з мінімальною увагою професійної спільноти.
0G стверджує, що подолав ключовий рубіж ще декілька місяців тому. Віднині команда заново навчає ту ж саму модель у відкритому доступі – з наміром продемонструвати, чого реально може досягти децентралізований штучний інтелект і чому отримані раніше результати потребують детальнішого вивчення.
У липні 2025 року 0G разом з China Mobile провели навчання моделі DiLoCoX-107B, яка налічує 107 млрд параметрів. Результати дослідження згодом опубліковано на arXiv після рецензування. За даними статті, система продемонструвала у 357 разів вищу ефективність комунікації порівняно з класичними методами AllReduce. Проте навіть такий результат практично не зацікавив ринок.
На думку команди, на заваді стала не дуже вдалий момент. У середині 2025 року увага крипторинку концентрувалася переважно на розгортанні основної мережі та пов’язаних із токенами подіях, технічні досягнення майже не викликали суспільного інтересу. Попри серйозність дослідження, воно залишилось у фокусі вузького кола спеціалістів зі сфери.
Тепер, коли інтерес до децентралізованого штучного інтелекту повернувся, 0G прагне знову актуалізувати свій результат.
Громадська програма перепідготовки
Цього разу компанія робить увесь процес повторного навчання публічним.
0G анонсує документування всіх етапів, у тому числі з оприлюдненням чекпоїнтів, метрик збіжності та джерел даних. Також заявлено про верифікацію за допомогою Trusted Execution Environments і використання zerogAuth. Після завершення повного циклу модельні ваги буде відкрито для спільноти.
За задумом 0G, саме так можна вперше довести, що децентралізований штучний інтелект піддається аудиту, відтворенню та зовнішній перевірці – на відміну від абсолютної більшості закритих моделей.
Більше, ніж змагання параметрів
Більшість аналітики фокусуються насамперед на кількості параметрів у моделях. Великі числа формують враження, проте 0G наголошує – справжня цінність визначається функціонуванням всієї архітектури.
З погляду розробників, випробування починається не лише з навчання, а й охоплює всі фази – перевірку, зберігання, розгортання та інтеграцію в готові продукти.
В основі технічної платформи – питання ефективності обміну даними. DiLoCoX використовує pipeline parallelism (конвеєрний паралелізм), подвійний оптимізатор для локального та глобального оновлення, механізм one-step delay overlap, а також адаптивну компресію градієнтів. Якщо спростити, це дає змогу суттєво скоротити обсяг обов’язкових комунікацій під час розподіленого навчання, що традиційно є слабкою ланкою таких систем.
0G впроваджує модель у повний технологічний стек – тут і ончейн-верифікація, і децентралізоване зберігання, і гарантії доступності даних, і інференс, і механізми розрахунків. Виходить не фрагментарний експеримент, а цілісний робочий простір.
Верифікація – ще одна принципова складова. Trusted Execution Environments дають можливість перевірити не лише факт існування моделі, а й хід її навчання та склад набору даних. Для децентралізованого штучного інтелекту це радикально змінює структуру довіри.
Головна тема — пропускна здатність
На думку команди 0G, справжня новизна результату DiLoCoX-107B полягає в самому процесі розподіленого навчання.
Розробники вказують, що модель з 107 млрд параметрів працювала через стандартні інтернет-з’єднання (1 гігабіт на секунду), без застосування спеціалізованих дата-центрів. Цей факт суперечить поширеному уявленню: мовляв, навчання на передових рубежах потребує унікальних і надкоштовних мережевих ресурсів.
У разі підтвердження, подібне дає суттєвий ефект. Зниження технічних вимог відкриває шлях для ширшого кола учасників – наукових колективів, бізнесу, публічних структур. Тут ключовою стає не обмеженість ресурсів, а ефективна координація. Саме такі виклики найкраще вирішуються децентралізованими системами.
Інша модель витрат
0G також стверджує, що використання їхньої платформи дозволяє знизити витрати приблизно на 95% порівняно з централізованими альтернативами.
Причину такої економії пояснюють скороченням дорогих управлінських накладних витрат, а не застосуванням дешевшого обладнання. За такого сценарію навчання великих моделей стає доступним і університетам, і корпоративному сектору, і державним органам, які не мають резервів для гіперскейл-інвестицій у штучний інтелект.
Зміщується навіть питання про те, хто може створювати масштабні технологічні рішення.
Децентралізований AI: чи може конкурувати
Скептики тривалий час вважали: децентралізований штучний інтелект суттєво поступається за рівнем продуктивності. На переконання 0G, цей компроміс поступово слабшає.
Із покращенням результативності та зниженням затрат увага зміщується до конкретних практичних параметрів: чи здатна система формувати конкурентні моделі, верифікувати їх і забезпечувати прийнятну вартість для ширшого кола команд?
Широка доступність все ще пов’язана із певними ризиками. Розподілене навчання стикається з проблемами заміни даних, маніпуляціями градієнтом, неоднорідністю якості учасників. 0G анонсує захисні механізми на рівні архітектури, спеціальні засоби виявлення аномалій, криптографічну перевірку.
Мета не у створенні ідеальної безпеки. Суть у можливості виявляти та простежувати помилки й відхилення.
Verifiable AI: що означає цей термін
Для 0G верифікований інтелект означає перехід від моделі довіри-через-репутацію до довіри-через-інспекцію.
Замість того щоб покладатися на слова провайдера, користувачам надається інструментарій для незалежної перевірки походження та особливостей тренування моделі. Це принципово цінно у сферах із суттєвими вимогами до підзвітності – фінанси, охорона здоров’я, державне управління.
Саме тут децентралізований інтелект виходить за межі звичних рамок — системи, котрими можна користуватися осмислено, а не «на слово».
Від дослідницького демо до робочої системи
Сектор децентралізованого штучного інтелекту змінюється надзвичайно швидко. З етапу прототипів уже здійснено перехід до інтегрованих платформ для навчання, перевірки, зберігання, інференсу та розрахунків у межах єдиного середовища.
0G прагне зробити з DiLoCoX-107B зразок еволюції підходів. Публічне повторне тренування моделі – не лише про продуктивність, а й про прозорий процес. Мета – довести можливість створювати конкурентні рішення, залишаючи їх відкритими для зовнішнього аналізу.
Майбутній розвиток
Подальший розвиток – це ще масштабніші моделі. 0G вважає, що системи на рівні сотень мільярдів, а згодом і трильйонів параметрів, цілком реальні.
Утім, акцент зміщується з окремих наукових проривів на посилення координації, розширення участі та розвитку мережевої культури. У децентралізованому штучному інтелекті саме організація спільної діяльності може стати не менш важливою, ніж обчислювальні ресурси.
Навчання моделі DiLoCoX-107B у новому форматі – спроба відновити дискусію, яку, на думку 0G, учасники ринку проігнорували на попередньому етапі. І водночас це експеримент щодо того, чи здатен відкритий і верифікований штучний інтелект привернути увагу завдяки реальним досягненням, а не лише інформаційному шуму.
Наразі компанія робить ставку на публічне перенавчання, прозору документацію та відкритий доступ, розраховуючи, що саме такі принципи нададуть децентралізованому AI стабільніші конкурентні переваги у наступному циклі боротьби за лідерство.
