de dados descentralizada dentro do ecossistema Bittensor?
A Beam executou com sucesso sua transferência inaugural descentralizada entre sub-redes, com 107 GB sendo realocados do Cloudflare R2 para o Hippius em cerca de seis minutos, e agora está se expandindo com os Beam Tunnels para conectar sistemas privados on-premise e armazenamento em nuvem às sub-redes da Bittensor.
Quais aplicações práticas estão surgindo dos esforços de IA relacionados à Bittensor?
As aplicações incluem testes laboratoriais iniciais de candidatos a nanocorpos da Metanova e Yalotein, o modelo de previsão adaptado da Synth para previsão de caminhos de mercado, um piloto da Dropbox da ferramenta de vendas Leadpoet e a demonstração ao vivo de tradução de fala da Babelbit comparada diretamente com a do Google.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”O que é o HelixForge e como ele se desempenha em comparação com motores anteriores?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”O HelixForge é um motor nativo de GPU criado pela Minos que é 60 vezes mais rápido que o BamSurgeon em benchmarks equivalentes e reduz o erro de frequência de mutação em mais da metade, tornando-se um estudo de caso de destaque no recente artigo coassinado com a OpenAI sobre computação científica.”}},{“@type”:”Question”,”name”:”Como o modelo de IA Orion-16B está sendo treinado de forma única?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”O Orion-16B é treinado em três continentes usando uma mistura heterogênea de GPUs RTX 4090 e RTX 5090 de consumo, recorrendo a um pool de computação permissionless que pode escalar até 256 GPUs, uma configuração mais imprevisível do que a execução anterior do Orion-100B.”}},{“@type”:”Question”,”name”:”Que progresso foi feito na transferência de dados descentralizada dentro do ecossistema Bittensor?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”A Beam concluiu sua primeira transferência descentralizada de sub-rede para sub-rede, movendo 107 GB do Cloudflare R2 para o Hippius em cerca de seis minutos, e agora está se expandindo com os Beam Tunnels para conectar sistemas privados on-premise e armazenamento em nuvem às sub-redes da Bittensor.”}},{“@type”:”Question”,”name”:”Quais aplicações práticas estão surgindo dos esforços de IA relacionados à Bittensor?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”As aplicações incluem testes laboratoriais iniciais de candidatos a nanocorpos da Metanova e Yalotein, o modelo de previsão adaptado da Synth para previsão de caminhos de mercado, um piloto da Dropbox da ferramenta de vendas Leadpoet e a demonstração ao vivo de tradução de fala da Babelbit comparada diretamente com a do Google.”}}]}
Artigo produzido com a assistência de inteligência artificial e revisado pela equipe editorial.
