去中心化训练助力解决 AI 能耗难题

整合分散的算力资源，有望实现更节能的 AI 模型训练

人工智能能耗需求极高，AI 热潮背后的数据中心碳足迹庞大，前沿 AI 模型训练的碳排放持续攀升，这一问题尤为突出。

因此，科技巨头纷纷布局核能，期待以可靠、零碳能源支撑未来发展。但核电数据中心仍需多年才能落地，目前科研与产业界已采取行动遏制 AI 能耗增长。他们聚焦模型训练这一生命周期中能耗最高的环节，推动去中心化技术落地。

去中心化将模型训练分配至网络中的独立节点，而非依赖单一平台或供应商，让算力就近匹配能源 —— 无论是实验室闲置服务器，还是太阳能供电家庭的电脑。无需新建数据中心、扩容电网基础设施，去中心化可复用现有能源，避免额外能耗。

硬件协同

AI 模型训练是数据中心的核心任务，需在紧密连接的 GPU 集群间同步运算。但硬件升级速度难以跟上大语言模型规模的快速增长，即便超大型单一数据中心也无法满足需求。

科技企业开始整合多地数据中心算力。例如，英伟达推出 Spectrum-XGS 以太网，支持跨地域组网，“可满足跨地理分布数据中心的大规模单任务 AI 训练与推理性能需求”；思科推出 8223 路由器，专为 “连接地理分散的 AI 集群” 设计。

另有企业挖掘服务器闲置算力，催生 GPU 即服务商业模式。例如，Akash Network 是点对点云计算市场，自称 “数据中心版爱彼迎”—— 办公室与小型数据中心的闲置 GPU 持有者注册为供应商，有算力需求的用户作为租户，可选择供应商租赁 GPU。

Akash 联合创始人兼首席执行官格雷格・奥苏里称：“当前 AI 训练高度依赖最新、最高端的 GPU，行业正从仅依赖大型高密度 GPU，转向兼容小型 GPU。”

软件同步

除硬件调度外，去中心化 AI 训练还需软件层面的算法优化，联邦学习（分布式机器学习的一种）应运而生。

麻省理工学院计算机科学与人工智能实验室（CSAIL）去中心化信息团队负责人、首席研究科学家拉兰娜・卡加尔解释：“初始全局 AI 模型部署在可信节点（如中央服务器），服务器将模型分发给参与机构，各机构基于本地数据训练模型，仅向可信节点上传模型权重；可信节点对权重聚合（通常取平均值），整合至全局模型后回传参与者。该协作训练循环持续至模型训练完成。”

但数据与计算分布式部署存在弊端，例如模型权重频繁传输导致高通信成本，容错性不足也是问题。

奥苏里称：“AI 训练的核心问题是每一步都不具备容错性，单个节点故障，需重新加载整个批次数据。”

为攻克这些难题，谷歌 DeepMind 研究人员开发 DiLoCo 分布式低通信优化算法。谷歌 DeepMind 研究科学家阿瑟・杜亚尔称，DiLoCo 构建 “算力孤岛”，每个孤岛由一组芯片组成，不同孤岛芯片类型不同，同一孤岛芯片类型一致。孤岛相互解耦，仅定期同步信息。这种解耦设计使孤岛可独立完成训练步骤、减少通信，单个芯片故障不会影响其他正常芯片。但实验显示，孤岛数量超过 8 个后，模型性能会下降。

升级版流式 DiLoCo 进一步降低带宽需求，杜亚尔称：“通过多步骤流式同步信息，无需暂停训练等待通信，原理类似未完全下载即可播放的视频。流式 DiLoCo 在运算过程中，后台逐步同步信息。”

AI 开发平台 Prime Intellect 采用 DiLoCo 算法变体，在三大洲五个国家训练 100 亿参数的 INTELLECT-1 模型；0G Labs（去中心化 AI 操作系统开发商）适配 DiLoCo 算法，在带宽有限的隔离集群网络中训练 1070 亿参数基础模型；主流开源深度学习框架 PyTorch 也将 DiLoCo 纳入容错技术库。

杜亚尔称：“社区已完成大量工程工作，将我们的 DiLoCo 论文成果集成至消费级互联网环境下的系统学习中，我的研究能落地应用，我非常兴奋。”

更节能的 AI 训练方式

随着硬件与软件优化完善，去中心化 AI 训练有望解决 AI 能耗问题。麻省理工学院 CSAIL 的卡加尔称，该方法可 “以更低成本、更高效、更节能的方式训练模型”。

杜亚尔坦言：“DiLoCo 等训练方法复杂度更高，但实现了系统效率的合理平衡。” 例如，可利用地理跨度大的数据中心，无需搭建超高速带宽；且具备内置容错性，“单个芯片故障仅影响所属算力孤岛”。

更重要的是，企业可复用现有闲置算力，无需持续新建高能耗数据中心。Akash 大力布局 Starcluster 项目，目标是整合太阳能供电家庭的台式机、笔记本电脑用于 AI 模型训练。奥苏里称：“我们希望将家庭转变为功能完整的数据中心。”

奥苏里承认，参与 Starcluster 并非易事。除太阳能板与消费级 GPU 设备外，参与者还需配备备用电源电池与冗余网络，避免停机。Starcluster 项目正整合这些需求，降低家庭参与门槛，包括与行业伙伴合作补贴电池成本。

目前团队已开展后台开发，支持家庭作为供应商接入 Akash Network，计划 2027 年实现目标。Starcluster 项目还将拓展至学校、社区中心等太阳能供电场所。

去中心化 AI 训练为 AI 迈向环境可持续发展提供可行路径。奥苏里认为，其核心价值是 “让 AI 就近使用能源，而非将能源输送至 AI 所在处”。