Навчання штучному інтелекту стає в 10 разів швидшим і на 95% дешевшим завдяки децентралізованій стратегії від 0GgettyТихий зсув у основах штучного інтелекту (AI) може бути на етапі, і це не відбувається в гіпермасштабному дата-центрі.
0G Labs, перший децентралізований AI протокол (AIP), у співпраці з China Mobile, нещодавно оголосив про технічний прорив, який може мати широкі наслідки для того, як бізнеси отримують доступ до великих мовних моделей та впроваджують їх. Їхня інновація – це новий метод навчання масивних AI моделей з понад 100 мільярдами параметрів без необхідності у надшвидкому інтернеті або дорогій централізованій інфраструктурі, які зазвичай потрібні.
На перший погляд, це може звучати як виграш для інженерного світу.
Але справжня історія економічна та стратегічна. Те, що досягла 0G Labs, може знизити вартість створення ШІ, повернути більше контролю в руки підприємств та відкрити двері для нових гравців, щоб увійти в цю сферу.
Що це означає для навчання ШІ
Щоб зрозуміти зміни, корисно повернутися до того, як в даний час тренуються великомасштабні моделі ШІ.
Моделі, такі як GPT-4 від OpenAI або Claude від Anthropic, вимагають величезної обчислювальної потужності та пропускної здатності мережі. Зазвичай це означає навчання їх на потужних графічних процесорах, підключених через швидкісні, централізовані дата-центри, які належать або орендуються у таких компаній, як Amazon Web Services, Google Cloud або Microsoft Azure.
Ці цифри відображають централізоване навчання на базі хмари або гіпермасштабних дата-центрів — що вимагає масивних GPU-кластерів, мереж з високою пропускною здатністю та мільйонів на витрати на обладнання та персонал. Санді Картер. Станом на початок 2025 року, керівництво OpenAI, включаючи Сема Альтмана, публічно заявило, що навчання GPT‑4 коштувало понад 100 мільйонів доларів. Це підтверджується як офіційними заявами, так і численними моделями витрат у недавніх звітах з аналізу ШІ. Це модель, яка вимагає капіталу, таланту та інфраструктури, яку небагато організацій можуть собі дозволити.
БІЛЬШЕ ДЛЯ ВАС## 0G Labs ставить під сумнів це припущення щодо навчання ШІ
Їхня нова опублікована структура, що називається DiLoCoX, вводить метод навчання з низьким спілкуванням, який драматично зменшує потребу в високошвидкісному з'єднанні. У практичному плані їм вдалося навчити модель з 107 мільярдами параметрів на мережі 1 Гбіт/с, використовуючи децентралізовані кластери. Цей рекорд є поліпшенням в 10 разів у порівнянні з попереднім рекордом і проривом зі швидкістю 300x, який став можливим вперше. Це приблизно смуга пропускання типової офісної інтернет-з'єднання.
Замість того, щоб будувати все в одному величезному обчислювальному центрі, їхній підхід пов'язує разом менші, розподілені машини та оптимізує спосіб обміну інформацією між ними. Результат - це високо масштабований, економічно ефективний спосіб навчання масивних моделей поза традиційним хмарним обчисленням.
Децентралізований AI чемпіон з 0G labs. Засновник і генеральний директор Майкл Хайнріх коментує досягнення в навчанні AI. 0G Labs. У розмові з засновником і генеральним директором 0G labs Майклом Хайнріхом він сказав: "DiLoCoX позначає вирішальний крок у демократизації навчання LLM: усунення розриву між величезними базовими моделями та децентралізованими кластерами, з'єднаними повільними, ненадійними мережами. Поєднуючи паралелізм конвеєра, перекриття комунікацій, стійких до затримки, та адаптивне стиснення градієнтів, ця структура забезпечує масштаб і швидкість, які раніше вважалися ексклюзивними для центрів обробки даних з високою пропускною здатністю. Це відкриє нову еру, коли навчання великих масштабів AI більше не буде прив'язане до централізованої інфраструктури."
Чому навчання ШІ має значення для бізнесу
У час, коли кожне підприємство під тиском робити більше з AI, інфраструктура швидко стає вузьким місцем. Деякі бізнеси починають дивитися на децентралізований AI за замовчуванням. Створення великих моделей залишається дорогим, ексклюзивним і в основному обмеженим компаніями з глибокими ресурсами або стратегічними хмарними партнерствами. Прорив 0G відкриває третій шлях.
Це не просто історія про економію витрат. Це історія про можливості та контроль.
1. Зниження бар'єру входу
Підхід DiLoCoX зменшує інфраструктуру до 95%, необхідну для участі в гонці LLM.
Для стартапів це означає можливість експериментувати та масштабуватися без витрачання венчурного капіталу на витрати на GPU.
Для середніх підприємств це дає можливість навчати моделі всередині компанії без великих зобов'язань щодо хмари.
Для урядів та науково-дослідних лабораторій це означає більш доступний та суверенний розвиток можливостей ШІ.
2. Стратегічна незалежність від гіпермасштабних компаній
Більшість навчання ШІ сьогодні залежить від трьох постачальників хмарних послуг.
Ця концентрація несе ризики в плані зростання витрат, прив'язки до постачальників та дотримання вимог. Якщо ваш бізнес залежить від ШІ, але також працює в чутливих секторах, таких як охорона здоров'я, оборона або фінанси, можливість самостійно навчати або налаштовувати моделі стає потужним стратегічним важелем.
Децентралізований ШІ пропонує шлях до цифрової автономії. Порушуючи припущення, що передовий ШІ повинен бути навчений у централізованих хмарних платформах, модель 0G створює нові можливості для конкуренції та інновацій.
3. Відповідність вимогам конфіденційності даних та нормативного регулювання
Багато компаній обережно ставляться до завантаження власних даних у хмарні моделі або навчальні середовища. Завдяки децентралізованому навчанню стає можливим зберігати дані локально в межах юрисдикції, за межами брандмауера або навіть на крайових пристроях, при цьому беручи участь у розвитку штучного інтелекту в масштабах. Це особливо привабливо в регіонах з суворими законами про суверенітет даних, такими як Європейський Союз або країни, які створюють власні екосистеми штучного інтелекту. Мережа 0G ніколи не бачить жодних приватних даних.
4. Прискорення інновацій на недостатньо обслуговуваних ринках
Висока вартість входу утримувала багато країн та галузей на узбіччі розробки передового ШІ.
DiLoCoX знижує цей поріг.
Університет у Кенії, телекомунікаційний провайдер у Південно-Східній Азії або регіональний банк у Латинській Америці можуть не мати доступу до такого ж обчислювального потенціалу, як у Кремнієвій долині, але вони незабаром можуть отримати інструменти для навчання та розгортання своїх інтелектуальних систем на наявній інфраструктурі.
5. Геополітичні та регуляторні ризики
Хоча технічне досягнення вражає, залучення China Mobile викликає питання.
Оскільки напруженість між Сполученими Штатами та Китаєм продовжує ескалувати через лідерство у технологіях та національну безпеку, бізнесам необхідно зважити потенційний регуляторний контроль, проблеми управління даними та репутаційні ризики, пов'язані з партнерствами за участю китайських державних сутностей.
Для компаній, що базуються в Сполучених Штатах або працюють на союзних ринках, будь-яка інтеграція інфраструктури чи досліджень, пов'язаних з Китаєм, може зіткнутися з експортними контролями, юридичними обмеженнями або громадським негативом. Організаціям, які досліджують децентралізовані рішення на основі ШІ, потрібно буде враховувати не лише продуктивність і витрати, але також політичну відповідність, рамки дотримання вимог і довгострокову життєздатність.
Однак, маючи DiLoCoX на децентралізованій інфраструктурі, де мережа є бездостовірною, це не є проблемою, оскільки China Mobile ніколи не бачить ваших даних, а система не покладається на них для отримання результатів.
Переформулювання бізнес-моделі ШІ
Якщо DiLoCoX буде широко прийнятий, це може створити хвильові ефекти в більшій екосистемі ШІ.
Моделі доходів від хмарних технологій, які наразі підтримуються навантаженнями штучного інтелекту, можуть зіткнутися з новим тиском на ціни. Платформи AI-as-a-service можуть потребувати перебудови для підтримки гібридних або децентралізованих розгортань. Вплив відкритих фреймворків може зрости, оскільки децентралізація підкреслює взаємодію та місцевий контроль. Постачальникам програмного забезпечення для підприємств, можливо, потрібно буде переглянути свої стратегії штучного інтелекту, щоб відобразити більш розподілену обчислювальну середу.
Цей зсув також відповідає загальній тенденції «Штучний інтелект для всіх». Від створення агентів з низьким кодом до інференції на краю, рух спрямований на більш доступні, модульні та налаштовувані стеки ШІ. Децентралізоване навчання є природним продовженням цієї філософії.
Штучний інтелект сигнал для CIO та CTO
Для керівників підприємств робота 0G слугує сигналом не негайного порушення, а можливості найближчого майбутнього. Штучний інтелект еволюціонує з його критичного початку.
Зараз час переоцінити стратегію інфраструктури. Чи варто вашій організації продовжувати інвестувати в хостинг на основі хмари, чи почати досліджувати децентралізовані альтернативи?
Чи може ваш внутрішній дата-центр слугувати як вузол у системі розподіленого навчання? Децентралізоване федеративне навчання є чудовим способом використання приватних даних від різних сторін у мережі, наприклад, лікарень, що навчають модель діагностики раку. Чи могли б ви співпрацювати з іншими в вашій галузі для спільної розробки моделей, використовуючи децентралізовані протоколи?
Навіть якщо сьогодні відповідь не "так", поява таких рамок, як DiLoCoX, повинна підштовхнути планування інфраструктури ШІ вище в стратегічному порядку денному. Бізнеси, які готуються до цього зсуву, будуючи внутрішні можливості, оцінюючи партнерів і розуміючи технічний стек, будуть найкраще підготовлені до дій, коли економічні умови зміняться на їхню користь.
Майбутнє, де ШІ створюється інакше
Те, що 0G Labs і China Mobile продемонстрували, є не лише технічним підтвердженням концепції. Це новий спосіб мислення про те, як розвивається, тренується і розподіляється інтелект. Показавши, що можливо тренувати моделі з 100 мільярдами параметрів без централізованих суперкомп'ютерів, вони не просто розширюють межі масштабу. Вони розширюють доступ.
Для бізнесу це означає, що штучний інтелект незабаром може бути менш пов'язаний з тим, хто володіє найбільшим дата-центром, і більше з тим, хто може створити найрозумніші системи з найбільшою гнучкістю.
Це майбутнє штучного інтелекту, до якого варто готуватися.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Навчання ШІ стає в 10 разів швидшим і на 95% дешевшим завдяки децентралізованій стратегії
0G Labs, перший децентралізований AI протокол (AIP), у співпраці з China Mobile, нещодавно оголосив про технічний прорив, який може мати широкі наслідки для того, як бізнеси отримують доступ до великих мовних моделей та впроваджують їх. Їхня інновація – це новий метод навчання масивних AI моделей з понад 100 мільярдами параметрів без необхідності у надшвидкому інтернеті або дорогій централізованій інфраструктурі, які зазвичай потрібні.
На перший погляд, це може звучати як виграш для інженерного світу.
Але справжня історія економічна та стратегічна. Те, що досягла 0G Labs, може знизити вартість створення ШІ, повернути більше контролю в руки підприємств та відкрити двері для нових гравців, щоб увійти в цю сферу.
Що це означає для навчання ШІ
Щоб зрозуміти зміни, корисно повернутися до того, як в даний час тренуються великомасштабні моделі ШІ.
Моделі, такі як GPT-4 від OpenAI або Claude від Anthropic, вимагають величезної обчислювальної потужності та пропускної здатності мережі. Зазвичай це означає навчання їх на потужних графічних процесорах, підключених через швидкісні, централізовані дата-центри, які належать або орендуються у таких компаній, як Amazon Web Services, Google Cloud або Microsoft Azure.
Ці цифри відображають централізоване навчання на базі хмари або гіпермасштабних дата-центрів — що вимагає масивних GPU-кластерів, мереж з високою пропускною здатністю та мільйонів на витрати на обладнання та персонал. Санді Картер. Станом на початок 2025 року, керівництво OpenAI, включаючи Сема Альтмана, публічно заявило, що навчання GPT‑4 коштувало понад 100 мільйонів доларів. Це підтверджується як офіційними заявами, так і численними моделями витрат у недавніх звітах з аналізу ШІ. Це модель, яка вимагає капіталу, таланту та інфраструктури, яку небагато організацій можуть собі дозволити.
БІЛЬШЕ ДЛЯ ВАС## 0G Labs ставить під сумнів це припущення щодо навчання ШІ
Їхня нова опублікована структура, що називається DiLoCoX, вводить метод навчання з низьким спілкуванням, який драматично зменшує потребу в високошвидкісному з'єднанні. У практичному плані їм вдалося навчити модель з 107 мільярдами параметрів на мережі 1 Гбіт/с, використовуючи децентралізовані кластери. Цей рекорд є поліпшенням в 10 разів у порівнянні з попереднім рекордом і проривом зі швидкістю 300x, який став можливим вперше. Це приблизно смуга пропускання типової офісної інтернет-з'єднання.
Замість того, щоб будувати все в одному величезному обчислювальному центрі, їхній підхід пов'язує разом менші, розподілені машини та оптимізує спосіб обміну інформацією між ними. Результат - це високо масштабований, економічно ефективний спосіб навчання масивних моделей поза традиційним хмарним обчисленням.
Децентралізований AI чемпіон з 0G labs. Засновник і генеральний директор Майкл Хайнріх коментує досягнення в навчанні AI. 0G Labs. У розмові з засновником і генеральним директором 0G labs Майклом Хайнріхом він сказав: "DiLoCoX позначає вирішальний крок у демократизації навчання LLM: усунення розриву між величезними базовими моделями та децентралізованими кластерами, з'єднаними повільними, ненадійними мережами. Поєднуючи паралелізм конвеєра, перекриття комунікацій, стійких до затримки, та адаптивне стиснення градієнтів, ця структура забезпечує масштаб і швидкість, які раніше вважалися ексклюзивними для центрів обробки даних з високою пропускною здатністю. Це відкриє нову еру, коли навчання великих масштабів AI більше не буде прив'язане до централізованої інфраструктури."
Чому навчання ШІ має значення для бізнесу
У час, коли кожне підприємство під тиском робити більше з AI, інфраструктура швидко стає вузьким місцем. Деякі бізнеси починають дивитися на децентралізований AI за замовчуванням. Створення великих моделей залишається дорогим, ексклюзивним і в основному обмеженим компаніями з глибокими ресурсами або стратегічними хмарними партнерствами. Прорив 0G відкриває третій шлях.
Це не просто історія про економію витрат. Це історія про можливості та контроль.
1. Зниження бар'єру входу
Підхід DiLoCoX зменшує інфраструктуру до 95%, необхідну для участі в гонці LLM.
Для стартапів це означає можливість експериментувати та масштабуватися без витрачання венчурного капіталу на витрати на GPU.
Для середніх підприємств це дає можливість навчати моделі всередині компанії без великих зобов'язань щодо хмари.
Для урядів та науково-дослідних лабораторій це означає більш доступний та суверенний розвиток можливостей ШІ.
2. Стратегічна незалежність від гіпермасштабних компаній
Більшість навчання ШІ сьогодні залежить від трьох постачальників хмарних послуг.
Ця концентрація несе ризики в плані зростання витрат, прив'язки до постачальників та дотримання вимог. Якщо ваш бізнес залежить від ШІ, але також працює в чутливих секторах, таких як охорона здоров'я, оборона або фінанси, можливість самостійно навчати або налаштовувати моделі стає потужним стратегічним важелем.
Децентралізований ШІ пропонує шлях до цифрової автономії. Порушуючи припущення, що передовий ШІ повинен бути навчений у централізованих хмарних платформах, модель 0G створює нові можливості для конкуренції та інновацій.
3. Відповідність вимогам конфіденційності даних та нормативного регулювання
Багато компаній обережно ставляться до завантаження власних даних у хмарні моделі або навчальні середовища. Завдяки децентралізованому навчанню стає можливим зберігати дані локально в межах юрисдикції, за межами брандмауера або навіть на крайових пристроях, при цьому беручи участь у розвитку штучного інтелекту в масштабах. Це особливо привабливо в регіонах з суворими законами про суверенітет даних, такими як Європейський Союз або країни, які створюють власні екосистеми штучного інтелекту. Мережа 0G ніколи не бачить жодних приватних даних.
4. Прискорення інновацій на недостатньо обслуговуваних ринках
Висока вартість входу утримувала багато країн та галузей на узбіччі розробки передового ШІ.
DiLoCoX знижує цей поріг.
Університет у Кенії, телекомунікаційний провайдер у Південно-Східній Азії або регіональний банк у Латинській Америці можуть не мати доступу до такого ж обчислювального потенціалу, як у Кремнієвій долині, але вони незабаром можуть отримати інструменти для навчання та розгортання своїх інтелектуальних систем на наявній інфраструктурі.
5. Геополітичні та регуляторні ризики
Хоча технічне досягнення вражає, залучення China Mobile викликає питання.
Оскільки напруженість між Сполученими Штатами та Китаєм продовжує ескалувати через лідерство у технологіях та національну безпеку, бізнесам необхідно зважити потенційний регуляторний контроль, проблеми управління даними та репутаційні ризики, пов'язані з партнерствами за участю китайських державних сутностей.
Для компаній, що базуються в Сполучених Штатах або працюють на союзних ринках, будь-яка інтеграція інфраструктури чи досліджень, пов'язаних з Китаєм, може зіткнутися з експортними контролями, юридичними обмеженнями або громадським негативом. Організаціям, які досліджують децентралізовані рішення на основі ШІ, потрібно буде враховувати не лише продуктивність і витрати, але також політичну відповідність, рамки дотримання вимог і довгострокову життєздатність.
Однак, маючи DiLoCoX на децентралізованій інфраструктурі, де мережа є бездостовірною, це не є проблемою, оскільки China Mobile ніколи не бачить ваших даних, а система не покладається на них для отримання результатів.
Переформулювання бізнес-моделі ШІ
Якщо DiLoCoX буде широко прийнятий, це може створити хвильові ефекти в більшій екосистемі ШІ.
Моделі доходів від хмарних технологій, які наразі підтримуються навантаженнями штучного інтелекту, можуть зіткнутися з новим тиском на ціни. Платформи AI-as-a-service можуть потребувати перебудови для підтримки гібридних або децентралізованих розгортань. Вплив відкритих фреймворків може зрости, оскільки децентралізація підкреслює взаємодію та місцевий контроль. Постачальникам програмного забезпечення для підприємств, можливо, потрібно буде переглянути свої стратегії штучного інтелекту, щоб відобразити більш розподілену обчислювальну середу.
Цей зсув також відповідає загальній тенденції «Штучний інтелект для всіх». Від створення агентів з низьким кодом до інференції на краю, рух спрямований на більш доступні, модульні та налаштовувані стеки ШІ. Децентралізоване навчання є природним продовженням цієї філософії.
Штучний інтелект сигнал для CIO та CTO
Для керівників підприємств робота 0G слугує сигналом не негайного порушення, а можливості найближчого майбутнього. Штучний інтелект еволюціонує з його критичного початку.
Зараз час переоцінити стратегію інфраструктури. Чи варто вашій організації продовжувати інвестувати в хостинг на основі хмари, чи почати досліджувати децентралізовані альтернативи?
Чи може ваш внутрішній дата-центр слугувати як вузол у системі розподіленого навчання? Децентралізоване федеративне навчання є чудовим способом використання приватних даних від різних сторін у мережі, наприклад, лікарень, що навчають модель діагностики раку. Чи могли б ви співпрацювати з іншими в вашій галузі для спільної розробки моделей, використовуючи децентралізовані протоколи?
Навіть якщо сьогодні відповідь не "так", поява таких рамок, як DiLoCoX, повинна підштовхнути планування інфраструктури ШІ вище в стратегічному порядку денному. Бізнеси, які готуються до цього зсуву, будуючи внутрішні можливості, оцінюючи партнерів і розуміючи технічний стек, будуть найкраще підготовлені до дій, коли економічні умови зміняться на їхню користь.
Майбутнє, де ШІ створюється інакше
Те, що 0G Labs і China Mobile продемонстрували, є не лише технічним підтвердженням концепції. Це новий спосіб мислення про те, як розвивається, тренується і розподіляється інтелект. Показавши, що можливо тренувати моделі з 100 мільярдами параметрів без централізованих суперкомп'ютерів, вони не просто розширюють межі масштабу. Вони розширюють доступ.
Для бізнесу це означає, що штучний інтелект незабаром може бути менш пов'язаний з тим, хто володіє найбільшим дата-центром, і більше з тим, хто може створити найрозумніші системи з найбільшою гнучкістю.
Це майбутнє штучного інтелекту, до якого варто готуватися.