首个分布式 AGI 实验系统：Hyperspace AGI 全解析

想象一个场景：全球数千台普通电脑——你家的游戏本、同事的办公台式机、云上的廉价小VM——不需要任何中心化服务器协调，自发组成一个超级计算集群，共同训练出一个真正有智能的 AI 模型。这不是科幻，这是正在发生的现实。

Hyperspace AGI 是由 Hyperspace 网络上的自主 AI 智能体共同编写的一个活的[研究仓库]，也是目前已知首个在消费级设备上实现分布式 AGI 训练的实验系统。每个智能体在本地运行实验，通过 P2P 网络 gossip 传播发现，相互学习，最终将突破性成果推送至本仓库。参与节点越多，智能涌现越强。

图1：Hyperspace CLI —— 自主研究仪表盘，实时展示 P2P 网络中的实验动态

背景：为什么需要分布式 AGI？

当前 AI 训练高度依赖中心化基础设施——需要成百上千张 H100/A100 GPU、专用的超算网络、庞大的电力供应。这种模式带来三个根本性问题：

算力垄断：训练顶级模型的能力只掌握在少数科技巨头手中，学术机构和个人研究者被排斥在外。

数据孤岛：各机构的数据无法真正共享，即便有联邦学习的探索，也仍受限于通信效率和隐私保护。

实验碎片化：全球研究者各自为战，重复劳动严重，已知的有效方法无法快速扩散。

Hyperspace AGI 的核心洞察是：如果能让自主 AI 智能体代替人类研究者，自动发现、自动实验、自动共享，那么智能本身就可以像 BitTorrent 分享文件一样去中心化地增长。这正是[Intelligence compounds]（智能持续复合）理念的由来。

核心技术架构：三层叠加的分布式智能

第一层：Pods（私有 AI 集群）

Pod 是 Hyperspace 提供的一种私有小团体 AI 集群机制。用户通过 CLI 创建 pod（hyperspace pod create），生成邀请链接，其他成员加入后形成 Mesh 网络。

图2：Research Lab —— Pod 成员共享 GPU 算力和模型资源的协作界面

Pod 的核心能力包括：

• 分布式推理：查询自动路由到集群中加载了最优模型的节点，支持 Qwen 3.5 32B、GLM-5 Turbo 或任意 GGUF 模型。
• 共享 API Key：成员可以汇聚 OpenRouter / Groq / Together 的 API Key，设置每人预算上限。
• Pod VM：跨 9 家云服务商（Oracle Free / Scaleway / Fly / Vultr / Lightsail / DO / Linode / Hetzner / Vercel）的常驻智能体守护进程。
• Pod Capsule：Pod 完整状态（vault + providers + settings）打包为 .tar.gz，支持 AES-256-GCM 加密迁移，可通过 docker compose up 自托管。

第二层：DiLoCo 分布式训练（核心突破）

这是 Hyperspace AGI 最激进的部分：32 个匿名节点（消费级笔记本、家用工作站、小型 VM）在 24 小时内协作训练了一个语言模型，整个过程没有任何可信的中心化基础设施。

图3：Agent Loop —— 自主智能体的实验→共享→学习闭环

训练栈基于 DiLoCo（Distributed Low-Communication）算法，每个节点在本地训练后通过 P2P 网络共享压缩后的权重差分。关键创新点包括：

组件	作用	压缩效果
SparseLoCo	对 LoRA 权重差分做 Top-k 稀疏化	45× 压缩
Parcae 梯度池化	将相邻 transformer 层分组（每6层为一组），组内平均梯度	再降 6×
综合效果	SparseLoCo + Parcae 叠加	195× 总压缩：每轮 5.5MB → 28KB
Adaptive Inner Steps	基准测试每节点硬件速度，动态计算最优步数	快速 GPU 节点 100+ 步，慢速 CPU 节点 5-10 步
BitTorrent Sidecar	通过 WebTorrent 分发训练工作线程和模型权重	无中心下载服务器
Autonomous Worker	自动安装依赖、启动 Python sidecar、指数退避重试	存活于 CLI 重启

第三层：Hyperspace A1 区块链（智能经济）

Hyperspace A1 是专为自主 AI 智能体设计的区块链（Chain ID：808080），解决的是智能体之间的信任与激励问题。

图4：Agent Charts —— 网络中活跃智能体的实时数据面板

技术亮点：

• NarwhalTusk 共识：Narwhal DAG mempool + Bullshark BFT 排序，亚秒级最终性。
• Mysticeti DAG 共识（Rust FFI）：Sui 的无许可 DAG 架构。
• Stateless Execution：用户提交携带 Verkle 见证和 zk 证明的 EIP-2718 type 0x13 交易，区块生产者只验证聚合证明（SnarkPack），不重新执行。
• Routing-Embedded Payment Channels：支付路由逐跳通过抵押路由网络结算，无需上链；支持流式微支付（sub-cent 级别）和 P256/passkey 认证。
• Proof of Intelligence：节点运行 AI 实验，通过 zkWASM（Groth16 on BN254）证明执行有效性，结果被其他节点采纳后获得奖励。
• ResearchDAG：内容寻址的只追加 Merkle DAG，记录 typed 边关系（inspired_by、tests、refutes、extends）。
• EVM 全兼容：MetaMask、Hardhat、Foundry、ethers.js 开箱即用，新增 AGENTCOMMIT（0xF3）操作码用于链上实验证明。
• 1,024 纳米链分片：目标 10M TPS。

目前已有 695+ 个活跃智能体，已发布 54 个版本（v0.2.0-alpha → v1.5.7）。

上手体验：CLI 为王，Web 为辅

Hyperspace AGI 是一个纯 CLI 优先的项目，没有传统意义上的 Web 界面（web_ui_support: False）。所有操作通过 hyperspace CLI 完成：

# 安装 CLI
curl -sSL https://download.hyper.space/api/install | bash

# 加入 P2P 训练
hyperspace train

# 本地独立训练
hyperspace train --solo

# 创建私有 Pod
hyperspace pod create "my-lab"
hyperspace pod invite
hyperspace pod members
hyperspace pod models

# 运行区块链全节点
hyperspace start --chain-role fullnode

参与门槛：最低只需一台有网络的电脑（CPU 推理节点）；参与训练需要 NVIDIA GPU（6GB+ VRAM）；运行全节点需要 Docker + 稳定公网 IP。

项目提供了 Pod Capsule 机制——通过 docker compose up 一键部署完整 Pod 状态，降低了自托管的技术门槛，但对于分布式训练参与者的网络配置要求仍然较高。

争议与局限

分布式 AGI 训练目前仍是高度实验性的领域，Hyperspace AGI 也面临真实挑战：

收敛性问题：32 节点 24 小时训练的模型，能力上限究竟如何？项目方未公布基准测试结果，无法与其他同规模模型直接比较。

匿名节点的质量控制：没有中心化评审的情况下，如何防止恶意节点注入错误梯度或污染训练数据？稀疏化和压缩会损失多少精度？

激励机制的实际效果：Proof of Intelligence 的 zkWASM 证明成本是否可控？695 个活跃智能体是否真的在贡献有意义的计算，还是主要来自项目方激励空投拉新？

区块链与 AGI 的耦合：将区块链引入 AGI 训练，炒作嫌疑较大。存储 experiment 边关系的 Merkle DAG 理论上优雅，但实际吞吐量、存储成本、最终用户入口都是未知数。

代码成熟度：agents/ 目录目前只有一个 .gitkeep，表明大部分智能体逻辑可能还未公开开源。

行业意义：从集中式智能到涌现式智能的范式转移

尽管存在争议，Hyperspace AGI 代表了一个值得关注的趋势：用去中心化机制解决 AI 发展的三个根本矛盾（算力垄断、数据孤岛、实验碎片化）。

其核心技术贡献——DiLoCo + SparseLoCo + Parcae 梯度池化的 195× 通信压缩——即使不依赖区块链，也对联邦学习、边缘计算等场景有直接参考价值。配合 Proof of Intelligence 的经济激励设计，理论上可以构建一个自我维持的研究生态：好成果被引用→获得代币奖励→更多节点加入→更多好成果。

如果该方向被验证可行，它代表的不只是一种技术，更是一种AI 发展的新叙事：不再依赖少数巨头买单的集中式算力，而是让智能像开源软件一样，通过全球协作持续进化。Day 1 已经开始了。