🔥 沒錯。Templar 改變了我對 AI 基礎設施的看法。 我對去中心化的 AI 沒有太多期待，但看到 @tplr_ai 在 Bittensor（$TAO）上，使用約 70 個無許可節點訓練 72B 模型，處理 1.1T 的標記。 這本身就已經不尋常，但真正改變我想法的是他們如何讓這一切運作。 - 在這個規模下，訓練受到協調的限制。通常你在節點之間每次同步步驟需要推送約 280GB 的數據，這使得去中心化訓練基本上無法啟動。 - @tplr_ai 將這個數據壓縮到約 2.2GB，並使用 SparseLoCo 大幅減少同步頻率。當我看到這一點時，我看到他們消除了每次嘗試都失敗的核心瓶頸 🤯。 這就是為什麼我認為稱這為 DeepSeek 時刻並不誇張。DeepSeek 展示了模型可以更便宜地訓練。 Templar 則展示了它們可以完全不需要中央協調進行訓練。 -> 這兩者是非常不同的方向，而這一個在結構上感覺更難以競爭。 另一個我不會忽視的信號是：當像 Anthropic 的 Jack Clark 這樣的人公開將其框架為真正的基礎設施時： - 根據我的經驗，這種驗證通常是在某些東西已經運作之後，而不是之前。 - 這仍然是預訓練。AI 的真正優勢來自於後訓練、RLHF、對齊循環，基本上是模型變得真正有用的地方。 Templar 接下來將朝著 Grail 移動，對我來說這才是真正的考驗。如果他們也能去中心化那一層，那麼我們不再談論去中心化計算，而是在談論一個完全無許可的 AI 生產管道。 讓我對 Templar 印象深刻的是他們選擇的時機和方向。 1/ 他們在整個 AI 行業安靜地達到擴展限制時，著手解決協調問題。 - 這是一個非常不同的賭注，通常攻擊約束而不是趨勢的人，才是後來重要的人。 2/ 我看到的另一個催化劑是無許可設計。 - 大多數去中心化的 AI 系統仍然以某種方式限制參與，這會早期扼殺網絡效應。 - Templar 從一開始就完全開放，這意味著如果這個模型有效，它不僅會線性擴展，還會隨著更多貢獻者、更多實驗、更多邊緣案例的平行解決而增長。 此外，他們朝著後訓練（RL 層）發展，告訴我他們理解真正的價值所在。 預訓練引起注意，但後訓練才是模型變得可用、粘性和可貨幣化的地方。如果他們在這裡執行成功，他們將開始擁有智能層的一部分。 3/ 根據這一點我的預測： 在短期內，大多數人仍然會低估它，因為模型質量與集中實驗室之間的差距將是容易的論點。 但隨著時間的推移，我認為 Templar 會成為： - 開放 AI 開發的後端層。 - 分佈式計算的協調網絡。 - 最終成為智能精煉的市場。 不會一夜之間主導，但會悄然嵌入到各處。 如果這一切發展下去，收益將來自於成為任何人都可以構建的系統，當他們不想完全依賴 @OpenAI 時。

@tplr_ai Chads 提供了很多有關 Bittensor 生態系統的有價值資訊： @AlgodTrading @CryptoWizardd @CryptoGodJohn @QuintenFrancois @Tanaka_L2 @Eli5defi @andyyy @MilkRoad @andyyy @eliz883

@tplr_ai @AlgodTrading @CryptoWizardd @CryptoGodJohn @QuintenFrancois @Tanaka_L2 @Eli5defi @andyyy @MilkRoad @eliz883 👍