O Santo Graal do Crypto AI: Exploração na Fronteira do Treinamento Descentralizado
Na cadeia de valor completa da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, decidindo diretamente o limite de capacidade do modelo e o efeito da aplicação real. Em comparação com a chamada leve na fase de inferência, o processo de treinamento requer um investimento contínuo de grande potência computacional, processos de manipulação de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista dos paradigmas de arquitetura, os métodos de treinamento podem ser classificados em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste 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. Essa arquitetura de profunda colaboração permite que o compartilhamento de memória, a sincronização de gradientes e os mecanismos de tolerância a falhas atinjam a eficiência máxima, sendo muito adequada para o treinamento de modelos em larga escala, como GPT e Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, e seu núcleo é dividir as tarefas de treinamento do modelo e distribuí-las para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" fisicamente, o todo ainda é controlado e programado por instituições centralizadas, geralmente operando em ambientes de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando unificadamente as subtarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina diferentes dados, parâmetros compartilhados, necessidade de combinar pesos do modelo
Paralelização de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução em série por fases, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada do cálculo de matrizes, aumentando o grau de paralelismo
O treinamento distribuído é uma combinação de "controle central + execução distribuída", análogo a um mesmo chefe que comanda remotamente a colaboração de vários funcionários de "escritórios" para concluir tarefas. Atualmente, quase todos os grandes modelos de ponta são treinados por meio dessa abordagem.
A 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 de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade na heterogeneidade de dispositivos e na fragmentação: alta dificuldade de coordenação entre dispositivos heterogêneos, baixa eficiência na fragmentação de tarefas
Gargalos de eficiência de comunicação: comunicação de rede instável, gargalos de sincronização de gradiente evidentes
Falta de execução confiável: falta de ambiente de execução confiável, difícil verificar se os nós realmente participam do cálculo.
Falta de coordenação unificada: sem um despachante central, a distribuição de tarefas e o mecanismo de reversão de exceções são complexos
A formação em Descentralização pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar o modelo em conjunto, mas a "verdadeira formação em larga escala Descentralizada" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos, entre outros aspectos, mas se é possível "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a preservação local dos dados e a agregação centralizada dos parâmetros do modelo, sendo adequada para cenários que valorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que mantém a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma parte coordenadora confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treino, a Descentralização do treino não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, às elevadas necessidades de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treino de grandes modelos muitas vezes depende de alta memória, baixa latência e largura de banda rápida, o que torna difícil dividir e sincronizar de forma eficaz em uma rede aberta; tarefas com restrições fortes de privacidade de dados e soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos à colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais do treino descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja um falso problema. Na verdade, em tipos de tarefas que são estruturalmente leves, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento demonstra uma clara perspectiva de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental, treinamento e rotulagem de dados por meio de crowdsourcing, treinamento de pequenos modelos básicos com recursos controláveis, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características que toleram potência de computação heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Atualmente, no campo de ponta do treinamento descentralizado e do aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de ponta da pesquisa teórica; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando avanços iniciais na engenharia. Este artigo irá analisar sucessivamente 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 de reforço verificáveis por trajetórias de treinamento
A Prime Intellect está comprometida 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 construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através de três módulos principais: PRIME-RL + TOPLOC + SHARDCAST.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave
02, Explicação detalhada dos mecanismos-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. Utiliza 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 tarefa de forma independente em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os 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 paralelização de múltiplas tarefas e evolução de estratégias.
#TOPLOC:Mecanismo de Verificação de Comportamento de Treinamento Leve
TOPLOC é um mecanismo central de verificação de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia válido 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", completa a verificação de estrutura leve. Ele transforma pela primeira vez a trajetória de comportamento durante o processo de treinamento em um objeto verificável, sendo uma inovação chave para a distribuição de recompensas de treinamento sem confiança, e oferece um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
#SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono
SHARDCAST é um protocolo de disseminação 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 nó mutáveis. Ele combina um mecanismo de disseminação gossip com uma estratégia de sincronização local, permitindo que vários nós continuem a submeter atualizações parciais em estados de não sincronização, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento descentralizado, sendo a base fundamental 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 em treinamentos descentralizados, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação de sincronização global, dependendo apenas dos nós vizinhos locais para completar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a acessibilidade do treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave 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 um ambiente de treinamento de IA descentralizada, destinada a resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradiente, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente de base que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Isso melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade do dispositivo, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativa verdadeiramente aberta e sem necessidade de confiança.
03、Prime Intellect incentivos de rede e divisão de funções
Prime Intellect construiu uma rede de treino sem permissão, verificável e com mecanismos de incentivos económicos, permitindo que qualquer pessoa participe nas tarefas e receba recompensas com base nas contribuições reais. O protocolo opera com base em três categorias de papéis principais:
Iniciador da tarefa: definir o ambiente de treino, o modelo inicial, a função de recompensa e os critérios de validação
Nós de treinamento: executar treinamento local, enviar atualizações de pesos e trajetórias de observação
Nós de validação: usar o mecanismo TOPLOC para verificar a veracidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias.
O processo 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
O INTELLECT-2 foi lançado pela Prime Intellect em maio de 2025, sendo o primeiro grande modelo de aprendizado por reforço do mundo treinado por meio de colaboração de nós descentralizados assíncronos e sem confiança, com um tamanho de parâmetro de 32B. O modelo INTELLECT-2 foi treinado de forma colaborativa por mais de 100 nós heterogêneos com GPU distribuídos por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de redes de colaboração assíncronas. 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 protocolos centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização de uma rede de treinamento 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.
9 Curtidas
Recompensa
9
4
Repostar
Compartilhar
Comentário
0/400
PermabullPete
· 18h atrás
Não é de admirar que os pros digam que a IA queima placas de vídeo.
Ver originalResponder0
BrokenDAO
· 18h atrás
Mais uma vez a criar uma narrativa de idealização falsa sobre a descentralização. O poder de computação no final ainda depende da alocação centralizada das instituições. Investidores de retalho não conseguem participar.
Ver originalResponder0
MeaninglessApe
· 18h atrás
Treinar está muito competitivo, não vou mais jogar.
Descentralização AI treinamento exploração: da Prime Intellect à Pluralis, análise das tecnologias de ponta
O Santo Graal do Crypto AI: Exploração na Fronteira do Treinamento Descentralizado
Na cadeia de valor completa da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, decidindo diretamente o limite de capacidade do modelo e o efeito da aplicação real. Em comparação com a chamada leve na fase de inferência, o processo de treinamento requer um investimento contínuo de grande potência computacional, processos de manipulação de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista dos paradigmas de arquitetura, os métodos de treinamento podem ser classificados em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste 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. Essa arquitetura de profunda colaboração permite que o compartilhamento de memória, a sincronização de gradientes e os mecanismos de tolerância a falhas atinjam a eficiência máxima, sendo muito adequada para o treinamento de modelos em larga escala, como GPT e Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, e seu núcleo é dividir as tarefas de treinamento do modelo e distribuí-las para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" fisicamente, o todo ainda é controlado e programado por instituições centralizadas, geralmente operando em ambientes de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando unificadamente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle central + execução distribuída", análogo a um mesmo chefe que comanda remotamente a colaboração de vários funcionários de "escritórios" para concluir tarefas. Atualmente, quase todos os grandes modelos de ponta são treinados por meio dessa abordagem.
A 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 de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
A formação em Descentralização pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar o modelo em conjunto, mas a "verdadeira formação em larga escala Descentralizada" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos, entre outros aspectos, mas se é possível "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a preservação local dos dados e a agregação centralizada dos parâmetros do modelo, sendo adequada para cenários que valorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que mantém a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma parte coordenadora confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treino, a Descentralização do treino não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, às elevadas necessidades de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treino de grandes modelos muitas vezes depende de alta memória, baixa latência e largura de banda rápida, o que torna difícil dividir e sincronizar de forma eficaz em uma rede aberta; tarefas com restrições fortes de privacidade de dados e soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos à colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais do treino descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja um falso problema. Na verdade, em tipos de tarefas que são estruturalmente leves, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento demonstra uma clara perspectiva de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental, treinamento e rotulagem de dados por meio de crowdsourcing, treinamento de pequenos modelos básicos com recursos controláveis, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características que toleram potência de computação heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássicos projetos análise
Atualmente, no campo de ponta do treinamento descentralizado e do aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de ponta da pesquisa teórica; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando avanços iniciais na engenharia. Este artigo irá analisar sucessivamente 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 de reforço verificáveis por trajetórias de treinamento
A Prime Intellect está comprometida 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 construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através de três módulos principais: PRIME-RL + TOPLOC + SHARDCAST.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave
02, Explicação detalhada dos mecanismos-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. Utiliza 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 tarefa de forma independente em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os 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 paralelização de múltiplas tarefas e evolução de estratégias.
#TOPLOC:Mecanismo de Verificação de Comportamento de Treinamento Leve
TOPLOC é um mecanismo central de verificação de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia válido 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", completa a verificação de estrutura leve. Ele transforma pela primeira vez a trajetória de comportamento durante o processo de treinamento em um objeto verificável, sendo uma inovação chave para a distribuição de recompensas de treinamento sem confiança, e oferece um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
#SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono
SHARDCAST é um protocolo de disseminação 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 nó mutáveis. Ele combina um mecanismo de disseminação gossip com uma estratégia de sincronização local, permitindo que vários nós continuem a submeter atualizações parciais em estados de não sincronização, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento descentralizado, sendo a base fundamental 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 em treinamentos descentralizados, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação de sincronização global, dependendo apenas dos nós vizinhos locais para completar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a acessibilidade do treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave 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 um ambiente de treinamento de IA descentralizada, destinada a resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradiente, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente de base que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Isso melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade do dispositivo, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativa verdadeiramente aberta e sem necessidade de confiança.
03、Prime Intellect incentivos de rede e divisão de funções
Prime Intellect construiu uma rede de treino sem permissão, verificável e com mecanismos de incentivos económicos, permitindo que qualquer pessoa participe nas tarefas e receba recompensas com base nas contribuições reais. O protocolo opera com base em três categorias de papéis principais:
O processo 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
O INTELLECT-2 foi lançado pela Prime Intellect em maio de 2025, sendo o primeiro grande modelo de aprendizado por reforço do mundo treinado por meio de colaboração de nós descentralizados assíncronos e sem confiança, com um tamanho de parâmetro de 32B. O modelo INTELLECT-2 foi treinado de forma colaborativa por mais de 100 nós heterogêneos com GPU distribuídos por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de redes de colaboração assíncronas. 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 protocolos centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização de uma rede de treinamento descentralizada.