Gradient周二宣布发布Echo-2，一款面向后期训练的新型分布式强化学习系统。该公司表示，Echo-2旨在降低训练先进人工智能模型所需的成本与基础设施门槛，并缓解对集中式算力资源的依赖。

Gradient指出，生成式人工智能早期发展主要依赖在大规模数据集上进行预训练，而下一阶段的能力提升更多依赖后期训练，即通过反复试错持续改进模型的强化学习过程。公司称，强化学习有助于模型在推理、规划与适应等方面提升表现，但通常也是开发流程中成本最高的环节之一，往往需要大型、高能耗的数据中心，使得相关训练对多数组织而言成本较高。

据Gradient介绍，Echo-2的设计思路是将强化学习工作负载从严格受控的集中式集群中解耦，允许其分布在不同类型的硬件上运行。公司援引早期基准测试结果称，与传统基于云的强化学习方法相比，Echo-2可将成本降低最高80%，并在推理与基于代理的任务上达到或超过相应性能表现。

Gradient联合创始人兼首席执行官Eric Yang在声明中表示，人工智能进步正越来越受制于基础设施成本，强化学习虽被视为推动智能能力提升的重要环节，但高昂的数据中心成本限制了其应用范围；Echo-2通过降低实验成本，使更多团队能够在无需获取超大规模云基础设施的情况下开展构建、测试与改进。

Gradient称，在政府与企业面临大型人工智能数据中心相关的电力供应、环境影响与数据控制等约束背景下，能够在不将庞大工作负载集中于单一地点的情况下训练与改进模型的重要性上升。公司表示，Echo-2等系统提供了替代路径，可在减轻集中式基础设施压力的同时支持持续迭代。

在产品与技术体系方面，Gradient表示，Echo-2建立在其分布式人工智能基础设施工作之上，并与此前发布的Parallax协同。Parallax用于支持大型人工智能模型跨多台机器运行，其底层由Lattica网络层提供分布式系统间的数据通信能力。公司称，这些系统共同目标是减少对集中计算的依赖，使模型能够利用分布式环境中的现有硬件进行训练、部署与改进。

Gradient还表示，公司正推进Echo-2产品化，将其作为更广泛分布式强化学习平台的一部分，并推出基于其分布式架构的“强化学习即服务”平台Logits，预计企业版将于2026年晚些时候推出。