SN9 ermöglicht ein umfangreiches KI-Modelltraining mithilfe der IOTA-Architektur
Das Training eines großen Sprachmodells erfordert normalerweise ein Lager voller GPUs, eine siebenstellige Cloud-Computing-Rechnung und die Art von organisatorischer Stärke, über die nur eine Handvoll Unternehmen verfügen. Bittensors Subnet 9 versucht, dieses Skript mit einer neuen Architektur namens $IOTA umzudrehen, kurz für Incentivized Orchestrated Training Architecture, die riesige KI-Modelle auf mehrere Maschinen aufteilt, sodass kein einzelner Teilnehmer das Ganze im Speicher behalten muss.
Vom „Winner-takes-all“-Prinzip zum kollektiven Fließband
Frühere Versionen von SN9 basierten auf einem Wettbewerbsmodell. Die Bergleute traten im Wesentlichen gegeneinander an, und nur die Spitzenreiter erhielten Belohnungen. Bis August 2024 hatte dieses Setup große Sprachmodelle mit bis zu 14 Milliarden Parametern erfolgreich vorab trainiert.
Aber der Winner-takes-all-Ansatz hatte eine Obergrenze. Es entmutigte kleinere Mitwirkende, die nicht mit gut ausgestatteten Bergleuten konkurrieren konnten, und führte zu natürlichen Engpässen bei der Bewältigung der einzelnen Maschinen. $IOTA, veröffentlicht am 16. Juli 2025 auf arXiv, überdenkt die gesamte Anreizstruktur.
Werbung
Statt isolierter Konkurrenten fungieren Miner nun als Knotenpunkte in einer kollaborativen Pipeline. Die Architektur integriert sowohl Pipeline-Parallelität als auch Datenparallelität, zwei Techniken, die der Art und Weise entlehnt sind, wie große KI-Labore bereits Trainingsarbeitslasten intern verteilen. Belohnungen im Rahmen von $IOTA werden proportional auf der Grundlage ihres tatsächlichen Beitrags an alle Pipeline-Miner verteilt, wodurch der Haupthindernis für kleinere GPU-Besitzer, sich zu beteiligen, beseitigt wird.
Trainieren Sie KI-Modelle von Ihrem Wohnzimmer aus
Die praktische Erweiterung dieser Architektur zeigte sich im Februar 2026 mit der Einführung von „Train at Home“, einer Verbraucheranwendung, mit der Mac-Benutzer ihre GPU-Leistung in die Trainingspipeline einbringen können. Die Anwendung arbeitet über einen Orchestrator, der die Koordination zwischen den Mitwirkenden übernimmt. Es verteilt die Modellebenen gleichmäßig und verwaltet die Belohnungszuteilung, sodass einzelne Benutzer die zugrunde liegenden Pipeline-Mechaniken nicht verstehen müssen.
Was das für Anleger bedeutet
Die meisten „dezentralen Computer“-Projekte im Kryptobereich haben sich auf Inferenz konzentriert, indem sie bereits trainierte Modelle ausführen, anstatt neue Modelle von Grund auf zu trainieren. Das Training ist um Größenordnungen schwieriger, da es eine strenge Synchronisierung, einen enormen Datendurchsatz und eine konsistente Betriebszeit auf allen teilnehmenden Knoten erfordert.
Der Pipeline-Parallelitätsansatz von $IOTA umgeht die Speicherbeschränkungen, die in der Vergangenheit verteiltes Training für Modelle mit Milliarden Parametern unpraktisch gemacht haben, indem Modellschichten auf Maschinen aufgeteilt werden, anstatt zu verlangen, dass jeder Teilnehmer über eine vollständige Kopie verfügt. Die bisherige Erfolgsbilanz von SN9-Vortrainingsmodellen mit bis zu 14 Milliarden Parametern liefert zumindest einen grundlegenden Beweis dafür, dass das Subnetz sinnvolle Arbeitslasten bewältigen kann.
Speziell für $TAO-Inhaber könnte die Umstellung von „Gewinner nimmt alles“ auf proportionale Belohnungen die Bergbauökonomie im Subnetz 9 erheblich verändern. Eine breitere Beteiligung bedeutet eine stärker verteilte Nachfrage nach $TAO-Einsätzen, bedeutet aber auch, dass die individuellen Belohnungsraten sinken, wenn mehr Bergleute der Pipeline beitreten.
Ein bösartiger oder fehlerhafter Knoten in einer Trainingspipeline kann Verlaufsaktualisierungen für den gesamten Lauf beschädigen. Wie $IOTA in der Praxis mit der byzantinischen Fehlertoleranz umgeht, wird darüber entscheiden, ob sich diese Architektur über den Proof-of-Concept hinaus in eine Trainingsinfrastruktur auf Produktionsniveau skalieren lässt.