Science in telegram
Science that matters: AI, space, biotech, physics, future tech — explained sharply
Mostrar más📈 Análisis del canal de Telegram Science in telegram
El canal Science in telegram (@science) en el segmento lingüístico de Inglés es un actor destacado. Actualmente la comunidad reúne a 121 398 suscriptores, ocupando la posición 104 en la categoría Hechos y el puesto 179 en la región EEUU.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 121 398 suscriptores.
Según los últimos datos del 08 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -881, y en las últimas 24 horas de -65, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.30%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 2.38% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 10 076 visualizaciones. En el primer día suele acumular 2 887 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 101.
- Intereses temáticos: El contenido se centra en temas clave como medicine, cell, researcher, scientist, u.s.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Science that matters: AI, space, biotech, physics, future tech — explained sharply”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 09 junio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Hechos.
This story matters far beyond the technical achievement. First, if this approach scales, it could change the economics of AI training. A 100B-parameter model trained on geographically distributed A100 GPUs at roughly 65% of comparable datacenter efficiency is not yet a replacement for hyperscaler infrastructure — but it is a serious signal. It suggests that large-scale AI training may not always require a single billion-dollar GPU cluster. Second, the Bittensor layer is important. This is not just a distributed computing experiment; it is an incentive system. GPU owners can be rewarded for contributing compute, which creates the foundation for a market around idle hardware. In simple terms, this could become something like “Airbnb for AI training”: monetizing unused GPU capacity the way Airbnb monetized unused rooms. Third, the uncomfortable part: decentralized AI training has often been dismissed by the mainstream AI community as impractical. Orion-100B does not prove that decentralized training will beat datacenters tomorrow. But it does prove that the idea deserves to be taken much more seriously. The next phase — permissionless participation from consumer hardware — will be the real test. If that works, the AI infrastructure map could become much more distributed than many people expected.Original report: https://macrocosmosai.substack.com/p/orion-100b-distributed-pretraining Summary: https://www.tao.media/macrocosmos-unveils-orion-100b-a-100b-parameter-distributed-ai-training-run/ #AI #DecentralizedAI #Bittensor #LLM #DeepLearning @science
¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
