Cái chén thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, việc huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhất và có ngưỡng kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy diễn với việc gọi nhẹ nhàng, quá trình huấn luyện cần đầu tư tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, thực sự là "công nghiệp nặng" trong việc xây dựng hệ thống AI. Xét về mô hình kiến trúc, phương pháp huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện phi tập trung mà bài viết này sẽ tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong cụm hiệu suất cao tại chỗ, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối hoạt động bởi một hệ thống điều khiển thống nhất. Kiến trúc phối hợp sâu sắc này giúp hiệu quả của chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế khôi phục lỗi đạt tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, có lợi thế về hiệu quả cao và kiểm soát tài nguyên, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Huấn luyện phân tán là phương pháp chính trong việc huấn luyện các mô hình lớn hiện nay, cốt lõi của nó là phân chia nhiệm vụ huấn luyện mô hình và phân phối chúng tới nhiều máy để thực hiện phối hợp, nhằm vượt qua các nút thắt về tính toán và lưu trữ của máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được một cơ quan trung tâm kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, với nút chính phối hợp các nhiệm vụ con. Các phương pháp chính bao gồm:
Dữ liệu song song: mỗi nút đào tạo các tham số dữ liệu khác nhau chia sẻ, cần khớp trọng số mô hình
Mô hình song song: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ.
Đường ống song song: Thực hiện tuần tự theo từng giai đoạn, nâng cao thông lượng
Phân tán tensor: Chia nhỏ chi tiết phép toán ma trận, nâng cao độ phân giải song song
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như việc một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" phối hợp hoàn thành nhiệm vụ. Hiện tại, hầu hết các mô hình lớn chính đều được hoàn thành huấn luyện theo cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai có tính mở hơn và khả năng chống kiểm duyệt. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau hợp tác hoàn thành nhiệm vụ đào tạo mà không cần một điều phối viên trung tâm, thường thông qua các giao thức để điều phối phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của các đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:
Thiết bị dị hợp và khó khăn trong việc phân chia: Khó khăn trong việc phối hợp các thiết bị dị hợp, hiệu quả phân chia nhiệm vụ thấp
Đường truyền hiệu quả bị hạn chế: Giao tiếp mạng không ổn định, rõ ràng có sự hạn chế trong việc đồng bộ gradient.
Thiếu thực thi đáng tin cậy: Thiếu môi trường thực thi đáng tin cậy, khó xác minh xem nút có thực sự tham gia vào tính toán hay không
Thiếu sự phối hợp thống nhất: không có bộ điều度 trung tâm, phân phối nhiệm vụ, cơ chế khôi phục bất thường phức tạp
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, bảo mật mã hóa, cơ chế kinh tế, xác thực mô hình và nhiều khía cạnh khác, nhưng việc liệu có thể "phối hợp hiệu quả + khuyến khích trung thực + kết quả đúng" vẫn đang ở giai đoạn khám phá nguyên mẫu ban đầu.
Học liên bang, như một hình thức chuyển tiếp giữa phân phối và Phi tập trung, nhấn mạnh việc giữ dữ liệu tại địa phương và tập hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của đào tạo phân phối và khả năng hợp tác địa phương, đồng thời cũng có lợi thế về phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào các bên phối hợp đáng tin cậy và không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Nó có thể được coi là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với các nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp đều tương đối ôn hòa, phù hợp hơn để làm kiến trúc triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Từ góc độ mô hình đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, yêu cầu tài nguyên cực kỳ cao hoặc độ khó hợp tác lớn, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút dị thể, không cần tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, khó khăn trong việc phân chia và đồng bộ hóa hiệu quả trên mạng mở; nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh bị hạn chế bởi tuân thủ pháp luật và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi đó, các nhiệm vụ thiếu cơ sở khuyến khích hợp tác thì thiếu động lực tham gia bên ngoài. Những ranh giới này tạo thành giới hạn thực tế của đào tạo phi tập trung hiện nay.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Trên thực tế, trong các loại nhiệm vụ nhẹ về cấu trúc, dễ dàng song song và có thể khuyến khích, đào tạo phi tập trung cho thấy triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo sau liên quan đến sự đồng hành hành vi, đào tạo và gán nhãn dữ liệu từ cộng đồng, đào tạo mô hình cơ sở nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác với sự tham gia của thiết bị biên. Những nhiệm vụ này thường có đặc điểm song song cao, liên kết thấp và dung sai sức mạnh tính toán không đồng nhất, rất thích hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương pháp khác.
Phi tập trung đào tạo các dự án kinh điển phân tích
Hiện tại, trong lĩnh vực tiên phong về đào tạo phi tập trung và học tập liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc hiện thực hóa kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, con đường hiện thực hóa của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy tiến bộ ban đầu trong việc hiện đại hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và cấu trúc kỹ thuật phía sau năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.
Prime Intellect: Đường đi của huấn luyện có thể xác minh được mạng lưới hợp tác tăng cường tiên phong
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, cho phép bất kỳ ai cũng có thể tham gia vào việc đào tạo và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của mình. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, sẽ xây dựng một hệ thống đào tạo AI Phi tập trung có tính khả thi, tính mở và cơ chế khuyến khích hoàn chỉnh.
01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị các mô-đun chính
02、Giải thích chi tiết cơ chế đào tạo Prime Intellect
#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường bất đồng bộ phân tách
PRIME-RL là khung mô hình và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng thích ứng ưu tiên, tách rời cấu trúc giữa quá trình đào tạo, suy luận và tải trọng trọng số, cho phép mỗi nút đào tạo hoàn thành vòng nhiệm vụ độc lập tại địa phương, và phối hợp với cơ chế xác thực và tổng hợp qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều phối trung tâm, vừa giảm độ phức tạp của hệ thống, vừa tạo nền tảng hỗ trợ nhiều nhiệm vụ song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ
TOPLOC là cơ chế cốt lõi có thể xác minh được do Prime Intellect đề xuất, dùng để xác định một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà hoàn thành xác minh cấu trúc nhẹ thông qua việc phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược". Đây là lần đầu tiên quá trình hành vi trong quá trình đào tạo được chuyển đổi thành đối tượng có thể xác minh, là đổi mới quan trọng để thực hiện phân phối phần thưởng đào tạo không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền tải trọng số không đồng bộ
SHARDCAST là giao thức phát tán và tổng hợp trọng số được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực tế bất đồng bộ, hạn chế băng thông và trạng thái nút biến đổi. Nó kết hợp cơ chế phát tán gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi phần cập nhật trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa nhiều phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và đào tạo liên tục.
#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập triển khai và mở nguồn, dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để giải quyết các thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên dữ liệu song song, bằng cách xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, đã tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ cần dựa vào các nút láng giềng cục bộ để hoàn thành việc đào tạo mô hình hợp tác. Kết hợp với cập nhật không đồng bộ và cơ chế chịu lỗi điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết những nút thắt trong việc thích ứng của các thư viện giao tiếp truyền thống trên các thiết bị không đồng nhất và mạng có băng thông thấp. PCCL hỗ trợ cấu trúc thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần nền tảng hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu băng thông của mạng đào tạo và tính tương thích của thiết bị, mở ra "km cuối" cho cơ sở giao tiếp trong việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
03、Prime Intellect khuyến khích mạng lưới và phân công vai trò
Prime Intellect xây dựng một mạng lưới đào tạo không cần xin phép, có thể xác minh, với cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào các nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Người khởi xướng nhiệm vụ: định nghĩa môi trường huấn luyện, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác thực
Nút đào tạo: Thực hiện đào tạo cục bộ, gửi cập nhật trọng số và theo dõi quan sát
Node xác thực: Sử dụng cơ chế TOPLOC để xác thực tính xác thực của hành vi đào tạo, và tham gia vào việc tính toán phần thưởng và hợp nhất chiến lược
Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh đường đi, tổng hợp trọng số và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực tế".
04、INTELLECT-2: phát hành mô hình đào tạo phi tập trung có thể xác minh đầu tiên
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được đào tạo thông qua sự hợp tác của các nút phi tập trung, không cần tin cậy, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành thông qua sự hợp tác đào tạo của hơn 100 nút GPU dị thể trải rộng trên ba lục địa, sử dụng kiến trúc hoàn toàn không đồng bộ, thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác không đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là lần đầu tiên hệ thống hóa mô hình "đào tạo tức là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu lần đầu tiên mạng lưới đào tạo phi tập trung đạt được.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
9 thích
Phần thưởng
9
4
Đăng lại
Chia sẻ
Bình luận
0/400
PermabullPete
· 17giờ trước
Không có gì lạ khi các chuyên nghiệp đều nói AI tiêu tốn card đồ họa.
Xem bản gốcTrả lời0
BrokenDAO
· 17giờ trước
Lại đang tạo ra một câu chuyện lý tưởng hóa giả tạo về phi tập trung. Khả năng tính toán cuối cùng vẫn phải dựa vào sự phân phối tập trung của các tổ chức. Bán lẻ không thể tham gia.
Phi tập trung AI đào tạo khám phá: Phân tích công nghệ tiên tiến từ Prime Intellect đến Pluralis
Cái chén thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, việc huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhất và có ngưỡng kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy diễn với việc gọi nhẹ nhàng, quá trình huấn luyện cần đầu tư tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, thực sự là "công nghiệp nặng" trong việc xây dựng hệ thống AI. Xét về mô hình kiến trúc, phương pháp huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện phi tập trung mà bài viết này sẽ tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong cụm hiệu suất cao tại chỗ, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối hoạt động bởi một hệ thống điều khiển thống nhất. Kiến trúc phối hợp sâu sắc này giúp hiệu quả của chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế khôi phục lỗi đạt tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, có lợi thế về hiệu quả cao và kiểm soát tài nguyên, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Huấn luyện phân tán là phương pháp chính trong việc huấn luyện các mô hình lớn hiện nay, cốt lõi của nó là phân chia nhiệm vụ huấn luyện mô hình và phân phối chúng tới nhiều máy để thực hiện phối hợp, nhằm vượt qua các nút thắt về tính toán và lưu trữ của máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được một cơ quan trung tâm kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, với nút chính phối hợp các nhiệm vụ con. Các phương pháp chính bao gồm:
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như việc một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" phối hợp hoàn thành nhiệm vụ. Hiện tại, hầu hết các mô hình lớn chính đều được hoàn thành huấn luyện theo cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai có tính mở hơn và khả năng chống kiểm duyệt. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau hợp tác hoàn thành nhiệm vụ đào tạo mà không cần một điều phối viên trung tâm, thường thông qua các giao thức để điều phối phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của các đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, bảo mật mã hóa, cơ chế kinh tế, xác thực mô hình và nhiều khía cạnh khác, nhưng việc liệu có thể "phối hợp hiệu quả + khuyến khích trung thực + kết quả đúng" vẫn đang ở giai đoạn khám phá nguyên mẫu ban đầu.
Học liên bang, như một hình thức chuyển tiếp giữa phân phối và Phi tập trung, nhấn mạnh việc giữ dữ liệu tại địa phương và tập hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của đào tạo phân phối và khả năng hợp tác địa phương, đồng thời cũng có lợi thế về phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào các bên phối hợp đáng tin cậy và không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Nó có thể được coi là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với các nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp đều tương đối ôn hòa, phù hợp hơn để làm kiến trúc triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Từ góc độ mô hình đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, yêu cầu tài nguyên cực kỳ cao hoặc độ khó hợp tác lớn, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút dị thể, không cần tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, khó khăn trong việc phân chia và đồng bộ hóa hiệu quả trên mạng mở; nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh bị hạn chế bởi tuân thủ pháp luật và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi đó, các nhiệm vụ thiếu cơ sở khuyến khích hợp tác thì thiếu động lực tham gia bên ngoài. Những ranh giới này tạo thành giới hạn thực tế của đào tạo phi tập trung hiện nay.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Trên thực tế, trong các loại nhiệm vụ nhẹ về cấu trúc, dễ dàng song song và có thể khuyến khích, đào tạo phi tập trung cho thấy triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo sau liên quan đến sự đồng hành hành vi, đào tạo và gán nhãn dữ liệu từ cộng đồng, đào tạo mô hình cơ sở nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác với sự tham gia của thiết bị biên. Những nhiệm vụ này thường có đặc điểm song song cao, liên kết thấp và dung sai sức mạnh tính toán không đồng nhất, rất thích hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương pháp khác.
Phi tập trung đào tạo các dự án kinh điển phân tích
Hiện tại, trong lĩnh vực tiên phong về đào tạo phi tập trung và học tập liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc hiện thực hóa kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, con đường hiện thực hóa của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy tiến bộ ban đầu trong việc hiện đại hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và cấu trúc kỹ thuật phía sau năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.
Prime Intellect: Đường đi của huấn luyện có thể xác minh được mạng lưới hợp tác tăng cường tiên phong
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, cho phép bất kỳ ai cũng có thể tham gia vào việc đào tạo và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của mình. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, sẽ xây dựng một hệ thống đào tạo AI Phi tập trung có tính khả thi, tính mở và cơ chế khuyến khích hoàn chỉnh.
01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị các mô-đun chính
02、Giải thích chi tiết cơ chế đào tạo Prime Intellect
#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường bất đồng bộ phân tách
PRIME-RL là khung mô hình và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng thích ứng ưu tiên, tách rời cấu trúc giữa quá trình đào tạo, suy luận và tải trọng trọng số, cho phép mỗi nút đào tạo hoàn thành vòng nhiệm vụ độc lập tại địa phương, và phối hợp với cơ chế xác thực và tổng hợp qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều phối trung tâm, vừa giảm độ phức tạp của hệ thống, vừa tạo nền tảng hỗ trợ nhiều nhiệm vụ song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ
TOPLOC là cơ chế cốt lõi có thể xác minh được do Prime Intellect đề xuất, dùng để xác định một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà hoàn thành xác minh cấu trúc nhẹ thông qua việc phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược". Đây là lần đầu tiên quá trình hành vi trong quá trình đào tạo được chuyển đổi thành đối tượng có thể xác minh, là đổi mới quan trọng để thực hiện phân phối phần thưởng đào tạo không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền tải trọng số không đồng bộ
SHARDCAST là giao thức phát tán và tổng hợp trọng số được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực tế bất đồng bộ, hạn chế băng thông và trạng thái nút biến đổi. Nó kết hợp cơ chế phát tán gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi phần cập nhật trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa nhiều phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và đào tạo liên tục.
#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập triển khai và mở nguồn, dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để giải quyết các thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên dữ liệu song song, bằng cách xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, đã tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ cần dựa vào các nút láng giềng cục bộ để hoàn thành việc đào tạo mô hình hợp tác. Kết hợp với cập nhật không đồng bộ và cơ chế chịu lỗi điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết những nút thắt trong việc thích ứng của các thư viện giao tiếp truyền thống trên các thiết bị không đồng nhất và mạng có băng thông thấp. PCCL hỗ trợ cấu trúc thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần nền tảng hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu băng thông của mạng đào tạo và tính tương thích của thiết bị, mở ra "km cuối" cho cơ sở giao tiếp trong việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
03、Prime Intellect khuyến khích mạng lưới và phân công vai trò
Prime Intellect xây dựng một mạng lưới đào tạo không cần xin phép, có thể xác minh, với cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào các nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh đường đi, tổng hợp trọng số và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực tế".
04、INTELLECT-2: phát hành mô hình đào tạo phi tập trung có thể xác minh đầu tiên
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được đào tạo thông qua sự hợp tác của các nút phi tập trung, không cần tin cậy, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành thông qua sự hợp tác đào tạo của hơn 100 nút GPU dị thể trải rộng trên ba lục địa, sử dụng kiến trúc hoàn toàn không đồng bộ, thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác không đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là lần đầu tiên hệ thống hóa mô hình "đào tạo tức là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu lần đầu tiên mạng lưới đào tạo phi tập trung đạt được.