大多數人認為去中心化計算失敗是因為「沒有足夠的GPU」。 他們只是在關注供應。 真正的障礙是協調，誰能解決這個問題，誰就能制定AI基礎設施的規則。 🧵

/2 我們不斷從志願計算（如 Folding@Home）中學到錯誤的教訓。 這些工作能容忍慢節點和掉線。 現代 AI 訓練和推理則懲罰不一致，一個不穩定的 GPU 可能會使整個運行停滯。

/3 有一個問題不斷出現： 全球分散且不匹配的 GPU 能否像一台可預測的機器一樣運作？ 如果答案是否定的，那麼可靠性和開發者體驗就毫無意義，因為什麼都無法交付。

/4 網際網路使得 GPU 像是具有不同調音的樂器。 數據中心堆疊假設完美的時序。 全球網狀結構會帶來抖動、不均的帶寬、隨機的停機時間和硬體變異。協調必須吸收這些混亂。

/5 @YottaLabs 採取操作系統路線，而非市場路線。 排程、通訊、記憶體卸載、故障處理、驗證。 重點很簡單，將不可靠的機器轉變為一個行為足夠可預測的集群，以滿足服務水平協議（SLA）。

/6 最具體的見解是，將推斷分為兩個工作。 預填需要最好的 GPU。 解碼可以在較弱的 GPU 上運行。 這種設計防止昂貴的顯卡在便宜的顯卡上等待，並使“混合艦隊”變得有用而不是痛苦。

/7 然後是隱藏的瓶頸，移動模型的工作記憶體（KV 快取）。 如果你一次性發送一個大傳輸，你會停滯不前。 Yotta 在計算運行時以小塊流式傳輸，並壓縮快取，因此 WAN 延遲不再主導。