一項曾經侷限於加密貨幣領域的去中心化人工智能實驗，近日獲得了英偉達首席執行官黃仁勳的公開認可，這表明分佈式模型訓練可能正在逐漸走向主流。

英偉達CEO力挺開源人工智能，推動其發展勢頭強勁

在 All-In Podcast 的一期節目中，Chamath Palihapitiya 重點介紹了 Bittensor 的 Covenant-72B 項目，並將其視為去中心化人工智能 (AI) 超越理論的切實例證。Bittensor是一個去中心化的區塊鏈驅動網絡，它建立了一個點對點市場，用於交換和激勵機器學習模型和 AI 計算資源。

帕利哈皮蒂亞用通俗易懂的方式描述了這項工作：一個大規模語言模型（LLM）的訓練沒有采用集中式基礎設施，而是由獨立貢獻者網絡提供支持。“他們成功地訓練了一個擁有40億參數的LLaMA模型，完全分佈式，由許多人貢獻了額外的計算資源，”他說道，並稱之為“一項相當瘋狂的技術成就”。

這個比喻很貼切。“就像隨機抽取的人群，每個人都分到一小部分資源，”帕利哈皮蒂亞補充道，他指的是早期利用全球閒置硬件的分佈式計算項目。

黃並沒有否定這種觀點。相反，他傾向於從更廣闊的視角來看待人工智能市場，認為去中心化和專有模式並非互斥。“這兩者不是A或B，而是A和B，”黃說，“這一點毋庸置疑。”

這種雙軌視角反映了人工智能領域日益加劇的分化——以及重疊。一方面是像 ChatGPT、Claude 和Gemini這樣封閉且高度完善的系統；另一方面是開放且去中心化的模型，允許開發者和組織根據特定需求定製系統。

黃明確表示，他認為這兩條路徑都至關重要。“模型是一種技術，而非產品，”他說道，並指出大多數用戶仍會依賴成熟的通用系統，而不是從零開始構建自己的系統。

與此同時，他也指出，在某些行業，定製化是必不可少的。“在這些行業中，他們的專業知識……必須以一種他們能夠掌控的方式來獲取，”黃解釋說，“而這隻能通過開放模式來實現。”

這一說法完全符合 Bittensor 的專長。Covenant-72B 是通過其子網 3（Templar）開發的，是迄今為止規模最大的去中心化訓練運行之一，它協調了 70 多位貢獻者通過標準互聯網連接進行操作，而無需中央機構。

從技術角度來看，該模型突破了界限。它由 720 億個參數構建而成，並使用約 1.1 萬億個令牌進行訓練，利用壓縮通信協議和分佈式數據並行等創新技術，使得在傳統數據中心之外進行訓練成為可能。

性能指標表明它並非僅僅是實驗性的。基準測試結果顯示它足以與成熟的中心化模型相媲美，這一細節有助於解釋為什麼該項目吸引了加密貨幣原生用戶以外的關注。

市場也注意到了這一點。消息公佈後，該項目的代幣TAO價格上漲了24%，這得益於帕裡哈皮蒂亞和黃的視頻在社交媒體上的廣泛傳播。

不過，黃仁勳的評論表明，真正的問題不在於顛覆，而在於二者的共存。專有人工智能系統可能仍將主導普通用戶市場，而開放和去中心化的模型則會在專業化、成本敏感型或主權驅動型應用領域佔據一席之地。

英偉達首席執行官為初創公司概述了一套務實的策略：先開源，再逐步融入專有技術優勢。“我們現在投資的每一家初創公司都是先開源，然後再轉向專有技術模式，”他說道。

換句話說，人工智能的未來或許不屬於單一的架構或理念，而可能屬於那些能夠駕馭兩者，並懂得何時運用哪一種的人。

常見問題解答🔎

• Bittensor 的 Covenant-72B 是什麼？
  一個擁有 720 億個參數的語言模型，通過去中心化的貢獻者網絡進行訓練，無需集中式基礎設施。
• 黃仁勳對去中心化人工智能說了些什麼？
  他表示，開放和專有的人工智能模型將共存，並將這種關係描述為“A 和 B”，而不是二者之間的選擇。
• 為什麼這一進展如此重要？
  這表明大規模人工智能模型可以在傳統數據中心之外進行訓練，挑戰了關於基礎設施需求的假設。
• 這將如何影響人工智能行業？
  它支持一種混合的未來模式，在這種模式下，集中式平臺和去中心化模式在各個行業中扮演不同的角色。