大多数人认为去中心化计算失败是因为“没有足够的GPU”。 他们只关注供应。 真正的障碍是协调，谁能解决这个问题，谁就能制定AI基础设施的规则。 🧵

/2 我们从志愿计算（如 Folding@Home）中学到了错误的教训。 这些任务可以容忍慢节点和掉线。 现代 AI 训练和推理会惩罚不一致性，一块不稳定的 GPU 可以使整个运行停滞。

/3 有一个问题一直在困扰我们： 全球分散、配置不匹配的 GPU 能否像一台可预测的机器一样运作？ 如果答案是否定的，那么可靠性和开发者体验就毫无意义，因为没有任何东西能够交付。

/4 互联网使得GPU表现得像调音不同的乐器。 数据中心堆栈假设完美的时序。 全球网络会带来抖动、不均匀的带宽、随机的停机时间和硬件差异。协调必须吸收这些混乱。

/5 @YottaLabs 选择了操作系统路线，而不是市场路线。 调度、通信、内存卸载、故障处理、验证。 关键很简单，将不可靠的机器转变为一个足够可预测以满足服务水平协议（SLA）的集群。

/6 最具体的见解是，将推理分为两个工作。 预填充需要最好的 GPU。 解码可以在较弱的 GPU 上运行。 这种设计阻止了昂贵的显卡在便宜的显卡上等待，并使“混合车队”变得有用而不是痛苦。

/7 然后是隐藏的瓶颈，移动模型的工作内存（KV 缓存）。 如果你一次性发送一个大数据包，就会停滞。 Yotta 在计算运行时以小块流式传输，同时压缩缓存，从而使广域网延迟不再主导。