新たな波のBittensor の AI イノベーションがネットワークの分散型サブネットから生まれており、今週のまとめからは、エコシステムが暗号資産マイニングをはるかに超えて、ゲノミクス、創薬、市場予測、エンタープライズ営業にまで広がっていることが分かる。2026年7月27日から8月2日にかけて、Bittensor 上で開発するチームは新たな研究を発表し、3大陸にまたがる大規模トレーニングを開始し、初めて実際のエンタープライズ向けワークロードを分散型インフラ上で処理した。
Summary
主なポイント
- Minos は OpenAI と共同でエージェント型 AI 時代の科学計算に関する論文を執筆し、その中で中核的なケーススタディとしてHelixForge GPU エンジンを取り上げた。
- HelixForge は、同一ベンチマークにおいて BamSurgeon より 60 倍高速で動作し、変異頻度の誤差を半分以下に抑えた。
- Macrocosmos は、3 大陸にまたがり最大 256 基の GPU までスケールするコンピュートプールを IOTA 上で稼働させる、160 億パラメータのモデルOrion-16B トレーニングを開始した。
- Beam は初の分散型サブネット間転送を完了し、Cloudflare R2 から Hippius へ 107 GB を約 6 分で移動させた。
- Engy は、データセンター向けハードウェアを一切使わずに、80 基のコンシューマー向け RTX 5090 GPU 上で 2.8 兆パラメータの Kimi K3 モデルを稼働させた。
革新的な AI 研究と GPU エンジンの進歩
Minos は OpenAI と共同で「エージェント型 AI 時代の科学計算」という新しい論文を執筆した。これは、すでに Bittensor の研究サブネット内で流通している成果に学術的な裏付けを与えるコラボレーションだ。論文の中で最も複雑なケーススタディは HelixForge を中心に据えており、これは Minos のGPU ネイティブエンジンであり、ベンチマーク目的で SN107 の隠れた評価ゲノムを生成するために用いられている。
広く使われているゲノミクスツール BamSurgeon と同条件のベンチマークで比較したところ、HelixForge はエンドツーエンドで 60 倍高速に動作し、変異頻度の誤差を半分以下に抑えた。この種の高速化は重要だ。というのも、ゲノムシミュレーションのワークロードは非常に遅く、膨大な計算資源を必要とすることで悪名高いからだ。実行時間と誤差の両方を同時に削減する GPU ネイティブなアプローチは、Bittensor の分散型コンピュートモデルが既存の科学ソフトウェアと十分に競合し、場合によってはそれを上回り得ることを示唆している。なぜ重要かというと、HelixForge の数値が今後の精査にも耐えれば、Bittensor に紐づく研究が、単なる暗号資産周辺の好奇の対象ではなく、計算生物学への正当な貢献として位置づけられるからだ。
分散型ハードウェア上での大規模 AI モデル学習
今週最大のインフラ関連ニュースは、Macrocosmos が IOTA 上で構築された 160 億パラメータのライブトレーニング「Orion-16B」を開始したことだ。従来型の集中管理されたデータセンター構成とは異なり、このモデルは 3 大陸にまたがり、コンシューマー向け RTX 4090 と RTX 5090 GPU の異種混在構成で同時に学習を行っている。
3 大陸にまたがる Orion-16B トレーニング
Orion-16B を前身の Orion-100B と分け隔てているのは、そのコンピュートプールの性質だ。固定された審査済みマシン群に依存するのではなく、このトレーニングではパーミッションレスで予測不能な参加者プールを用い、任意の時点で最大 256 基の GPU までスケールする。この設計選択は、基盤となるハードウェア供給が不安定で、誰でも計算サイクルを提供できる状況でも、大規模モデルを信頼性高く学習できるかどうかを直接検証するものだ。これは、計算資源が中央集権的に管理され予測可能であることを前提とする、ほとんどの最先端研究所のトレーニング手法からの意味のある逸脱である。
Engy によるコンシューマー GPU 上での Kimi K3 実行
別件として、Engy のチームは 2.8 兆パラメータの Kimi K3 モデル全体を、80 基のコンシューマー向け RTX 5090 GPU 上で稼働させることに成功した。データセンターグレードのハードウェアや専用ネットワーキングは一切使用していない。Engy は自社プラットフォームを通じてこのモデルへのアクセスを開放する計画だ。この成果は、フロンティア規模のオープンモデルを動かすのに、従来アクセスを制限してきた高価で排他的なインフラが必ずしも必要ではないことを示している。これは、今日利用可能な最大級のオープンモデルを誰が実行し、実験できるのかという点に現実的な影響を与える。
分散型データ転送とインフラ拡張
Beam は今週、初の分散型サブネット間転送を完了し、Cloudflare R2 から Hippius へ約 6 分で 107 GB のデータを移動させた。一見小さなマイルストーンだが、その背後には大きな意味がある。史上初めて、2 つの異なる分散型サブネット間で、経路全体を集中管理する中央集権的な仲介者に依存せずにデータが移動したのだ。
プライベートデータとクラウドデータをつなぐ Beam Tunnels
次のフェーズである Beam Tunnels は、同じネットワークをプライベートなデータソースへ拡張し、オンプレミスシステムやクラウドストレージを Bittensor のサブネットに直接接続することを目指している。完了した転送機能と今後登場する Tunnels 機能を組み合わせることで、Beam は Bittensor の分散型ネットワークと、企業がすでに運用しているエンタープライズインフラとの間に位置する、プログラム可能なデータレイヤーへと近づいている。この種の分散型データ転送は、企業が既存のクラウドやオンプレミス環境を入れ替えることなく Bittensor の計算資源やモデルを活用できるようにすることで、採用のハードルを下げるという点で重要だ。
Bittensor エコシステムにおける実践的な AI 応用と提携
インフラやトレーニングのブレイクスルーを超えて、いくつかのサブネットは研究成果を実運用可能なプロダクトへと転換しつつあり、そこにこそ Bittensor の価値を示す最も具体的な証拠が現れていると言える。
Metanova と Yalotein によるナノボディ候補
Metanova は Yalotein と提携し、NOVA が選定したトップのナノボディ候補の生成を開始し、それらの分子を実験室での試験に回している。候補は Metanova の Bittensor ベースのコンペティションを通じて選ばれたもので、次のステップは、これらコンピュータ設計された分子が実際の物理実験で本当に機能するかどうかを見極めることだ。これは重要なチェックポイントである。計算設計は有望な候補を迅速に生み出せるが、その科学が現実に通用するかどうかを確認できるのは実験室での結果だけだからだ。
Synth の予測モデル、Dropbox の Leadpoet パイロット、Babelbit の翻訳デモ
Synth は、Google の TimesFM 2.5 モデルをどのようにSN50 の予測コンペティション向けに適応させたかを詳述した論文を公開した。単一の最もありそうな結果を予測するのではなく、適応版モデルは複数の可能な市場パスと、それぞれに付随する不確実性をマッピングする。特筆すべきは、Synth がこのモデルを、単一のゲーミング GPU で 1 時間未満のトレーニングだけで SN50 上で競争力のある水準に仕上げた点だ。これは、予測タスクにおいては、生の計算量よりも巧みなモデル適応の方が重要になり得ることを示唆している。
エンタープライズ側では、Dropbox とそのチャネルセールスパートナーの 1 社が Leadpoet のパイロットを実施している。これは、営業チームが顧客化の可能性が最も高い企業を特定し、どの見込み客を優先すべきかを把握するのに役立つツールだ。一方、Babelbit は同じドイツ語ニュース番組を対象に、自社の音声翻訳と Google の翻訳をライブで正面比較するデモを実施した。そのデモでは、Babelbit の Language API の方が、ライバルよりもためらいや言い間違いが少なく、より明瞭で正確に聞こえた。
総合すると、今週の動きは、Bittensor のサブネット経済が、ゲノミクス研究、分散型モデル学習、エンタープライズ向けデータ移動、実用的な AI プロダクトへと同時多発的に進出していることを示している。共通するのは、分散型でパーミッションレスなコンピュートが、かつては集中管理された厳格なインフラを必要とすると考えられていたワークロードを処理できることを証明しつつある点だ。この主張は、これらのパイロットやトレーニングが本番運用へと成熟するにつれ、さらに厳しい検証にさらされることになるだろう。
FAQ
HelixForge とは何で、従来のエンジンと比べてどのような性能ですか？
HelixForge は Minos が構築した GPU ネイティブエンジンであり、同条件のベンチマークにおいて BamSurgeon より 60 倍高速で動作し、変異頻度の誤差を半分以下に抑えることで、最近のOpenAI 共同執筆の科学計算論文における際立ったケーススタディとなっている。
Orion-16B AI モデルはどのようにユニークな方法で学習されていますか？
Orion-16B は、3 大陸にまたがり、コンシューマー向け RTX 4090 と RTX 5090 GPU の異種混在構成を用いて学習されており、最大 256 基までスケール可能なパーミッションレスなコンピュートプールから計算資源を引き出している。これは、以前の Orion-100B トレーニングよりもはるかに予測不能な構成だ。
Bittensor エコシステム内の分散型データ転送ではどのような進展がありましたか？
Beam は初の分散型サブネット間転送を成功させ、Cloudflare R2 から Hippius へ 107 GB を約 6 分で移動させた。現在は、オンプレミスシステムやクラウドストレージを Bittensor のサブネットに接続する Beam Tunnels へと拡張している。
Bittensor 関連の AI 取り組みからはどのような実践的アプリケーションが生まれていますか？
アプリケーションには、Metanova と Yalotein によるナノボディ候補の初期段階の実験室テスト、複数の市場パスを予測する Synth の適応型予測モデル、Dropbox による営業ツール Leadpoet のパイロット、そして Google と直接比較した Babelbit のライブ音声翻訳デモが含まれる。
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”HelixForge とは何で、従来のエンジンと比べてどのような性能ですか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”HelixForge は Minos が構築した GPU ネイティブエンジンであり、同条件のベンチマークにおいて BamSurgeon より 60 倍高速で動作し、変異頻度の誤差を半分以下に抑えることで、最近の OpenAI 共同執筆の科学計算論文における際立ったケーススタディとなっている。”}},{“@type”:”Question”,”name”:”Orion-16B AI モデルはどのようにユニークな方法で学習されていますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Orion-16B は、3 大陸にまたがり、コンシューマー向け RTX 4090 と RTX 5090 GPU の異種混在構成を用いて学習されており、最大 256 基までスケール可能なパーミッションレスなコンピュートプールから計算資源を引き出している。これは、以前の Orion-100B トレーニングよりもはるかに予測不能な構成だ。”}},{“@type”:”Question”,”name”:”Bittensor エコシステム内の分散型データ転送ではどのような進展がありましたか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Beam は初の分散型サブネット間転送を成功させ、Cloudflare R2 から Hippius へ 107 GB を約 6 分で移動させた。現在は、オンプレミスシステムやクラウドストレージを Bittensor のサブネットに接続する Beam Tunnels へと拡張している。”}},{“@type”:”Question”,”name”:”Bittensor 関連の AI 取り組みからはどのような実践的アプリケーションが生まれていますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”アプリケーションには、Metanova と Yalotein によるナノボディ候補の初期段階の実験室テスト、複数の市場パスを予測する Synth の適応型予測モデル、Dropbox による営業ツール Leadpoet のパイロット、そして Google と直接比較した Babelbit のライブ音声翻訳デモが含まれる。”}}]}
本記事は人工知能の支援を受けて作成され、編集チームによる確認を経ています。
