黄仁勋点名？SN3月涨5倍，分布式AI训练的里程碑与挑战
SN3：分布式AI训练的技术突破
原文作者：KarenZ，Foresight News
2026年3月20日，在All-In创投播客的一场对话中，风投大佬Chamath Palihapitiya向英伟达CEO黄仁勋提到了Bittensor上的一个项目——SN3（Templar子网）。该项目完成了一项「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。
黄仁勋将这一成就类比为「现代版的Folding@home」，即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。
分布式训练的里程碑：Covenant-72B模型
在Anthropic联合创始人Jack Clark发布的AI研究进展报告中，SN3的突破被重点提及。具体而言，Bittensor生态子网Templar（SN3）成功完成了720亿参数大模型（Covenant-72B）的分布式训练。该模型性能与Meta在2023年发布的LLaMA-2相当。
Jack Clark将这一章节命名为「通过分布式训练挑战AI政治经济学」，并指出未来设备端AI可能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。
市场反应：SN3代币暴涨440%
市场的反应非常剧烈：SN3过去一个月涨幅超过440%，过去两周涨幅逾340%，市值达到1.3亿美元。子网叙事的爆发直接传导为TAO的购买压力，导致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。
分布式训练的核心技术：SparseLoCo与Gauntlet
Covenant-72B的成功离不开两项核心技术：SparseLoCo和Gauntlet。
SparseLoCo解决通信效率问题：传统分布式训练需要同步完整梯度，数据量巨大。SparseLoCo通过压缩技术（如Top-k稀疏化、误差反馈和2位量化），将传输数据压缩超过146倍，使系统在普通互联网环境下维持94.5%的计算利用率。
Gauntlet解决激励相容问题：该机制运行在Bittensor区块链上，验证每个节点提交的伪梯度质量。通过LossScore评估模型损失降低程度，并检查节点是否使用分配的数据进行训练，从而过滤恶意节点。
黄仁勋的评价：现代版Folding@home
黄仁勋将SN3的成就比作现代版的Folding@home，但他并未提到Bittensor的代币或任何投资含义，也没有进一步讨论去中心化AI训练的具体细节。
去中心化AI的价值叙事转变
Covenant-72B的突破代表了几个重要意义：
- 打破分布式训练只适合小模型的预设：尽管与前沿模型仍有差距，但证明了分布式训练的可扩展性。
- 无许可参与的真实可行性：任何人都可以接入成为参与节点，无需白名单审核。
- dTAO机制实现子网价值发现：Bittensor允许子网发行自己的Alpha代币，通过AMM机制让市场决定子网价值。
- 去中心化AI的政治经济意义：分布式训练可能在未来形成真正去中心化的开发生态，挑战当前由少数机构垄断的AI研发格局。
挑战与隐忧：技术与现实的距离
尽管SN3取得了显著突破，但仍面临一系列挑战：
- MMLU基准争议：论文对标的LLaMA-2-70B与LLM360 K2均为老模型，且MMLU指标本身存在争议。
- 高质量数据的寡头结构：算力民主化的同时，数据资源仍掌握在少数机构手中。
- 安全性问题：无许可参与可能导致数据投毒等安全隐患，尤其是在金融、医疗等高合规场景。
- 代币估值逻辑：SN3代币的价值依赖于持续的训练产出，若未来成果质量不达预期，估值逻辑可能松动。
小结：里程碑与未解之题
黄仁勋将SN3的成就比作现代版的Folding@home，这一类比准确地反映了其意义与局限。SN3验证了分布式训练的可行方向，但其背后仍有许多问题亟待解决。
Grayscale已提交TAO ETF申请，指向机构资本对这一赛道的关注。此外，2025年12月Bittensor将每日TAO排放减半，供给端的结构性收紧仍在发酵。
参考链接：
https://arxiv.org/pdf/2603.08163
https://importai.substack.com/p/importai-449-llms-training-other
