Bittensor 是 Crypto 全村的希望

作者：0xai

特此感谢@DistStateAndMe 及其团队在开源 AI 模型领域的贡献，以及对本文提供的宝贵建议与支持。

为什么你应该关注这篇报告

如果"去中心化 AI 训练"已经从不可能变成了可能，Bittensor 被低估了多少？

2026 年初，整个 Crypto 圈子弥漫着一种疲惫感。

上一轮牛市的余温早已散去，人才在加速流向 AI 行业。那些曾经谈论"下一个 100x"的人，现在聊的是 Claude CodeOpenclaw。"crypto 是在浪费时间"——这句话，你可能不止听过一次。

但在 2026 年 3 月 10 日，一个叫 Templar 的 Bittensor 子网悄悄宣布了一件事。

70 多个来自全球各地的独立参与者，没有中央服务器，没有大公司协调，仅凭 Crypto 激励机制，合力训练出了一个 720 亿参数的 AI 大模型。

模型和相关论文已经发布在 HuggingFace 和 arXiv 上，数据是公开可验证的。

更关键的是：在多项关键测试中，这个模型的表现超过了 Meta 花重金训练的同等级别模型。

公告发出后，TAO 的价格沉默了将近 2 天。直到第 3 天才开始暴涨，6 天后仍未停止，总涨幅约 +40%。为什么会有这 2 天的延迟？

这篇报告的核心论点是：加密投资者看到的是"又一个开源模型"，觉得比不上日常使用的 GPT、Claude；AI 研究者不关注 crypto。两个圈子之间的鸿沟，正在制造一个认知套利窗口。

阅读框架

这篇报告分为两个逻辑部分：

Part I — 技术突破：解释 SN3 Templar 到底做成了什么，以及为什么这件事在 AI 和 Crypto 历史上具有重要意义。

Part II — 行业意义：解释为什么这件事意味着 Bittensor 生态被系统性低估，为什么说 Bittensor 是 Crypto 全村的希望。

Part I：去中心化 AI 训练的突破

1. SN3 是做什么的？

训练一个大语言模型需要什么？

传统答案：建一个巨型数据中心，买上万块顶级 GPU，花上亿美元，由一家公司的工程师团队统一协调。这就是 Meta、Google、OpenAI 的玩法。

SN3 Templar 的做法：让分散在全球各地的人，各自拿出一台或几台 GPU 服务器，像拼图一样把算力拼在一起，合力训练一个完整的大模型。

但这里有个根本难题：如果参与者来自全球各地、互不信任、网络延迟不稳定，怎么保证训练结果是有效的？怎么防止有人偷懒或作弊？怎么激励大家持续贡献？

Bittensor 给出了答案：用 TAO 代币作为激励。谁的梯度（可以理解为"对模型改进的贡献"）越有效，谁就获得越多 TAO。系统自动评分、自动结算，不需要任何中心化机构来协调。

这就是 Bittensor 的 SN3（第 3 号子网），代号 Templar。

如果 Bitcoin 证明了去中心化的"钱"是可能的，SN3 正在证明去中心化的"AI 训练"也是可能的。

2. SN3 取得了什么成果？

2026 年 3 月 10 日，SN3 Templar 宣布完成了名为 Covenant-72B 的 大语言模型训练。

"72B"是什么意思？：720 亿个参数。参数是 AI 模型的"知识存储单元"，数量越多，模型通常越聪明。GPT-3 是 1750 亿，LLaMA-2（Meta 的开源旗舰）是 700 亿。Covenant-72B 与 LLaMA-2 是同一数量级。

训练规模有多大？ ：约 1.1 万亿个词（tokens）≈ 550 万本书（按每本书 20 万字算）。

谁参与了训练？：70+ 个独立参与者（miner）先后贡献算力（每轮同步上限约 20 个节点），训练从 2025 年 9 月 12 日启动，历时约 6 个月。没有中央服务器，没有统一的机构来协调。

模型表现如何？： 用主流 AI 考试来类比：

数据来源：HuggingFace 1Covenant/Covenant-72B-Chat 模型卡

• MMLU（57 个学科综合知识）：Covenant-72B 67.35% vs Meta LLaMA-2 63.08%
• GSM8K（数学推理）：Covenant-72B 63.91% vs Meta LLaMA-2 52.16%
• IFEval（指令跟随能力）：Covenant-72B 64.70% vs Meta LLaMA-2 40.67%

完全开源：Apache 2.0 许可证。任何人免费下载、使用、商用，没有限制。

有学术背书：论文已提交 [arXiv 2603.08163]，核心技术（SparseLoCo 优化器和 Gauntlet 反作弊机制）在 NeurIPS Optimization Workshop 发表。

3. 这个成果意味着什么？

对开源 AI 社区：过去，因为资金和算力门槛，训练 70B 级别的大模型是少数大公司的专利。Covenant-72B 第一次证明：社区，在没有任何中心化资金支持的情况下，也能训练同等规模的模型。这改变了谁有资格参与 AI 基础模型开发的边界。

对 AI 权力结构：现在的 AI 基础模型格局是高度集中的——OpenAI、Google、Meta、Anthropic 几家公司掌控着最强的基础模型。去中心化训练的成立，意味着这条护城河未必不可逾越。"只有大公司才能做基础模型"这个前提，第一次被动摇了。

对 Crypto 行业：这是 crypto 项目第一次在 AI 领域产出真实的技术贡献，而不只是"蹭热点"。Covenant-72B 有 HuggingFace 模型、arXiv 论文、公开 Benchmark 数据。这建立了一个先例：Crypto 激励机制可以成为严肃 AI 研究的基础设施。

对 Bittensor 本身：SN3 的成功把 Bittensor 从一个"理论上可行的去中心化 AI 协议"变成了"已被实践验证的去中心化 AI 基础设施"。这是从 0 到 1 的质变。

4. SN3 的历史地位

去中心化 AI 训练这条路，不是 SN3 第一个走的。但 SN3 走到了前人没有走到的地方。

去中心化训练进化史：

• 2022 — Together GPT-JT（6B）：早期探索，证明多机协同可行
• 2023 — SWARM Intelligence（～1B）：提出异构节点协同训练框架
• 2024 — INTELLECT-1（10B）：跨机构去中心化训练
• 2026 — Covenant-72B / SN3（72B）：首个在主流 Benchmark 上超越集中式训练的 72B 大模型

4 年时间，从 6B 跳到 72B，参数量增长了 12 倍。但更重要的不是参数量，而是质量——前几代项目主要是"能跑起来"，Covenant-72B 是第一个在主流 Benchmark 上超越集中式训练模型的去中心化大模型。

关键技术突破：

• >99% 压缩率（>146x）：每次参与者上传训练结果（梯度）时，原本需要传输 GB 级数据，SparseLoCo 全流程将其压缩超过 146 倍。相当于把一整季电视剧压缩成一张图片，且信息损失极小。
• 仅 6% 通信开销：100 个人协同工作，只有 6% 的时间在"沟通协调"，94% 都在做实际训练。这解决了去中心化训练最大的瓶颈之一。

5. 去中心化训练是否被低估？

先看数据，再做判断。

被低估的证据

• MMLU 67.35% vs LLaMA-2 63.08%
• MMLU-Pro 40.91% vs LLaMA-2 35.20%
• IFEval 64.70% vs LLaMA-2 40.67%

去中心化训练的模型，超过了 Meta 花重金训练的 LLaMA-2-70B。

与当前头部开源模型的差距（需要诚实面对）：

• MMLU: Covenant-72B 67.35% vs Qwen2.5-72B 86.8% vs LLaMA-3.1-70B 83.6%
• GSM8K: Covenant-72B 63.91% vs Qwen2.5-72B 95.8% vs LLaMA-3.1-70B 95.1%

差距约 20-30 个百分点。

但对比框架很重要：Covenant-72B 的意义不是打败 SOTA，而是证明去中心化训练可行。Qwen2.5 / LLaMA-3.1 背后是千亿级投入 + 数万块 GPU + 专业工程团队；Covenant-72B 则是 70+ 独立矿工 + 无中央协调。

趋势比快照重要：

• 2022 年：最好的去中心化模型是 6B 参数，连 MMLU 都没单独测。
• 2026 年：72B 模型，MMLU 67.35%，超越 Meta 同级别模型。

4 年时间，去中心化训练从"概念实验"走到了"性能可与集中式训练比肩"。这条曲线的斜率，比任何单一 Benchmark 数字都更值得关注。

况且，Covenant-72B 在深度推理上的差距，已有规划的解法——SN81 Grail 负责后训练强化学习（RLHF），对模型进行对齐和能力提升。这正是 GPT-4 相对 GPT-3 最关键的改进步骤。

Heterogeneous SparseLoCo 是下一个里程碑：当前 SN3 要求所有矿工使用相同型号的 GPU。下一个重大技术突破是 Heterogeneous SparseLoCo，它将允许混合硬件（B200 + A100 + 消费级 GPU）参与同一训练任务。一旦实现，下一轮训练的算力池将大幅扩展。

去中心化训练已跨过可行性门槛。当前 Benchmark 上的差距是需要继续优化的工程问题，不是根本性的理论障碍。

Part II：市场仍然没有理解这件事

TAO 价格时间线

SN3 公告发出后$TAO 的价格走势，恰好揭示了这种认知滞后：

注意这 2 天的沉默（3/10 → 3/12）：公告发出，价格几乎没动。

为什么会有滞后？

加密投资者看到的消息是"Bittensor SN3 训练完成了一个 AI 模型"——但他们不一定理解"72B 去中心化训练在 MMLU 上超越 Meta"的技术意义。

AI 研究者能理解这个技术意义，但他们不关注 crypto。

两个圈子的认知差，创造了约 2-3 天的价格滞后窗口。

并且，大多数 Crypto 投资者对 Bittensor 的认知仍停留在上个周期。如今，Bittensor 上活跃子网已超过 79 个，覆盖 AI  Agent、算力、AI 训练、AI 交易、机器人等截然不同的领域。当市场重新定价 Bittensor 的生态广度时，这种认知差会被修正——而修正的过程，通常以价格暴涨的形式呈现。

Bittensor 的估值错位

将 Bittensor 放入更大的产业背景：

SN3 已经证明：Bittensor 可以完成去中心化的大模型训练。

如果未来 AI 需要开放、无需许可的训练网络，那么目前唯一已经被实践验证的候选基础设施，就是 Bittensor。

市场正在用应用层项目的估值逻辑定价一个 AI 基础设施级别的网络。

即使只在 Crypto 内部比较：Bitcoin 在整个 Crypto 市场中的市占率长期达到 50～60%，而 Bittensor 在 Crypto AI 赛道中的占比仅约 11.5%。

当市场重新理解 Bittensor 在 AI 基础设施中的位置时，这种错位必然会被修正。

结论：Bittensor 是 Crypto 全村的希望

如果说 SN3 Templar 的 Covenant-72B 证明了一件事，那就是：

去中心化网络不仅可以协调资本，也可以协调算力与前沿 AI 研发。

过去几年，Crypto 在 AI 叙事中大多只是边缘角色。大量项目依赖概念包装、情绪炒作或资本叙事，但缺乏可验证的技术产出。SN3 是一个明显不同的案例。

它没有推出新的 token 叙事，也没有包装一个"AI + Web3"的应用层产品，而是完成了一件更底层、更困难的事情：

在没有中心化协调的情况下，训练出了一个 72B 级别的大模型。

参与者来自全球各地，彼此无需信任；系统依靠链上的激励与验证机制自动协调训练贡献与收益分配。

Crypto 机制第一次在 AI 领域组织出了真实的生产力。

很多人还没有理解 SN3 的历史意义。就像当年很多人也没有意识到，Bitcoin 证明的不是"更好的支付"，而是无需中心信用的价值共识。

今天很多人看到的仍然只是 benchmark、模型发布、或一轮价格上涨。

但真正发生的变化是，Bittensor 正在证明：

• Crypto 不只是能发行资产，它还能组织生产
• Crypto 不只是能交易注意力，它还能生产智能

开源社区可以贡献代码，学术界可以贡献论文，但当问题进入超大规模训练、长期协作、跨地域调度、反作弊与收益分配时，善意和声誉体系远远不够：

• 没有经济激励，就没有稳定供给
• 没有可验证的奖惩，就没有长期协作
• 没有代币化协调机制，就无法形成真正全球化、无需许可的 AI 生产网络

所以，Bittensor 是不是被低估了？答案不是"可能"，而是"显著地、系统性地被低估了"。

在"Crypto 是否还有存在意义"这场总辩论里，Bittensor 正在给出全行业最有力的一份答案。

也正因如此：Bittensor 是 Crypto 全村的希望。