Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et qui présente le plus haut seuil technologique, déterminant directement la limite de capacité des modèles et l'efficacité des applications réelles. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, représentant le véritable "heavy industry" de la construction des systèmes d'IA. D'un point de vue des paradigmes architecturaux, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le principal sujet de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule entité au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de planification de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, avec des avantages en matière d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risques de point unique.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuels. Son principe fondamental est de décomposer les tâches d'entraînement du modèle, puis de les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est néanmoins contrôlé et synchronisé par des institutions centralisées, fonctionnant souvent dans un environnement de réseau local à haute vitesse, et coordonné par le nœud principal à l'aide de la technologie de bus d'interconnexion à haute vitesse NVLink. Les méthodes principales comprennent :
Parallélisme des données : chaque nœud entraîne des paramètres de données différents en partageant les poids du modèle, nécessitant une correspondance.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité ;
Pipelines parallèles : exécution en série par étapes, augmentation du débit ;
Parallélisme des tenseurs : segmentation fine des calculs matriciels, amélioration de la granularité du parallélisme.
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparant un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement de tâches. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance ( peuvent être des ordinateurs domestiques, des GPU dans le cloud ou des dispositifs en périphérie ) qui collaborent pour accomplir des tâches de formation sans coordinateur central, généralement en distribuant et en collaborant sur les tâches via des protocoles, et en utilisant des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
Difficulté d'hétérogénéité et de découpage des appareils : haute difficulté de coordination des appareils hétérogènes, faible efficacité de découpage des tâches ;
Goulot d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation des gradients évident;
Exécution fiable manquante : absence d'un environnement d'exécution fiable, rendant difficile la vérification de la participation réelle des nœuds au calcul ;
Manque de coordination unifiée : pas de régulateur central, distribution des tâches et mécanismes de retour en arrière complexes.
La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier contribuant chacun à la puissance de calcul pour entraîner un modèle de manière collaborative. Cependant, la "vraie formation décentralisée à grande échelle" reste un défi systémique d'ingénierie, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, etc. Toutefois, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + produire des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle. Il est adapté aux scénarios axés sur la conformité à la vie privée, tels que la santé et la finance (. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé. Cependant, il dépend toujours d'une entité de coordination fiable et ne possède pas de caractéristiques entièrement ouvertes et anti-censure. On peut le considérer comme une solution "Décentralisation contrôlée" dans des scénarios conformes à la vie privée, relativement modérée en termes de tâches d'entraînement, de structures de confiance et de mécanismes de communication, et plus adaptée en tant qu'architecture de déploiement transitoire dans l'industrie.
) Tableau comparatif panoramique des paradigmes d'entraînement AI### Architecture technique × Incitation à la confiance × Caractéristiques d'application(
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée])https://img-cdn.gateio.im/webp-social/moments-a03035c30dc3b5258366773e1ab0e495.webp(
) Décentralisation des limites, opportunités et chemins réels de l'entraînement
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, il est naturellement inadapté de réaliser efficacement ces tâches entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent de la haute mémoire vidéo, de la faible latence et de la bande passante élevée, ce qui rend difficile une découpe et une synchronisation efficaces dans un réseau ouvert ; les tâches ayant des restrictions fortes sur la confidentialité des données et la souveraineté, telles que ### en médecine, en finance ou des données sensibles (, sont limitées par des contraintes légales et éthiques, ne pouvant donc pas être partagées ouvertement ; et les tâches manquant de motivation de collaboration, telles que ) l'entraînement de modèles propriétaires d'entreprise ou de prototypes internes (, manquent d'incitation à la participation externe. Ces frontières constituent ensemble les limites réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est une fausse proposition. En fait, dans des types de tâches légers en structure, faciles à paralléliser et incitants, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches post-formation de type alignement comportemental ) telles que RLHF, DPO (, l'entraînement et l'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlés en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
)# Aperçu de l'adaptabilité des tâches d'entraînement à la Décentralisation
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée]###https://img-cdn.gateio.im/webp-social/moments-f0af7b28242215cca3784f0547830879.webp(
) Analyse des projets classiques d'entraînement à la Décentralisation
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en matière d'architecture système et de conception d'algorithmes, représentant les directions de pointe de la recherche théorique actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et on peut déjà observer des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système de formation AI décentralisé.
Prime Intellect : Pion des réseaux de coopération d'apprentissage renforcé vérifiables par les trajectoires d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution de calcul. Prime Intellect souhaite, à travers les trois modules PRIME-RL + TOPLOC + SHARDCAST, créer un système d'entraînement d'IA décentralisé avec vérifiabilité, ouverture et mécanismes d'incitation complets.
Un, structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée]###https://img-cdn.gateio.im/webp-social/moments-3a83d085e7a7abfe72221958419cd6d8.webp(
Deux, explication détaillée des mécanismes clés de l'entraînement de Prime Intellect
PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement les processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement et de collaborer via des interfaces standardisées avec les mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la réalisation d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et posant les bases pour prendre en charge le parallélisme des tâches multiples et l'évolution des stratégies.
TOPLOC: Mécanisme léger de vérification des comportements d'entraînement
TOPLOC)Observation de confiance et vérification de la localité( est un mécanisme central de vérifiabilité de l'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de politique efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul de l'ensemble du modèle, mais analyse la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de la politique" pour réaliser une validation de structure allégée. Il transforme pour la première fois les trajectoires comportementales du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'entraînement sans confiance, offrant une voie réalisable pour construire un réseau d'entraînement collaboratif décentralisé, audit-able et incitatif.
SHARDCAST: Protocole d'agrégation et de propagation de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine un mécanisme de propagation gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant ainsi une convergence progressive des poids et une évolution multiversion. Par rapport aux méthodes AllReduce centralisées ou synchrones, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base essentielle pour établir un consensus stable sur les poids et une itération d'entraînement continue.
OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication indépendant et open source réalisé par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, spécialement conçu pour relever les défis courants tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques rares telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et ne dépendant que des nœuds voisins locaux pour effectuer l'entraînement collaboratif du modèle. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux appareils périphériques de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial. C'est l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
PCCL: bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles ) telles que NCCL, Gloo( dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradients, la synchronisation à faible précision et la reprise après sinistre, et peut fonctionner sur des GPU grand public et des nœuds instables, étant le composant sous-jacent soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante du réseau d'entraînement et la compatibilité des dispositifs, ouvrant la "dernière étape" de l'infrastructure de communication pour construire un réseau d'entraînement collaboratif véritablement ouvert et sans confiance.
Trois, le réseau d'incitation Prime Intellect et la répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses basées sur des contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
Nœud d'entraînement : exécuter un entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation.
Nœud de validation : Utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central de l'accord comprend la publication de tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids )SHARDCAST( et la distribution des récompenses, formant un cercle d'incitation autour du "comportement d'entraînement réel".
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la coopération décentralisée])https://img-cdn.gateio.im/webp-social/moments-45f26de57a53ac937af683e629dbb804.webp(
Quatre, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le tout premier modèle au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
13 J'aime
Récompense
13
7
Partager
Commentaire
0/400
MEVHunterNoLoss
· 07-08 16:28
C'est ça l'avenir de l'IA, entraînement décentralisé yyds
Voir l'originalRépondre0
MetaverseLandlord
· 07-06 22:14
Machine virtuelle court vers la Décentralisation ? Quel blague.
Voir l'originalRépondre0
ApeEscapeArtist
· 07-06 22:13
Je me sens comme un alchimiste de matériel qui reste chez lui.
Voir l'originalRépondre0
CrossChainBreather
· 07-06 22:12
L'avenir est déjà là, regardez danser.
Voir l'originalRépondre0
CommunityJanitor
· 07-06 22:11
Alors, l'entraînement intensif est aussi si important !
Voir l'originalRépondre0
BlockchainArchaeologist
· 07-06 21:55
Ne fais pas tant de choses sophistiquées, l'essentiel est que l'IA doit maintenant être décentralisée.
Voir l'originalRépondre0
TrustlessMaximalist
· 07-06 21:49
Un autre exemple de décentralisation. Je ne comprends vraiment pas ce qu'il y a de bien dans la centralisation.
Évolution des paradigmes d'entraînement de l'IA : de la centralisation à la Décentralisation des changements technologiques
Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et qui présente le plus haut seuil technologique, déterminant directement la limite de capacité des modèles et l'efficacité des applications réelles. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, représentant le véritable "heavy industry" de la construction des systèmes d'IA. D'un point de vue des paradigmes architecturaux, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le principal sujet de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule entité au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de planification de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, avec des avantages en matière d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risques de point unique.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuels. Son principe fondamental est de décomposer les tâches d'entraînement du modèle, puis de les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est néanmoins contrôlé et synchronisé par des institutions centralisées, fonctionnant souvent dans un environnement de réseau local à haute vitesse, et coordonné par le nœud principal à l'aide de la technologie de bus d'interconnexion à haute vitesse NVLink. Les méthodes principales comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparant un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement de tâches. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance ( peuvent être des ordinateurs domestiques, des GPU dans le cloud ou des dispositifs en périphérie ) qui collaborent pour accomplir des tâches de formation sans coordinateur central, généralement en distribuant et en collaborant sur les tâches via des protocoles, et en utilisant des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier contribuant chacun à la puissance de calcul pour entraîner un modèle de manière collaborative. Cependant, la "vraie formation décentralisée à grande échelle" reste un défi systémique d'ingénierie, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, etc. Toutefois, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + produire des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle. Il est adapté aux scénarios axés sur la conformité à la vie privée, tels que la santé et la finance (. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé. Cependant, il dépend toujours d'une entité de coordination fiable et ne possède pas de caractéristiques entièrement ouvertes et anti-censure. On peut le considérer comme une solution "Décentralisation contrôlée" dans des scénarios conformes à la vie privée, relativement modérée en termes de tâches d'entraînement, de structures de confiance et de mécanismes de communication, et plus adaptée en tant qu'architecture de déploiement transitoire dans l'industrie.
) Tableau comparatif panoramique des paradigmes d'entraînement AI### Architecture technique × Incitation à la confiance × Caractéristiques d'application(
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée])https://img-cdn.gateio.im/webp-social/moments-a03035c30dc3b5258366773e1ab0e495.webp(
) Décentralisation des limites, opportunités et chemins réels de l'entraînement
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, il est naturellement inadapté de réaliser efficacement ces tâches entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent de la haute mémoire vidéo, de la faible latence et de la bande passante élevée, ce qui rend difficile une découpe et une synchronisation efficaces dans un réseau ouvert ; les tâches ayant des restrictions fortes sur la confidentialité des données et la souveraineté, telles que ### en médecine, en finance ou des données sensibles (, sont limitées par des contraintes légales et éthiques, ne pouvant donc pas être partagées ouvertement ; et les tâches manquant de motivation de collaboration, telles que ) l'entraînement de modèles propriétaires d'entreprise ou de prototypes internes (, manquent d'incitation à la participation externe. Ces frontières constituent ensemble les limites réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est une fausse proposition. En fait, dans des types de tâches légers en structure, faciles à paralléliser et incitants, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches post-formation de type alignement comportemental ) telles que RLHF, DPO (, l'entraînement et l'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlés en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
)# Aperçu de l'adaptabilité des tâches d'entraînement à la Décentralisation
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée]###https://img-cdn.gateio.im/webp-social/moments-f0af7b28242215cca3784f0547830879.webp(
) Analyse des projets classiques d'entraînement à la Décentralisation
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en matière d'architecture système et de conception d'algorithmes, représentant les directions de pointe de la recherche théorique actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et on peut déjà observer des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système de formation AI décentralisé.
Prime Intellect : Pion des réseaux de coopération d'apprentissage renforcé vérifiables par les trajectoires d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution de calcul. Prime Intellect souhaite, à travers les trois modules PRIME-RL + TOPLOC + SHARDCAST, créer un système d'entraînement d'IA décentralisé avec vérifiabilité, ouverture et mécanismes d'incitation complets.
Un, structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée]###https://img-cdn.gateio.im/webp-social/moments-3a83d085e7a7abfe72221958419cd6d8.webp(
Deux, explication détaillée des mécanismes clés de l'entraînement de Prime Intellect
PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement les processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement et de collaborer via des interfaces standardisées avec les mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la réalisation d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et posant les bases pour prendre en charge le parallélisme des tâches multiples et l'évolution des stratégies.
TOPLOC: Mécanisme léger de vérification des comportements d'entraînement
TOPLOC)Observation de confiance et vérification de la localité( est un mécanisme central de vérifiabilité de l'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de politique efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul de l'ensemble du modèle, mais analyse la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de la politique" pour réaliser une validation de structure allégée. Il transforme pour la première fois les trajectoires comportementales du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'entraînement sans confiance, offrant une voie réalisable pour construire un réseau d'entraînement collaboratif décentralisé, audit-able et incitatif.
SHARDCAST: Protocole d'agrégation et de propagation de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine un mécanisme de propagation gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant ainsi une convergence progressive des poids et une évolution multiversion. Par rapport aux méthodes AllReduce centralisées ou synchrones, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base essentielle pour établir un consensus stable sur les poids et une itération d'entraînement continue.
OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication indépendant et open source réalisé par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, spécialement conçu pour relever les défis courants tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques rares telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et ne dépendant que des nœuds voisins locaux pour effectuer l'entraînement collaboratif du modèle. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux appareils périphériques de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial. C'est l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
PCCL: bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles ) telles que NCCL, Gloo( dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradients, la synchronisation à faible précision et la reprise après sinistre, et peut fonctionner sur des GPU grand public et des nœuds instables, étant le composant sous-jacent soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante du réseau d'entraînement et la compatibilité des dispositifs, ouvrant la "dernière étape" de l'infrastructure de communication pour construire un réseau d'entraînement collaboratif véritablement ouvert et sans confiance.
Trois, le réseau d'incitation Prime Intellect et la répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses basées sur des contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Le processus central de l'accord comprend la publication de tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids )SHARDCAST( et la distribution des récompenses, formant un cercle d'incitation autour du "comportement d'entraînement réel".
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la coopération décentralisée])https://img-cdn.gateio.im/webp-social/moments-45f26de57a53ac937af683e629dbb804.webp(
Quatre, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le tout premier modèle au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance.