vähällä huomiolla.
0G kertoo saavuttaneensa merkittävän kynnysarvon jo kuukausia sitten. Nyt se uudelleenkouluttaa samaa mallia julkisesti tavoitteenaan osoittaa, mihin hajautettu tekoäly oikeasti pystyy ja miksi aiempi tulos ansaitsi enemmän huomiota.
Heinäkuussa 2025 0G koulutti yhdessä China Mobilen kanssa DiLoCoX-107B -mallin, jossa on 107 miljardia parametria. Myöhemmin tutkimus julkaistiin arXivissa vertaisarvioinnin jälkeen. Julkaisun mukaan järjestelmä saavutti 357 kertaa paremman viestinnän tehokkuuden verrattuna perinteisiin AllReduce-menetelmiin. Silti tulos sai vain vähän huomiota markkinoilla.
Tiimi kertoo, että ajoitus oli epäedullinen. Vuoden 2025 puolivälissä kryptovaluuttamarkkinoiden kiinnostus keskittyi mainnet-julkaisuihin ja tokeneihin, kun taas tekniset tulokset kiinnostivat huomattavasti vähemmän. Vaikka työ oli vakavaa, se sai huomiota lähinnä pieneltä alan seuraajien ryhmältä.
Decentralized AI on nyt jälleen kiinnostuksen kohteena, ja 0G haluaa nostaa huomion jälleen tähän saavutukseen.
Julkinen uudelleenkoulutusaloite
Tällä kertaa yritys tekee uudelleenkoulutuksen prosessin täysin avoimesti.
0G aikoo dokumentoida jokaisen vaiheen. Mukana ovat checkpointit, konvergenssitunnusluvut sekä datan alkuperä. Yritys kertoo, että suoritus varmennetaan Trusted Execution Environments -ratkaisuilla käyttäen zerogAuthia. Kun projekti valmistuu, mallin painot julkaistaan avoimesti.
Lopullisena tavoitteena on osoittaa, että hajautettu tekoäly voidaan auditoida, toistaa ja varmentaa tavalla, johon useimmat suljetut järjestelmät eivät kykene.
Enemmän kuin parametrikilpailu
Monessa tekoälykeskustelussa keskitytään edelleen parametrien määrään. Isommat luvut tuovat huomiota, mutta 0G korostaa, että mallin todellinen arvo syntyy koko järjestelmästä sen ympärillä.
Tiimin mielestä varsinainen koe alkaa mallin koulutuksesta ja jatkuu aina varmennuksen, tallennuksen, käytön ja integroinnin kautta toimiviin tuotteisiin asti.
Yksi keskeinen tekninen ominaisuus on viestinnän tehokkuus. DiLoCoX hyödyntää pipeline-parallelismia, kaksiosaista optimoijaa paikallisille ja globaaleille päivityksille, viivästetyn päällekkäisyyden mekanismia sekä sopeutuvaa gradientin pakkausta. Yksinkertaistaen: suunnittelu vähentää koulutuksen aikaista viestinnän tarvetta, mikä yleensä hidastaa hajautettuja järjestelmiä.
0G sijoittaa mallin myös täydelliseen kokonaisuuteen, johon kuuluu onchain-varmennus, hajautettu tallennus, datan saatavuus, inferointi ja selvitys. Tuloksena on toimiva ympäristö, ei pelkkä tutkimusdemo.
Varmennus on olennainen osa kokonaisuutta. Trusted Execution Environments antaa käyttäjille mahdollisuuden tarkastaa enemmän kuin vain mallin olemassaolon – myös koulutuksen ja siihen käytetyn datan tarkastelu onnistuu. Hajautetussa tekoälyssä tämä muuttaa luottamuksen rakennetta merkittävällä tavalla.
Todellinen tarina on kaistanleveys
0G:n mukaan DiLoCoX-107B-tuloksen merkittävin piirre oli sen koulutusprosessi.
Tiimi kertoo, että 107B-mallia ajettiin tavallisilla yhden gigabitin nettiyhteyksillä, ei siis kalliissa datakeskuksissa. Tämä haastaa yhden tekoälyn suurimmista oletuksista: että huipputason koulutus vaatii erikoisverkkoja ja kalliit laitteistot.
Jos tämä pitää paikkansa pitkällä aikavälillä, vaikutus voi olla suuri. Matalammat tekniset vaatimukset mahdollistavat osallistumisen myös tutkimusryhmille, yrityksille ja julkisille toimijoille. Tässä ympäristössä koordinoinnista tulee suurin haaste – ja juuri sellaisten ongelmien ratkaisemiseen hajautetut järjestelmät on rakennettu.
Eri kustannusmalli
0G kertoo myös, että heidän järjestelmänsä laskee kustannuksia noin 95 % verrattuna keskitettyihin vaihtoehtoihin.
Yritys perustelee tämän kalliiden keskitettyjen järjestelmien poistumisella, ei niinkään halvemmilla laitteilla. Jos nämä luvut pitävät paikkansa käytännössä, vaativien mallien koulutus tulee mahdolliseksi monille eri toimijoille – myös yliopistoille, yrityksille ja hallinnoille, joilla ei ole varaa valtaviin AI-kustannuksiin.
Tämä saattaa siis vaikuttaa siihen, kuka pystyy ylipäätään rakentamaan vakavia malleja.
Voiko hajautettu AI kilpailla?
Skeptikot ovat pitkään väittäneet, ettei hajautettu tekoäly pysy suorituskyvyssä mukana. 0G uskoo tämän vanhan kompromissin olevan heikkenemässä.
Tulosten parantuessa ja kustannusten laskiessa keskustelu siirtyy pois ideologiasta kohti lopputulosta. Pystytäänkö järjestelmällä kouluttamaan vahvoja malleja, varmentamaan ne ja tekemään se hintaan, johon useammat tiimit pystyvät?
Avoin osallistuminen sisältää edelleen todellisia riskejä. Hajautettu koulutus voi altistaa järjestelmän datan myrkytykselle, gradienttien manipulaatiolle ja vaihtelevalle panoksen laadulle. 0G torjuu näitä riskejä arkkitehtuurin suojauksilla, poikkeamien tunnistuksella sekä kryptografisella varmennuksella.
Tavoitteena ei ole täydellinen turvallisuus. Tavoitteena on tehdä epäonnistumisista näkyviä ja jäljitettäviä.
Mitä varmennettava tekoäly oikeastaan tarkoittaa
0G:lle varmennettavassa tekoälyssä luottamus siirretään maineesta tarkastettavuuteen.
Käyttäjät eivät joudu enää luottamaan pelkkiin lupauksiin, vaan voivat itse tarkistaa mallin koulutuksen ja toimintatavat. Tämä on arvokasta erityisesti siellä, missä vastuu on tärkeää: rahoituksessa, terveydenhuollossa ja julkisella sektorilla.
Tästä alkaa hajautetun tekoälyn erottautuminen – järjestelmät, joita voidaan aidosti tarkastaa, eivät vain luottaa sokkona.
Tutkimusdemosta toimivaksi järjestelmäksi
Hajautetun tekoälyn ala on edennyt nopeasti. Alkuvaiheen kokeilut ovat vaihtuneet järjestelmiin, jotka mahdollistavat koulutuksen, varmennuksen, tallennuksen, inferoinnin ja taloudellisen selvityksen yhdessä ympäristössä.
0G haluaa DiLoCoX-107B:n osoittavan tämän kehityksen. Julkinen uudelleenkoulutus on yhtä lailla prosessi kuin suorituskykyä. Yritys pyrkii osoittamaan, että hajautettu tekoäly pystyy tuottamaan vakavasti otettavia malleja ja pysymään avoimena tarkastelulle.
Tie edessä
Isommat mallit siintävät edelleen horisontissa. 0G uskoo, että sadat miljardit – ja lopulta biljoonat – parametrit ovat saavutettavissa.
Seuraava kehitysvaihe ei riipu enää yhdestä tieteellisestä harppauksesta, vaan paremmasta koordinoinnista ja aktiivisemmasta verkostoitumisesta. Hajautetussa tekoälyssä organisointi voi olla yhtä tärkeää kuin laskentateho.
DiLoCoX-107B:n uudelleenkoulutus on yritys avata uudelleen keskustelu, jonka 0G uskoo markkinoiden ohittaneen ensimmäisellä kerralla. Lisäksi tässä testataan, voiko avoin ja todennettava tekoäly saavuttaa huomiota tulosten voimalla, ei pelkällä hypellä.
Tällä hetkellä yhtiö luottaa siihen, että julkinen uudelleenkoulutus, läpinäkyvä dokumentointi ja avoin pääsy antavat hajautetulle tekoälylle vahvemman aseman seuraavalla kilpailukierroksella.
