ซีอีโอของ NVIDIA เจ้านาย Huang Renxun ได้กล่าวชื่นชมเครือข่าย AI แบบกระจายศูนย์ Bittensor ในการให้สัมภาษณ์ All-In โดยระบุว่า Subnet 3 ของมันสามารถฝึกโมเดลภาษาแบบขนาดใหญ่ด้วยวิธีการแบบกระจายศูนย์ ซึ่งถือเป็น “ความสำเร็จทางเทคนิคที่น่าทึ่ง” ข้อมูลนี้ทำให้ TAO ราคาพุ่งขึ้นประมาณ 20% ภายใน 24 ชั่วโมงหลังจากปล่อยวิดีโอ และมูลค่าการซื้อขายทะลุ 471 ล้านดอลลาร์สหรัฐ
(เรื่องราวก่อนหน้า: Alpha คว้าโอกาส» Zhao Changpeng YZi Labs ลงทุนในระบบนิเวศ TAO “Tensorplex” โทเคนของ Bittensor พุ่งขึ้น 2 เท่า)
(ข้อมูลเสริม: เหรียญแนวคิด AI รุ่นใหม่ “Bittensor” กำลังเตรียมอะไรอยู่? เจาะลึกภาพรวม 34 เครือข่ายย่อยและแนวโน้มในอนาคต)
ในพอดแคสต์ All-In ฉบับล่าสุด Chamath Palihapitiya เป็นคนแรกที่พูดถึง Bittensor Huang Renxun ก็ได้ตอบโต้ด้วยการให้ความเห็นเชิงบวกที่หายาก
เขากล่าวว่า: “Bittensor Subnet 3 ฝึกโมเดล Llama ที่มีพารามิเตอร์ 4 หมื่นล้านได้สำเร็จ กระบวนการทั้งหมดเป็นแบบกระจายศูนย์ โดยกลุ่มคนที่ร่วมกันใช้พลังการคำนวณที่ว่างอยู่ของพวกเขาเพื่อทำงานร่วมกัน พวกเขาสามารถดำเนินการและจัดการกระบวนการฝึกแบบมีสถานะ ซึ่งผมคิดว่านี่เป็นความสำเร็จทางเทคนิคที่น่าทึ่งมาก”
ตัวเลขพารามิเตอร์ที่ Huang อ้างอาจมีความคลาดเคลื่อน จริงๆ แล้วโมเดลที่เสร็จสมบูรณ์ของ Bittensor Subnet 3 คือ Covenant-72B ซึ่งมีพารามิเตอร์สูงถึง 72,000 ล้าน เป็น LLM ที่มีขนาดการฝึกแบบกระจายศูนย์ที่ใหญ่ที่สุดในเครือข่ายนี้จนถึงปัจจุบัน โดยได้คะแนน MMLU 67.1
ในพอดแคสต์ตอนเดียวกัน Huang ยังแสดงความเห็นต่างเกี่ยวกับแนวคิดที่แพร่หลายของ “โอเพ่นซอร์ส vs. ปิดซอร์ส” เขากล่าวว่า “These two things are not A or B; it’s A and B.” โครงสร้างพื้นฐานแบบกระจายศูนย์และโมเดลเชิงกรรมสิทธิ์สามารถดำเนินไปพร้อมกันได้ โดยไม่ขัดแย้งกัน
คำพูดนี้ถูกตีความในตลาดว่าเป็นการสนับสนุนเส้นทางการพัฒนา AI แบบกระจายศูนย์ หลังจากวิดีโอปล่อยออกมา TAO ก็พุ่งขึ้นประมาณ 20% ราคาปัจจุบันอยู่ที่ประมาณ 300 ดอลลาร์สหรัฐ และมูลค่าการซื้อขายในวันเดียวสูงถึง 471 ล้านดอลลาร์ ทำสถิติสูงสุดในรอบล่าสุด
Bittensor ทำกิจกรรมอย่างต่อเนื่องในช่วงนี้ Zhao Changpeng’s YZi Labs ได้ลงทุนในระบบนิเวศ TAO ผ่านโปรเจกต์ Tensorplex ซึ่งโทเคนของเครือข่ายย่อยนี้เคยพุ่งขึ้นกว่า 2 เท่า การแสดงความเห็นเปิดเผยของ Huang ครั้งนี้เท่ากับเป็นการเติมเชื้อไฟให้กับระบบนิเวศ TAO ทั้งหมด และยังช่วยให้คนภายนอกมีภาพความเป็นไปได้ของการฝึก AI แบบกระจายศูนย์มากขึ้นอีกด้วย