với sự chú ý ít ỏi.
0G cho biết họ đã vượt qua một Threshold quan trọng cách đây vài tháng. Giờ đây, họ đang huấn luyện lại mô hình tương tự một cách công khai, với mục tiêu chứng minh trí tuệ nhân tạo phi tập trung thực sự có thể mang lại những gì và tại sao kết quả trước đó của họ xứng đáng được chú ý hơn.
Vào tháng 7 năm 2025, 0G đã huấn luyện một mô hình 107 tỷ tham số có tên DiLoCoX-107B cùng với China Mobile. Nghiên cứu này sau đó đã được công bố trên arXiv sau khi được các chuyên gia đánh giá . Theo bài báo, hệ thống này đạt hiệu quả truyền thông tốt hơn 357 lần so với các phương pháp AllReduce truyền thống. Tuy nhiên, kết quả này hầu như không được đưa ra thị trường.
Nhóm nghiên cứu cho biết thời điểm ra mắt đã gây bất lợi cho dự án. Giữa năm 2025, sự chú ý vào tiền điện tử tập trung vào việc ra mắt mainnet và các câu chuyện Token , trong khi các kết quả kỹ thuật lại thu hút ít sự quan tâm hơn. Công việc này rất nghiêm túc, nhưng không nhận được nhiều sự quan tâm bên ngoài một Circle nhỏ những người theo dõi sát sao lĩnh vực này.
Giờ đây, khi trí tuệ nhân tạo phi tập trung đang được chú trọng trở lại, 0G muốn đưa kết quả đó trở lại tầm nhìn công chúng.
Một nỗ lực đào tạo lại công cộng
Lần này, công ty công khai quy trình đào tạo lại.
0G dự định ghi lại chi tiết từng giai đoạn, bao gồm các điểm kiểm tra, số liệu hội tụ và nguồn dữ liệu. Họ cũng cho biết quá trình chạy sẽ được xác minh thông qua Môi trường Thực thi Tin cậy bằng cách sử dụng zerogAuth. Sau khi hoàn tất, trọng số của mô hình sẽ được công khai.
Mục tiêu cuối cùng của 0G là chứng minh rằng trí tuệ nhân tạo phi tập trung có thể được kiểm toán, sao chép và xác minh theo cách mà hầu hết các hệ thống khép kín không thể sánh kịp.
Hơn cả một cuộc đua tham số
Nhiều bài viết về AI vẫn tập trung vào số lượng tham số. Con số lớn thu hút sự chú ý, nhưng 0G lập luận rằng giá trị của một mô hình đến từ toàn bộ hệ thống xung quanh nó.
Đối với đội ngũ, thử thách thực sự bắt đầu từ khâu đào tạo và tiếp tục qua các giai đoạn xác minh, lưu trữ, vận hành và tích hợp vào các sản phẩm hoạt động.
Một trong những điểm kỹ thuật chính là hiệu quả truyền thông. DiLoCoX sử dụng song song hóa đường ống, chính sách tối ưu hóa kép cho cập nhật cục bộ và toàn cục, cơ chế chồng chéo độ trễ một bước và nén gradient thích ứng. Nói một cách đơn giản, thiết kế này giảm lượng truyền thông cần thiết trong quá trình huấn luyện phân tán, vốn thường là điểm khiến các hệ thống này hoạt động chậm lại.
0G cũng tích hợp mô hình vào một hệ thống hoàn chỉnh bao gồm xác minh trên chuỗi, lưu trữ phi tập trung, khả năng truy cập dữ liệu, suy luận và thanh toán. Kết quả là một môi trường hoạt động thực tế chứ không chỉ là một bản demo nghiên cứu đơn lẻ.
Xác minh là một phần khác của bài thuyết trình. Với Môi trường Thực thi Tin cậy (Trusted Execution Environments), người dùng có thể kiểm tra nhiều hơn là sự tồn tại của một mô hình. Họ có thể kiểm tra cách thức mô hình được huấn luyện và dữ liệu nào đã được sử dụng trong quá trình này. Đối với AI phi tập trung , điều đó thay đổi mô hình tin cậy một cách có ý nghĩa.
Câu chuyện thực sự nằm ở băng thông.
Theo 0G, phần quan trọng nhất trong kết quả của DiLoCoX-107B là cách thức huấn luyện mô hình.
Nhóm nghiên cứu cho biết mô hình 107B hoạt động trên các kết nối internet tiêu chuẩn một gigabit mỗi giây chứ không phải trên các thiết lập trung tâm dữ liệu chuyên dụng. Điều này trực tiếp phản bác một trong những giả định lớn nhất trong trí tuệ nhân tạo, đó là việc huấn luyện ở giai đoạn tiên tiến đòi hỏi các điều kiện mạng hiếm và đắt đỏ.
Nếu điều đó được duy trì theo thời gian, tác động có thể rất đáng kể. Yêu cầu kỹ thuật thấp hơn mở ra cơ hội cho nhiều người tham gia hơn, từ các nhóm nghiên cứu đến các công ty và các tổ chức công cộng. Trong bối cảnh đó, sự phối hợp trở thành thách thức chính, và các hệ thống phi tập trung được xây dựng chính xác để giải quyết loại vấn đề đó.
Một mô hình chi phí khác
0G cũng cho biết hệ thống của họ giúp giảm chi phí khoảng 95% so với các giải pháp tập trung.
Công ty cho rằng sự giảm chi phí đó là do loại bỏ chi phí quản lý tập trung đắt đỏ chứ không phải do phần cứng rẻ hơn. Nếu những con số này được chứng minh trong thực tế, việc đào tạo mô hình tiên tiến sẽ trở nên dễ tiếp cận hơn với nhiều tổ chức, bao gồm các trường đại học, doanh nghiệp và chính phủ không có ngân sách chi cho AI quy mô siêu lớn.
Điều đó có thể thay đổi việc ai mới là người được quyền xây dựng các mô hình nghiêm túc ngay từ đầu.
Liệu trí tuệ nhân tạo phi tập trung có thể cạnh tranh được không?
Từ lâu, những người hoài nghi đã lập luận rằng trí tuệ nhân tạo phi tập trung không thể theo kịp về hiệu năng. 0G tin rằng sự đánh đổi cũ đang bắt đầu suy yếu.
Khi kết quả được cải thiện và chi phí giảm xuống, cuộc thảo luận sẽ ít tập trung vào hệ tư tưởng hơn mà chuyển sang tập trung vào kết quả đầu ra. Liệu hệ thống có thể đào tạo các mô hình mạnh mẽ, kiểm chứng chúng và thực hiện điều đó với mức giá mà nhiều nhóm có thể chi trả được?
Việc tham gia tự do vẫn tiềm ẩn những rủi ro thực sự. Huấn luyện phân tán có thể khiến hệ thống dễ bị tấn công bởi các yếu tố như làm sai lệch dữ liệu, thao túng gradient và chất lượng người đóng góp không đồng đều. 0G cho biết họ giải quyết những vấn đề này bằng các biện pháp bảo vệ kiến trúc, phát hiện bất thường và xác minh mật mã.
Vấn đề không phải là sự an toàn tuyệt đối. Vấn đề là làm cho các lỗi trở nên dễ nhận biết và có thể truy vết.
Trí tuệ nhân tạo có thể kiểm chứng thực sự nghĩa là gì?
Đối với 0G, AI có thể kiểm chứng là việc thay thế niềm tin dựa trên danh tiếng bằng niềm tin dựa trên sự kiểm tra thực tế.
Thay vì chỉ tin tưởng vào lời hứa của nhà cung cấp, người dùng có thể tự mình kiểm tra cách thức mô hình được huấn luyện và vận hành. Ý tưởng này có giá trị rõ ràng trong các lĩnh vực mà trách nhiệm giải trình thực sự quan trọng, bao gồm tài chính, chăm sóc sức khỏe và chính phủ.
Đây là điểm mà trí tuệ nhân tạo phi tập trung bắt đầu nổi bật, với các hệ thống mà con người có thể kiểm tra thay vì chỉ đơn thuần tin tưởng.
Từ bản demo nghiên cứu đến hệ thống hoạt động
Lĩnh vực trí tuệ nhân tạo phi tập trung đã có những bước tiến vượt bậc trong thời gian Short . Những công trình nghiên cứu ban đầu mang tính chứng minh khái niệm đang dần nhường chỗ cho các hệ thống được thiết kế để huấn luyện, xác minh, lưu trữ, suy luận và giải quyết kinh tế trong cùng một môi trường.
0G muốn DiLoCoX-107B trở thành bằng chứng cho sự tiến bộ đó. Nỗ lực đào tạo lại công khai không chỉ chú trọng đến hiệu suất mà còn cả quy trình. Công ty đang cố gắng chứng minh rằng trí tuệ nhân tạo phi tập trung có thể tạo ra các mô hình nghiêm túc trong khi vẫn minh bạch và dễ bị kiểm tra.
Con đường phía trước
Các mô hình lớn hơn vẫn còn ở phía trước. 0G tin rằng các mô hình trị giá hàng trăm tỷ, và cuối cùng là hàng nghìn tỷ, nằm trong tầm tay.
Giai đoạn tiếp theo ít phụ thuộc vào một bước đột phá khoa học đơn lẻ mà phụ thuộc nhiều hơn vào sự phối hợp tốt hơn và sự tham gia mạnh mẽ hơn của mạng lưới. Trong trí tuệ nhân tạo phi tập trung, tổ chức có thể quan trọng không kém gì khả năng tính toán.
Việc huấn luyện lại DiLoCoX-107B là một nỗ lực nhằm mở lại cuộc thảo luận mà 0G tin rằng thị trường đã bỏ lỡ lần đầu tiên. Đây cũng là một thử nghiệm xem liệu trí tuệ nhân tạo (AI) mở, có thể kiểm chứng được có thể thu hút sự chú ý dựa trên kết quả thực tế hơn là dựa trên sự cường điệu hay không.
Hiện tại, công ty đang đặt cược rằng việc đào tạo lại công khai, tài liệu minh bạch và truy cập mở sẽ giúp trí tuệ nhân tạo phi tập trung có được chỗ đứng vững chắc hơn trong vòng cạnh tranh tiếp theo.
