開放 AI 新貴 Pluralis：這個清一色博士團隊不簡單

當下，AI 技術(shù)持續(xù)突破，圍繞 AI 訓練模式的革新探索也愈發(fā)深入。在這場浪潮中，集中式模型的壟斷隱患與開源模型激勵機制的缺失，亟待更優(yōu)解決方案。

在此背景下，Pluralis 項目應運而生。其團隊全員博士，除實習生外皆來自亞馬遜。本文將介紹 Pluralis 在去中心化 AI 訓練領(lǐng)域的核心技術(shù)理念、團隊構(gòu)成、融資情況以及其創(chuàng)新性的協(xié)議學習訓練范式。

Pluralis 是什么？

Pluralis Research 致力于通過「協(xié)議學習」，打造去中心化、開源的 AI 開發(fā)模式。該模式通過去中心化的方式，匯聚多方計算資源，協(xié)同訓練模型。在此過程中，能確保任何單一參與者都無法獲取完整的模型權(quán)重。

Pluralis 協(xié)議學習的核心創(chuàng)新在于協(xié)議模型，利用了神經(jīng)網(wǎng)絡(luò)的一個關(guān)鍵特性，任何一個參與者都無法提取其完整權(quán)重集。這種設(shè)計確保價值流向貢獻者，同時保護模型所有權(quán)，巧妙地平衡了 AI 開發(fā)的開放性與貨幣化需求。

在 Pluralis 中，模型設(shè)計者可以提出自己的模型構(gòu)想，而計算和數(shù)據(jù)提供者則可以貢獻訓練模型所需的資源。這些協(xié)議模型是開放的、公開開發(fā)的，并且通過賦予參與者訓練成果模型的部分所有權(quán)，有效激勵各方貢獻力量，向著真正開源的人工智能目標邁進。

Pluralis 背景

Pluralis 團隊實力雄厚，官網(wǎng)列出的 8 位團隊成員中，除一名實習生外，其余均出身亞馬遜 AI 研究部門，且全員擁有博士學位。

• 創(chuàng)始人 Alexander Long：擁有新南威爾士大學計算機科學博士學位，此前在 2021 年 3 月到 2024 年 5 月在亞馬遜擔任應用科學家。其博士論文圍繞深度學習中的樣本有效強化學習和非參數(shù)記憶展開。

• 創(chuàng)始科學家 Gil Avraham：澳大利亞蒙納士大學機器學習博士，曾于 2021 年 12 月至 2024 年 8 月在亞馬遜任應用科學家，后晉升為高級應用科學家，2024 年 10 月加入 Pluralis。

• 創(chuàng)始科學家 Yan Zuo：擁有澳大利亞蒙納士大學電氣電子工程博士學位，對大規(guī)模優(yōu)化、統(tǒng)計建模、機器學習和計算機視覺感興趣，曾于 2021 年 8 月至 2024 年 10 月份在亞馬遜擔任應用科學家。

• 創(chuàng)始科學家 Ajanthan Thalaiyasingam：擁有澳大利亞國立大學士計算機科學博士學位，曾于 2020 年 12 月至 2024 年 3 月在亞馬遜擔任機器學習科學家，之后晉升為高級機器學習科學家，在 2024 年 10 月份加入 Pluralis。

• 創(chuàng)始科學家 Sameera Ramasinghe：擁有澳大利亞國立大學士機器學習和 3 D 視覺博士學位，AI 技術(shù)公司 ConscientAI 聯(lián)合創(chuàng)始人、首席技術(shù)官，曾于 2022 年 5 月至 2024 年 11 月在亞馬遜擔任應用科學家。

不難發(fā)現(xiàn)，Pluralis 的創(chuàng)始人、創(chuàng)始科學家和研究科學家均有亞馬遜工作經(jīng)歷，且在機器學習、計算機視覺和大語言模型（LLMs）領(lǐng)域各有所長，部分成員還曾擔任博士后研究員。

在融資方面，2025 年 3 月份 Pluralis 完成 760 萬美元融資。此次融資由 CoinFund 和 Union Square Ventures 領(lǐng)投，Topology、Variant、Eden Block 和 Bodhi Ventures 參投。此次融資以股權(quán)形式進行，并附帶未來加密貨幣的認股權(quán)證。

何為協(xié)議學習？

在 Alexander Long 有關(guān) "Protocol Learning, Decentralized Frontier Risk and the No-Off Problem" 的論文中提出了這種新的 AI 模型訓練范式——協(xié)議學習（Protocol Learning）。其目標是借助去中心化的激勵網(wǎng)絡(luò)，協(xié)作訓練模型，突破當前集中式和開源方法的局限。

Alexander Long 指出，集中式模型雖然高效，但存在壟斷風險，治理缺乏透明度；開源模型則缺乏可持續(xù)的激勵機制。而協(xié)議學習作為一種折中的方案，通過激勵參與者貢獻計算資源，構(gòu)建去中心化訓練網(wǎng)絡(luò)，理論上可聚合比集中式訓練多幾個數(shù)量級的算力。

從技術(shù)可行性來看，去中心化訓練需要滿足高效通信、模型分片、彈性訓練、拜占庭容錯和異構(gòu)節(jié)點支持等要求。盡管已有研究在分布式訓練、流水線并行和容錯機制等方面取得一定進展，但尚未能完全整合到大規(guī)模（100B + 參數(shù)）模型中。此外，通過計算貢獻分配所有權(quán)，能形成經(jīng)濟激勵，但仍需解決計算驗證問題，如采用博弈論質(zhì)押或零知識證明等技術(shù)。

當然，協(xié)議學習也伴隨著新的風險。去中心化模型難以單方面終止，一旦模型失控或被濫用，需要協(xié)調(diào)全網(wǎng)才能停止，實施難度極大。此外，還需在激勵、安全與可控性之間尋求平衡，防范惡意行為。

Pluralis 認為，人工智能的未來不僅僅是分布式的，更是去中心化的。去中心化訓練的技術(shù)壁壘并非不可攻克，而其帶來的收益將無比巨大。

綜上，Pluralis 正在構(gòu)建去中心化的 AI 訓練基礎(chǔ)設(shè)施，旨在通過協(xié)議學習推動前沿模型的集體創(chuàng)造，從根本上使 AI 基礎(chǔ)模型的生產(chǎn)和訪問民主化。