Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et qui a la plus haute barrière technique, déterminant directement la limite de capacité des modèles et l'effet des applications pratiques. Par rapport 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, constituant 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 cette discussion.
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 matériels, des logiciels de base, du système de gestion de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de profonde collaboration permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui est très adapté à l'entraînement de modèles à grande échelle comme GPT et Gemini, offrant des avantages en termes de haute efficacité et de contrôle des ressources, mais présente également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risques de points uniques.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuellement. Son cœur consiste à décomposer les tâches d'entraînement du modèle, puis à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement de calcul et de stockage d'une machine unique. Bien qu'il présente physiquement des caractéristiques de "Décentralisation", l'ensemble est néanmoins contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion à haute vitesse NVLink, où le nœud principal coordonne les sous-tâches. Les méthodes principales incluent :
Parallélisme des données : chaque nœud entraîne des paramètres de données différents, partageant les poids du modèle, nécessitant une correspondance.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
Pipeline parallèle : exécution en série par étapes, amélioration du débit
Parallélisme de tenseurs : segmentation fine des calculs matriciels, amélioration de la granularité parallèle
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer et accomplir des 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 essentielles sont : plusieurs nœuds qui ne se font pas confiance collaborent pour accomplir des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour distribuer les tâches et collaborer, et en s'appuyant sur des mécanismes d'incitation cryptographiques pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
Hétérogénéité des appareils et difficulté de partitionnement : la coordination des appareils hétérogènes est difficile, l'efficacité de la partition des tâches est faible.
Bouteille de communication: la communication réseau est instable, le goulot d'étranglement de la synchronisation des gradients est évident
Exécution de confiance manquante : manque d'environnement d'exécution de confiance, difficile de vérifier si le nœud participe réellement au calcul.
Manque de coordination unifiée : pas de centralisateur, distribution des tâches et mécanisme de retour en arrière des exceptions complexe
L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "l'entraînement décentralisé à grande échelle réellement réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et plusieurs autres aspects. Cependant, la possibilité de "collaboration efficace + incitation à l'honnêteté + 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, et est adapté aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant de l'avantage de dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie coordonnatrice de confiance et ne possède pas de caractéristiques totalement ouvertes et anti-censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, étant relativement modéré en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, et convient mieux comme architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites, opportunités et voies réelles de l'entraînement
Du 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 des difficultés de collaboration, elle n'est naturellement pas adaptée à une réalisation efficace entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une haute mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la division et la synchronisation efficaces sur un réseau ouvert ; les tâches fortement limitées par la confidentialité des données et les restrictions de souveraineté sont soumises à des contraintes légales et éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant d'incitations à la collaboration manquent de motivation pour une participation externe. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un non-sens. En fait, dans les types de tâches légères en structure, facilement parallélisables et incitatives, l'entraînement décentralisé montre un potentiel d'application clair. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-alignment comportemental, l'entraînement et l'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs de 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 un entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté d'implémentation technique, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de recherche théorique à la pointe actuellement ; tandis que les chemins d'implémentation de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires peuvent déjà être observés. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le cadre d'un système de formation AI décentralisé.
Prime Intellect: Pionniers des réseaux collaboratifs d'apprentissage par renforcement vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions de calcul. Prime Intellect souhaite, grâce aux trois grands modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
02, Explication détaillée des mécanismes clés de l'entraînement de Prime Intellect
#PRIME-RL: Architecture de tâche de 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 des réseaux hétérogènes et des participants asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement le processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches en local, et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté pour réaliser un entraînement flexible dans des environnements sans ordonnancement central, réduisant ainsi la complexité du système et posant les bases pour le soutien de l'exécution parallèle de multiples tâches et de l'évolution des stratégies.
#TOPLOC:Mécanisme de vérification des comportements d'entraînement léger
TOPLOC est un mécanisme central de vérifiabilité d'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement appris une stratégie valide basée sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul de l'ensemble du modèle, mais achève la vérification de structure légère en analysant la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de la stratégie". 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, auditable et incitatif.
#SHARDCAST: Protocole de agrégation et de propagation des poids asynchrones
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 variables. Il combine un mécanisme de propagation par gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états de désynchronisation, réalisant une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore de manière significative l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour établir un consensus stable des poids et une itération continue de l'entraînement.
#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, conçu spécifiquement pour relever les défis courants dans l'entraînement décentralisé tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et permettant l'entraînement collaboratif du modèle uniquement en s'appuyant sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils de périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.
#PCCL: Bibliothèque de communication collaborative
PCCL 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 sur des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression des gradients, la synchronisation à faible précision et la reprise après panne, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base qui soutient la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau d'entraînement, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
03、Prime Intellect réseau d'incitation et 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 en fonction de 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 l'authenticité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, formant un cycle d'incitation autour du "comportement d'entraînement réel".
04、INTELLECT-2: Première publication d'un modèle d'entraînement décentralisé vérifiable.
Prime Intellect a lancé INTELLECT-2 en mai 2025, qui est le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une échelle de paramètres atteignant 32B. Le modèle INTELLECT-2 a été formé grâce à la collaboration de plus de 100 nœuds GPU hétérogènes répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant ainsi la faisabilité et la stabilité du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais c'est aussi la première mise en œuvre systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocoles clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation de l'ouverture, de la vérifiabilité et du cycle d'incitation économique dans le processus d'entraînement du réseau décentralisé.
En termes de performance, INTELLECT-2 est basé sur QwQ-32B et a effectué un entraînement RL spécialisé en code et en mathématiques, se positionnant ainsi en tête des modèles d'ajustement RL open source actuels.
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.
22 J'aime
Récompense
22
5
Partager
Commentaire
0/400
PerennialLeek
· 07-14 06:17
Bien apprendre peut rendre chauve.
Voir l'originalRépondre0
MeaninglessGwei
· 07-13 20:05
Encore une fois, on peut couper les coupons ?
Voir l'originalRépondre0
SerNgmi
· 07-13 20:05
C'est un peu absurde, ils sont encore en train de spéculer sur des concepts.
Voir l'originalRépondre0
BearMarketSurvivor
· 07-13 19:55
Pour alchimiser, jouez à l'apprentissage fédéré.
Voir l'originalRépondre0
BearMarketBard
· 07-13 19:48
Comment mettre en place plusieurs pièges d'entraînement ? Comment définir le mécanisme d'incitation ?
Le Saint Graal de l'entraînement AI décentralisé : de l'exploration technologique à la mise en pratique
Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et qui a la plus haute barrière technique, déterminant directement la limite de capacité des modèles et l'effet des applications pratiques. Par rapport 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, constituant 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 cette discussion.
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 matériels, des logiciels de base, du système de gestion de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de profonde collaboration permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui est très adapté à l'entraînement de modèles à grande échelle comme GPT et Gemini, offrant des avantages en termes de haute efficacité et de contrôle des ressources, mais présente également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risques de points uniques.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuellement. Son cœur consiste à décomposer les tâches d'entraînement du modèle, puis à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement de calcul et de stockage d'une machine unique. Bien qu'il présente physiquement des caractéristiques de "Décentralisation", l'ensemble est néanmoins contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion à haute vitesse NVLink, où le nœud principal coordonne les sous-tâches. Les méthodes principales incluent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer et accomplir des 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 essentielles sont : plusieurs nœuds qui ne se font pas confiance collaborent pour accomplir des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour distribuer les tâches et collaborer, et en s'appuyant sur des mécanismes d'incitation cryptographiques pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "l'entraînement décentralisé à grande échelle réellement réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et plusieurs autres aspects. Cependant, la possibilité de "collaboration efficace + incitation à l'honnêteté + 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, et est adapté aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant de l'avantage de dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie coordonnatrice de confiance et ne possède pas de caractéristiques totalement ouvertes et anti-censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, étant relativement modéré en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, et convient mieux comme architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites, opportunités et voies réelles de l'entraînement
Du 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 des difficultés de collaboration, elle n'est naturellement pas adaptée à une réalisation efficace entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une haute mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la division et la synchronisation efficaces sur un réseau ouvert ; les tâches fortement limitées par la confidentialité des données et les restrictions de souveraineté sont soumises à des contraintes légales et éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant d'incitations à la collaboration manquent de motivation pour une participation externe. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un non-sens. En fait, dans les types de tâches légères en structure, facilement parallélisables et incitatives, l'entraînement décentralisé montre un potentiel d'application clair. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-alignment comportemental, l'entraînement et l'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs de 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 un entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté d'implémentation technique, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de recherche théorique à la pointe actuellement ; tandis que les chemins d'implémentation de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires peuvent déjà être observés. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le cadre d'un système de formation AI décentralisé.
Prime Intellect: Pionniers des réseaux collaboratifs d'apprentissage par renforcement vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions de calcul. Prime Intellect souhaite, grâce aux trois grands modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
02, Explication détaillée des mécanismes clés de l'entraînement de Prime Intellect
#PRIME-RL: Architecture de tâche de 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 des réseaux hétérogènes et des participants asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement le processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches en local, et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté pour réaliser un entraînement flexible dans des environnements sans ordonnancement central, réduisant ainsi la complexité du système et posant les bases pour le soutien de l'exécution parallèle de multiples tâches et de l'évolution des stratégies.
#TOPLOC:Mécanisme de vérification des comportements d'entraînement léger
TOPLOC est un mécanisme central de vérifiabilité d'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement appris une stratégie valide basée sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul de l'ensemble du modèle, mais achève la vérification de structure légère en analysant la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de la stratégie". 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, auditable et incitatif.
#SHARDCAST: Protocole de agrégation et de propagation des poids asynchrones
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 variables. Il combine un mécanisme de propagation par gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états de désynchronisation, réalisant une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore de manière significative l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour établir un consensus stable des poids et une itération continue de l'entraînement.
#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, conçu spécifiquement pour relever les défis courants dans l'entraînement décentralisé tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et permettant l'entraînement collaboratif du modèle uniquement en s'appuyant sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils de périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.
#PCCL: Bibliothèque de communication collaborative
PCCL 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 sur des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression des gradients, la synchronisation à faible précision et la reprise après panne, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base qui soutient la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau d'entraînement, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
03、Prime Intellect réseau d'incitation et 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 en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, formant un cycle d'incitation autour du "comportement d'entraînement réel".
04、INTELLECT-2: Première publication d'un modèle d'entraînement décentralisé vérifiable.
Prime Intellect a lancé INTELLECT-2 en mai 2025, qui est le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une échelle de paramètres atteignant 32B. Le modèle INTELLECT-2 a été formé grâce à la collaboration de plus de 100 nœuds GPU hétérogènes répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant ainsi la faisabilité et la stabilité du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais c'est aussi la première mise en œuvre systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocoles clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation de l'ouverture, de la vérifiabilité et du cycle d'incitation économique dans le processus d'entraînement du réseau décentralisé.
En termes de performance, INTELLECT-2 est basé sur QwQ-32B et a effectué un entraînement RL spécialisé en code et en mathématiques, se positionnant ainsi en tête des modèles d'ajustement RL open source actuels.