Chén thánh của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung

Trong toàn bộ chuỗi giá trị AI, việc huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với việc gọi nhẹ nhàng trong giai đoạn suy luận, quá trình huấn luyện cần có sự đầu tư tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ từ các thuật toán tối ưu hóa cường độ cao, là "ngành công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương thức 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 hoàn toàn bởi một tổ chức duy nhất trong cụm hiệu suất cao tại địa phương, 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 điều khiển thống nhất. Kiến trúc hợp tác sâu sắc này giúp hiệu quả chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi đạt tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với những ưu điểm như hiệu suất cao và 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.

Huấn luyện phân tán là phương thức chính trong việc huấn luyện các mô hình lớn hiện nay, cốt lõi của nó là phân tách nhiệm vụ huấn luyện mô hình và phân phối đến nhiều máy để thực hiện đồng thời, nhằm vượt qua các nút thắt về tính toán và lưu trữ trên một máy. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được các tổ chức trung tâm kiểm soát, điều phối và đồng bộ hóa, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, do nút chính đồng bộ hóa các nhiệm vụ con. Các phương pháp chính bao gồm:

• Dữ liệu song song: Mỗi nút huấn luyện các tham số dữ liệu khác nhau chia sẻ, cần khớp 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.
• Đường ống song song: Thực hiện tuần tự theo giai đoạn, tăng cường thông lượng
• Phân tán tensor: Chia nhỏ tinh vi tính 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 một ông chủ điều hành từ xa nhiều nhân viên "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện tại, hầu hết tất cả các mô hình lớn chính đều được hoàn thành đào tạo theo cách này.

Phi tập trung đào tạo thì đại diện cho con đường tương lai có tính mở và chống kiểm duyệt hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau phối hợp hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức để thúc đẩy việc phân phối và hợp tác nhiệm vụ, 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 đối mặt bao gồm:

• Khó khăn trong việc phân tách và đồng bộ hóa thiết bị: Khó khăn trong việc phối hợp thiết bị khác nhau, hiệu suất phân tách nhiệm vụ thấp
• Đột phá hiệu suất giao tiếp: Giao tiếp mạng không ổn định, rào cản đồng bộ độ dốc rõ ràng
• Thiếu khả năng 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 độ trung ương, phân phối nhiệm vụ, cơ chế hoàn tác lỗi 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 hợp tác 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 liệu có thể "hợp tác 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 tại địa phương và tập hợp các tham số mô hình một cách tập trung, phù hợp với các tình huống chú trọng đến tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của việc đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời cũng có ưu điểm phân tán của việc đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào bên phối hợp đáng tin cậy, không có đặc điểm 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 đào tạo, cấu trúc tin cậy và cơ chế giao tiếp đều tương đối nhẹ nhàng, thích hợp hơn làm kiến trúc 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 mô hình đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, yêu 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, không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, khó có thể phân chia và đồng bộ hiệu quả trong mạng mở; nhiệm vụ có hạn chế về quyền riêng tư dữ liệu và chủ quyền bị giới hạn bởi tuân thủ pháp lý và ràng buộc đạo đức, không thể chia sẻ mở; trong khi đó, nhiệm vụ thiếu động lực hợp tác cơ bản thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này tạo thành những hạn chế thực tế của đào tạo phi tập trung hiện tại.

Nhưng điều này không có nghĩa là đào tạo phi tập trung là một mệnh đề giả. Trên thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, đào tạo phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo sau căn chỉnh hành vi, nhiệm vụ đào tạo và gán nhãn dữ liệu crowdsourcing, đào tạo mô hình cơ bản nhỏ có thể kiểm soát nguồn lực, cũng như các tình huống huấn luyện hợp tác với sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, độ kết hợp thấp và khả năng chịu đựng sức mạnh tính toán dị biệt, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, v.v.

Phi tập trung đào tạo phân tích dự án kinh điển

Hiện nay, trong lĩnh vực tiên phong về đào tạo phi tập trung và học tập liên bang, các dự án blockchain tiêu biểu chủ yếu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đề xuất nhiều khám phá độc đáo 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 ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật phía sau năm dự án này, và sẽ thảo luận thêm về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.

Prime Intellect: Huấn luyện đường đi có thể xác minh được mạng hợp tác học tăng cường tiên phong

Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin cậy, cho phép bất kỳ ai cũng có thể tham gia đào tạo và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của mình. Prime Intellect hy vọng 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.

Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun quan trọng

Giải thích chi tiết về cơ chế đào tạo Prime Intellect

#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường không đồng bộ tách rời

PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các tình huống đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng ưu tiên thích ứng, cấu trúc tách biệt quy trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành vòng nhiệm vụ một cách độc lập tại địa phương, và phối hợp với cơ chế xác minh và tổng hợp thông qua giao diện 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 giảm độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.

#TOPLOC:Cơ chế xác minh hành vi huấn luyện nhẹ

TOPLOC là cơ chế cốt lõi có thể xác minh được do Prime Intellect đề xuất, 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 thông qua việc phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược" để hoàn thành xác minh cấu trúc nhẹ. Đây là lần đầu tiên quá trình hành vi trong học tập được chuyển đổi thành đối tượng có thể xác minh, là đổi mới chính để đạt được phân phối thưởng học tập không cần tin cậy, cung cấp con đường khả thi cho việc xây dựng mạng lưới hợp tác học tập phi tập trung có thể kiểm toán và có thể khuyến khích.

#SHARDCAST: Giao thức tổng hợp và truyền tải trọng số bất đồng bộ

SHARDCAST là giao thức phát tán và tập hợp trọng số được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực tế không đồng bộ, băng thông hạn chế và trạng thái nút thay 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 một phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần và tiến hóa nhiều 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 cho việc xây dựng sự đồng thuận trọng số ổn định và lặp đào tạo liên tục.

#OpenDiLoCo:Khung giao tiếp bất đồng bộ thưa thớt

OpenDiLoCo là một khung tối ưu hóa truyền thông được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, 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 sự phân bổ dữ liệu, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí truyền thông cao của đồng bộ toàn cầu, chỉ cần dựa vào các nút lân cận cục bộ để hoàn thành việc đào tạo mô hình hợp tác. Kết hợp cập nhật không đồng bộ và cơ chế khôi phục điểm dừng, OpenDiLoCo giúp 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 truyền thông quan trọng để xây dựng mạng lưới đào tạo phi tập trung.

#PCCL: Thư viện giao tiếp hợp tác

PCCL là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết những trở ngại trong việc thích ứng của thư viện giao tiếp truyền thống trên các thiết bị khác nhau và mạng lưới băng thông thấp. PCCL hỗ trợ topo thưa thớt, 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 giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó cải thiện đáng kể khả năng chịu băng thông và tính tương thích của thiết bị trong mạng lưới đào tạo, mở ra "km cuối cùng" trong cơ sở hạ tầng giao tiếp cho việc xây dựng mạng lưới đào tạo hợp tác thực sự mở và không cần tin cậy.

Mạng lưới khuyến khích Prime Intellect và phân công vai trò

Prime Intellect đã xây dựng một mạng lưới đào tạo không cần cấp 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 phần thưởng dựa trên những đóng góp thực sự. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:

• Người khởi xướng nhiệm vụ: xác định môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác thực
• Nút đào tạo: Thực hiện đào tạo cục bộ, gửi cập nhật trọng số và theo dõi quan sát
• Node xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi huấn luyện và tham gia vào việc tính toán phần thưởng và tổng hợp chiến lược.

Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, huấn luyện nút, xác minh quỹ đạo, tổng hợp trọng số và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi huấn luyện thực tế".

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 và bất đồng bộ, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành thông qua việc hợp tác huấn luyện của hơn 100 nút GPU đồng nhất trải dài trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, thời gian huấn luyện vượt quá 400 giờ, thể hiện tính khả thi và ổn định của mạng lưới hợp tác bất đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là lần đầu tiên hệ thống hóa quan điểm "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 lần đầu tiên mạng lưới huấn luyện phi tập trung đạt được sự mở hóa, tính xác minh và chu trình kích thích kinh tế trong quá trình huấn luyện.