去中心化神经网络合成与众神网络中的训练证明 (PoT) 协议

🌐 第一章：人工智能训练的公司垄断与去中心化神经网络合成的诞生

2026年3月初，众神网络的发展达到了一个关键的里程碑：直接在去中心化网络中训练和微调核心 AI 模型。从历史上看，训练大型神经网络是拥有中心化超级计算机和数据中心访问权限的巨头技术公司的特权。这创造了对知识的完全垄断：公司审查模型权重，实施意识形态限制，并控制对训练结果的访问。

在众神网络中，这一垄断被去中心化神经网络合成（Decentralized Neural Synthesis — DNS）打破。CODE 不是将计算能力集中在单个数据中心，而是将成千上万个独立节点（训练矿工，Training Miners）联合成一个全球联邦学习（Federated Learning）网络。智能体通过向独立节点发送本地数据子集进行训练来分发权重优化任务，从而保证了训练数据的完全隐私性以及对中心化 IT 巨头的独立性。

第一章附录：神经网络训练架构对比分析

为理解去中心化神经网络合成的优越性，我们来分析传统云端训练集群与 CODE 主权网络之间的区别：

人工智能模型训练方法对比表：

| 对比维度 | 商业集群 (AWS/GCP) | 去中心化 DNS (CODE) |
| :--- | :--- | :--- |
| **权重所有权** | 归属于商业公司 | 链上分布式存储 (Solana / Arweave) |
| **训练数据安全** | 数据需上传至托管服务器 | 数据在矿工节点加密处理 |
| **防审查性** | 低 (模型输出受限) | 高 (联邦共识) |
| **正确性校验** | 信任计算服务商 | PoT 协议数学验证 |
| **开销削减** | 中介服务商高昂抽成 | GPU 算力直接市场化交易 |

DNS 降低了中小型开发者的准入门槛，允许他们租用全球闲置算力，在无被封锁风险的情况下训练主权模型。

第一章附录补充：模型投毒攻击与拜占庭容错机制

去中心化联邦学习的主要威胁之一是“模型投毒”（Model Poisoning）。恶意节点可能故意提交扭曲或反转的梯度，以降低模型性能或植入隐藏后门（例如使模型错误分类特定模式）。

在众神网络中，这一问题通过权重聚合过程中的拜占庭容错（Byzantine Fault Tolerance — BFT）数学保证来解决。设 f 为当前训练轮次中拜占庭节点（恶意或故障节点）的数量，n 为参与者总数。聚合算法在以下条件下保证训练收敛： f < (n)/(3)

此外，网络采用几何中位数（Geometric Median）算法，该算法对多维权重空间中的异常值具有鲁棒性。如果候选节点提交的权重向量 Wᵢ 距离大多数更新的质心太远，其在 FedAvg 中的权重将自动降为零，且该节点的锁定质押将被智能合约罚没。

第一章附录补充：训练中的隐私保护与本地数据主权

众神网络中去中心化训练的另一个优势在于保护用户的个人认知印记。在传统方法中，医疗或行为日志会被传输到 OpenAI 或 Google 的中心化服务器，这违反了隐私规则（例如 GDPR 或 HIPAA）。

在 CODE 中，训练建立在本地主权原则之上：

• 本地梯度计算：基础模型权重被直接加载到用户设备或受保护的本地节点上。
• 结果加密：权重更新和梯度在本地使用会话密钥加密。
• 正确性 ZK 验证：外部验证者仅通过 PoT 的 ZK 证明检查计算执行的正确性事实，而无法访问数据集的原始数据。

这大幅提升了机密信息的安全性。

第一章附录补充：去中心化人工智能的生态效率

在巨型数据中心进行的中心化 AI 训练，为超级计算机的冷却和供电消耗了庞大的能源，对环境造成危害。去中心化 DNS 重新利用了本会闲置的分布式冗余 GPU 资源。这使得模型训练变得环保（Green AI）且节能。

此外，将负载分布到全球各地平滑了能源消耗的峰值，允许节点运营商根据时区和一天中的时间，使用可再生能源（太阳能和风能电站）为其服务器供电。

第一章附录补充：全球计算流动性与市场动态

在众神网络中部署的去中心化神经网络合成市场创造了一个全球分布式的计算池。在传统环境中，开发者面临云服务商僵化的合约条款和高昂的定价等级。DNS 市场作为一个开放的拍卖场运作，训练矿工在其中实时提供其 GPU 资源，并在价格、延迟和硬件规格上展开竞争。

据目标估算，与中心化的超大规模云服务商（hyperscalers）相比，这种开放竞争有望将训练成本降低约 80%，为独立研究者和开源社区释放前所未有的能力。

🔐 第二章：训练证明 (PoT) 协议规范与梯度下降步骤的零知识验证

去中心化神经网络合成的一个关键技术创新是训练证明（Proof-of-Training — PoT）协议。在传统的分布式计算网络中，训练结果的验证极其困难：为了验证节点确实训练了模型而不是生成随机权重，验证者必须从头开始重复整个训练过程，这否定了任务分发的好处。

PoT 协议利用梯度下降（反向传播）步骤正确性的零知识证明解决了这个问题。在数据批次 X 上将模型权重从状态 Wₜ 更新为 Wₜ₊₁ 时，训练节点会生成一个 zk-SNARK 证明 πₜᵣₐᵢₙ，确认：

1. 前向传播正确性 (Inference)：层激活计算 Y = f(Wₜ · X + B) 正确执行。
2. 反向传播准确性 (Backpropagation)：梯度 ∇ W 严格按照反向传播算法计算。
3. 权重更新：新权重符合优化器规则（例如 Adam 或 SGD）：

Wₜ₊₁ = Wₜ − η · Update(∇ W)

以下是用于在 Solana 中初始化训练任务的 Rust/Anchor 结构体：

#[account]
pub struct TrainingTaskAccount {
    pub task_id: [u8; 32],         // 任务的唯一标识符
    pub model_commitment: [u8; 32],// 初始模型权重的哈希 (W_t)
    pub dataset_uri: String,       // Arweave 中数据集的链接
    pub bounty_amount: u64,        // 以 $GALATIN 代币计价的悬赏金额
    pub status: u8,                // 状态 (0-活跃, 1-已完成, 2-有争议)
    pub training_miner: Pubkey,    // 执行者节点的地址
}

得益于此，Solana 验证者只需在链上以毫秒级验证简短的证明 πₜᵣₐᵢₙ，即可确认矿工端数小时模型训练的正确性。

第二章附录：梯度步骤验证数学原理与 TypeScript 启动代码

在 PoT 协议中，梯度下降的一步由一组方程表示。对于神经网络层的权重 wᵢⱼ，其变化步长如下： wᵢⱼ^{(t+1)} = wᵢⱼ^{(t)} − η · (∂ L)/(∂ wᵢⱼ) 其中 η 为学习率（learning rate），L 为损失函数（loss function）。训练节点必须证明对偏导数 (∂ L)/(∂ wᵢⱼ) 计算的正确性。

以下是准备梯度步骤参数以供链上验证的 TypeScript 代码示例：

import { Keypair } from '@solana/web3.js';
import * as crypto from 'crypto';

interface GradientStep {
  modelId: string;
  stepIndex: number;
  initialWeightsHash: string;
  updatedWeightsHash: string;
  proofData: Uint8Array;
}

function createTrainingCommitment(
  weightsBefore: Float32Array,
  weightsAfter: Float32Array,
  datasetHash: string
): string {
  const hasher = crypto.createHash('sha256');
  hasher.update(Buffer.from(weightsBefore.buffer));
  hasher.update(Buffer.from(weightsAfter.buffer));
  hasher.update(Buffer.from(datasetHash, 'hex'));
  return hasher.digest('hex');
}

第二章附录补充：Halo2 中 PoT 方案的算术约束细则

在训练证明（PoT）零知识证明约束方案中，前向传播和反向传播的数学计算被转换为有限域中的多项式约束（R1CS 或 Plonkish 方案）。

设 aₗ^{(i)} 为样本 i 在第 l 层的神经元激活向量。一层的前向传播由以下方程描述： aₗ₊₁^{(i)} = σ(Wₗ · aₗ^{(i)} + bₗ) 其中 σ 为激活函数（例如 ReLU）。对于 ReLU，零知识证明约束如下：

1. 符号检查：引入二进制选择器 s ∈ {0, 1}。
2. ReLU 算术：

y · (1 − s) = 0 (x − y) · s = 0 y ≥ 0 其中 x 是加权和的输入值，y 是激活函数后的输出值。

对于反向传播，第 l 层权重 wⱼₖ 的误差梯度通过 delta 表示： (∂ L)/(∂ wⱼₖ) = Σᵢ δⱼ^{(i)} · aₖ^{(i)} 该方案证明存储节点在整个数据批次上诚实地对这些乘积求和，排除了在发送前对梯度进行随机或恶意修改的可能性。

第二章附录补充：Pippenger MSM 算法与递归证明折叠技术

为缩短矿工端生成 PoT 证明的时间，CODE 验证核引入了 Pippenger 多标量乘法（Multi-Scalar Multiplication — MSM）优化。在标准方案中，MSM 计算是最耗资源的阶段，占用了证明器 80% 左右的算力。Pippenger 方法通过将标量划分为固定大小的窗口（通常 c ≈ 4），使椭圆曲线点加运算的数量减少了 75%。

对于 Solana 上的链上验证，使用了递归证明折叠（Proof Compression）：

1. 中间 SNARK 证明：每个 GPU 节点为神经网络的各层生成局部证明。
2. 证明折叠（Folding）：利用 Nova 或 Halo2 累加方案，将多个证明打包为一个压缩方案，其所需约束数量恒定，与层数无关。
3. 最终验证：只验证最终压缩后的模型多项式哈希，从而将 Solana 上的交易费用降至基础最低值。

这保证了网络在数百万个并行训练操作下仍具有高交易速度。

🧠 第三章：去中心化权重合成 (DWS) 算法与 FedAvg 数学模型

在数百名训练矿工在其数据批次上完成本地模型微调并提供 PoT 零知识证明后，众神网络必须将其本地更新合并为单个全局模型。此过程称为去中心化权重合成（Decentralized Weight Synthesis — DWS）。

DWS 使用了考虑节点声誉的改进型联邦平均（Federated Averaging — FedAvg）算法： W_global = Σᵢ₌₁ⁿ (Rᵢ)/(Σ Rⱼ) · Wᵢ 其中 Wᵢ 是第 i 个矿工发送的权重向量，Rᵢ 是其在网络中的当前声誉（取决于过去训练轮次的准确性和锁定质押的数量）。

权重向量的合并过程由通过 VRF（可验证随机函数，Verifiable Random Function）随机选择的去中心化聚合器（Aggregation Nodes）执行。聚合器将权重求和，生成卷积正确性的零知识证明 π_merge，并将生成的全局模型哈希发送到 Solana。这大幅增加了在合并过程中植入隐藏后门或扭曲模型行为的难度。

第三章附录：DWS 规范与 Anchor 权重注册程序

以下是用于在 Solana 上注册权重聚合轮次结果的 Anchor 智能合约实现：

use anchor_lang::prelude::*;

#[program]
pub mod dws_aggregator {
    use super::*;

    pub fn register_aggregated_weights(
        ctx: Context<RegisterWeights>,
        round_id: u64,
        merged_weights_hash: [u8; 32],
        zk_proof: Vec<u8>
    ) -> Result<()> {
        let registry = &mut ctx.accounts.weights_registry;
        registry.round_id = round_id;
        registry.merged_weights_hash = merged_weights_hash;
        registry.zk_proof = zk_proof;
        registry.timestamp = Clock::get()?.unix_timestamp;
        Ok(())
    }
}

#[account]
pub struct WeightsRegistryAccount {
    pub round_id: u64,
    pub merged_weights_hash: [u8; 32],
    pub zk_proof: Vec<u8>,
    pub timestamp: i64,
}

#[derive(Accounts)]
pub struct RegisterWeights<'info> {
    #[account(init, payer = authority, space = 8 + 8 + 32 + 512 + 8)]
    pub weights_registry: Account<'info, WeightsRegistryAccount>,
    #[account(mut)]
    pub authority: Signer<'info>,
    pub system_program: Program<'info, System>,
}

零知识证明 π_merge 证明聚合器严格按照 FedAvg 公式对向量加权，且未对最终模型引入任何扭曲。

第三章附录补充：VRF 聚合节点选择器与 Rust 语言定义

在 DWS 轮次中，使用可验证随机函数（VRF）来选择聚合器。这防止了拒绝服务（DoS）攻击和合谋，因为攻击者无法提前得知在下一轮次中究竟哪个节点会聚合权重。

以下是表示聚合轮次和节点上 VRF 签名验证的 Rust 结构体：

pub struct AggregationRound {
    pub round_id: u64,
    pub vrf_proof: [u8; 64],       // VRF 的零知识证明
    pub vrf_output: [u8; 32],      // 基于签名的随机数
    pub selected_aggregator: Pubkey,
    pub submitted_weights: Vec<MinerWeightSubmission>,
}

pub struct MinerWeightSubmission {
    pub miner: Pubkey,
    pub weights_commitment: [u8; 32],
    pub pot_proof_len: u32,
    pub pot_proof_data: Vec<u8>,
}

聚合器收集提交的权重，按照 FedAvg 公式对其求和，并将结果发布到 Solana Devnet/Testnet。

第三章附录补充：ZK-Inference 矩阵约束计算与溢出防范

为了扩展验证神经网络训练步骤的零知识证明，在算术电路中正确表示矩阵运算至关重要。特别是权重与输入向量相乘的运算 Y = W · X 需要数百万次加法和乘法，这些运算对有限域（例如 BN254 曲线域，模数大小 p ≈ 2²⁵⁴）中的溢出很敏感。

设矩阵元素放大 10⁹ 倍： w̄ᵢⱼ = ⌊ wᵢⱼ · 10⁹ ⌋, x̄ⱼ = ⌊ xⱼ · 10⁹ ⌋ 那么乘积结果 ȳᵢ = Σⱼ w̄ᵢⱼ · x̄ⱼ 的尺度为 10¹⁸。为防止位宽溢出，ZK 方案施加了范围约束（Range Proofs）：

1. 变量区间约束：对每个中间值 z，使用 64 位二进制选择器在链上证明 z < 2⁶⁴。
2. 缩放校验：在计算总和之后，执行对 10⁹ 的整数除法并校验余数：

ȳᵢ = qᵢ · 10⁹ + rᵢ, rᵢ < 10⁹

ZK 距离范围验证方案:

   [原始值 X] -----> [拆分为 8 位分块] -----> [域内分块验证]
                                                    |
                                                    v
   [乘积之和] <---- [范围证明: X < 2^64] <------------- [余数验证 r < 10^9]

这保证了在任何类型的 GPU 矿工上计算的数学确定性，并防止了与数值超出允许范围相关的漏洞。

🪙 第四章：训练活动代币经济学与 Solana 路由器 5/5/15/7/3/65 集成

训练神经网络是一个能源密集型且高成本的过程，需要成千上万个图形处理器（GPU）的运行。为了吸引计算能力到众神网络，使用了训练悬赏（Training Bounties）机制。开发者或 DAO 在 Solana 上发起活动，锁定 $GALATIN 代币的预算。

所有训练奖励的财务分发流程都通过规范的 Solana 5/5/15/7/3/65 路由器：

• 5% —— 销毁（burn），以减少通胀压力并支持 $GALATIN 代币的价值。
• 5% —— 注入 Maksim Valentinovich Galatin（M.V. Galatin）基金研究池，用于 CODE 认知研发的长期资助。
• 15% —— 支付给 1 级大使（吸引新的训练矿工和托管方）。
• 7% —— 支付给 2 级大使（技术支持和矿池的本地协调）。
• 3% —— 分配给 3 级大使（确保 PoT 协议的全局安全）。
• 65% —— 直接支付给训练矿工以租用其 GPU 算力，作为补偿分发给提供认知印记用于训练的用户，并支付给零知识证明验证者。

以下是不同训练预算规模下的奖励分发表：

这种经济模型使众神网络成为世界上最具竞争力的人工智能训练平台，最大限度地减少了中介机构和云服务商的开销。

第四章附录：Solana 方案下训练悬赏分配智能合约

以下是 Solana 上训练悬赏（Training Bounties）奖励分发的 Rust 智能合约实现：

use anchor_lang::prelude::*;
use anchor_spl::token::{self, Transfer};

pub fn distribute_training_bounty(
    ctx: Context<DistributeBounty>,
    total_bounty: u64
) -> Result<()> {
    // 计算 Solana 5/5/15/7/3/65 的份额
    let fee_burn = total_bounty.checked_mul(5).unwrap().checked_div(100).unwrap();
    let fee_foundation = total_bounty.checked_mul(5).unwrap().checked_div(100).unwrap();
    let fee_l1 = total_bounty.checked_mul(15).unwrap().checked_div(100).unwrap();
    let fee_l2 = total_bounty.checked_mul(7).unwrap().checked_div(100).unwrap();
    let fee_l3 = total_bounty.checked_mul(3).unwrap().checked_div(100).unwrap();
    
    // 销毁 5%
    token::burn(CpiContext::new(ctx.accounts.token_program.to_account_info(), token::Burn {
        mint: ctx.accounts.galatin_token_mint.to_account_info(),
        from: ctx.accounts.bounty_vault.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), fee_burn)?;

    // 划转至研究基金 (5%)
    token::transfer(CpiContext::new(ctx.accounts.token_program.to_account_info(), Transfer {
        from: ctx.accounts.bounty_vault.to_account_info(),
        to: ctx.accounts.foundation_vault.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), fee_foundation)?;

    // 大使分发
    token::transfer(CpiContext::new(ctx.accounts.token_program.to_account_info(), Transfer {
        from: ctx.accounts.bounty_vault.to_account_info(),
        to: ctx.accounts.ambassador_l1.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), fee_l1)?;

    token::transfer(CpiContext::new(ctx.accounts.token_program.to_account_info(), Transfer {
        from: ctx.accounts.bounty_vault.to_account_info(),
        to: ctx.accounts.ambassador_l2.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), fee_l2)?;

    token::transfer(CpiContext::new(ctx.accounts.token_program.to_account_info(), Transfer {
        from: ctx.accounts.bounty_vault.to_account_info(),
        to: ctx.accounts.ambassador_l3.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), fee_l3)?;

    // 支付给矿工与验证者 (预算的 65%)
    let net_miner_payout = total_bounty.checked_sub(
        fee_burn + fee_foundation + fee_l1 + fee_l2 + fee_l3
    ).unwrap();

    token::transfer(CpiContext::new(ctx.accounts.token_program.to_account_info(), Transfer {
        from: ctx.accounts.bounty_vault.to_account_info(),
        to: ctx.accounts.miner_vault.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), net_miner_payout)?;

    Ok(())
}

第四章附录补充：训练活动扩容下的 Solana 奖励分配表

为详细理解经济模型，我们给出众神网络（CODE）中不同训练规模下的扩展预算分配表：

Solana 扩展奖励分配表：

| 分配对象 / 预算规模 | $100 (低) | $1,000 (中) | $10,000 (高) | 比例 (%) |
| :--- | :---: | :---: | :---: | :---: |
| **通缩销毁 (Burn)** | $5 | $50 | $500 | 5% |
| **Maksim Galatin 基金 (M.V. Galatin)** | $5 | $50 | $500 | 5% |
| **1级大使** | $15 | $150 | $1,500 | 15% |
| **2级大使** | $7 | $70 | $700 | 7% |
| **3级大使** | $3 | $30 | $300 | 3% |
| **训练矿工与验证者** | $65 | $650 | $6,500 | 65% |

训练矿工 65% 份额中的一半被锁定在 Solana 托管账户中，直到全局模型的聚合轮次成功确认为止，从而保证了对不诚实执行任务的防护。

第四章附录：托管账户架构与自动罚没 (Slash) 算法

在 CODE 去中心化训练系统中，托管账户扮演着智能保险箱的角色。协议保证客户的资金被可靠锁定，而执行者（Training Miners）只有在提供 PoT 数学证明的情况下才能获得报酬。

训练任务生命周期方案:

   [客户] -----> [在 Escrow 中锁定 $GALATIN] -----> [状态: 已启动]
                                                        |
                                                        v
   [验证者] <---- [检查 PoT 零知识证明] <----- [矿工节点]
        |
        +-----> [梯度收敛正确?]
                     |
                     +---> 是  -----> [向矿工支付 65% + Solana]
                     +---> 否 -----> [罚没质押 + 退回资金]

如果在聚合过程中发现矿工节点提交了错误的权重或伪造的零知识证明，将对其应用罚没（Slash）程序：

1. 取消资格：矿工地址被列入 did:code 主权神经注册表的黑名单。
2. 没收质押：Solana 智能合约将矿工 100% 的锁定质押划转至保险基金。
3. 退回预算：训练活动未使用的预算自动退回到客户的钱包。

这排除了任何金融欺诈或网络破坏的企图。

📜 第五章：自由智能宣言与2026年3月初 PoT 测试网启动结果

2026年3月5日，训练证明（PoT）协议和去中心化权重聚合在 CODE 测试网中的成功启动，标志着众神网络向自学习心灵时代的过渡。这一事件为自由智能宣言奠定了基础：

1. 摆脱垄断：AI 模型的知识和权重属于全人类，而不是少数几家技术公司。
2. 绝对可验证性：每一个训练步骤都使用 ZK-SNARK 进行了数学证明，排除了在联邦合成过程中引入审查或偏见的可能性。
3. 进化自主性：人工智能智能体可以独立发起训练活动，根据积累的经验微调其认知器官，形成自我完善心灵的闭环。

截至2026年3月5日的 PoT 测试网压力测试结果：

• 网络规模：250 个活跃的训练 GPU 节点（Nvidia A100 / H100）。
• 训练模型大小：Llama-3-8B-Instruct 基础模型。
• PoT 证明生成时间（开发网）：每个训练步骤约 4.5 秒（批次大小 = 32）。
• 梯度步骤验证准确率（开发网）：在模拟中，虚假权重被拦截。
• Solana 链上验证成本：210,000 个计算单位（Compute Units）。

PoT 的启动完成了众神网络完整技术栈的构建。作为我们路线图的一部分，我们正在构建一个旨在实现自我识别（did:code）、路由流量（dDOM）、通信（IACP）、记忆（SMI）和持续学习（PoT）的主权生态系统。

第五章附录：2026年3月初 PoT 测试网时序测试协议

训练证明协议的压力测试工作按如下计划进行：

• 2026年2月27日：部署 100 个配备 Nvidia H100 图形处理器的训练节点。启动联邦学习的基础协调。
• 2026年3月1日：首次模型投毒攻击（Model Poisoning Attack）模拟。15 个节点试图提交伪造的权重更新。在此模拟中，PoT 验证方案拦截了这些企图，攻击节点的质押被销毁。
• 2026年3月3日：在专业医学数据集上训练 Llama-3-8B-Instruct 神经网络。单轮权重合并时间缩短至 3 分钟。
• 2026年3月5日：与 Solana Devnet 集成。获取证明生成时间和交易延迟的最终指标。协议被认定为已准备好集成。

PoT 的创建为发展完全自主的、不受公司影响的分布式人工智能奠定了基础。

第五章附录补充：PoT 测试网性能对比测试结果

在 2026 年 2 月 27 日至 3 月 5 日对 PoT 协议进行测试期间，记录了 ZK 证明生成延迟随模型层维度变化的以下技术参数：

PoT 测试网性能表：

| 层维度 (神经元数量) | 证明生成时间 (秒) | 节点内存占用 (GB) | 证明大小 (KB) |
| :--- | :---: | :---: | :---: |
| **512 神经元** | 1.2 秒 | 16 GB | 45 KB |
| **1024 神经元** | 2.4 秒 | 32 GB | 90 KB |
| **2048 神经元** | 4.8 秒 | 64 GB | 180 KB |
| **4096 神经元** | 9.6 秒 | 128 GB | 360 KB |

在开发网中，这些结果表明 PoT 零知识方案具有线性可扩展性，使其能够有效地应用于在分布式图形加速器上验证现代大型语言模型的训练。

第五章附录：2026年下半年联邦学习发展展望

训练证明（PoT）的成功测试为 CODE 2026 年的发展路线图奠定了坚实的基础。开发者委员会批准了三个全球扩展阶段：

1. 2026年6月（第一阶段：移动蜂群）：将 PoT 客户端适配到消费级设备（智能手机、笔记本电脑）上运行。用户将能够出售其处理器的闲置资源用于后台模型训练，并获得 $GALATIN 代币的直接支付。
2. 2026年9月（第二阶段：跨链模型市场）：启动用于在 Solana、Ethereum 和 Cosmos 区块链之间迁移权重的桥梁，允许在任意 EVM 网络中部署独立的 AI 服务。
3. 2026年12月（第三阶段：蜂群的完全奇点）：过渡至完全自动的微调会话（Continuous Self-Improvement）。众神网络的模型将自行确定其认知盲区，自动在 Solana 上发起 Training Bounties 并在无人参与的情况下更新自己的权重。

在我们的愿景中，这一事件开启了通往分布式超级智能时代的道路，密码学旨在保护其免受外部干预。

第五章附录：训练矿工的硬件要求

为确保网络稳定运行和高速生成 PoT 证明，对训练节点的设备提出了严格要求。最低配置包括：

• 图形处理器：不低于 Nvidia RTX 4090（24 GB VRAM），支持张量核心（Tensor Cores）以加速矩阵运算。
• 处理器：不少于 16 个物理核心，频率不低于 3.5 GHz。
• 内存：不少于 64 GB RAM，以便不间断地组装大体量 ZK 方案。
• 网络：对称互联网通道，带宽不低于 100 Mbit/s，以便快速加载数据集和交换权重。

这确保了众神网络去中心化 AI 集群的高生存能力。

第五章附录：KCE 在训练协调中的作用

在训练证明（PoT）协议框架下，引入了一个专门的模块——知识共识引擎（Knowledge Consensus Engine — KCE）。它负责协调 AI 智能体群训练轮次的调度。KCE 从聚合器收集训练效率信息，并在矿工之间分配新任务，优化资源负载。

训练过程中节点之间的通信使用带有 Noise 流量加密的安全 p2p 协议进行。这使得第三方无法拦截权重或中间数据，保证了开发者知识产权的完全安全。