Huang Ren Xun Mention? SN3 Surged 5x in March, What Did It Actually Do?

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，没有任何中心化的数据中心参与。

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 在过去一个月涨逾 440%，过去两周涨逾 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，与之对比的是 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。它在 MMLU 测试中得分 67.1，大致与 Meta 2023 年的 LLaMA-2-70B（65.6）相当。

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、数学能力的差距已是数量级而非百分比。这一现实差距不应被市场情绪所掩盖。

但如果以“用开放互联网上的分布式算力训练出来”作为前提，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 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 在对话中介绍了 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，首先要明确 Bittensor 及其子网的运作逻辑。简单来说，Bittensor 是一条 AI 公链和平台，而每个子网就像一条独立的“AI 生产流水线”，各自明确核心任务、设计激励机制，共同构建去中心化 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，也不租用现成的大模型 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，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，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。奖励根据贡献“让模型变好多少”直接挂钩，而非单纯算力出勤，从根本解决“矿工摸鱼”的问题。

Covenant-72B 如何解决通信效率和激励相容？

让数十个不信任、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，标准方案要求高带宽低延迟；二是激励相容，如何防止恶意节点提交错误梯度，确保诚实训练。

SN3 采用两个核心组件：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 让每个节点在本地跑 30 步，然后压缩“伪梯度”上传。压缩方式包括 Top-k 稀疏、误差反馈和 2 位量化，压缩比超过 146 倍。

换句话说，原本 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，计算利用率达约 94.5%，20 个节点每轮通信仅需 70 秒。

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

每轮训练只采纳评分最高的节点梯度，其他节点被淘汰，系统保持稳健。平均每轮约 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。此前项目依赖白名单，SN3 允许任何有算力的人加入，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。子网可发行自己的代币，通过 AMM 机制由市场决定排放量。这为产出具体成果的子网提供了价值捕获途径，尽管叙事和情绪影响仍存，模型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 中提到，谁拥有 AI 的未来？当前，最先进模型由少数大规模数据中心机构垄断，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生态，但这一前景尚远。

总结：一个里程碑，伴随诸多问题

黄仁勋比喻这像“现代版的 Folding@home”。Folding@home 在分子模拟领域做出贡献，但未威胁到大型药企的核心研发。这个比喻很贴切。

SN3 验证了协议的可行性，但背后仍有许多少有人深入讨论的问题：

• MMLU 作为指标存在争议，题目和答案可能泄露训练集信息。更重要的是，基线模型（LLaMA-2-70B、LLM360 K2）为旧模型，实际表现可能被低估。若用更先进的基准，结论或会不同。

• 高质量训练数据（对话、代码、数学、文献）仍由少数巨头掌控，算力民主化了，数据端仍是寡头。

• 安全性方面，无许可参与意味着不知节点背后是谁，也不知数据来源。Gauntlet 能过滤明显异常，但微妙的投毒难以防范，可能带来安全隐患。

• Covenant-72B 以 Apache 2.0 开源，不使用 SN3 代币，持有代币代表未来模型产出收益，而非模型使用收益。价值链依赖持续训练和网络机制的健康运转，若训练停滞或质量下降，代币估值会受影响。

列出这些问题，不是否定 Covenant-72B 的意义，而是提醒：它证明了不可能的事可以实现，但实现了意味着什么，还需深思。

TAO 代币过去一个月涨了 440%，这背后或许不仅是炒作，更是叙事快于现实。未来，这段距离会被市场修正，还是被现实拉近，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：