去中心化策略使AI訓練速度提高10倍，成本降低95%

人工智能培訓通過去中心化策略變得快10倍，便宜95%來自0Ggetty人工智能基礎的悄然變化(人工智能)可能正在進行中，並且它並沒有發生在超大規模數據中心。

0G Labs，首個去中心化的AI協議(AIP)，近期與中國移動合作，宣布了一項技術突破，這可能對企業如何訪問和部署大型語言模型產生深遠的影響。他們的創新是一種新的訓練超過1000億參數的大型AI模型的方法，無需通常所需的超高速互聯網或昂貴的集中式基礎設施。

乍一看，這可能聽起來像是工程界的一次勝利。

但真正的故事是經濟和戰略方面的。0G Labs所取得的成就可能會降低構建AI的成本，將更多控制權重新放回企業手中，並爲新參與者進入這一領域打開大門。

AI訓練的意義

要理解這種轉變，回顧一下當前大規模 AI 模型是如何訓練的會有所幫助。

像OpenAI的GPT-4或Anthropic的Claude這樣的模型需要巨大的計算能力和網路吞吐量。傳統上，這意味着在強大的GPU上進行訓練，這些GPU通過高速、集中式的數據中心連接，這些數據中心由像Amazon Web Services、Google Cloud或Microsoft Azure這樣的公司擁有或租賃。

這些數字反映了集中式雲計算或超大規模數據中心的訓練——需要大量的GPU集羣、高帶寬網路以及數百萬的硬件和人員成本。Sandy Carter截至2025年初，OpenAI的領導層，包括Sam Altman，公開表示訓練GPT-4的成本超過1億美元。這一點得到了官方聲明和近期人工智能分析報告中多種成本模型的支持。它是一個需要資本、人才和基礎設施的模型，只有少數組織能夠負擔得起。

更多爲您## 0G Labs 正在挑戰這一關於 AI 訓練的假設

他們新發布的框架，名爲 DiLoCoX，引入了一種低通信訓練方法，顯著減少了對高帶寬連接的需求。從實際角度來看，他們成功地在一個 1 Gbps 網路上使用分散式集羣訓練了一個 1070 億參數的模型。這個記錄是之前記錄的 10 倍提高，以及使這一切成爲可能的 300 倍速度突破。這大致是典型辦公室互聯網連接的帶寬。

他們的方法不是在一個巨大的計算中心構建一切，而是將較小的分布式機器連接在一起，並優化它們之間信息的共享。其結果是一個高度可擴展、成本效益高的方式，可以在傳統雲之外訓練大規模模型。

0G Labs的去中心化AI冠軍。創始人兼首席執行官Michael Heinrich評論了AI訓練的進展。在與0G Labs創始人兼首席執行官Michael Heinrich交談時，他表示：“DiLoCoX標志着在民主化LLM訓練方面的一個關鍵步驟：彌合巨型基礎模型與通過緩慢、不可靠網路連接的去中心化集羣之間的差距。通過結合管道並行性、延遲容忍通信重疊和自適應梯度壓縮，該框架提供了以前被認爲僅限於高帶寬數據中心的規模和速度。這將開啓一個新時代，在這個時代，大規模AI訓練不再依賴於集中式基礎設施。”

爲什麼人工智能訓練對商業重要

在每個企業都面臨着利用人工智能做更多事情的壓力時，基礎設施迅速成爲瓶頸。一些企業開始考慮以去中心化的方式設計人工智能。構建大型模型仍然昂貴、排他，並且主要局限於擁有深厚資源或戰略雲合作夥伴的公司。0G的突破開闢了一條第三條道路。

這不僅僅是一個節約成本的故事。它是一個選擇權和控制的故事。

1. 降低進入門檻

DiLoCoX 的方法將參與 LLM 競賽所需的基礎設施減少了多達 95%。

對於初創企業，這意味着能夠進行實驗和擴展，而不必在GPU支出上消耗風險投資資金。

對於中型企業，它提供了在內部訓練模型的可能性，而無需做出大規模的雲承諾。

對於政府和研究實驗室來說，這意味着更易獲得和主權的人工智能能力發展。

2. 從超大型雲服務商中實現戰略獨立

目前大多數AI訓練依賴於三家雲服務提供商。

這種集中化在成本上升、供應商鎖定和合規性方面帶來了風險。如果您的業務依賴於人工智能，但又在醫療、國防或金融等敏感行業運營，獨立訓練或微調模型的能力將成爲一個強大的戰略槓杆。

去中心化的人工智能爲數字自主提供了一條道路。通過打破尖端人工智能必須在集中式雲平台上訓練的假設，0G的模型爲競爭和創新創造了新的空間。

3. 符合數據隱私和合規需求

許多公司對將專有數據上傳到基於雲的模型或訓練環境持謹慎態度。通過去中心化訓練，可以在保持數據本地化的情況下參與大規模的人工智能開發，數據可以保留在管轄區內、防火牆內，甚至在邊緣設備上。這在擁有嚴格數據主權法的地區尤其具有吸引力，例如歐盟或正在建立自己人工智能生態系統的國家。0G網路從未看到任何私人數據。

4. 加速在服務不足市場的創新

高昂的入場成本使許多國家和行業在先進人工智能發展中處於旁觀狀態。

DiLoCoX 降低了這個門檻。

位於肯尼亞的大學、東南亞的電信提供商或拉丁美洲的區域銀行可能無法獲得與硅谷相同的計算能力，但他們很快可能會擁有在現有基礎設施上訓練和部署其智能系統的工具。

5. 地緣政治和監管風險

盡管技術成就令人印象深刻，但中國移動的參與引發了質疑。

隨着美國與中國在技術領導力和國家安全方面的緊張局勢持續升級，企業必須權衡與中國國有關聯實體合作所涉及的潛在監管審查、數據治理問題和聲譽風險。

對於總部位於美國或在盟國市場運營的公司，與中國相關的任何基礎設施或研究整合可能會面臨出口管制、法律限制或公衆反對。探索去中心化AI解決方案的組織需要考慮的不僅是性能和成本，還有政治對齊、合規框架和長期可行性。

然而，在去中心化基礎設施上擁有DiLoCoX，網路是無信任的，這並不是一個問題，因爲中國移動從未看到您的數據，並且該系統不依賴於他們來獲取結果。

重新構建人工智能的商業模式

如果DiLoCoX被廣泛採用，它可能會在更廣泛的AI生態系統中產生漣漪效應。

雲收入模型目前受到人工智能工作負載的推動，可能面臨新的定價壓力。人工智能即服務平台可能需要重新架構，以支持混合或分散的部署。開源框架可能會在影響力上增長，因爲去中心化強調了互操作性和本地控制。企業軟件供應商可能需要重新考慮他們的人工智能戰略，以反映更加分布式的計算格局。

這一轉變也與面向每個人的人工智能的更廣泛趨勢相一致。從低代碼代理構建工具到邊緣推理，這一運動朝着更易於訪問、模塊化和可定制的人工智能堆棧發展。去中心化訓練是這一理念的自然延伸。

針對CIO和CTO的AI信號

對於企業領導者來說，0G 的工作並不是立即顛覆的信號，而是近未來機會的信號。人工智能正在從其關鍵的起步階段不斷發展。

現在是重新評估基礎設施戰略的時候。您的組織應該繼續投資於基於雲的模型托管，還是開始探索去中心化的替代方案？

您的內部數據中心能否作爲分布式訓練系統中的一個節點？去中心化的聯合學習是一種很好的方式，可以利用來自網路中不同方（如醫院）私有數據來訓練癌症診斷模型。您是否可能與您所在行業的其他人合作，共同開發使用去中心化協議的模型？

即使今天的答案不是肯定的，像 DiLoCoX 這樣的框架的出現也應該將 AI 基礎設施規劃提升到更高的戰略議程上。那些通過建立內部能力、評估合作夥伴和理解技術棧來爲這一轉變做好準備的企業，將在經濟環境向他們有利時，處於最有利的位置。

一個人工智能構建不同的未來

0G Labs 和中國移動所展示的不僅僅是一個技術概念驗證。這是一種關於智能如何構建、訓練和分發的新思維方式。通過展示在沒有集中超級計算機的情況下訓練 1000 億參數模型是可能的，他們不僅在推動規模的邊界。他們還在擴大可接入性。

對於商業來說，這意味着人工智能可能不再只是關於誰擁有最大的數據中心，而是關於誰能夠構建最智能、最靈活的系統。

那是一個值得爲之準備的AI未來。