Bittensor є надією всього крипто селища

Автор: 0xai

Щиро дякуємо @DistStateAndMe та їхній команді за внесок у галузі відкритих AI-моделей, а також за цінні поради та підтримку у цій статті.

Чому вам варто звернути увагу на цей звіт

Якщо “децентралізоване навчання AI” вже стало можливим, наскільки недооцінений Bittensor?

На початку 2026 року вся крипто-спільнота відчувала втому.

Післясмак попереднього бичачого ринку давно зник, і таланти швидко перетікали у галузь AI. Ті, хто раніше говорили про “наступний 100х”, тепер обговорюють Claude CodeOpenclaw. “Крипто — це марна трата часу” — цю фразу ви, можливо, чули не один раз.

Але 10 березня 2026 року один із підмереж Bittensor під назвою Templar тихо оголосив про одну важливу подію.

Більше ніж 70 незалежних учасників з усього світу, без центральних серверів і великих компаній, лише за допомогою крипто-стимулів спільно тренували великий AI-модель з 720 мільярдами параметрів.

Модель і відповідна наукова робота вже опубліковані на HuggingFace та arXiv, дані відкриті та перевіряються.

Що важливо: у кількох ключових тестах ця модель перевищила результати моделей того ж рівня, які коштували Meta мільйони доларів на тренування.

Після оголошення ціна TAO майже два дні залишалася мовчазною. Лише на третій день почалася стрімка зростання, і за шість днів вона зросла приблизно на 40%. Чому був цей двотижневий затримка?

Основна ідея цього звіту: інвестори у крипто бачать “ще одну відкриту модель”, яка здається слабшою за GPT або Claude у повсякденному використанні; дослідники AI не звертають уваги на крипто. Цей розрив у розумінні створює вікно для цінового арбітражу.

Структура читання

Цей звіт складається з двох логічних частин:

Частина I — Технічний прорив: пояснює, що саме зробив SN3 Templar і чому ця подія важлива в історії AI та крипто.

Частина II — Галузеве значення: чому ця подія означає системну недооцінку екосистеми Bittensor і чому Bittensor — це надія всього криптовалютного співтовариства.

Частина I: прорив у децентралізованому навчанні AI

1. Що таке SN3?

Що потрібно для тренування великої мовної моделі?

Традиційна відповідь: побудувати величезний дата-центр, купити тисячі високопродуктивних GPU, витратити сотні мільйонів доларів, і все це координується командою інженерів однієї компанії. Це підходи Meta, Google, OpenAI.

Підхід SN3 Templar: дозволити розподіленим по всьому світу учасникам використовувати по одній або кілька GPU-серверів, зібравши обчислювальні ресурси, як пазл, для спільного тренування цілого великого моделю.

Але тут виникає фундаментальна проблема: якщо учасники з усього світу, не довіряють один одному, і мережеві затримки нестабільні, як гарантувати, що результати тренування будуть ефективними? Як запобігти ліні або шахрайству? Як мотивувати учасників постійно вносити вклад?

Bittensor дає відповідь: використовуючи токен TAO як стимул. Чим ефективніше градієнт (можна зрозуміти як “вклад у покращення моделі”), тим більше TAO отримує учасник. Система автоматично оцінює та розраховує винагороди без централізованих органів.

Це і є SN3 (третя підмережа) — кодова назва Templar.

Якщо Bitcoin довів, що децентралізовані “гроші” можливі, то SN3 доводить, що децентралізоване “навчання AI” теж можливо.

2. Що досягнуто SN3?

10 березня 2026 року SN3 Templar оголосив про завершення тренування великої мовної моделі Covenant-72B.

Що означає “72B”? — 720 мільярдів параметрів. Параметри — це “запам’ятовувальні одиниці” знань моделі, чим їх більше, тим модель зазвичай розумніша. GPT-3 має 1750 млрд, LLaMA-2 (відкритий флагман Meta) — 700 млрд. Covenant-72B — у тому ж масштабі.

Масштаб тренування: приблизно 1.1 трильйона слів (tokens), що приблизно відповідає 5.5 мільйонів книжок (при 200 тисячах слів у книжці).

Хто брав участь? — понад 70 незалежних учасників (майнерів), які внесли обчислювальні ресурси (зазвичай до 20 вузлів у синхронізації). Тренування почалося 12 вересня 2025 року і тривало близько 6 місяців. Без централізованих серверів і організацій.

Як модель показала себе? — порівняння за популярними тестами AI:

Джерело даних: HuggingFace 1Covenant/Covenant-72B-Chat

MMLU (57 предметів): Covenant-72B — 67.35% проти Meta LLaMA-2 — 63.08%

GSM8K (математичне мислення): Covenant-72B — 63.91% проти LLaMA-2 — 52.16%

IFEval (здатність слідувати інструкціям): Covenant-72B — 64.70% проти LLaMA-2 — 40.67%

Відкритий код: ліцензія Apache 2.0. Кожен може безкоштовно завантажити, використовувати і комерційно застосовувати без обмежень.

Наукове підтвердження: стаття подана на arXiv [2603.08163], ключові технології (SparseLoCo — оптимізатор і Gauntlet — механізм антишахрайства) представлені на NeurIPS Optimization Workshop.

3. Що означає цей результат?

Для відкритої AI-спільноти: раніше через високі витрати і обчислювальні бар’єри тренування моделей такого масштабу були привілеєм великих компаній. Covenant-72B вперше довів, що спільнота без централізованого фінансування може тренувати моделі такого ж рівня. Це змінює межі участі у розробці базових моделей AI.

Для структури влади у AI: нинішній ландшафт — висококонцентровані гравці: OpenAI, Google, Meta, Anthropic. Децентралізоване тренування ставить під сумнів цю монополію. Ідея, що “тільки великі компанії можуть створювати базові моделі”, — піддається сумніву.

Для криптоіндустрії: це перший випадок, коли крипто-проєкт реально зробив технологічний внесок у галузь AI, а не просто “підтягнувся” до тренду. Covenant-72B має моделі на HuggingFace, статті на arXiv і відкриті бенчмарки. Це прецедент: крипто-стимули можуть стати основою для серйозних AI-розробок.

Для самого Bittensor: успіх SN3 перетворює його з “теоретичного децентралізованого протоколу AI” у “практично підтверджену децентралізовану інфраструктуру AI”. Це якісний стрибок від 0 до 1.

4. Історична роль SN3

Децентралізоване тренування AI — не перша спроба, але SN3 досягнув рівня, на якому інші не зважили.

Еволюція децентралізованого тренування:

2022 — Together GPT-JT (6B): ранні дослідження, довели можливість мульти-нодового співробітництва

2023 — SWARM Intelligence (~1B): запропоновано гетерогенну архітектуру для співпраці вузлів

2024 — INTELLECT-1 (10B): міжорганізаційне децентралізоване тренування

2026 — Covenant-72B / SN3 (72B): перша модель такого масштабу, що перевищує результати централізованого тренування на популярних бенчмарках

За 4 роки параметри зросли з 6B до 72B — у 12 разів. Але важливо не лише кількість параметрів, а й якість: Covenant-72B — перша децентралізована модель, що перевищує централізовані аналоги на основних тестах.

Ключові технологічні прориви:

99% компресії (більше 146 разів): при передачі градієнтів учасники передають менше GB даних — SparseLoCo стискає їх у понад 146 разів, з мінімальними втратами.

Лише 6% комунікаційних витрат: з 100 учасників лише 6% часу витрачається на комунікацію, решту — на тренування. Це вирішує один із головних вузьких місць децентралізованого тренування.

5. Чи недооцінено децентралізоване тренування?

Розглянемо дані:

MMLU 67.35% проти LLaMA-2 63.08%

MMLU-Pro 40.91% проти LLaMA-2 35.20%

IFEval 64.70% проти LLaMA-2 40.67%

Модель Covenant-72B вже перевищує LLaMA-2-70B, створену за мільйони доларів.

Різниця з провідними відкритими моделями (честно):

MMLU: Covenant-72B — 67.35% проти Qwen2.5-72B — 86.8%, LLaMA-3.1-70B — 83.6%

GSM8K: Covenant-72B — 63.91% проти Qwen2.5-72B — 95.8%, LLaMA-3.1-70B — 95.1%

Різниця — близько 20-30 пунктів.

Але важливо враховувати контекст: Covenant-72B — не для боротьби з SOTA, а для доведення можливості децентралізованого тренування. Qwen2.5 і LLaMA-3.1 — це мільярди інвестицій і тисячі GPU, а Covenant-72B — понад 70 незалежних майнерів без централізованого керування.

Тренд важливіший за окремий знімок:

2022 — найкраща децентралізована модель — 6B, без окремих тестів MMLU.

2026 — 72B модель з MMLU 67.35%, що перевищує аналоги від Meta.

За 4 роки децентралізоване тренування перейшло від концептуальних експериментів до рівня, що може конкурувати з централізованими моделями. Цей тренд — важливіший за будь-який окремий бенчмарк.

Крім того, у глибокій логіці розв’язання проблеми різниці у здатностях Covenant-72B вже закладено — SN81 Grail відповідає за подальше навчання з підсиленням (RLHF), що робить модель більш узгодженою та здатною.

Heterogeneous SparseLoCo — наступний великий крок: наразі SN3 вимагає однакових GPU у всіх майнерів. Наступний прорив — Heterogeneous SparseLoCo, що дозволить змішане обладнання (B200, A100, споживчі GPU) працювати разом. Це значно розширить обчислювальний пул для наступних раундів тренування.

Децентралізоване тренування вже перейшло межу можливості. Різниця у показниках на бенчмарках — це інженерна задача, а не фундаментальна теорема.

Частина II: ринок ще не зрозумів цього

Цінова динаміка TAO

Після оголошення SN3 ціна TAO показала, що ця недооцінка триває:

Затримка у 2 дні (3/10 — 3/12): оголошення — ціна майже не змінилася.

Чому так? — інвестори у крипто сприймають новину як “Bittensor SN3 завершив тренування AI-моделі”, але не розуміють її технічного значення — що 72B децентралізоване тренування перевищує Meta у MMLU.

Дослідники AI розуміють цю цінність, але не цікавляться крипто.

Цей розрив у розумінні створює вікно у 2-3 дні для цінового арбітражу.

Більшість криптоінвесторів досі оцінюють Bittensor за старими уявленнями. Зараз у Bittensor понад 79 активних підмереж, що охоплюють AI-агентів, обчислювальні ресурси, тренування, торгівлю AI і робототехніку. Коли ринок переоцінить цю екосистему, цей розрив закриється — і зазвичай це супроводжується різким зростанням цін.

Оцінка Bittensor і дисбаланс

Якщо поставити Bittensor у ширший контекст:

SN3 довів, що Bittensor може тренувати великі моделі у децентралізованому режимі.

Якщо у майбутньому AI стане відкритою, безліцензійною мережею тренувань, то наразі єдиною підтвердженою інфраструктурою є саме Bittensor.

Ринок оцінює цю мережу як інфраструктурний рівень AI.

Навіть у межах крипто: Bitcoin займає 50-60% ринку криптовалют, тоді як Bittensor у AI-галузі — лише 11.5%.

Коли ринок переосмислить роль Bittensor у AI, цей дисбаланс зникне.

Висновок: Bittensor — надія всього криптовалютного співтовариства

Якщо Covenant-72B довів щось, то це: децентралізована мережа може координувати не лише капітал, а й обчислювальні ресурси та передові AI-розробки.

За останні роки крипто у галузі AI здебільшого залишалося на периферії. Багато проектів — це концептуальні обгортки, емоційний хай або капітальні історії, без реальних технологічних досягнень. SN3 — яскравий приклад іншого підходу.

Він не запускав новий токен або “AI + Web3” застосунок, а зробив щось набагато глибше і складніше:

— без централізованого керування тренував модель з 72B параметрів;

— учасники — з усього світу, без довіри один до одного;

— система автоматично координує внески і розподіл винагород через стимулюючі механізми на блокчейні.

Це перший випадок, коли крипто-інструменти створили реальну виробничу потужність у AI.

Багато хто ще не усвідомлює історичного значення SN3. Як і багато років тому Bitcoin довів не “кращий платіж”, а здатність до безцентрової валідації цінності.

Зараз багато хто бачить лише бенчмарки, релізи моделей або цінові коливання.

Але справжня зміна у тому, що Bittensor доводить:

Крипто — це не лише випуск активів, а й організація виробництва;

Крипто — це не лише торгівля увагою, а й створення інтелекту;

Відкриті спільноти можуть писати код, академія — публікувати статті, але коли мова йде про масштабне тренування, довгострокову співпрацю, міжрегіональні розподіли, антишахрайство і розподіл доходів, доброчесність і репутація вже недостатні:

— без економічних стимулів — немає стабільного постачання;

— без верифікованих систем нагород і покарань — немає довгострокової співпраці;

— без токенізованої координації — неможливо створити справжню глобальну, безліцензійну мережу AI.

Отже, чи недооцінений Bittensor? Відповідь — не “можливо”, а “яскраво і системно”.

У всій дискусії про те, чи має ще сенс крипто, Bittensor дає найсильнішу відповідь у галузі.

Саме тому: Bittensor — надія всього криптовалютного співтовариства.