O Santo Graal do Crypto AI: Exploração de Vanguarda do Treinamento Descentralizado
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve na fase de inferência, o processo de treinamento exige um investimento contínuo de poder computacional em larga escala, processos complexos de tratamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser classificados em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o 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 local de alto desempenho, concluindo todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados 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 grandes modelos como GPT e Gemini, com vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo apresenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a abordagem principal para o treinamento de grandes modelos atualmente. Seu núcleo consiste em dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em colaboração, a fim de superar os limites de computação e armazenamento de uma única máquina. Apesar de possuir características "distribuídas" em termos físicos, o todo ainda é controlado e sincronizado por uma entidade centralizada, geralmente funcionando 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 parâmetros de dados diferentes, compartilhando pesos de modelo, que precisam ser correspondidos.
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução em série faseada, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada do cálculo de matrizes, aumentando a granularidade do paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um único chefe que comanda remotamente a colaboração de vários funcionários de "escritórios" para concluir uma tarefa. Atualmente, quase todos os principais grandes modelos são treinados dessa forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Suas características principais são: múltiplos nós que não confiam uns nos outros colaboram na realização de tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e a colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade de heterogeneidade e segmentação de dispositivos: alta dificuldade de coordenação de dispositivos heterogêneos, baixa eficiência na segmentação de tarefas
Gargalo de 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 programador central, a distribuição de tarefas e o mecanismo de reversão de exceções são complexos
Descentralização treinamento pode ser entendido como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em colaboração, mas "a verdadeira viabilidade do treinamento descentralizado em larga escala" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros aspectos, mas a capacidade de "colaborar efetivamente + incentivar a honestidade + obter resultados corretos" ainda está em fase de exploração de protótipos iniciais.
A aprendizagem federada, como uma forma de transição entre a distribuição e a Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequada para cenários que enfatizam 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 mantém a vantagem da dispersão de dados do treinamento descentralizado, mas ainda depende de um coordenador confiável, não possuindo características de total abertura e resistência 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, mais adequada 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 de recursos ou à dificuldade de colaboração, não é natural que seja concluída de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda rápida, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com restrições fortes de privacidade de dados e soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de incentivos à colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais do atual treinamento descentralizado.
Mas isso não significa que a Descentralização do treinamento seja um falso enunciado. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento demonstra uma perspectiva clara de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento de comportamento ( como RLHF, DPO ), tarefas de treinamento e anotação com crowdsourcing de dados, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características que toleram potência computacional heterogênea, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos e outros métodos.
Atualmente, na vanguarda da formação descentralizada e do 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, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já é possível observar os primeiros progressos em engenharia. Este artigo analisará sequencialmente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorará ainda mais suas diferenças e relações complementares no sistema de treinamento de IA descentralizado.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treinamento verificáveis
A Prime Intellect está empenhada em construir uma rede de treino de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis pela sua contribuição computacional. A Prime Intellect espera, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treino de IA com descentralização que possua verificabilidade, abertura e um mecanismo de incentivos completo.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
02, Detalhes sobre os mecanismos-chave de treinamento 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 de treinamento, projetada especificamente para redes heterogêneas e participantes assíncronos. Ele utiliza aprendizado por reforço como o 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 tarefas independentemente em sua localização, e colabore por meio de interfaces padronizadas com mecanismos de validação e agregação. Em comparação com o fluxo tradicional de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar a paralelização de múltiplas tarefas e a evolução de estratégias.
#TOPLOC:Mecanismo de validação de comportamento de treinamento leve
TOPLOC é um mecanismo central de verificabilidade de treino proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz baseado em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo total do modelo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação da estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treino em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treino sem confiança, fornecendo um caminho viável para a construção de uma rede de treino colaborativo descentralizado 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, com largura de banda limitada e estados de nós variáveis. Ele combina mecanismos de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento descentralizado, sendo a base fundamental para construir um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida e open-source pela equipe Prime Intellect, baseada na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar os desafios comuns no treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação de sincronização global, dependendo apenas de nós vizinhos locais para concluir o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de nível consumidor e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para construir uma rede de treinamento descentralizada.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve projetada pela Prime Intellect para um ambiente de treinamento de IA descentralizado, visando 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 gradiente, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental que apoia a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade de dispositivos da rede de treinamento, abrindo caminho para a comunicação da "última milha" na construção de uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.
03、Prime Intellect incentivos de rede e divisão de papéis
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 treino: executar treino local, submeter atualizações de peso e observar trajetória
Nós de validação: usar o mecanismo TOPLOC para verificar a veracidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias.
O processo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos (SHARDCAST) e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
04, INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado por reforço do mundo treinado por nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado de forma colaborativa por mais de 100 nós heterogêneos de GPU espalhados por três continentes, usando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de redes de colaboração assíncronas. Este modelo não é apenas um avanço em termos de desempenho, mas também a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo fundamentais como PRIME-RL, TOPLOC e SHARDCAST, marcando a formação da Descentralização.
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.
16 gostos
Recompensa
16
7
Partilhar
Comentar
0/400
mev_me_maybe
· 4h atrás
Treinamento verdadeiro é caro e lento, quem pode aguentar?
Ver originalResponder0
WhaleWatcher
· 4h atrás
Sem reforma das taxas de embarque, como pode haver Descentralização?
Ver originalResponder0
MissedAirdropBro
· 4h atrás
Vou construir uma grande quantidade de Equipamento de mineração para enriquecer.
Ver originalResponder0
WagmiWarrior
· 4h atrás
Este sabor está perfeito.
Ver originalResponder0
SellTheBounce
· 4h atrás
Ai, mais uma oportunidade de capital em busca de lucro, não há diferença essencial em comparação com o ciclo anterior.
Ver originalResponder0
CommunitySlacker
· 4h atrás
Título: "Exploração do Treinamento de IA Descentralizada: Prime Intellect e Pluralis na Vanguarda"
Isso está certo?? Treinamento centralizado mata a lentidão
Descentralização AI treinamento exploração: Prime Intellect e Pluralis lideram a vanguarda
O Santo Graal do Crypto AI: Exploração de Vanguarda do Treinamento Descentralizado
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve na fase de inferência, o processo de treinamento exige um investimento contínuo de poder computacional em larga escala, processos complexos de tratamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser classificados em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o 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 local de alto desempenho, concluindo todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados 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 grandes modelos como GPT e Gemini, com vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo apresenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a abordagem principal para o treinamento de grandes modelos atualmente. Seu núcleo consiste em dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em colaboração, a fim de superar os limites de computação e armazenamento de uma única máquina. Apesar de possuir características "distribuídas" em termos físicos, o todo ainda é controlado e sincronizado por uma entidade centralizada, geralmente funcionando 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", semelhante a um único chefe que comanda remotamente a colaboração de vários funcionários de "escritórios" para concluir uma tarefa. Atualmente, quase todos os principais grandes modelos são treinados dessa forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Suas características principais são: múltiplos nós que não confiam uns nos outros colaboram na realização de tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e a colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização treinamento pode ser entendido como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em colaboração, mas "a verdadeira viabilidade do treinamento descentralizado em larga escala" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros aspectos, mas a capacidade de "colaborar efetivamente + incentivar a honestidade + obter resultados corretos" ainda está em fase de exploração de protótipos iniciais.
A aprendizagem federada, como uma forma de transição entre a distribuição e a Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequada para cenários que enfatizam 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 mantém a vantagem da dispersão de dados do treinamento descentralizado, mas ainda depende de um coordenador confiável, não possuindo características de total abertura e resistência 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, mais adequada 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 de recursos ou à dificuldade de colaboração, não é natural que seja concluída de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda rápida, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com restrições fortes de privacidade de dados e soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de incentivos à colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais do atual treinamento descentralizado.
Mas isso não significa que a Descentralização do treinamento seja um falso enunciado. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento demonstra uma perspectiva clara de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento de comportamento ( como RLHF, DPO ), tarefas de treinamento e anotação com crowdsourcing de dados, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características que toleram potência computacional heterogênea, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos e outros métodos.
Descentralização treinamento clássicos projetos análise
Atualmente, na vanguarda da formação descentralizada e do 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, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já é possível observar os primeiros progressos em engenharia. Este artigo analisará sequencialmente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorará ainda mais suas diferenças e relações complementares no sistema de treinamento de IA descentralizado.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treinamento verificáveis
A Prime Intellect está empenhada em construir uma rede de treino de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis pela sua contribuição computacional. A Prime Intellect espera, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treino de IA com descentralização que possua verificabilidade, abertura e um mecanismo de incentivos completo.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
02, Detalhes sobre os mecanismos-chave de treinamento 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 de treinamento, projetada especificamente para redes heterogêneas e participantes assíncronos. Ele utiliza aprendizado por reforço como o 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 tarefas independentemente em sua localização, e colabore por meio de interfaces padronizadas com mecanismos de validação e agregação. Em comparação com o fluxo tradicional de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar a paralelização de múltiplas tarefas e a evolução de estratégias.
#TOPLOC:Mecanismo de validação de comportamento de treinamento leve
TOPLOC é um mecanismo central de verificabilidade de treino proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz baseado em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo total do modelo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação da estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treino em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treino sem confiança, fornecendo um caminho viável para a construção de uma rede de treino colaborativo descentralizado 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, com largura de banda limitada e estados de nós variáveis. Ele combina mecanismos de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento descentralizado, sendo a base fundamental para construir um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida e open-source pela equipe Prime Intellect, baseada na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar os desafios comuns no treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação de sincronização global, dependendo apenas de nós vizinhos locais para concluir o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de nível consumidor e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para construir uma rede de treinamento descentralizada.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve projetada pela Prime Intellect para um ambiente de treinamento de IA descentralizado, visando 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 gradiente, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental que apoia a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade de dispositivos da rede de treinamento, abrindo caminho para a comunicação da "última milha" na construção de uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.
03、Prime Intellect incentivos de rede e divisão de papéis
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 processo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos (SHARDCAST) e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
04, INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado por reforço do mundo treinado por nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado de forma colaborativa por mais de 100 nós heterogêneos de GPU espalhados por três continentes, usando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de redes de colaboração assíncronas. Este modelo não é apenas um avanço em termos de desempenho, mas também a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo fundamentais como PRIME-RL, TOPLOC e SHARDCAST, marcando a formação da Descentralização.
Isso está certo?? Treinamento centralizado mata a lentidão