目前，Bittensor 的模型并不是实际的、真正的 MoE — — 这只是一个花哨的说法，意味着他们的子网是独特的，并管理 Bittensor 生态系统的不同部分。Bittensor 声称已经利用 MoE 来“复合”其各种模型的性能，但这与机器学习的实际运作方式相去甚远。从技术上讲，这样做是不可行的，因为模型无法堆叠和乘法其能力，尽管这并不意味着 MoE 不值得。这份报告是关于 MoE 论文的良好入门读物，尽管它现在已经有一年左右的历史了。
如今，Bittensor 最大的优势在于其社区以及其雄心勃勃地追求在链上构建整个 AI 堆栈；其主要问题（除了产品之外）在于 TAO 代币排放的不可持续性，因为奖励的发放并未与实际进展挂钩。还有像 Morpheus 这样的其他网络，仅根据平台上产生的需求来奖励矿工，而 Bittensor 则采取了相反的做法。实际上，这意味着即使某个子网在 Bittensor 网络上没有需求，你仍然可以获得代币奖励，这与网络需求无关。在解决这一根本性问题之前，Bittensor 仍是一个有趣的思想实验，但其可持续商业化的道路仍不明确。
GensynGensyn 希望构建一个分散的训练和计算平台，重塑模型从概念到成品的转化方式。
其简版白皮书描述了新大型语言模型（LLMs）的计算复杂性每3个月翻一番的现状。如今，模型数量和提供各类计算的公司都比以往任何时候都多。Gensyn声称当前的解决方案要么a）太昂贵，b）太寡头垄断，要么c）技术规模太有限。为了高效且有效地生产一个大型语言模型，需要一种能够以可扩展方式在链上验证的解决方案。
机器学习“本质上是状态依赖的，需要新的并行化和验证方法”，导致目前的解决方案只能用聚合计算来做非常简单的任务 — — Gensyn以3D渲染为例。他们希望创建一个“以无需信任的方式连接和验证链下深度学习工作的成本效益高的协议”，但面临一些重大障碍。
“这个问题的核心在于深度学习模型的状态依赖性；也就是说，深度学习模型的每一层后续都以前一层的输出作为输入。因此，要验证特定点的工作完成情况，必须执行到该点包括该点在内的所有工作。”
在加密技术中，欺诈证明和零知识证明之间的区别可以作为一个有用的类比来描述这一点。零知识证明之所以具有革命性，是因为它们可以在不泄露任何关于被证明陈述的信息的情况下，证明某人知道某个秘密，从而大大减少了证明某事完成所需的工作量，尽管这需要非常复杂的数学和密码学。Gensyn通过避免必须不断完成和复制工作以达成确认的情景，希望变得更快、更便宜、更具可扩展性。