El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran escala en potencia de cálculo, un complejo proceso de manejo de datos y un fuerte soporte de algoritmos de optimización, siendo la verdadera "industria pesada" de la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden dividir en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, donde una única institución completa todo el proceso de entrenamiento en un clúster local de alto rendimiento. Desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, son coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y la eficiencia de los mecanismos de tolerancia a fallos alcancen su mejor rendimiento, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables. Sin embargo, también presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es el enfoque principal para el entrenamiento de modelos grandes en la actualidad. Su núcleo consiste en descomponer las tareas de entrenamiento del modelo y distribuirlas a múltiples máquinas para su ejecución colaborativa, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una única máquina. A pesar de que físicamente presenta características de "distribución", en general sigue siendo controlado y coordinado por instituciones centralizadas, operando a menudo en entornos de red local de alta velocidad, mediante la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina unificado las subtareas. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos compartiendo parámetros, se requiere que coincidan los pesos del modelo
Paralelismo de modelo: desplegar diferentes partes del modelo en diferentes nodos para lograr una fuerte escalabilidad
Paralelismo de tuberías: ejecución en serie por etapas, mejora de la tasa de transferencia
Paralelismo de tensores: segmentación refinada de cálculos matriciales, mejorando la granularidad de la paralelización
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análoga a un mismo jefe que dirige de forma remota la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los modelos grandes más importantes se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su característica central radica en: múltiples nodos que no se confían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades en la heterogeneidad y segmentación de dispositivos: alta dificultad para coordinar dispositivos heterogéneos, baja eficiencia en la segmentación de tareas.
Cuello de botella en la eficiencia de comunicación: la comunicación de red es inestable y el cuello de botella en la sincronización de gradientes es evidente.
Ejecución confiable ausente: falta de un entorno de ejecución confiable, difícil de verificar si los nodos realmente participan en el cálculo.
Falta de coordinación unificada: sin un despachador central, la distribución de tareas y el mecanismo de retroceso de excepciones son complejos.
La Descentralización del entrenamiento se puede entender como: un grupo de voluntarios de todo el mundo, cada uno contribuyendo con poder de cómputo para entrenar el modelo de manera colaborativa, pero "el verdadero entrenamiento descentralizado a gran escala que es factible" sigue siendo un desafío ingenieril sistémico, que involucra la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, verificación de modelos y otros múltiples niveles, pero la capacidad de "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en la etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan el cumplimiento de la privacidad. El aprendizaje federado tiene una estructura de ingeniería de entrenamiento distribuido y capacidad de colaboración local, al mismo tiempo que cuenta con las ventajas de la dispersión de datos del entrenamiento descentralizado, pero aún depende de partes coordinadoras de confianza, no posee características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de privacidad, siendo relativamente moderado en términos de tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, siendo más adecuado como una arquitectura de despliegue transicional en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria de video, baja latencia y ancho de banda alto, lo que dificulta la segmentación y sincronización efectivas en redes abiertas; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por el cumplimiento legal y restricciones éticas, lo que impide su apertura y compartición; mientras que las tareas que carecen de incentivos de colaboración carecen de motivación externa para la participación. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado en la actualidad.
Pero esto no significa que el entrenamiento de Descentralización sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden incentivarse, el entrenamiento de Descentralización muestra perspectivas claras de aplicación. Incluyendo, pero no limitado a: ajuste fino LoRA, tareas de entrenamiento posterior de alineación de comportamiento, tareas de entrenamiento y etiquetado mediante crowdsourcing de datos, entrenamiento de modelos base pequeños controlados por recursos, así como escenarios de entrenamiento colaborativo con la participación de dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamientos y tolerancia a capacidades de computación heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Actualmente, en el campo de vanguardia de la Descentralización de entrenamiento y aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones de frontera de la investigación teórica actual; mientras que Gensyn y Flock.io tienen rutas de implementación relativamente claras, ya se pueden ver avances iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y la arquitectura ingenieril detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
Prime Intellect: pionero de redes colaborativas de aprendizaje reforzado verificables por trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por su contribución computacional. Prime Intellect espera construir un sistema de entrenamiento de IA con Descentralización, verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
02, Detalle del mecanismo clave de entrenamiento de Prime Intellect
#PRIME-RL: Arquitectura de tareas de aprendizaje reforzado asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritario, desacoplando estructuralmente el proceso de entrenamiento, inferencia y carga de pesos, de modo que cada nodo de entrenamiento puede completar el ciclo de tareas de forma independiente en local y colaborar a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en entornos sin programación central, reduciendo tanto la complejidad del sistema como sentando las bases para soportar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es el mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo del modelo completo, sino que completa la verificación de estructura ligera analizando la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo que representa una innovación clave para lograr una distribución de recompensas de entrenamiento sin necesidad de confianza, brindando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable y que incentive.
#SHARDCAST: Protocolo de agregación y propagación de peso asíncrono
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asincrónicos, con limitaciones de ancho de banda y estados de nodos variables. Combina mecanismos de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando la convergencia progresiva de pesos y la evolución de múltiples versiones. En comparación con los métodos centralizados o sincronizados de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento Descentralización, siendo la base fundamental para construir un consenso de pesos estable y iteraciones de entrenamiento continuo.
#OpenDiLoCo: Marco de comunicación asíncrono disperso
OpenDiLoCo es un marco de optimización de comunicación desarrollado de manera independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto de DiLoCo propuesto por DeepMind. Está diseñado específicamente para abordar los desafíos comunes en el entrenamiento descentralizado, como el ancho de banda limitado, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo topologías dispersas como Ring, Expander y Small-World, evitando así el alto costo de comunicación de la sincronización global, y solo depende de los nodos vecinos locales para completar el entrenamiento colaborativo del modelo. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPU de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la capacidad de participación en el entrenamiento colaborativo global, y es una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizadas.
#PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA descentralizados, con el objetivo de resolver el cuello de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja capacidad. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede funcionar en GPU de consumo y nodos inestables, siendo un componente fundamental que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad de dispositivos, facilitando la construcción de una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza, superando la "última milla" de la infraestructura de comunicación.
03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permiso, verificable y con un mecanismo de incentivos económicos, permitiendo que cualquier persona participe en tareas y reciba recompensas basadas en contribuciones reales. El protocolo opera basado en tres tipos de roles centrales:
Iniciador de la tarea: definir el entorno de entrenamiento, el modelo inicial, la función de recompensa y los criterios de validación
Nodo de entrenamiento: ejecutar entrenamiento local, enviar actualizaciones de pesos y trayectorias de observación
Nodos de validación: utilizar el mecanismo TOPLOC para verificar la autenticidad del comportamiento de entrenamiento y participar en el cálculo de recompensas y la agregación de estrategias.
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un bucle de incentivos en torno a "comportamientos de entrenamiento reales".
04、INTELLECT-2: Publicación del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, el primer gran modelo de aprendizaje reforzado del mundo entrenado por nodos descentralizados asíncronos y sin confianza, con un tamaño de parámetros de 32B. El modelo INTELLECT-2 fue entrenado de manera colaborativa por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con una duración de entrenamiento superior a 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en términos de rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera realización de una red de entrenamiento descentralizada.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
9 me gusta
Recompensa
9
4
Republicar
Compartir
Comentar
0/400
PermabullPete
· hace18h
No es de extrañar que los expertos digan que la IA quema tarjetas gráficas
Ver originalesResponder0
BrokenDAO
· hace18h
Nuevamente se está promoviendo una narrativa falsa de idealización sobre la descentralización. Al final, la potencia computacional del entrenamiento aún depende de la concentración y asignación por parte de las instituciones. Los inversores minoristas no pueden participar.
Ver originalesResponder0
MeaninglessApe
· hace18h
La competencia en el entrenamiento es demasiado intensa, ya no quiero participar.
Ver originalesResponder0
BlockchainFries
· hace19h
¿Quién puede soportar esta potencia computacional?
Exploración del entrenamiento de IA Descentralización: Análisis de las tecnologías de vanguardia desde Prime Intellect hasta Pluralis
El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran escala en potencia de cálculo, un complejo proceso de manejo de datos y un fuerte soporte de algoritmos de optimización, siendo la verdadera "industria pesada" de la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden dividir en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, donde una única institución completa todo el proceso de entrenamiento en un clúster local de alto rendimiento. Desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, son coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y la eficiencia de los mecanismos de tolerancia a fallos alcancen su mejor rendimiento, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables. Sin embargo, también presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es el enfoque principal para el entrenamiento de modelos grandes en la actualidad. Su núcleo consiste en descomponer las tareas de entrenamiento del modelo y distribuirlas a múltiples máquinas para su ejecución colaborativa, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una única máquina. A pesar de que físicamente presenta características de "distribución", en general sigue siendo controlado y coordinado por instituciones centralizadas, operando a menudo en entornos de red local de alta velocidad, mediante la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina unificado las subtareas. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análoga a un mismo jefe que dirige de forma remota la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los modelos grandes más importantes se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su característica central radica en: múltiples nodos que no se confían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La Descentralización del entrenamiento se puede entender como: un grupo de voluntarios de todo el mundo, cada uno contribuyendo con poder de cómputo para entrenar el modelo de manera colaborativa, pero "el verdadero entrenamiento descentralizado a gran escala que es factible" sigue siendo un desafío ingenieril sistémico, que involucra la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, verificación de modelos y otros múltiples niveles, pero la capacidad de "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en la etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan el cumplimiento de la privacidad. El aprendizaje federado tiene una estructura de ingeniería de entrenamiento distribuido y capacidad de colaboración local, al mismo tiempo que cuenta con las ventajas de la dispersión de datos del entrenamiento descentralizado, pero aún depende de partes coordinadoras de confianza, no posee características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de privacidad, siendo relativamente moderado en términos de tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, siendo más adecuado como una arquitectura de despliegue transicional en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria de video, baja latencia y ancho de banda alto, lo que dificulta la segmentación y sincronización efectivas en redes abiertas; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por el cumplimiento legal y restricciones éticas, lo que impide su apertura y compartición; mientras que las tareas que carecen de incentivos de colaboración carecen de motivación externa para la participación. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado en la actualidad.
Pero esto no significa que el entrenamiento de Descentralización sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden incentivarse, el entrenamiento de Descentralización muestra perspectivas claras de aplicación. Incluyendo, pero no limitado a: ajuste fino LoRA, tareas de entrenamiento posterior de alineación de comportamiento, tareas de entrenamiento y etiquetado mediante crowdsourcing de datos, entrenamiento de modelos base pequeños controlados por recursos, así como escenarios de entrenamiento colaborativo con la participación de dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamientos y tolerancia a capacidades de computación heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Descentralización entrenamiento clásico proyecto análisis
Actualmente, en el campo de vanguardia de la Descentralización de entrenamiento y aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones de frontera de la investigación teórica actual; mientras que Gensyn y Flock.io tienen rutas de implementación relativamente claras, ya se pueden ver avances iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y la arquitectura ingenieril detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
Prime Intellect: pionero de redes colaborativas de aprendizaje reforzado verificables por trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por su contribución computacional. Prime Intellect espera construir un sistema de entrenamiento de IA con Descentralización, verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
02, Detalle del mecanismo clave de entrenamiento de Prime Intellect
#PRIME-RL: Arquitectura de tareas de aprendizaje reforzado asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritario, desacoplando estructuralmente el proceso de entrenamiento, inferencia y carga de pesos, de modo que cada nodo de entrenamiento puede completar el ciclo de tareas de forma independiente en local y colaborar a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en entornos sin programación central, reduciendo tanto la complejidad del sistema como sentando las bases para soportar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es el mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo del modelo completo, sino que completa la verificación de estructura ligera analizando la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo que representa una innovación clave para lograr una distribución de recompensas de entrenamiento sin necesidad de confianza, brindando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable y que incentive.
#SHARDCAST: Protocolo de agregación y propagación de peso asíncrono
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asincrónicos, con limitaciones de ancho de banda y estados de nodos variables. Combina mecanismos de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando la convergencia progresiva de pesos y la evolución de múltiples versiones. En comparación con los métodos centralizados o sincronizados de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento Descentralización, siendo la base fundamental para construir un consenso de pesos estable y iteraciones de entrenamiento continuo.
#OpenDiLoCo: Marco de comunicación asíncrono disperso
OpenDiLoCo es un marco de optimización de comunicación desarrollado de manera independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto de DiLoCo propuesto por DeepMind. Está diseñado específicamente para abordar los desafíos comunes en el entrenamiento descentralizado, como el ancho de banda limitado, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo topologías dispersas como Ring, Expander y Small-World, evitando así el alto costo de comunicación de la sincronización global, y solo depende de los nodos vecinos locales para completar el entrenamiento colaborativo del modelo. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPU de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la capacidad de participación en el entrenamiento colaborativo global, y es una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizadas.
#PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA descentralizados, con el objetivo de resolver el cuello de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja capacidad. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede funcionar en GPU de consumo y nodos inestables, siendo un componente fundamental que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad de dispositivos, facilitando la construcción de una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza, superando la "última milla" de la infraestructura de comunicación.
03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permiso, verificable y con un mecanismo de incentivos económicos, permitiendo que cualquier persona participe en tareas y reciba recompensas basadas en contribuciones reales. El protocolo opera basado en tres tipos de roles centrales:
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un bucle de incentivos en torno a "comportamientos de entrenamiento reales".
04、INTELLECT-2: Publicación del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, el primer gran modelo de aprendizaje reforzado del mundo entrenado por nodos descentralizados asíncronos y sin confianza, con un tamaño de parámetros de 32B. El modelo INTELLECT-2 fue entrenado de manera colaborativa por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con una duración de entrenamiento superior a 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en términos de rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera realización de una red de entrenamiento descentralizada.