Sự tiến hóa của mô hình đào tạo AI: từ kiểm soát tập trung đến cuộc cách mạng công nghệ hợp tác phi tập trung

Trong toàn bộ chuỗi giá trị của AI, đào tạo mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có ngưỡng kỹ thuật cao nhất, trực tiếp quyết định giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy diễn nhẹ nhàng hơn, quá trình đào tạo cần đầu tư tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, là "ngành công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ quan điểm mô hình kiến trúc, phương pháp đào tạo có thể chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và đào tạo Phi tập trung mà bài viết này sẽ tập trung thảo luận.

Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, do một tổ chức duy nhất thực hiện toàn bộ quy trình đào tạo trong cụm hiệu suất cao tại chỗ, từ phần cứng đến phần mềm cơ sở, hệ thống lên lịch cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chịu lỗi đạt hiệu quả tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với lợi thế hiệu suất cao và nguồn lực có thể kiểm soát, nhưng đồng thời cũng gặp phải 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 mô hình lớn hiện nay, cốt lõi của nó là phân chia nhiệm vụ huấn luyện mô hình và phân phối chúng đến nhiều máy tính để thực hiện hợp tác, nhằm vượt qua các nút thắt về tính toán và lưu trữ của máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được các cơ quan trung ương kiểm soát, điều phối và đồng bộ, 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 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 trọng số mô hình.
• Song song mô hình: 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 từng giai đoạn, tăng thông lượng;
• Phân đoạn tensor: phân chia tính toán ma trận một cách tinh vi, nâng cao độ mịn của 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 chỉ huy từ xa nhiều nhân viên "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn chính đều được huấn luyện theo cách này.

Phi tập trung đào tạo thì đại diện cho con đường tương lai có tính mở và khả năng 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 điều động phân phối và hợp tác nhiệm vụ, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của sự đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:

• Khó khăn trong thiết bị không đồng nhất và phân chia: Khó khăn trong việc phối hợp thiết bị không đồng nhất, hiệu quả phân chia nhiệm vụ thấp;
• Nút thắt hiệu suất truyền thông: Giao tiếp mạng không ổn định, nút thắt đồng bộ độ dốc rõ ràng;
• Thiếu thực thi tin cậy: Thiếu môi trường thực thi tin cậy, khó xác minh xem nút có thực sự tham gia tính toán hay không;
• Thiếu sự phối hợp đồng nhất: không có bộ điều phối trung tâm, việc phân phối nhiệm vụ và cơ chế quay lại bất thường phức tạp.

Phi tập trung huấn luyện có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác huấn luyện mô hình, nhưng "huấn luyện 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 thực mô hình và nhiều khía cạnh khác, nhưng việc 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 thái chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ dữ liệu tại chỗ, 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 đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời có lợi thế phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào bên điều phối đáng tin cậy, không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Có thể coi đây 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 tương đối ôn hòa, thích hợp hơn để triển khai tạm thời trong ngành công nghiệp.

Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế

Từ góc độ mô hình huấn luyện, 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 khó khăn trong hợp tác, nó tự nhiên không phù hợp để hoàn thành một cách hiệu quả giữa các nút không đồng nhất và không đáng tin cậy. Ví dụ, việc đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó có thể chia sẻ và đồng bộ hiệu quả trong mạng mở; nhiệm vụ có sự riêng tư và quyền chủ quyền dữ liệu mạnh bị hạn chế bởi tuân thủ pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu động lực hợp tác thì thiếu động lực tham gia bên ngoài. Những ranh giới này cùng nhau cấu thành những hạn chế thực tế của đào tạo phi tập trung hiện nay.

Nhưng điều này không có nghĩa là đào tạo phi tập trung là giả thuyết. 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, nhiệm vụ đào tạo sau hành vi đối齐, nhiệm vụ đào tạo và gán nhãn dữ liệu theo hình thức crowdsourcing, đào tạo mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, và các kịch bản đào tạo hợp tác với sự tham gia của thiết bị biên. Những nhiệm vụ này có đặc điểm chung là khả năng 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 và các phương thức khác.

Phi tập trung huấn luyện phân tích dự án kinh điển

Hiện tại, trong lĩnh vực tiên phong về đào tạo phi tập trung và học 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 trong việc hiện thực hóa kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết tiên tiến hiện nay; trong khi đó, con đường hiện thực hóa của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy được tiến bộ ban đầu trong việc kỹ thuật hóa. 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 mạng hợp tác học tăng cường có thể xác minh được lộ trình đào tạo

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 họ. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, sẽ xây dựng một hệ thống đào tạo AI Phi tập trung có tính khả thi, cởi mở và cơ chế khuyến khích đầy đủ.

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

Hai, Giải thích cơ chế chính của đào tạo Prime Intellect

PRIME-RL: Kiến trúc nhiệm vụ học tăng cường phi tập trung bất đồng bộ

PRIME-RL là khung mô hình và thực hiện nhiệm vụ được tùy chỉnh bởi Prime Intellect cho các kịch bản huấn luyện Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị biệt và sự tham gia bất đồng bộ. Nó sử dụng học tăng cường như đối tượng thích ứng ưu tiên, cấu trúc hóa tách biệt quá trình huấn luyện, suy diễn và tải trọng, cho phép mỗi nút huấn luyện thực hiện vòng lặp nhiệm vụ độc lập tại địa phương và phối hợp thông qua giao diện tiêu chuẩn hóa với cơ chế xác minh và tổng hợp. So với quy trình học có giám sát truyền thống, PRIME-RL thích hợp hơn để thực hiện huấn luyện linh hoạt trong môi trường không có lập lịch trung tâm, vừa giảm thiểu 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 thực hành vi đào tạo nhẹ

TOPLOC là cơ chế cốt lõi có thể xác minh quá trình đào tạo do Prime Intellect đề xuất, được sử dụng 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 giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích "chuỗi quan sát ↔ cập nhật chiến lược" để hoàn thành việc xác minh cấu trúc nhẹ nhàng. Nó lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành đối tượng có thể xác minh, là đổi mới quan trọng để thực hiện phân phối phần thưởng đào tạo không cần tin cậy, cung cấp con đường khả thi cho việc 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 tải trọng số bất đồng bộ

SHARDCAST là giao thức phát tán và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa cho môi trường mạng thực sự 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 dần dần của trọng số và sự tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST cải thiện đáng kể khả năng mở rộng và khả năng chịu lỗi của việc đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và tiếp tục huấn luyện lặp lại.

OpenDiLoCo: Khung giao tiếp bất đối xứng thưa thớt

OpenDiLoCo là một khung tối ưu hóa giao tiếp được đội ngũ Prime Intellect độc lập triển khai và mã nguồn mở dựa trên khái niệm DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để đối phó với những thách thức thường gặp trong đào tạo phi tập trung như giới hạn băng thông, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên phân tán dữ liệu, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí giao tiếp cao do đồng bộ toàn cầu, chỉ phụ thuộc vào các nút láng giềng cục bộ để hoàn thành đào tạo hợp tác mô hình. Kết hợp cập nhật bất đồng bộ và cơ chế phục hồi 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 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 giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI phi tập trung, nhằm giải quyết những vấn đề thích ứng của thư viện giao tiếp truyền thống trong các thiết bị dị biệt và mạng lưới băng thông thấp. PCCL hỗ trợ topo thưa, nén gradient, đồng bộ độ chính xác thấp và khôi phục từ điểm dừng, có thể chạy 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 đựng băng thông của mạng đào tạo và tính tương thích của thiết bị, mở ra "km cuối" cho cơ sở giao tiếp xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.

Ba, Mạng lưới khuyến khích Prime Intellect và phân công vai trò

Prime Intellect xây dựng một mạng lưới huấn luyện không cần cấp phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:

• Người khởi xướng nhiệm vụ: định nghĩa môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác minh
• Nút huấn luyện: Thực hiện huấn luyện địa phương, 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 đào tạo và tham gia tính toán phần thưởng cũng như tổng hợp chiến lược.

Quy trình cốt lõi của thỏa thuận bao gồm phát hành nhiệm vụ, đào tạo nút, xác thực quỹ đạo, tổng hợp trọng số và phát thưởng, tạo thành một vòng khép kín khuyến khích xoay quanh "hành vi đào tạo thực tế".

Bốn, 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 đào tạo thông qua sự hợp tác giữa 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 sự hợp tác đào tạo của hơn 100 nút GPU không đồng nhất trải rộng trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và tính ổn định của mạng hợp tác bất đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là lần đầu tiên mô hình "đào tạo là đồng thuận" mà Prime Intellect đề xuất được triển khai một cách có hệ thống. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu sự huấn luyện phi tập trung.