原文作者：KarenZ，Foresight News
2026 年 3 月 20 日，All-In 创投播客里有一幕并不寻常的对话。
风投大佬 Chamath Palihapitiya 把话头递给了英伟达 CEO 黄仁勋，说 Bittensor 上有个项目「完成了一件相当疯狂的技术成就」，用分布式算力在互联网上训练了一个大型语言模型，过程完全去中心化，没有任何中心化的数据中心参与。
黄仁勋没有回避。他把这件事对标到 「Folding@home 的现代版本」 ，那个在 2000 年代让普通用户贡献闲置算力、共同对抗蛋白质折叠难题的分布式项目。
在此之前的 4 天前，3 月 16 日，Anthropic 联合创始人 Jack Clark 在发布一期 AI 研究进展报告中，也用大量篇幅重点介绍和引用这项突破：Bittensor 生态子网 Templar（SN3）完成 720 亿参数大模型（Covenant 72B）的分布式训练，模型性能与 Meta 2023 年发布的 LLaMA-2 相当。
Jack Clark 为该章节命名为「通过分布式训练挑战 AI 政治经济学」，并在分析中强调，这是一项值得持续追踪的技术——他能想象一个未来：设备端 AI 大量采用去中心化训练产出的模型，而云端 AI 则继续运行专有大模型。
市场的反应略微滞后但非常剧烈：SN3 过去一个月涨逾 440%，过去两周涨逾 340%，市值达到 1.3 亿美元。子网的叙事爆发，会直接传导为 TAO 的购买压力。也因此，TAO 快速上涨，一度达到 377 美元，过去一个月翻倍，FDV 达到约 75 亿美元。
问题来了：SN3 到底做了什么？为何会被推至聚光灯下？分布式训练和去中心化 AI 的价值叙事又将如何演变？
那个 72B 的模型
要回答这个问题，得先看清楚 SN3 交出的成绩单。
2026 年 3 月 10 日，Covenant AI 团队在 arXiv 上发布了一篇技术报告，正式宣告 Covenant-72B 完成训练。 这是一个 720 亿参数的大型语言模型，超过 70 个独立节点 peers （每轮约 20 个节点同步，每个节点配备 8 张 B200）， 在约 1.1 万亿 tokens 的语料上完成了 720 亿参数模型的预训练。
Templar 给出了在基准测试方面的一些数据，当然，对比的 LLaMA-2-70B 为 Meta 在 2023 年发布的大模型。 正如 Anthropic 联合创始人 Jack Clark 所说，Covenant-72B 放在 2026 年可能有些过时了。 Covenant-72B 在 MMLU 上的 67.1 分，大致对标的是 Meta 2023 年发布的 LLaMA-2-70B（65.6 分）。
而 2026 年的前沿模型——无论是 GPT 系列、Claude 还是 Gemini——早已在数十万块 GPU 上完成了参数量远超 1000 亿的训练，推理、代码、数学能力的差距是数量级而非百分比的问题。这个现实差距不应该被市场情绪淹没。
但换算到「用开放互联网上的分布式算力训练出来」这个前提下，意味就完全不同了。
来做个比较：同为去中心化训练的 INTELLECT-1（Prime Intellect 团队出品，100 亿参数）MMLU 得分 32.7；另一个在白名单参与者中进行的分布式训练项目 Psyche Consilience（400 亿参数）得分 24.2。Covenant-72B 以 72B 的规模、67.1 的 MMLU 分数，在去中心化训练赛道中是个显眼的数字。
更关键的是，这次训练是「无需许可」的。任何人都可以接入成为参与节点，不需要事先审核，不需要白名单。超过 70 个独立节点参与了模型更新，从全球各地连接贡献算力。
黄仁勋说了什么，没说什么
还原一下那场播客对话的细节，有助于校正外界对这次「背书」的解读。
Chamath Palihapitiya 在对话中把 Bittensor 的技术成就呈现给黄仁勋，并描述为用分布式算力训练了一个 Llama 模型，过程「完全分布式，同时保持状态」。黄仁勋的回应是把这比作「现代版的 Folding@home」，并展开讨论了开源与专有模型并行共存的必要性。
值得注意的是，黄仁勋没有直接提到 Bittensor 的代币或任何投资含义，也没有进一步讨论去中心化 AI 训练。
理解 Bittensor 子网和 SN3
要理解 SN3 的突破，首先需明确 Bittensor 及其子网的运作逻辑。简单来说，Bittensor 可看作是一条 AI 公链和平台，而每个子网就相当于一条独立的「AI 生产流水线」，各自明确核心任务、设计激励机制，协同构成去中心化 AI 生态。
其运作流程清晰且去中心化：子网所有者定义子网目标并编写激励模型；矿工在子网中提供算力、完成 AI 相关任务（如推理、训练、存储等）；验证者对矿工的贡献进行打分，并将评分上传至 Bittensor 共识层；最终，Bittensor 的 Yuma 共识算法会根据各子网累积的奖励，向子网参与者分配相应收益。
目前 Bittensor 上有 128 个子网，覆盖推理、无服务器 AI 云服务、图像、数据标注、强化学习、存储、计算等各类 AI 任务。
而 SN3 就是其中的一个子网。它不做应用层套壳，不租用现成的大模型 API，而是直接瞄准了整个 AI 产业链里最贵、最封闭的核心环节之一：大模型预训练本身。
SN3 希望利用 Bittensor 网络协调异构计算资源的分布式训练，通过激励式分布式大模型训练，证明无需昂贵的中心化超级计算机集群，同样可以训练出强大的基础模型。核心吸引力在于「平权」——打破中心化训练的资源垄断，让普通个体或中小机构也能参与大模型训练，同时借助分布式算力降低训练成本。
推动 SN3 发展的核心力量是 Templar，其背后的研究团队为 Covenant Labs。 该团队还同时运营着另外两个子网：Basilica（SN39，专注计算服务）和 Grail（SN81，专注 RL 后训练与模型评估）。三个子网形成垂直整合，完整覆盖了大模型从预训练到对齐优化的全流程，构建起去中心化大模型训练的完整生态。
具体而言，矿工贡献计算资源，将梯度更新（模型参数的调整方向和力度）上传至网络；验证者评估每位矿工的贡献质量，按照误差改善幅度给予链上评分。结果决定奖励权重，自动分配，无需信任任何第三方。
激励机制设计的关键是，奖励直接挂钩「你的贡献让模型变好了多少」，而非单纯的算力出勤。这就从根本上解决了去中心化场景中最难的问题：如何防止矿工摸鱼。
那 Covenant-72B 如何解决通信效率和激励相容问题？
让几十个互不信任、硬件各异、网络质量参差不齐的节点协同训练同一个模型，挑战有两个：一是 通信效率 ，标准的分布式训练方案要求节点间高带宽、低延迟的互联；二是 激励相容 ，如何防止恶意节点提交错误的梯度？如何确保每个参与者都在老老实实训练，而不是抄袭他人的结果？
SN3 用两个核心组件解决了这两个问题： SparseLoCo 和 Gauntlet 。
SparseLoCo 解决通信效率问题 。传统的分布式训练每一步都要同步完整梯度，数据量巨大。SparseLoCo 采用的方案是：每个节点在本地跑完 30 步的内部优化（AdamW），然后把产生的「伪梯度」压缩后再上传给其他节点。压缩方式包括 Top-k 稀疏化（只保留最关键的梯度分量）、误差反馈（把被丢掉的部分存起来累积到下一轮）、以及 2 位量化。最终的压缩比超过 146 倍。
换句话说，原本需要传输 100MB 的东西，现在不到 1MB 就够了。
这让系统在普通互联网（上行 110Mbps，下行 500Mbps）的带宽限制下，把计算利用率维持在约 94.5%——20 个节点、每节点 8 块 B200、每轮通信耗时仅 70 秒。
Gauntlet 解决激励相容问题。 它运行在 Bittensor 区块链（Subnet 3）上，负责验证每个节点提交的伪梯度质量。具体方式是：用一小批数据测试「用上这个节点的梯度后，模型损失降低了多少」，结果称为 LossScore。同时，系统还检查节点是否在用自己分配到的数据训练——如果一个节点在随机数据上的损失改善比在自己分配数据上还好，会被打负分。
最终，每轮训练只选取评分最高的节点的梯度参与聚合，其余节点被淘汰出这一轮。超出的参与者会随时补位，使系统保持稳健。整个训练过程中，平均每轮有 16.9 个节点的梯度被纳入聚合，累计参与过的唯一节点 ID 超过 70 个。
去中心化 AI 的价值叙事，正在发生根本性转变
从技术和行业视角看这件事，Covenant-72B 代表的方向有几个真实的意义。
第一，打破了「分布式训练只适合小模型」的预设 。 尽管和前沿模型还差得远，但证明了这个方向的可扩展性。
第二，无许可参与是真实可行的 。 这一点被低估了。此前的分布式训练项目依赖白名单——只有经过审核的参与者才能贡献算力。SN3 这次训练中，任何拥有足够算力的人都可以接入，验证机制负责过滤恶意贡献。这是向「真正去中心化」迈出的具体一步。
第三，Bittensor 的 dTAO 机制让子网价值的市场发现成为可能 。 dTAO 允许每个子网发行自己的 Alpha 代币，通过 AMM 机制让市场来决定哪些子网获得更多的 TAO 排放。这为像 SN3 这样产出了具体成果的子网提供了一套粗糙但有效的价值捕获机制。当然，这套机制同样容易被叙事和情绪干扰，LLM 训练成果的质量很难被普通市场参与者独立评估。
第四，去中心化 AI 训练的政治经济含义 。 Jack Clark 在 Import AI 中把这个问题提升到「谁拥有 AI 的未来」这个层面。当前前沿模型训练被少数拥有大规模数据中心的机构垄断，这不只是商业问题，也是权力结构问题。分布式训练如果能持续取得技术进展，有可能在某些模型类型（如特定领域的小规模前沿模型）上形成真正去中心化的开发生态。当然，这个前景目前还远。
小结：一个真实的里程碑，以及一堆真实的问题
黄仁勋说，这像「现代版的 Folding@home」。Folding@home 在分子模拟领域做出了真实贡献，但它没有威胁到大型制药公司的核心研发地位。这个类比非常准确。
SN3 跑通了协议，验证了分布式训练的可行方向。但从技术和行业视角看，它交出的这份成绩单背后，还有一堆很少有人愿意认真讨论的问题：
MMLU 本身在学界也是一个充满争议的指标， 公开基准的题目与答案存在泄露进训练集的风险。更值得关注的是比较基线的选取：论文所对标的 LLaMA-2-70B 与 LLM360 K2 均为 2023 至 2024 年的老模型，而同一区间的 65 至 70 分，在问及 Grok、豆包时均被归为中下游与入门级水平，在 Claude 看来则属严重落后。若将其置于动态更新的榜单或具备抗污染设计的新一代基准之上，结论或许会更加诚实。
更关键的是， 决定模型能力上限的高质量数据 ——对话数据、代码、数学推导、科学文献，大概率在各大公司、出版机构和学术数据库手里。算力民主化了，数据端依然是寡头结构，这个矛盾没有被讨论过。
关于安全性 ，无许可参与意味着你不知道那 70 多个节点背后是谁，也不知道他们在用什么数据训练。Gauntlet 能过滤明显异常的梯度，但无法防范微妙的数据投毒——如果一个节点系统性地在某类有害内容方向多训练几轮，产生的梯度变化足够细微，能通过损失评分筛查，但对模型行为产生累积偏移。最终的问题是：在金融、医疗、法律这类高合规、安全要求的场景，使用一个由少数匿名节点参与训练、数据来源追溯不完整的模型，会带来怎样的隐患？
还有一个结构性问题值得直说：Covenant-72B 本身以 Apache 2.0 许可证开源，不使用 SN3 代币。 持有 SN3 代币，分享的是这个子网未来持续产出新模型所带来的排放收益，而不是模型被使用时的任何直接收益。 这个价值链条，依赖于持续的训练产出，以及 Bittensor 整体网络排放机制的健康运转。如果未来训练停滞，或者新的训练成果质量不达预期，代币的估值逻辑就会松动。
把这些问题列出来，不是为了否定 Covenant-72B 的意义。它证明了一件以前被认为不可能的事情可以做到，这个事实不会消失。但做到了，和它意味着什么，是两件不同的事情。
SN3 代币过去一个月上涨 440%。这中间的距离，可能并非单纯的炒作，而是叙事的速度总是快于现实的速度。至于这段距离最终会被现实填补，还是被市场修正消化，取决于 Covenant AI 团队接下来真正交出什么。
值得关注的是，Grayscale 已在 2026 年 1 月份提交 TAO ETF 申请，指向机构资本对这条赛道的进场信号。此外，2025 年 12 月 Bittensor 将每日 TAO 排放减半，供给端的结构性收紧还在发酵。
参考链接：
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
