去中心化训练与低价私有推理构想

markjeffrey · x · 2026-07-13

这条引用帖围绕一场关于 **Chutes / Parallax / Bittensor** 的采访，继续展开了对去中心化训练与推理的设想。要点包括： - 作者认为 **decentralization** 是 Parallax 的核心特性，因为系统设计上“节点越多，效率越高”。 - 如果像 Durbin 所说，未来能在 **消费级硬件** 上服务更大的模型，而且几乎没有量化损失，那么这条路线会迅速变得非常有吸引力。 - 他畅想的终局是：一个超大参数模型通过 Parallax（或 IOTA）进行训练，再用 Affine/Gradients 做微调，依靠 Ditto 做持久记忆，并通过 Chutes / Targon / Actual / Lium / Engy 等网络，以较低价格、且以私有方式完成推理。整体是在讨论一种“去中心化训练 + 分布式推理 + 低价私有服务”的基础设施组合。