曾經只在加密圈子內的去中心化人工智慧實驗，近日獲得Nvidia執行長黃仁勳的公開肯定，暗示分散式模型訓練可能正逐步邁向主流。
Chamath Palihapitiya 在 All-In Podcast 節目中 spotlight 了 Bittensor 的 Covenant-72B，將其描述為去中心化人工智慧（AI）從理論走向實踐的具體範例。Bittensor 作為一個去中心化、區塊鏈驅動的網絡，建立了一個點對點的市場，供機器學習模型與AI計算資源交換與激勵。
Palihapitiya 用淺顯的語言描述這個努力：「他們成功訓練出一個擁有40億參數的 LLaMA 模型，完全分散式，並由一群獨立貢獻者提供額外計算資源。」他稱之為「一個相當瘋狂的技術成就」。
這個比喻用一個熟悉的例子來說明：「有一些隨機的人，每個人都得到一點份額」，他補充提到早期利用閒置硬體的分散式計算專案。
黃仁勳並未否定這個想法，而是將視野擴展到更廣泛的AI市場，暗示去中心化與專有方法並非互斥。「這兩者不是A或B，而是A和B，」黃說。「這是毫無疑問的。」
這雙軌願景反映出AI領域內日益擴大的分歧與重疊。一方面是像ChatGPT、Claude和Gemini這樣的封閉、經過高度打磨的系統；另一方面則是開放權重與去中心化模型，允許開發者與組織根據特定需求進行定制。
黃仁勳明確表示，他認為兩者都很重要。「模型是一項技術，而非產品，」他指出，大多數用戶仍將依賴經過打磨的通用系統，而非從零建立自己的模型。
同時，他也提到某些產業的定制化不是可選的。「有許多產業，其專業知識……必須以他們能掌控的方式來捕捉，」黃解釋，並補充說：「這只能來自開放模型。」
這番話正好切中 Bittensor 的核心。Covenant-72B 由其 Subnet 3（Templar）開發，代表迄今為止最大規模的去中心化訓練之一，協調超過70名貢獻者，透過標準網路連線在沒有中央權威的情況下運作。
技術層面來看，這個模型突破了界限。它擁有72億參數，訓練資料約1.1兆個標記，並利用壓縮通訊協議與分散式資料並行等創新技術，使訓練在傳統資料中心之外也能實現。
性能指標顯示，它不僅僅是實驗性質。基準測試結果使其與成熟的集中式模型競爭，這也解釋了為何該專案吸引了超越加密原生受眾的關注。
市場也注意到了這一點。宣布後，該專案的代幣 TAO 自 Palihapitiya 和 Huang 的影片在社交媒體傳播後，已上漲24%。
儘管如此，黃仁勳的評論暗示，真正的故事不是顛覆，而是共存。專有AI系統可能仍將在一般用戶中佔主導地位，而開放與去中心化模型則在專業、成本敏感或主權驅動的應用中扮演角色。
對於新創公司，黃仁勳提出一個務實的策略：「先開放，再加入專有優勢。」「我們現在投資的每一家新創公司，都是先開源，然後再走向專有模型，」他說。
換句話說，AI的未來可能不屬於單一架構或理念，而是屬於那些能同時駕馭兩者，並懂得何時使用各自優勢的人。
一個擁有72億參數的語言模型，透過去中心化的貢獻者網絡訓練，沒有中央基礎設施。
他表示開放與專有AI模型將共存，描述這種關係為「A 和 B」，而非二者的選擇。
它展示了大型AI模型可以在傳統資料中心之外進行訓練，挑戰了對基礎設施的既有假設。
它支持一個混合的未來，集中平台與去中心化模型在不同產業中扮演不同角色。
