Почему вам следует прочитать этот отчет

Если децентрализованное обучение ИИ стало возможным благодаря стечению обстоятельств, насколько недооценен Bittensor?

В начале 2026 года чувство истощения охватило все криптопространство.

Послевкусие последнего бычьего рынка давно угасло, и талантливые специалисты всё чаще устремлялись в сферу искусственного интеллекта. Те, кто раньше говорил о «следующем стократном росте», теперь обсуждали Claude Code и OpenClaw. «Крипто - пустая трата времени» - вы, вероятно, слышали это не раз.

Но 10 марта 2026 года подсеть Bittensor под названием Templar незаметно сделала объявление.

Более 70 независимых участников со всего мира - без центрального сервера и корпоративной координации - совместно обучили языковую модель с 72 миллиардами параметров , используя исключительно механизмы криптографического стимулирования.

Что еще более важно: по нескольким ключевым показателям эта модель превзошла централизованно обученную модель Meta того же класса.

После объявления цена TAO оставалась неизменной почти два дня. Рост начался только на третий день, и спустя шесть дней он не прекращался - общий прирост составил примерно +40%.

Почему задержка составила два дня?

Основной тезис этого отчета: криптоинвесторы увидели «еще одну модель с открытым исходным кодом» и предположили, что она не сможет сравниться с GPT или Claude, которыми они пользуются ежедневно; исследователи в области ИИ не обращают внимания на криптовалюты.

Пропасть между этими двумя мирами создает окно для когнитивного арбитража.

Структура чтения

Данный отчет разделен на две логические части:

Часть I — Технический прорыв: чего на самом деле добился SN3 Templar и почему это важно в истории искусственного интеллекта и криптовалют.

Часть II — Последствия для отрасли: Почему это означает, что экосистема Bittensor систематически недооценена.

Часть I: Прорыв в децентрализованном обучении ИИ

1. Что делает SN3?

Что необходимо для обучения большой языковой модели?

Традиционный ответ : построить огромный центр обработки данных, купить тысячи высокопроизводительных графических процессоров, потратить десятки миллионов долларов и поручить координацию всей этой работы инженерной команде компании. Именно так поступают Meta, Google и OpenAI.

Подход SN3 Templar : позволить людям, разбросанным по всему миру, предоставить по одному или нескольким серверам с графическими процессорами, объединяя вычислительные мощности, как в пазле, для совместного обучения большой модели.

Но здесь кроется основная проблема: если участники распределены по всему миру, не доверяют друг другу и сталкиваются с нестабильной задержкой в ​​сети - как обеспечить достоверность результатов обучения? Как предотвратить использование чужих ресурсов или мошенничество? Как стимулировать постоянный вклад?

Ответ Bittensor : используйте токен TAO в качестве поощрения. Чем эффективнее градиенты участника (рассматривайте их как «вклад в улучшение модели»), тем больше TAO он зарабатывает. Система автоматически подсчитывает и рассчитывает результаты - централизованный орган не требуется.

Это подсеть SN3 (Subnet 3) компании Bittensor, имеющая кодовое название Templar .

Если Биткойн доказал, что децентрализованные деньги возможны, то SN3 доказывает, что децентрализованное обучение ИИ тоже возможно.

2. Чего удалось достичь SN3?

10 марта 2026 года SN3 Templar объявила о завершении разработки крупной языковой модели под названием Covenant-72B .

Что означает "72B"? : 72 миллиарда параметров. Параметры — это "единицы хранения знаний" модели ИИ — чем больше их, тем, как правило, умнее модель. У GPT-3 их 175 миллиардов; у LLaMA-2 (флагманского проекта Meta с открытым исходным кодом) — 70 миллиардов. Covenant-72B находится в одной лиге с LLaMA-2.

Насколько масштабным был тренировочный запуск? : Приблизительно 1,1 триллиона токенов - что эквивалентно примерно 5,5 миллионам книг (по 200 000 слов в каждой).

Кто участвовал? : Более 70 независимых майнеров предоставили вычислительные ресурсы в ходе обучения (с ограничением синхронизации примерно в 20 узлов за раунд). Обучение началось 12 сентября 2025 года и продолжалось около шести месяцев. Отсутствовал центральный сервер и координирующая организация.

Как работает модель? : Используя стандартные тесты производительности ИИ:

• MMLU (комплексные знания по 57 предметам): Covenant-72B 67,35% против Meta LLaMA-2 63,08%.
• GSM8K (математическое обоснование): Covenant-72B 63,91% против Meta LLaMA-2 52,16%.
• IFEval (способность следовать инструкциям): Covenant-72B 64,70% против Meta LLaMA-2 40,67%.

Полностью открытый исходный код : лицензия Apache 2.0. Любой может скачать, использовать и коммерциализировать его - без ограничений.

Основные методики (оптимизатор SparseLoCo и механизм защиты от мошенничества Gauntlet) были опубликованы на семинаре по оптимизации NeurIPS.

3. Что означает это достижение?

Для сообщества разработчиков ИИ с открытым исходным кодом : В прошлом обучение моделей класса 70B было исключительной прерогативой нескольких крупных корпораций - из-за финансовых и вычислительных барьеров. Covenant-72B впервые доказывает, что сообщество, не имеющее централизованного финансирования, может обучить модель эквивалентного масштаба. Это меняет правила участия в разработке фундаментальных моделей ИИ.

Что касается структуры власти в сфере ИИ : сегодня рынок базовых моделей сильно сконцентрирован - OpenAI, Google, Meta и Anthropic контролируют самые мощные базовые модели. Жизнеспособность децентрализованного обучения означает, что этот барьер может оказаться не непреодолимым. Впервые поколебалось предположение, что «только крупные компании могут создавать базовые модели» .

Для криптоиндустрии : это первый случай, когда криптопроект внес реальный технический вклад в область ИИ, а не просто воспользовался ажиотажем. У Covenant-72B есть модель HuggingFace, статья на arXiv и общедоступные данные для бенчмаркинга. Это создает прецедент: механизмы стимулирования в криптоиндустрии могут служить инфраструктурой для серьезных исследований в области ИИ .

Что касается самого Bittensor : успех SN3 превращает Bittensor из «теоретически жизнеспособного децентрализованного протокола ИИ» в « практически подтвержденную децентрализованную инфраструктуру ИИ ». Это переломный момент, от нуля до единицы, а не постепенное улучшение.

4. Место SN3 в истории

SN3 не был первым проектом, предпринявшим попытку децентрализованного обучения ИИ. Но он продвинулся дальше всех предыдущих.

Эволюция децентрализованного обучения:

• 2022 — Вместе GPT-JT ( 6B ): Начальный этап исследования; доказала осуществимость многоузлового сотрудничества.
• 2023 — SWARM Intelligence ( ~1 млрд. ): Предложена гетерогенная структура для совместного обучения узлов.
• 2024 — INTELLECT-1 ( 10B ): Межведомственное децентрализованное обучение от Prime Intellect
• 2026 — Covenant-72B / SN3 (72B) : Первая децентрализованная модель 72B, превзошевшая централизованно обученные базовые модели на основных бенчмарках.

За четыре года количество параметров увеличилось с 6 до 72 миллиардов — в 12 раз . Но главное не в количестве параметров, а в качестве. Предыдущие поколения в основном доказывали свою «работоспособность»; Covenant-72B — первая децентрализованная крупномасштабная модель, превзошевшая централизованно обученную базовую модель на основных бенчмарках.

Ключевые технические прорывы :

• Коэффициент сжатия 99% (>146x) : Каждый раз, когда участник загружает результаты обучения (градиенты), исходные данные обычно занимают гигабайты. Комплексный конвейер SparseLoCo сжимает их более чем в 146 раз — это как сжать весь сезон телесериала в одно изображение с минимальной потерей информации.
• Всего 6% затрат на коммуникацию : когда 100 участников сотрудничают, на «координацию и коммуникацию» тратится всего 6%, а 94% — непосредственно на обучение. Это решает одну из самых больших проблем децентрализованного обучения.

5. Недооценивается ли децентрализованное обучение?

Пусть сначала скажут данные.

Признаки недооценки:

• MMLU 67,35% против LLaMA-2 63,08%: децентрализованная модель превзошла по результатам проекта LLaMA-2-70B компании Meta, получившего значительное финансирование.
• IFEval 64,70% против LLaMA-2 40,67%: разрыв в способности следовать инструкциям составляет 24 процентных пункта — Covenant-72B лидирует с большим отрывом.

Модель, обученная децентрализованным методом, превзошла модель LLaMA-2-70B компании Meta, получившую значительное финансирование.

Разрыв с существующими лучшими моделями с открытым исходным кодом (честная оценка):

• MMLU: Covenant-72B 67,35% против Qwen2,5-72B 86,8% против LLaMA-3,1-70B 83,6%
• GSM8K: Covenant-72B 63,91% против Qwen2.5-72B 95,8% против LLaMA-3.1-70B 95,1%

Разница составляет примерно 20–30 процентных пунктов. Но важна формулировка :

Значение Covenant-72B заключается не в превосходстве над лучшими показателями SOTA, а в доказательстве эффективности децентрализованного обучения. Qwen2.5 / LLaMA-3.1 поддерживаются сотнями миллиардов инвестиций, десятками тысяч графических процессоров и профессиональными инженерными командами; Covenant-72B был создан более чем 70 независимыми майнерами без централизованной координации.

Тенденция важнее, чем моментальный снимок:

• 2022 год: Лучшая децентрализованная модель имела 6 миллиардов параметров и даже не имела отдельных результатов MMLU.
• 2026: Модель 72B набрала 67,35% по показателю MMLU, превзойдя модель Meta в том же классе.

За четыре года децентрализованное обучение прошло путь от «проверки концепции» до «достижения, сопоставимых с централизованным обучением». Наклон этой кривой гораздо значительнее, чем любой отдельный показатель.

Проблема глубинного логического мышления в Covenant-72B уже решена — SN81 Grail обрабатывает обучение с подкреплением после обучения (RLHF) для выравнивания и повышения возможностей. Именно этот шаг сделал GPT-4 революционным скачком по сравнению с GPT-3.

Гетерогенная разреженная LoCo — это следующий важный этап : в настоящее время SN3 требует, чтобы все майнеры использовали одну и ту же модель графического процессора.

Это позволит использовать различное оборудование (B200 + A100 + потребительские графические процессоры) в одном цикле обучения. После достижения этой цели вычислительный пул для следующего цикла обучения значительно расширится — любой пользователь с графическим процессором сможет участвовать независимо от аппаратных характеристик.

Децентрализованное обучение преодолело порог осуществимости. Оставшиеся пробелы в эталонных показателях представляют собой инженерные проблемы, требующие оптимизации, а не фундаментальные теоретические барьеры.

Часть II: Рынок до сих пор этого не понял

Хронология ценообразования TAO

Динамика цен после объявления о выпуске SN3 наглядно демонстрирует это когнитивное отставание в реальном времени:

Обратите внимание на два дня молчания (10.03 → 12.03): объявление было сделано, а цена практически не изменилась.

Почему существует информационный запаздывание?

Криптоинвесторы увидели сообщение «Bittensor SN3 завершил обучение модели ИИ», но они не обязательно поняли техническое значение сообщения «децентрализованная модель с объемом данных 72 млрд, превзошевшая Meta на MMLU». Исследователи ИИ могут понять это значение, но они не следят за криптовалютами. Когнитивный разрыв между этими двумя мирами создал задержку в изменении цен примерно в 2–3 дня.

Кроме того, понимание Bittensor большинством криптоинвесторов всё ещё застряло в прошлом цикле. Сегодня Bittensor насчитывает более 79 активных подсетей, охватывающих совершенно разные области - обучение ИИ, поиск данных, финансовый количественный анализ, конфиденциальные вычисления, биомедицина и многое другое. Когда рынок переоценит масштабы экосистемы Bittensor, этот когнитивный разрыв скорректируется — и такие корректировки обычно проявляются в виде резкого роста цен.

Несоответствие оценки

Рассмотрите Bittensor в более широком контексте индустрии искусственного интеллекта:

SN3 уже доказал: Bittensor способен обеспечить децентрализованное обучение больших моделей.

Если будущее ИИ требует открытых, не требующих разрешений сетей для обучения, то единственной подходящей инфраструктурой, прошедшей проверку на практике, является Bittensor.

В настоящее время рынок оценивает базовую инфраструктуру искусственного интеллекта, используя логику оценки проектов прикладного уровня.

Даже в рамках одного только криптовалютного рынка: биткоин стабильно занимает около 60% всего криптовалютного рынка, в то время как на долю Bittensor приходится лишь около 11,5% сектора крипто-ИИ.

Когда рынок поймет позицию Bittensor в инфраструктуре искусственного интеллекта, это несоответствие неизбежно исправится.

Заключение:

Если самолет Covenant-72B, принадлежащий SN3 Templar, что-то и доказал, так это следующее:

Децентрализованные сети могут координировать не только капитал, но и вычислительные ресурсы, а также передовые исследования в области искусственного интеллекта.

В последние несколько лет криптовалюты играли в основном второстепенную роль в контексте искусственного интеллекта. Многие проекты полагались на концептуальную подготовку, ажиотаж, вызванный общественным мнением, или на привлечение капитала, но им не хватало подтверждаемых технических результатов. SN3 — это совершенно другой случай.

Это не привело к созданию новой концепции, основанной на идее «искусственного интеллекта + Web3». Вместо этого было достигнуто нечто гораздо более фундаментальное и гораздо более сложное:

Обучение большой языковой модели класса 72B без централизованной координации.

Участники приезжали со всего мира, поэтому между ними не требовалось доверия; система полагалась на механизмы поощрения и проверки в блокчейне для автоматической координации взносов за обучение и распределения доходов.

Впервые криптографические механизмы организовали реальную производительность в области искусственного интеллекта.

Многие до сих пор не осознали историческое значение SN3. Точно так же многие тогда не понимали, что биткойн доказал не «лучшие платежные системы», а возможность достижения консенсуса в отношении ценностей без централизованного доверия .

Сегодня многие по-прежнему видят только бенчмарки, выпуск новых моделей или рост цен.

Но на самом деле произошло следующее:

• Bittensor доказывает, что криптовалюта способна не только выпускать активы, но и организовывать производство.
• Криптовалюты способны не только привлекать внимание, но и генерировать информацию.

Сообщества разработчиков открытого программного обеспечения могут вносить свой вклад в код, а академические круги - в научные статьи, но когда задача масштабируется до массового обучения, долгосрочного сотрудничества, трансграничного планирования, защиты от мошенничества и распределения доходов, системы доброй воли и репутации оказываются совершенно недостаточными:

• Без экономических стимулов стабильное предложение невозможно.
• Без поддающихся проверке поощрений и наказаний устойчивое сотрудничество невозможно.
• Без механизмов координации с использованием токенов невозможно создать по-настоящему глобальную, не требующую разрешений сеть для производства ИИ.

Итак, недооценена ли компания Bittensor? Ответ не «возможно» — она «значительно и систематически недооценена».

В масштабной дискуссии о том, имеет ли криптовалюта еще смысл существовать, Bittensor предлагает наиболее убедительный ответ, который может предложить вся индустрия.

Данный отчет предназначен исключительно для исследовательских целей и не является инвестиционной рекомендацией. Криптовалютные рынки отличаются высокой волатильностью, и инвестирование сопряжено с риском.