黃仁勳點名？ SN3 月漲 5 倍，到底做了什麼？
黃仁勳說了什麼？沒說什麼？分佈式 AI 訓練可行嗎？
2026 年 3 月 20 日，All-In 創投播客裡有一幕並不尋常的對話。
風投大佬 Chamath Palihapitiya 把話投遞給了輝達 CEO 黃仁勳，說 Bittensor 上有個項目 “完成了一件相當瘋狂的技術成就”，用分佈式算力在互聯網上訓練了一個大型語言模型，過程完全去中心化，沒有任何中心化的數據中心參與。
撰文：KarenZ，Foresight News
黃仁勳沒有迴避。他把這件事對標到 “Folding@home 的現代版本”，那個在 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佈式項目。
在此之前的 4 天前，3 月 16 日，Anthropic 聯合創始人 Jack Clark 在發布一期 AI 研究進展報告中，也用大量篇幅重點介紹和引用這項突破：Bittensor 生態子網 Templar（SN3）完成 720 億參數大模型（Covenant 72B）的分佈式訓練，模型性能相當與 MetaMA 2023 年發布的模型相當。
Jack Clark 為該章節命名為「透過分散式訓練挑戰 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。
市場的反應略微滯後但非常劇烈：SN3 過去一個月漲逾 440%，過去兩週漲逾 340%，市值達 1.3 億美元。子網的敘事爆發，會直接傳導為 TAO 的購買壓力。也因此，TAO 快速上漲，一度達到 377 美元，過去一個月翻倍，FDV 達到約 75 億美元。
問題來了：SN3 到底做了什麼？為何會被推至聚光燈下？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，得先看清楚 SN3 交出的成績單。
2026 年 3 月 10 日，Covenant AI 團隊在 arXiv 上發布了一篇技術報告，正式宣告 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 peers（每輪約 20 個節點同步，每個節點配備 8 張 B200）， 在約 1.1 兆 tokens 的語料上完成了 720 億參數模型的預訓練。
Templar 給出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 共同創辦人 Jack Clark 所說，Covenant-72B 放在 2026 年可能有些過時了。 Covenant-72B 在 MMLU 上的 67.1 分，大致對標的是 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。這個現實差距不應該被市場情緒淹沒。
但換算到「用開放網路上的分散式算力訓練出來」這個前提下，意味就完全不同了。
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）MMLU 得分 32.7；另一個在白名單參與者中進行的分佈式訓練項目 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。任何人都可以接觸成為參與節點，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 在對話中把 Bittensor 的技術成就呈現給黃仁勳，並描述為用分佈式算力訓練了一個 Llama 模型，過程「完全分佈式，同時保持狀態」。黃仁勳的回應是把這比作「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 的代幣或任何投資意義，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，首先需要先明確 Bittensor 及其子網路的運作邏輯。簡單來說，Bittensor 可看作是一條 AI 公鍊和平台，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，協同構成去中心化 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，Bittensor 的 Yuma 過程累積演算法會根據各子網累積演算法會根據各子網的收益，向參與者分配相應給
目前 Bittensor 上有 128 個子網，涵蓋推理、無伺服器 AI 雲端服務、影像、資料標註、強化學習、儲存、運算等各類 AI 任務。
而 SN3 就是其中的一個子網路。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 產業鏈裡最貴、最封閉的核心環節之一：大模型預訓練本身。
SN3 希望利用 Bittensor 網路協調異質運算資源的分散式訓練，透過激勵式分散式大模型訓練，證明無需昂貴的中心化超級電腦集群，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，讓一般個體或中小機構也能參與大模型訓練，同時藉助分散式算力降低訓練成本。
推動 SN3 發展的核心力量是 Templar，背後的研究團隊為 Covenant Labs。團隊也同時運作另外兩個子網路：Basilica（SN39，專注運算服務）和 Grail（SN81，專注 RL 後訓練與模型評估）。三個子網形成垂直整合，完整涵蓋了大模型從預訓練到對齊優化的全流程，建構起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。這就從根本解決了去中心化場景中最難的問題：如何防止礦工摸魚。
那麼 Covenant-72B 如何解決通訊效率和激勵相容問題？
讓數十個互不信任、硬體各異、網路品質參差不齊的節點協同訓練同一個模型，挑戰有兩個：一是通訊效率，標準的分散式訓練方案要求節點間高頻寬、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？如何確保每位參與者都在老實訓練，而不是抄襲他人的結果？
SN3 用兩個核心元件解決了這兩個問題：SparseLoCo 和 Gauntlet。
SparseLoCo 解決通訊效率問題。傳統的分散式訓練每一步都要同步完整梯度，資料量龐大。 SparseLoCo 採用的方案是：每個節點在本地跑完 30 步驟的內部最佳化（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）、誤差回饋（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）的頻寬限制下，把運算利用率維持在約 94.5%——20 個節點、每節點 8 塊 B200、每輪通訊耗時僅 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品質。具體方式是：用一小批資料測試「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，系統也會檢查節點是否在用自己分配到的資料訓練－如果一個節點在隨機資料上的損失改善比在自己分配資料上還好，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，其餘節點則被淘汰出這一輪。超出的參與者會隨時補位，讓系統保持穩健。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，正在發生根本轉變
從技術和產業視角看這件事，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。 儘管和前沿模型還差得遠，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。先前的分散式訓練計畫依賴白名單 —— 只有經過審核的參與者才能貢獻算力。 SN3 在這次訓練中，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「真正去中心化」的具體一步。
第三，Bittensor 的 dTAO 機制讓子網路價值的市場發現成為可能。 dTAO 讓每個子網路發行自己的 Alpha 代幣，透過 AMM 機制讓市場來決定哪些子網路獲得更多的 TAO 排放。這為像 SN3 這樣產出了具體成果的子網路提供了一套粗糙但有效的價值捕捉機制。當然，這套機制同樣容易被敘事和情緒幹擾，LLM 訓練成果的品質很難被一般市場參與者獨立評估。
第四，去中心化 AI 訓練的政治經濟意涵。 Jack Clark 在 Import AI 中把這個問題提升到「誰擁有 AI 的未來」這個層面。目前前沿模型訓練被少數擁有大規模資料中心的機構壟斷，這不只是商業問題，也是權力結構問題。分散式訓練如果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。
小結：一個真實的里程碑，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正貢獻，但它沒有威脅到大型製藥公司的核心研發地位。這個類比非常準確。
SN3 跑通了協議，驗證了分散式訓練的可行方向。但從技術和產業視角來看，它交出的這份成績單背後，還有一堆很少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有洩漏進訓練集的風險。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，而同一區間的 65 至 70 分，在問及 Grok、豆包時均被歸為中下游與入門級水平，在 Claude 看來屬嚴重落後。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，結論或許會更加誠實。
更關鍵的是，決定模型能力上限的高品質數據 —— 對話數據、程式碼、數學推導、科學文獻，大概率在各大公司、出版機構和學術資料庫手中。算力民主化了，資料端依然是寡頭結構，這個矛盾沒有被討論過。
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，也不知道他們在用什麼資料訓練。 Gauntlet 能過濾明顯異常的梯度，但無法防範微妙的資料投毒－如果一個節點系統性地在某類有害內容方向多訓練幾輪，產生的梯度變化足夠細微，能透過損失評分篩檢，但對模型行為產生累積偏移。最終的問題是：在金融、醫療、法律這類高合規、安全要求的場景，使用一個由少數匿名節點參與訓練、資料來源追溯不完整的模型，會帶來怎樣的隱憂？
還有一個結構性問題值得直說：Covenant-72B 本身以 Apache 2.0 許可證開源，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。這個價值鏈條，依賴持續的訓練產出，以及 Bittensor 整體網路排放機制的健康運作。如果未來訓練停滯，或是新的訓練成果品質不達預期，代幣的估值邏輯就會鬆動。
把這些問題列出來，不是為了否定 Covenant-72B 的意義。它證明了一件以前被認為不可能的事情可以做到，這個事實不會消失。但做到了，和它意味著什麼，是兩件不同的事情。
SN3 代幣過去一個月上漲 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什麼。
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訊號。此外，2025 年 12 月 Bittensor 將每日 TAO 排放量減半，供給端的結構性收緊還在發酵。
參考連結：
- https://arxiv.org/pdf/2603.08163
- https://importai.substack.com/p/importai-449-llms-training-other
- https://docs.tplr.ai
- https://systems-analysis.ru/int/MMLU_Benchmark_%E2%80%94_MMLU_%E5%9F%BA%E5%87%86%E6%B5%8B%E8%AF%95
加密貨幣屬於高風險投資，本網站內容均不構成任何投資建議與責任。
掌握虛擬貨幣、區塊鏈大小事
