โมเดล 72B ของ Subnet SN3 ของ Bittensor กระตุ้นการพุ่งขึ้นของตลาดและได้รับความสนใจจากอุตสาหกรรม

ผู้เขียนต้นฉบับ: KarenZ, Foresight News

วันที่ 20 มีนาคม 2026 มีการสนทนาที่ไม่ธรรมดาในพอดีคของ All-In Ventures

นักลงทุนด้านการลงทุนเชิงเสี่ยง Chamath Palihapitiya ได้ส่งต่อหัวข้อให้กับซีอีโอของ NVIDIA ฮวง เหรินซวิน โดยกล่าวว่าบน Bittensor มีโครงการหนึ่งที่ “บรรลุความสำเร็จทางเทคนิคที่ค่อนข้างบ้าบิ่น” โดยการฝึกโมเดลภาษาขนาดใหญ่บนอินเทอร์เน็ตด้วยพลังการประมวลผลแบบกระจายศูนย์ ทั้งหมดโดยไม่มีศูนย์ข้อมูลแบบรวมศูนย์ใดๆ เข้ามาเกี่ยวข้อง

ฮวง เหรินซวีไม่ได้หลีกเลี่ยงเรื่องนี้ เขาเปรียบเทียบมันกับ “เวอร์ชันสมัยใหม่ของ Folding@home” ซึ่งเป็นโครงการแบบกระจายที่ในช่วงปี 2000 ทำให้ผู้ใช้ทั่วไปสามารถบริจาคพลังการประมวลผลที่ไม่ได้ใช้งานเพื่อร่วมกันแก้ปัญหาการพับโปรตีน

ก่อนหน้านี้เมื่อ 4 วันก่อน เมื่อวันที่ 16 มีนาคม แจ็ค คลาร์ก ผู้ร่วมก่อตั้ง Anthropic ได้เน้นย้ำและอ้างอิงความก้าวหน้าครั้งสำคัญนี้อย่างกว้างขวางในรายงานความคืบหน้าด้าน AI: ซับเน็ตของระบบนิเวศ Bittensor Templar (SN3) ประสบความสำเร็จในการฝึกโมเดลขนาดใหญ่ 72 พันล้านพารามิเตอร์ (Covenant 72B) แบบกระจาย และประสิทธิภาพของโมเดลเทียบเท่ากับ LLaMA-2 ที่ Meta เปิดตัวในปี 2023

แจ็ค คลาร์ก ตั้งชื่อหัวข้อนี้ว่า “ท้าทายการเมืองเศรษฐศาสตร์ของ AI ผ่านการฝึกแบบกระจาย” และเน้นในวิเคราะห์ของเขาว่า นี่เป็นเทคโนโลยีที่ควรติดตามอย่างต่อเนื่อง—he สามารถจินตนาการถึงอนาคตที่อุปกรณ์ปลายทางใช้โมเดลที่ฝึกด้วยวิธีการกระจายอย่างแพร่หลาย ขณะที่ AI บนคลาวด์ยังคงดำเนินการโมเดลขนาดใหญ่แบบเป็นกรรมสิทธิ์

การตอบสนองของตลาดช้าเล็กน้อยแต่รุนแรงมาก: SN3 เพิ่มขึ้นเกิน 440% ในเดือนที่ผ่านมา และเกิน 340% ในสองสัปดาห์ที่ผ่านมา โดยมีมูลค่าตลาดอยู่ที่ 130 ล้านดอลลาร์สหรัฐ การระเบิดของเรื่องราวเกี่ยวกับซับเน็ตจะส่งผลกระทบโดยตรงเป็นแรงกดดันในการซื้อ TAO ดังนั้น TAO จึงพุ่งขึ้นอย่างรวดเร็ว แตะระดับสูงสุดที่ 377 ดอลลาร์สหรัฐ เพิ่มขึ้นเป็นสองเท่าในเดือนที่ผ่านมา และมี FDV อยู่ที่ประมาณ 7.5 พันล้านดอลลาร์สหรัฐ

คำถามมาแล้ว: SN3 ได้ทำอะไรไปบ้าง? ทำไมถึงถูกผลักให้อยู่ในจุดศูนย์กลางของความสนใจ? เรื่องราวคุณค่าของการฝึกแบบกระจายและการปัญญาประดิษฐ์แบบกระจายศูนย์จะพัฒนาไปอย่างไร?

เพื่อตอบคำถามนี้ ต้องดูผลประกอบการของ SN3 ก่อน

วันที่ 10 มีนาคม 2026 ทีม Covenant AI ได้เผยแพร่รายงานเทคนิคบน arXiv อย่างเป็นทางการเพื่อประกาศว่า Covenant-72B ได้รับการฝึกเสร็จสมบูรณ์แล้ว นี่คือโมเดลภาษาขนาดใหญ่ที่มีพารามิเตอร์ 72 พันล้านตัว โดยใช้โหนดอิสระมากกว่า 70 โหนด (ประมาณ 20 โหนดที่ซิงโครไนซ์ในแต่ละรอบ โดยแต่ละโหนดติดตั้ง GPU B200 8 ตัว) และได้รับการฝึกแบบล่วงหน้าบนข้อมูลตัวอย่างประมาณ 1.1 ล้านล้านโทเค็น

Templar ได้ให้ข้อมูลบางส่วนเกี่ยวกับการทดสอบมาตรฐาน โดยที่ LLaMA-2-70B ที่ใช้เป็นตัวเปรียบเทียบเป็นโมเดลขนาดใหญ่ที่ Meta เปิดตัวในปี 2023 ตามที่ Jack Clark ผู้ร่วมก่อตั้ง Anthropic กล่าวไว้ Covenant-72B อาจล้าสมัยเมื่อเทียบกับปี 2026 คะแนน 67.1 ของ Covenant-72B บน MMLU ใกล้เคียงกับ LLaMA-2-70B ที่ Meta เปิดตัวในปี 2023 (65.6 คะแนน)

ในขณะที่รุ่นล้ำสมัยปี 2026 — ไม่ว่าจะเป็นซีรีส์ GPT, Claude หรือ Gemini — ได้รับการฝึกอบรมด้วยพารามิเตอร์ที่มากกว่า 100 พันล้านแล้วบน GPU หลายแสนหน่วย ช่องว่างด้านการให้เหตุผล รหัส และคณิตศาสตร์เป็นปัญหาในระดับจำนวนครั้ง ไม่ใช่เปอร์เซ็นต์ ความแตกต่างที่แท้จริงนี้ไม่ควรถูกกลืนหายไปโดยอารมณ์ของตลาด

แต่เมื่อพิจารณาในบริบทของ "การฝึกอบรมด้วยพลังการประมวลผลกระจายบนอินเทอร์เน็ตแบบเปิด" ความหมายจะแตกต่างออกไปอย่างสิ้นเชิง

เปรียบเทียบกัน: INTELLECT-1 (ผลิตโดยทีม Prime Intellect, 10 พันล้านพารามิเตอร์) ได้คะแนน MMLU 32.7 ในขณะที่โครงการฝึกแบบกระจายอีกโครงการหนึ่งที่ดำเนินการกับผู้เข้าร่วมในรายการอนุญาตคือ Psyche Consilience (40 พันล้านพารามิเตอร์) ได้คะแนน 24.2 Covenant-72B ด้วยขนาด 72B และคะแนน MMLU 67.1 ถือเป็นตัวเลขที่โดดเด่นในเส้นทางการฝึกแบบกระจาย

ที่สำคัญกว่านั้น ครั้งนี้เป็นการฝึกแบบ "ไม่ต้องขออนุญาต" ทุกคนสามารถเชื่อมต่อและเป็นโหนดผู้เข้าร่วมได้ โดยไม่จำเป็นต้องผ่านการตรวจสอบล่วงหน้าหรืออยู่ในรายการอนุญาต มากกว่า 70 โหนดอิสระเข้าร่วมในการอัปเดตโมเดล โดยเชื่อมต่อและบริจาคพลังการประมวลผลจากทั่วทุกมุมโลก

การย้อนกลับไปที่รายละเอียดของการสนทนาในพอดีครั้งนั้น จะช่วยในการปรับความเข้าใจของสาธารณชนเกี่ยวกับการ “รับรอง” ครั้งนี้

ชามาธ ปาลิฮาปิติยา ได้นำเสนอความสำเร็จทางเทคโนโลยีของ Bittensor ให้กับฮวง เรินซุน ในระหว่างการสนทนา โดยอธิบายว่าเป็นการฝึกโมเดล Llama ด้วยพลังการประมวลผลแบบกระจาย ซึ่งกระบวนการนี้ “กระจายอย่างสมบูรณ์และรักษาสถานะไว้” ฮวง เรินซุน ตอบกลับโดยเปรียบเทียบสิ่งนี้กับ “Folding@home ยุคสมัยใหม่” และขยายความถึงความจำเป็นในการมีอยู่พร้อมกันของโมเดลแบบเปิดแหล่งที่มาและโมเดลแบบเป็นกรรมสิทธิ์

ควรสังเกตว่าฮวง เหรินซวีไม่ได้กล่าวถึงโทเค็นของ Bittensor หรือผลกระทบด้านการลงทุนใดๆ โดยตรง รวมถึงไม่ได้พูดถึงการฝึกอบรม AI แบบกระจายศูนย์เพิ่มเติม

เพื่อเข้าใจการทะลุของ SN3 ก่อนอื่นต้องเข้าใจตรรกะการทำงานของ Bittensor และเครือข่ายย่อยของมัน โดยสรุปง่ายๆ Bittensor สามารถมองว่าเป็นบล็อกเชนและแพลตฟอร์ม AI หนึ่งเดียว ส่วนเครือข่ายย่อยแต่ละอันก็เหมือนกับ "สายการผลิต AI" ที่แยกจากกัน แต่ละอันมีภารกิจหลักที่ชัดเจน ออกแบบกลไกการให้รางวัล และร่วมกันสร้างระบบนิเวศ AI แบบกระจายศูนย์

กระบวนการดำเนินงานชัดเจนและเป็นแบบกระจายศูนย์: เจ้าของซับเน็ตกำหนดเป้าหมายซับเน็ตและเขียนโมเดลแรงจูงใจ; ผู้ขุดให้พลังการประมวลผลภายในซับเน็ตและดำเนินงานที่เกี่ยวข้องกับ AI (เช่น การให้เหตุผล การฝึกอบรม การจัดเก็บ ฯลฯ); ผู้ตรวจสอบให้คะแนนการมีส่วนร่วมของผู้ขุดและอัปโหลดคะแนนไปยังชั้นการให้ความเห็นชอบของ Bittensor; สุดท้าย อัลกอริธึม Yuma ของ Bittensor จะแจกจ่ายผลตอบแทนที่เหมาะสมให้กับผู้เข้าร่วมซับเน็ตตามรางวัลสะสมของแต่ละซับเน็ต

ปัจจุบัน Bittensor มีเครือข่ายย่อย 128 แห่ง ครอบคลุมงาน AI ต่างๆ เช่น การให้เหตุผล บริการคลาวด์ AI แบบไม่ใช้เซิร์ฟเวอร์ ภาพ การติดป้ายข้อมูล การเรียนรู้แบบเสริมแรง การจัดเก็บ และการคำนวณ

SN3 เป็นหนึ่งในเครือข่ายย่อยเหล่านั้น มันไม่ได้ทำหน้าที่เป็นชั้นแอปพลิเคชัน ไม่เช่า API แบบโมเดลขนาดใหญ่ที่มีอยู่แล้ว แต่กลับมุ่งเป้าไปที่หัวใจของอุตสาหกรรม AI ซึ่งมีต้นทุนสูงที่สุดและปิดกั้นที่สุดหนึ่งแห่ง: การฝึกอบรมโมเดลขนาดใหญ่โดยตรง

SN3 ต้องการใช้เครือข่าย Bittensor เพื่อประสานทรัพยากรการคำนวณที่ไม่เหมือนกันสำหรับการฝึกแบบกระจาย ผ่านการฝึกโมเดลขนาดใหญ่แบบกระจายที่มีแรงจูงใจ เพื่อพิสูจน์ว่าสามารถฝึกโมเดลพื้นฐานที่แข็งแกร่งได้โดยไม่จำเป็นต้องใช้คลัสเตอร์ซูเปอร์คอมพิวเตอร์แบบศูนย์กลางที่มีต้นทุนสูง จุดดึงดูดหลักอยู่ที่ “ความเท่าเทียม” — ทำลายการผูกขาดทรัพยากรของการฝึกแบบศูนย์กลาง ทำให้บุคคลทั่วไปหรือองค์กรขนาดเล็กและกลางสามารถมีส่วนร่วมในการฝึกโมเดลขนาดใหญ่ได้ พร้อมลดต้นทุนการฝึกโดยใช้พลังการคำนวณแบบกระจาย

แรงขับเคลื่อนหลักในการพัฒนา SN3 คือ Templar ซึ่งได้รับการสนับสนุนโดยทีมวิจัย Covenant Labs ทีมนี้ยังดำเนินการสองเครือข่ายย่อยเพิ่มเติมคือ Basilica (SN39) ที่เน้นบริการคำนวณ และ Grail (SN81) ที่เน้นการฝึกอบรมหลังการเรียนรู้แบบ RL และการประเมินโมเดล เครือข่ายทั้งสามแห่งนี้สร้างการบูรณาการแนวตั้ง ครอบคลุมกระบวนการทั้งหมดตั้งแต่การฝึกอบรมเบื้องต้นจนถึงการปรับแต่งความสอดคล้องของโมเดลขนาดใหญ่ สร้างระบบนิเวศการฝึกอบรมโมเดลขนาดใหญ่แบบกระจายศูนย์อย่างสมบูรณ์

โดยเฉพาะอย่างยิ่ง ผู้ขุดจะบริจาคทรัพยากรการคำนวณเพื่ออัปโหลดการอัปเดตเกรดient (ทิศทางและระดับของการปรับพารามิเตอร์แบบจำลอง) ลงในเครือข่าย; ผู้ตรวจสอบจะประเมินคุณภาพของผลงานแต่ละผู้ขุด และให้คะแนนบนบล็อกเชนตามระดับการปรับปรุงความผิดพลาด ผลลัพธ์จะกำหนดน้ำหนักการให้รางวัลและกระจายอัตโนมัติ โดยไม่ต้องพึ่งพาบุคคลที่สาม

กุญแจสำคัญของการออกแบบกลไกการให้รางวัลคือ การให้รางวัลเชื่อมโยงโดยตรงกับ “ระดับที่การมีส่วนร่วมของคุณช่วยปรับปรุงโมเดลให้ดีขึ้น” ไม่ใช่แค่ปริมาณพลังการคำนวณที่ใช้งาน ซึ่งแก้ปัญหาที่ยากที่สุดในบริบทแบบกระจายศูนย์อย่างแท้จริง: วิธีป้องกันไม่ให้ผู้ขุดหลีกเลี่ยงงาน

Covenant-72B แก้ไขปัญหาประสิทธิภาพการสื่อสารและการจูงใจที่สอดคล้องกันได้อย่างไร

การให้โหนดหลายสิบโหนดที่ไม่ไว้วางใจซึ่งกันและกัน มีฮาร์ดแวร์ต่างกัน และคุณภาพเครือข่ายไม่สม่ำเสมอ ร่วมกันฝึกโมเดลเดียวกัน มีความท้าทายสองประการ: หนึ่งคือประสิทธิภาพการสื่อสาร ซึ่งแผนการฝึกแบบกระจายมาตรฐานต้องการการเชื่อมต่อระหว่างโหนดที่มีแบนด์วิดธ์สูงและหน่วงเวลาต่ำ; สองคือความสอดคล้องของแรงจูงใจ วิธีใดที่จะป้องกันไม่ให้โหนดที่มีเจตนาไม่ดีส่งเกรเดียนต์ที่ผิดพลาด? จะรับประกันได้อย่างไรว่าผู้เข้าร่วมทุกคนกำลังฝึกอย่างจริงจัง ไม่ใช่ลอกผลลัพธ์จากผู้อื่น?

SN3 แก้ไขปัญหาทั้งสองข้อนี้ด้วยองค์ประกอบหลักสองประการ: SparseLoCo และ Gauntlet

SparseLoCo แก้ปัญหาประสิทธิภาพการสื่อสาร การฝึกแบบกระจายแบบดั้งเดิมต้องซิงโครไนซ์กราดิเอนต์ทั้งหมดในแต่ละขั้นตอน ซึ่งมีปริมาณข้อมูลมหาศาล SparseLoCo ใช้วิธีการที่ว่า แต่ละโหนดจะดำเนินการเพิ่มประสิทธิภาพภายใน 30 ขั้นตอน (AdamW) แล้วบีบอัด 'กราดิเอนต์เทียม' ที่สร้างขึ้นก่อนส่งไปยังโหนดอื่นๆ วิธีการบีบอัดรวมถึงการลดความหนาแน่นแบบ Top-k (เก็บเฉพาะส่วนกราดิเอนต์ที่สำคัญที่สุด) การส่งคืนข้อผิดพลาด (เก็บส่วนที่ถูกตัดทิ้งไว้เพื่อสะสมในรอบถัดไป) และการควอนไทซ์ 2 บิต สุดท้ายอัตราการบีบอัดเกิน 146 เท่า

พูดอีกแบบคือ สิ่งที่เคยต้องส่ง 100MB ตอนนี้แค่ต้องการน้อยกว่า 1MB

สิ่งนี้ทำให้ระบบสามารถรักษาการใช้งานการคำนวณไว้ที่ประมาณ 94.5% ภายใต้ข้อจำกัดแบนด์วิธของอินเทอร์เน็ตทั่วไป (อัตราการส่งขึ้น 110 Mbps, อัตราการรับลง 500 Mbps) — ด้วยโหนด 20 โหนด แต่ละโหนดมี B200 8 ตัว และใช้เวลาเพียง 70 วินาทีต่อรอบการสื่อสาร

Gauntlet แก้ปัญหาความสอดคล้องของแรงจูงใจ โดยทำงานบนบล็อกเชน Bittensor (Subnet 3) รับผิดชอบในการตรวจสอบคุณภาพของพีชคณิตเทียมที่โหนดแต่ละแห่งส่งเข้ามา โดยวิธีการคือ: ทดสอบด้วยชุดข้อมูลขนาดเล็กเพื่อดูว่า "เมื่อใช้พีชคณิตของโหนดนี้ ความสูญเสียของโมเดลลดลงเท่าใด" ผลลัพธ์นี้เรียกว่า LossScore ในขณะเดียวกัน ระบบยังตรวจสอบว่าโหนดกำลังฝึกด้วยข้อมูลที่ได้รับมอบหมายจริงหรือไม่ — หากโหนดใดมีการปรับปรุงความสูญเสียบนข้อมูลสุ่มดีกว่าบนข้อมูลที่ได้รับมอบหมาย จะได้คะแนนติดลบ

ในที่สุด แต่ละรอบการฝึกจะเลือกใช้กราเดียนต์จากโหนดที่ได้รับคะแนนสูงสุดเท่านั้นในการรวมกัน โหนดอื่นๆ จะถูกตัดออกจากรอบนั้น ผู้เข้าร่วมที่เกินจำนวนจะถูกเติมเต็มทันทีเพื่อให้ระบบคงความมั่นคง ตลอดกระบวนการฝึกอบรม โดยเฉลี่ยแล้วมีโหนด 16.9 โหนดต่อรอบที่กราเดียนต์ของพวกมันถูกรวมเข้าด้วยกัน และจำนวน ID โหนดที่เข้าร่วมอย่างไม่ซ้ำกันเกิน 70 รายการ

จากมุมมองทางเทคนิคและอุตสาหกรรม เรื่องนี้มีความหมายจริงหลายประการที่ Covenant-72B กำลังเดินไปในทิศทางนั้น

ประการแรก ได้ทำลายสมมติฐานที่ว่า “การฝึกแบบกระจายเหมาะสำหรับโมเดลขนาดเล็กเท่านั้น” แม้ยังห่างไกลจากโมเดลชั้นนำ แต่ได้พิสูจน์ถึงความสามารถในการขยายตัวในทิศทางนี้

ประการที่สอง การมีส่วนร่วมโดยไม่ต้องได้รับอนุญาตเป็นไปได้จริง ซึ่งถูกมองข้ามไป โครงการการฝึกอบรมแบบกระจายก่อนหน้านี้ขึ้นอยู่กับรายการอนุญาต—ผู้เข้าร่วมเท่านั้นที่ผ่านการตรวจสอบจึงจะสามารถบริจาคทรัพยากรการประมวลผลได้ ในครั้งนี้ การฝึกอบรม SN3 ผู้ที่มีทรัพยากรการประมวลผลเพียงพอสามารถเชื่อมต่อได้ทันที โดยกลไกการตรวจสอบจะทำหน้าที่กรองการบริจาคที่เป็นอันตราย นี่คือก้าวสำคัญสู่ความ “เป็นกลางอย่างแท้จริง”

ثالثly กลไก dTAO ของ Bittensor ทำให้การค้นพบมูลค่าของเครือข่ายย่อยเป็นไปได้ dTAO อนุญาตให้เครือข่ายย่อยแต่ละแห่งออกโทเค็น Alpha ของตนเอง โดยใช้กลไก AMM เพื่อให้ตลาดตัดสินว่าเครือข่ายย่อยใดควรได้รับการปล่อย TAO มากขึ้น ซึ่งมอบกลไกการจับมูลค่าที่หยาบแต่มีประสิทธิภาพสำหรับเครือข่ายย่อยเช่น SN3 ที่สร้างผลลัพธ์ที่เป็นรูปธรรม อย่างไรก็ตาม กลไกนี้ยังคงไวซึ่งความเสี่ยงจากเรื่องเล่าและอารมณ์ เนื่องจากคุณภาพของผลลัพธ์การฝึก LLM นั้นยากต่อการประเมินอย่างอิสระโดยผู้เข้าร่วมตลาดทั่วไป

สี่ ความหมายทางการเมืองและเศรษฐกิจของการฝึกอบรม AI แบบกระจายศูนย์ แจ็ค คลาร์ก ใน Import AI ได้ยกประเด็นนี้ขึ้นไปสู่ระดับ “ใครเป็นเจ้าของอนาคตของ AI” ปัจจุบัน การฝึกอบรมโมเดลชั้นนำถูกผูกขาดโดยองค์กรไม่กี่แห่งที่มีศูนย์ข้อมูลขนาดใหญ่ ซึ่งไม่ใช่แค่ปัญหาทางธุรกิจ แต่ยังเป็นปัญหาโครงสร้างอำนาจ หากการฝึกอบรมแบบกระจายศูนย์สามารถบรรลุความก้าวหน้าทางเทคนิคอย่างต่อเนื่อง อาจสร้างระบบนิเวศการพัฒนาที่แท้จริงแบบกระจายศูนย์สำหรับโมเดลบางประเภท (เช่น โมเดลชั้นนำขนาดเล็กในสาขาเฉพาะ) อย่างไรก็ตาม แนวโน้มนี้ยังห่างไกลจากความเป็นจริงในขณะนี้

ฮวน เรินซูน กล่าวว่า สิ่งนี้เหมือนกับ “Folding@home ยุคสมัยใหม่” Folding@home ได้สร้างผลงานที่แท้จริงในด้านการจำลองโมเลกุล แต่ไม่ได้คุกคามตำแหน่งหลักของการวิจัยและพัฒนาของบริษัทยาขนาดใหญ่ การเปรียบเทียบนี้แม่นยำมาก

SN3 ได้ดำเนินการโปรโตคอลสำเร็จและยืนยันทิศทางที่เป็นไปได้ของการฝึกอบรมแบบกระจาย แต่จากมุมมองทางเทคนิคและอุตสาหกรรม ผลลัพธ์ที่มันนำเสนอมาพร้อมกับปัญหาอีกมากมายที่แทบไม่มีใครอยากพูดถึงอย่างจริงจัง:

MMLU 本身ในวงการวิชาการก็เป็นตัวชี้วัดที่มีการถกเถียงกันอย่างมาก เนื่องจากคำถามและคำตอบของฐานข้อมูลอ้างอิงสาธารณะมีความเสี่ยงที่จะรั่วไหลเข้าสู่ชุดข้อมูลการฝึกอบรม ยิ่งไปกว่านั้น การเลือกฐานเปรียบเทียบก็น่าสนใจยิ่งกว่า: โมเดลที่ใช้เป็นเกณฑ์เปรียบเทียบในบทความคือ LLaMA-2-70B และ LLM360 K2 ซึ่งเป็นโมเดลรุ่นเก่าตั้งแต่ปี 2023 ถึง 2024 ในขณะที่คะแนนระหว่าง 65 ถึง 70 ในช่วงเวลานั้น เมื่อถามถึง Grok หรือ DouBao จะถูกจัดอยู่ในระดับกลางถึงล่างและระดับเริ่มต้น และเมื่อพิจารณาจาก Claude ถือว่าล้าหลังอย่างรุนแรง หากนำมันไปวางไว้บนรายการอัปเดตแบบไดนามิกหรือฐานข้อมูลอ้างอิงรุ่นใหม่ที่ออกแบบมาเพื่อต้านทานการปนเปื้อน ข้อสรุปอาจเป็นความจริงมากยิ่งขึ้น

ที่สำคัญกว่านั้น ข้อมูลคุณภาพสูงที่กำหนดขีดจำกัดของโมเดล—เช่น ข้อมูลการสนทนา โค้ด การพิสูจน์ทางคณิตศาสตร์ และเอกสารทางวิทยาศาสตร์—มีแนวโน้มที่จะอยู่ในมือของบริษัทใหญ่ สำนักพิมพ์ และฐานข้อมูลทางวิชาการต่างๆ แม้พลังการคำนวณจะถูกทำให้เป็นประชาธิปไตยแล้ว แต่ด้านข้อมูลยังคงอยู่ในโครงสร้างผูกขาด ความขัดแย้งนี้ยังไม่เคยถูกพูดถึง

เกี่ยวกับความปลอดภัย การเข้าร่วมโดยไม่ต้องได้รับอนุญาตหมายความว่าคุณไม่รู้ว่าโหนดกว่า 70 แห่งเหล่านั้นถูกควบคุมโดยใคร และพวกเขากำลังใช้ข้อมูลอะไรในการฝึกอบรม Gauntlet สามารถกรองเกรเดียนต์ที่ผิดปกติชัดเจน แต่ไม่สามารถป้องกันการปลอมปนข้อมูลที่ละเอียดอ่อน—หากโหนดหนึ่งมีการฝึกอบรมอย่างเป็นระบบในทิศทางของเนื้อหาอันตรายบางประเภท เกรเดียนต์ที่เกิดขึ้นจะมีการเปลี่ยนแปลงอย่างละเอียดอ่อนเพียงพอที่จะผ่านการกรองด้วยคะแนนการสูญเสีย แต่ก่อให้เกิดการเบี่ยงเบนสะสมต่อพฤติกรรมของโมเดล คำถามสุดท้ายคือ: ในบริบทที่มีข้อกำหนดด้านการปฏิบัติตามกฎหมายและความปลอดภัยสูง เช่น การเงิน การแพทย์ และกฎหมาย การใช้โมเดลที่ถูกฝึกโดยโหนดไม่กี่แห่งที่ไม่เปิดเผยตัวตนและแหล่งที่มาของข้อมูลไม่สามารถติดตามย้อนกลับได้ จะก่อให้เกิดความเสี่ยงใดบ้าง?

ยังมีปัญหาเชิงโครงสร้างอีกประการที่ควรพูดตรงไปตรงมา: Covenant-72B ถูกเปิดซอร์สภายใต้ใบอนุญาต Apache 2.0 และไม่ได้ใช้โทเค็น SN3 การถือครองโทเค็น SN3 หมายถึงการได้รับส่วนแบ่งจากผลประโยชน์จากการปล่อยออกที่เกิดจากการผลิตโมเดลใหม่อย่างต่อเนื่องของเครือข่ายย่อยนี้ ไม่ใช่ผลประโยชน์โดยตรงจากการใช้งานโมเดล 价值链นี้ขึ้นอยู่กับการผลิตการฝึกอบรมอย่างต่อเนื่องและการทำงานของกลไกการปล่อยออกของเครือข่าย Bittensor โดยรวม หากการฝึกอบรมในอนาคตหยุดชะงัก หรือผลลัพธ์การฝึกอบรมใหม่ไม่เป็นไปตามความคาดหวัง ตรรกะการประเมินมูลค่าของโทเค็นก็จะอ่อนแอลง

การระบุคำถามเหล่านี้ไม่ได้มีจุดประสงค์เพื่อปฏิเสธความหมายของ Covenant-72B มันพิสูจน์ว่าสิ่งที่เคยถือว่าเป็นไปไม่ได้นั้นสามารถทำได้ ความจริงนี้จะไม่หายไป แต่การทำสำเร็จกับสิ่งที่มันหมายถึง เป็นสองเรื่องที่ต่างกัน

สกุลเงิน SN3 เพิ่มขึ้น 440% ในช่วงหนึ่งเดือนที่ผ่านมา ช่องว่างนี้อาจไม่ใช่เพียงแค่การปั่นราคา แต่เป็นเพราะเรื่องราวมักเคลื่อนไหวเร็วกว่าความเป็นจริง แต่ช่องว่างนี้จะถูกเติมเต็มด้วยความเป็นจริง หรือถูกตลาดปรับตัวและดูดซับไป ขึ้นอยู่กับสิ่งที่ทีม Covenant AI จะส่งมอบต่อไป

สิ่งที่ควรให้ความสนใจคือ Grayscale ได้ยื่นคำขอ ETF สำหรับ TAO ในเดือนมกราคม 2026 ซึ่งบ่งชี้ถึงสัญญาณการเข้าสู่ตลาดของทุนจากสถาบัน นอกจากนี้ ในเดือนธันวาคม 2025 Bittensor จะลดการปล่อย TAO รายวันลงครึ่งหนึ่ง ทำให้การลดลงของอุปทานในเชิงโครงสร้างยังคงดำเนินต่อไป

ลิงก์อ้างอิง：

https://arxiv.org/pdf/2603.08163

https://importai.substack.com/p/importai-449-llms-training-other

https://docs.tplr.ai/

https://systems-analysis.ru/int/MMLU_Benchmark_%E2%80%94_MMLU_%E5%9F%BA%E5%87%86%E6%B5%8B%E8%AF%95