Noticias
Instituto de Investigación CoinW
Resumen
Templar (Subred 3, abreviada como SN3) es una subred descentralizada de preentrenamiento de modelos de lenguaje de gran escala construida dentro del ecosistema Bittensor. Su núcleo consiste en transformar el proceso de preentrenamiento de grandes modelos de IA, que es extremadamente costoso y centralizado, en un sistema de red de nivel industrial impulsado de manera colaborativa por recursos de cómputo distribuidos en todo el mundo, a través de mecanismos innovadores como el "algoritmo SparseLoCo para compresión de comunicaciones" y el "protocolo Gauntlet para evaluación de contribuciones". En términos de arquitectura, rompe las limitaciones físicas de red de los centros de datos centralizados tradicionales: no solo reduce el umbral de acceso al poder de cómputo, sino que también logra protección de datos sensibles y resistencia a la censura. Desde la perspectiva del ecosistema y el rendimiento de datos, Templar entregó con éxito el modelo "Covenant-72B" con 72 mil millones de parámetros, demostrando la viabilidad absoluta del entrenamiento descentralizado para aplicaciones industriales. Templar cubre el segmento de entrenamiento de modelos fundacionales de alta escala dentro del ecosistema Bittensor, y tiene el potencial a largo plazo de convertirse en una infraestructura de IA resiliente y de código abierto, capaz de funcionar en paralelo con los gigantes tecnológicos del mundo Web2.
1.Partiendo de los representantes típicos de la era Web2: situación actual y limitaciones del entrenamiento de grandes modelos
1.1 El monopolio del cómputo en la era Web2
Con la evolución de la infraestructura de IA generativa, la distribución y el control del poder de cómputo se han convertido en un tema central en la competencia tecnológica global. En el modelo convencional de la era Web2, un puñado de gigantes tecnológicos construyó el foso de cómputo necesario para desarrollar modelos de IA de vanguardia. Grandes proveedores de nube como AWS y Azure monopolizan los recursos físicos de cómputo subyacentes, mientras que proveedores de servicios de modelos de IA como OpenAI, Anthropic y Google ofrecen servicios de entrenamiento e inferencia de modelos cerrados o semiabiertos a través de enormes centros de datos centralizados compuestos por cientos de miles de GPUs de alto rendimiento.
1.2 Limitaciones clave del modelo tradicional
Si bien los gigantes centralizados han impulsado significativamente el desarrollo de modelos de frontera, este enfoque, altamente intensivo en capital y hardware, tiene limitaciones evidentes. La primera es la centralización extrema y las altas barreras de entrada, los desarrolladores independientes y las pequeñas y medianas empresas prácticamente no pueden participar, y la innovación queda monopolizada por unos pocos oligarcas tecnológicos. La segunda es la fragilidad sistémica, si un gran centro de datos centralizado sufre una falla física o de red, se genera un riesgo de punto único de falla que puede provocar interrupciones generalizadas del servicio. Y lo más crítico, existen riesgos de privacidad de datos y cumplimiento normativo, ya que los datos de usuarios y empresas deben cargarse en las nubes privadas de estos gigantes, lo que genera serias preocupaciones sobre filtraciones. Por último, esta arquitectura es altamente vulnerable a prohibiciones específicas de exportación de hardware o controles de listas blancas, y carece de antifragilidad frente a la censura y los factores geopolíticos.
2.Templar (SN3): Reconstruir el preentrenamiento de grandes modelos con una "red descentralizada"
2.1 ¿Qué es Templar? Un laboratorio descentralizado de entrenamiento de grandes modelos
Para romper el monopolio de los gigantes tecnológicos, nació Templar (SN3). A diferencia de las plataformas tradicionales, no se trata simplemente de mover datos, sino que apunta directamente a la parte más costosa y esencial de la cadena de valor de la IA: el preentrenamiento descentralizado de modelos de lenguaje de escala ultra masiva. En términos simples, el rol que juega Templar es similar al de Anthropic u OpenAI en el mundo Web2; puede entenderse como los laboratorios de entrenamiento de grandes modelos de esas empresas, pero operando sobre una red distribuida.
2.2 De sistemas cerrados a colaboración abierta: qué problema resuelve Templar
El cambio central de Templar consiste en transformar el proceso de entrenamiento, que antes estaba confinado en un único centro de datos centralizado, en una red colaborativa abierta y sin permisos. Rompe el mecanismo tradicional de listas blancas, permitiendo que cualquier GPU de alto rendimiento inactiva en el mundo se una o salga de la red en cualquier momento, logrando una participación verdaderamente sin restricciones y una resiliencia del sistema extremadamente alta. Al mismo tiempo, Templar adopta un modelo de aprendizaje federado de "los datos se quedan, los modelos se mueven", donde los datos de entrenamiento permanecen en el dispositivo local del minero, y la red sólo transmite datos de gradiente cifrados y comprimidos, lo que resuelve perfectamente los desafíos de privacidad del entrenamiento con datos sensibles entre países e instituciones. La arquitectura de nodos descentralizados provee a la investigación y el desarrollo de IA global un "canal de cómputo cifrado" para eludir sanciones de cualquier país soberano en particular, logrando una resistencia extrema a la censura.
2.3 Su rol en el ecosistema TAO: la base de preentrenamiento industrial de nivel central
Dentro del ecosistema, Templar cuenta con el respaldo del equipo de primer nivel Covenant AI. Han establecido una clara división de funciones: Basilica (SN39) actúa como la red de infraestructura base que proporciona alquiler de potencia computacional sin necesidad de confianza; Grail (SN81) se encarga del ajuste fino (fine-tuning) mediante aprendizaje por refuerzo para asegurar que los modelos se alineen con los valores humanos; y Templar (SN3) está posicionado como una "base industrial de gran escala", responsable específicamente del preentrenamiento central de modelos fundacionales desde cero.
3. Arquitectura central: cómo se completa el preentrenamiento a gran escala en la red
3.1 Colaboración distribuida: rompiendo los límites de las redes físicas
El entrenamiento de IA tradicional depende fuertemente de interconexiones propietarias de alta velocidad en centros de datos centralizados. Templar, en cambio, comprime los datos de comunicación entre nodos en más de cien veces gracias a su algoritmo exclusivo SparseLoCo. Esto significa que la red ya no depende de fibra de primer nivel; basta con una conexión domiciliaria de banda ancha convencional para conectar nodos de cómputo distribuidos alrededor del mundo y trabajar de forma colaborativa.
3.2 Control de calidad sin necesidad de confianza
En redes abiertas sin permisos, para evitar que los mineros "hagan trampa" o actúen de forma maliciosa, Templar introdujo el protocolo Gauntlet. Se trata de un riguroso sistema de filtrado en dos capas y calificación dinámica de crédito (OpenSkill). Los validadores de la red verifican estrictamente la contribución real de los datos enviados por cada minero al modelo, y solo los nodos que genuinamente mejoran la calidad del modelo pueden recibir puntuaciones altas y recompensas, eliminando de forma efectiva la posibilidad de hacer trampa desde el nivel arquitectónico.
3.3 Verificación de entrega de nivel industrial: el modelo Covenant-72B
Esta arquitectura ha sido validada exhaustivamente en ingeniería práctica. Templar entregó recientemente con éxito el modelo "Covenant-72B", que cuenta con una arquitectura densa de 72 mil millones de parámetros y abarca un corpus masivo de aproximadamente 1.1 billones de tokens. Más de 70 nodos pares completamente independientes y distribuidos geográficamente participaron en este proyecto de entrenamiento, pudiendo unirse o salir de la red de forma dinámica en cualquier momento. En pruebas de referencia de zero-shot, Covenant-72B obtuvo 67.1 en el test MMLU, completamente comparable con el modelo LLaMA-2-70B de Meta, entrenado en centros de datos centralizados con un enorme poder de cómputo, mientras que Covenant-72B utilizó sólo 1.1 billones de tokens, el 50% de los que usó ese modelo. Su equivalente en la industria Web2 sería similar al OPUS de Anthropic o al Codex de OpenAI.
4. Mecanismos de incentivos y colaboración: cómo la colaboración en red genera un "ciclo virtuoso"
4.1 Impulsado por tokenomics dinámicos (dTAO)
El funcionamiento eficiente de Templar es inseparable del tokenomics de "TAO dinámico (dTAO)" de Bittensor. En esta red:
Mineros: Nodos distribuidos alrededor del mundo que aportan poder de cómputo de hardware y realizan entrenamiento local del modelo. Al enviar resultados de entrenamiento de alta calidad, obtienen recompensas en tokens.
Validadores: Actúan como "porteros", responsables de inspeccionar el trabajo de los mineros, mantener la equidad y seguridad del sistema, y asegurar que el modelo evolucione en la dirección correcta.
Inversores: Comprar y hacer staking de los tokens Alpha independientes de Templar es esencialmente una apuesta con apalancamiento sobre la futura calidad de los modelos y la escala del poder de cómputo de la subred.
4.2 El circuito cerrado ecológico de cómputo, valor y red
En este juego de libre mercado, la calidad de los modelos está profundamente ligada a los retornos económicos. Cuanto mejores sean los modelos que produce Templar, mayor será el valor de sus tokens; y los tokens de alto valor, a su vez, atraen a más y mejores mineros de poder de cómputo de todo el mundo a migrar hacia aquí. Este mecanismo crea un ciclo virtuoso que vincula estrechamente el poder de cómputo, el valor y los efectos de red, formando un circuito ecológico indestructible.
5. Estado del ecosistema
Desde la perspectiva operativa actual del ecosistema, el proyecto Templar ya cuenta con una escala de mercado considerable. Su capitalización de mercado actual es de 88 millones de USD. En cuanto a la estructura de participantes, más de 70 nodos pares independientes y distribuidos participaron activamente en el proyecto de preentrenamiento conjunto del modelo ultra-grande de escala 72B. A medida que el equipo de Covenant AI construye subredes periféricas como SN39 (alquiler de poder de cómputo) y SN81 (mediante aprendizaje por refuerzo fine-tuning) alrededor de SN3, comienza a tomar forma un sistema completo de red con cadena de valor ascendente y descendente centrado en la producción descentralizada de grandes modelos.
Al 7 de abril, el precio del token alpha de Templar es de aproximadamente 0.071 TAO, con alrededor de 7,519 direcciones con tokens, 253 mineros, 3 validadores y una tasa de emisión del 2.58%. Mientras tanto, en su pool de liquidez, la proporción de TAO es del 6.71% y la de Alpha es del 93.29%. Con base en el precio y el número de direcciones con tokens, Templar ha establecido una base de usuarios y un nivel de atención considerables, aunque en términos generales sigue en una etapa temprana de difusión.
Fuente de datos：https://bittensormarketcap.com/subnets/3
6. Panorama competitivo: ventajas y desafíos
6.1 Posicionamiento en la industria y competencias clave
En un contexto de recursos de cómputo altamente centralizados, Templar ofrece a la industria una solución técnica capaz de resistir riesgos de punto único. Su ventaja central radica en un cambio de paradigma impulsado por el diseño de mecanismos: logra una participación verdaderamente sin permisos y utiliza el aprendizaje federado para salvaguardar la soberanía y privacidad de los datos. Al combinar mecanismos de teoría de juegos con entrenamiento distribuido, Templar reduce significativamente la dependencia de los desarrolladores en un único proveedor de poder de cómputo y construye canales de cómputo que pueden eludir la censura.
6.2 Desafíos en evolución y planificación
El entrenamiento descentralizado enfrenta desafíos persistentes de cuellos de botella en la comunicación de red y heterogeneidad de hardware a medida que escala. En respuesta, Templar planificó una optimización y refinamiento continuos a nivel técnico. Por un lado, se busca la optimización del entrenamiento asíncrono a través de mejoras algorítmicas y recompensas comunitarias para desarrolladores, con el objetivo de eliminar por completo las interrupciones causadas por las limitaciones de red. Por otro lado, Templar está desarrollando una nueva generación de arquitectura heterogénea diseñada para permitir que las tarjetas gráficas de consumo ampliamente distribuidas (como la RTX 4090) se combinen en clústeres virtuales, despertando verdaderamente el enorme poder de cómputo de larga cola en manos del público general.
7.Perspectivas a futuro: ¿pueden establecerse grandes modelos industriales descentralizados?
En la etapa actual, Templar (SN3) demostró con éxito la viabilidad de entregar modelos industriales de alto rendimiento a través de poder de cómputo distribuido con la entrega de Covenant-72B. Si puede lograr avances adicionales en el futuro depende del establecimiento de un circuito cerrado comercial y la incorporación de liquidez.
En cuanto a la implementación comercial, Templar planea introducir un mecanismo de "acceso por token" para ofrecer a los poseedores de tokens acceso exclusivo a modelos de alto rendimiento, con el objetivo de lograr un circuito cerrado completo desde la I+D hasta la captura de valor comercial. A un nivel financiero más macro, a medida que se acelera el cumplimiento normativo de la industria crypto (como la aprobación de ETFs para TAO), la entrada de capital institucional tradicional aumentará directamente su presupuesto económico, atrayendo así nodos de mayor calidad para intentar entrenar modelos de gran escala de próxima generación.
En la proyección a largo plazo, la madurez de la tecnología de agentes de IA traerá una demanda masiva, y se espera que Templar pueda proveer infraestructura de cómputo y pagos sin permisos para ello. Templar no es solo un complemento al modelo Web2; también está impulsando la tecnología de IA hacia la transparencia del código abierto, explorando un camino resiliente que puede funcionar en paralelo con los laboratorios centralizados y facilitar la colaboración global.
Referencias
Sitio oficial de Templar: https://www.tplr.ai/
X (Twitter) de Templar: https://x.com/tplr_ai
Discord de Templar: https://discord.com/invite/N5xgygBJ9r
Gráfico K-line de Taostats: https://taostats.io/subnets/3/chart
Datos de bittensormarketcap：https://bittensormarketcap.com/subnets/3
Instituto de Investigación CoinW
Resumen
Templar (Subred 3, abreviada como SN3) es una subred descentralizada de preentrenamiento de modelos de lenguaje de gran escala construida dentro del ecosistema Bittensor. Su núcleo consiste en transformar el proceso de preentrenamiento de grandes modelos de IA, que es extremadamente costoso y centralizado, en un sistema de red de nivel industrial impulsado de manera colaborativa por recursos de cómputo distribuidos en todo el mundo, a través de mecanismos innovadores como el "algoritmo SparseLoCo para compresión de comunicaciones" y el "protocolo Gauntlet para evaluación de contribuciones". En términos de arquitectura, rompe las limitaciones físicas de red de los centros de datos centralizados tradicionales: no solo reduce el umbral de acceso al poder de cómputo, sino que también logra protección de datos sensibles y resistencia a la censura. Desde la perspectiva del ecosistema y el rendimiento de datos, Templar entregó con éxito el modelo "Covenant-72B" con 72 mil millones de parámetros, demostrando la viabilidad absoluta del entrenamiento descentralizado para aplicaciones industriales. Templar cubre el segmento de entrenamiento de modelos fundacionales de alta escala dentro del ecosistema Bittensor, y tiene el potencial a largo plazo de convertirse en una infraestructura de IA resiliente y de código abierto, capaz de funcionar en paralelo con los gigantes tecnológicos del mundo Web2.
1.Partiendo de los representantes típicos de la era Web2: situación actual y limitaciones del entrenamiento de grandes modelos
1.1 El monopolio del cómputo en la era Web2
Con la evolución de la infraestructura de IA generativa, la distribución y el control del poder de cómputo se han convertido en un tema central en la competencia tecnológica global. En el modelo convencional de la era Web2, un puñado de gigantes tecnológicos construyó el foso de cómputo necesario para desarrollar modelos de IA de vanguardia. Grandes proveedores de nube como AWS y Azure monopolizan los recursos físicos de cómputo subyacentes, mientras que proveedores de servicios de modelos de IA como OpenAI, Anthropic y Google ofrecen servicios de entrenamiento e inferencia de modelos cerrados o semiabiertos a través de enormes centros de datos centralizados compuestos por cientos de miles de GPUs de alto rendimiento.
1.2 Limitaciones clave del modelo tradicional
Si bien los gigantes centralizados han impulsado significativamente el desarrollo de modelos de frontera, este enfoque, altamente intensivo en capital y hardware, tiene limitaciones evidentes. La primera es la centralización extrema y las altas barreras de entrada, los desarrolladores independientes y las pequeñas y medianas empresas prácticamente no pueden participar, y la innovación queda monopolizada por unos pocos oligarcas tecnológicos. La segunda es la fragilidad sistémica, si un gran centro de datos centralizado sufre una falla física o de red, se genera un riesgo de punto único de falla que puede provocar interrupciones generalizadas del servicio. Y lo más crítico, existen riesgos de privacidad de datos y cumplimiento normativo, ya que los datos de usuarios y empresas deben cargarse en las nubes privadas de estos gigantes, lo que genera serias preocupaciones sobre filtraciones. Por último, esta arquitectura es altamente vulnerable a prohibiciones específicas de exportación de hardware o controles de listas blancas, y carece de antifragilidad frente a la censura y los factores geopolíticos.
2.Templar (SN3): Reconstruir el preentrenamiento de grandes modelos con una "red descentralizada"
2.1 ¿Qué es Templar? Un laboratorio descentralizado de entrenamiento de grandes modelos
Para romper el monopolio de los gigantes tecnológicos, nació Templar (SN3). A diferencia de las plataformas tradicionales, no se trata simplemente de mover datos, sino que apunta directamente a la parte más costosa y esencial de la cadena de valor de la IA: el preentrenamiento descentralizado de modelos de lenguaje de escala ultra masiva. En términos simples, el rol que juega Templar es similar al de Anthropic u OpenAI en el mundo Web2; puede entenderse como los laboratorios de entrenamiento de grandes modelos de esas empresas, pero operando sobre una red distribuida.
2.2 De sistemas cerrados a colaboración abierta: qué problema resuelve Templar
El cambio central de Templar consiste en transformar el proceso de entrenamiento, que antes estaba confinado en un único centro de datos centralizado, en una red colaborativa abierta y sin permisos. Rompe el mecanismo tradicional de listas blancas, permitiendo que cualquier GPU de alto rendimiento inactiva en el mundo se una o salga de la red en cualquier momento, logrando una participación verdaderamente sin restricciones y una resiliencia del sistema extremadamente alta. Al mismo tiempo, Templar adopta un modelo de aprendizaje federado de "los datos se quedan, los modelos se mueven", donde los datos de entrenamiento permanecen en el dispositivo local del minero, y la red sólo transmite datos de gradiente cifrados y comprimidos, lo que resuelve perfectamente los desafíos de privacidad del entrenamiento con datos sensibles entre países e instituciones. La arquitectura de nodos descentralizados provee a la investigación y el desarrollo de IA global un "canal de cómputo cifrado" para eludir sanciones de cualquier país soberano en particular, logrando una resistencia extrema a la censura.
2.3 Su rol en el ecosistema TAO: la base de preentrenamiento industrial de nivel central
Dentro del ecosistema, Templar cuenta con el respaldo del equipo de primer nivel Covenant AI. Han establecido una clara división de funciones: Basilica (SN39) actúa como la red de infraestructura base que proporciona alquiler de potencia computacional sin necesidad de confianza; Grail (SN81) se encarga del ajuste fino (fine-tuning) mediante aprendizaje por refuerzo para asegurar que los modelos se alineen con los valores humanos; y Templar (SN3) está posicionado como una "base industrial de gran escala", responsable específicamente del preentrenamiento central de modelos fundacionales desde cero.
3. Arquitectura central: cómo se completa el preentrenamiento a gran escala en la red
3.1 Colaboración distribuida: rompiendo los límites de las redes físicas
El entrenamiento de IA tradicional depende fuertemente de interconexiones propietarias de alta velocidad en centros de datos centralizados. Templar, en cambio, comprime los datos de comunicación entre nodos en más de cien veces gracias a su algoritmo exclusivo SparseLoCo. Esto significa que la red ya no depende de fibra de primer nivel; basta con una conexión domiciliaria de banda ancha convencional para conectar nodos de cómputo distribuidos alrededor del mundo y trabajar de forma colaborativa.
3.2 Control de calidad sin necesidad de confianza
En redes abiertas sin permisos, para evitar que los mineros "hagan trampa" o actúen de forma maliciosa, Templar introdujo el protocolo Gauntlet. Se trata de un riguroso sistema de filtrado en dos capas y calificación dinámica de crédito (OpenSkill). Los validadores de la red verifican estrictamente la contribución real de los datos enviados por cada minero al modelo, y solo los nodos que genuinamente mejoran la calidad del modelo pueden recibir puntuaciones altas y recompensas, eliminando de forma efectiva la posibilidad de hacer trampa desde el nivel arquitectónico.
3.3 Verificación de entrega de nivel industrial: el modelo Covenant-72B
Esta arquitectura ha sido validada exhaustivamente en ingeniería práctica. Templar entregó recientemente con éxito el modelo "Covenant-72B", que cuenta con una arquitectura densa de 72 mil millones de parámetros y abarca un corpus masivo de aproximadamente 1.1 billones de tokens. Más de 70 nodos pares completamente independientes y distribuidos geográficamente participaron en este proyecto de entrenamiento, pudiendo unirse o salir de la red de forma dinámica en cualquier momento. En pruebas de referencia de zero-shot, Covenant-72B obtuvo 67.1 en el test MMLU, completamente comparable con el modelo LLaMA-2-70B de Meta, entrenado en centros de datos centralizados con un enorme poder de cómputo, mientras que Covenant-72B utilizó sólo 1.1 billones de tokens, el 50% de los que usó ese modelo. Su equivalente en la industria Web2 sería similar al OPUS de Anthropic o al Codex de OpenAI.
4. Mecanismos de incentivos y colaboración: cómo la colaboración en red genera un "ciclo virtuoso"
4.1 Impulsado por tokenomics dinámicos (dTAO)
El funcionamiento eficiente de Templar es inseparable del tokenomics de "TAO dinámico (dTAO)" de Bittensor. En esta red:
Mineros: Nodos distribuidos alrededor del mundo que aportan poder de cómputo de hardware y realizan entrenamiento local del modelo. Al enviar resultados de entrenamiento de alta calidad, obtienen recompensas en tokens.
Validadores: Actúan como "porteros", responsables de inspeccionar el trabajo de los mineros, mantener la equidad y seguridad del sistema, y asegurar que el modelo evolucione en la dirección correcta.
Inversores: Comprar y hacer staking de los tokens Alpha independientes de Templar es esencialmente una apuesta con apalancamiento sobre la futura calidad de los modelos y la escala del poder de cómputo de la subred.
4.2 El circuito cerrado ecológico de cómputo, valor y red
En este juego de libre mercado, la calidad de los modelos está profundamente ligada a los retornos económicos. Cuanto mejores sean los modelos que produce Templar, mayor será el valor de sus tokens; y los tokens de alto valor, a su vez, atraen a más y mejores mineros de poder de cómputo de todo el mundo a migrar hacia aquí. Este mecanismo crea un ciclo virtuoso que vincula estrechamente el poder de cómputo, el valor y los efectos de red, formando un circuito ecológico indestructible.
5. Estado del ecosistema
Desde la perspectiva operativa actual del ecosistema, el proyecto Templar ya cuenta con una escala de mercado considerable. Su capitalización de mercado actual es de 88 millones de USD. En cuanto a la estructura de participantes, más de 70 nodos pares independientes y distribuidos participaron activamente en el proyecto de preentrenamiento conjunto del modelo ultra-grande de escala 72B. A medida que el equipo de Covenant AI construye subredes periféricas como SN39 (alquiler de poder de cómputo) y SN81 (mediante aprendizaje por refuerzo fine-tuning) alrededor de SN3, comienza a tomar forma un sistema completo de red con cadena de valor ascendente y descendente centrado en la producción descentralizada de grandes modelos.
Al 7 de abril, el precio del token alpha de Templar es de aproximadamente 0.071 TAO, con alrededor de 7,519 direcciones con tokens, 253 mineros, 3 validadores y una tasa de emisión del 2.58%. Mientras tanto, en su pool de liquidez, la proporción de TAO es del 6.71% y la de Alpha es del 93.29%. Con base en el precio y el número de direcciones con tokens, Templar ha establecido una base de usuarios y un nivel de atención considerables, aunque en términos generales sigue en una etapa temprana de difusión.
Fuente de datos：https://bittensormarketcap.com/subnets/3
6. Panorama competitivo: ventajas y desafíos
6.1 Posicionamiento en la industria y competencias clave
En un contexto de recursos de cómputo altamente centralizados, Templar ofrece a la industria una solución técnica capaz de resistir riesgos de punto único. Su ventaja central radica en un cambio de paradigma impulsado por el diseño de mecanismos: logra una participación verdaderamente sin permisos y utiliza el aprendizaje federado para salvaguardar la soberanía y privacidad de los datos. Al combinar mecanismos de teoría de juegos con entrenamiento distribuido, Templar reduce significativamente la dependencia de los desarrolladores en un único proveedor de poder de cómputo y construye canales de cómputo que pueden eludir la censura.
6.2 Desafíos en evolución y planificación
El entrenamiento descentralizado enfrenta desafíos persistentes de cuellos de botella en la comunicación de red y heterogeneidad de hardware a medida que escala. En respuesta, Templar planificó una optimización y refinamiento continuos a nivel técnico. Por un lado, se busca la optimización del entrenamiento asíncrono a través de mejoras algorítmicas y recompensas comunitarias para desarrolladores, con el objetivo de eliminar por completo las interrupciones causadas por las limitaciones de red. Por otro lado, Templar está desarrollando una nueva generación de arquitectura heterogénea diseñada para permitir que las tarjetas gráficas de consumo ampliamente distribuidas (como la RTX 4090) se combinen en clústeres virtuales, despertando verdaderamente el enorme poder de cómputo de larga cola en manos del público general.
7.Perspectivas a futuro: ¿pueden establecerse grandes modelos industriales descentralizados?
En la etapa actual, Templar (SN3) demostró con éxito la viabilidad de entregar modelos industriales de alto rendimiento a través de poder de cómputo distribuido con la entrega de Covenant-72B. Si puede lograr avances adicionales en el futuro depende del establecimiento de un circuito cerrado comercial y la incorporación de liquidez.
En cuanto a la implementación comercial, Templar planea introducir un mecanismo de "acceso por token" para ofrecer a los poseedores de tokens acceso exclusivo a modelos de alto rendimiento, con el objetivo de lograr un circuito cerrado completo desde la I+D hasta la captura de valor comercial. A un nivel financiero más macro, a medida que se acelera el cumplimiento normativo de la industria crypto (como la aprobación de ETFs para TAO), la entrada de capital institucional tradicional aumentará directamente su presupuesto económico, atrayendo así nodos de mayor calidad para intentar entrenar modelos de gran escala de próxima generación.
En la proyección a largo plazo, la madurez de la tecnología de agentes de IA traerá una demanda masiva, y se espera que Templar pueda proveer infraestructura de cómputo y pagos sin permisos para ello. Templar no es solo un complemento al modelo Web2; también está impulsando la tecnología de IA hacia la transparencia del código abierto, explorando un camino resiliente que puede funcionar en paralelo con los laboratorios centralizados y facilitar la colaboración global.
Referencias
Sitio oficial de Templar: https://www.tplr.ai/
X (Twitter) de Templar: https://x.com/tplr_ai
Discord de Templar: https://discord.com/invite/N5xgygBJ9r
Gráfico K-line de Taostats: https://taostats.io/subnets/3/chart
Datos de bittensormarketcap：https://bittensormarketcap.com/subnets/3