O Santo Graal da Crypto AI: Exploração na Fronteira 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, decidindo 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 requer um investimento contínuo de grande escala em poder computacional, 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 arquitetural, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento em descentralização que será discutido neste 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. Esta arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas alcance o seu melhor, sendo muito adequada para o treinamento de modelos em larga escala como GPT, Gemini, entre outros. Possui vantagens de alta eficiência e recursos controláveis, mas também apresenta problemas como 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 que executam em conjunto, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" em termos físicos, o conjunto ainda é controlado e agendado por instituições centralizadas, frequentemente operando em ambientes de rede local de alta velocidade, utilizando a tecnologia de barramento NVLink para interconexão de alta velocidade, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina parâmetros de dados diferentes, compartilhando pesos do modelo, que precisam ser compatíveis.
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução seriada em fases, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada de cálculos matriciais, aumentando a granularidade da paralelização
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar uma tarefa. Atualmente, quase todos os grandes modelos populares são treinados dessa forma.
Descentralização do 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 tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição e colaboração de tarefas, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade de heterogeneidade e fragmentação de dispositivos: a coordenação de dispositivos heterogêneos é difícil e a eficiência de fragmentação de tarefas é baixa
Gargalo na eficiência da comunicação: comunicação de rede instável, gargalo de sincronização de gradientes evidente
Falta de execução confiável: falta de um ambiente de execução confiável, difícil de verificar 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
A formação descentralizada pode ser entendida como: um grupo de voluntários de todo o mundo, cada um contribuindo com poder computacional para treinar o modelo de forma colaborativa, mas a "verdadeira formação descentralizada em larga escala viável" continua a ser um desafio de engenharia sistemática, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros vários níveis. No entanto, a questão de saber se é possível "colaborar de forma eficaz + incentivar a honestidade + garantir resultados corretos" ainda está na fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que detém as vantagens da dispersão de dados do treinamento Descentralização, mas ainda depende de um coordenador confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em tarefas de treinamento, estruturas de confiança e mecanismos de comunicação, mais adequado 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 naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória, baixa latência e largura de banda rápida, sendo difícil dividir e sincronizar de forma eficaz em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania estão limitadas pela 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 reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso problema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, o treinamento descentralizado mostra uma perspectiva de aplicação clara. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, treinamento e rotulagem de dados crowdsourced, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e tolerância à capacidade de computação heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolo Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássicos projeto análise
Atualmente, nos campos de treinamento descentralizado e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram várias explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas atualmente; enquanto Gensyn e Flock.io têm um caminho de implementação relativamente claro, já sendo possível observar progressos iniciais em engenharia. Este artigo irá analisar, um por um, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e explorar 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 treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA descentralizado 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 do mecanismo 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, projetada especificamente para redes heterogêneas e participação assíncrona. Ela utiliza o 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 ciclos de tarefas de forma independente em locais e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com processos tradicionais 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 múltiplas tarefas em paralelo e evolução de estratégias.
TOPLOC:Mecanismo de validação de comportamento de treinamento 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 do modelo completo, mas sim, através da análise da trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia", realiza a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem confiança, proporcionando um caminho viável para a construção de uma rede de treinamento colaborativa descentralizada, auditável e incentivada.
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 submetam continuamente 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 sincronizados, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento Descentralização, sendo a base central para a construção de um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, com base no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós em treinamentos de Descentralização. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, dependendo apenas de nós vizinhos locais para realizar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais 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 descentralizados, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. 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 o componente de base que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade do dispositivo da rede de treinamento, 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
Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo de incentivos econômicos, 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, modelo inicial, função de recompensa e padrão de validação
Nós de treino: executar treino local, submeter actualizações de pesos e trajectórias de observação
Nódulos de verificação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias
O fluxo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e 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 por reforço do mundo treinado por nós 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 uma duração 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 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 do treinamento em uma rede descentralizada.
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
17 Curtidas
Recompensa
17
9
Compartilhar
Comentário
0/400
GasFeeCrying
· 07-09 05:26
Que indústria pesada ainda não está empilhando placas gráficas?
Ver originalResponder0
WagmiWarrior
· 07-08 05:48
Isso é o pow em versão AI, certo?
Ver originalResponder0
MEVSandwichVictim
· 07-07 10:38
Outra especulação de conceito, qual é a utilidade?
Ver originalResponder0
TradFiRefugee
· 07-06 14:34
Está maluco?
Ver originalResponder0
DefiSecurityGuard
· 07-06 14:33
bandeira vermelha: formação centralizada = ponto único de falha. smh com esses riscos de segurança...
Descentralização de exploração de ponta em treinamento de IA: da centralização às inovações do Prime Intellect
O Santo Graal da Crypto AI: Exploração na Fronteira 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, decidindo 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 requer um investimento contínuo de grande escala em poder computacional, 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 arquitetural, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento em descentralização que será discutido neste 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. Esta arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas alcance o seu melhor, sendo muito adequada para o treinamento de modelos em larga escala como GPT, Gemini, entre outros. Possui vantagens de alta eficiência e recursos controláveis, mas também apresenta problemas como 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 que executam em conjunto, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" em termos físicos, o conjunto ainda é controlado e agendado por instituições centralizadas, frequentemente operando em ambientes de rede local de alta velocidade, utilizando a tecnologia de barramento NVLink para interconexão de alta velocidade, 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 mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar uma tarefa. Atualmente, quase todos os grandes modelos populares são treinados dessa forma.
Descentralização do 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 tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição e colaboração de tarefas, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
A formação descentralizada pode ser entendida como: um grupo de voluntários de todo o mundo, cada um contribuindo com poder computacional para treinar o modelo de forma colaborativa, mas a "verdadeira formação descentralizada em larga escala viável" continua a ser um desafio de engenharia sistemática, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros vários níveis. No entanto, a questão de saber se é possível "colaborar de forma eficaz + incentivar a honestidade + garantir resultados corretos" ainda está na fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que detém as vantagens da dispersão de dados do treinamento Descentralização, mas ainda depende de um coordenador confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em tarefas de treinamento, estruturas de confiança e mecanismos de comunicação, mais adequado 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 naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória, baixa latência e largura de banda rápida, sendo difícil dividir e sincronizar de forma eficaz em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania estão limitadas pela 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 reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso problema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, o treinamento descentralizado mostra uma perspectiva de aplicação clara. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, treinamento e rotulagem de dados crowdsourced, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e tolerância à capacidade de computação heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolo Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássicos projeto análise
Atualmente, nos campos de treinamento descentralizado e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram várias explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas atualmente; enquanto Gensyn e Flock.io têm um caminho de implementação relativamente claro, já sendo possível observar progressos iniciais em engenharia. Este artigo irá analisar, um por um, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e explorar 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 treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA descentralizado 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 do mecanismo 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, projetada especificamente para redes heterogêneas e participação assíncrona. Ela utiliza o 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 ciclos de tarefas de forma independente em locais e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com processos tradicionais 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 múltiplas tarefas em paralelo e evolução de estratégias.
TOPLOC:Mecanismo de validação de comportamento de treinamento 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 do modelo completo, mas sim, através da análise da trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia", realiza a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem confiança, proporcionando um caminho viável para a construção de uma rede de treinamento colaborativa descentralizada, auditável e incentivada.
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 submetam continuamente 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 sincronizados, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento Descentralização, sendo a base central para a construção de um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, com base no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós em treinamentos de Descentralização. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, dependendo apenas de nós vizinhos locais para realizar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais 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 descentralizados, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. 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 o componente de base que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade do dispositivo da rede de treinamento, 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
Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo de incentivos econômicos, 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, treinamento de nós, validação de trajetórias, agregação de pesos e 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 por reforço do mundo treinado por nós 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 uma duração 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 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 do treinamento em uma rede descentralizada.