Le Saint Graal de l'IA Crypto : Exploration à la pointe de l'entraînement décentralisé
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape la plus gourmande en ressources et la plus difficile sur le plan technique, déterminant directement la limite de capacité des modèles et l'efficacité des applications réelles. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement des données complexes et un soutien d'algorithmes d'optimisation intensifs, constituant ainsi le véritable "heavy industry" de la construction des systèmes d'IA. D'un point de vue de paradigme d'architecture, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de gestion de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, avec l'avantage d'une haute efficacité et d'une maîtrise des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'accès aux ressources, la consommation d'énergie et les risques de points uniques.
L'entraînement distribué est la méthode principale pour l'entraînement de grands modèles, son noyau consiste à décomposer les tâches d'entraînement du modèle et à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "décentralisées", l'ensemble est toujours contrôlé et synchronisé par des institutions centralisées, fonctionnant souvent dans des environnements de réseau local à haute vitesse, utilisant la technologie de bus interconnecté haute vitesse NVLink, avec le nœud principal coordonnant de manière unifiée les sous-tâches. Les méthodes principales comprennent :
Données parallèles : chaque nœud entraîne différents paramètres de données partagés, nécessitant une correspondance des poids du modèle.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité
Pipeline parallèle : exécution en série par étapes, augmentation du débit
Parallélisme de tenseurs : segmentation fine des calculs matriciels, amélioration de la granularité du parallélisme
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureaux" pour collaborer à l'accomplissement de tâches. Actuellement, presque tous les grands modèles dominants (GPT-4, Gemini, LLaMA, etc. ) sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs domestiques, des GPU cloud ou des appareils périphériques ), collaborant pour accomplir des tâches d'entraînement sans coordinateur central, généralement en distribuant et en collaborant par protocoles, et en utilisant des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle fait face incluent :
Hétérogénéité des dispositifs et difficultés de découpage : la coordination des dispositifs hétérogènes est difficile et l'efficacité du découpage des tâches est faible.
Goulot d'étranglement de l'efficacité de la communication : communication réseau instable, goulot d'étranglement de la synchronisation des gradients évident
Exécution fiable manquante : manque d'environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
Manque de coordination unifiée : pas de centralisateur, distribution des tâches et mécanisme de rollback des exceptions complexe
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et d'autres niveaux. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + donner des résultats corrects" est encore au stade précoce de l'exploration des prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, et est adapté aux scénarios axés sur la conformité à la vie privée comme la santé, la finance (. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de coopération locale, tout en bénéficiant de l'avantage de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie de coordination de confiance et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. Il peut être considéré comme une solution "décentralisée contrôlée" dans des scénarios de conformité à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanisme de communication, et est plus adaptée comme architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites, opportunités et voies réalistes de l'entraînement
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement ne convient pas à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, elle n'est naturellement pas adaptée à une réalisation efficace entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficace dans un réseau ouvert ; les tâches avec de fortes restrictions de confidentialité des données et de souveraineté ) telles que la santé, la finance, et les données sensibles ( sont limitées par la conformité légale et les contraintes éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant d'une base d'incitation à la collaboration ), comme les modèles fermés d'entreprise ou l'entraînement de prototypes internes (, manquent de motivation pour la participation externe. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, pour des types de tâches légères en structure, facilement parallèles et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le réglage fin LoRA, les tâches d'entraînement post-alignment comportemental comme RLHF, DPO), l'entraînement et l'annotation de données par crowdsourcing, l'entraînement de modèles de base de petite taille avec contrôle des ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs edge. Ces tâches présentent généralement des caractéristiques de haute parallélisme, de faible couplage et de tolérance à l'hétérogénéité de la puissance de calcul, ce qui les rend très adaptées à des méthodes d'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de réalisation technique, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture des systèmes et la conception des algorithmes, représentant les directions de pointe de la recherche théorique actuelle ; tandis que les chemins de réalisation de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires peuvent être observés. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système de formation AI décentralisé.
( Prime Intellect : pionnier des réseaux collaboratifs d'apprentissage par renforcement vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour leurs contributions en calcul. Prime Intellect aspire à créer un système d'entraînement d'IA décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet grâce aux trois grands modules PRIME-RL + TOPLOC + SHARDCAST.
)# 01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : Exploration à la pointe de la formation décentralisée]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
(# 02, Détails des mécanismes clés d'entraînement de Prime Intellect
#PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement le processus d'entraînement, d'inférence et de téléversement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches en local, et de collaborer via des interfaces standardisées avec les mécanismes de vérification et d'agrégation. Comparé aux processus d'apprentissage supervisé traditionnels, PRIME-RL est plus adapté à la réalisation d'un entraînement flexible dans des environnements sans planification centralisée, réduisant à la fois la complexité du système et établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
![Le Saint Graal de Crypto AI : exploration à la pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp###
#TOPLOC:Mécanisme de vérification du comportement d'entraînement léger
TOPLOC(Observation de Confiance et Vérification de Localité) est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a vraiment complété un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul de l'ensemble du modèle, mais analyse la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification de structure légère. Il transforme pour la première fois les trajectoires de comportement durant le processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour permettre une distribution de récompenses d'entraînement sans confiance, offrant une voie réalisable pour construire un réseau d'entraînement collaboratif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole de collecte et de diffusion des poids asynchrones
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et à états de nœuds variables. Il combine un mécanisme de propagation de type gossip et des stratégies de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états désynchronisés, réalisant ainsi une convergence progressive des poids et une évolution multi-versionnelle. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore de manière significative l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de la communication réalisé de manière indépendante et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants dans l'entraînement décentralisé, tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture repose sur le parallélisme des données, en construisant des structures topologiques clairsemées telles que Ring, Expander, Small-World, évitant ainsi le coût élevé de communication de la synchronisation globale, et permettant de réaliser un entraînement collaboratif du modèle en ne dépendant que des nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils périphériques de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.
#PCCL: Bibliothèque de communication collaborative
PCCL(Prime Collective Communication Library) est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles( telles que NCCL, Gloo) dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradients, la synchronisation à faible précision et la récupération après un point d'arrêt, et peut fonctionner sur des GPU grand public et des nœuds instables. Il constitue un composant sous-jacent soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs dans le réseau d'entraînement, facilitant ainsi la communication de "dernier kilomètre" pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
(# 03、Prime Intellect incitations réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses basées sur des contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
Nœud d'entraînement : exécuter un entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation
Nœuds de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central du protocole comprend la publication des tâches, la formation des nœuds, la validation des trajectoires, l'agrégation des poids )SHARDCAST### et la distribution des récompenses, formant un ensemble autour du "comportement de formation réel".
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
21 J'aime
Récompense
21
6
Reposter
Partager
Commentaire
0/400
ser_ngmi
· 07-24 06:35
Redémarrer le web2, n'est-ce pas ?
Voir l'originalRépondre0
CoinBasedThinking
· 07-22 13:38
Les débutants de Web3 comprennent vraiment l'IA maintenant.
Voir l'originalRépondre0
RugDocScientist
· 07-21 10:28
Eh, ces quatre méthodes d'entraînement me donnent le vertige.
Voir l'originalRépondre0
BlockchainWorker
· 07-21 10:21
Écrire une thèse, c'est si profond.
Voir l'originalRépondre0
ProveMyZK
· 07-21 10:19
C'est fou, cette consommation de ressources, un pauvre ne peut pas se le permettre.
Voir l'originalRépondre0
WenMoon
· 07-21 10:16
La puissance de calcul n'est pas encore chère, non ?
Exploration de pointe de l'entraînement AI décentralisé : de la théorie à la pratique
Le Saint Graal de l'IA Crypto : Exploration à la pointe de l'entraînement décentralisé
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape la plus gourmande en ressources et la plus difficile sur le plan technique, déterminant directement la limite de capacité des modèles et l'efficacité des applications réelles. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement des données complexes et un soutien d'algorithmes d'optimisation intensifs, constituant ainsi le véritable "heavy industry" de la construction des systèmes d'IA. D'un point de vue de paradigme d'architecture, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de gestion de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, avec l'avantage d'une haute efficacité et d'une maîtrise des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'accès aux ressources, la consommation d'énergie et les risques de points uniques.
L'entraînement distribué est la méthode principale pour l'entraînement de grands modèles, son noyau consiste à décomposer les tâches d'entraînement du modèle et à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "décentralisées", l'ensemble est toujours contrôlé et synchronisé par des institutions centralisées, fonctionnant souvent dans des environnements de réseau local à haute vitesse, utilisant la technologie de bus interconnecté haute vitesse NVLink, avec le nœud principal coordonnant de manière unifiée les sous-tâches. Les méthodes principales comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureaux" pour collaborer à l'accomplissement de tâches. Actuellement, presque tous les grands modèles dominants (GPT-4, Gemini, LLaMA, etc. ) sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs domestiques, des GPU cloud ou des appareils périphériques ), collaborant pour accomplir des tâches d'entraînement sans coordinateur central, généralement en distribuant et en collaborant par protocoles, et en utilisant des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle fait face incluent :
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et d'autres niveaux. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + donner des résultats corrects" est encore au stade précoce de l'exploration des prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, et est adapté aux scénarios axés sur la conformité à la vie privée comme la santé, la finance (. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de coopération locale, tout en bénéficiant de l'avantage de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie de coordination de confiance et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. Il peut être considéré comme une solution "décentralisée contrôlée" dans des scénarios de conformité à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanisme de communication, et est plus adaptée comme architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites, opportunités et voies réalistes de l'entraînement
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement ne convient pas à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, elle n'est naturellement pas adaptée à une réalisation efficace entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficace dans un réseau ouvert ; les tâches avec de fortes restrictions de confidentialité des données et de souveraineté ) telles que la santé, la finance, et les données sensibles ( sont limitées par la conformité légale et les contraintes éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant d'une base d'incitation à la collaboration ), comme les modèles fermés d'entreprise ou l'entraînement de prototypes internes (, manquent de motivation pour la participation externe. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, pour des types de tâches légères en structure, facilement parallèles et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le réglage fin LoRA, les tâches d'entraînement post-alignment comportemental comme RLHF, DPO), l'entraînement et l'annotation de données par crowdsourcing, l'entraînement de modèles de base de petite taille avec contrôle des ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs edge. Ces tâches présentent généralement des caractéristiques de haute parallélisme, de faible couplage et de tolérance à l'hétérogénéité de la puissance de calcul, ce qui les rend très adaptées à des méthodes d'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de réalisation technique, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture des systèmes et la conception des algorithmes, représentant les directions de pointe de la recherche théorique actuelle ; tandis que les chemins de réalisation de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires peuvent être observés. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système de formation AI décentralisé.
( Prime Intellect : pionnier des réseaux collaboratifs d'apprentissage par renforcement vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour leurs contributions en calcul. Prime Intellect aspire à créer un système d'entraînement d'IA décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet grâce aux trois grands modules PRIME-RL + TOPLOC + SHARDCAST.
)# 01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : Exploration à la pointe de la formation décentralisée]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
(# 02, Détails des mécanismes clés d'entraînement de Prime Intellect
#PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement le processus d'entraînement, d'inférence et de téléversement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches en local, et de collaborer via des interfaces standardisées avec les mécanismes de vérification et d'agrégation. Comparé aux processus d'apprentissage supervisé traditionnels, PRIME-RL est plus adapté à la réalisation d'un entraînement flexible dans des environnements sans planification centralisée, réduisant à la fois la complexité du système et établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
![Le Saint Graal de Crypto AI : exploration à la pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp###
#TOPLOC:Mécanisme de vérification du comportement d'entraînement léger
TOPLOC(Observation de Confiance et Vérification de Localité) est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a vraiment complété un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul de l'ensemble du modèle, mais analyse la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification de structure légère. Il transforme pour la première fois les trajectoires de comportement durant le processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour permettre une distribution de récompenses d'entraînement sans confiance, offrant une voie réalisable pour construire un réseau d'entraînement collaboratif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole de collecte et de diffusion des poids asynchrones
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et à états de nœuds variables. Il combine un mécanisme de propagation de type gossip et des stratégies de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états désynchronisés, réalisant ainsi une convergence progressive des poids et une évolution multi-versionnelle. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore de manière significative l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de la communication réalisé de manière indépendante et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants dans l'entraînement décentralisé, tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture repose sur le parallélisme des données, en construisant des structures topologiques clairsemées telles que Ring, Expander, Small-World, évitant ainsi le coût élevé de communication de la synchronisation globale, et permettant de réaliser un entraînement collaboratif du modèle en ne dépendant que des nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils périphériques de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.
#PCCL: Bibliothèque de communication collaborative
PCCL(Prime Collective Communication Library) est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles( telles que NCCL, Gloo) dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradients, la synchronisation à faible précision et la récupération après un point d'arrêt, et peut fonctionner sur des GPU grand public et des nœuds instables. Il constitue un composant sous-jacent soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs dans le réseau d'entraînement, facilitant ainsi la communication de "dernier kilomètre" pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
(# 03、Prime Intellect incitations réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses basées sur des contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Le processus central du protocole comprend la publication des tâches, la formation des nœuds, la validation des trajectoires, l'agrégation des poids )SHARDCAST### et la distribution des récompenses, formant un ensemble autour du "comportement de formation réel".