Обучение и развёртывание крупных моделей ИИ остаётся крайне централизованным. Несколько корпораций не только контролируют наиболее производительные модели, но и доминируют над вычислительной инфраструктурой, необходимой для их создания и эксплуатации. Хотя такая концентрация обеспечивает эффективность масштабирования, она также создаёт системные уязвимости. Решения об инфраструктуре и доступе принимаются в частном порядке, зависимость от пользователей усиливается, а возможности для более широкого участия ограничиваются. По мере того, как эксперименты с распределённым обучением оказываются всё более жизнеспособными, возможность запуска моделей в открытых сетях, управляемых сообществом, переходит из теории в практику.
Сеть Spheron Network напрямую решает эти проблемы, создавая децентрализованный рынок вычислительных ресурсов. Вместо того, чтобы полагаться на нескольких облачных операторов, Spheron объединяет недоиспользуемые графические и центральные процессоры из центров обработки данных, независимых операторов и отдельных участников в глобальную инфраструктуру. Благодаря этой сети разработчики могут арендовать масштабируемые вычислительные мощности для обучения ИИ, вывода и других интенсивных рабочих нагрузок, в то время как поставщики ресурсов получают доход от простаивающих мощностей. Этот подход направлен на снижение барьеров для входа и перераспределение контроля над доступом к вычислительным ресурсам для обучения моделей, чтобы создать более открытую и устойчивую экосистему ИИ.