Хуан Жэнь-шунь вказав ім'я? SN3 зросла у 5 разів за місяць, що насправді вона робила?

2026 年 3 月 20 日，All-In 創投播客中出現了一段不尋常的對話。

風投大佬 Chamath Palihapitiya 將話題轉向英偉達 CEO 黃仁勳，提到 Bittensor 上有一個項目「完成了一個相當瘋狂的技術成就」，用分散式算力在互聯網上訓練了一個大型語言模型，整個過程完全去中心化，沒有任何中心化數據中心參與。

黃仁勳沒有回避。他將此比作「Folding@home 的現代版本」，這個在 2000 年代讓普通用戶貢獻閒置算力、共同對抗蛋白質折疊難題的分散式項目。

在此之前的 4 天前，也就是 3 月 16 日，Anthropic 聯合創始人 Jack Clark 在發布 AI 研究進展報告時，也用大量篇幅介紹並引用這一突破：Bittensor 生態子網 Templar（SN3）完成了 720 億參數大模型（Covenant 72B）的分散式訓練，模型性能與 Meta 2023 年發布的 LLaMA-2 相當。

Jack Clark 將這一章節命名為「通過分散式訓練挑戰 AI 政治經濟學」，並在分析中強調，這是一項值得持續追蹤的技術——他能想像一個未來：設備端 AI 大量採用去中心化訓練產出的模型，而雲端 AI 則繼續運行專有大模型。

市場反應略顯滯後但非常激烈：SN3 過去一個月漲逾 440%，過去兩週漲逾 340%，市值達到 1.3 億美元。子網的敘事爆發，會直接傳導為 TAO 的購買壓力。因此，TAO 快速上漲，一度達到 377 美元，過去一個月翻倍，FDV 約達 75 億美元。

問題來了：SN3 到底做了什麼？為何會被推上聚光燈？分散式訓練和去中心化 AI 的價值敘事又將如何演變？

那個 72B 的模型

要回答這個問題，首先得看清楚 SN3 的成績單。

2026 年 3 月 10 日，Covenant AI 團隊在 arXiv 發布了一篇技術報告，正式宣布 Covenant-72B 完成訓練。這是一個 720 億參數的大型語言模型，超過 70 個獨立節點（每輪約 20 個節點同步，每個節點配備 8 張 B200），在約 1.1 萬億 tokens 的語料上完成了 720 億參數模型的預訓練。

Templar 提供了在基準測試方面的一些數據，當然，對比的 LLaMA-2-70B 為 Meta 在 2023 年發布的大模型。正如 Anthropic 聯合創始人 Jack Clark 所說，Covenant-72B 放在 2026 年可能已經有些過時了。Covenant-72B 在 MMLU 上得分 67.1，大致對標 Meta 2023 年發布的 LLaMA-2-70B（65.6 分）。

而 2026 年的前沿模型——無論是 GPT 系列、Claude 還是 Gemini——早已在數十萬塊 GPU 上完成了參數量遠超 1000 億的訓練，推理、代碼、數學能力的差距是數量級而非百分比的問題。這個現實差距不應被市場情緒淹沒。

但換算到「用開放互聯網的分散式算力訓練出來」這個前提下，意義就完全不同了。

來做個比較：同為去中心化訓練的 INTELLECT-1（Prime Intellect 團隊出品，100 億參數）在 MMLU 得分 32.7；另一個在白名單參與者中進行的分散式訓練項目 Psyche Consilience（400 億參數）得分 24.2。Covenant-72B 以 72B 的規模、67.1 的 MMLU 分數，在去中心化訓練賽道中是個顯眼的數字。

更關鍵的是，這次訓練是「無需許可」的。任何人都可以接入成為參與節點，不需要事先審核，不需要白名單。超過 70 個獨立節點參與了模型更新，從全球各地連接貢獻算力。

黃仁勳說了什麼，沒說什麼

還原一下那場播客對話的細節，有助於校正外界對這次「背書」的解讀。

Chamath Palihapitiya 在對話中將 Bittensor 的技術成就呈現給黃仁勳，並描述為用分散式算力訓練了一個 Llama 模型，過程「完全分散式，同時保持狀態」。黃仁勳的回應是將此比作「現代版的 Folding@home」，並展開討論了開源與專有模型並行共存的必要性。

值得注意的是，黃仁勳沒有直接提到 Bittensor 的代幣或任何投資含義，也沒有進一步討論去中心化 AI 訓練。

理解 Bittensor 子網和 SN3

要理解 SN3 的突破，首先需明確 Bittensor 及其子網的運作邏輯。簡單來說，Bittensor 可看作是一條 AI 公鏈和平台，而每個子網就相當於一條獨立的「AI 生產流水線」，各自明確核心任務、設計激勵機制，協同構建去中心化 AI 生態。

其運作流程清晰且去中心化：子網所有者定義子網目標並編寫激勵模型；礦工在子網中提供算力、完成 AI 相關任務（如推理、訓練、存儲等）；驗證者對礦工的貢獻進行打分，並將評分上傳至 Bittensor 共識層；最終，Yuma 共識算法會根據各子網累積的獎勵，向子網參與者分配相應收益。

目前 Bittensor 上有 128 個子網，涵蓋推理、無伺服器 AI 雲服務、圖像、數據標註、強化學習、存儲、計算等各類 AI 任務。

而 SN3 就是其中的一個子網。它不做應用層套殼，不租用現成的大模型 API，而是直接瞄準了整個 AI 產業鏈中最昂貴、最封閉的核心環節之一：大模型預訓練本身。

SN3 希望利用 Bittensor 網絡協調異構計算資源的分散式訓練，通過激勵式分散式大模型訓練，證明無需昂貴的中心化超級計算機集群，同樣可以訓練出強大的基礎模型。核心吸引力在於「平權」——打破中心化訓練的資源壟斷，讓普通個體或中小機構也能參與大模型訓練，同時借助分散式算力降低訓練成本。

推動 SN3 發展的核心力量是 Templar，其背後的研究團隊為 Covenant Labs。該團隊還同時運營著另外兩個子網：Basilica（SN39，專注計算服務）和 Grail（SN81，專注 RL 後訓練與模型評估）。三個子網形成垂直整合，完整覆蓋大模型從預訓練到對齊優化的全流程，構建去中心化大模型訓練的完整生態。

具體而言，礦工貢獻計算資源，將梯度更新（模型參數的調整方向和力度）上傳至網絡；驗證者評估每位礦工的貢獻質量，按照誤差改善幅度給予鏈上評分。結果決定獎勵權重，自動分配，無需信任任何第三方。

激勵機制設計的關鍵是，獎勵直接掛鉤「你的貢獻讓模型變好了多少」，而非單純的算力出勤。這就從根本上解決了去中心化場景中最難的問題：如何防止礦工摸魚。

那 Covenant-72B 如何解決通信效率和激勵相容問題？

讓數十個互不信任、硬件各異、網絡質量參差不齊的節點協同訓練同一個模型，挑戰有兩個：一是通信效率，標準的分散式訓練方案要求節點間高帶寬、低延遲的互聯；二是激勵相容，如何防止惡意節點提交錯誤的梯度？如何確保每個參與者都在老老實實訓練，而不是抄襲他人的結果？

SN3 用兩個核心組件解決了這兩個問題：SparseLoCo 和 Gauntlet。

SparseLoCo 解決通信效率問題。傳統的分散式訓練每一步都要同步完整梯度，數據量巨大。SparseLoCo 採用的方案是：每個節點在本地跑完 30 步的內部優化（AdamW），然後把產生的「偽梯度」壓縮後再上傳給其他節點。壓縮方式包括 Top-k 稀疏化（只保留最關鍵的梯度分量）、誤差反饋（把被丟掉的部分存起來累積到下一輪）、以及 2 位量化。最終的壓縮比超過 146 倍。

換句話說，原本需要傳輸 100MB 的東西，現在不到 1MB 就夠了。

這讓系統在普通互聯網（上行 110Mbps，下行 500Mbps）的帶寬限制下，把計算利用率維持在約 94.5%——20 個節點、每節點 8 塊 B200、每輪通信耗時僅 70 秒。

Gauntlet 解決激勵相容問題。它運行在 Bittensor 區塊鏈（Subnet 3）上，負責驗證每個節點提交的偽梯度質量。具體方式是：用一小批數據測試「用上這個節點的梯度後，模型損失降低了多少」，結果稱為 LossScore。同時，系統還檢查節點是否在用自己分配到的數據訓練——如果一個節點在隨機數據上的損失改善比在自己分配數據上還好，會被打負分。

最終，每輪訓練只選取評分最高的節點的梯度參與聚合，其餘節點被淘汰出這一輪。超出的參與者會隨時補位，使系統保持穩健。整個訓練過程中，平均每輪有 16.9 個節點的梯度被納入聚合，累計參與過的唯一節點 ID 超過 70 個。

去中心化 AI 的價值敘事，正在發生根本性轉變

從技術和行業角度看這件事，Covenant-72B 代表的方向有幾個真實的意義。

第一，打破了「分散式訓練只適合小模型」的預設。儘管與前沿模型還有差距，但證明了這個方向的可擴展性。

第二，無許可參與是真實可行的。這一點被低估了。此前的分散式訓練項目依賴白名單——只有經過審核的參與者才能貢獻算力。SN3 這次訓練中，任何擁有足夠算力的人都可以接入，驗證機制負責過濾惡意貢獻。這是向「真正去中心化」邁出的具體一步。

第三，Bittensor 的 dTAO 機制讓子網價值的市場發現成為可能。dTAO 允許每個子網發行自己的 Alpha 代幣，通過 AMM 機制讓市場決定哪些子網獲得更多 TAO 排放。這為像 SN3 這樣產出具體成果的子網提供了一套粗略但有效的價值捕獲機制。當然，這套機制同樣容易被敘事和情緒干擾，LLM 訓練成果的質量很難被普通市場參與者獨立評估。

第四，去中心化 AI 訓練的政治經濟意義。Jack Clark 在 Import AI 中將此問題提升到「誰擁有 AI 的未來」的層面。目前前沿模型訓練被少數擁有大規模數據中心的機構壟斷，這不僅是商業問題，也是權力結構問題。分散式訓練若能持續取得技術進展，有可能在某些模型類型（如特定領域的小規模前沿模型）上形成真正去中心化的開發生態。當然，這個前景目前還很遠。

總結：一個真正的里程碑，以及一堆真實的問題

黃仁勳說，這像「現代版的 Folding@home」。Folding@home 在分子模擬領域做出了真實貢獻，但它沒有威脅到大型製藥公司的核心研發地位。這個比喻非常貼切。

SN3 跑通了協議，驗證了分散式訓練的可行方向。但從技術和行業角度看，它交出的這份成績單背後，還有一堆少有人願意認真討論的問題：

• MMLU 本身在學界也是一個充滿爭議的指標，公開基準的題目與答案存在泄露訓練集的風險。更值得關注的是比較基線的選取：論文所對標的 LLaMA-2-70B 與 LLM360 K2 均為 2023 至 2024 年的老模型，而同區間的 65 至 70 分，在問及 Grok、豆包時都被歸為中下游與入門級水平，在 Claude 看來則屬於嚴重落後。若將其置於動態更新的榜單或具備抗污染設計的新一代基準之上，結論或許會更誠實。

• 更關鍵的是，決定模型能力上限的高質量數據——對話數據、代碼、數學推導、科學文獻，大概率掌握在各大公司、出版機構和學術數據庫手中。算力民主化了，數據端依然是寡頭結構，這個矛盾尚未被充分討論。

• 關於安全性：無許可參與意味著你不知道那 70 多個節點背後是誰，也不知道他們用什麼數據訓練。Gauntlet 能過濾明顯異常的梯度，但無法防範微妙的數據投毒——如果某個節點系統性地在某類有害內容上多訓練幾輪，產生的梯度變化足夠細微，能通過損失評分篩查，但對模型行為產生累積偏移。最終問題是：在金融、醫療、法律等高合規、安全要求的場景，使用由少數匿名節點參與訓練、數據來源追溯不完整的模型，會帶來哪些隱患？

• 還有一個結構性問題值得直說：Covenant-72B 本身以 Apache 2.0 許可開源，不使用 SN3 代幣。持有 SN3 代幣，分享的是這個子網未來持續產出新模型所帶來的排放收益，而不是模型被使用時的任何直接收益。這個價值鏈，依賴於持續的訓練產出，以及 Bittensor 整體網絡排放機制的健康運轉。如果未來訓練停滯，或新訓練成果質量不達預期，代幣估值邏輯就會動搖。

將這些問題列出來，不是為了否定 Covenant-72B 的意義。它證明了一件曾被認為不可能的事情可以做到，這個事實不會消失。但做到，與它意味著什麼，是兩件不同的事情。

SN3 代幣過去一個月漲 440%。這中間的距離，可能並非單純的炒作，而是敘事的速度總是快於現實的速度。至於這段距離最終會被現實填補，還是被市場修正消化，取決於 Covenant AI 團隊接下來真正交出的成果。

值得關注的是，Grayscale 已在 2026 年 1 月提交 TAO ETF 申請，指向機構資本對這條賽道的進場信號。此外，2025 年 12 月 Bittensor 將每日 TAO 排放減半，供給端的結構性收緊仍在發酵。

參考鏈接：