Samuel "Sam" B. Dare 是一位人工智能 (AI) 研究员、企业家，也是去中心化 AI 开发的杰出倡导者。他是 Covenant AI 和 Templar 的创始人，这些附属机构致力于创建开源、去中心化的基础模型及其支持基础设施。Dare 以其在 Bittensor 生态系统中的工作、对去中心化训练协议的贡献，以及关于“基础模型政治经济学”的哲学论点而闻名。他认为，去中心化是制衡大型科技公司权力集中的必要力量。

教育经历

Sam Dare 于 2018 年毕业于牛津大学赛德商学院 (Saïd Business School)，并持有大量金融、投资和区块链技术领域的专业认证，包括通过了 CFA 考试 二级、金融风险管理师 (FRM) 一级，以及认证比特币专业人士 ^[2]。

职业生涯

Dare 的职业生涯核心在于去中心化人工智能的开发与推广。他被描述为一名“区块链资深人士”，其背景融合了企业级软件与去中心化系统的经验 ^[4]。在担任独立研究员并专注于分布式系统机制设计和人工智能政治经济学一段时间后，他开始通过一系列创业项目将其工作正式化 ^[5]。

2023 年 9 月，Dare 创立了 Templar，这是一家人工智能研发实验室，专注于研究围绕基础模型的地缘政治和经济权力结构 ^[3]。随后在 2024 年 1 月，他创立了 Covenant AI，作为 Templar 研究工作的运营部门，负责协调开源、去中心化人工智能模型的实际开发 ^{[3] [2]}。这些实体（通常被交替称为 Templar AI、Templar Covenant 或 Covenant.ai）是 Dare 作为 Bittensor 去中心化人工智能网络中杰出建设者的核心工作。一些资料显示，他此前曾担任美国国防高级研究计划局 (DARPA) 的人工智能研究员，以及剑桥大学的博士后研究员 ^[3]。

主要作品与项目

Dare 的工作主要涉及创建协议、模型和网络，旨在使高级人工智能的开发变得易于访问且无需许可。

Templar 和 Covenant

Templar 和 Covenant 是由 Dare 创立的两个主要实体，旨在追求其去中心化人工智能（AI）的愿景。

• Templar： 成立于 2023 年 9 月，Templar 是该行动的研究和哲学核心。它自称为“自筹资金的研发（R&D）”实验室，负责调查基础模型的政治经济学，并认为对 AI 的控制权是一种新型的地缘政治力量 ^[3]。
• Covenant AI： 成立于 2024 年 1 月，Covenant AI 是将 Templar 的研究付诸实践的运营组织。它负责协调工程工作，利用全球分布式的算力提供商网络来构建和训练大规模开源 AI 模型 ^[5]。

Covenant-72B 模型

在 Dare 的领导下，Covenant AI 成功协调并训练了 Covenant-72B，这是一个拥有 720 亿参数的大型语言模型 (LLM)。该项目在完成时被宣传为当时“规模最大的去中心化 LLM 训练运行”。训练任务分布在由 20 个匿名节点运营的约 160 个 GPU 网络中，并利用了 Bittensor 网络及其他资源。该项目作为一个重要的概念验证，证明了无需完全依赖大型企业控制的中心化超大规模数据中心，也能训练出最先进的 AI 模型 ^{[6] [5]}。

激励机制与协议

Dare 工作的一个核心组成部分是设计经济激励机制，以协调无许可网络的参与者。

Templar 训练协议与 Gauntlet 系统

Dare 是 Templar 训练协议的设计者，该协议旨在处理通过标准互联网连接进行去中心化模型训练的复杂性 ^[5]。这项工作中的一项关键创新是 “Gauntlet” 激励系统，该系统在 Dare 于 2025 年 5 月共同撰写的一篇研究论文中得到了详细阐述。Gauntlet 是一个用于协调和验证分布式大语言模型（LLM）训练过程中匿名参与者贡献的系统。

该系统采用两阶段评估流程，由网络节点相互评估计算工作。它利用 OpenSkill 算法对每个节点的可靠性进行评分，并使用适用于异步分布式环境的优化器（DeMo）。Gauntlet 系统的可行性已通过 Templar-1B 的成功训练得到证实，这是一个拥有 12 亿参数的大语言模型，作为概念验证之用。^[1]

Bittensor 子网

Dare 及其 Templar AI 团队在 Bittensor 网络上创建并运营基础子网，这些子网是具有自身激励机制的专业化网络。

• Templar (子网 3)： 这是 Bittensor 网络上第一个分布式、无需许可的大语言模型 (LLM) 训练子网。它建立了一个框架，使矿工能够协作训练模型并因其贡献获得奖励，为后续项目提供了蓝图 ^[4]。
• Grail (子网 81)： 被描述为子网 3 的直接演进，Grail 是一个去中心化 AI 预训练网络。它旨在通过允许无需许可的矿工网络从零开始集体训练模型，从而使基础模型的创建民主化。子网上的验证者根据矿工提出的权重更新对降低模型损失的贡献程度进行评分，从而为协作开发创造一个激励驱动的环境 ^{[4] [1]}。
• Basilica (子网 39)： 该子网旨在作为一个去信任、去中心化的 GPU 算力市场。它将需要计算能力的用户与 GPU 资源提供者连接起来，利用 Bittensor 网络安全且无需许可地促进交易 ^[4]。

哲学与公共评论

Dare 是人工智能领域特定哲学愿景的积极倡导者，他通过文章、社交媒体和公开露面阐述了这一愿景。他的论点集中在信息技术权力的分配上。

基础模型的政治经济学

Dare 在《基础模型的政治经济学》等文章中提出的核心论点是，由于训练基础模型需要巨大的资本和计算资源集中，一个“AI 寡头垄断”正在形成 ^{[5] [4]}。他对大型科技公司所扮演的主导角色持批评态度，质疑它们作为基础 AI 托管人的合适性。在一次播客节目中，他表示：“马克·扎克伯格窃取了民主。让我们永远不要忘记这一点。谷歌犯下了一系列侵犯隐私和人权的罪行。这些人就是你们想要托付普罗米修斯之火的对象吗？” ^[5]。

他认为，对 AI 的真正控制权不在于那些使用或微调模型的人（“消费”），而在于那些能够从零开始训练模型的人（“创造”）。他认为依赖中心化公司发布的开源权重模型是一种战略漏洞，并指出：“中心化实体发布的‘开源权重’模型存在一个问题，即它们的商业利益可能会发生变化，随时可能‘在土壤中撒盐’（破坏环境），从而切断下游每一个开发者的供应链” ^[6]。

主权人工智能 (Sovereign AI)

戴尔（Dare）倡导“主权人工智能”的概念，即社区、组织和国家可以整合资源，构建符合自身文化价值观和经济利益的人工智能模型。这为摆脱对少数（主要是总部位于美国的）供应商的技术依赖提供了一种替代方案。在为《Mint》撰写的评论中，他指出印度是一个非常适合这种方法的国家：“凭借快速增长的开发者生态系统和强大的政府支持，印度在培养主权人工智能能力方面具有独特的优势” ^{[7] [5]}。

“迭代与主题”框架

Dare 在他称为“迭代与主题”框架的历史背景下，界定了推动去中心化技术发展的意义。在这种观点中，首要的“主题”是分配信息技术权力的持久目标。具体的科技运动——如早期的互联网或点对点文件共享——都是服务于这一主题的“迭代”。他认为，虽然单个迭代可能会失败，但去中心化的底层主题会持续存在，并最终找到成功的形式。他将当前的努力描述为至关重要的，并指出：“我认为去中心化训练是人类的最后一战……因为一个迭代会失败，迭代可以失败，但最终主题会延续下去” ^[5]。

出版物

• 《激励大语言模型的无许可分布式学习》（2025年5月）：这是一篇提交至 arXiv 预印本服务器的研究论文，由 Dare 共同撰写。该论文详细介绍了“Gauntlet”激励系统，以及其在 Bittensor 网络上成功训练 Templar-1B 模型的应用实例 ^[1]。
• 《基础模型的政治经济学》（2026年3月）：这篇文章概述了他的核心哲学观点，涉及 AI 权力的中心化问题以及分布式训练的战略重要性 ^[5]。

公众露面与媒体

Dare 保持着活跃的公众形象，以沟通项目进展并分享他对 AI 行业的见解。他使用 X（原 Twitter）账号 @DistStateAndMe 发布定期且详细的更新，包括关于 Templar 和 Grail 等项目的每周“TGIF”（感谢上帝，周五到了）社区总结 ^[4]。他曾为《Mint》等媒体机构就全球 AI 市场提供专家评论。截至 2026 年 4 月，他已受邀作为特邀嘉宾和演讲者，参加在肯尼亚内罗毕举行的 Sankalp 非洲峰会期间举办的 2027 Bittensor 子网创意马拉松 ^{[4] [7]}。

访谈

Covenant 子网架构 #01\n\n在 2025 年 11 月 17 日发布的 YouTube 频道 Hash Rate Podcast（第 145 集）采访中，Sam Dare 讨论了 Covenant 子网系统的结构和预期功能，该系统由 Templar (3)、Grail (39) 和 Basilica (81) 组成。\n\n\n\nDare 将 Covenant 描述为一个专注于将 AI 模型开发的不同阶段分布在独立子网中的倡议。在他的解释中，Templar 与使用地理分布计算资源的预训练过程相关，Grail 与模型精炼等训练后活动相关，而 Basilica 旨在通过基于激励的系统协调算力分配。\n\n他表示，这种结构旨在作为中心化 AI 训练环境的替代方案。根据他的说法，尽管面临协调和延迟相关的挑战，使用分布式 GPU 网络可以在保持相当的处理性能的同时降低训练成本。\n\nDare 指出，与中心化系统相比，通过 Templar 训练的模型目前处于中等性能水平，估计约为领先模型能力的 60%。他指出，进一步的改进涉及增加复杂性和资源需求。\n\n他还解释说，Basilica 应用了一种激励机制，根据参与者提供的计算效率和质量而非仅根据可用性进行评估。该模型被描述为一种在网络内分配资源的方法。\n\n采访中提到了涉及公司、公共机构和学术团体等组织的潜在用例，据 Dare 称，这些组织可以利用此类基础设施进行重复的模型训练。他将这视为 AI 训练资源访问结构化方式的一种转变。\n\n讨论还涉及了 BitTensor 生态系统内的代币相关机制，包括跨不同子网整合价值流的计划。^\[8\] \n\n#

去中心化 AI 与 Templar #02

在 2025 年 6 月 4 日发布于 YouTube 频道 Ventura Labs 的采访中，Samuel Dare 讨论了他参与 Bittensor 网络中 Templar（子网 3）的情况，并阐述了他对去中心化 AI 训练的看法。

Dare 表示，Templar 作为一个无需许可的平台运行，专注于大规模机器学习模型的去中心化预训练。他将去中心化 AI 开发视为大型科技公司相关系统的替代方案，并以 Google 作为主要对比对象，同时将其与 OpenAI 等组织区分开来。

他描述了从早期区块链工作向专注于去中心化 AI 系统的转变。在这种背景下，Templar 被呈现为一个网络，其中的参与者（称为矿工）为模型训练贡献计算资源，并通过竞争机制接受评估。Dare 指出，此类系统的设计取决于激励结构，这些结构旨在鼓励持续参与并限制对抗行为。

在技术方面，Dare 确定了与扩展分布式训练过程相关的挑战，包括通信开销和节点间的协调。他提到了使用梯度压缩方法和同步训练方法来解决带宽和效率限制。他还讨论了硬件基础设施的作用，包括开源硬件相对于大型 AI 供应商使用的专有系统的潜在相关性。

Dare 还概述了一种模型，即贡献者可以通过基于代币的结构持有已训练模型的一种股份形式。他将 Templar 描述为一个旨在将控制权和参与权分布在整个网络中，而不是集中所有权的系统。

这次采访展示了 Dare 的观点，即去中心化 AI 训练系统可以作为开发机器学习基础设施的一种替代组织模型，重点在于分布式参与和基于激励的协调。^[9]