Paano lilikha ang desentralisadong pagsasanay sa AI ng isang bagong uri ng asset para sa digital intelligence

Ang Frontier AI — ang pinaka-advanced na general-purpose AI system na kasalukuyang binubuo — ay nagiging ONE sa mga industriya sa mundo na pinakamahalagang estratehiya at ekonomiya, ngunit nananatiling halos hindi ito maa-access ng karamihan sa mga mamumuhunan at tagapagtayo. Ang pagsasanay ng isang competitive na modelo ng AI ngayon, katulad ng mga madalas gamitin ng mga retail user, ay maaaring magkahalaga ng daan-daang milyong USD, mangangailangan ng sampu-sampung libong high-end na GPU, at nangangailangan ng antas ng operational sophistication na kakaunti lamang na kumpanya ang makakasuporta. Kaya, para sa karamihan ng mga mamumuhunan, lalo na sa mga retail, walang direktang paraan upang magmay-ari ng isang bahagi ng sektor ng artificial intelligence.

Malapit nang magbago ang limitasyong iyan. Isang bagong henerasyon ng mga desentralisadong AI network ang lilipat mula sa teorya patungo sa produksyon. Ang mga network na ito ay nagkokonekta sa lahat ng uri ng GPU mula sa buong mundo, mula sa mamahaling high-end na hardware hanggang sa mga consumer gaming rig at maging ang M4 chip ng iyong MacBook, sa isang solong training fabric na may kakayahang sumuporta sa malalaki at nasa hangganang antas ng mga proseso. Ang mahalaga para sa mga Markets ay ang imprastrakturang ito ay higit pa sa pag-coordinate ng compute; kino-coordinate din nito ang pagmamay-ari sa pamamagitan ng pag-isyu ng mga token sa mga kalahok na nag-aambag ng mga mapagkukunan, na nagbibigay sa kanila ng direktang stake sa mga modelo ng AI na tinutulungan nilang likhain.

Ang desentralisadong pagsasanay ay isang tunay na pagsulong sa makabagong teknolohiya. Ang pagsasanay sa malalaking modelo sa pamamagitan ng hindi mapagkakatiwalaan at magkakaibang hardware sa bukas na internet ay, hanggang kamakailan lamang, sinasabing imposible ng mga eksperto sa AI. Gayunpaman, sinanay na ngayon ng PRIME Intellect ang mga desentralisadong modelo na kasalukuyang ginagawa — ONE na may 10 bilyong parameter (ang QUICK at mahusay na all-rounder na mabilis at may kakayahan para sa mga pang-araw-araw na gawain) at isa pa na may 32 bilyong parameter (ang malalim na palaisip na mahusay sa kumplikadong pangangatwiran at naghahatid ng mas detalyado at sopistikadong mga resulta).

Ang Gensyn, isang desentralisadong protocol ng machine-learning, ay nagpakita ng reinforcement learning na maaaring mapatunayan sa onchain. Ipinakita ng Pluralis na ang pagsasanay sa malalaking modelo gamit ang mga commodity GPU (ang mga karaniwang graphics card na matatagpuan sa mga gaming computer at mga consumer device, sa halip na mga mamahaling espesyalisadong chips) sa isang swarm ay isang lalong mabisang desentralisadong diskarte para sa malawakang pretraining, ang pundasyong yugto kung saan Learn ang mga modelo ng AI mula sa napakalaking dataset bago ito i-fine-tune para sa mga partikular na gawain.

Para maging malinaw, ang gawaing ito ay hindi lamang isang proyektong pananaliksik—ito ay nangyayari na. Sa mga desentralisadong network ng pagsasanay, ang modelo ay hindi "nakaupo" sa loob ng data center ng isang kumpanya. Sa halip, ito ay naninirahan sa buong network mismo. Ang mga parameter ng modelo ay pira-piraso at ipinamamahagi, ibig sabihin walang iisang kalahok ang nagmamay-ari ng buong asset. Ang mga Contributors ang nagbibigay ng GPU compute at bandwidth, at bilang kapalit, nakakatanggap sila ng mga token na sumasalamin sa kanilang stake sa resultang modelo. Sa ganitong paraan, ang mga kalahok sa pagsasanay ay T lamang nagsisilbing mga mapagkukunan; nakakakuha sila ng pagkakahanay at pagmamay-ari sa AI na kanilang nililikha. Ito ay isang ibang-iba na pagkakahanay mula sa nakikita natin sa mga sentralisadong AI lab.

Dito, ang tokenization ay nagiging mahalaga, na nagbibigay sa modelo ng istrukturang pang-ekonomiya at halaga sa merkado. Ang isang tokenized AI model ay gumaganap na parang isang stock, kung saan ang mga daloy ng pera ay sumasalamin sa demand ng modelo. Tulad ng pagsingil ng OpenAI at Anthropic sa mga gumagamit para sa pag-access sa API, gayundin ang mga desentralisadong network. Ang resulta ay isang bagong uri ng asset: tokenized intelligence.

Sa halip na mamuhunan sa isang malaking pampublikong kumpanya na nagmamay-ari ng mga modelo, maaaring direktang malantad ang mga mamumuhunan sa mga modelo. Ipapatupad ito ng mga network sa pamamagitan ng iba't ibang estratehiya. Ang ilang mga token ay maaaring pangunahing magbigay ng mga karapatan sa pag-access — prayoridad o garantisadong paggamit ng mga kakayahan ng modelo — habang ang iba ay maaaring tahasang subaybayan ang isang bahagi ng netong kita na nalilikha kapag nagbabayad ang mga gumagamit upang magpatakbo ng mga query sa pamamagitan ng modelo. Sa parehong mga kaso, ang mga Markets ng token ay nagsisimulang gumana tulad ng isang stock market para sa mga modelo, kung saan ang mga presyo ay sumasalamin sa mga inaasahan tungkol sa kalidad, demand at kapakinabangan ng isang modelo. Para sa maraming mamumuhunan, maaaring ito ang pinakadirektang landas upang lumahok sa pananalapi sa paglago ng AI.

Ang pag-unlad na ito ay hindi nangyayari nang walang katiyakan. Ang tokenization ay pumapasok na sa mainstream ng pananalapi, kasama ang mga platform tulad ng Superstate at Securitize (nakatakdang maging publiko sa 2026) na nagdadala ng mga pondo at tradisyonal na mga securities sa chain. Ang mga diskarte sa asset sa totoong mundo ay isang sikat na paksa ngayon sa mga regulator, asset manager, at mga bangko. Ang mga modelo ng Tokenized AI ay natural na nababagay sa kategoryang ito: ang mga ito ay digital na native, naa-access ng sinumang may koneksyon sa internet anuman ang lokasyon, at ang kanilang CORE aktibidad sa ekonomiya—pagkalkula para sa hinuha, ang proseso ng pagpapatakbo ng mga query sa pamamagitan ng isang sinanay na modelo upang makakuha ng mga sagot—ay awtomatiko na at masusubaybayan ng software. Sa lahat ng mga tokenized asset, ang patuloy na pagpapabuti ng mga sistema ng AI ay maaaring ang pinaka-likas na dinamiko, dahil ang mga modelo ay maaaring i-upgrade, sanayin muli, at pagbutihin sa paglipas ng panahon.

Ang mga desentralisadong AI network ay natural na pagpapalawig ng tesis na ang mga blockchain ay nagbibigay-daan sa mga komunidad na sama-samang pondohan, bumuo, at magmay-ari ng mga digital asset sa mga paraang dati'y imposible. Una ay pera, pagkatapos ay mga kontrata sa pananalapi, pagkatapos ay mga real-world asset. Ang mga modelo ng AI ang susunod na digitally native asset class na organisado, pagmamay-ari at ikakalakal sa onchain. Ang aming pananaw ay ang interseksyon ng Crypto at AI ay hindi limitado sa "mga token na may temang AI"; ito ay ikakabit sa aktwal na kita ng modelo, na susuportahan ng masusukat na compute at paggamit.

Maaga pa. Karamihan sa mga desentralisadong sistema ng pagsasanay ay nasa aktibong pag-unlad, at maraming disenyo ng token ang babagsak sa mga teknikal, pang-ekonomiya o regulasyon na pagsubok. Ngunit malinaw ang direksyon: ang mga desentralisadong network ng pagsasanay ng AI ay nakatakdang maging isang likido, pandaigdigang pinag-ugnay na mapagkukunan. Ang mga modelo ng AI ay nagiging maibabahagi, maaring pag-aari at maipagbibili sa pamamagitan ng mga token. Habang nagkaka-mature ang mga network na ito, ang mga Markets ay hindi lamang magpepresyo sa mga kumpanyang bumubuo ng katalinuhan; pipigilan din nila ang pagpepresyo ng katalinuhan mismo.