刷新世界记录！40B模型+20万亿token，散户组团挑战算力霸权

新智元报道

编辑：KingHZ

【新智元导读】全球网友用闲置显卡组团训练大模型。40B大模型、20万亿token，创下了互联网上最大规模的预训练新纪录！去中心化AI的反攻，正式开始。OpenAI等巨头的算力霸权，这次真要凉了？

互联网上最大规模的预训练来了！

Nous Research宣布正式推出Psyche网络（Psyche Network），通过去中心化方式革新人工智能（AI）训练。

Psyche网络利用区块链技术，汇聚全球计算资源，成功启动了40B参数大语言模型Consilience的预训练任务，总计20万亿token，创下了迄今为止互联网上最大规模的预训练纪录。

大语言模型Consilience采用DeepSeek V3的多头潜在注意力（MLA）架构，相较于Llama使用的GQA架构更具表达力，同时通过优化QKV投影矩阵减少计算开销。

三种注意力的对比

Psyche利用全球闲置的计算资源（如4090、A100和H100等消费级GPU），大幅降低训练成本。

通过并行实验，Psyche鼓励开源社区提出新的模型架构和训练方法，未来可能催生更多创新。

Psyche网络技术原理图，核心在于DisTrO优化器与Solana区块链

过去，人们总觉得「AI模型的去中心化训练」不过是一种幻想，尤其在那些超越了爱好者规模的语言模型面前更是如此。

但几项关键技术突破——尤其是并行化和强化学习——正在逐渐打破这种局限，让除了OpenAI、Anthropic这类大公司之外的小型团队也开始进入这个赛道。

现在看来，聪明的算法可以弥补基础设施的不足，而像Nous Research这样的去中心化参与者正希望抓住这个机会。

砸碎算力墙

近年来，AI模型的训练逐渐被大型科技公司垄断。

训练一个前沿模型需要数千个高性能GPU和超高带宽的集群，这使得普通研究者或小型团队几乎无法参与。

这种集中化趋势不仅限制了创新，还可能导致少数科技去投垄断甚至控制AI模型。

集中式AI，可能会少数科技巨头「比你更了解你自己」。

Hermes系列中规模最大的模型——Hermes 3 405B，是在基础的Llama 3.1模型上进行微调完成的。

整个训练过程动用了128块H100 GPU，耗时约16小时（总计约2,086GPU小时）。

从成本上看其实并不离谱——目前租用8块H100的计算节点每小时大约在16到24美元之间，因此一次完整训练的开销大约在5,000美元左右。

作为Nous Research Hermes系列的最新迭代，Hermes 3 405B自Llama-3.1 405B的全参数微调模型，

但如果我们想更进一步，想得更大呢？

毕竟，Hermes目前还是依赖Llama作为基础模型。

如果我们不再依赖已有的模型，而是从零开始构建自己的基础模型，那我们就需要更庞大的“船”了。

要以更大规模、低成本地实现类似的训练成果，确实面临不少挑战，尤其是当训练从集中化的GPU集群转向基于互联网的去中心化网络时。

Nous Research提出了Psyche网络的解决方案：通过去中心化的方式，让全球的计算资源参与AI模型训练，降低进入门槛，推动AI发展的民主化。

Nous Research的Psyche网络成功实现了去中心化的AI训练，开创了一个全新的模式。

Psyche不仅降低了AI开发的门槛，还推动了全球协作和创新。

Consilience模型的预训练只是起点，未来Psyche网络有望成为AI民主化的重要基石，为开源社区和小型团队提供与科技巨头抗衡的机会。

用DisTrO解决带宽瓶颈

在去中心化训练中，网络带宽一直是最令人担忧的问题之一。

在传统的数据中心里，GPU之间通过极高带宽的连接（如NVLink或InfiniBand）相连，带宽可达每秒几百Gb（千兆位）。

而相比之下，互联网上的志愿者节点，往往只有几十甚至几百Mb（兆位）每秒的带宽。

质疑者认为，这种高达100倍甚至1,000倍的带宽差距，会让跨互联网的AI训练变得无比缓慢、几乎不可能。

毕竟，传统的训练方式需要GPU之间持续地交换更新信息，而如果试图用普通家用网络来完成这些通信，很可能会陷入「灾难级」的训练体验。

在此前对DeMo（Decoupled Momentum Optimization）的研究基础上，Nous推出的DisTrO技术，能够让所有训练节点保持高度同步，同时将所需带宽降低1,000到10,000倍。

2024年12月，Nous与多位合作伙伴一起，在封闭测试网中，训练了一个150亿参数的基础模型，并成功验证了多项理论设想：

• 首次将DisTrO优化器系列大规模应用于训练任务
• 验证了节点中途掉线和新增节点时的容错能力
• 证明了增加训练节点确实能提升整体训练速度

这次实验标志着分布式、去中心化训练迈出了从理论走向现实的关键一步。

区块链+AI

在硅谷的一些圈子里，「加密」这个词几乎成了贬义词，而Nous一直努力保持与AI开发者之间的开放交流桥梁不被切断。

也正因如此，他们这次将Psyche搭建在区块链上，是一个值得关注的重要转变。

Psyche将成为Nous用于预训练、微调和部署下一代模型的平台。

通过将技术栈迁移到Solana区块链，Nous希望释放区块链的以下三大优势：

• 无需许可：任何人都可以贡献计算资源
• 弹性与高可用性：不再依赖中心化基础设施
• 激励机制：协调并奖励为网络作出贡献的参与者

将这一协议向整个市场开放，意味着任何人都能拥有其中的一部分。而其潜在的扩展性之大，显然已经让不少极客兴奋不已。

计划概览

Nous的初期目标是先上线一个封闭测试网（Phase 0），验证是否能在Solana上运行一个更大规模、分布式、具备容错能力的DisTrO系统。后续阶段会逐步引入更高级的功能。

在Phase 0阶段，贡献者可以携带自己的GPU加入进来（明确提到支持4090、A100和H100等型号），并开始获得奖励。此阶段会对参与者进行筛选，以防止恶意行为者加入。

一旦系统稳定运行，权限将逐步开放，允许不同类型的计算资源（无论是专业的还是消费级的）自由接入网络，协助训练Llama、Diffusion等不同类型的模型架构。

强化学习后训练阶段

强化学习（Reinforcement Learning，RL）不依赖于预先准备好的数据集，而是通过模型与环境直接互动来学习。

每个节点如果做出有助于模型进化的行为，就会获得正反馈，反之则获得负反馈。

由于这些节点可以异步运行，分布式训练在强化学习框架下反而运行良好。

每个节点可以独立行动，收集经验，并定期与其他节点分享进展。

这极大缓解了传统训练中常见的「同步难题」，特别是在硬件能力和网络延迟差异大的情况下。

通过RL，Psyche上的预训练模型可以进一步学会推理能力和领域知识。

而每个Psyche节点在训练过程中的表现都将影响它的奖励：计算能力更强或使用了更先进训练方法的节点，可能会获得更多代币激励。

区块链：回归初心

在常常被斥为「过度炒作又频频令人失望」的区块链生态中，能看到真正的创新成果，确实令人欣慰——简直让人「冷漠的灵魂也重新燃起了热情」。

这一切，真的令人感到振奋。

Nous并不是一开始就拥抱区块链技术的，相反，他们几乎是被「拖着、踢着、喊着」走上了这条路——

但原因很简单：区块链确实是解决他们问题最合适的工具。

他们需要一种方式，不论对方来自哪里，都能吸引计算资源与人才并进行公平支付；区块链，在这一点上表现得无比出色。

他们需要一种手段，能够协调并扩展大规模训练任务；而协调与扩展，正是区块链技术的「第二天性」。

他们还需要一种不受停电、封禁、宕机等影响的托管机制，能让项目「打不死」、无法被关闭；在这方面，区块链（这次不再是讽刺）也的确提供了最可靠的保障。

而最值得欣慰的是：这一次，人们选择区块链，不是出于投机炒作，而是出于对实际问题的认真思考与真实需求的回应。

如果Psyche成功了，它不仅将证明去中心化训练是切实可行的，更是回归初心：为取代的集中化计算，提供了强有力的工具。

参考资料：

https://x.com/NousResearch/status/1922744483571171605

https://nousresearch.com/nous-psyche/

https://x.com/563defi/status/1909976170990313594