Bittensor子网SN3月涨5倍：黄仁勋点赞的分布式AI训练突破

引言：一场播客引发的AI范式讨论

2026年3月，在一档名为All-In的知名创投播客中，发生了一段颇具深意的对话。风险投资家Chamath Palihapitiya向英伟达首席执行官黄仁勋提及了一个来自Bittensor生态的项目，称其完成了一项“疯狂的技术成就”——完全在去中心化的互联网环境下，利用分布式算力成功训练了一个大型语言模型。

黄仁勋对此的回应，是将这一成就类比为“现代版的Folding@home”，即那个曾汇聚全球个人电脑闲置算力以攻克蛋白质折叠难题的著名分布式计算项目。几乎在同一时期，AI研究机构Anthropic的联合创始人Jack Clark也在其研究简报中，以大量篇幅重点介绍了同一突破。

市场的嗅觉是敏锐的。这一技术事件迅速转化为资产价格波动：Bittensor生态中的子网代币SN3在短期内价格飙升数倍，其底层网络代币TAO也同步大幅上涨。这背后，究竟是一项怎样的技术突破？它为何能同时吸引顶尖企业家、AI科学家和资本市场的目光？

SN3的核心突破：Covenant-72B模型详解

要理解这场波澜，必须聚焦于SN3子网交出的具体答卷：一个名为Covenant-72B的720亿参数大型语言模型。

技术成就的本质

从纯粹的模型性能指标看，Covenant-72B在MMLU等学术基准测试中得分约为67.1，其性能大致相当于Meta公司在2023年发布的LLaMA-2-70B模型。在2026年这个时间点，相较于由数万块顶级GPU集群训练出的千亿乃至万亿参数前沿模型，这一成绩确实存在代际差距。

然而，这项成就的革命性并不在于模型的绝对性能，而在于其诞生方式。Covenant-72B是首个在“无需许可”的开放互联网环境下，通过协调超过70个独立、异构的计算节点（每节点通常配备8张英伟达B200 GPU），在约1.1万亿token的语料上完成预训练的大规模模型。

在去中心化赛道中的位置

将这一成果置于“去中心化AI训练”的赛道中审视，其意义便凸显出来。此前，同类项目如INTELLECT-1（100亿参数）和Psyche Consilience（400亿参数）在同等基准测试中的得分远低于Covenant-72B。SN3不仅将去中心化训练的模型规模提升至720亿参数量级，更关键的是，它首次实现了“无许可参与”——任何符合算力要求的参与者均可自由加入网络贡献资源，无需通过中心化机构的审核或白名单。

技术基石：如何实现分布式高效训练？

在不可靠的互联网环境中协调数十个节点训练同一模型，面临两大核心挑战：通信效率与激励相容。SN3通过两项创新技术给出了解决方案。

SparseLoCo：攻克通信瓶颈

传统的分布式训练需要节点间高频同步完整的梯度数据，对网络带宽和延迟要求极高，这在全球互联网环境中几乎无法实现。SN3采用的SparseLoCo协议，允许每个节点先在本地进行多步优化，随后仅将压缩后的“伪梯度”上传同步。
其压缩技术组合包括：

• Top-k稀疏化：仅传输梯度中最重要的部分。
• 误差反馈机制：将本轮丢弃的梯度信息累积至下一轮，保证收敛性。
• 2位量化：大幅减少数据传输量。
  最终，该方案实现了超过146倍的数据压缩率，使得在普通宽带环境下，系统计算利用率仍能保持在94.5%的高水平。

Gauntlet：确保激励相容与质量

为了防止节点“偷懒”或提交恶意数据，运行在Bittensor链上的Gauntlet验证机制至关重要。它通过一套精密的评分系统来评估每个节点的贡献：

1. 损失评分：使用一批验证数据评估节点提交的梯度能在多大程度上降低模型损失。
2. 数据一致性检查：确保节点是在其分配到的特定数据分区上进行训练，而非使用随机数据“作弊”。
   每轮训练中，只有评分最高的节点梯度会被纳入全局模型更新，不合格者将被淘汰，并由等待队列中的节点补位。这套机制确保了整个训练过程在无需互信的前提下，依然能朝着优化模型的目标稳健前进。

Bittensor生态与SN3的定位

要深入理解SN3，需将其置于Bittensor的整体架构中观察。

Bittensor：去中心化的AI价值网络

Bittensor本质上是一个基于区块链的、用于协调和激励AI服务生产的开放网络。其核心逻辑是：

• 子网：网络中的各个垂直领域，每条子网专注于一类特定的AI任务（如模型训练、推理、数据存储等），如同一条条独立的“AI生产线”。
• 激励流程：矿工提供算力完成任务，验证者评估工作质量并链上评分，最终Bittensor的共识算法根据评分向参与者分发网络原生代币TAO作为奖励。

SN3的独特使命与垂直整合

在Bittensor已有的128个子网中，SN3（由Templar团队运营）选择了一条最艰难但最具野心的道路：直接挑战大模型的核心预训练环节。其目标并非简单调用现有API，而是证明利用分布式、异构的算力资源，同样可以训练出具备竞争力的基础模型，从而打破中心化超级计算集群的垄断。

更具战略眼光的是，其背后的Covenant Labs团队运营着三个形成协同效应的子网：

• SN3：专注于大模型的预训练。
• SN39：提供底层计算服务。
• SN81：负责模型的强化学习后训练与评估。
  这三个子网构成了从预训练到对齐优化的完整去中心化模型生产闭环。

价值重估：去中心化AI叙事的根本转变

Covenant-72B的成功验证，推动着去中心化AI的价值叙事发生深刻演变。

技术可行性的里程碑

1. 规模突破：证明了分布式训练能够扩展到百亿参数级别，打破了该技术仅适用于小模型的旧有认知。
2. 无许可参与：实现了真正意义上的开放参与，是迈向“算力民主化”的关键一步。
3. 协议跑通：SparseLoCo与Gauntlet的组合，为未来更大规模的分布式训练提供了可复用的技术框架。

政治经济学与未来挑战

Anthropic联合创始人Jack Clark将此事的意义提升至“AI政治经济学”层面。当前，前沿AI的研发能力高度集中于少数拥有庞大资本和数据中心的巨头手中。分布式训练技术的成熟，为构建一个更加多元、开放和抗审查的AI开发范式提供了可能。

然而，通往这一愿景的道路上布满挑战：

• 数据瓶颈：高质量的训练数据（如专业对话、代码、学术文献）仍被大型机构垄断，算力的民主化并未解决数据端的集中化问题。
• 安全与合规隐患：在无许可参与模式下，模型训练过程可能引入难以追溯的数据投毒或恶意偏移，这对金融、医疗等高敏感领域的应用构成潜在风险。
• 价值捕获逻辑：SN3代币的价值依赖于该子网持续产出优质模型的能力，以及整个Bittensor网络排放机制的健康运行，而非模型直接的使用费，这使其估值存在一定的不确定性。

青岚个人视点

SN3的这次演示，与其说是一次技术颠覆，不如说是一次重要的“概念验证”。它像一颗投入湖面的石子，证明了“去中心化训练大规模模型”这片水域并非深不可测。黄仁勋将其比作Folding@home极为精准——它开辟了一条利用长尾、异构算力的新路径，但短期内并不会取代中心化训练的主流地位。真正的看点在于，这种模式能否在特定垂直领域（如需要数据隐私或对抗审查的场景）孵化出独特优势。当前市场的狂热，是叙事预期与稀缺性溢价的混合产物。投资者需要清醒区分“协议可行性得到证明”与“商业模式已经跑通”之间的巨大鸿沟。未来，决定SN3乃至整个去中心化AI训练赛道价值的，将是持续、可复现的模型产出能力，以及能否构建起真实、可持续的需求闭环。