黃仁勳點名！SN三月暴漲五倍

原文作者：KarenZ，Foresight News

2026 年 3 月 20 日，All-In 創投播客中出現一場罕見對話。

知名風投人 Chamath Palihapitiya 向英偉達執行長黃仁勳介紹 Bittensor 生態中的一項突破——Templar 子網（SN3）成功以完全去中心化方式，在開放互聯網上完成大型語言模型的訓練，全程未依賴任何中心化數據中心。

黃仁勳並未迴避，而是將其類比為「Folding@home 的現代版本」：如同 2000 年代全球用戶貢獻閒置算力協同研究蛋白質摺疊，SN3 正在重現一種開放、協作、無需許可的 AI 計算範式。

僅在此前 4 天（3 月 16 日），Anthropic 聯合創始人 Jack Clark 於《Import AI》研究報告中專章詳述此成果：SN3 完成 720 億參數大模型 Covenant-72B 的分布式預訓練，性能表現與 Meta 於 2023 年發布的 LLaMA-2-70B 相當。他將該章節命名為「透過分布式訓練挑戰 AI 政治經濟學」，並明確指出：這不僅是技術驗證，更指向一個可能的未來——裝置端 AI 將廣泛採用去中心化訓練產出的開源模型，而雲端則持續運行專有大模型。

市場反應雖稍滯但極為強烈：SN3 代幣過去一個月漲幅逾 440%，兩週內飆升 340%，市值達 1.3 億美元；子網敘事爆發直接推升 Bittensor 原生代幣 TAO，一度衝至 377 美元，單月翻倍，完全稀釋估值（FDV）達約 75 億美元。

問題隨之而來：SN3 到底實現了什麼？為何引發跨圈層關注？去中心化 AI 的價值敘事，又將如何演進？

720 億參數，如何在開放網絡上誕生？

2026 年 3 月 10 日，Covenant AI 團隊於 arXiv 發布技術報告，正式宣告 Covenant-72B 完成訓練。這是一具 720 億參數的大型語言模型，由全球超過 70 個獨立節點（每輪約 20 個節點同步參與，每節點配備 8 張 NVIDIA B200 GPU）共同完成，訓練語料規模達約 1.1 兆 tokens。

在基準測試方面，Templar 公布的 MMLU 得分為 67.1 分，對標 Meta 2023 年發布的 LLaMA-2-70B（65.6 分）。Jack Clark 明確提醒：若單看 2026 年前沿水準，Covenant-72B 已非最尖端——GPT、Claude、Gemini 等主流模型早已在數十萬張 GPU 上完成參數量破千億的訓練，其推理、程式碼與數學能力差距屬「數量級」而非「百分比」。

然而，若將前提限定為「純粹依靠開放互聯網上的異構、無許可、非中心化算力完成」，意義便截然不同。

對比其他去中心化訓練項目：INTELLECT-1（100 億參數）MMLU 僅 32.7；Psyche Consilience（400 億參數）僅 24.2。Covenant-72B 以 72B 規模與 67.1 分，成為目前去中心化訓練領域最具說服力的實證案例。

更關鍵的是，此次訓練採用無許可（permissionless）架構：任何人只要具備足夠算力，即可即時接入、成為參與節點，無需審核、無需白名單。全球各地的獨立節點真實協作，構成真正意義上的開放計算網絡。

黃仁勳的肯定，邊界在哪？

回顧播客現場，Chamath 描述 SN3 成就為「以分布式算力訓練 Llama 模型，全程保持狀態一致性」；黃仁勳回應時聚焦於「現代版 Folding@home」這一隱喻，並進一步闡述開源模型與專有模型長期共存的必要性。

須特別釐清的是：黃仁勳全程未提及 Bittensor 代幣、未評論投資價值、亦未延伸討論去中心化 AI 的商業或治理架構。他的背書，本質是對一種開放協作技術路徑的認可，而非對特定代幣或生態的站台。

Bittensor 子網機制：AI 的去中心化生產流水線

Bittensor 可視作一條專注於 AI 的公鏈平台，而其「子網（subnet）」則是各自獨立、目標明確的 AI 生產單元。每個子網定義自身任務、設計激勵模型，並透過 Bittensor 共識層協調資源與分配獎勵。

運作流程高度透明且去中心化： • 子網所有者設定目標並部署激勵規則； • 礦工提供算力，執行推理、訓練或儲存等任務； • 驗證者依據模型誤差改善幅度等指標，對礦工貢獻進行鏈上評分； • 最終由 Bittensor 的 Yuma 共識算法，根據累積得分自動分配 TAO 獎勵。

截至 2026 年 3 月，Bittensor 網絡已啟動 128 個子網，涵蓋推理服務、無伺服器 AI 雲、圖像生成、資料標註、強化學習、分散式儲存與通用計算等多元場景。

SN3 是其中極具戰略意義的一個：它不依賴現成 API，不包裝應用介面，而是直擊 AI 產業鏈最核心、最封閉、成本最高的環節——大模型預訓練本身。其願景清晰：證明無需昂貴的中心化超級計算集群，僅憑協調全球異構算力，同樣可產出高品質基礎模型。核心價值在於「平權」——打破算力壟斷，讓個人開發者與中小機構也能參與大模型時代的基礎建設。

推動 SN3 的核心團隊為 Templar（隸屬 Covenant Labs）。該團隊同時運營另外兩個緊密協同的子網：Basilica（SN39，專注分散式計算服務）與 Grail（SN81，專注強化學習後訓練與模型評估）。三者垂直整合，完整覆蓋「預訓練 → 對齊優化 → 模型評估」全流程，初步構建起去中心化大模型研發生態系統。

具體機制上：礦工上傳本地計算產生的梯度更新；驗證者以實際損失下降幅度（LossScore）評估貢獻品質；結果直接決定獎勵權重，全程無需信任第三方。

激勵設計的精妙之處在於：獎勵與「你的貢獻讓模型變好多少」直接掛鉤，而非單純計時或計算量。這從根本上抑制「摸魚」行為，解決去中心化環境中最棘手的信任難題。

技術突破：SparseLoCo 與 Gauntlet 如何破局？

讓數十個互不信任、硬體迥異、網路品質不一的節點協同訓練同一模型，面臨兩大根本挑戰： • 通信效率：傳統分布式訓練要求節點間高頻寬、低延遲互連； • 激勵相容：如何防止惡意節點提交錯誤梯度？如何確保各節點真正在訓練，而非複製他人結果？

SN3 採用兩大原創組件應對：

SparseLoCo —— 解決通信瓶頸 取代每步同步完整梯度的傳統做法，SparseLoCo 讓節點先在本地執行 30 步 AdamW 優化，再將產生的「偽梯度」壓縮上傳。壓縮策略包含 Top-k 稀疏化（僅保留關鍵梯度分量）、誤差反饋累積（保留被捨棄部分以補償下輪）、以及 2-bit 量化。最終壓縮比達146 倍以上。

換言之，原本需傳輸 100MB 的資料，現僅需不到 1MB。這使得系統在普通家庭寬頻（上行 110Mbps，下行 500Mbps）條件下，仍維持約 94.5% 的計算利用率——20 個節點、每節點 8 張 B200、每輪通信耗時僅 70 秒。

Gauntlet —— 解決激勵可信問題 作為部署於 Bittensor Subnet 3 上的智能合約，Gauntlet 對每位節點提交的偽梯度進行即時驗證：以小批量測試資料計算「採用該梯度後模型損失降低幅度」，得出 LossScore；同時交叉檢驗節點是否使用其被分配的專屬資料集訓練——若其在隨機資料上的損失改善反而優於指定資料，將被給予負分。

每輪僅選取 LossScore 最高的節點梯度參與聚合，其餘淘汰；超出名額者即時補位，保障系統韌性。整體訓練中，平均每輪納入 16.9 個節點梯度，累計參與的唯一節點 ID 超過 70 個。

去中心化 AI 的敘事轉向：從理想主義到務實驗證

Covenant-72B 的真實意義，不在於取代 GPT 或 Claude，而在於開啟四條關鍵路徑：

第一，打破「分布式訓練只適用於小模型」的技術偏見。儘管與頂尖模型仍有距離，但它驗證了可擴展性——規模提升不再是理論障礙。

第二，無許可參與已被證實可行。此前所有分布式訓練項目均採用白名單制；SN3 首次實現全開放接入，由驗證機制擔任「守門人」。這是邁向「真正去中心化」的實質一步。

第三，dTAO 機制促成子網價值的市場發現。透過允許子網發行自有 Alpha 代幣，並以 AMM 機制競爭 Bittensor 主網的 TAO 排放配額，SN3 等產出實績的子網得以建立粗糙但有效的價值捕獲通道。當然，此機制亦易受敘事與情緒驅動，模型品質難以被普通投資者獨立判斷。

第四，觸及 AI 權力結構的根本命題。Jack Clark 所稱「誰擁有 AI 的未來」，直指當前模型訓練被少數科技巨頭壟斷的現實。若分布式訓練持續取得技術突破，或可在特定領域（如垂直行業中小型前沿模型）催生真正去中心化的開發生態——儘管此前景仍屬遠期。

里程碑背後：一組不容忽視的關鍵問題

黃仁勳的類比極其精準：Folding@home 在分子模擬領域貢獻卓著，卻從未動搖藥廠的核心研發地位。SN3 同樣如此——它跑通了協議，驗證了方向，但距離重塑產業格局，尚有漫長距離。

值得深入探討的現實問題包括：

• MMLU 指標本身的局限性：公開基準題目與答案存在潛在洩露風險；且所對標的 LLaMA-2-70B 與 LLM360 K2 均為 2023–2024 年模型。若置於動態更新榜單或抗污染新基準（如 MMLU-Pro）下評估，結論可能更嚴謹。

• 數據壟斷仍是最大瓶頸：高品質對話、程式碼、數學推導與科學文獻，仍集中於巨頭、出版社與學術資料庫手中。算力可民主化，數據端卻維持寡頭結構——此矛盾至今未被充分討論。

• 安全性隱憂無法回避：無許可意味著你無法知悉 70 多個節點背後的主體與數據來源。Gauntlet 可篩除明顯異常梯度，但難以抵禦細微的數據投毒——例如某節點系統性在有害內容方向多訓練數輪，所產生的梯度變化足以通過 LossScore 篩查，卻可能造成模型行為的漸進式偏移。在金融、醫療、法律等高合規場景，使用數據來源不可追溯、訓練過程不可審計的模型，風險極高。

• 代幣價值邏輯的結構性依賴：Covenant-72B 本身以 Apache 2.0 開源授權發布，不綁定 SN3 代幣。持有 SN3 代幣，分享的是子網未來持續產出新模型所帶來的 TAO 排放收益，而非模型被使用的直接商業回報。此價值鏈高度依賴於持續的高品質訓練產出，以及 Bittensor 整體排放機制的長期健康運作。一旦訓練停滯或成果退步，代幣估值根基將動搖。

列出這些問題，絕非否定 Covenant-72B 的歷史性意義——它確實證明了一件曾被普遍認為「不可能」的事可以做到。但「做到了」與「意味著什麼」，是兩件截然不同的事。

SN3 代幣單月暴漲 440%，這段距離未必全是泡沫，更可能是敘事速度恆常快於現實進程。至於這段落差最終將被現實填補，抑或被市場理性修正，答案只有一個：取決於 Covenant AI 團隊接下來，真正交出什麼。

值得關注的信號包括：Grayscale 已於 2026 年 1 月正式提交 TAO ETF 申請，顯示機構資本正加速布局；另依規劃，Bittensor 將於 2025 年 12 月啟動每日 TAO 排放減半，供給端的結構性收緊仍在深化。

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