1/ Децентрализованное обучение ИИ переходит от невозможного к неизбежному. Эра централизованных монополий ИИ подвергается вызову благодаря прорывным протоколам, которые позволяют совместное обучение моделей через распределенные сети.

2/ Примечание: Qwen 3 Coder только что вышел, и это настоящая революция. Новая модель MoE с 480B параметрами и 35B активными параметрами демонстрирует выдающиеся результаты в задачах агентного кодирования, соперничая с Claude Sonnet 4. Этот полностью открытый кодер поддерживает 256K контекста нативно и 1M с экстраполяцией.

3/ Pluralis является пионером "Протокольного Обучения", радикального подхода, при котором модели обучаются совместно, но никогда не материализуются полностью в каком-либо одном месте. Раунд посевного финансирования на сумму 7,6 миллиона долларов от USV и CoinFund поддерживает их видение действительно открытого ИИ, где участники делятся экономической выгодой, не отказываясь от контроля над моделью.

@PluralisHQ 4/ Nous Research собрала 50 миллионов долларов, чтобы бросить вызов OpenAI с моделями, управляемыми сообществом. Их предстоящая модель "Consilience" с 40 миллиардами параметров использует фреймворк Psyche с компрессией, вдохновленной JPEG, чтобы обеспечить эффективное распределенное обучение на разнородном оборудовании.

5/ Gensyn привлек ~$51M на данный момент для создания "глобального кластера машинного обучения." Их протокол соединяет недоиспользуемые вычислительные мощности по всему миру, от дата-центров до игровых ноутбуков, создавая децентрализованную облачную альтернативу, которая может достичь экономических показателей, превосходящих централизованных провайдеров.

@gensynai 6/ Prime Intellect доказал, что децентрализованное обучение работает с INTELLECT-2. Их модель с 32 миллиардами параметров была обучена с использованием глобально распределенного RL через фреймворк PRIME-RL, демонстрируя, что передовые модели могут быть созданы на разных континентах без ущерба для производительности.

@PrimeIntellect 7/ Подсети Bittensor специализируются на рабочих нагрузках ИИ: - Подсеть 3 (Templar) сосредоточена на распределенной валидации обучения. - Подсеть 9 (Macrocosmos) позволяет совместную разработку моделей, создавая экономические стимулы для участников нейронной сети.

8/ Диссертация о децентрализованном обучении: агрегировать больше вычислительных мощностей, чем любая отдельная сущность, демократизировать доступ к разработке ИИ и предотвращать концентрацию власти. Поскольку модели рассуждений увеличивают затраты на вывод выше, чем на обучение, распределенные сети могут стать необходимой инфраструктурой в экономике ИИ.