SN9 permite el entrenamiento de modelos de IA a gran escala utilizando la arquitectura IOTA

Entrenar un modelo de lenguaje grande generalmente requiere un almacén lleno de GPU, una factura de computación en la nube de siete cifras y el tipo de capacidad organizativa que sólo un puñado de empresas poseen. La Subred 9 de Bittensor está tratando de cambiar ese guión con una nueva arquitectura llamada $IOTA, abreviatura de Arquitectura de entrenamiento orquestada incentivada, que divide modelos masivos de IA en múltiples máquinas para que ningún participante tenga que retener todo en la memoria.

Del ganador se lo lleva todo a la línea de montaje colectiva

Las versiones anteriores de SN9 funcionaban con un modelo competitivo. Básicamente, los mineros competían entre sí y solo los de mejor desempeño obtenían recompensas. En agosto de 2024, esa configuración había entrenado previamente con éxito grandes modelos de lenguaje con hasta 14 mil millones de parámetros.

Pero el enfoque de que el ganador se lo lleva todo tenía un límite. Disuadió a los contribuyentes más pequeños que no podían competir con los mineros con buenos recursos y creó cuellos de botella naturales en torno a lo que cualquier máquina individual podía manejar. $IOTA, publicado en arXiv el 16 de julio de 2025, replantea toda la estructura de incentivos.

anuncio

En lugar de competidores aislados, los mineros ahora funcionan como nodos en un canal colaborativo. La arquitectura integra tanto el paralelismo de canalización como el paralelismo de datos, dos técnicas tomadas de cómo los principales laboratorios de IA ya distribuyen cargas de trabajo de capacitación internamente. Las recompensas bajo $IOTA se distribuyen proporcionalmente entre todos los mineros de tuberías en función de su contribución real, lo que elimina el principal desincentivo para que participen los propietarios de GPU más pequeños.

Entrenando modelos de IA desde tu salón

La extensión práctica de esta arquitectura apareció en febrero de 2026 con el lanzamiento de “Train at Home”, una aplicación para consumidores que permite a los usuarios de Mac contribuir con la potencia de su GPU al proceso de capacitación. La aplicación funciona a través de un orquestador que maneja la coordinación entre los contribuyentes. Distribuye las capas del modelo de manera uniforme y gestiona la asignación de recompensas para que los usuarios individuales no necesiten comprender la mecánica subyacente del proceso.

Qué significa esto para los inversores

La mayoría de los proyectos de “cómputo descentralizado” en criptografía se han centrado en la inferencia, ejecutando modelos ya entrenados, en lugar de entrenar otros nuevos desde cero. La capacitación es muchísimo más difícil porque requiere una estrecha sincronización, un rendimiento masivo de datos y un tiempo de actividad constante en todos los nodos participantes.

El enfoque de paralelismo de canalización de $IOTA evita las limitaciones de memoria que históricamente han hecho que el entrenamiento distribuido no sea práctico para modelos de mil millones de parámetros al dividir las capas del modelo entre máquinas en lugar de exigir que cada participante tenga una copia completa. El historial anterior de modelos de preentrenamiento SN9 de hasta 14 mil millones de parámetros proporciona al menos una prueba básica de que la subred puede manejar cargas de trabajo significativas.

Para los titulares de $TAO específicamente, el cambio de recompensas proporcionales en las que el ganador se lo lleva todo podría cambiar significativamente la economía minera en la Subred 9. Una participación más amplia significa una demanda más distribuida de participación en $TAO, pero también significa que las tasas de recompensa individuales se reducirán a medida que más mineros se unan al proceso.

Un nodo malicioso o que no funciona correctamente en un proceso de capacitación puede dañar las actualizaciones de gradiente durante toda la ejecución. La forma en que $IOTA maneja la tolerancia a fallas bizantinas en la práctica determinará si esta arquitectura escala más allá de la prueba de concepto hacia una infraestructura de capacitación de nivel de producción.