Gradients：Bittensor 生態的去中心化 AI 訓練基礎設施

摘要

Gradients 是建構在 Bittensor 上的去中心化 AI 訓練子網（SN56），其核心在於透過「任務發布、礦工競爭、驗證篩選」等機制，將模型訓練從複雜的技術流程轉化為由市場驅動的網路協作過程。 在架構上，它結合 AutoML 與分散式算力，形成一個以激勵機制為核心的訓練市場，不僅降低了 AI 使用門檻，也提升了算力利用效率。 從生態與資料表現來看，Gradients 已完成基礎網路搭建，但目前激勵權重與資金流入相對有限。 Gradients 補齊了 TAO 生態中的訓練基礎設施，並探索「市場驅動 AI 優化」的新範式，長期有潛力發展為去中心化 AI 訓練的重要入口層。

1.從 Web2 AutoML 說起: AI 訓練的現況與侷限

1.1 什麼是 AutoML

在傳統認知中，訓練一個AI模型是一件門檻很高的事情，需要工程師處理資料、選擇模型、反覆調參數，還要評估效果，整個過程複雜且耗時。 而 AutoML（自動化機器學習）的出現，本質上就是把這些繁瑣步驟「打包自動化」。 可以把它理解為一個「自動做模型的工具」：使用者只需要提供數據，並告訴系統想要達成的目標，例如分類、預測或識別，剩下的流程包括選模型、調參數、訓練優化，都由系統自動完成。 這讓 AI 從少數專業工程師的工具，逐漸變成一般開發者甚至企業都可以使用的能力，是 AI 走向普及的重要一步。

1.2 傳統 AutoML 的核心限制

目前 AutoML 的主流實作方式集中在雲端廠商平台，例如 Google Vertex AI 和 AWS SageMaker，這些平台提供「AI訓練即服務」。 儘管 Web2 AutoML 顯著降低了 AI 使用門檻，但其底層模式仍存在明顯限制。 首先是中心化問題，算力、定價與規則皆由平台掌控，使用者對單一服務商依賴較強，缺乏議價能力。 其次是成本高且不透明，AI 訓練依賴的 GPU 資源主要集中在雲端廠商手中，價格機制缺乏市場化競爭。 更關鍵的是，優化效率存在上限。 傳統 AutoML 本質上仍然是“一個系統在幫你找到最優解”，無論這個系統多麼複雜，本質上都屬於單一技術路徑的最佳化。 它的探索空間是有限的，很難同時嘗試多種完全不同的想法。 因此目前的 Web2 AI 訓練是一個“封閉系統”，模型的訓練、最佳化和資源調度，都發生在一個由單一平台控制的環境中。 這種模式雖高效，但隨著需求成長，其邊界正逐漸顯現。

2.Gradients：以「網路」重建 AI 訓練

2.1 Gradients 是什麼：一個去中心化的 AutoML 平台

在上一章節中我們提到，傳統 Web2 AutoML 的核心問題在於“封閉系統”，模型訓練依賴平台、優化路徑有限、資源流動受限。 Gradients 正是對此模式的重構。 Gradients 起源於由 WanderingWeights 發起的去中心化工程師社區，建構在 Bittensor 網路之上，是運行於 Subnet 56 的 AI 訓練子網路。 與傳統平台不同，它並不提供中心化服務，而是將訓練過程拆解並交由一個開放網路完成。 使用者只需定義任務目標，例如模型類型與數據，其餘流程包括訓練執行、參數最佳化與結果篩選，均由網路自動完成。 在這種模式下，AI 訓練從複雜的工程流程被抽象化為「提交需求、獲取結果」的簡單過程，更接近一種通用能力，而非專業門檻極高的技術工作。

2.2 從封閉系統到開放協作：Gradients 解決了什麼問題

Gradients 的核心改變，在於將原本封閉在單一平台內部的訓練過程，轉變為一個開放協作的網路過程。 訓練任務不再由單一系統完成，而是分發給多個參與者並行嘗試，再透過統一的評估機制篩選出最優結果。 這種結構首先降低了對中心化服務商的依賴，使訓練建立在分散式算力之上；同時，分散的 GPU 資源被整合進同一個網絡，在競爭中形成更接近市場化的資源配置方式。 更重要的是，模型最佳化不再局限於單一路徑，而是在多種方法的平行探索中不斷逼近更優解，從而提升整體最佳化上限。

2.3 本質變化：從工具到「訓練市場」

在傳統 AutoML 中，平台更像是工具，透過內部演算法幫助使用者尋找最優解。 而在 Gradients 中，這個過程更接近一個持續運作的「市場」：使用者發布需求，不同參與者圍繞同一任務競爭，並透過評估機制篩選結果。 由此，模型表現不再依賴單一系統能力，而是來自多方參與下的持續競爭與迭代。 AutoML 也從一個相對封閉的技術最佳化問題，轉變為一個由激勵驅動的動態過程，使優化能力可以隨著參與者增加而不斷擴展。 這種變化，使 AI 訓練開始具備類似市場的自我進化特徵。

2.4 在 TAO 生態中的角色：AI 訓練基礎設施層

在 Bittensor 的子網體系中，不同 Subnet 承擔著推理、資料處理與訓練等不同功能，而 Gradients 所處的位置是訓練層。 它負責將分散的算力轉化為實際模型產出，並透過任務分發與評估機制，使這些資源能夠被持續調度與最佳化。 同時它連結了算力供給與模型需求，使訓練從單純的資源消耗過程，轉變為一個可以組織和優化的網路協作過程。 在這體系中，Gradients 更像是一個中樞環節，將分散式資源轉化為可用的 AI 能力，並支撐上層應用的發展。

3.核心架構：AI 訓練是如何在網路中完成的

在上一章我們提到，Gradients 將 AI 訓練從“平台內完成”，轉變為“由網路協作完成”。 那麼，這個網絡具體是如何運作的呢？ 這章節的核心，就是把這個過程用更直覺的方式拆解清楚。

3.1 分散式訓練：一次任務是如何被「多人完成」的

可以把 Gradients 想像成一個持續運作的「訓練協作網絡」。 當使用者提交一個訓練任務後，這個任務並不會交給某一個系統去完成，而是會同時分發給網路中的多個參與者。 這些參與者會基於同一份資料和目標，各自嘗試不同的訓練方法，並在規定時間內提交結果。 隨後，系統會對這些結果進行統一評估，從中篩選出表現最好的方案。 最終，表現更優的結果獲得獎勵，而其他方案則被淘汰。 從使用者視角來看，這個過程只​​需要發起一次任務，就等於同時「呼叫」了多種不同的最佳化思路，並自動選出了最優解。 這種方式的關鍵不在於單一節點有多強，而是透過多人並行嘗試 自動篩選，讓結果不斷逼近最優。

在這個網路中，主要有三類參與者：使用者、礦工與驗證者。 使用者負責提出訓練需求；礦工提供算力並嘗試不同訓練方法；驗證者負責評估結果並篩選最優模型。 這種分工讓訓練過程可以持續運行，並不斷篩選出更優解。 整體上，它構成了一個由「需求、供給、評估」驅動的協作網絡。

3.2 市場驅動的 AutoML

在前文的機制拆解中可以看到，Gradients 並不是簡單地把 AutoML 搬到鏈上，而是透過引入多方參與與激勵機制，改變了模型優化的底層邏輯。 傳統 AutoML 依賴單一系統在有限路徑中尋找最優解，而在 Gradients 中，這一過程被擴展到整個網路：不同參與者圍繞同一任務持續嘗試不同方法，並透過統一評估不斷篩選與迭代。 這使得模型最佳化不再是一次性的計算過程，而是一個可以重複演進的動態過程。 在這種機制下，表現更優的結果會獲得更高效益，持續吸引參與者優化策略，推動整體效果不斷提升。

4.激勵與競爭機制：AI 訓練如何形成「正循環」

4.1 激勵機制（TAO驅動）：從訓練行為到收益回報

Gradients 能夠長期運作的關鍵在於背後的激勵機制。 這一點依賴 Bittensor 提供的原生激勵體系。 其中，TAO 是 Bittensor 網路的原生代幣，是整個網路中的「價值載體」：一方面用於獎勵提供算力與模型貢獻的參與者，另一方面也透過質押等方式參與子網權重的分配，影響資源如何在不同子網路之間流動。

Bittensor 主網會持續產生新的激勵 Emission 即 TAO（目前每天的適當量約為3600TAO），並按照一定規則分配給不同子網。 每個子網能分到多少，取決於它在整個網路中的“表現”，例如活躍程度、貢獻品質以及資金支持情況等。 對於 Gradients 所在的子網路來說，這部分分配到的 TAO 會在內部再次分配給參與者。 分配的核心依據是誰貢獻的模型比較好，誰就能獲得更多收益。

具體來看，礦工提交訓練結果，驗證者負責對這些結果進行測試和評分。 系統會根據評分情況，計算出每位參與者的“貢獻權重”，再按照這個權重分配獎勵。 表現較好的模型（例如泛化能力更強、效果更穩定）會獲得更高收益，而驗證者如果評分更準確、更能反映真實質量，也會獲得更多激勵。 這種設計讓“做得更好”直接對應“賺得更多”，從而驅動參與者不斷優化模型。

4.2 子網路之間的競爭：不僅是內部競爭，更是外部排名

除了子網路內部的競爭，Gradients 還面臨整個 Bittensor 網路中的「橫向競爭」。 由於 TAO 的分配是動態的，不同子網路之間會爭奪更高的權重。 只有那些持續產出高品質結果、吸引更多參與者的子網，才能獲得更大的獎勵份額。 因此，Gradients 的激勵不僅取決於內部模型表現，還取決於它在整個生態中的相對競爭力。 整個系統形成了一個多層次的循環：子網路內部有模型之間競爭；子網路之間有整體的表現競爭。 最終，算力投入、模型效果與經濟回報被綁在一起，形成一個持續運作的正回饋機制。

4.3 Gradients 5.0：從競賽到「錦標賽機制」

在早期的持續競爭基礎上，Gradients 進一步演進出更結構化的機制，即「錦標賽式訓練」。 可以把它理解為一種週期性的比賽：每一輪訓練都會設定時間窗口，多個參與者圍繞同一任務展開競爭，並通過多輪篩選逐步淘汰，最終選出最優方案。 這種形式強調階段性對比和集中評估。 一個重要變化在於，礦工不再直接提交訓練結果，而是提交「訓練方法」（代碼），再由驗證節點統一執行。 這樣做一方面提高了公平性，避免不同運算環境帶來的干擾，另一方面也更保護了資料和訓練流程的隱私。 此外，優勝方案往往會被沉澱下來，成為可復用的方法，類似不斷累積的「最佳實踐」。 長期來看，這種機制不僅是在篩選最優模型，也是在建構一個不斷進化的訓練方法庫。

5.生態現況

5.1 參與者結構：由需求、供給與評估所構成的協作網絡

Gradients 生態由三類核心角色構成：使用者（需求側）、礦工（供給側）與驗證者（評估面）。 使用者主要包括 AI 開發者、中小企業及 Web3 builder，這類群體通常具備一定技術基礎，但缺乏算力或完整的模型訓練能力，因此更傾向於透過 Gradients 以較低成本完成模型建構。 礦工則提供 GPU 算力並參與訓練任務的競爭，其核心動機在於取得 TAO 效益；驗證者負責對訓練結果進行評估與排序，是確保模型品質與機制有效運作的關鍵一環。

從更細分的用戶畫像來看，Gradients 的實際使用群體呈現出明顯的「半開發者化」特徵：既不同於頂級 AI 實驗室，也並非完全無技術背景的普通用戶，而是以具備一定工程能力的開發者與 Web3 技術用戶為主。 這一點也體現在其社區結構上，當前生態以英文為主導，核心用戶主要分佈在北美與歐洲的開發者群體，同時涵蓋部分東南亞礦工與全球 GPU 資源提供者。 整體而言接近一個技術驅動的開發者社群。

5.2 生態運作現況

截至 5 月 12 日，Gradients 的 alpha token 價格約為 0.0255 TAO，持幣地址約 4,890 個，礦工 243 個、驗證者 12 個，Emission 佔比為 1.61%。 同時，其流動性池中 TAO 佔比為 2.19%，Alpha 佔比為 97.81%。 從價格與持幣數來看，Gradients 已具備一定用戶基礎與關注度，但整體仍處於早期擴散階段。 比較TAO生態中的頭部項目Chutes，當日 alpha token價格是0.0877 TAO，持幣地址為13,409個。

Figure 1. Gradients data. Source: https://bittensormarketcap.com/subnets/56

其次是Emission激勵機制。 在 Bittensor 系統中，Emission 指該子網路在全網新增獎勵中的即時分配權重。 Bittensor 網路會持續產生新的 TAO，並按權重分配給各個子網，而 Gradients 目前的 1.61%，意味著其僅獲得全網新增激勵中的一小部分份額。 此指標本質上反映的是市場透過資金流（如 staking）對不同子網路進行的「投票結果」。 因此，1.61% 的水平通常意味著當前市場認可度與資金流入相對有限，另一方面也意味著其未來仍存在提升權重的空間。 從資金結構（流動性池）來看，TAO 佔比僅 2.19%，而 Alpha 高達 97.81%，顯示外部資金流入仍然有限，目前更多是子網路內部供給主導。 價格對新增資金較為敏感，一旦有更多 TAO 流入，可能帶來更明顯的放大效應。

6.競爭格局與優劣勢

6.1 產業定位：去中心化 AutoML 的訓練基礎設施

Gradients 所處的是「AI 訓練基礎設施 去中心化 AutoML」這一細分賽道。 它試圖將模型訓練從中心化平台中釋放出來，並透過網路化機制實現更有效率的資源利用與模型最佳化。 在 Web2 體系中，這條賽道已經相對成熟，典型代表包括 Google Vertex AI 和 AWS SageMaker。 這些平台透過雲端運算為開發者提供一站式模型訓練與部署服務，但其本質仍是中心化架構。 相較之下，Gradients 的差異不在於“功能更多”，而是在於底層邏輯不同：它將訓練從“平台服務”轉變為“網路協作”，並透過競爭機制篩選最優結果，使其更接近一個市場化運作的訓練系統。

6.2 橫向比較：Web2 與 Web3 AutoML 的差異

從更宏觀的角度來看，Web2 與 Web3 在 AutoML 方向上的差異，本質是兩種不同範式的對比。 Web2 模式強調效率與穩定性，透過集中資源與工程優化，提供可控且成熟的服務體驗；而 Web3 模式則更強調開放性與激勵機制，透過引入多方參與，讓模型優化在競爭中不斷演進。 具體來看，Web2 AutoML 更像是“一個強大的工具”，用戶將任務交給平台，由系統內部完成最優解搜索；而以 Gradients 為代表的 Web3 AutoML，則更像是“一個開放市場”，用戶發布需求，由不同參與者提供解法，再通過評估機制篩選結果。 這種差異帶來的直接影響在於：前者較穩定、可控，但優化路徑有限；後者探索空間較大，潛在上限較高，但在穩定性與成熟度上仍有提升空間。

6.3 Web3 中 Gradients 的差異化

在目前 Web3 AI 賽道中，大多數項目仍集中在推理層或 AI Agent 方向，而專注於「訓練基礎設施」的項目相對較少。 部分項目嘗試結合算力網路或資料網路提供訓練能力，但整體來看，多數仍停留在資源調度或算力市場層級。 Gradients 的差異在於，它不僅提供算力撮合，而是進一步向上延伸到「模型最佳化機制」本身，透過引入評估與競爭體系，使訓練過程具備持續演進能力。 這意味著，它不僅在解決“算力從哪裡來”，還在解決“如何更有效率地用這些算力”。 從定位上看，Gradients 更接近一個「訓練結果導向」的網絡，而不是單純的算力市場或工具平台，這也是其與多數 Web3 AI 項目的核心區別。

6.4 核心優勢：機制驅動的效率提升

綜合來看，Gradients 的優勢主要體現在其機制設計。 首先，它透過任務抽象化降低了使用門檻，使用戶無需深入參與複雜訓練流程，也能獲得模型結果，從而擴大了潛在用戶群。 其次，在資源層面，分散式算力的引入，使訓練不再依賴單一雲廠商，理論上可以透過競爭形成更具彈性的成本結構。 更重要的是其最佳化方式的改變。 透過多參與者並行探索並結合篩選機制，Gradients 提供了一種不同於傳統單路徑優化的方案，使模型有機會在更短時間內達到更優性能。 這種「競爭驅動優化」的模式，是其最核心的優勢所在。

6.5 潛在挑戰

模型品質可能有穩定性問題。 去中心化訓練依賴多方參與，雖然可以提升上限，但也可能帶來結果波動，相較於中心化體系，在可控性上存在一定不確定性。 其次是企業級信任問題。 對於企業用戶而言，資料安全與訓練過程的可驗證性至關重要，而去中心化環境下如何確保資料不會被濫用、結果可被審計，仍是關鍵考驗。 最後是對 Token 經濟的依賴。 Gradients 的運作高度依賴激勵機制，如果 TAO 收益吸引力下降，可能影響礦工參與度與整體網路活躍性。 因此，其長期可持續性在一定程度上取決於經濟模型是否能夠形成穩定正循環。

7.未來展望：去中心化 AutoML 能否成立？

從目前階段來看，Gradients 仍處在早期，其未來能否真正跑通，取決於幾個關鍵點。 最核心的是是否能持續吸引真實訓練需求，而不僅是圍繞激勵的參與；其次是模型質量，去中心化方式能否穩定產出可用、甚至更優的結果；以及經濟機制是否能夠形成正循環，讓算力供給與收益之間保持長期平衡。

放在更大的產業背景中，AI 訓練正在分化出兩種路徑。 一種是 Web2 模式，由頭部科技公司主導，透過集中資源與工程能力不斷強化模型效能，優勢在於穩定與成熟；另一種則是以 Gradients 為代表的 Web3 路徑，透過開放網路與激勵機制，讓更多參與者共同參與模型優化，在競爭中不斷提升上限。 前者是在“打造更強系統”，後者更像是在“構建一個會自我進化的網絡”。

從這個角度來看，Gradients 的探索代表了一種新的可能性： AI 訓練不再只是技術問題，而是「算力 數據 市場機制」的結合。 如果這一模式能夠成立，它有潛力成為去中心化 AI 的訓練入口，並在 Bittensor 生態中扮演關鍵基礎設施角色。 當然，這一方向仍需要時間驗證，但它已經為 AutoML 提供了一條不同於傳統路徑的演進思路。

參考

1.Bittensor Documentation: https://docs.learnbittensor.org

2.Gradients website: https://www.gradients.io/

3.Gradients: https://bittensormarketcap.com/subnets/56

4.Gradients X: https://x.com/gradients_ai

5.Taostats: https://taostats.io/subnets/56/chart