0G与中国移动首次通过去中心化基础设施训练1070亿参数AI模型

0G与中国移动合作，利用去中心化基础设施训练了一个1070亿参数的AI模型，这标志着首次在无需集中式数据中心集群的情况下开发出超过1000亿参数的模型。

"这一规模的去中心化训练证明，大型模型开发不再需要独家访问超大规模GPU算力农场，"0G Labs联合创始人Michael Heinrich表示。"坐拥未充分利用计算能力的电信提供商现在可以参与到AI供应链中来。"

该模型使用0G的去中心化训练框架进行训练，该框架采用了DiLoCoX方法——据0G Labs的研究，这项技术可比以往的去中心化方法快357倍训练模型，即使在带宽低至1GB的网络中也能实现。通过将计算负载分布到中国移动现有基础设施上，而非单一数据中心，该项目绕过了传统集中式GPU集群的瓶颈，这些瓶颈此前将AI开发限制在少数超大规模厂商手中。

为何去中心化训练对企业AI至关重要

这一成就解决了AI行业的一个结构性问题：训练大型模型需要在GPU集群上进行大量前期资本支出，这将除最富有的科技公司之外的所有企业拒之门外。去中心化训练颠覆了这一模式，将任何联网计算资源都视为潜在训练节点。对于中国移动这样在其网络中运营着庞大但通常闲置的计算基础设施的电信运营商来说，这为现有资产创造了新的收入来源。

这种方法还减少了对英伟达H100和B200 GPU的依赖，这些GPU一直面临供应限制和出口管制。通过聚合分布式网络中的异构计算资源，0G的框架可以使用多种硬件类型来训练模型，而无需统一的GPU集群。这可能缓解价值2000亿美元的数据中心GPU市场的压力，在该市场中，英伟达最新芯片的交货时间已延长至12个月以上。

然而，数据准备仍是一个障碍。Gartner估计，到2026年，多达60%的AI项目可能因数据碎片化或数据孤岛而被放弃，而去中心化训练本身并不能解决这一问题。希望采用这种方法的企业必须首先统一其数据基础设施，然后才能从分布式计算中受益。

对AI基础设施栈的竞争影响

0G与中国移动的里程碑挑战了英伟达和主要云服务商所倡导的集中式训练模式。如果去中心化训练获得广泛采用，它可能会将采购模式从超大规模GPU即服务产品转向一个更加分散的市场，电信运营商和边缘提供商在其中将闲置容量货币化。

Bittensor和Render Network这两个将计算资源代币化的项目，可能会随着企业探索去中心化替代方案而迎来需求增长。跨分布式基础设施训练模型的能力也符合欧盟和中国等地区日益增长的监管压力，在这些地区，数据主权要求使得集中式跨境训练变得困难。

对于投资者而言，这一发展为AI基础设施投资逻辑引入了一个新变量。英伟达的数据中心业务收入在最近一个财年达到475亿美元，这一业绩建立在大型模型训练需要集中式GPU集群的假设之上。如果去中心化方法在大规模应用中证明可行，那么集中式AI计算的总可寻址市场可能会收窄，从而有利于能够聚合分布式资源的基础设施提供商。

本文仅供信息参考，不构成投资建议。