Huang Ren Xun nêu tên? SN3 tăng 5 lần trong tháng, cuối cùng đã làm gì?

2026 年 3 月 20 日，All-In 创投播客中出现了一段不同寻常的对话。

风险投资大佬 Chamath Palihapitiya 将话题交给英伟达 CEO 黄仁勋，提到 Bittensor 上有个项目“完成了一项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，整个过程完全去中心化，没有任何中心化数据中心参与。

黄仁勋没有回避。他将此比作“现代版的 Folding@home”，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，也就是 3 月 16 日，Anthropic 联合创始人 Jack Clark 在发布一份 AI 研究进展报告时，也用大量篇幅介绍并引用了这项突破：Bittensor 生态子网 Templar（SN3）完成了 720 亿参数大模型（Covenant 72B）的分布式训练，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”，并强调这是一项值得持续关注的技术——他能想象未来：设备端 AI 大量采用去中心化训练产出的模型，而云端 AI 继续运行专有大模型。

市场反应略显滞后但极为剧烈：SN3 在过去一个月涨幅超过 440%，过去两周涨幅超过 340%，市值达到 1.3 亿美元。子网的爆发式叙事，直接带动 TAO 的购买压力。因此，TAO 迅速上涨，一度达到 377 美元，过去一个月翻倍，市值（FDV）约为 75 亿美元。

问题来了：SN3 到底做了什么？为何会成为焦点？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，首先要看清楚 SN3 的成绩单。

2026 年 3 月 10 日，Covenant AI 团队在 arXiv 上发布技术报告，正式宣布 Covenant-72B 完成训练。这是一个拥有 720 亿参数的大型语言模型，超过 70 个独立节点（每轮约 20 个节点同步，每个节点配备 8 张 B200 GPU），在约 1.1 万亿 tokens 的语料上完成预训练。

Templar 提供了在基准测试中的一些数据，当然，比较对象是 Meta 在 2023 年发布的 LLaMA-2-70B。正如 Anthropic 联合创始人 Jack Clark 所说，Covenant-72B 在 2026 年可能已显过时。其在 MMLU 上得分 67.1，大致对应 Meta 2023 年的 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、数学能力的差距已非百分比，而是数量级。这一现实差距不应被市场情绪所淹没。

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，意义就完全不同。

做个比较：同样是去中心化训练的 INTELLECT-1（Prime Intellect 团队出品，100 亿参数）在 MMLU 上得分 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 规模、67.1 分的 MMLU，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节点，无需事先审核，无需白名单。超过 70 个独立节点参与模型更新，来自全球各地贡献算力。

黄仁勋说了什么，没说什么

还原那场播客的细节，有助于校正外界对这次“背书”的解读。

Chamath Palihapitiya 在对话中展示了 Bittensor 的技术成就，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”。黄仁勋回应将其比作“现代版的 Folding@home”，并讨论了开源与专有模型共存的必要性。

值得注意的是，黄仁勋没有直接提及 Bittensor 的代币或任何投资意涵，也未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，首先要明确 Bittensor 及其子网的运作逻辑。简单来说，Bittensor 类似一条 AI 公链和平台，而每个子网则是一个“AI 生产流水线”，各自明确核心任务、激励机制，协同构建去中心化 AI 生态。

其运作流程清晰且去中心化：子网所有者定义目标并设计激励模型；矿工提供算力，完成推理、训练、存储等任务；验证者对矿工贡献进行评分，并上传至 Bittensor 共识层；最终，Yuma 共识算法根据奖励分配收益。

目前，Bittensor 上有 128 个子网，涵盖推理、无服务器 AI 云、图像、数据标注、强化学习、存储、计算等多类任务。

SN3 就是其中之一。它不做应用层封装，也不租用现成大模型 API，而是直指 AI 产业链中最昂贵、最封闭的环节之一：大模型预训练。

SN3 希望利用 Bittensor 网络协调异构计算资源，通过激励式分布式训练，证明无需昂贵的中心化超级计算机集群，也能训练出强大基础模型。核心在于“平权”——打破中心化训练的资源垄断，让普通个人或中小机构也能参与，同时借助分布式算力降低成本。

推动 SN3 的核心力量是 Templar，背后团队为 Covenant Labs。该团队还运营着两个子网：Basilica（SN39，计算服务）和 Grail（SN81，RL 后训练与模型评估）。三者形成垂直整合，覆盖从预训练到对齐优化的完整流程，构建去中心化大模型训练生态。

具体而言，矿工贡献算力，将梯度（模型参数的调整方向和幅度）上传；验证者评估贡献质量，按误差改善程度打分，奖励自动分配，无需信任第三方。

激励机制的关键在于：奖励直接挂钩“你的贡献让模型变好了多少”，而非单纯算力出勤。这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”。

那么 Covenant-72B 如何解决通信效率和激励相容问题？

让几十个不信任、硬件不同、网络参差节点协同训练，面临两个挑战：一是通信效率——标准分布式训练要求高带宽低延迟；二是激励相容——如何防止恶意节点提交错误梯度，确保每个参与者都在老实训练，而非抄袭他人。

SN3 用两个核心组件解决：SparseLoCo 和 Gauntlet。

SparseLoCo 解决通信问题。传统分布式训练每步同步完整梯度，数据量巨大。SparseLoCo 采用：每个节点在本地运行 30 步优化（AdamW），再将“伪梯度”压缩上传。压缩方式包括 Top-k 稀疏（只保留关键梯度）、误差反馈（累积丢失部分）、2 位量化。最终压缩比超过 146 倍。

换句话说，原本需传输 100MB 的数据，现在不到 1MB。

这使得在普通互联网带宽（上行 110Mbps，下行 500Mbps）下，计算利用率保持在约 94.5%，20 个节点、每节点 8 张 GPU、每轮通信仅 70 秒。

Gauntlet 解决激励相容。它运行在 Bittensor 区块链（SN3）上，验证每个节点提交的“伪梯度”质量。具体做法：用少量数据测试“用该节点梯度后，模型损失降低了多少”，得到 LossScore。同时，检查节点是否用自己分配的数据训练——如果某节点在随机数据上的损失改善比在自己数据上还好，会被扣分。

最终，每轮只采纳评分最高的节点梯度，其他节点被淘汰，超出部分随时补位，保持系统稳健。整个训练中，平均每轮有 16.9 个节点参与，累计超过 70 个节点。

去中心化 AI 价值叙事的根本转变

从技术和行业角度看，Covenant-72B 代表的方向具有几个重要意义。

第一，打破“分布式训练只适合小模型”的预设。虽与最前沿模型仍有差距，但证明了可扩展性。

第二，无许可参与是真实可行的。此前多依赖白名单，SN3 这次任何有算力的人都能加入，验证机制过滤恶意贡献。这是向“真正去中心化”迈出的实质性一步。

第三，Bittensor 的 dTAO 机制让子网价值的市场发现成为可能。dTAO 允许子网发行自己的代币，通过 AMM 机制由市场决定 TAO 排放份额。这为产出具体成果的子网提供了价值捕获机制。当然，这也容易受叙事和情绪影响，模型训练成果的质量难以由普通市场参与者独立评估。

第四，去中心化 AI 训练的政治经济意义。Jack Clark 在《Import AI》中将此提升到“谁拥有 AI 未来”的层面。目前，最先进模型由少数大规模数据中心垄断，这不仅是商业问题，也是权力结构问题。若分布式训练持续突破，有望在某些模型（如特定领域的小型前沿模型）上形成真正的去中心化开发生态，但这一前景尚远。

总结：一个真正的里程碑，以及一系列真实的问题

黄仁勋表示，这像“现代版的 Folding@home”。Folding@home 在分子模拟领域做出贡献，但未威胁到大型制药公司的核心研发。这一比喻非常贴切。

SN3 证明了协议的可行性，验证了分布式训练的潜力。但从技术和行业角度看，这份成绩单背后，仍有许多少有人愿意深入讨论的问题：

• MMLU 本身在学界存在争议，题目和答案可能泄露训练集信息。更重要的是，基准的选择：论文对标的 LLaMA-2-70B 和 LLM360 K2，都是 2023-2024 年的老模型，而在问及 Grok、豆包时，得分中下，Claude 视为严重落后。若用更动态或抗污染的新基准，结论或许更真实。

• 决定模型能力上限的高质量数据——对话、代码、数学推导、科学文献——仍由少数大公司、出版机构和学术数据库掌控。算力民主化了，数据端仍是寡头结构，这个矛盾未被充分讨论。

• 安全性方面，无许可参与意味着你不知道那 70 多个节点的身份，也不清楚他们用什么数据训练。Gauntlet 能过滤明显异常梯度，但无法防范微妙的数据投毒——如果某节点系统性在有害内容上多训练几轮，可能引起模型偏移，但难以被检测。高合规场景（金融、医疗、法律）使用由匿名节点训练、数据来源不透明的模型，潜在风险巨大。

• Covenant-72B 以 Apache 2.0 许可证开源，不使用 SN3 代币。持有代币的价值在于未来模型产出带来的排放收益，而非模型使用的直接收益。这个价值链依赖持续训练和网络机制的健康运转。若训练停滞或成果不达预期，代币估值可能动摇。

列出这些问题，不是否定 Covenant-72B 的意义。它证明了曾被认为不可能的事可以实现，这一事实不会消失。但“做到了”与“意味着什么”是两回事。

过去一个月，SN3 代币涨了 440%。这中间的差距，可能不仅是炒作，而是叙事速度快于现实。未来，这段差距会被市场修正，还是被现实拉平，取决于 Covenant AI 团队接下来交出的成果。

值得关注的是，Grayscale 已在 2026 年 1 月提交 TAO ETF 申请，显示机构资本对这条赛道的兴趣。此外，2025 年 12 月，Bittensor 将每日 TAO 排放减半，供给端的结构性收紧也在酝酿中。

参考链接：