過去 10 年近くの間、「フロンティアモデルのトレーニング」は「ハイパースケール級の GPU クラスターを所有すること」と同義でした。Gensyn は、次世代の AI トレーニングが全く異なる場所、つまりイーサリアムロールアップを介して連携するインターネット接続されたノードのスウォーム（群れ）上で行われることに賭けたパブリックテストネットを公開しました。ETHGlobal は、その上にエージェントを構築できる開発者に向けて 50,000 ドルの賞金を提供しています。
もはや、分散型の機械学習トレーニングが技術的に可能かどうかという段階ではありません。RL Swarm は稼働しており、誰でもリポジトリをクローンできます。そのアーキテクチャは 2025 年 11 月から静かにリリースされ続けています。問題は、経済性、検証、そして開発者の引きが、AWS や Azure のデータセンターからトレーニングのワークロードを引き出すのに十分であるか、そして 2025 年 12 月に終了した $AI トークンのセールが、その未来を正しく価格に反映させていたかということです。
なぜ「RL Swarm」が分散型トレーニング初のプロダクションテストなの か
Bittensor、io.net、Akash、Render など、これまでに聞いたことがある「分散型 AI」プロジェクトのほとんどは、隣接する課題を解決しています。Bittensor はサブネット間での競争的なモデルベンチマーキングを調整します。io.net と Akash はクリプトネイティブな課金機能を備えた GPU レンタルマーケットプレイスです。Render は推論のレンダリング作業を分散させます。これまでのところ、信頼できないノードが共同でモデルを トレーニング する実稼働システムは存在しませんでした。
それが Gensyn の RL Swarm が行うことです。これは Gensyn テストネットのフェーズ 0 の基盤です。単一のデータセンター内ではなく、パブリックインターネット上で強化学習（RL）エージェントが協力する分散型環境です。参加する各ノードはローカルの言語モデルを実行します。ノードは多段階の RL 推論ゲーム（ピアと連携して回答、批判、修正を行う）を実行し、すべての貢献は Gensyn テストネット上のオンチェーンアイデンティティに対して記録されます。
このアーキテクチャの転換は、言葉にすればわずかですが、実践においては大きなものです。Bittensor はマイナーに最高の出力を競わせるようインセンティブを与えますが、Gensyn は共有された成果物のトレーニングに 協力 するようノードにインセンティブを 与えます。これが、競争的なマーケットプレイスと真の分散型トレーニング実行の違いであり、RL Swarm が単なる洗練されたコンピューティングレンタルレイヤーではなく、プロダクション級の分散型 ML トレーニングネットワークへの最初の信頼できる挑戦である理由です。
2025 年 11 月のリリースでは、同じピアツーピアフレームワーク上に構築された協調型コーディング環境「CodeZero」が追加されました。これら 2 つのリリースの流れを見ると、ロードマップが浮かび上がります。RL Swarm は推論のための調整プリミティブが機能することを証明し、CodeZero はそれらを構造化されたツール利用へと拡張します。2026 年 5 月 6 日のハッカソン終了時には、両方の環境が稼働しており、ウェイティングリストなしで参加可能になります。
4 層のアーキテクチャ：実行、検証、通信、調整
ユーザー向けのテストネットの背後で、Gensyn は OP Stack (Bedrock) 上に構築されたカスタムのイーサリアム Layer-2 ロールアップとして機能しています。このプロトコルは、分散型トレーニングの課題を 4 つの層に分解し、「インターネット経由で GPU を借りるだけ」という手法がこれまで失敗してきた特定の理由をそれぞれ解決しています。
実行 (Execution)。巨大なモデルは単一のコンシューマーノードには収 まりません。そのため、Gensyn はモデルをデバイス間に分散されたパラメータブロックに断片化し、ノードごとのメモリ負荷を軽減します。より困難な問題は決定論（デターミニズム）です。異なるハードウェア（Nvidia A100 と H100 など）での浮動小数点演算は、わずかに異なる結果を生む可能性があり、不正を検出すべき検証プロトコルにとっては致命的です。Gensyn の RepOps ライブラリは浮動小数点演算の順序を固定し、ヘテロジニアスなハードウェア間でも同じ入力からビット単位で同一の出力を得られるようにします。Reproducible Execution Environment (REE) は、RepOps をカスタムの MLIR ベースのコンパイラでラップし、モデルをそれらの再現可能なカーネルにコンパイルします。
検証 (Verification)。これが、過去の分散型トレーニングの試みをすべて阻んできたレイヤーです。あるノードがトレーニングステップを実行して勾配（グラディエント）を提出したとき、自分で計算をすべてやり直すことなく、その作業が正直に行われたことをどうやって知るのでしょうか。Gensyn の答えは Verde 検証プロトコルです。これは軽量な紛争解決システムであり、トレーニングのトレースを二分探索して、証明者と検証者の意見が一致しない 単一のステップ を特定し、その演算のみを再計算します。確率的な学習証明（proof-of-learning）と組み合わせることで、ネットワークは完全な再実行のコストを支払うことなく、暗号化された保証を得ることができます。これは概念的には Truebit の対話型検証モデルに似ていますが、汎用計算から ML 特有のカーネルに移植されたものです。
通信 (Communication)。帯域幅が制限されたパブリックインターネット上でトレーニングを調整するには、教科書通りの手法を捨てる必要があります。標準的なデータセンターのプリミティブ（同期的な All-reduce）は、太い InfiniBand パイプを前提としています。Gensyn は 3 つのカスタムプリミティブに置き換えます。NoLoCo は All-reduce を低通信のゴシッププロトコルに置き換え、CheckFree は高価な定期的チェックポイントなしでフォールトトレラントなリカバリを提供し、SkipPipe はスウォーム全体でメッセージホップを最小限に抑える勾配共有アルゴリズムを導入します。それぞれが論文レベルの貢献であり、これらが組み合わさることで、「家庭用インターネットに繋がった大量のノート PC」が機能するトレーニングクラスターへと変わります。
調整 (Coordination)。イーサリアム L2 自体が経済エンジンです。参加者を特定し、トークン化された報酬を決済し、許可レスなロールアップ上で支払いを実行します。ここには $AI トークンも存在し、トレーニング実行へのあらゆる貢献が最終的に集計されます。
このスタックを理解する最も明快な方法は、クラウド GPU モデルを意図的に反転させたものと捉えることです。AWS や Azure は生のスループットにエンジニアリングを注ぎ込み、契約による信頼を前提としています。一方、Gensyn は再現性と紛争解決にエンジニアリングを注ぎ込み、ネットワークの反対側にいるオペレーターについては何も想定していません。
Gensyn と Bittensor、io.net、Render の違い
アーキテクチャを俯瞰すれば、競合状況は明確になります。Gensyn と並んで頻繁に言及されるプロジェクトが 3 つありますが、それらはそれぞれ異なる課題を解決しています。
- Bittensor (TAO、時価総額約 26.4 億ドル) は、競争力のあるベンチマーク・ネットワークです。サブネットがタスクを定義し、マイナーが出力を生成し、バリデーターがそれらをランク付けし、最も高いスコアを獲得した者に TAO が分配されます。モデルの品質にインセンティブを与えることには非常に優れていますが、ノード間で単一の共有トレーニング・ランを調整することはありません。Gensyn のスウォーム（群知能）ベースのトレーニングは構造的に「協調的」であるのに対し、Bittensor のサブネット・モデルは構造的に「対立的」です。
- io.net と Akash は GPU マーケットプレイスです。アイドル状態のハードウェアを持つオペレーターが、対価を支払う意思のあるユーザーに時間を販売できるようにします。決定的な違いとして、どちらのプロトコルも買い手のワークロードが正しく実行されたことを「検証」しません。それは買い手側の問題であり、通常は独自のトレーニング・スタックを実行し、レシート（領収証）を信頼することで解決されます。Gensyn の Verde と REE のペアは、まさにこれらのマーケットプレイスに欠けているレイヤーです。
- Render Network は、主にグラフィックス向けの推論レンダリング作業を分散させます。その経済モデルは Gensyn よりも io.net に近く、コンピューティングをレンタルし、出力を得て、オペレーターを信頼するというものです。Render の Dispersed サブネットは隣接する製品であり、直接の競合ではありません。
Gensyn は、Bittensor の数分の一の時価総額（約 7,160 万ドル、ランキング 368 位）でトークンをローンチしました。この差こそが投資仮説です。もし「検証可能な協調型トレーニング」が実在するカテゴリーであり、単なるコンピューティング・レンタルの精巧なバージョンではないのであれば、この差額はエントリーポイントになります。そうでなければ、この差は市場が「科学プロジェクト」を正当に評価した結果ということになります。
$AI トークン・セール：100 万ドルから 10 億ドルのキャップ範囲での 3% イングリッシュ・オークション
2025 年 12 月 15 日、Gensyn が Sonar で $AI トークン・セールを開始したことで、経済状況は現実のものとなりました。その構造は異例なほど透明でした。3 億トークン（固定総供給量 100 億枚の 3%）を対象としたイング リッシュ・オークションで、FDV（希薄化後時価総額）の下限を 100 万ドル、上限を 10 億ドルに設定しました。入札者はトークンあたり 0.0001 ドルから 0.1 ドルの間で上限価格を選択し、最低入札額は 100 ドルでした。入札は Ethereum メインネット上の USDC または USDT で決済され、トークンは Gensyn Network L2 で請求されました。
完全な割り当て表は、Gensyn がどのようなプロジェクトを目指しているかを物語っています。
| 割り当て先 | 割合 |
|---|
| コミュニティ・トレジャリー | 40.4% |
| 投資家 | 29.6% |
| チーム | 25.0% |
| コミュニティ・セール | 3.0% |
| その他 | 2.0% |
40% のコミュニティ・トレジャリーと 3% のパブリック・セールの組み合わせは、典型的な DePIN のローンチよりも、Optimism スタイルのガバナンス姿勢に近いです。チームと投資家のシェア（合計 54.6%、最新のプライベート・ラウンドでは a16z がパブリック・セールの上限と同じ 10 億ドルの評価額でリード）は高いですが、極端なほどではありません。
このセールの最も興味深い設計上の選択は、テストネット・インセンティブでした。2% のボーナス報酬プールが、検証済みのテストネット参加者にトークン・マルチプライヤーとして分配されました。これは、参加レベル「および」入札額によってスケールされました。これは、Gensyn がパブリック・セールの価格を最大化することよりも、実際の貢献者への分配を重視しているという、控えめながらも本物のシグナルです。米国居住の購入者は 12 ヶ月のロックアップを受け入れ、米 国以外の購入者は 10% のボーナス・マルチプライヤーと引き換えに同様のロックアップを選択することができました。
このオークションが価格付けしたのは、一つの賭けです。それは、分散型トレーニングのユニット・エコノミクスが、同等の AWS や Azure H100 クラスター（オンデマンド料金で約 3 ドル/時）よりも 60 〜 80% 安くなること、そして、アイドル状態のコンシューマーおよびプロシューマー GPU が、意味のあるトレーニング需要を吸収するのに十分なほど豊富に存在することへの賭けです。その賭けが正しいかどうかは、オークション価格ではなく、2026 年にネットワーク上で実際に実行されるワークロードによって証明されるでしょう。
ETHGlobal Open Agents：プロダクションのシグナル
これを「興味深いインフラ・プロジェクト」から「ビルダーが実際に製品をリリースしている場所」へと変えるニュースが、2026 年 4 月 24 日から 5 月 6 日まで開催される ETHGlobal Open Agents です。Gensyn はスポンサーとして 50,000 ドル以上の賞金を提供しており、その中には「Best Application of Agent eXchange Layer (AXL)」カテゴリーの 5,000 ドルも含まれています。すべての受賞者は、Gensyn Foundation の助成金プログラムに優先的に案内されます。
これが重要な理由は 2 つあります。
第一に、ハッカソンは、新しい インフラが「それを必要としていることにまだ気づいていない開発者」によって発見される場だからです。同じプレイブック（戦略）が、初期の Optimism、Base、Sui のエコシステムを生み出しました。50,000 ドルの賞金プールは市場を動かすほどの金額ではありませんが、数百人の ETHGlobal 級のビルダーを RL Swarm や AXL API に初めて接触させるには十分なフックとなります。ハッカソン終了後も、一定数のビルダーが開発を継続することになるでしょう。
第二に、賞のカテゴリーは、Gensyn が何を使命（キラーアプリ）と考えているかを示しています。「Agent eXchange Layer（エージェント・エクスチェンジ・レイヤー）」という枠組みは、自律型エージェントが互いを発見し、コンピューティングを交換し、オンデマンドで互いをトレーニングし、ファインチューニングし合う世界を指しています。もし Gensyn が、未来はモノリシックな基盤モデルのトレーニングにあると考えていたら、賞の内容もそれを強調したものになっていたでしょう。彼らがエージェント・インフラを強調していることは、2026 年のより広範なナラティブと一致しています。つまり、互いに仕事の対価を支払うことができるエージェントには、最もコストのかかる作業である「モデルのトレーニングとファインチューニング」を検証可能なネットワークにアウトソーシングするための基盤が必要なのです。
正直な注意点
2026 年 5 月の時点で、RL Swarm が「何で はないか」を明確に述べておく価値があります。
現在、ライブテストネット上で稼働している公式のスウォームはありません。参加者はコミュニティ所有のスウォームに参加できますが、これはパーミッションレスネットワークに常に現れるブートストラップ問題そのものです。つまり、プロトコルはオープンですが、実際の高価値で調整されたトレーニングの実行はまだ大規模には行われていません。主要な研究所やオープンソースのコレクティブが実際のモデル実行をネットワーク上で行うまでは、テストネットは本番システムというよりもプルーフ・オブ・コンセプト（PoC）の段階に留まります。
検証コストも依然として未解決の課題です。Verde のバイナリ探索による紛争解決は、トレーニングジョブ全体を再実行するよりも劇的に安価ですが、無料ではありません。また、フロンティアスケール（数千億のパラメータ、数週間のトレーニング）におけるそのオーバーヘッドはまだ実証されていません。RepOps が A100 や H100 の間でビット単位で同一の出力を生成するという「ハードウェアの決定論性」の話はエレガントですが、競合する中央集権型のスタックが支払う必要のないコンパイラのオーバーヘッドが発生します。
また、コスト削減の理論（AWS H100 スポットインスタンスより 60 ～ 80% 安価）は、アイドル状態のコンシューマーおよびプロシューマー向け GPU のロングテールが、ハイパースケーラーの容量を代替できるほど高密度であることを前提としています。これは 7B から 70B パラメータのファインチューニングの実行においては妥当かもしれません。しかし、真のフロンティアスケ ールの事前学習においてはまだ現実的ではなく、Gensyn はそれ以外の主張をしないほど正直です。
インフラストラクチャ構築者にとっての意味
今後 12 か月をどこに費やすべきか考えている開発者にとって、最も有用な枠組みは、Gensyn がこれまで存在しなかった新しいカテゴリの API サーフェスエリアを切り開くということです。それは、トレーニングネットワークへのプログラム可能で検証可能なアクセスです。これまで、「モデルに特定の動作をさせる」ための選択肢は、(a) OpenAI や Anthropic のようなホスト型 API を呼び出すか、(b) GPU をレンタルして自分でトレーニングを実行するかでした。Gensyn は第 3 の選択肢を提案しています。それは、検証可能なスウォームにトレーニングジョブを送信し、暗号学的保証を受け取るというもので、これは ETHGlobal が推奨しているエージェント経済にきれいに適合します。
その第 3 の選択肢が機能すれば、それはプリミティブになります。ニッチなタスクのために小規模な専門特化型モデルをファインチューニングする必要があるエージェントは、GPU をレンタルして運用することを望まないでしょう。彼らはトレーニングの意図（インテント）を提示し、ステーブルコインや $AI で支払い、結果として得られる重み（ウェイト）を消費することを望むはずです。Gensyn の賭けは、それを可能にするプロトコル層（L2 ロールアップ、検証システム、スウォーム調整プリミティブ）が、そのパターンが普及するにつれて有意義な価値を蓄積していくという点にあります。
BlockEden.xyz は、Web3 ビルダーが 25 以上のチェーンで信頼を寄せるインデックス作成、RPC、および分析インフラストラクチャを支えています。Gensyn のような検証可能な AI トレーニングネットワークが成熟するにつれて、その基盤となるデータと調整レイヤーの重要性はさらに増していくでしょう。API マーケットプレイスを探索して、Web3 のエージェント中心で AI ネイティブな時代のために設計されたインフラストラクチャ上で構築を開始しましょう。
情報源
