Een nieuwe golf van Bittensor AI-innovaties komt op uit de gedecentraliseerde subnets van het netwerk, en de samenvatting van deze week laat zien hoe ver het ecosysteem zich heeft uitgestrekt voorbij crypto mining naar genomica, medicijnontdekking, marktvoorspelling en enterprise sales. Tussen 27 juli en 2 augustus 2026 publiceerden teams die op Bittensor bouwen nieuw onderzoek, startten ze een enorme trainingsrun over drie continenten, en verwerkten ze voor het eerst echte enterprise-workloads via gedecentraliseerde infrastructuur.
Summary
Belangrijkste punten
- Minos schreef samen met OpenAI een paper over wetenschappelijk rekenen in het tijdperk van agentische AI, waarin de HelixForge GPU-engine centraal staat als kerncasus.
- HelixForge draaide 60 keer sneller dan BamSurgeon op een vergelijkbare benchmark en halveerde de fout in mutatiefrequentie meer dan.
- Macrocosmos lanceerde Orion-16B training, een model met 16 miljard parameters dat op IOTA draait over drie continenten met een compute-pool die opschaalt tot 256 GPU’s.
- Beam voltooide zijn eerste gedecentraliseerde subnet-naar-subnet-overdracht en verplaatste 107 GB tussen Cloudflare R2 en Hippius in ongeveer zes minuten.
- Engy draaide het Kimi K3-model met 2,8 biljoen parameters op 80 consumenten-RTX 5090 GPU’s, zonder datacenterhardware.
Innovatief AI-onderzoek en vooruitgang in GPU-engines
Minos heeft samen met OpenAI een nieuwe paper geschreven met de titel “Scientific computing in the age of agentic AI”, een samenwerking die academisch gewicht geeft aan werk dat al circuleert binnen de onderzoeks-subnets van Bittensor. De meest complexe casestudy in de paper draait om HelixForge, de GPU-native engine van Minos, die wordt gebruikt om de verborgen evaluatiegenomen van SN107 te genereren voor benchmarkdoeleinden.
Op een vergelijkbare benchmark tegenover BamSurgeon, een veelgebruikt genomica-instrument, draaide HelixForge 60 keer sneller end-to-end en verminderde het de fout in mutatiefrequentie met meer dan de helft. Dat soort snelheidswinst is belangrijk omdat genomische simulatie-workloads berucht traag en rekenintensief zijn; een GPU-native benadering die zowel de looptijd als de foutmarge tegelijk terugbrengt, suggereert dat het gedecentraliseerde compute-model van Bittensor kan concurreren met, en in sommige gevallen beter kan presteren dan, gevestigde wetenschappelijke software. Waarom dit ertoe doet: als de cijfers van HelixForge standhouden onder verdere toetsing, positioneert het Bittensor-gekoppeld onderzoek als een legitieme bijdrage aan de computationele biologie, en niet slechts als een crypto-gerelateerde curiositeit.
Grootschalige AI-modeltraining op gedecentraliseerde hardware
Het grootste infrastructuurverhaal van de week is dat Macrocosmos Orion-16B lanceert, een live trainingsrun met 16 miljard parameters, gebouwd op IOTA. In tegenstelling tot een conventionele gecentraliseerde datacenteropzet wordt dit model gelijktijdig over drie continenten getraind met een heterogene mix van consumenten-RTX 4090- en RTX 5090-GPU’s.
Orion-16B-training over drie continenten
Wat Orion-16B onderscheidt van zijn voorganger, Orion-100B, is de aard van de compute-pool. In plaats van te vertrouwen op een vaste, vooraf gescreende set machines, gebruikt deze run een permissionless en onvoorspelbare pool van bijdragers, die op elk moment kan opschalen tot 256 GPU’s. Die ontwerpkeuze is een directe test van de vraag of grote modellen betrouwbaar kunnen worden getraind wanneer de onderliggende hardwarevoorziening volatiel is en openstaat voor iedereen die rekenkracht wil bijdragen. Het is een betekenisvolle afwijking van hoe de meeste frontier-labs training benaderen, waar compute centraal wordt gecontroleerd en voorspelbaar is.
Engy draait Kimi K3 op consument-GPU’s
Afzonderlijk slaagde het team van Engy erin om het volledige Kimi K3-model met 2,8 biljoen parameters te laten draaien op 80 consumenten-RTX 5090-GPU’s, zonder datacenter-grade hardware of gespecialiseerde netwerken. Engy is van plan toegang tot het model te openen via zijn eigen platform. De prestatie laat zien dat open modellen op frontier-schaal niet per se de exclusieve, dure infrastructuur vereisen die traditioneel de toegang tot geavanceerde AI beperkt. Dat heeft reële implicaties voor wie de grootste open modellen van vandaag kan draaien en ermee kan experimenteren.
Gedecentraliseerde gegevensoverdracht en uitbreiding van infrastructuur
Beam voltooide deze week zijn eerste gedecentraliseerde subnet-naar-subnet-overdracht en verplaatste 107 GB aan data van Cloudflare R2 naar Hippius in ongeveer zes minuten. Het klinkt als een kleine mijlpaal, maar er zit een groter punt achter: voor het eerst werden gegevens verplaatst tussen twee afzonderlijke gedecentraliseerde subnets zonder dat een gecentraliseerde tussenpersoon het volledige traject afhandelde.
Beam Tunnels die privé- en clouddata verbinden
De volgende fase, Beam Tunnels, is erop gericht datzelfde netwerk uit te breiden naar privé-databronnen, waarbij on-premise systemen en cloudopslag rechtstreeks worden verbonden met Bittensor-subnets. Samen brengen de voltooide overdracht en de aankomende Tunnels-functie Beam dichter bij het worden van een programmeerbare datalaag tussen het gedecentraliseerde netwerk van Bittensor en de enterprise-infrastructuur die bedrijven al gebruiken. Dit soort gedecentraliseerde gegevensoverdracht is belangrijk voor adoptie omdat het de frictie verlaagt voor bedrijven die de compute en modellen van Bittensor willen benutten zonder hun bestaande cloud- of on-premise-opstellingen te hoeven vervangen.
Praktische AI-toepassingen en partnerschappen in het Bittensor-ecosysteem
Naast doorbraken in infrastructuur en training zetten verschillende subnets onderzoek om in inzetbare producten, en daar komt wellicht het tastbaarste bewijs van de waarde van Bittensor naar voren.
Nanobody-kandidaten van Metanova en Yalotein
Metanova is begonnen met het produceren van NOVA’s beste nanobody-kandidaten in samenwerking met Yalotein en stuurt de moleculen naar het laboratorium voor tests. De kandidaten zijn geselecteerd via Metanova’s Bittensor-gebaseerde competitie, en de volgende stap is bepalen of deze computergestuurde moleculen daadwerkelijk functioneren in echte, fysieke experimenten. Het is een cruciaal controlepunt: computationeel ontwerp kan snel veelbelovende kandidaten genereren, maar alleen laboratoriumresultaten kunnen bevestigen of de wetenschap standhoudt.
Synths voorspellingsmodel, Dropbox’ Leadpoet-pilot en Babelbits vertaaldemo
Synth publiceerde een paper waarin wordt beschreven hoe het Google’s TimesFM 2.5-model aanpaste voor SN50’s voorspellingscompetitie. In plaats van één waarschijnlijke uitkomst te voorspellen, brengt het aangepaste model meerdere mogelijke markttrajecten in kaart, samen met de onzekerheid die aan elk pad is verbonden. Opvallend is dat Synth het model concurrerend maakte op SN50 met minder dan een uur training op een enkele gaming-GPU, wat suggereert dat vaardige aanpassing belangrijker kan zijn dan pure rekenkracht bij voorspellingsopgaven.
Aan de enterprise-kant testen Dropbox en een van zijn channel sales-partners Leadpoet, een tool die verkoopteams helpt de bedrijven te identificeren die het meest waarschijnlijk converteren naar klanten, zodat vertegenwoordigers weten wie ze moeten prioriteren. Ondertussen voerde Babelbit een live head-to-head vergelijking uit van zijn spraakvertaling tegenover Google op dezelfde Duitse nieuwsuitzending. In die demo kwam de Language API van Babelbit duidelijker en nauwkeuriger over, met minder aarzeling en minder onverstaanbare zinnen dan de rivaal.
Gezamenlijk laten de ontwikkelingen van deze week zien dat de subnet-economie van Bittensor zich tegelijkertijd uitstrekt naar genomica-onderzoek, gedistribueerde modeltraining, enterprise-gegevensverplaatsing en toegepaste AI-producten. De gemeenschappelijke noemer is gedecentraliseerde, permissionless compute die bewijst dat het workloads aankan waarvan ooit werd gedacht dat ze gecentraliseerde, strak gecontroleerde infrastructuur vereisten — een claim die alleen maar kritischer zal worden bekeken naarmate deze pilots en trainingsruns uitgroeien tot productiegebruik.
FAQ
Wat is HelixForge en hoe presteert het vergeleken met eerdere engines?
HelixForge is een GPU-native engine, gebouwd door Minos, die 60 keer sneller draait dan BamSurgeon op vergelijkbare benchmarks en de fout in mutatiefrequentie met meer dan de helft vermindert, waardoor het een opvallende casestudy is in de recente door OpenAI mee-ondertekende paper over wetenschappelijk rekenen.
Hoe wordt het Orion-16B AI-model op een unieke manier getraind?
Orion-16B wordt over drie continenten getraind met een heterogene mix van consumenten-RTX 4090- en RTX 5090-GPU’s, afkomstig uit een permissionless compute-pool die kan opschalen tot 256 GPU’s, een onvoorspelbaardere opzet dan de eerdere Orion-100B-run.
Welke vooruitgang is er geboekt in gedecentraliseerde gegevensoverdracht binnen het Bittensor-ecosysteem?
Beam voerde met succes zijn eerste gedecentraliseerde overdracht tussen subnets uit, waarbij 107 GB werd verplaatst van Cloudflare R2 naar Hippius in ongeveer zes minuten, en breidt nu uit met Beam Tunnels om private on-premise systemen en cloudopslag te verbinden met Bittensor-subnets.
Welke praktische toepassingen komen voort uit Bittensor-gerelateerde AI-inspanningen?
Toepassingen omvatten vroege labtests van nanobody-kandidaten van Metanova en Yalotein, het aangepaste voorspellingsmodel van Synth voor marktpadvoorspelling, een Dropbox-pilot van de Leadpoet-verkooptool en Babelbits live spraakvertaaldemo die direct is vergeleken met Google.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Wat is HelixForge en hoe presteert het vergeleken met eerdere engines?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”HelixForge is een GPU-native engine, gebouwd door Minos, die 60 keer sneller draait dan BamSurgeon op vergelijkbare benchmarks en de fout in mutatiefrequentie met meer dan de helft vermindert, waardoor het een opvallende casestudy is in de recente door OpenAI mee-ondertekende paper over wetenschappelijk rekenen.”}},{“@type”:”Question”,”name”:”Hoe wordt het Orion-16B AI-model op een unieke manier getraind?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Orion-16B wordt over drie continenten getraind met een heterogene mix van consumenten-RTX 4090- en RTX 5090-GPU’s, afkomstig uit een permissionless compute-pool die kan opschalen tot 256 GPU’s, een onvoorspelbaardere opzet dan de eerdere Orion-100B-run.”}},{“@type”:”Question”,”name”:”Welke vooruitgang is er geboekt in gedecentraliseerde gegevensoverdracht binnen het Bittensor-ecosysteem?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Beam voltooide zijn eerste gedecentraliseerde subnet-naar-subnet-overdracht en verplaatste 107 GB van Cloudflare R2 naar Hippius in ongeveer zes minuten, en breidt nu uit met Beam Tunnels om private on-premise systemen en cloudopslag te verbinden met Bittensor-subnets.”}},{“@type”:”Question”,”name”:”Welke praktische toepassingen komen voort uit Bittensor-gerelateerde AI-inspanningen?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Toepassingen omvatten vroege labtests van nanobody-kandidaten van Metanova en Yalotein, het aangepaste voorspellingsmodel van Synth voor marktpadvoorspelling, een Dropbox-pilot van de Leadpoet-verkooptool en Babelbits live spraakvertaaldemo die direct is vergeleken met Google.”}}]}
Artikel geproduceerd met behulp van kunstmatige intelligentie en beoordeeld door de redactie.
