Bittensor生態代幣 $N 3 月漲 5 倍，黃仁勳一句話背後發生了什麼？

原文標題：《黃仁勳點名？SN3 月漲 5 倍，到底做了什麼》

原文作者：KarenZ，Foresight News

2026 年 3 月 20 日，All-In 創投播客裡有一幕並不尋常的對話。

風投大佬 Chamath Palihapitiya 把話頭遞給了英偉達 CEO 黃仁勳，說 Bittensor 上有個項目「完成了一件相當瘋狂的技術成就」，用分佈式算力在互聯網上訓練了一個大型語言模型，過程完全去中心化，沒有任何中心化的數據中心參與。

黃仁勳沒有回避。他把這件事對標到「Folding@home 的現代版本」，那個在 2000 年代讓普通用戶貢獻閒置算力、共同對抗蛋白質折疊難題的分佈式項目。

在此之前的 4 天前，3 月 16 日，Anthropic 聯合創始人 Jack Clark 在發布一期 AI 研究進展報告中，也用大量篇幅重點介紹和引用這項突破：Bittensor 生態子網 Templar（SN3）完成 720 億參數大模型（Covenant 72B）的分佈式訓練，模型性能與 Meta 2023 年發布的 LLaMA-2 相當。

Jack Clark 為該章節命名為「通過分佈式訓練挑戰 AI 政治經濟學」，並在分析中強調，這是一項值得持續追踪的技術——他能想像一個未來：設備端 AI 大量採用去中心化訓練產出的模型，而雲端 AI 則繼續運行專有大模型。

市場的反應略微滯後但非常劇烈：SN3 過去一個月漲逾 440%，過去兩周漲逾 340%，市值達到 1.3 億美元。子網的叙事爆發，會直接傳導為 TAO 的購買壓力。也因此，TAO 快速上漲，一度達到 377 美元，過去一個月翻倍，FDV 達到約 75 億美元。

問題來了：SN3 到底做了什麼？為何會被推至聚光燈下？分佈式訓練和去中心化 AI 的價值叙事又將如何演變？

那個 72B 的模型

要回答這個問題，得先看清楚 SN3 交出的成績單。

2026 年 3 月 10 日，Covenant AI 團隊在 arXiv 上發布了一篇技術報告，正式宣告 Covenant-72B 完成訓練。這是一個 720 億參數的大型語言模型，超過 70 個獨立節點 peers（每輪約 20 個節點同步，每個節點配備 8 張 B200），在約 1.1 萬億 tokens 的語料上完成了 720 億參數模型的預訓練。

Templar 給出了在基準測試方面的一些數據，當然，對比的 LLaMA-2-70B 為 Meta 在 2023 年發布的大模型。正如 Anthropic 聯合創始人 Jack Clark 所說，Covenant-72B 放在 2026 年可能有些過時了。Covenant-72B 在 MMLU 上的 67.1 分，大致對標的是 Meta 2023 年發布的 LLaMA-2-70B（65.6 分）。

而 2026 年的前沿模型——無論是 GPT 系列、Claude 還是 Gemini——早已在數十萬塊 GPU 上完成了參數量遠超 1000 億的訓練，推理、代碼、數學能力的差距是數量級而非百分比的問題。這個現實差距不應該被市場情緒淹沒。

但換算到「用開放互聯網上的分佈式算力訓練出來」這個前提下，意味就完全不同了。

來做個比較：同為去中心化訓練的 INTELLECT-1（Prime Intellect 團隊出品，100 億參數）MMLU 得分 32.7；另一個在白名單參與者中進行的分佈式訓練項目 Psyche Consilience（400 億參數）得分 24.2。Covenant-72B 以 72B 的規模、67.1 的 MMLU 分數，在去中心化訓練賽道中是個顯眼的數字。

更關鍵的是，這次訓練是「無需許可」的。任何人都可以接入成為參與節點，不需要事先審核，不需要白名單。超過 70 個獨立節點參與了模型更新，從全球各地連接貢獻算力。

黃仁勳說了什麼，沒說什麼

還原一下那場播客對話的細節，有助於校正外界對這次「背書」的解讀。

Chamath Palihapitiya 在對話中把 Bittensor 的技術成就呈現給黃仁勋，並描述為用分佈式算力訓練了一個 Llama 模型，過程「完全分佈式，同時保持狀態」。黃仁勋的回應是把這比作「現代版的 Folding@home」，並展開討論了開源與專有模型並行共存的必要性。

值得注意的是，黃仁勋沒有直接提到 Bittensor 的代幣或任何投資含義，也沒有進一步討論去中心化 AI 訓練。

理解 Bittensor 子網和 SN3

要理解 SN3 的突破，首先需明確 Bittensor 及其子網的運作邏輯。簡單來說，Bittensor 可看作是一條 AI 公鏈和平台，而每個子網就相當於一條獨立的「AI 生產流水線」，各自明確核心任務、設計激勵機制，協同構成去中心化 AI 生態。

其運作流程清晰且去中心化：子網所有者定義子網目標並編寫激勵模型；礦工在子網中提供算力、完成 AI 相關任務（如推理、訓練、存儲等）；驗證者對礦工的貢獻進行打分，並將評分上傳至 Bittensor 共識層；最終，Bittensor 的 Yuma 共識算法會根據各子網累積的獎勵，向子網參與者分配相應收益。

目前 Bittensor 上有 128 個子網，覆蓋推理、無伺服器 AI 雲服務、圖像、數據標註、強化學習、存儲、計算等各類 AI 任務。

而 SN3 就是其中的一個子網。它不做應用層套殼，不租用現成的大模型 API，而是直接瞄準了整個 AI 產業鏈裡最貴、最封閉的核心環節之一：大模型預訓練本身。

SN3 希望利用 Bittensor 網路協調異構計算資源的分佈式訓練，通過激勵式分佈式大模型訓練，證明無需昂貴的中心化超級計算機集群，同樣可以訓練出強大的基礎模型。核心吸引力在於「平權」——打破中心化訓練的資源壟斷，讓普通個體或中小機構也能參與大模型訓練，同時借助分佈式算力降低訓練成本。

推動 SN3 發展的核心力量是 Templar，其背後的研究團隊為 Covenant Labs。該團隊還同時運營著另外兩個子網：Basilica（SN39，專注計算服務）和 Grail（SN81，專注 RL 後訓練與模型評估）。三個子網形成垂直整合，完整覆蓋了大模型從預訓練到對齊優化的全流程，構建起去中心化大模型訓練的完整生態。

具體而言，礦工貢獻計算資源，將梯度更新（模型參數的調整方向和力度）上傳至網路；驗證者評估每位礦工的貢獻品質，按照誤差改善幅度給予鏈上評分。結果決定獎勵權重，自動分配，無需信任任何第三方。

激勵機制設計的關鍵是，獎勵直接掛鉤「你的貢獻讓模型變好了多少」，而非單純的算力出勤。這就從根本上解決了去中心化場景中最難的問題：如何防止礦工摸魚。

那 Covenant-72B 如何解決通訊效率和激勵相容問題？

讓幾十個互不信任、硬件各異、網路質量參差不齊的節點協同訓練同一個模型，挑戰有兩個：一是通訊效率，標準的分佈式訓練方案要求節點間高帶寬、低延遲的互聯；二是激勵相容，如何防止惡意節點提交錯誤的梯度？如何確保每個參與者都在老老實實訓練，而不是抄襲他人的結果？

SN3 用兩個核心組件解決了這兩個問題：SparseLoCo 和 Gauntlet。

SparseLoCo 解決通訊效率問題。傳統的分佈式訓練每一步都要同步完整梯度，數據量巨大。SparseLoCo 採用的方案是：每個節點在本地跑完 30 步的內部優化（AdamW），然後把產生的「偽梯度」壓縮後再上傳給其他節點。壓縮方式包括 Top-k 稀疏化（只保留最關鍵的梯度分量）、誤差反饋（把被丟掉的部分存起來累積到下一輪）、以及 2 位量化。最終的壓縮比超過 146 倍。

換句話說，原本需要傳輸 100MB 的東西，現在不到 1MB 就夠了。

這讓系統在普通互聯網（上行 110Mbps，下行 500Mbps）的帶寬限制下，把計算利用率維持在約 94.5%——20 個節點、每節點 8 塊 B200、每輪通訊耗時僅 70 秒。

Gauntlet 解決激勵相容問題。它運行在 Bittensor 區塊鏈（Subnet 3）上，負責驗證每個節點提交的偽梯度品質。具體方式是：用一小批數據測試「用上這個節點的梯度後，模型損失降低了多少」，結果稱為 LossScore。同時，系統還檢查節點是否在用自己分配到的數據訓練——如果一個節點在隨機數據上的損失改善比在自己分配數據上還好，會被打負分。

最終，每輪訓練只選取評分最高的節點的梯度參與聚合，其餘節點被淘汰出這一輪。超出的參與者會隨時補位，使系統保持穩健。整個訓練過程中，平均每輪有 16.9 個節點的梯度被納入聚合，累計參與過的唯一節點 ID 超過 70 個。

去中心化 AI 的價值敘事，正在發生根本性轉變

從技術和行業視角看這件事，Covenant-72B 代表的方向有幾個真實的意義。

第一，打破了「分佈式訓練只適合小模型」的預設。儘管和前沿模型還差得遠，但證明了這個方向的可擴展性。

第二，無許可參與是真實可行的。這一點被低估了。此前的分佈式訓練項目依賴白名單——只有經過審核的參與者才能貢獻算力。SN3 這次訓練中，任何擁有足夠算力的人都可以接入，驗證機制負責過濾惡意貢獻。這是向「真正去中心化」邁出的具體一步。

第三，Bittensor 的 dTAO 機制讓子網價值的市場發現成為可能。dTAO 允許每個子網發行自己的 Alpha 代幣，通過 AMM 機制讓市場來決定哪些子網獲得更多的 TAO 排放。這為像 SN3 這樣產出了具體成果的子網提供了一套粗糙但有效的價值捕獲機制。當然，這套機制同樣容易被敘事和情緒干擾，LLM 訓練成果的質量很難被普通市場參與者獨立評估。

第四，去中心化 AI 訓練的政治經濟含義。Jack Clark 在 Import AI 中把這個問題提升到「誰擁有 AI 的未來」這個層面。當前前沿模型訓練被少數擁有大規模數據中心的機構壟斷，這不只是商業問題，也是權力結構問題。分佈式訓練如果能持續取得技術進展，有可能在某些模型類型（如特定領域的小規模前沿模型）上形成真正去中心化的開發生態。當然，這個前景目前還遠。

小結：一個真實的里程碑，以及一堆真實的問題

黃仁勋說，這像「現代版的 Folding@home」。Folding@home 在分子模擬領域做出了真實貢獻，但它沒有威脅到大型製藥公司的核心研發地位。這個類比非常準確。

SN3 跑通了協議，驗證了分佈式訓練的可行方向。但從技術和行業視角看，它交出的這份成績單背後，還有一堆很少有人願意認真討論的問題：

MMLU 本身在學界也是一個充滿爭議的指標，公開基準的題目與答案存在洩漏進訓練集的風險。更值得關注的是比較基線的選取：論文所對標的 LLaMA-2-70B 與 LLM360 K2 均為 2023 至 2024 年的老模型，而同一區間的 65 至 70 分，在問及 Grok、豆包時均被歸為中下游與入門級水平，在 Claude 看來則屬嚴重落後。若將其置於動態更新的榜單或具備抗污染設計的新一代基準之上，結論或許會更加誠實。

更關鍵的是，決定模型能力上限的高質量數據——對話數據、程式碼、數學推導、科學文獻，大概率在各大公司、出版機構和學術數據庫手裡。算力民主化了，數據端依然是寡頭結構，這個矛盾沒有被討論過。

關於安全性，無許可參與意味著你不知道那 70 多個節點背後是誰，也不知道他們在用什麼數據訓練。Gauntlet 能過濾明顯異常的梯度，但無法防範微妙的數據投毒——如果一個節點系統性地在某類有害內容方向多訓練幾輪，產生的梯度變化足夠細微，能通過損失評分篩查，但對模型行為產生累積偏移。最終的問題是：在金融、醫療、法律這類高合規、安全要求的場景，使用一個由少數匿名節點參與訓練、數據來源追溯不完整的模型，會帶來怎樣的隱患？

還有一個結構性問題值得直說：Covenant-72B 本身以 Apache 2.0 許可證開源，不使用 SN3 代幣。持有 SN3 代幣，分享的是這個子網未來持續產出新模型所帶來的排放收益，而不是模型被使用時的任何直接收益。這個價值鏈條，依賴於持續的訓練產出，以及 Bittensor 整體網路排放機制的健康運轉。如果未來訓練停滯，或者新的訓練成果質量不達預期，代幣的估值邏輯就會鬆動。

把這些問題列出來，不是為了否定 Covenant-72B 的意義。它證明了一件以前被認為不可能的事情可以做到，這個事實不會消失。但做到了，和它意味著什麼，是兩件不同的事情。

SN3 代幣過去一個月上漲 440%。這其中的距離，可能並非單純的炒作，而是敘事的速度總是快於現實的速度。至於這段距離最終會被現實填補，還是被市場修正消化，取決於 Covenant AI 團隊接下來真正交出什麼。

值得關注的是，Grayscale 已在 2026 年 1 月份提交 TAO ETF 申請，指向機構資本對這條賽道的進場信號。此外，2025 年 12 月 Bittensor 將每日 TAO 排放減半，供給端的結構性收緊還在發酵。

原文連結