يتيح SN9 التدريب على نماذج الذكاء الاصطناعي على نطاق واسع باستخدام بنية IOTA

يتطلب تدريب نموذج لغة كبير عادةً مستودعًا مليئًا بوحدات معالجة الرسوميات، وفاتورة حوسبة سحابية مكونة من سبعة أرقام، ونوع من القوة التنظيمية التي لا تمتلكها سوى مجموعة قليلة من الشركات. تحاول الشبكة الفرعية 9 التابعة لشركة Bittensor قلب هذا النص باستخدام بنية جديدة تسمى $IOTA، وهي اختصار لـ Incentivized Orchestrated Training Architecture، والتي تقسم نماذج الذكاء الاصطناعي الضخمة عبر أجهزة متعددة بحيث لا يحتاج أي مشارك واحد إلى الاحتفاظ بالأمر بأكمله في الذاكرة.

من الفائز يأخذ كل شيء إلى خط التجميع الجماعي

الإصدارات السابقة من SN9 تعمل على نموذج تنافسي. يتنافس عمال المناجم بشكل أساسي مع بعضهم البعض، ولم يحصل سوى أصحاب الأداء العالي على المكافآت. بحلول أغسطس 2024، نجح هذا الإعداد في تدريب نماذج لغوية كبيرة مسبقًا بما يصل إلى 14 مليار معلمة.

لكن نهج الفائز يأخذ كل شيء كان له سقف. لقد أدى ذلك إلى تثبيط صغار المساهمين الذين لم يتمكنوا من التنافس مع عمال المناجم ذوي الموارد الجيدة، وخلق اختناقات طبيعية حول ما يمكن لأي آلة فردية التعامل معه. تعيد $IOTA، المنشورة على arXiv في 16 يوليو 2025، التفكير في هيكل الحوافز بالكامل.

إعلان

وبدلاً من المنافسين المعزولين، يعمل القائمون بالتعدين الآن كعقد في خط أنابيب تعاوني. تدمج البنية كلا من توازي خطوط الأنابيب وتوازي البيانات، وهما تقنيتان مستعارتان من كيفية قيام مختبرات الذكاء الاصطناعي الكبرى بتوزيع أعباء العمل التدريبية داخليًا بالفعل. يتم توزيع المكافآت التي تقل قيمتها عن $IOTA بشكل متناسب بين جميع عمال المناجم بناءً على مساهمتهم الفعلية، مما يؤدي إلى إزالة المثبط الأساسي لأصحاب وحدات معالجة الرسومات الأصغر للمشاركة.

تدريب نماذج الذكاء الاصطناعي من غرفة المعيشة الخاصة بك

ظهر الامتداد العملي لهذه البنية في فبراير 2026 مع إطلاق تطبيق "Train at Home"، وهو تطبيق للمستهلك يتيح لمستخدمي Mac المساهمة بقدرات وحدة معالجة الرسومات الخاصة بهم في مسار التدريب. يعمل التطبيق من خلال منسق يتولى التنسيق بين المساهمين. فهو يوزع طبقات النموذج بالتساوي ويدير تخصيص المكافأة بحيث لا يحتاج المستخدمون الفرديون إلى فهم آليات خطوط الأنابيب الأساسية.

ماذا يعني هذا بالنسبة للمستثمرين

ركزت معظم مشاريع "الحوسبة اللامركزية" في مجال العملات المشفرة على الاستدلال، وتشغيل النماذج المدربة بالفعل، بدلاً من تدريب نماذج جديدة من الصفر. يعد التدريب أصعب بكثير لأنه يتطلب تزامنًا محكمًا وإنتاجية هائلة للبيانات ووقت تشغيل ثابتًا عبر جميع العقد المشاركة.

يتجنب نهج توازي خطوط الأنابيب $IOTA قيود الذاكرة التي جعلت التدريب الموزع تاريخيًا غير عملي لنماذج المليار معلمة عن طريق تقسيم طبقات النموذج عبر الأجهزة بدلاً من مطالبة كل مشارك بالاحتفاظ بنسخة كاملة. يوفر السجل السابق لنماذج التدريب المسبق لـ SN9 الذي يصل إلى 14 مليار معلمة على الأقل دليلاً أساسيًا على أن الشبكة الفرعية يمكنها التعامل مع أعباء العمل ذات المغزى.

بالنسبة لحاملي TAO على وجه التحديد، فإن التحول من الفائز يأخذ كل شيء إلى المكافآت المتناسبة يمكن أن يغير اقتصاديات التعدين بشكل مفيد على الشبكة الفرعية 9. وتعني المشاركة الأوسع المزيد من الطلب الموزع على حصص TAO بالدولار، ولكنها تعني أيضًا أن معدلات المكافآت الفردية سوف تنضغط مع انضمام المزيد من القائمين بالتعدين إلى خط الأنابيب.

يمكن أن تؤدي العقدة الضارة أو المعطوبة في مسار التدريب إلى إتلاف التحديثات المتدرجة للتشغيل بأكمله. إن كيفية تعامل $IOTA مع التسامح مع الأخطاء البيزنطية في الممارسة العملية ستحدد ما إذا كانت هذه البنية تتجاوز نطاق إثبات المفهوم إلى بنية تحتية للتدريب على مستوى الإنتاج.