SN9 обеспечивает крупномасштабное обучение моделей искусственного интеллекта с использованием архитектуры IOTA.
Для обучения большой языковой модели обычно требуется склад, полный графических процессоров, семизначный счет за облачные вычисления и организационные возможности, которыми обладают лишь немногие компании. Подсеть 9 Bittensor пытается перевернуть этот сценарий с помощью новой архитектуры под названием $IOTA, сокращенно от Incentivized Orchestrated Training Architecture, которая распределяет огромные модели ИИ по нескольким машинам, поэтому ни одному участнику не нужно держать все это в памяти.
От принципа «победитель получает все» до коллективного конвейера
Предыдущие версии SN9 работали по конкурентоспособной модели. Майнеры, по сути, соревновались друг с другом, и только лучшие игроки получали награды. К августу 2024 года эта установка успешно предварительно обучила большие языковые модели, содержащие до 14 миллиардов параметров.
Но подход «победитель получает все» имел потолок. Это отпугнуло мелких участников, которые не могли конкурировать с хорошо обеспеченными ресурсами майнерами, и создало естественные узкие места в отношении того, с чем может справиться любая отдельная машина. $IOTA, опубликованная на arXiv 16 июля 2025 года, переосмысливает всю структуру стимулов.
Реклама
Вместо изолированных конкурентов майнеры теперь функционируют как узлы в совместном конвейере. Архитектура объединяет как конвейерный параллелизм, так и параллелизм данных — два метода, заимствованные из того, как крупные лаборатории искусственного интеллекта уже распределяют рабочую нагрузку внутри себя. Вознаграждения в размере $IOTA распределяются пропорционально между всеми конвейерными майнерами в зависимости от их фактического вклада, что устраняет основное препятствие для участия мелких владельцев графических процессоров.
Обучение моделей ИИ, не выходя из гостиной
Практическое расширение этой архитектуры проявилось в феврале 2026 года с запуском потребительского приложения Train at Home, которое позволяет пользователям Mac использовать мощность своего графического процессора в процессе обучения. Приложение работает через оркестратор, который обеспечивает координацию между участниками. Он равномерно распределяет слои модели и управляет распределением вознаграждений, поэтому отдельным пользователям не нужно понимать основную механику конвейера.
Что это значит для инвесторов
Большинство проектов «децентрализованных вычислений» в криптографии сосредоточены на умозаключениях, использовании уже обученных моделей, а не на обучении новых с нуля. Обучение на несколько порядков сложнее, поскольку оно требует жесткой синхронизации, огромной пропускной способности данных и стабильного времени безотказной работы на всех участвующих узлах.
Подход $IOTA к конвейерному параллелизму обходит ограничения памяти, которые исторически делали распределенное обучение непрактичным для моделей с миллиардами параметров, за счет разделения слоев модели между машинами, а не требования к каждому участнику хранить полную копию. Предыдущий опыт моделей предварительного обучения SN9, содержащих до 14 миллиардов параметров, обеспечивает, по крайней мере, базовое доказательство того, что подсеть может обрабатывать значимые рабочие нагрузки.
В частности, для держателей $TAO переход от принципа «победитель получает все» к пропорциональному вознаграждению может существенно изменить экономику майнинга в подсети 9. Более широкое участие означает более распределенный спрос на стейкинг в $TAO, но это также означает, что индивидуальные ставки вознаграждения будут сокращаться по мере того, как к конвейеру присоединятся все больше майнеров.
Вредоносный или неисправный узел в конвейере обучения может повредить обновления градиента на протяжении всего цикла. То, как $IOTA на практике справляется с византийской отказоустойчивостью, определит, сможет ли эта архитектура масштабироваться за пределы проверки концепции до инфраструктуры обучения производственного уровня.