Jensen Huang l'a-t-il mentionné ? SN3 a augmenté 5 fois en un mois, qu'a-t-il vraiment fait ?

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上的一个项目“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，即3月16日，Anthropic联合创始人Jack Clark在发布AI研究进展报告时，也用大量篇幅重点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则继续运行专有大模型。

市场反应略显滞后但极为剧烈：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，直接带动TAO的购买压力。因此，TAO快速上涨，一度达到377美元，过去一个月翻倍，FDV（完全稀释市值）约为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，首先要看清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显卡），在约1.1万亿tokens的语料上完成了预训练。

Templar提供了在基准测试方面的一些数据，当然，对比的基准是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年可能显得有些过时。它在MMLU上的得分为67.1，大致对应Meta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”这个前提下，意义就完全不同了。

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）在MMLU上的得分为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，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，从全球各地连接贡献算力。

黄仁勋说了什么，没说什么

还原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在对话中将Bittensor的技术成就展现给黄仁勋，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”。黄仁勋回应将其比作“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，Yuma共识算法会根据各子网累积的奖励，向子网参与者分配收益。

目前Bittensor上有128个子网，涵盖推理、无服务器AI云服务、图像、数据标注、强化学习、存储、计算等多类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产业链中最昂贵、最封闭的核心环节之一：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）。三者形成垂直整合，完整覆盖大模型从预训练到对齐优化的全流程，构建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；验证者评估每个矿工的贡献质量，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”，而非单纯的算力出勤。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模型，面临两个挑战：一是通信效率，标准的分布式训练要求节点间高带宽、低延迟；二是激励相容，如何防止恶意节点提交错误梯度？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。传统分布式训练每步都需同步完整梯度，数据量巨大。SparseLoCo采用：每个节点在本地运行30步内部优化（AdamW），然后将产生的“伪梯度”压缩后上传。压缩方式包括Top-k稀疏（只保留最关键的梯度分量）、误差反馈（将丢失部分累积到下一轮）、以及2位量化。最终压缩比超过146倍。

换句话说，原本需传输100MB的内容，现在不到1MB即可。

这使得在普通互联网带宽（上行110Mbps，下行500Mbps）条件下，系统计算利用率保持在约94.5%——20个节点、每节点8块B200、每轮通信仅需70秒。

Gauntlet解决激励相容。它运行在Bittensor区块链（子网3）上，负责验证每个节点提交的伪梯度质量。具体做法：用一小批数据测试“用该节点梯度后，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，会被打负分。

最终，每轮只采纳评分最高的节点梯度参与聚合，其他节点被淘汰。超出部分会随时补位，保持系统稳健。整个训练过程中，平均每轮有16.9个节点的梯度被纳入，累计参与节点超过70个。

去中心化AI的价值叙事，正发生根本性转变

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，但证明了此路径的可扩展性。

第二，无许可参与是真实可行的。这一点被低估。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此次训练中，任何拥有足够算力的人都可加入，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机制使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机制由市场决定哪些子网获得更多TAO分配。这为像SN3这样产出具体成果的子网提供了粗糙但有效的价值捕获机制。当然，这套机制也容易被叙事和情绪干扰，LLM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中将此问题提升到“谁拥有AI的未来”层面。目前，最前沿模型训练被少数拥有大规模数据中心的机构垄断，这不仅是商业问题，也是权力结构问题。若分布式训练持续取得技术突破，或在某些模型（如特定领域的小型前沿模型）中形成真正的去中心化开发生态，前景虽远，但值得期待。

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地位。这一比喻非常贴切。

SN3验证了协议的可行性，证明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，仍存在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年的旧模型，而在问及Grok、豆包时，这些模型的得分被视为中下游甚至入门级水平。若用更动态或抗污染的新基准，结论或许会不同。

• 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——大概率掌握在大公司、出版机构和学术数据库手中。算力民主化了，数据端仍由寡头控制，这一矛盾未被充分讨论。

• 安全性方面，无许可参与意味着你无法知晓那70多个节点的身份，也不清楚他们用什么数据训练。Gauntlet能过滤明显异常的梯度，但无法防范微妙的数据投毒——如果某节点系统性地在某类有害内容上多训练几轮，产生的微小偏移可能通过损失评分筛查，但对模型行为产生累积影响。最终在金融、医疗、法律等高合规场景中，使用由少数匿名节点训练、数据来源不透明的模型，潜在风险巨大。

• 另一个结构性问题：Covenant-72B以Apache 2.0开源，不使用SN3代币。持有SN3代币，获得的是未来持续产出新模型的排放收益，而非模型使用的直接收益。这个价值链依赖持续的训练产出和网络排放机制的健康运转。若未来训练停滞或新模型质量不达预期，代币估值将动摇。

列出这些问题，并非否定Covenant-72B的意义。它证明了曾被认为不可能的事情可以实现，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代币上涨了440%。这中间的距离，可能不仅仅是炒作，而是叙事速度快于现实。未来，这段距离会被市场逐步填平，还是被市场修正消化，取决于Covenant AI团队接下来交出的实际成果。

值得关注的是，Grayscale已于2026年1月提交TAO ETF申请，显示机构资本对这条赛道的兴趣逐渐升温。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：