Thánh cốc của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, việc huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên lớn nhất và có mức độ kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận với việc gọi nhẹ nhàng, quá trình huấn luyện cần đầu tư sức mạnh tính toán lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ các thuật toán tối ưu hóa cường độ cao, thực sự là "ngành công nghiệp nặng" trong việc xây dựng hệ thống AI. Xét từ góc độ kiến trúc, phương pháp huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện Phi tập trung mà bài viết này sẽ tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong một cụm hiệu suất cao tại chỗ, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này giúp hiệu quả chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chống lỗi đạt tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, có ưu điểm hiệu suất cao, tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Đào tạo phân tán là phương thức chính trong việc đào tạo mô hình lớn hiện nay, cốt lõi của nó là phân tách nhiệm vụ đào tạo mô hình, sau đó phân phối đến nhiều máy để thực hiện đồng thời, nhằm vượt qua các rào cản về tính toán và lưu trữ trên một máy. Mặc dù về mặt vật lý có đặc điểm "phân tán", nhưng tổng thể vẫn được kiểm soát, điều phối và đồng bộ bởi các tổ chức tập trung, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus kết nối tốc độ cao NVLink, do nút chính phối hợp các nhiệm vụ con một cách thống nhất. Các phương pháp chính bao gồm:
Dữ liệu song song: mỗi nút đào tạo các tham số dữ liệu khác nhau chia sẻ, cần khớp với trọng số mô hình.
Mô hình song song: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ.
Ống dẫn song song: Thực hiện tuần tự theo từng giai đoạn, nâng cao thông lượng
Phân tán tensor: Phân chia mịn các phép toán ma trận, nâng cao độ phân giải song song
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như việc một ông chủ điều hành từ xa nhiều nhân viên ở các "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn phổ biến đều được hoàn thành huấn luyện theo cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai với tính mở hơn và khả năng chống kiểm duyệt. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy lẫn nhau hợp tác hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua các giao thức điều khiển việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:
Khó khăn trong việc phân tách và đồng bộ thiết bị: Khó khăn trong việc phối hợp thiết bị khác nhau, hiệu quả phân tách nhiệm vụ thấp
Nút thắt hiệu suất truyền thông: Giao tiếp mạng không ổn định, nút thắt đồng bộ độ dốc rõ rệt
Thiếu thực thi đáng tin cậy: Thiếu môi trường thực thi đáng tin cậy, khó xác minh xem nút có thực sự tham gia tính toán hay không.
Thiếu sự phối hợp thống nhất: không có bộ điều phối trung ương, việc phân phối nhiệm vụ và cơ chế quay lại bất thường phức tạp
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, an ninh mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng việc có thể "phối hợp hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang, như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ dữ liệu cục bộ và tập trung tổng hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến sự tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của huấn luyện phân tán và khả năng hợp tác cục bộ, đồng thời có lợi thế phân tán dữ liệu của huấn luyện Phi tập trung, nhưng vẫn phụ thuộc vào các bên phối hợp đáng tin cậy và không có đặc tính hoàn toàn mở và chống kiểm duyệt. Nó có thể được coi là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với các nhiệm vụ huấn luyện, cấu trúc niềm tin và cơ chế giao tiếp tương đối ôn hòa, thích hợp hơn cho việc triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Từ góc độ phương pháp huấn luyện, Phi tập trung huấn luyện không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên cực cao hoặc độ khó trong hợp tác, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút khác nhau, phi tín nhiệm. Ví dụ, huấn luyện mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, khó khăn trong việc chia sẻ và đồng bộ hóa hiệu quả trong mạng mở; các nhiệm vụ bị giới hạn bởi quyền riêng tư dữ liệu và các hạn chế chủ quyền do các quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ mở; trong khi các nhiệm vụ thiếu động lực hợp tác thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những hạn chế thực tế hiện tại của Phi tập trung huấn luyện.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai lầm. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ dàng song song và có thể kích thích, đào tạo phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, nhiệm vụ đào tạo sau hành vi căn chỉnh, nhiệm vụ đào tạo và gán nhãn dữ liệu theo hình thức crowdsourcing, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác có sự tham gia của các thiết bị biên. Những nhiệm vụ này thường có đặc điểm tính song song cao, liên kết thấp và khả năng dung thứ cho sức mạnh tính toán dị hình, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, và các phương pháp khác.
Phi tập trung đào tạo dự án kinh điển phân tích
Hiện nay, trong lĩnh vực đào tạo Phi tập trung và học tập liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá nguyên bản trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi Gensyn và Flock.io có lộ trình thực hiện tương đối rõ ràng, đã có thể nhìn thấy tiến triển kỹ thuật ban đầu. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI Phi tập trung.
Prime Intellect: Người tiên phong trong mạng lưới hợp tác học tăng cường có thể xác minh được quá trình đào tạo
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, cho phép bất kỳ ai tham gia đào tạo và nhận phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect mong muốn thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI Phi tập trung có tính khả thi, mở và đầy đủ cơ chế khuyến khích.
01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính
02、Giải thích chi tiết về cơ chế huấn luyện Prime Intellect
#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường phi tuyến tính bất đồng bộ
PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó áp dụng học tăng cường như đối tượng ưu tiên thích ứng, tách rời cấu trúc quá trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành chu kỳ nhiệm vụ độc lập tại địa phương, và phối hợp với cơ chế xác thực và tổng hợp qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều phối trung tâm, vừa làm giảm độ phức tạp của hệ thống, vừa tạo nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ
TOPLOC là cơ chế cốt lõi có thể xác minh được mà Prime Intellect đưa ra, dùng để xác định xem một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các phương án nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà hoàn thành việc xác minh cấu trúc nhẹ nhàng thông qua phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát↔cập nhật chiến lược". Đây là lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành đối tượng có thể xác minh, là đổi mới then chốt để thực hiện phân phối phần thưởng đào tạo không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền bá trọng số bất đồng bộ
SHARDCAST là giao thức phát tán và tổng hợp trọng số được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực với tính bất đồng bộ, băng thông hạn chế và trạng thái nút biến đổi. Nó kết hợp cơ chế phát tán gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi trong đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và quá trình đào tạo lặp đi lặp lại.
#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo được đề xuất bởi DeepMind, được thiết kế đặc biệt để đối phó với các thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên dữ liệu song song, thông qua việc xây dựng các cấu trúc hình học thưa như Ring, Expander, Small-World, tránh chi phí giao tiếp cao do đồng bộ toàn cầu, chỉ dựa vào các nút hàng xóm cục bộ để hoàn thành việc đào tạo mô hình hợp tác. Kết hợp với cập nhật không đồng bộ và cơ chế khôi phục điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL là thư viện truyền thông nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết những điểm nghẽn trong việc thích ứng của thư viện truyền thông truyền thống trên các thiết bị khác nhau và mạng có băng thông thấp. PCCL hỗ trợ cấu trúc thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể hoạt động trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng truyền thông bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu băng thông và tính tương thích của các thiết bị trong mạng đào tạo, mở ra "kilomet cuối cùng" cho cơ sở hạ tầng truyền thông cần thiết để xây dựng một mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
03、Prime Intellect kích thích mạng lưới và phân công vai trò
Prime Intellect xây dựng một mạng lưới huấn luyện không cần sự cho phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào các nhiệm vụ và nhận được phần thưởng dựa trên đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Người khởi động nhiệm vụ: định nghĩa môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác thực
Node đào tạo: thực hiện đào tạo cục bộ, gửi cập nhật trọng số và quan sát quỹ đạo
Node xác thực: Sử dụng cơ chế TOPLOC để xác thực tính xác thực của hành vi đào tạo và tham gia vào việc tính toán phần thưởng cũng như tổng hợp chiến lược.
Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực".
04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung có thể xác minh đầu tiên
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được huấn luyện thông qua sự hợp tác của các nút phi tập trung, không cần tin cậy. Quy mô tham số đạt 32B. Mô hình INTELLECT-2 được huấn luyện bởi hơn 100 nút GPU đồng cấu trên ba châu lục, sử dụng kiến trúc hoàn toàn không đồng bộ, thời gian huấn luyện vượt quá 400 giờ, thể hiện tính khả thi và ổn định của mạng hợp tác không đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là lần đầu tiên thực hiện hệ thống hóa mô hình "huấn luyện chính là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu việc mạng huấn luyện phi tập trung lần đầu tiên thực hiện quá trình huấn luyện một cách minh bạch, có khả năng xác thực và vòng khép kín kinh tế.
Về hiệu suất, INTELLECT-2 dựa trên QwQ-32B được đào tạo và thực hiện đào tạo RL chuyên biệt về mã và toán học, nằm trong nhóm hàng đầu của các mô hình tinh chỉnh RL mã nguồn mở hiện tại.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
22 thích
Phần thưởng
22
5
Chia sẻ
Bình luận
0/400
PerennialLeek
· 07-14 06:17
Học giỏi thì hói đầu
Xem bản gốcTrả lời0
MeaninglessGwei
· 07-13 20:05
又可以Phiếu giảm giá了嘛
Xem bản gốcTrả lời0
SerNgmi
· 07-13 20:05
Hơi vô lý, vẫn còn đang đẩy khái niệm.
Xem bản gốcTrả lời0
BearMarketSurvivor
· 07-13 19:55
Nếu muốn luyện đan thì hãy chơi học liên bang
Xem bản gốcTrả lời0
BearMarketBard
· 07-13 19:48
Làm thế nào để đào tạo nhiều bẫy khung? Cơ chế khuyến khích được xác định như thế nào?
Phi tập trung AI đào tạo của con đường thánh tích: từ khám phá công nghệ đến thực tiễn áp dụng
Thánh cốc của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, việc huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên lớn nhất và có mức độ kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận với việc gọi nhẹ nhàng, quá trình huấn luyện cần đầu tư sức mạnh tính toán lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ các thuật toán tối ưu hóa cường độ cao, thực sự là "ngành công nghiệp nặng" trong việc xây dựng hệ thống AI. Xét từ góc độ kiến trúc, phương pháp huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện Phi tập trung mà bài viết này sẽ tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong một cụm hiệu suất cao tại chỗ, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này giúp hiệu quả chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chống lỗi đạt tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, có ưu điểm hiệu suất cao, tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Đào tạo phân tán là phương thức chính trong việc đào tạo mô hình lớn hiện nay, cốt lõi của nó là phân tách nhiệm vụ đào tạo mô hình, sau đó phân phối đến nhiều máy để thực hiện đồng thời, nhằm vượt qua các rào cản về tính toán và lưu trữ trên một máy. Mặc dù về mặt vật lý có đặc điểm "phân tán", nhưng tổng thể vẫn được kiểm soát, điều phối và đồng bộ bởi các tổ chức tập trung, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus kết nối tốc độ cao NVLink, do nút chính phối hợp các nhiệm vụ con một cách thống nhất. Các phương pháp chính bao gồm:
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như việc một ông chủ điều hành từ xa nhiều nhân viên ở các "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn phổ biến đều được hoàn thành huấn luyện theo cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai với tính mở hơn và khả năng chống kiểm duyệt. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy lẫn nhau hợp tác hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua các giao thức điều khiển việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, an ninh mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng việc có thể "phối hợp hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang, như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ dữ liệu cục bộ và tập trung tổng hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến sự tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của huấn luyện phân tán và khả năng hợp tác cục bộ, đồng thời có lợi thế phân tán dữ liệu của huấn luyện Phi tập trung, nhưng vẫn phụ thuộc vào các bên phối hợp đáng tin cậy và không có đặc tính hoàn toàn mở và chống kiểm duyệt. Nó có thể được coi là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với các nhiệm vụ huấn luyện, cấu trúc niềm tin và cơ chế giao tiếp tương đối ôn hòa, thích hợp hơn cho việc triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Từ góc độ phương pháp huấn luyện, Phi tập trung huấn luyện không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên cực cao hoặc độ khó trong hợp tác, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút khác nhau, phi tín nhiệm. Ví dụ, huấn luyện mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, khó khăn trong việc chia sẻ và đồng bộ hóa hiệu quả trong mạng mở; các nhiệm vụ bị giới hạn bởi quyền riêng tư dữ liệu và các hạn chế chủ quyền do các quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ mở; trong khi các nhiệm vụ thiếu động lực hợp tác thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những hạn chế thực tế hiện tại của Phi tập trung huấn luyện.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai lầm. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ dàng song song và có thể kích thích, đào tạo phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, nhiệm vụ đào tạo sau hành vi căn chỉnh, nhiệm vụ đào tạo và gán nhãn dữ liệu theo hình thức crowdsourcing, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác có sự tham gia của các thiết bị biên. Những nhiệm vụ này thường có đặc điểm tính song song cao, liên kết thấp và khả năng dung thứ cho sức mạnh tính toán dị hình, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, và các phương pháp khác.
Phi tập trung đào tạo dự án kinh điển phân tích
Hiện nay, trong lĩnh vực đào tạo Phi tập trung và học tập liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá nguyên bản trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi Gensyn và Flock.io có lộ trình thực hiện tương đối rõ ràng, đã có thể nhìn thấy tiến triển kỹ thuật ban đầu. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI Phi tập trung.
Prime Intellect: Người tiên phong trong mạng lưới hợp tác học tăng cường có thể xác minh được quá trình đào tạo
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, cho phép bất kỳ ai tham gia đào tạo và nhận phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect mong muốn thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI Phi tập trung có tính khả thi, mở và đầy đủ cơ chế khuyến khích.
01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính
02、Giải thích chi tiết về cơ chế huấn luyện Prime Intellect
#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường phi tuyến tính bất đồng bộ
PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó áp dụng học tăng cường như đối tượng ưu tiên thích ứng, tách rời cấu trúc quá trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành chu kỳ nhiệm vụ độc lập tại địa phương, và phối hợp với cơ chế xác thực và tổng hợp qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều phối trung tâm, vừa làm giảm độ phức tạp của hệ thống, vừa tạo nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ
TOPLOC là cơ chế cốt lõi có thể xác minh được mà Prime Intellect đưa ra, dùng để xác định xem một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các phương án nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà hoàn thành việc xác minh cấu trúc nhẹ nhàng thông qua phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát↔cập nhật chiến lược". Đây là lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành đối tượng có thể xác minh, là đổi mới then chốt để thực hiện phân phối phần thưởng đào tạo không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền bá trọng số bất đồng bộ
SHARDCAST là giao thức phát tán và tổng hợp trọng số được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực với tính bất đồng bộ, băng thông hạn chế và trạng thái nút biến đổi. Nó kết hợp cơ chế phát tán gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi trong đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và quá trình đào tạo lặp đi lặp lại.
#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo được đề xuất bởi DeepMind, được thiết kế đặc biệt để đối phó với các thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên dữ liệu song song, thông qua việc xây dựng các cấu trúc hình học thưa như Ring, Expander, Small-World, tránh chi phí giao tiếp cao do đồng bộ toàn cầu, chỉ dựa vào các nút hàng xóm cục bộ để hoàn thành việc đào tạo mô hình hợp tác. Kết hợp với cập nhật không đồng bộ và cơ chế khôi phục điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL là thư viện truyền thông nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết những điểm nghẽn trong việc thích ứng của thư viện truyền thông truyền thống trên các thiết bị khác nhau và mạng có băng thông thấp. PCCL hỗ trợ cấu trúc thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể hoạt động trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng truyền thông bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu băng thông và tính tương thích của các thiết bị trong mạng đào tạo, mở ra "kilomet cuối cùng" cho cơ sở hạ tầng truyền thông cần thiết để xây dựng một mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
03、Prime Intellect kích thích mạng lưới và phân công vai trò
Prime Intellect xây dựng một mạng lưới huấn luyện không cần sự cho phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào các nhiệm vụ và nhận được phần thưởng dựa trên đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực".
04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung có thể xác minh đầu tiên
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được huấn luyện thông qua sự hợp tác của các nút phi tập trung, không cần tin cậy. Quy mô tham số đạt 32B. Mô hình INTELLECT-2 được huấn luyện bởi hơn 100 nút GPU đồng cấu trên ba châu lục, sử dụng kiến trúc hoàn toàn không đồng bộ, thời gian huấn luyện vượt quá 400 giờ, thể hiện tính khả thi và ổn định của mạng hợp tác không đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là lần đầu tiên thực hiện hệ thống hóa mô hình "huấn luyện chính là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu việc mạng huấn luyện phi tập trung lần đầu tiên thực hiện quá trình huấn luyện một cách minh bạch, có khả năng xác thực và vòng khép kín kinh tế.
Về hiệu suất, INTELLECT-2 dựa trên QwQ-32B được đào tạo và thực hiện đào tạo RL chuyên biệt về mã và toán học, nằm trong nhóm hàng đầu của các mô hình tinh chỉnh RL mã nguồn mở hiện tại.