Eine neue Welle von Bittensor-AI-Innovationen entsteht in den dezentralen Subnetzen des Netzwerks, und die Zusammenfassung dieser Woche zeigt, wie weit sich das Ökosystem über das Krypto-Mining hinaus in Genomik, Wirkstoffforschung, Marktprognosen und Enterprise-Vertrieb ausgedehnt hat. Zwischen dem 27. Juli und dem 2. August 2026 veröffentlichten Teams, die auf Bittensor aufbauen, neue Forschungsergebnisse, starteten einen massiven Trainingslauf über drei Kontinente hinweg und verarbeiteten erstmals reale Enterprise-Workloads über dezentrale Infrastruktur.
Summary
Wichtigste Erkenntnisse
- Minos hat gemeinsam mit OpenAI ein Paper über wissenschaftliches Rechnen im Zeitalter agentischer KI verfasst, in dem der HelixForge-GPU-Engine als zentrale Fallstudie besondere Aufmerksamkeit gewidmet wird.
- HelixForge lief in einem angeglichenen Benchmark 60-mal schneller als BamSurgeon und halbierte den Fehler bei der Mutationsfrequenz mehr als.
- Macrocosmos startete das Orion-16B-Training, ein 16-Milliarden-Parameter-Modell, das auf IOTA über drei Kontinente hinweg mit einem Compute-Pool läuft, der auf 256 GPUs skaliert.
- Beam schloss seine erste dezentrale Subnetz-zu-Subnetz-Übertragung ab und bewegte 107 GB zwischen Cloudflare R2 und Hippius in etwa sechs Minuten.
- Engy ließ das 2,8 Billionen Parameter umfassende Kimi-K3-Modell auf 80 Consumer-RTX-5090-GPUs laufen, ohne Einsatz von Rechenzentrums-Hardware.
Innovative KI-Forschung und Fortschritte bei GPU-Engines
Minos hat gemeinsam mit OpenAI ein neues Paper mit dem Titel „Scientific computing in the age of agentic AI“ verfasst – eine Zusammenarbeit, die der bereits in Bittensors Forschungs-Subnetzen kursierenden Arbeit akademisches Gewicht verleiht. Die komplexeste Fallstudie des Papers dreht sich um HelixForge, die GPU-native Engine von Minos, die verwendet wird, um die versteckten Evaluationsgenome von SN107 zu Benchmarking-Zwecken zu erzeugen.
In einem angeglichenen Benchmark gegen BamSurgeon, ein weit verbreitetes Genomik-Tool, lief HelixForge 60-mal schneller End-to-End und reduzierte den Fehler bei der Mutationsfrequenz um mehr als die Hälfte. Diese Art von Geschwindigkeitsgewinn ist wichtig, weil genomische Simulations-Workloads notorisch langsam und rechenintensiv sind; ein GPU-nativer Ansatz, der sowohl Laufzeit als auch Fehlermarge gleichzeitig reduziert, deutet darauf hin, dass Bittensors dezentrales Compute-Modell mit etablierter wissenschaftlicher Software konkurrieren und sie in manchen Fällen sogar übertreffen kann. Warum das wichtig ist: Wenn die Zahlen von HelixForge einer weiteren Überprüfung standhalten, positioniert das Bittensor-gebundene Forschung als legitimen Beitrag zur computergestützten Biologie – und nicht nur als krypto-nahe Kuriosität.
Großskaliges KI-Modelltraining auf dezentraler Hardware
Die größte Infrastrukturgeschichte der Woche ist der Start von Orion-16B durch Macrocosmos, einem laufenden 16-Milliarden-Parameter-Trainingslauf, der auf IOTA aufgebaut ist. Anders als bei einem herkömmlichen zentralisierten Rechenzentrumsaufbau wird dieses Modell gleichzeitig über drei Kontinente hinweg mit einem heterogenen Mix aus Consumer-RTX-4090- und RTX-5090-GPUs trainiert.
Orion-16B-Training über drei Kontinente
Was Orion-16B von seinem Vorgänger Orion-100B unterscheidet, ist die Art seines Compute-Pools. Anstatt sich auf einen festen, geprüften Maschinenpark zu stützen, nutzt dieser Lauf einen erlaubnisfreien und unvorhersehbaren Pool von Beitragenden, der sich jederzeit auf bis zu 256 GPUs skalieren lässt. Diese Designentscheidung ist ein direkter Test dafür, ob große Modelle zuverlässig trainiert werden können, wenn das zugrunde liegende Hardwareangebot volatil ist und jedem offensteht, der Rechenzyklen beisteuern möchte. Es ist eine bedeutende Abkehr von der Art und Weise, wie die meisten Frontier-Labs Training angehen, wo Compute zentral kontrolliert und vorhersehbar ist.
Engy führt Kimi K3 auf Consumer-GPUs aus
Unabhängig davon gelang es dem Team von Engy, das vollständige Kimi-K3-Modell mit 2,8 Billionen Parametern auf 80 Consumer-RTX-5090-GPUs zum Laufen zu bringen – ohne Rechenzentrums-Hardware oder spezialisierte Netzwerke. Engy plant, den Zugang zu dem Modell über die eigene Plattform zu öffnen. Der Erfolg zeigt, dass Open-Modelle im Frontier-Maßstab nicht zwangsläufig die exklusive, teure Infrastruktur erfordern, die den Zugang zu modernster KI traditionell beschränkt hat. Das hat reale Auswirkungen darauf, wer die größten heute verfügbaren Open-Modelle ausführen und mit ihnen experimentieren kann.
Dezentrale Datenübertragung und Infrastrukturausbau
Beam schloss diese Woche seine erste dezentrale Subnetz-zu-Subnetz-Übertragung ab und bewegte 107 GB Daten von Cloudflare R2 zu Hippius in rund sechs Minuten. Es klingt nach einem kleinen Meilenstein, hat aber eine größere Bedeutung: Zum ersten Mal wurden Daten zwischen zwei unterschiedlichen dezentralen Subnetzen bewegt, ohne dass ein zentralisierter Vermittler den gesamten Pfad kontrollierte.
Beam Tunnels verbinden private und Cloud-Daten
Die nächste Phase, Beam Tunnels, zielt darauf ab, dasselbe Netzwerk auf private Datenquellen auszuweiten und On-Premise-Systeme sowie Cloud-Speicher direkt mit Bittensor-Subnetzen zu verbinden. Zusammengenommen treiben die abgeschlossene Übertragung und das kommende Tunnels-Feature Beam in Richtung einer programmierbaren Datenschicht, die zwischen Bittensors dezentralem Netzwerk und der Enterprise-Infrastruktur sitzt, die Unternehmen bereits betreiben. Diese Art dezentraler Datenübertragung ist für die Adoption wichtig, weil sie die Hürden für Unternehmen senkt, die Bittensors Compute und Modelle nutzen wollen, ohne ihre bestehende Cloud- oder On-Premise-Umgebung zu ersetzen.
Praktische KI-Anwendungen und Partnerschaften im Bittensor-Ökosystem
Über Infrastruktur- und Trainingsdurchbrüche hinaus verwandeln mehrere Subnetze Forschung in einsatzfähige Produkte – und genau dort zeigt sich wohl am greifbarsten der Wert von Bittensor.
Nanobody-Kandidaten von Metanova und Yalotein
Metanova hat in Partnerschaft mit Yalotein damit begonnen, NOVAs führende Nanobody-Kandidaten zu produzieren und die Moleküle für Labortests zu versenden. Die Kandidaten wurden über Metanovas Bittensor-basierte Competition ausgewählt; der nächste Schritt besteht darin festzustellen, ob diese computergestalteten Moleküle in realen, physischen Experimenten tatsächlich funktionieren. Es ist ein kritischer Prüfpunkt: Computergestützte Designs können schnell vielversprechende Kandidaten erzeugen, aber nur Laborergebnisse können bestätigen, ob sich die Wissenschaft in der Praxis bewährt.
Synths Prognosemodell, Dropbox’ Leadpoet-Pilot und Babelbits Übersetzungsdemo
Synth veröffentlichte ein Paper, in dem beschrieben wird, wie es Googles TimesFM-2.5-Modell für den SN50-Prognosewettbewerb angepasst hat. Anstatt nur ein einziges wahrscheinliches Ergebnis vorherzusagen, kartiert das angepasste Modell mehrere mögliche Marktpfade zusammen mit der jeweils zugehörigen Unsicherheit. Bemerkenswert ist, dass Synth das Modell mit weniger als einer Stunde Training auf einer einzelnen Gaming-GPU auf SN50 konkurrenzfähig machte – ein Hinweis darauf, dass geschickte Adaption bei Prognoseaufgaben wichtiger sein kann als reine Rechenleistung.
Auf der Enterprise-Seite pilotieren Dropbox und einer seiner Channel-Sales-Partner Leadpoet, ein Tool, das Vertriebsteams helfen soll, die Unternehmen zu identifizieren, die mit größter Wahrscheinlichkeit zu Kunden werden, damit Vertriebsmitarbeitende wissen, wen sie priorisieren sollten. Unterdessen führte Babelbit einen Live-Vergleich seiner Sprachübersetzung mit Google anhand derselben deutschen Nachrichtensendung durch. In dieser Demo wirkte Babelbits Language API klarer und genauer, mit weniger Zögerern und unverständlichen Phrasen als der Konkurrent.
In der Gesamtschau zeigen die Entwicklungen dieser Woche, wie sich Bittensors Subnetz-Ökonomie gleichzeitig in die Genomikforschung, das verteilte Modelltraining, die Unternehmensdatenbewegung und angewandte KI-Produkte hinein ausdehnt. Der gemeinsame Nenner ist dezentrale, erlaubnisfreie Rechenleistung, die beweist, dass sie Workloads bewältigen kann, von denen man einst annahm, sie erforderten zentralisierte, streng kontrollierte Infrastruktur – ein Anspruch, der nur noch stärker geprüft werden wird, wenn diese Piloten und Trainingsläufe in den Produktionsbetrieb übergehen.
FAQ
Was ist HelixForge und wie schneidet es im Vergleich zu früheren Engines ab?
HelixForge ist eine GPU-native Engine von Minos, die in angeglichenen Benchmarks 60-mal schneller als BamSurgeon läuft und den Fehler bei der Mutationsfrequenz um mehr als die Hälfte reduziert, was sie zu einer herausragenden Fallstudie im jüngsten von OpenAI mitverfassten Paper über wissenschaftliches Rechnen macht.
Wie wird das Orion-16B-KI-Modell auf besondere Weise trainiert?
Orion-16B wird über drei Kontinente hinweg mit einem heterogenen Mix aus Consumer-RTX-4090- und RTX-5090-GPUs trainiert und greift auf einen erlaubnisfreien Compute-Pool zurück, der auf bis zu 256 GPUs skalieren kann – ein deutlich unvorhersehbareres Setup als beim früheren Orion-100B-Lauf.
Welche Fortschritte wurden bei der dezentralen Datenübertragung im Bittensor-Ökosystem erzielt?
Beam führte erfolgreich seine erste dezentrale Übertragung zwischen Subnetzen durch, bei der 107 GB in etwa sechs Minuten von Cloudflare R2 zu Hippius verschoben wurden, und erweitert sich nun mit Beam Tunnels, um private On-Premise-Systeme und Cloud-Speicher mit Bittensor-Subnetzen zu verbinden.
Welche praktischen Anwendungen entstehen aus Bittensor-bezogenen KI-Initiativen?
Zu den Anwendungen gehören frühe Labortests von Nanobody-Kandidaten von Metanova und Yalotein, Synths angepasstes Prognosemodell zur Vorhersage von Marktpfaden, ein Dropbox-Pilot des Vertriebstools Leadpoet sowie Babelbits Live-Demo zur Sprachübersetzung im direkten Vergleich mit Google.
{„@context“:“https://schema.org“,“@type“:“FAQPage“,“mainEntity“:[{„@type“:“Question“,“name“:“Was ist HelixForge und wie schneidet es im Vergleich zu früheren Engines ab?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“HelixForge ist eine GPU-native Engine von Minos, die in angeglichenen Benchmarks 60-mal schneller als BamSurgeon läuft und den Fehler bei der Mutationsfrequenz um mehr als die Hälfte reduziert, was sie zu einer herausragenden Fallstudie im jüngsten von OpenAI mitverfassten Paper über wissenschaftliches Rechnen macht.“}},{„@type“:“Question“,“name“:“Wie wird das Orion-16B-KI-Modell auf besondere Weise trainiert?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Orion-16B wird über drei Kontinente hinweg mit einem heterogenen Mix aus Consumer-RTX-4090- und RTX-5090-GPUs trainiert und greift auf einen erlaubnisfreien Compute-Pool zurück, der auf bis zu 256 GPUs skalieren kann – ein deutlich unvorhersehbareres Setup als beim früheren Orion-100B-Lauf.“}},{„@type“:“Question“,“name“:“Welche Fortschritte wurden bei der dezentralen Datenübertragung im Bittensor-Ökosystem erzielt?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Beam führte erfolgreich seine erste dezentrale Übertragung zwischen Subnetzen durch, bei der 107 GB in etwa sechs Minuten von Cloudflare R2 zu Hippius verschoben wurden, und erweitert sich nun mit Beam Tunnels, um private On-Premise-Systeme und Cloud-Speicher mit Bittensor-Subnetzen zu verbinden.“}},{„@type“:“Question“,“name“:“Welche praktischen Anwendungen entstehen aus Bittensor-bezogenen KI-Initiativen?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Zu den Anwendungen gehören frühe Labortests von Nanobody-Kandidaten von Metanova und Yalotein, Synths angepasstes Prognosemodell zur Vorhersage von Marktpfaden, ein Dropbox-Pilot des Vertriebstools Leadpoet sowie Babelbits Live-Demo zur Sprachübersetzung im direkten Vergleich mit Google.“}}]}
Artikel mit Unterstützung künstlicher Intelligenz erstellt und von der Redaktion überprüft.
