Quasar Models 在 Bittensor 的 896 專家網絡上推出 AI 訓練平台

Quasar Models 於週二在 Bittensor 網絡上推出了一個去中心化 AI 訓練市集，旨在透過將算力買家與分散式 GPU 供應商進行配對，降低機器學習模型的開發成本。

該公司在啟動公告中表示：「與中心化雲端供應商相比，去中心化 AI 訓練可將成本降低高達 60%，同時讓小型團隊也能獲得他們原本負擔不起的算力。」

該市集以 Bittensor 子網的形式運行，是系統內 896 個專業專家網絡之一。Bittensor 的架構每個令牌僅啟動 896 個專家中的 16 個，將訓練任務分配給效率最高的供應商。Quasar 平台負責在分散式 GPU 池中進行模型分發、梯度同步和檢查點存儲，無需開發者直接與個別算力供應商進行協商。

此次推出標誌著基於區塊鏈的算力市集在現實世界中的實用性日益增長，該領域此前在與 Amazon Web Services 和 Microsoft Azure 等中心化供應商的競爭中難以取得進展。根據 CoinGecko 的數據，截至週二，Bittensor 的市值約為 32 億美元，其 TAO 代幣交易價格接近 195 美元。分析師將 220 美元視為 TAO 的關鍵阻力位，具體取決於子網的持續採用率和交易量。

市集的運作方式

Quasar 平台抽象化了分散式訓練的複雜性。開發者提交模型架構和訓練數據集後，子網將工作負載分配給可用的 GPU，聚合梯度，並返回訓練完成的模型。該系統利用 Bittensor 的共識機制驗證供應商是否正確完成其分配的計算任務，解決了去中心化算力市場中長期存在的信任問題。

這種方法直接與 AWS、Google Cloud 和 Azure 的中心化 AI 訓練服務競爭——在這些服務中，大型語言模型的一次單一訓練運行可能耗費數百萬美元。透過利用未被充分利用的消費級和資料中心 GPU，Quasar 市集有望降低新創公司和學術研究人員的進入門檻。

Bittensor 不斷擴張的生態系統

自成立以來，Bittensor 吸引了越來越多的子網項目。該網絡的競爭性子網模式會根據性能和採用率獎勵項目，建立了一個以績效為基礎的結構，使算力供應商和模型開發者的利益保持一致。據該公司稱，多個建立在 Bittensor 子網上的新創公司已被納入 Nvidia 的 Inception 初創加速計劃。

Quasar 的推出緊接在 Moonshot AI 的 Kimi K3 模型發布之後。該模型是一個擁有 2.8 兆個參數的系統，運行在 Bittensor 架構上，並在 Frontend Code 基準測試中排名第一，領先於 Anthropic 的 Claude Fable 5。該模型於 7 月 27 日以開放權重形式發布，讓開發者能夠獲得這套規模最大的公開 AI 系統，進一步驗證了 Bittensor 基礎設施在處理大規模 AI 工作負載方面的能力。

關鍵挑戰

去中心化 AI 訓練在面對中心化雲端供應商的規模和可靠性時，面臨著艱鉅的挑戰。AWS、Azure 和 Google Cloud 合計控制著超過 60% 的雲端運算市場，且其 AI 專屬服務成長迅速。Quasar 的成功取決於能否吸引足夠的 GPU 供應商來提供具競爭力的價格和可靠性，同時說服開發者相信去中心化訓練能夠媲美專用集群的性能。

如果該模式獲得市場青睞，可能會加速 AI 開發轉向開放、社群驅動的模式，進而挑戰大型科技公司的主導地位。Bittensor 的子網結構允許多個專業市集共存，各自針對不同類型的 AI 工作負載在價格和性能上進行競爭。

本文僅供資訊參考，不構成投資建議。