原文タイトル：「ファンドの王者、Chamath Palihapitiya氏が時価5倍したSN3を直指し、その偉業とは」

原著者：KarenZ，Foresight News

2026年3月20日、All-In Venturesのポッドキャストで非日常な対話が繰り広げられました。

ベンチャーキャピタリストの Chamath Palihapitiya 氏が NVIDIA の CEO である黄仁勋氏に話しかけ、Bittensor 上のプロジェクトについて言及しました。「かなり狂った技術的達成を果たした」とし、分散型の計算力を使用してインターネット上で大規模な言語モデルをトレーニングし、プロセスは完全に非中央集権化されており、データセンターは一切関与していないと述べました。

黄仁勋氏はそれを避けることはしませんでした。彼はこの出来事を、「Folding@home の現代版」と捉え、2000年代に一般ユーザーがアイドルの計算リソースを貢献し、タンパク質折り畳み問題に協力した分散型プロジェクトを指しました。

その4日前の3月16日、Anthropic の共同創設者である Jack Clark 氏は、AI の研究開発進歩のレポートを発表し、その中で、この突破を重点的に取り上げ、Bittensor 生態系のサブネットワーク Templar（SN3）が720億のパラメータを持つ大規模モデル（Covenant 72B）の分散トレーニングを完了したことを詳述し、そのモデルの性能は、メタが2023年に発表したLLaMA-2と同等であることを引用しました。

Jack Clark 氏はこのセクションを「分散型トレーニングがAIの政治経済に挑戦」と命名し、この技術を引き続き追跡する価値があると強調しました。彼は、将来を想像しています：エッジAIが分散型トレーニングで生産されたモデルを大量採用し、クラウドAIは独自の大規模モデルを運用し続けると述べました。

市場の反応は多少遅れていましたが非常に激しいものでした：SN3 は過去1か月で440％以上上昇し、過去2週間で340％以上上昇し、時価総額は1.3億ドルに達しました。サブネットのストーリーは爆発的であり、これはTAOの購入圧力に直接転送されます。その結果、TAO は急速に上昇し、一時は377ドルに達し、過去1か月で2倍になり、FDV は約75億ドルに達しました。

質問が出ました：SN3 は具体的に何をしたのか？なぜ注目されたのか？分散型トレーニングと非中央集権化されたAIの価値概念は今後どのように発展していくのでしょうか？

その72Bのモデル

この質問に回答するには、まず SN3 が提出した成績表をよく見る必要があります。

2026 年 3 月 10 日、Covenant AI チームは arXiv に技術レポートを公開し、Covenant-72B のトレーニング完了を正式に発表しました。これは 720 億のパラメータを持つ大規模な言語モデルであり、約 70 個の独立ノード peers（各ラウンド約 20 個のノード同期、各ノードに 8 枚の B200 を装備）が、約 1.1 兆個のトークンのコーパスで 720 億のパラメータモデルの事前トレーニングを行いました。

Templar はベンチマークテストのいくつかのデータを提供しましたが、もちろん、比較対象の LLaMA-2-70B は Meta が 2023 年にリリースした大規模モデルです。Anthropic の共同創設者 Jack Clark の言葉によれば、Covenant-72B は 2026 年においてやや時代遅れかもしれません。Covenant-72B の MMLU における得点は 67.1 であり、おおよそ Meta が 2023 年にリリースした LLaMA-2-70B（65.6 得点）に該当します。

一方、2026 年の最先端モデル — たとえば GPT シリーズ、Claude、Gemini など — はすでに何十万台もの GPU 上で 1000 億を超えるパラメータのトレーニングを完了し、推論、コード、数学の能力の差はパーセント単位ではなく数量レベルの問題です。この現実の差異は市場の感情に押し流されるべきではありません。

ただし、「オープンなインターネット上の分散計算力でトレーニングされた」という前提に換算すると、それはまったく異なる意味を持ちます。

比較してみましょう：両方とも分散型トレーニングの INTELLECT-1（Prime Intellect チーム製、100 億のパラメータ）の MMLU スコアは 32.7 です。さらに、ホワイトリスト参加者の間で行われた分散トレーニングプロジェクト Psyche Consilience（400 億のパラメータ）は 24.2 のスコアを獲得しています。Covenant-72B は 72B のスケールで、67.1 の MMLU スコアを持ち、分散型トレーニングの競争で目立つ数字です。

さらに重要なのは、このトレーニングが「許可不要」であることです。誰もが参加ノードとしてアクセスでき、事前審査は不要でホワイトリストも不要です。 70 を超える独立したノードがモデルの更新に参加し、世界中から接続して計算リソースを貢献しました。

黄仁勋が言ったこと、言わなかったこと

そのポッドキャストの対談の詳細を復元することは、この「推薦」の外部解釈を修正するのに役立ちます。

Chamath Palihapitiya は対談中、Bittensor の技術的業績を黄仁勋に提示し、それを分散型の計算パワーを使用して Llama モデルをトレーニングしたと説明し、「完全に分散されて状態を維持しながら」と表現しました。黄仁勋の反応はこれを「現代版の Folding@home」と例え、オープンソースとプロプライエタリモデルの並行共存の必要性について議論しました。

注目すべきは、黄仁勋が直接的に Bittensor のトークンや投資に関する意味に触れず、また分散型 AI トレーニングについてさらに議論していないことです。

Bittensor サブネットと SN3 の理解

SN3 のブレークスルーを理解するには、まず Bittensor およびそのサブネットの動作ロジックを明確にする必要があります。簡単に言うと、Bittensor は AI パブリックチェーンおよびプラットフォームと見なすことができ、各サブネットは独自の「AI 生産ライン」に相当し、それぞれが中核任務を明確にし、インセンティブメカニズムを設計し、分散型 AI エコシステムを協調して構築しています。

その運用プロセスは明確で分散型です：サブネットオーナーはサブネット目標を定義し、インセンティブモデルを作成します；マイナーはサブネットで計算リソースを提供し、AI 関連のタスク（推論、トレーニング、ストレージなど）を完了します；バリデータはマイナーの貢献を評価し、評価を Bittensor 共識層にアップロードします；最終的には、Bittensor の Yuma 共識アルゴリズムは各サブネットの累積報酬に基づいてサブネット参加者に対して収益を配布します。

現在、Bittensor には 128 個のサブネットがあり、推論、サーバーレス AI クラウドサービス、画像、データアノテーション、強化学習、ストレージ、計算など、さまざまな AI タスクをカバーしています。

そして、SN3 はそのうちの1つのサブネットです。SN3 はアプリケーションレイヤのラッパーを作らず、既存の大規模モデル API を借りずに、AI 業界全体の中でも最も高価で閉鎖的な核心エレメントの1つである大規模モデルの事前トレーニングに直接焦点を当てました。

SN3 は、Bittensor ネットワークを利用して異種計算リソースを調整し、インセンティブ付きの分散型大規模モデルトレーニングを通じて、高価な中央集権型スーパーコンピュータクラスターを必要とせずに強力な基本モデルをトレーニングできることを証明したいと考えています。その中核的魅力は「均等性」にあります。中央集権型トレーニングのリソース独占を打破し、一般の個人や中小規模の組織も大規模モデルのトレーニングに参加し、同時に分散型計算リソースを活用してトレーニングコストを削減することができます。

SN3 の発展を推進する中心的な力は、Templar であり、その背後にある研究チームは Covenant Labs です。このチームは、Basilica（SN39、コンピューティングサービスに特化）と Grail（SN81、RL 後のトレーニングとモデル評価に特化）という2つのサブネットワークを運営しています。これら3つのサブネットワークは垂直統合を形成し、大規模モデルの事前トレーニングから整列最適化までのフルプロセスを網羅し、分散型大規模モデルトレーニングの完全なエコシステムを構築しています。

具体的には、マイナーは計算リソースを貢献し、勾配の更新（モデルパラメータの調整方向と強度）をネットワークにアップロードします。バリデーターは、各マイナーの貢献の品質を評価し、誤差の改善度合いに基づいてオンチェーンの評価を与えます。その結果に基づいて報酬の重みが決定され、自動的に割り当てられ、第三者に対する信頼は必要ありません。

インセンティブ設計の鍵は、報酬が「あなたの貢献がモデルの向上にどれだけ寄与したか」に直接リンクしていることであり、単なるハッシュレートの出席ではありません。これにより、分散型シナリオで最も困難な問題、つまりマイナーが怠けることを防ぐ方法が根本的に解決されます。

それでは、Covenant-72B は通信効率とインセンティブの整合性の問題をどのように解決していますか？

相互に信頼していない数十の異なるハードウェアとネットワーク品質のノードが同じモデルを共同トレーニングすることは、2つの課題があります。1つは通信効率であり、標準の分散型トレーニングソリューションはノード間の高帯域幅かつ低遅延の相互接続を要求します。2つ目はインセンティブの整合性で、悪意のあるノードが誤った勾配を提出するのを防ぐ方法は？各参加者が正直にトレーニングしていることを確認する方法は？

SN3 はこれら2つの問題を解決するために、SparseLoCo と Gauntlet という2つの中核コンポーネントを使用しています。

SparseLoCo は通信効率の問題を解決します。従来の分散型トレーニングでは、各ステップで完全な勾配を同期する必要があり、データ量が膨大です。SparseLoCo が採用しているソリューションは、各ノードが内部で 30 ステップの最適化（AdamW）を実行し、その後生成された「疑似勾配」を圧縮して他のノードにアップロードするというものです。圧縮方法には、Top-k スパース化（最も重要な勾配成分のみを保持）、エラー修正（破棄された部分を次のラウンドに蓄積）、および 2 ビットの量子化が含まれます。最終的な圧縮率は 146 倍以上です。

つまり、元々 100MB の転送が必要だったものが、今では 1MB 未満で済みます。

これにより、システムは一般的なインターネット（アップリンク 110Mbps、ダウンリンク 500Mbps）の帯域幅制限下で、計算利用率を約 94.5% に維持し、20 ノード、各ノード 8 枚の B200、各ラウンドの通信時間がわずか 70 秒の状態を維持できます。

Gauntlet はインセンティブ整合性の問題を解決します。これは、Bittensor ブロックチェーン（Subnet 3）上で実行され、各ノードが提出した擬似勾配の品質を検証する責任があります。具体的な方法は、小さなデータバッチを使用して、「このノードの勾配を使用すると、モデルの損失がどれだけ減少したか」をテストし、その結果を LossScore と呼びます。同時に、システムはノードが割り当てられたデータを使用してトレーニングしているかどうかもチェックします。ノードがランダムなデータでの損失の改善の方が、割り当てられたデータでの改善よりも優れている場合、そのノードは負のスコアを受けます。

最終的に、各トレーニングラウンドでは、最も高く評価されたノードの勾配のみが集約に参加し、他のノードはそのラウンドから除外されます。余分な参加者はいつでも交代要員を務め、システムを強力に保ちます。トレーニング全体では、平均して各ラウンドに 16.9 人のノードの勾配が集約に組み込まれ、累計で参加したユニークなノード ID は 70 を超えます。

分散型 AI の価値語りは、根本的な変化を遂げています

この問題を技術的および産業的視点から見ると、Covenant-72B が代表する方向にはいくつかの現実的な意味があります。

第一に、「分散型トレーニングは小規模モデルにのみ適している」という前提を覆しました。 最先端のモデルとはまだほど遠いですが、この方向性の拡張性が証明されました。

第二に、無許可参加が本当に実現可能であることが示されました。これは過小評価されていました。 以前の分散型トレーニングプロジェクトはホワイトリストに依存しており、審査を受けた参加者のみが計算リソースを提供できました。SN3 のこのトレーニングでは、十分な計算リソースを持つすべての人がアクセスでき、検証メカニズムが悪意のある貢献をフィルタリングしています。これは、「真の分散化」に向けた具体的な一歩です。

第三に、Bittensor の dTAO メカニズムにより、サブネットの価値の市場発見が可能になりました。 dTAO により、各サブネットが独自の Alpha トークンを発行し、AMM メカニズムを介して市場がどのサブネットがより多くの TAO を排出するかを決定します。これは、SN3 のように具体的な成果を出したサブネットに、粗いですが効果的な値の捕捉メカニズムを提供します。もちろん、このメカニズムも語りや感情に影響を受けやすく、LLM のトレーニング成果の品質を一般市場参加者が独自に評価することは難しいです。

第四に、分散型 AI トレーニングの政治経済学的意味があります。 Jack Clark は Import AI でこの問題を「誰が AI の未来を所有するか」として取り上げました。現在、先進的なモデルのトレーニングは、大規模なデータセンターを持つ一握りの機関によって独占されており、これはビジネスの問題だけでなく、権力の構造の問題でもあります。分散型トレーニングが技術的進歩を継続した場合、特定のモデルタイプ（特定領域の小規模かつ先進的なモデルなど）において、真に分散化した開発エコシステムが形成される可能性があります。もちろん、この展望は現時点では遠いです。

サマリー：実際のマイルストーンと多くの未解決の問題

ファン・インフンは、これを「現代版のFolding@home」と表現しました。 Folding@home は分子シミュレーション分野に実際の貢献をしましたが、大手製薬会社の主要研究地位を脅かすことはありませんでした。この比喩は非常に正確です。

SN3 はプロトコルを実行し、分散トレーニングの方向性を検証しました。しかし、技術的および業界の視点から見ると、この成果の背後には真剣に議論されることの少ない多くの問題が残っています：

MMLU 自体が学術界でも議論の的となる指標であり、公開ベンチマークの質問と回答にはトレーニングデータセットへのリークリスクが存在します。より注目すべきはベースラインの選択です：論文で基準にしている LLaMA-2-70B と LLM360 K2 はいずれも 2023 年から 2024 年の古いモデルですが、同じ範囲の 65 から 70 ポイントは、Grok や Bean に関して尋ねられた場合、中流や初心者レベルに分類され、Claude の見解では極端に遅れているとされています。これを動的に更新されるランキングや汚染に強い新世代のベンチマークに位置付けると、より正直な結論が導かれるかもしれません。

さらに重要なのは、モデルの能力限界を決定する高品質データ—対話データ、コード、数学的導出、科学文献はほとんどが主要企業、出版機関、学術データベースにあります。計算リソースは民主化されましたが、データ側は依然として寡占構造です。この矛盾は議論されていません。

セキュリティに関して、無許可参加は、70以上のノードが誰であるか、彼らがどのようなデータでトレーニングしているかが分からないことを意味します。Gauntlet は明白な異常な勾配をフィルタリングできますが、微妙なデータの汚染を防ぐことはできません—ユーザが特定の有害なコンテンツの方向性にシステム的に多くのトレーニングを受けている場合、生じる勾配の変化は非常に微妙ですが、損失スコアのスクリーニングを通過するため、モデルの振る舞いに累積的なオフセットをもたらします。最終的な問題は：金融、医療、法律などの高いコンプライアンス要件があるシナリオで、少数の匿名ノードがトレーニングに参加し、データソースの追跡が不完全なモデルを使用すると、どのようなリスクがもたらされるか？

さらに、明確に述べるべき構造的な問題があります：Covenant-72B は Apache 2.0 ライセンスのオープンソースであり、SN3 トークンは使用しません。SN3 トークンを保有することで共有されるのは、このサブネットが将来生成する新しいモデルの排出利益であり、モデルが使用される際の直接的な利益ではありません。この価値連鎖は、継続的なトレーニングのアウトプットと、Bittensor 全体のネットワーク排出メカニズムの健全な運用に依存しています。将来的にトレーニングが停滞したり、新しいトレーニング成果の品質が期待に応えない場合、トークンの評価論理が崩れる可能性があります。

これらの問題をリストアップすることは、Covenant-72B の意味を否定するためではありません。それは、以前不可能と思われていたことが実現可能であることを証明しています。この事実は消えることはありません。しかし、そこに到達することと、それが意味するものとは異なります。

過去1か月でSN3トークンは440%上昇しました。この経路の間には、単なる煽動ではなく、物語の速度が常に現実の速度よりも速いことがあります。この経路が最終的に現実によって埋められるか、市場によって修正されるかは、Covenant AI チームが次に本当に出すものにかかっています。

興味深いことに、Grayscale は2026年1月にTAO ETF申請を提出し、これは機関資本がこの領域に参入するシグナルを指しています。さらに、2025年12月にBittensorはTAOのデイリー供給を半減し、供給側の構造的引き締めが進行中です。

オリジナル記事リンク

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia