Une nouvelle vague d’innovations IA de Bittensor émerge des sous-réseaux décentralisés du réseau, et le récapitulatif de cette semaine montre à quel point l’écosystème s’est étendu au-delà du minage crypto vers la génomique, la découverte de médicaments, la prévision des marchés et les ventes aux entreprises. Entre le 27 juillet et le 2 août 2026, les équipes construisant sur Bittensor ont publié de nouvelles recherches, lancé une vaste session d’entraînement couvrant trois continents et fait transiter pour la première fois de véritables charges de travail d’entreprise via une infrastructure décentralisée.
Summary
Points clés à retenir
- Minos a coécrit un article avec OpenAI sur le calcul scientifique à l’ère de l’IA agentique, mettant en lumière le moteur GPU HelixForge comme étude de cas principale.
- HelixForge a fonctionné 60 fois plus vite que BamSurgeon sur un benchmark équivalent et a réduit de plus de moitié l’erreur de fréquence de mutation.
- Macrocosmos a lancé l’entraînement d’Orion-16B, un modèle de 16 milliards de paramètres fonctionnant sur IOTA à travers trois continents avec un pool de calcul pouvant atteindre 256 GPU.
- Beam a réalisé son premier transfert décentralisé de sous-réseau à sous-réseau, déplaçant 107 Go entre Cloudflare R2 et Hippius en environ six minutes.
- Engy a exécuté le modèle Kimi K3 de 2,8 billions de paramètres sur 80 GPU RTX 5090 grand public, sans aucun matériel de centre de données.
Recherche IA innovante et avancées des moteurs GPU
Minos a coécrit un nouvel article avec OpenAI intitulé « Scientific computing in the age of agentic AI », une collaboration qui confère une crédibilité académique à des travaux déjà diffusés au sein des sous-réseaux de recherche de Bittensor. L’étude de cas la plus complexe de l’article est centrée sur HelixForge, le moteur natif GPU de Minos, utilisé pour générer les génomes d’évaluation cachés de SN107 à des fins de benchmarking.
Sur un benchmark équivalent face à BamSurgeon, un outil de génomique largement utilisé, HelixForge a fonctionné 60 fois plus vite de bout en bout et a réduit de plus de moitié l’erreur de fréquence de mutation. Ce type de gain de vitesse est important car les charges de travail de simulation génomique sont notoirement lentes et gourmandes en calcul ; une approche native GPU qui réduit à la fois le temps d’exécution et la marge d’erreur suggère que le modèle de calcul décentralisé de Bittensor peut rivaliser avec, et dans certains cas surpasser, les logiciels scientifiques établis. Pourquoi c’est important : si les chiffres d’HelixForge résistent à un examen plus approfondi, cela positionne la recherche liée à Bittensor comme un contributeur légitime à la biologie computationnelle, et pas seulement comme une curiosité liée aux cryptomonnaies.
Entraînement de modèles IA à grande échelle sur du matériel décentralisé
La plus grande actualité d’infrastructure de la semaine est le lancement par Macrocosmos d’Orion-16B, une session d’entraînement en direct de 16 milliards de paramètres construite sur IOTA. Contrairement à une configuration classique de centre de données centralisé, ce modèle s’entraîne simultanément sur trois continents en utilisant un mélange hétérogène de GPU RTX 4090 et RTX 5090 grand public.
Entraînement d’Orion-16B sur trois continents
Ce qui distingue Orion-16B de son prédécesseur, Orion-100B, c’est la nature de son pool de calcul. Plutôt que de s’appuyer sur un ensemble fixe et vérifié de machines, cette session utilise un pool de contributeurs sans permission et imprévisible, pouvant monter jusqu’à 256 GPU à tout moment. Ce choix de conception constitue un test direct pour savoir si de grands modèles peuvent être entraînés de manière fiable lorsque l’offre de matériel sous-jacente est volatile et ouverte à toute personne souhaitant contribuer de la puissance de calcul. C’est un écart significatif par rapport à l’approche de la plupart des laboratoires de pointe, où le calcul est centralisé et prévisible.
Engy exécute Kimi K3 sur des GPU grand public
Par ailleurs, l’équipe d’Engy a réussi à faire tourner l’intégralité du modèle Kimi K3 de 2,8 billions de paramètres sur 80 GPU RTX 5090 grand public, sans matériel de centre de données ni réseau spécialisé. Engy prévoit d’ouvrir l’accès au modèle via sa propre plateforme. Cette réalisation montre que les modèles ouverts de taille frontière ne nécessitent pas forcément l’infrastructure exclusive et coûteuse qui a traditionnellement limité l’accès à l’IA de pointe. Cela a de réelles implications sur qui peut exécuter et expérimenter avec les plus grands modèles ouverts disponibles aujourd’hui.
Transfert de données décentralisé et expansion de l’infrastructure
Beam a réalisé cette semaine son premier transfert décentralisé de sous-réseau à sous-réseau, déplaçant 107 Go de données de Cloudflare R2 vers Hippius en environ six minutes. C’est une étape qui peut sembler modeste mais qui porte un message plus large : pour la première fois, des données ont circulé entre deux sous-réseaux décentralisés distincts sans dépendre d’un intermédiaire centralisé gérant l’ensemble du trajet.
Beam Tunnels reliant données privées et cloud
La prochaine phase, Beam Tunnels, vise à étendre ce même réseau aux sources de données privées, en connectant directement les systèmes sur site et le stockage cloud aux sous-réseaux Bittensor. Ensemble, le transfert réalisé et la future fonctionnalité Tunnels poussent Beam vers un rôle de couche de données programmable, située entre le réseau décentralisé de Bittensor et l’infrastructure d’entreprise déjà en place. Ce type de transfert de données décentralisé est important pour l’adoption, car il réduit les frictions pour les entreprises qui souhaitent exploiter la puissance de calcul et les modèles de Bittensor sans démanteler leurs configurations cloud ou sur site existantes.
Applications pratiques de l’IA et partenariats dans l’écosystème Bittensor
Au-delà des percées en matière d’infrastructure et d’entraînement, plusieurs sous-réseaux transforment la recherche en produits déployables, et c’est probablement là que la preuve la plus tangible de la valeur de Bittensor apparaît.
Candidats nanocorps de Metanova et Yalotein
Metanova a commencé à produire les principaux candidats nanocorps de NOVA en partenariat avec Yalotein, en envoyant les molécules pour des tests en laboratoire. Les candidats ont été sélectionnés via la compétition de Metanova basée sur Bittensor, et la prochaine étape consiste à déterminer si ces molécules conçues par ordinateur fonctionnent réellement dans des expériences physiques. C’est un point de passage critique : la conception computationnelle peut générer rapidement des candidats prometteurs, mais seuls les résultats en laboratoire peuvent confirmer si la science se traduit dans la réalité.
Modèle de prévision de Synth, pilote Leadpoet de Dropbox et démo de traduction de Babelbit
Synth a publié un article détaillant comment il a adapté le modèle TimesFM 2.5 de Google pour la compétition de prévision de SN50. Au lieu de prédire un seul résultat probable, le modèle adapté cartographie plusieurs trajectoires de marché possibles ainsi que l’incertitude associée à chacune. Fait notable, Synth a rendu le modèle compétitif sur SN50 avec moins d’une heure d’entraînement sur un seul GPU de jeu, ce qui suggère qu’une adaptation habile peut compter davantage que la puissance de calcul brute pour les tâches de prévision.
Du côté des entreprises, Dropbox et l’un de ses partenaires de vente indirecte testent Leadpoet, un outil conçu pour aider les équipes commerciales à identifier les entreprises les plus susceptibles de se convertir en clients, afin que les représentants sachent qui prioriser. Parallèlement, Babelbit a réalisé une comparaison en direct de sa traduction vocale face à Google sur le même journal télévisé allemand. Dans cette démonstration, l’API de langue de Babelbit est apparue plus claire et plus précise, avec moins d’hésitations et de phrases brouillées que son concurrent.
Pris ensemble, les développements de cette semaine montrent l’économie des sous-réseaux de Bittensor s’étendre simultanément à la recherche en génomique, à l’entraînement distribué de modèles, au mouvement de données d’entreprise et aux produits d’IA appliquée. Le fil conducteur est un calcul décentralisé et sans permission qui prouve qu’il peut gérer des charges de travail autrefois considérées comme nécessitant une infrastructure centralisée et étroitement contrôlée — une affirmation qui sera d’autant plus examinée à mesure que ces pilotes et sessions d’entraînement évolueront vers une utilisation en production.
FAQ
Qu’est-ce qu’HelixForge et comment se compare-t-il aux moteurs précédents ?
HelixForge est un moteur natif GPU développé par Minos qui fonctionne 60 fois plus vite que BamSurgeon sur des benchmarks équivalents et réduit de plus de moitié l’erreur de fréquence de mutation, ce qui en fait une étude de cas marquante dans le récent article coécrit avec OpenAI sur le calcul scientifique.
En quoi l’entraînement du modèle IA Orion-16B est-il unique ?
Orion-16B s’entraîne sur trois continents en utilisant un mélange hétérogène de GPU RTX 4090 et RTX 5090 grand public, en s’appuyant sur un pool de calcul sans permission pouvant atteindre 256 GPU, une configuration plus imprévisible que la précédente session Orion-100B.
Quels progrès ont été réalisés dans le transfert de données décentralisé au sein de l’écosystème Bittensor ?
Beam a réalisé avec succès son premier transfert décentralisé entre sous-réseaux, avec 107 Go déplacés de Cloudflare R2 vers Hippius en environ six minutes, et se développe désormais avec Beam Tunnels pour connecter les systèmes privés sur site et le stockage cloud aux sous-réseaux Bittensor.
Quelles applications pratiques émergent des efforts d’IA liés à Bittensor ?
Les applications incluent les premiers tests en laboratoire de candidats nanocorps issus de Metanova et Yalotein, le modèle de prévision adapté de Synth pour la prédiction des trajectoires de marché, un pilote de l’outil de vente Leadpoet chez Dropbox, et une démonstration de traduction vocale en direct de Babelbit comparée directement à celle de Google.
{« @context »: »https://schema.org », »@type »: »FAQPage », »mainEntity »:[{« @type »: »Question », »name »: »Qu’est-ce qu’HelixForge et comment se compare-t-il aux moteurs précédents ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »HelixForge est un moteur natif GPU développé par Minos qui fonctionne 60 fois plus vite que BamSurgeon sur des benchmarks équivalents et réduit de plus de moitié l’erreur de fréquence de mutation, ce qui en fait une étude de cas marquante dans le récent article coécrit avec OpenAI sur le calcul scientifique. »}},{« @type »: »Question », »name »: »En quoi l’entraînement du modèle IA Orion-16B est-il unique ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Orion-16B s’entraîne sur trois continents en utilisant un mélange hétérogène de GPU RTX 4090 et RTX 5090 grand public, en s’appuyant sur un pool de calcul sans permission pouvant atteindre 256 GPU, une configuration plus imprévisible que la précédente session Orion-100B. »}},{« @type »: »Question », »name »: »Quels progrès ont été réalisés dans le transfert de données décentralisé au sein de l’écosystème Bittensor ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Beam a réalisé avec succès son premier transfert décentralisé entre sous-réseaux, avec 107 Go déplacés de Cloudflare R2 vers Hippius en environ six minutes, et se développe désormais avec Beam Tunnels pour connecter les systèmes privés sur site et le stockage cloud aux sous-réseaux Bittensor. »}},{« @type »: »Question », »name »: »Quelles applications pratiques émergent des efforts d’IA liés à Bittensor ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Les applications incluent les premiers tests en laboratoire de candidats nanocorps issus de Metanova et Yalotein, le modèle de prévision adapté de Synth pour la prédiction des trajectoires de marché, un pilote de l’outil de vente Leadpoet chez Dropbox, et une démonstration de traduction vocale en direct de Babelbit comparée directement à celle de Google. »}}]}
Article produit avec l’aide de l’intelligence artificielle et relu par l’équipe éditoriale.
