SN9 permet la formation de modèles d'IA à grande échelle à l'aide de l'architecture IOTA
La formation d'un grand modèle de langage nécessite généralement un entrepôt rempli de GPU, une facture de cloud computing à sept chiffres et le type de puissance organisationnelle que seule une poignée d'entreprises possèdent. Le sous-réseau 9 de Bittensor tente d'inverser ce script avec une nouvelle architecture appelée $IOTA, abréviation de Incentivized Orchestrated Training Architecture, qui divise des modèles d'IA massifs sur plusieurs machines afin qu'aucun participant n'ait besoin de tout conserver en mémoire.
Du vainqueur rafle tout à la chaîne de montage collective
Les versions précédentes de SN9 fonctionnaient sur un modèle compétitif. Les mineurs se faisaient essentiellement la course les uns contre les autres, et seuls les plus performants obtenaient des récompenses. En août 2024, cette configuration avait réussi à pré-entraîner de grands modèles de langage comportant jusqu'à 14 milliards de paramètres.
Mais l’approche du vainqueur rafle tout avait un plafond. Cela a découragé les petits contributeurs qui ne pouvaient pas rivaliser avec les mineurs disposant de ressources suffisantes, et cela a créé des goulots d'étranglement naturels autour de ce que chaque machine individuelle pouvait gérer. $IOTA, publié sur arXiv le 16 juillet 2025, repense toute la structure d'incitation.
Publicité
Au lieu de concurrents isolés, les mineurs fonctionnent désormais comme des nœuds dans un pipeline collaboratif. L'architecture intègre à la fois le parallélisme des pipelines et le parallélisme des données, deux techniques empruntées à la façon dont les grands laboratoires d'IA répartissent déjà les charges de travail de formation en interne. Les récompenses sous $IOTA sont distribuées proportionnellement entre tous les mineurs de pipeline en fonction de leur contribution réelle, supprimant ainsi le principal obstacle à la participation des petits propriétaires de GPU.
Entraîner des modèles d'IA depuis votre salon
L'extension pratique de cette architecture est apparue en février 2026 avec le lancement de « Train at Home », une application grand public qui permet aux utilisateurs de Mac d'apporter leur puissance GPU au pipeline de formation. L'application fonctionne via un orchestrateur qui gère la coordination entre les contributeurs. Il distribue uniformément les couches de modèles et gère l'attribution des récompenses afin que les utilisateurs individuels n'aient pas besoin de comprendre les mécanismes sous-jacents du pipeline.
Ce que cela signifie pour les investisseurs
La plupart des projets de « calcul décentralisé » dans le domaine de la cryptographie se sont concentrés sur l’inférence, en exécutant des modèles déjà formés, plutôt que d’en former de nouveaux à partir de zéro. La formation est bien plus difficile car elle nécessite une synchronisation étroite, un débit de données massif et une disponibilité constante sur tous les nœuds participants.
L'approche de parallélisme des pipelines de $IOTA contourne les contraintes de mémoire qui ont historiquement rendu la formation distribuée peu pratique pour les modèles comportant des milliards de paramètres en divisant les couches de modèles entre les machines plutôt que d'exiger que chaque participant détienne une copie complète. L'expérience antérieure des modèles de pré-entraînement SN9 jusqu'à 14 milliards de paramètres fournit au moins une preuve de base que le sous-réseau peut gérer des charges de travail significatives.
Pour les détenteurs de $TAO en particulier, le passage du gagnant remporte tout aux récompenses proportionnelles pourrait changer de manière significative l'économie minière sur le sous-réseau 9. Une participation plus large signifie une demande plus distribuée pour le jalonnement de $TAO, mais cela signifie également que les taux de récompense individuels se compresseront à mesure que davantage de mineurs rejoindront le pipeline.
Un nœud malveillant ou défectueux dans un pipeline de formation peut corrompre les mises à jour de dégradé pendant toute l'exécution. La manière dont $IOTA gère la tolérance aux pannes byzantine dans la pratique déterminera si cette architecture va au-delà de la preuve de concept pour devenir une infrastructure de formation de niveau production.