各类训练数据分布不均衡、难度差异大；
设备计算能力异构、通信带宽不一致的环境下任务分配与调度问题。
其核心特性：
-
MHe-IHo：为不同难度的任务分配不同大小的模型（模型异构、训练步长一致）；
-
MHo-IHe：任务难度统一、但训练步长异步调整；
-
支持异构专家模型 + 可插拔训练策略，提升适应性与容错性；
-
强调「并行协同 + 极低通信 + 动态专家分配」，适用于现实中复杂的任务生态。
多角色博弈机制：信任与激励并行
Gensyn 网络引入四类参与者：
-
Submitter：发布训练任务、设定结构与预算；
-
Solver：执行训练任务，提交结果；
-
Verifier：验证训练行为，确保其合规有效；
-
Whistleblower：挑战验证者，获取仲裁奖励或承担罚没。
该机制灵感来源于 Truebit 经济博弈设计，通过强制插入错误 + 随机仲裁，激励参与者诚实协作，确保网络可信运行。
四、测试网与路线图规划
五、团队与融资背景
Gensyn 由 Ben Fielding 和 Harry Grieve 联合创立，总部位于英国伦敦。2023 年 5 月，Gensyn 宣布完成由 a16z crypto 领投的 4,300 万美元 A 轮融资，其他投资方包括 CoinFund、Canonical、Ethereal Ventures、Factor 和 Eden Block。团队背景融合分布式系统与机器学习工程经验，长期致力于构建可验证、去信任化的大规模 AI 训练执行网络。
Nous Research：主体性 AI 理念驱动的认知演化式训练系统Nous Research 是目前少数兼具哲学高度与工程实现的去中心化训练团队，其核心愿景源于「Desideratic AI」理念：将 AI 视为具有主观性与演化能力的智能主体，而非单纯的可控工具。Nous Research 的独特性在于：它不是将 AI 训练当作「效率问题」来优化，而是将其视为「认知主体」的形成过程。在这一愿景驱动下，Nous 聚焦构建一个由异构节点协同训练、无需中心调度、可抗审查验证的开放式训练网络，并通过全栈式工具链进行系统化落地。
一、理念支撑：重新定义训练的「目的」
Nous 并未在激励设计或协议经济学上投入过多，而是试图改变训练本身的哲学前提：
-
反对「alignmentism」：不认同以人类控制为唯一目标的「调教式训练」，主张训练应鼓励模型形成独立认知风格；
-
强调模型主体性：认为基础模型应保留不确定性、多样性与幻觉生成能力（hallucination as virtue）；
-
模型训练即认知形成：模型不是「优化任务完成度」，而是参与认知演化过程的个体。