吳恩達加持！斯坦福 Marin 535B 全透明直播訓練三個月，AI 黑箱時代終結？

老實說，我第一次看到「全程直播大模型訓練」這幾個字時，第一反應是這八成是什麼行銷噱頭。直到我順著斯坦福 CRFM（Center for Research on Foundation Models）那串公開的實時損失函數曲線一路往下看，才發現這次真的來硬的。不是那種「賽後放個錄影」的把戲，而是訓練正在發生當下，所有人的眼睛都能貼在儀表板上看它燒 GPU。

這不是什麼實驗室小打小鬧，而是 5350 億參數（535B）的 Mixture-of-Experts（MoE）巨型模型，也就是 Marin 535B-A23B。斯坦福的 Percy Liang 教授把整趟航程攤開來：18.75 兆個 token 的訓練資料、11 台 NVIDIA GB200 NVL72 叢集、約 792 顆 GB200 GPU、將近 2.7×10²⁴ FLOPs 的總算力，為期三個月。更關鍵的是，這段旅程吸引了人工智慧圈的大神——吳恩達（Andrew Ng）罕見地公開背書，說這是「捍衛 AI 開放性的一場珍貴示範」。

Marin 535B 究竟如何拆掉大模型訓練的「黑箱」？

傳統上，就算你拿到一支開源模型的最終權重，訓練過程對外人也像一團迷霧——資料怎麼清洗、混了哪些語料、學習率怎麼調、loss 在哪個 token 量時出現平台期，全都鎖在閉門實驗室裡。Marin 這次走的是截然相反的路線：連假設都被當成 GitHub issue 公開，設定檔變成 Pull Request，實時 W&B 曲線任人觀摩。

整個「航程」（官方暱稱 voyage plan）切成兩段：預訓練吃下 80% 的資料，中途訓練（midtraining）再灌 20%，全部在 18.75T token 的基礎上滾動。這不是裝模作樣——連失敗的嘗試、踩雷的設定、中途調整的策略，都一五一十寫進公開日誌。你可以把它想像成在廚房裡做分子料理，主廚不只端出成品，還把每個燙傷、每次翻車的火候失誤都直播給你看。

吳恩達為何罕見出面力挺？「開放過程」是產業常態的回歸嗎？

要理解這件事有多不尋常，得先回到脈絡。吳恩達是 Google Brain 的共同創辦人、百度前首席科學家、Coursera 的共同創辦人，也是把深度學習帶給八百萬線上學生的推手。他這幾年一向謹言慎行，很少針對單一研究案表態。這次他卻直接在 X 上轉發力挺，原話強調：「在捍衛 AI 開放性的戰鬥中，Marin 計畫是模型訓練開放性的一場珍貴示範，開放程式碼、資料、配方、甚至實驗結果。過去，公開 AI 研究曾是產業常態；我很感謝 Percy Liang 的開放實驗室做法。」

這句「公開 AI 研究曾是產業常態」其實點破了深層焦慮。過去十年，大型實驗室逐漸把前沿研究鎖進高牆，論文變少了、細節模糊了、算力成了護城河。吳恩達的背書等於在公開喊話：閉門造車不是AI的宿命，開放協作才是讓整個領域免於沉沒的浮板。Percy Liang 的那篇公告貼文，光是 X 上就衝破了 80 萬次瀏覽，熱度說明了社群對這種「去黑箱化」的強烈飢渴。

Marin 對 2026 年 AI 產業鏈的三記重拳

別只把 Marin 當成一場學術煙火秀，它的漣漪會一路擴散到 2026 年的整個產業鏈。以下是三個我觀察到最值得警惕的衝擊點：

第一擊：算力租賃與雲端市場的「軍備競賽平民化」。Marin 用 11 台 GB200 NVL72（約 792 GPU）就撐起 535B 模型的完整預訓練，這暗示「頂級規模訓練」的硬體門檻正從「國家隊等級」下放到「頂級新創與研究機構可觸及」的程度。2026 年全球 AI 算力服務市場估將衝上數千億美元，Marin 證明了只要能租到 GB200 叢集、並參考公開的訓練配方，複製前沿規模不再遙不可及——這對中小型 AI 公司與新創是史詩級的利多。

第二擊：開源 AI 生態的市場佔有率將大躍進。目前開源權重模型已在多項基準與閉源旗艦並駕齊驅，而 Marin 把「開放」帶向「過程」，等於把整個複現與研究的學習成本降到幾乎為零。預測 2026 年全球 AI 市場規模將站上 1.2 兆美元大關，而開源技術棧（含微調、推理、工具鏈）將從目前的個位數滲透率，拉抬到三成以上的應用比重——這不是空想，而是「開放過程」降低整合摩擦後的必然結果。

第三擊：AI 安全與審計的標準會被重新定義。過去「可解釋 AI」多半停留在模型層的陰影下，但 Marin 把訓練過程整條攤開，意味著監管單位、企業法遵部門終於可以「看穿」模型是如何被餵養成型的。2026 年若 AI 監管落地，像 Marin 這類全透明訓練檔案，極可能成為合規審計的黃金樣板——用公開的 loss 曲線與資料配方，作為可追蹤、可歸責的證據鏈。

開發者與企業如何真正吃到這波開源紅利？

說白話點，Marin 對實戰派的意義在於「省錢省腦」。以下是三個可以直接上手的動作：

① 用公開 loss 曲線做「算力健康檢查」。Marin 的實時損失函數與縮放預測是免費的基準資料。自己團隊在微調或預訓練時，把自家的 loss 曲線拿來跟公開資料對照，能快速判斷是不是卡在資料品質或學習率調度上——這省下的是幾十萬美元等級的試錯時間。

② 拉取資料配方做「小型復刻實驗」。Marin 公布了 18.75T token 的資料混合配方。小團隊可以在小規模（例如 1B 參數）上套用相同比例做復刻，驗證公開方法論在自己的資料域是否同樣有效，再做放大的決定。

③ 工具鏈整合的參考座標。對做 RAG、自動化工具整合的開發者而言，Marin 的公開工程日誌是絕佳的操作系統參考——從資料清洗、去重、到 midtraining 的課程安排，都能拿來優化自己的 pipeline。

別忘了，吳恩達說「公開 AI 研究曾是產業常態」，這對你也是提醒：別再把自家方法論鎖在抽屜裡，開放的過程，終將回報給每一個願意捲起袖子參與的人。

熱門問題 FAQ

Q1：Marin 535B 是全開源（完全免費）的嗎？我要怎麼拿來用？

A：Marin 計畫將訓練的程式碼、資料配方、損失函數與工程日誌完全公開，屬於「開放過程」的開源精神。你可以在 marin.community 官方社群查看實時訓練狀態與文件。模型權重與後續產物會依專案條款釋出，建議追蹤官方發布以取得最終權重與使用授權細節。

Q2：535B 參數聽起來很巨大，一般人的硬體跑得動嗎？

A：關鍵在於它採用 MoE（混合專家）架構，雖然總參數達 535B，但每 token 僅啟動約 23B 個活躍參數。這代表推理時的計算負擔遠小於參數量暗示的程度，透過量化與多 GPU 分散部署，中等規模的團隊也能在雲端服務上執行推理，並非只有超大實驗室才碰得起。

Q3：這個「全透明訓練」對我的 AI 專案有什麼實際價值？

A：價值體現在三層：一、公開的損失函數與縮放預測可當作你自有模型的基準對照，省下超參數調校成本；二、完整的資料配方可作為小規模復刻與資料工程的參考範本；三、公開工程日誌揭露了 MoE 訓練的真實踩雷點，讓你在訓練穩定性、專家路由調度上少走彎路——這正是吳恩達所強調「開放過程」對產業的普惠貢獻。

🚀 準備好搭上這艘開放航程了嗎？

Marin 證明了「開放的過程」不是理想口號，而是切切實實能落地、能複現、能讓整條產業鏈一起進化的航路。別再站在岸邊看別人燒 GPU 了——無論你是要借鑑公開配方做自有模型，還是想把開源透明性寫進你的採購與合規流程，現在就是上船的時刻。

想深入討論 Marin 對你團隊的落地策略、開源模型整合方案，或想知道怎麼把「開放過程」變成你的競爭優勢？來跟我們聊聊。

👉 立即預約 AI 落地策略諮詢

📚 延伸閱讀與真實來源

• Marin 官方開放實驗室——實時訓練狀態與公開文件
• 吳恩達（Andrew Ng）於 X 的公開背書原文
• 36Kr 英文版：535B 開放大模型三個月直播訓練報導
• Aoyii：Marin 535B 開放訓練深度分析
• Julin AI：Marin 535B-A23B 開放訓練啟動公告
• Houdao：斯坦福公開訓練 535B Marin 模型報導