Centre d'annonce
CoinW Research Institute
Résumé
Templar (Subnet 3, abrégé en SN3) est un subnet de pré-entraînement de modèles de langage à grande échelle décentralisé, construit au sein de l’écosystème Bittensor. Son cœur repose sur la transformation du processus de pré-entraînement des grands modèles d’IA — extrêmement coûteux et centralisé — en un système réseau de niveau industriel, alimenté de manière collaborative par des ressources de calcul distribuées à l’échelle mondiale, grâce à des mécanismes innovants tels que le « Algorithme SparseLoCo pour la compression des communications» et le « Protocole Gauntlet pour l’évaluation des contributions ».
Sur le plan architectural, il dépasse les limitations physiques des réseaux des data centers centralisés traditionnels, réduisant non seulement le seuil d’accès à la puissance de calcul, mais assurant également la protection des données sensibles et la résistance à la censure.
Du point de vue de l’écosystème et des performances, Templar a déjà livré avec succès le modèle « Covenant-72B » avec 72 milliards de paramètres, démontrant la faisabilité absolue de l’entraînement décentralisé pour des applications industrielles. Templar comble le segment de l’entraînement des modèles fondamentaux lourds au sein de l’écosystème Bittensor et présente un potentiel à long terme pour évoluer en une infrastructure d’IA open-source résiliente, capable de fonctionner en parallèle des géants technologiques Web2.
1.À partir des représentants typiques de l’ère Web2 : la situation actuelle et les limites de l’entraînement des grands modèles
1.1 Monopole de la Puissance de Calcul à l’Ère du Web2
Avec l’évolution de l’infrastructure de l’IA générative, la distribution et le contrôle de la puissance de calcul sont devenus un enjeu central dans la compétition technologique mondiale. Dans la vision conventionnelle et à l’ère du Web2, le moat de calcul nécessaire au développement de modèles d’IA de pointe est détenu par un nombre limité de géants technologiques.
Les grands fournisseurs cloud tels que AWS et Azure monopolisent les ressources physiques de calcul sous-jacentes, tandis que des fournisseurs de services de modèles d’IA comme OpenAI, Anthropic et Google proposent des services d’entraînement et d’inférence de modèles en closed-source ou semi-open-source via d’immenses data centers centralisés, composés de centaines de milliers de GPUs haut de gamme.
1.2 Limitations Clés du Modèle Traditionnel
Bien que les acteurs centralisés aient considérablement fait progresser le développement des modèles de pointe, cette approche fortement dépendante du capital et du hardware présente des limites évidentes. La première est une centralisation extrême et des barrières d’entrée élevées : les développeurs individuels et les PME peuvent difficilement participer, et l’innovation est monopolisée par quelques oligopoles technologiques.
La deuxième est la fragilité systémique : dès lors qu’un data center centralisé majeur subit une défaillance physique ou réseau, cela crée un risque de point de défaillance unique pouvant entraîner des interruptions de service à grande échelle. Plus critique encore, il existe des risques liés à la confidentialité des données et à la conformité : les données des utilisateurs et des entreprises doivent être téléchargées vers les clouds privés de ces géants, ce qui soulève d’importantes préoccupations en matière de fuites de données.
Enfin, cette architecture est fortement vulnérable aux restrictions d’exportation de hardware ou aux mécanismes de whitelist, manquant de résilience face à la censure et aux facteurs géopolitiques.
2.Templar (SN3): Reconstruire le pré-entraînement des grands modèles via un « réseau décentralisé »
2.1Qu’est-ce que Templar : un laboratoire d’entraînement de grands modèles décentralisé
Afin de briser le monopole des géants technologiques, Templar (SN3) a vu le jour. Contrairement aux plateformes traditionnelles, il ne se contente pas de déplacer des données, mais cible directement la partie la plus coûteuse et la plus stratégique de la chaîne de valeur de l’IA — le pré-entraînement décentralisé de modèles de langage à très grande échelle.
En termes simples, le rôle joué par Templar est similaire à celui d’Anthropic ou d’OpenAI dans l’univers Web2 ; il peut être comparé aux laboratoires d’entraînement de grands modèles de ces entreprises, mais son fonctionnement repose sur un réseau distribué.
2.2Des Systèmes Fermés à la Collaboration Ouverte : le problème que Templar résout
La transformation clé apportée par Templar consiste à convertir un processus d’entraînement auparavant limité à un seul data center centralisé en un réseau collaboratif ouvert et permissionless. Il supprime le mécanisme traditionnel de whitelist, permettant à n’importe quel GPU haut de gamme inutilisé dans le monde de rejoindre ou de quitter le réseau à tout moment, réalisant ainsi une participation véritablement permissionless et une résilience système extrêmement élevée.
Parallèlement, Templar adopte un modèle de apprentissage fédéré basé sur le principe « les données restent, les modèles se déplacent», où les données d’entraînement restent sur l’appareil local du miner, tandis que le réseau ne transmet que des gradients chiffrés et compressés, répondant efficacement aux enjeux de confidentialité liés à l’entraînement de données sensibles entre différents pays et institutions.
L’architecture de nœuds décentralisés fournit à la recherche et au développement en IA à l’échelle mondiale un «canal de puissance de calcul du darknet », permettant de contourner les sanctions imposées par un État souverain unique et d’atteindre une résistance extrême à la censure.
2.3 Rôle dans l’écosystème TAO : base de pré-entraînement industriel clé
Dans l’écosystème, Templar est soutenu par l’équipe Covenant AI de premier plan. Celle-ci a mis en place une division du travail claire : Basilica (SN39) sert de réseau d’infrastructure principal fournissant une location de puissance de calcul trustless ; Grail (SN81) est responsable du ajustement fin via apprentissage par renforcement afin d’assurer l’alignement des modèles avec les valeurs humaines ; et Templar (SN3) est positionné comme une « base industrielle », spécifiquement dédiée au pré-entraînement des modèles fondamentaux from-scratch.
3.Architecture Principale: Comment le Pré-entraînement à Grande Échelle est Réalisé dans le Réseau
3.1Collaboration Distribuée: Briser les Limites des Réseaux Physiques
L’entraînement de l’IA traditionnel repose fortement sur des interconnexions en fibre propriétaire à haute vitesse au sein de data centers centralisés. À l’inverse, Templar compresse les données de communication entre les nœuds de plus de cent fois grâce à son algorithme unique SparseLoCo. Cela signifie que le réseau ne dépend plus d’une fibre haut de gamme ; une simple connexion internet domestique suffit pour connecter des nœuds de calcul répartis dans le monde entier et permettre une collaboration distribuée.
3.2 Contrôle De Qualité Sans Confiance
Dans des réseaux ouverts et permissionless, afin d’éviter que les miners « relâchent leurs efforts » ou adoptent des comportements malveillants, Templar a introduit le protocole Gauntlet. Il s’agit d’un système rigoureux de filtrage à deux niveaux et de notation dynamique (OpenSkill). Les validators du réseau testent strictement la contribution réelle des données soumises par chaque miner au modèle, et seuls les nœuds qui améliorent effectivement la qualité du modèle peuvent obtenir des scores élevés et des récompenses, éliminant ainsi structurellement les comportements frauduleux.
3.3 Vérification de Livraison de Niveau Industriel : Modèle Covenant-72B
Cette architecture a été pleinement validée en conditions réelles d’ingénierie. Templar a récemment livré avec succès le modèle « Covenant-72B », qui adopte une architecture dense avec 72 milliards de paramètres et s’appuie sur un corpus massif d’environ 1.1 trillion de tokens.
Plus de 70 nœuds indépendants et géographiquement distribués ont participé à ce projet d’entraînement, avec la possibilité pour les nœuds de rejoindre ou de quitter le réseau dynamiquement à tout moment. Lors de tests benchmark en zero-shot, Covenant-72B a obtenu un score de 67.1 au test MMLU, comparable au modèle LLaMA-2-70B de Meta, entraîné dans des data centers centralisés avec une puissance de calcul massive, tandis que Covenant-72B n’a utilisé que 1.1 trillion de tokens, soit 50 % de celui-ci.
Son équivalent dans l’industrie Web2 est comparable aux modèles OPUS d’Anthropic ou Codex d’OpenAI.
4.Mécanismes D’Incitation Et De Collaboration: Comment la Collaboration en Ligne Forme un « Cycle Positif »
4.1 Dynamic Tokenomics Driven (dTAO)
Le fonctionnement efficace de Templar repose étroitement sur les « dynamic TAO (dTAO) tokenomics » de pointe de Bittensor. Dans ce réseau :
● Miners : Des nœuds distribués à travers le monde fournissent de la puissance de calcul hardware et réalisent l’entraînement local des modèles. Après avoir soumis des résultats d’entraînement de haute qualité, ils obtiennent des récompenses en tokens.
● Validators : Agissent comme des « gardiens », chargés de vérifier le travail des miners, de maintenir l’équité et la sécurité du système, et de garantir que le modèle évolue dans la bonne direction.
● Investors : L’achat et le staking des tokens Alpha propres à Templar correspondent essentiellement à un pari à effet de levier sur la qualité future des modèles et l’échelle de la puissance de calcul du subnet.
4.2 La boucle écologique fermée entre puissance de calcul, valeur et réseau
Dans ce mécanisme de marché libre, la qualité des modèles est étroitement liée aux rendements économiques. Plus les modèles produits par Templar sont performants, plus la valeur de ses tokens est élevée ; et des tokens à forte valeur attirent en retour davantage de miners disposant d’une puissance de calcul plus importante à l’échelle mondiale.
Ce mécanisme crée un flywheel positif qui lie étroitement puissance de calcul, valeur et effets de réseau, formant une boucle écologique auto-renforcée difficile à rompre.
5.Statut Écologique
Du point de vue de l’opération actuelle de l’écosystème, le projet Templar possède déjà une certaine envergure de marché, avec une capitalisation actuelle de 88 millions USD.
En termes de structure des participants, plus de 70 nœuds indépendants et distribués ont activement participé au projet de pré-entraînement collaboratif d’un modèle ultra-large de niveau 72B. À mesure que l’équipe Covenant AI développe des subnets périphériques tels que SN39 (location de puissance de calcul) et SN81 (fine-tuning via apprentissage par renforcement) autour de SN3, un système réseau complet en amont et en aval, centré sur la production décentralisée de grands modèles, commence à se structurer.
Au 7 avril, le prix du token alpha de Templar est d’environ 0.071 TAO, avec environ 7,519 adresses détenant le token, 253 miners, 3 validators et un taux d’émission de 2.58%. Par ailleurs, dans son pool de liquidité, la part de TAO est de 6.71% et celle de Alpha de 93.29%.
Sur la base du prix et du nombre de détenteurs, Templar a déjà établi une certaine base d’utilisateurs et un niveau d’attention notable, mais reste globalement à un stade précoce de diffusion.
Source des données : https://bittensormarketcap.com/subnets/3
6.Paysage Concurrentiel et Avantages et Inconvénients
6.1 Positionnement Sectoriel et Compétences Clés
Dans un contexte de forte centralisation des ressources de calcul, Templar propose à l’industrie une solution technique capable de résister aux risques de point de défaillance unique. Son avantage principal réside dans un changement de paradigme piloté par la conception des mécanismes : il permet une participation réellement permissionless et utilise le federated learning pour garantir la souveraineté et la confidentialité des données.
En combinant des mécanismes issus de la théorie des jeux avec l’entraînement distribué, Templar réduit considérablement la dépendance des développeurs vis-à-vis d’un fournisseur unique de puissance de calcul et construit des canaux de calcul capables de contourner la censure.
6.2 Défis en Évolution Continue et Planification
L’entraînement décentralisé est confronté à des défis structurels tels que les goulots d’étranglement de communication réseau et l’hétérogénéité du hardware à mesure qu’il monte en échelle. Pour y répondre, Templar a prévu des optimisations et itérations continues sur le plan technique.
D’une part, une optimisation de l’entraînement asynchrone est menée via des améliorations algorithmiques et des incitations communautaires destinées aux profils techniques, avec pour objectif d’éliminer complètement les latences liées aux limitations réseau. D’autre part, Templar développe une nouvelle génération d’architecture hétérogène, visant à permettre à des cartes graphiques grand public largement déployées (telles que les RTX 4090) de se combiner en clusters virtuels, libérant ainsi le vaste potentiel de puissance de calcul long-tail détenu par les utilisateurs.
7.Perspectives Futures : des Modèles de Grande Échelle Décentralisés de Niveau Industriel Peuvent-ils Émerger ?
À ce stade, Templar (SN3) a déjà démontré la faisabilité de la production de modèles de niveau industriel à haute performance via la puissance de calcul distribuée, notamment avec la livraison du Covenant-72B. Sa capacité à franchir de nouvelles étapes dépendra de la mise en place d’un cycle commercial complet et de l’introduction de liquidité.
En matière de mise en œuvre commerciale, Templar prévoit d’introduire un mécanisme « token-gated » permettant aux détenteurs de tokens d’accéder de manière exclusive à des modèles haut de gamme, avec pour objectif de construire une boucle complète allant de la R&D à la capture de valeur.
À un niveau financier plus macro, à mesure que la régulation de l’industrie crypto progresse (par exemple avec l’approbation d’ETF liés à TAO), l’entrée de capitaux institutionnels traditionnels augmentera directement son budget économique, attirant ainsi des nœuds de plus haute qualité pour entraîner la prochaine génération de modèles de grande taille.
Sur le long terme, la maturité des technologies d’AI agent générera une demande massive, et Templar devrait fournir l’infrastructure de calcul et de paiement permissionless nécessaire. Templar n’est pas simplement un complément au modèle Web2 ; il contribue également à orienter l’IA vers plus de transparence open-source, en explorant une voie résiliente capable de fonctionner en parallèle des laboratoires centralisés et de favoriser la collaboration mondiale.
Réference
● Site Web Templar Official : https://www.tplr.ai/
● Templar sur Twitter: https://x.com/tplr_ai
● Communauté Discord Templar: https://discord.com/invite/N5xgygBJ9r
● Taostats K-line: https://taostats.io/subnets/3/chart
● Données bittensormarketcap：https://bittensormarketcap.com/subnets/3
CoinW Research Institute
Résumé
Templar (Subnet 3, abrégé en SN3) est un subnet de pré-entraînement de modèles de langage à grande échelle décentralisé, construit au sein de l’écosystème Bittensor. Son cœur repose sur la transformation du processus de pré-entraînement des grands modèles d’IA — extrêmement coûteux et centralisé — en un système réseau de niveau industriel, alimenté de manière collaborative par des ressources de calcul distribuées à l’échelle mondiale, grâce à des mécanismes innovants tels que le « Algorithme SparseLoCo pour la compression des communications» et le « Protocole Gauntlet pour l’évaluation des contributions ».
Sur le plan architectural, il dépasse les limitations physiques des réseaux des data centers centralisés traditionnels, réduisant non seulement le seuil d’accès à la puissance de calcul, mais assurant également la protection des données sensibles et la résistance à la censure.
Du point de vue de l’écosystème et des performances, Templar a déjà livré avec succès le modèle « Covenant-72B » avec 72 milliards de paramètres, démontrant la faisabilité absolue de l’entraînement décentralisé pour des applications industrielles. Templar comble le segment de l’entraînement des modèles fondamentaux lourds au sein de l’écosystème Bittensor et présente un potentiel à long terme pour évoluer en une infrastructure d’IA open-source résiliente, capable de fonctionner en parallèle des géants technologiques Web2.
1.À partir des représentants typiques de l’ère Web2 : la situation actuelle et les limites de l’entraînement des grands modèles
1.1 Monopole de la Puissance de Calcul à l’Ère du Web2
Avec l’évolution de l’infrastructure de l’IA générative, la distribution et le contrôle de la puissance de calcul sont devenus un enjeu central dans la compétition technologique mondiale. Dans la vision conventionnelle et à l’ère du Web2, le moat de calcul nécessaire au développement de modèles d’IA de pointe est détenu par un nombre limité de géants technologiques.
Les grands fournisseurs cloud tels que AWS et Azure monopolisent les ressources physiques de calcul sous-jacentes, tandis que des fournisseurs de services de modèles d’IA comme OpenAI, Anthropic et Google proposent des services d’entraînement et d’inférence de modèles en closed-source ou semi-open-source via d’immenses data centers centralisés, composés de centaines de milliers de GPUs haut de gamme.
1.2 Limitations Clés du Modèle Traditionnel
Bien que les acteurs centralisés aient considérablement fait progresser le développement des modèles de pointe, cette approche fortement dépendante du capital et du hardware présente des limites évidentes. La première est une centralisation extrême et des barrières d’entrée élevées : les développeurs individuels et les PME peuvent difficilement participer, et l’innovation est monopolisée par quelques oligopoles technologiques.
La deuxième est la fragilité systémique : dès lors qu’un data center centralisé majeur subit une défaillance physique ou réseau, cela crée un risque de point de défaillance unique pouvant entraîner des interruptions de service à grande échelle. Plus critique encore, il existe des risques liés à la confidentialité des données et à la conformité : les données des utilisateurs et des entreprises doivent être téléchargées vers les clouds privés de ces géants, ce qui soulève d’importantes préoccupations en matière de fuites de données.
Enfin, cette architecture est fortement vulnérable aux restrictions d’exportation de hardware ou aux mécanismes de whitelist, manquant de résilience face à la censure et aux facteurs géopolitiques.
2.Templar (SN3): Reconstruire le pré-entraînement des grands modèles via un « réseau décentralisé »
2.1Qu’est-ce que Templar : un laboratoire d’entraînement de grands modèles décentralisé
Afin de briser le monopole des géants technologiques, Templar (SN3) a vu le jour. Contrairement aux plateformes traditionnelles, il ne se contente pas de déplacer des données, mais cible directement la partie la plus coûteuse et la plus stratégique de la chaîne de valeur de l’IA — le pré-entraînement décentralisé de modèles de langage à très grande échelle.
En termes simples, le rôle joué par Templar est similaire à celui d’Anthropic ou d’OpenAI dans l’univers Web2 ; il peut être comparé aux laboratoires d’entraînement de grands modèles de ces entreprises, mais son fonctionnement repose sur un réseau distribué.
2.2Des Systèmes Fermés à la Collaboration Ouverte : le problème que Templar résout
La transformation clé apportée par Templar consiste à convertir un processus d’entraînement auparavant limité à un seul data center centralisé en un réseau collaboratif ouvert et permissionless. Il supprime le mécanisme traditionnel de whitelist, permettant à n’importe quel GPU haut de gamme inutilisé dans le monde de rejoindre ou de quitter le réseau à tout moment, réalisant ainsi une participation véritablement permissionless et une résilience système extrêmement élevée.
Parallèlement, Templar adopte un modèle de apprentissage fédéré basé sur le principe « les données restent, les modèles se déplacent», où les données d’entraînement restent sur l’appareil local du miner, tandis que le réseau ne transmet que des gradients chiffrés et compressés, répondant efficacement aux enjeux de confidentialité liés à l’entraînement de données sensibles entre différents pays et institutions.
L’architecture de nœuds décentralisés fournit à la recherche et au développement en IA à l’échelle mondiale un «canal de puissance de calcul du darknet », permettant de contourner les sanctions imposées par un État souverain unique et d’atteindre une résistance extrême à la censure.
2.3 Rôle dans l’écosystème TAO : base de pré-entraînement industriel clé
Dans l’écosystème, Templar est soutenu par l’équipe Covenant AI de premier plan. Celle-ci a mis en place une division du travail claire : Basilica (SN39) sert de réseau d’infrastructure principal fournissant une location de puissance de calcul trustless ; Grail (SN81) est responsable du ajustement fin via apprentissage par renforcement afin d’assurer l’alignement des modèles avec les valeurs humaines ; et Templar (SN3) est positionné comme une « base industrielle », spécifiquement dédiée au pré-entraînement des modèles fondamentaux from-scratch.
3.Architecture Principale: Comment le Pré-entraînement à Grande Échelle est Réalisé dans le Réseau
3.1Collaboration Distribuée: Briser les Limites des Réseaux Physiques
L’entraînement de l’IA traditionnel repose fortement sur des interconnexions en fibre propriétaire à haute vitesse au sein de data centers centralisés. À l’inverse, Templar compresse les données de communication entre les nœuds de plus de cent fois grâce à son algorithme unique SparseLoCo. Cela signifie que le réseau ne dépend plus d’une fibre haut de gamme ; une simple connexion internet domestique suffit pour connecter des nœuds de calcul répartis dans le monde entier et permettre une collaboration distribuée.
3.2 Contrôle De Qualité Sans Confiance
Dans des réseaux ouverts et permissionless, afin d’éviter que les miners « relâchent leurs efforts » ou adoptent des comportements malveillants, Templar a introduit le protocole Gauntlet. Il s’agit d’un système rigoureux de filtrage à deux niveaux et de notation dynamique (OpenSkill). Les validators du réseau testent strictement la contribution réelle des données soumises par chaque miner au modèle, et seuls les nœuds qui améliorent effectivement la qualité du modèle peuvent obtenir des scores élevés et des récompenses, éliminant ainsi structurellement les comportements frauduleux.
3.3 Vérification de Livraison de Niveau Industriel : Modèle Covenant-72B
Cette architecture a été pleinement validée en conditions réelles d’ingénierie. Templar a récemment livré avec succès le modèle « Covenant-72B », qui adopte une architecture dense avec 72 milliards de paramètres et s’appuie sur un corpus massif d’environ 1.1 trillion de tokens.
Plus de 70 nœuds indépendants et géographiquement distribués ont participé à ce projet d’entraînement, avec la possibilité pour les nœuds de rejoindre ou de quitter le réseau dynamiquement à tout moment. Lors de tests benchmark en zero-shot, Covenant-72B a obtenu un score de 67.1 au test MMLU, comparable au modèle LLaMA-2-70B de Meta, entraîné dans des data centers centralisés avec une puissance de calcul massive, tandis que Covenant-72B n’a utilisé que 1.1 trillion de tokens, soit 50 % de celui-ci.
Son équivalent dans l’industrie Web2 est comparable aux modèles OPUS d’Anthropic ou Codex d’OpenAI.
4.Mécanismes D’Incitation Et De Collaboration: Comment la Collaboration en Ligne Forme un « Cycle Positif »
4.1 Dynamic Tokenomics Driven (dTAO)
Le fonctionnement efficace de Templar repose étroitement sur les « dynamic TAO (dTAO) tokenomics » de pointe de Bittensor. Dans ce réseau :
● Miners : Des nœuds distribués à travers le monde fournissent de la puissance de calcul hardware et réalisent l’entraînement local des modèles. Après avoir soumis des résultats d’entraînement de haute qualité, ils obtiennent des récompenses en tokens.
● Validators : Agissent comme des « gardiens », chargés de vérifier le travail des miners, de maintenir l’équité et la sécurité du système, et de garantir que le modèle évolue dans la bonne direction.
● Investors : L’achat et le staking des tokens Alpha propres à Templar correspondent essentiellement à un pari à effet de levier sur la qualité future des modèles et l’échelle de la puissance de calcul du subnet.
4.2 La boucle écologique fermée entre puissance de calcul, valeur et réseau
Dans ce mécanisme de marché libre, la qualité des modèles est étroitement liée aux rendements économiques. Plus les modèles produits par Templar sont performants, plus la valeur de ses tokens est élevée ; et des tokens à forte valeur attirent en retour davantage de miners disposant d’une puissance de calcul plus importante à l’échelle mondiale.
Ce mécanisme crée un flywheel positif qui lie étroitement puissance de calcul, valeur et effets de réseau, formant une boucle écologique auto-renforcée difficile à rompre.
5.Statut Écologique
Du point de vue de l’opération actuelle de l’écosystème, le projet Templar possède déjà une certaine envergure de marché, avec une capitalisation actuelle de 88 millions USD.
En termes de structure des participants, plus de 70 nœuds indépendants et distribués ont activement participé au projet de pré-entraînement collaboratif d’un modèle ultra-large de niveau 72B. À mesure que l’équipe Covenant AI développe des subnets périphériques tels que SN39 (location de puissance de calcul) et SN81 (fine-tuning via apprentissage par renforcement) autour de SN3, un système réseau complet en amont et en aval, centré sur la production décentralisée de grands modèles, commence à se structurer.
Au 7 avril, le prix du token alpha de Templar est d’environ 0.071 TAO, avec environ 7,519 adresses détenant le token, 253 miners, 3 validators et un taux d’émission de 2.58%. Par ailleurs, dans son pool de liquidité, la part de TAO est de 6.71% et celle de Alpha de 93.29%.
Sur la base du prix et du nombre de détenteurs, Templar a déjà établi une certaine base d’utilisateurs et un niveau d’attention notable, mais reste globalement à un stade précoce de diffusion.
Source des données : https://bittensormarketcap.com/subnets/3
6.Paysage Concurrentiel et Avantages et Inconvénients
6.1 Positionnement Sectoriel et Compétences Clés
Dans un contexte de forte centralisation des ressources de calcul, Templar propose à l’industrie une solution technique capable de résister aux risques de point de défaillance unique. Son avantage principal réside dans un changement de paradigme piloté par la conception des mécanismes : il permet une participation réellement permissionless et utilise le federated learning pour garantir la souveraineté et la confidentialité des données.
En combinant des mécanismes issus de la théorie des jeux avec l’entraînement distribué, Templar réduit considérablement la dépendance des développeurs vis-à-vis d’un fournisseur unique de puissance de calcul et construit des canaux de calcul capables de contourner la censure.
6.2 Défis en Évolution Continue et Planification
L’entraînement décentralisé est confronté à des défis structurels tels que les goulots d’étranglement de communication réseau et l’hétérogénéité du hardware à mesure qu’il monte en échelle. Pour y répondre, Templar a prévu des optimisations et itérations continues sur le plan technique.
D’une part, une optimisation de l’entraînement asynchrone est menée via des améliorations algorithmiques et des incitations communautaires destinées aux profils techniques, avec pour objectif d’éliminer complètement les latences liées aux limitations réseau. D’autre part, Templar développe une nouvelle génération d’architecture hétérogène, visant à permettre à des cartes graphiques grand public largement déployées (telles que les RTX 4090) de se combiner en clusters virtuels, libérant ainsi le vaste potentiel de puissance de calcul long-tail détenu par les utilisateurs.
7.Perspectives Futures : des Modèles de Grande Échelle Décentralisés de Niveau Industriel Peuvent-ils Émerger ?
À ce stade, Templar (SN3) a déjà démontré la faisabilité de la production de modèles de niveau industriel à haute performance via la puissance de calcul distribuée, notamment avec la livraison du Covenant-72B. Sa capacité à franchir de nouvelles étapes dépendra de la mise en place d’un cycle commercial complet et de l’introduction de liquidité.
En matière de mise en œuvre commerciale, Templar prévoit d’introduire un mécanisme « token-gated » permettant aux détenteurs de tokens d’accéder de manière exclusive à des modèles haut de gamme, avec pour objectif de construire une boucle complète allant de la R&D à la capture de valeur.
À un niveau financier plus macro, à mesure que la régulation de l’industrie crypto progresse (par exemple avec l’approbation d’ETF liés à TAO), l’entrée de capitaux institutionnels traditionnels augmentera directement son budget économique, attirant ainsi des nœuds de plus haute qualité pour entraîner la prochaine génération de modèles de grande taille.
Sur le long terme, la maturité des technologies d’AI agent générera une demande massive, et Templar devrait fournir l’infrastructure de calcul et de paiement permissionless nécessaire. Templar n’est pas simplement un complément au modèle Web2 ; il contribue également à orienter l’IA vers plus de transparence open-source, en explorant une voie résiliente capable de fonctionner en parallèle des laboratoires centralisés et de favoriser la collaboration mondiale.
Réference
● Site Web Templar Official : https://www.tplr.ai/
● Templar sur Twitter: https://x.com/tplr_ai
● Communauté Discord Templar: https://discord.com/invite/N5xgygBJ9r
● Taostats K-line: https://taostats.io/subnets/3/chart
● Données bittensormarketcap：https://bittensormarketcap.com/subnets/3