去中心化策略使AI训练速度提高10倍，成本降低95%

人工智能培训通过去中心化策略变得快10倍，便宜95%来自0Ggetty人工智能基础的悄然变化(人工智能)可能正在进行中，并且它并没有发生在超大规模数据中心。

0G Labs，首个去中心化的AI协议(AIP)，近期与中国移动合作，宣布了一项技术突破，这可能对企业如何访问和部署大型语言模型产生深远的影响。他们的创新是一种新的训练超过1000亿参数的大型AI模型的方法，无需通常所需的超高速互联网或昂贵的集中式基础设施。

乍一看，这可能听起来像是工程界的一次胜利。

但真正的故事是经济和战略方面的。0G Labs所取得的成就可能会降低构建AI的成本，将更多控制权重新放回企业手中，并为新参与者进入这一领域打开大门。

AI训练的意义

要理解这种转变，回顾一下当前大规模 AI 模型是如何训练的会有所帮助。

像OpenAI的GPT-4或Anthropic的Claude这样的模型需要巨大的计算能力和网络吞吐量。传统上，这意味着在强大的GPU上进行训练，这些GPU通过高速、集中式的数据中心连接，这些数据中心由像Amazon Web Services、Google Cloud或Microsoft Azure这样的公司拥有或租赁。

这些数字反映了集中式云计算或超大规模数据中心的训练——需要大量的GPU集群、高带宽网络以及数百万的硬件和人员成本。Sandy Carter截至2025年初，OpenAI的领导层，包括Sam Altman，公开表示训练GPT-4的成本超过1亿美元。这一点得到了官方声明和近期人工智能分析报告中多种成本模型的支持。它是一个需要资本、人才和基础设施的模型，只有少数组织能够负担得起。

更多为您## 0G Labs 正在挑战这一关于 AI 训练的假设

他们新发布的框架，名为 DiLoCoX，引入了一种低通信训练方法，显著减少了对高带宽连接的需求。从实际角度来看，他们成功地在一个 1 Gbps 网络上使用分散式集群训练了一个 1070 亿参数的模型。这个记录是之前记录的 10 倍提高，以及使这一切成为可能的 300 倍速度突破。这大致是典型办公室互联网连接的带宽。

他们的方法不是在一个巨大的计算中心构建一切，而是将较小的分布式机器连接在一起，并优化它们之间信息的共享。其结果是一个高度可扩展、成本效益高的方式，可以在传统云之外训练大规模模型。

0G Labs的去中心化AI冠军。创始人兼首席执行官Michael Heinrich评论了AI训练的进展。在与0G Labs创始人兼首席执行官Michael Heinrich交谈时，他表示：“DiLoCoX标志着在民主化LLM训练方面的一个关键步骤：弥合巨型基础模型与通过缓慢、不可靠网络连接的去中心化集群之间的差距。通过结合管道并行性、延迟容忍通信重叠和自适应梯度压缩，该框架提供了以前被认为仅限于高带宽数据中心的规模和速度。这将开启一个新时代，在这个时代，大规模AI训练不再依赖于集中式基础设施。”

为什么人工智能训练对商业重要

在每个企业都面临着利用人工智能做更多事情的压力时，基础设施迅速成为瓶颈。一些企业开始考虑以去中心化的方式设计人工智能。构建大型模型仍然昂贵、排他，并且主要局限于拥有深厚资源或战略云合作伙伴的公司。0G的突破开辟了一条第三条道路。

这不仅仅是一个节约成本的故事。它是一个选择权和控制的故事。

1. 降低进入门槛

DiLoCoX 的方法将参与 LLM 竞赛所需的基础设施减少了多达 95%。

对于初创企业，这意味着能够进行实验和扩展，而不必在GPU支出上消耗风险投资资金。

对于中型企业，它提供了在内部训练模型的可能性，而无需做出大规模的云承诺。

对于政府和研究实验室来说，这意味着更易获得和主权的人工智能能力发展。

2. 从超大型云服务商中实现战略独立

目前大多数AI训练依赖于三家云服务提供商。

这种集中化在成本上升、供应商锁定和合规性方面带来了风险。如果您的业务依赖于人工智能，但又在医疗、国防或金融等敏感行业运营，独立训练或微调模型的能力将成为一个强大的战略杠杆。

去中心化的人工智能为数字自主提供了一条道路。通过打破尖端人工智能必须在集中式云平台上训练的假设，0G的模型为竞争和创新创造了新的空间。

3. 符合数据隐私和合规需求

许多公司对将专有数据上传到基于云的模型或训练环境持谨慎态度。通过去中心化训练，可以在保持数据本地化的情况下参与大规模的人工智能开发，数据可以保留在管辖区内、防火墙内，甚至在边缘设备上。这在拥有严格数据主权法的地区尤其具有吸引力，例如欧盟或正在建立自己人工智能生态系统的国家。0G网络从未看到任何私人数据。

4. 加速在服务不足市场的创新

高昂的入场成本使许多国家和行业在先进人工智能发展中处于旁观状态。

DiLoCoX 降低了这个门槛。

位于肯尼亚的大学、东南亚的电信提供商或拉丁美洲的区域银行可能无法获得与硅谷相同的计算能力，但他们很快可能会拥有在现有基础设施上训练和部署其智能系统的工具。

5. 地缘政治和监管风险

尽管技术成就令人印象深刻，但中国移动的参与引发了质疑。

随着美国与中国在技术领导力和国家安全方面的紧张局势持续升级，企业必须权衡与中国国有关联实体合作所涉及的潜在监管审查、数据治理问题和声誉风险。

对于总部位于美国或在盟国市场运营的公司，与中国相关的任何基础设施或研究整合可能会面临出口管制、法律限制或公众反对。探索去中心化AI解决方案的组织需要考虑的不仅是性能和成本，还有政治对齐、合规框架和长期可行性。

然而，在去中心化基础设施上拥有DiLoCoX，网络是无信任的，这并不是一个问题，因为中国移动从未看到您的数据，并且该系统不依赖于他们来获取结果。

重新构建人工智能的商业模式

如果DiLoCoX被广泛采用，它可能会在更广泛的AI生态系统中产生涟漪效应。

云收入模型目前受到人工智能工作负载的推动，可能面临新的定价压力。人工智能即服务平台可能需要重新架构，以支持混合或分散的部署。开源框架可能会在影响力上增长，因为去中心化强调了互操作性和本地控制。企业软件供应商可能需要重新考虑他们的人工智能战略，以反映更加分布式的计算格局。

这一转变也与面向每个人的人工智能的更广泛趋势相一致。从低代码代理构建工具到边缘推理，这一运动朝着更易于访问、模块化和可定制的人工智能堆栈发展。去中心化训练是这一理念的自然延伸。

针对CIO和CTO的AI信号

对于企业领导者来说，0G 的工作并不是立即颠覆的信号，而是近未来机会的信号。人工智能正在从其关键的起步阶段不断发展。

现在是重新评估基础设施战略的时候。您的组织应该继续投资于基于云的模型托管，还是开始探索去中心化的替代方案？

您的内部数据中心能否作为分布式训练系统中的一个节点？去中心化的联合学习是一种很好的方式，可以利用来自网络中不同方（如医院）私有数据来训练癌症诊断模型。您是否可能与您所在行业的其他人合作，共同开发使用去中心化协议的模型？

即使今天的答案不是肯定的，像 DiLoCoX 这样的框架的出现也应该将 AI 基础设施规划提升到更高的战略议程上。那些通过建立内部能力、评估合作伙伴和理解技术栈来为这一转变做好准备的企业，将在经济环境向他们有利时，处于最有利的位置。

一个人工智能构建不同的未来

0G Labs 和中国移动所展示的不仅仅是一个技术概念验证。这是一种关于智能如何构建、训练和分发的新思维方式。通过展示在没有集中超级计算机的情况下训练 1000 亿参数模型是可能的，他们不仅在推动规模的边界。他们还在扩大可接入性。

对于商业来说，这意味着人工智能可能不再只是关于谁拥有最大的数据中心，而是关于谁能够构建最智能、最灵活的系统。

那是一个值得为之准备的AI未来。