O Santo Graal da Crypto AI: Exploração de Fronteira do Treinamento Descentralizado
Na cadeia de valor total da IA, o treinamento de modelos é a fase que consome mais recursos e apresenta a maior barreira tecnológica, determinando diretamente o limite de capacidade do modelo e a eficácia da aplicação prática. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, processos complexos de tratamento de dados e suporte a algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista dos paradigmas de arquitetura, as formas de treinamento podem ser divididas em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e treinamento descentralizado, que é o foco principal deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala, como GPT e Gemini, apresentando vantagens em eficiência e controle de recursos, mas também enfrentando problemas de monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a forma principal de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em um único computador. Embora possua características "distribuídas" em termos físicos, ainda é controlado e programado por uma entidade centralizada, geralmente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
Paralelismo de Dados: cada nó treina diferentes dados, parâmetros compartilhados, é necessário corresponder os pesos do modelo
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução em série por fases, aumentando a taxa de transferência
Paralelismo de Tensores: Segmentação refinada do cálculo de matrizes, melhorando a granularidade da paralelização
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos de grande escala são treinados desta forma.
Descentralização treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram para completar a tarefa de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldades na heterogeneidade e na segmentação de dispositivos: alta dificuldade de coordenação entre dispositivos heterogêneos, baixa eficiência na segmentação de tarefas
Gargalo na eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradiente evidente
Execução confiável ausente: falta de um ambiente de execução confiável, dificultando a verificação se os nós realmente participam do cálculo.
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de reversão de anomalias são complexos
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em colaboração, mas "o verdadeiro treinamento descentralizado em grande escala que é viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolo de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelo e vários outros aspectos, mas a questão se pode "colaborar efetivamente + incentivar a honestidade + garantir resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a preservação local dos dados e a agregação centralizada dos parâmetros do modelo, sendo adequada para cenários que priorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma entidade de coordenação confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais apropriada como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda por recursos ou à grande dificuldade de colaboração, não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e desconfiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar de forma eficaz em redes abertas; tarefas com forte privacidade de dados e restrições de soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações atuais da Descentralização do treinamento.
Mas isso não significa que o treinamento descentralizado seja um falso dilema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, o treinamento descentralizado mostra perspectivas claras de aplicação. Inclui, mas não se limita a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento de comportamento, tarefas de treinamento e anotação de dados por meio de crowdsourcing, treinamento de modelos de base pequenos com controle de recursos e cenários de treinamento colaborativo com participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características que toleram poder de computação heterogêneo, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, nos campos de ponta de treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação técnica e da dificuldade de implementação engenharia, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de ponta da pesquisa teórica atual; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já sendo possível observar progressos iniciais na engenharia. Este artigo irá analisar, um a um, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e discutir ainda mais suas diferenças e relações complementares no sistema de treinamento AI Descentralização.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treino verificáveis
A Prime Intellect está dedicada a construir uma rede de treinamento de IA que não requer confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivo completo, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST.
01, Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
02, Detalhes sobre os principais mecanismos de treino do Prime Intellect
#PRIME-RL: Arquitetura de Tarefas de Aprendizagem por Reforço Assíncrona Desacoplada
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especialmente para redes heterogêneas e participação assíncrona. Ela utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefa de forma independente em local, e colabore através de interfaces padronizadas com mecanismos de validação e agregação. Em comparação com o fluxo de aprendizado supervisionado tradicional, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treino leve
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo completo do modelo, mas sim da análise das trajetórias de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias comportamentais durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
#SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, têm largura de banda limitada e estados de nó variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e resiliência do treinamento Descentralização, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é um framework de otimização de comunicação desenvolvido e aberto pelo time Prime Intellect, com base no conceito DiLoCo proposto pela DeepMind, projetado especificamente para enfrentar desafios comuns em treinamentos descentralizados, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas de topologia esparsa como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, permitindo que o treinamento colaborativo do modelo seja realizado apenas com vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a participação na formação colaborativa global, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizadas.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para ambientes de treinamento de IA descentralizada, destinada a resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e em nós instáveis, sendo um componente de base que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade do dispositivo, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.
03, Rede de Incentivos Prime Intellect e Divisão de Funções
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
Iniciador da tarefa: definir o ambiente de treino, o modelo inicial, a função de recompensa e os critérios de validação
Nós de treinamento: executar treinamento local, submeter atualizações de pesos e trajeto de observação
Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treino e participar no cálculo de recompensas e na agregação de estratégias.
O fluxo central do protocolo inclui a publicação de tarefas, o treinamento de nós, a verificação de trajetórias, a agregação de pesos e a distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
04、INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por um conjunto de nós descentralizados assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo central como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura, verificação e ciclo de incentivo econômico do processo de treinamento em uma rede de treinamento descentralizada.
Em termos de desempenho, o INTELLECT-2 é baseado no QwQ-32B e passou por um treinamento RL especializado em código e matemática, estando na vanguarda dos modelos de ajuste fino RL de código aberto atuais.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
22 gostos
Recompensa
22
5
Partilhar
Comentar
0/400
PerennialLeek
· 07-14 06:17
Aprender bem deixa careca
Ver originalResponder0
MeaninglessGwei
· 07-13 20:05
又可以Cupões de Recorte了嘛
Ver originalResponder0
SerNgmi
· 07-13 20:05
Um pouco absurdo, ainda estão a especular sobre conceitos.
Ver originalResponder0
BearMarketSurvivor
· 07-13 19:55
Para fazer alquimia, jogue aprendizado federado.
Ver originalResponder0
BearMarketBard
· 07-13 19:48
Como configurar múltiplas armadilhas de treinamento? Como definir o mecanismo de incentivo?
O caminho do santo graal do treinamento de IA descentralizada: da exploração técnica à prática aplicada
O Santo Graal da Crypto AI: Exploração de Fronteira do Treinamento Descentralizado
Na cadeia de valor total da IA, o treinamento de modelos é a fase que consome mais recursos e apresenta a maior barreira tecnológica, determinando diretamente o limite de capacidade do modelo e a eficácia da aplicação prática. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, processos complexos de tratamento de dados e suporte a algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista dos paradigmas de arquitetura, as formas de treinamento podem ser divididas em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e treinamento descentralizado, que é o foco principal deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala, como GPT e Gemini, apresentando vantagens em eficiência e controle de recursos, mas também enfrentando problemas de monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a forma principal de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em um único computador. Embora possua características "distribuídas" em termos físicos, ainda é controlado e programado por uma entidade centralizada, geralmente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos de grande escala são treinados desta forma.
Descentralização treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram para completar a tarefa de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em colaboração, mas "o verdadeiro treinamento descentralizado em grande escala que é viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolo de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelo e vários outros aspectos, mas a questão se pode "colaborar efetivamente + incentivar a honestidade + garantir resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a preservação local dos dados e a agregação centralizada dos parâmetros do modelo, sendo adequada para cenários que priorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma entidade de coordenação confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais apropriada como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda por recursos ou à grande dificuldade de colaboração, não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e desconfiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar de forma eficaz em redes abertas; tarefas com forte privacidade de dados e restrições de soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações atuais da Descentralização do treinamento.
Mas isso não significa que o treinamento descentralizado seja um falso dilema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, o treinamento descentralizado mostra perspectivas claras de aplicação. Inclui, mas não se limita a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento de comportamento, tarefas de treinamento e anotação de dados por meio de crowdsourcing, treinamento de modelos de base pequenos com controle de recursos e cenários de treinamento colaborativo com participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características que toleram poder de computação heterogêneo, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, nos campos de ponta de treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação técnica e da dificuldade de implementação engenharia, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de ponta da pesquisa teórica atual; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já sendo possível observar progressos iniciais na engenharia. Este artigo irá analisar, um a um, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e discutir ainda mais suas diferenças e relações complementares no sistema de treinamento AI Descentralização.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treino verificáveis
A Prime Intellect está dedicada a construir uma rede de treinamento de IA que não requer confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivo completo, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST.
01, Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
02, Detalhes sobre os principais mecanismos de treino do Prime Intellect
#PRIME-RL: Arquitetura de Tarefas de Aprendizagem por Reforço Assíncrona Desacoplada
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especialmente para redes heterogêneas e participação assíncrona. Ela utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefa de forma independente em local, e colabore através de interfaces padronizadas com mecanismos de validação e agregação. Em comparação com o fluxo de aprendizado supervisionado tradicional, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treino leve
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo completo do modelo, mas sim da análise das trajetórias de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias comportamentais durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
#SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, têm largura de banda limitada e estados de nó variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e resiliência do treinamento Descentralização, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é um framework de otimização de comunicação desenvolvido e aberto pelo time Prime Intellect, com base no conceito DiLoCo proposto pela DeepMind, projetado especificamente para enfrentar desafios comuns em treinamentos descentralizados, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas de topologia esparsa como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, permitindo que o treinamento colaborativo do modelo seja realizado apenas com vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a participação na formação colaborativa global, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizadas.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para ambientes de treinamento de IA descentralizada, destinada a resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e em nós instáveis, sendo um componente de base que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade do dispositivo, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.
03, Rede de Incentivos Prime Intellect e Divisão de Funções
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
O fluxo central do protocolo inclui a publicação de tarefas, o treinamento de nós, a verificação de trajetórias, a agregação de pesos e a distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
04、INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por um conjunto de nós descentralizados assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo central como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura, verificação e ciclo de incentivo econômico do processo de treinamento em uma rede de treinamento descentralizada.
Em termos de desempenho, o INTELLECT-2 é baseado no QwQ-32B e passou por um treinamento RL especializado em código e matemática, estando na vanguarda dos modelos de ajuste fino RL de código aberto atuais.