Daily Science to all
📈 Análisis del canal de Telegram Daily Science to all
El canal Daily Science to all (@sciencetoall) en el segmento lingüístico de Inglés es un actor destacado. Actualmente la comunidad reúne a 11 131 suscriptores, ocupando la posición 11 195 en la categoría Tecnologías y Aplicaciones y el puesto 18 978 en la región China.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 11 131 suscriptores.
Según los últimos datos del 09 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 1, y en las últimas 24 horas de -2, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 6.03%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 1.84% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 671 visualizaciones. En el primer día suele acumular 205 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 0.
- Intereses temáticos: El contenido se centra en temas clave como scientist, researcher, discovery, matter, plasma.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“5 newZ per day”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 10 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 Tecnologías y Aplicaciones.
"This is one of the most intriguing and surprising fossil discoveries of the past few years." — Dr. Steve Brusatte, University of Edinburgh 📄 Original paper (bioRxiv) · Science News summary#paleontology #pterosaurs #fossil #evolution #iridescence #science
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 
