0G переобучает модель с 107 миллиардами параметров в открытом доступе, открывая новую эру децентрализованного ИИ.

При этом, внимание к этому проекту было минимальным.

Компания 0G заявляет, что несколько месяцев назад достигла важного рубежа. Теперь она переобучает ту же модель в открытом доступе, чтобы продемонстрировать, что может предложить децентрализованный ИИ, и почему ее предыдущие результаты заслуживали больше внимания.

В июле 2025 года компания 0G обучила модель с 107 миллиардами параметров под названием DiLoCoX-107B в партнерстве с China Mobile. Результаты исследования позже были опубликованы на arXiv после рецензирования. Согласно статье, система достигла эффективности коммуникации в 357 раз выше, чем традиционные методы AllReduce. Тем не менее, этот результат практически не был замечен на рынке.

Команда утверждает, что неудачный момент сыграл свою роль. В середине 2025 года внимание криптосообщества было сосредоточено на запусках основных сетей и токенах, в то время как технические результаты вызывали гораздо меньший интерес. Работа была серьезной, но она не получила широкого признания за пределами узкого круга, следящего за этой областью.

Теперь, когда децентрализованный ИИ снова в центре внимания, 0G хочет вернуть этот результат в поле зрения.

Открытый процесс переобучения

На этот раз компания выносит процесс переобучения в открытый доступ.

0G планирует документировать каждый этап, включая контрольные точки, метрики сходимости и источники данных. Компания также заявляет, что процесс будет проверен с использованием Trusted Execution Environments (TTE) с помощью zerogAuth. После завершения работы веса модели будут опубликованы с открытым исходным кодом.

В конечном итоге, 0G хочет продемонстрировать, что децентрализованный ИИ можно аудировать, воспроизводить и проверять таким образом, который недоступен для большинства закрытых систем.

Больше, чем просто гонка параметров

Многие публикации об ИИ все еще сосредоточены на количестве параметров. Большие числа привлекают внимание, но 0G утверждает, что ценность модели определяется всей системой, в которой она работает.

Для команды настоящим испытанием является не только обучение, но и проверка, хранение, предоставление сервисов и интеграция в рабочие продукты.

Одним из ключевых технических аспектов является эффективность коммуникации. DiLoCoX использует параллелизм конвейера, политику двойного оптимизатора для локальных и глобальных обновлений, механизм одношаговой задержки и адаптивную компрессию градиентов. Проще говоря, эта архитектура снижает объем коммуникаций, необходимых во время распределенного обучения, что часто является узким местом в таких системах.

0G также интегрирует модель в полноценную инфраструктуру, включающую ончейн-верификацию, децентрализованное хранилище, доступность данных, вывод и расчеты. В результате получается рабочая среда, а не одноразовая демонстрация.

Верификация является еще одним важным аспектом. С помощью Trusted Execution Environments пользователи могут проверять не только наличие модели, но и то, как она была обучена и какие данные были использованы в процессе. Для децентрализованного ИИ, это существенно меняет модель доверия.

Главное - это пропускная способность

По мнению 0G, самым важным аспектом результата DiLoCoX-107B был способ обучения модели.

Команда утверждает, что модель 107B работала на стандартных интернет-соединениях со скоростью один гигабит в секунду, а не на специализированных серверных инфраструктурах. Этот факт ставит под сомнение одно из главных предположений в области искусственного интеллекта, а именно, что для обучения передовых моделей требуются редкие и дорогостоящие сетевые условия.

Если это подтвердится, влияние может быть существенным. Снижение технических требований открывает двери для гораздо большего числа участников, от исследовательских групп до компаний и государственных учреждений. В такой системе координация становится основной задачей, а децентрализованные системы созданы именно для решения подобных проблем.

Другая модель затрат

Компания 0G также заявляет, что ее система снижает затраты примерно на 95% по сравнению с централизованными альтернативами.

Компания объясняет это снижение тем, что устраняются дорогостоящие централизованные издержки, а не использованием более дешевого оборудования. Если эти цифры подтвердятся в реальных условиях, обучение передовых моделей станет доступно гораздо большему количеству организаций, включая университеты, предприятия и правительства, которые не имеют бюджета для масштабных инвестиций в искусственный интеллект.

Это может изменить то, кто вообще имеет возможность создавать серьезные модели.

Может ли децентрализованный ИИ конкурировать?

Скептики долгое время утверждали, что децентрализованный ИИ не может сравниться по производительности. Компания 0G считает, что этот компромисс начинает ослабевать.

По мере улучшения результатов и снижения затрат, дискуссия становится меньше об идеологии и больше о результатах. Может ли система обучать мощные модели, проверять их и делать это по цене, которую могут позволить себе больше команд?

Открытое участие по-прежнему связано с реальными рисками. Распределенное обучение может подвергать системы воздействию отравления данных, манипулирования градиентами и неравномерного качества вклада участников. Компания 0G утверждает, что решает эти проблемы с помощью архитектурных мер безопасности, обнаружения аномалий и криптографической проверки.

Речь не идет о полной безопасности. Речь идет о том, чтобы сделать сбои видимыми и отслеживаемыми.

Что на самом деле означает верифицируемый ИИ

Для компании 0G верифицируемый ИИ означает замену доверия на основе репутации доверием на основе проверки.

Вместо того, чтобы полагаться на слова поставщика, пользователи получают возможность независимо проверять, как была обучена модель и как она работает. Эта идея имеет очевидную ценность в областях, где ответственность имеет реальный вес, включая финансы, здравоохранение и государственное управление.

Именно здесь децентрализованный ИИ начинает отличаться от других систем, предлагая системы, которые люди могут проверять, а не просто доверять.

От исследовательского прототипа к рабочей системе

Область децентрализованного ИИ прошла большой путь за короткое время. Ранние прототипы перерастают в системы, предназначенные для обучения, проверки, хранения, вывода и экономической урегулирования в единой среде.

Компания 0G хочет, чтобы DiLoCoX-107B стала доказательством этой эволюции. Публичная попытка переобучения направлена не только на производительность, но и на процесс. Компания стремится показать, что децентрализованный ИИ может создавать серьезные модели, оставаясь при этом открытой для проверки.

Путь вперед

Более крупные модели еще впереди. Компания 0G считает, что модели, насчитывающие сотни миллиардов, а в конечном итоге и триллионы параметров, вполне достижимы.

Следующий этап развития будет зависеть меньше от единичного научного прорыва и больше от лучшей координации и более активного участия в сети. В децентрализованном искусственном интеллекте организация может оказаться не менее важной, чем вычислительная мощность.

Переобучение модели DiLoCoX-107B – это попытка возобновить дискуссию, которую, по мнению 0G, рынок упустил в первый раз. Это также проверка того, сможет ли открытый, проверяемый искусственный интеллект привлечь внимание благодаря результатам, а не шуму.

В настоящее время компания делает ставку на то, что публичное переобучение, прозрачная документация и открытый доступ обеспечат децентрализованному искусственному интеллекту более прочную позицию в следующем раунде конкуренции.