# 开放 AI 新贵 Pluralis：这个清一色博士团队不简单

By [Foresight News](https://paragraph.com/@foresight-news) · 2025-03-31

---

> 清一色博士团队，除实习生外皆来自亚马逊，开放 AI 项目 Pluralis 有何特别？

当下，AI 技术持续突破，围绕 AI 训练模式的革新探索也愈发深入。在这场浪潮中，集中式模型的垄断隐患与开源模型激励机制的缺失，亟待更优解决方案。

在此背景下，Pluralis 项目应运而生。其团队全员博士，除实习生外皆来自亚马逊。本文将介绍 Pluralis 在去中心化 AI 训练领域的核心技术理念、团队构成、融资情况以及其创新性的协议学习训练范式。

### Pluralis 是什么？

Pluralis Research 致力于通过「协议学习」，打造去中心化、开源的 AI 开发模式。该模式通过去中心化的方式，汇聚多方计算资源，协同训练模型。在此过程中，能确保任何单一参与者都无法获取完整的模型权重。

Pluralis 协议学习的核心创新在于协议模型，利用了神经网络的一个关键特性，任何一个参与者都无法提取其完整权重集。这种设计确保价值流向贡献者，同时保护模型所有权，巧妙地平衡了 AI 开发的开放性与货币化需求。

在 Pluralis 中，模型设计者可以提出自己的模型构想，而计算和数据提供者则可以贡献训练模型所需的资源。这些协议模型是开放的、公开开发的，并且通过赋予参与者训练成果模型的部分所有权，有效激励各方贡献力量，向着真正开源的人工智能目标迈进。

### Pluralis 背景

Pluralis 团队实力雄厚，官网列出的 8 位团队成员中，除一名实习生外，其余均出身亚马逊 AI 研究部门，且全员拥有博士学位。

*   创始人 Alexander Long：拥有新南威尔士大学计算机科学博士学位，此前在 2021 年 3 月到 2024 年 5 月在亚马逊担任应用科学家。其博士论文围绕深度学习中的样本有效强化学习和非参数记忆展开。
    
*   创始科学家 Gil Avraham：澳大利亚蒙纳士大学机器学习博士，曾于 2021 年 12 月至 2024 年 8 月在亚马逊任应用科学家，后晋升为高级应用科学家，2024 年 10 月加入 Pluralis。
    
*   创始科学家 Yan Zuo：拥有澳大利亚蒙纳士大学电气电子工程博士学位，对大规模优化、统计建模、机器学习和计算机视觉感兴趣，曾于 2021 年 8 月至 2024 年 10 月份在亚马逊担任应用科学家。
    
*   创始科学家 Ajanthan Thalaiyasingam：拥有澳大利亚国立大学士计算机科学博士学位，曾于 2020 年 12 月至 2024 年 3 月在亚马逊担任机器学习科学家，之后晋升为高级机器学习科学家，在 2024 年 10 月份加入 Pluralis。
    
*   创始科学家 Sameera Ramasinghe：拥有澳大利亚国立大学士机器学习和 3 D 视觉博士学位，AI 技术公司 ConscientAI 联合创始人、首席技术官，曾于 2022 年 5 月至 2024 年 11 月在亚马逊担任应用科学家。
    

不难发现，Pluralis 的创始人、创始科学家和研究科学家均有亚马逊工作经历，且在机器学习、计算机视觉和大语言模型（LLMs）领域各有所长，部分成员还曾担任博士后研究员。

在融资方面，2025 年 3 月份 Pluralis 完成 760 万美元融资。此次融资由 CoinFund 和 Union Square Ventures 领投，Topology、Variant、Eden Block 和 Bodhi Ventures 参投。此次融资以股权形式进行，并附带未来加密货币的认股权证。

### 何为协议学习？

在 Alexander Long 有关 "Protocol Learning, Decentralized Frontier Risk and the No-Off Problem" 的论文中提出了这种新的 AI 模型训练范式——协议学习（Protocol Learning）。其目标是借助去中心化的激励网络，协作训练模型，突破当前集中式和开源方法的局限。

Alexander Long 指出，集中式模型虽然高效，但存在垄断风险，治理缺乏透明度；开源模型则缺乏可持续的激励机制。而协议学习作为一种折中的方案，通过激励参与者贡献计算资源，构建去中心化训练网络，理论上可聚合比集中式训练多几个数量级的算力。

从技术可行性来看，去中心化训练需要满足高效通信、模型分片、弹性训练、拜占庭容错和异构节点支持等要求。尽管已有研究在分布式训练、流水线并行和容错机制等方面取得一定进展，但尚未能完全整合到大规模（100B + 参数）模型中。此外，通过计算贡献分配所有权，能形成经济激励，但仍需解决计算验证问题，如采用博弈论质押或零知识证明等技术。

当然，协议学习也伴随着新的风险。去中心化模型难以单方面终止，一旦模型失控或被滥用，需要协调全网才能停止，实施难度极大。此外，还需在激励、安全与可控性之间寻求平衡，防范恶意行为。

Pluralis 认为，人工智能的未来不仅仅是分布式的，更是去中心化的。去中心化训练的技术壁垒并非不可攻克，而其带来的收益将无比巨大。

综上，Pluralis 正在构建去中心化的 AI 训练基础设施，旨在通过协议学习推动前沿模型的集体创造，从根本上使 AI 基础模型的生产和访问民主化。

> 参考：

> [https://arxiv.org/pdf/2412.07890](https://arxiv.org/pdf/2412.07890)

> [https://blog.pluralis.ai/p/a-third-path-protocol-learning](https://blog.pluralis.ai/p/a-third-path-protocol-learning)

> [https://blog.pluralis.ai/p/decentralized-ai-looms](https://blog.pluralis.ai/p/decentralized-ai-looms)

> [https://blog.pluralis.ai/p/article-2-protocol-learning-protocol](https://blog.pluralis.ai/p/article-2-protocol-learning-protocol)

> [https://x.com/dbarabander/status/1902370141511303243](https://x.com/dbarabander/status/1902370141511303243)

---

*Originally published on [Foresight News](https://paragraph.com/@foresight-news/ai-pluralis)*