El Santo Grial de Crypto AI: Exploración de vanguardia en el entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es el eslabón que consume más recursos y tiene la mayor barrera técnica, lo que determina 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 capacidad de cálculo, procesos de manejo de datos complejos y soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma de arquitectura, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de descentralización que se discute en este artículo.
El entrenamiento centralizado es la forma tradicional más común, realizado por una única entidad en un clúster local de alto rendimiento que completa todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos 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 máximo, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero que también presenta problemas de monopolio de datos, barreras de recursos, consumo de energía y riesgos de un solo punto.
El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos en la actualidad. Su núcleo consiste en descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para que colaboren en su ejecución, con el fin de superar los cuellos de botella en computación y almacenamiento de una sola máquina. A pesar de tener características "distribuidas" en términos físicos, el conjunto sigue siendo controlado y coordinado por una entidad centralizada, y comúnmente opera en entornos de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, coordinando las subtareas a través de un nodo principal. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos, los parámetros son compartidos, se necesita que coincidan los pesos del modelo.
Paralelismo de modelos: 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 del cálculo matricial, mejora de la granularidad de la paralelización
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige remotamente la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los modelos grandes principales se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro con mayor apertura y características de resistencia a la censura. Su característica central es: múltiples nodos que no se fían entre sí ( pueden ser ordenadores domésticos, GPU en la nube o dispositivos de borde ) que colaboran en la realización de tareas de entrenamiento sin un coordinador central, generalmente impulsados por protocolos para la distribución de tareas y 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 división de dispositivos: alta dificultad para coordinar dispositivos heterogéneos, baja eficiencia en la división de tareas
Cuello de botella en la eficiencia de comunicación: la comunicación de red es inestable, el cuello de botella de sincronización de gradientes es evidente
Ejecución de confianza faltante: 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 reversión de excepciones son complejos.
La entrenamiento de Descentralización puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar el modelo de forma colaborativa, pero "el verdadero entrenamiento descentralizado a gran escala que es viable" sigue siendo un desafío de ingeniería sistémico, que involucra múltiples niveles como arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y validación de modelos, pero la cuestión de si se puede "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en una 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 aplicable en escenarios que priorizan la conformidad con la privacidad, como la medicina y las finanzas (. El aprendizaje federado cuenta con la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee las ventajas de dispersión de datos del entrenamiento Descentralizado, pero aún depende de un coordinador de confianza, no teniendo características de apertura total y resistencia a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, siendo relativamente moderada en las tareas de entrenamiento, la estructura de confianza y el mecanismo de comunicación, siendo más adecuada 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 su división y sincronización efectiva en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por la conformidad legal y las restricciones éticas, lo que impide la apertura y el partage; mientras que las tareas que carecen de una base de incentivos de colaboración carecen de motivación externa para la participación. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la formación por Descentralización sea una falacia. De hecho, en tipos de tareas que son livianas en estructura, fáciles de paralelizar y que pueden ser incentivadas, la formación por Descentralización muestra un claro potencial de aplicación. Incluyendo pero no limitado a: ajuste fino de LoRA, tareas de post-entrenamiento de alineación de comportamiento ) como RLHF, DPO (, tareas de entrenamiento y etiquetado mediante crowdsourcing de datos, entrenamiento de modelos base pequeños con control de recursos, así como escenarios de entrenamiento colaborativo con la participación de dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplabilidad y tolerancia a potencia de cálculo heterogénea, lo que las hace muy adecuadas para ser entrenadas de manera colaborativa a través de redes P2P, protocolos Swarm, optimizadores distribuidos, etc.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Actualmente, en el ámbito de la Descentralización y el 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 vanguardia de la investigación teórica; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, ya se pueden observar progresos iniciales en su ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y las arquitecturas de ingeniería detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones de complementariedad 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 de Descentralización con verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura de la pila del protocolo Prime Intellect y valor de los módulos clave
![El Santo Grial de Crypto AI: Exploración de vanguardia en la Descentralización del entrenamiento]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Explicación detallada de los mecanismos clave de entrenamiento de Prime Intellect
#PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje reforzado como objeto de adaptación prioritario, desacoplando estructuralmente el proceso de entrenamiento, inferencia y carga de pesos, lo que permite que cada nodo de entrenamiento complete el ciclo de tareas de manera independiente en local, colaborando a través de interfaces estandarizadas con mecanismos de verificación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno sin programación central, lo que reduce la complejidad del sistema y sienta las bases para soportar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC###Observación Confiable y Verificación de Política-Localidad( es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo ha completado efectivamente el aprendizaje de la política basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo completo del modelo, sino que completa la verificación de la estructura ligera analizando la trayectoria de consistencia local entre la "secuencia de observación ↔ actualización de política". Por primera vez, transforma las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo que es una innovación clave para lograr una asignación de recompensas de entrenamiento sin necesidad de confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable e incentivadora.
#SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asíncronos, tienen ancho de banda limitado y estados de nodos variables. Combina un mecanismo de propagación de gossip con una estrategia de sincronización local, permitiendo que múltiples nodos envíen continuamente actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y una evolución de múltiples versiones. En comparación con los métodos centralizados o sincrónicos de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
#OpenDiLoCo: Marco de Comunicación Asíncrona Escasa
OpenDiLoCo es un marco de optimización de comunicación implementado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto DiLoCo propuesto por DeepMind, diseñado específicamente para abordar los desafíos comunes en el entrenamiento descentralizado, como limitaciones de ancho de banda, heterogeneidad de dispositivos e inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, evitando los altos costos de comunicación de la sincronización global al construir topologías dispersas como Ring, Expander y Small-World, y completando el entrenamiento colaborativo del modelo solo con los nodos vecinos locales. Combinando actualizaciones asincrónicas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la accesibilidad al entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
#PCCL: Biblioteca de comunicación colaborativa
PCCL)Prime Collective Communication Library( es una biblioteca de comunicación ligera diseñada por Prime Intellect para entornos de entrenamiento de IA descentralizada, destinada a resolver los cuellos de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja capacidad. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de interrupción, 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 los dispositivos, facilitando la comunicación de "última milla" para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
)# 03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permiso, verificable y con mecanismos de incentivos económicos, que permite a cualquiera participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo funciona en base a 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: utilizan el mecanismo TOPLOC para verificar la veracidad 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 ###SHARDCAST( y la distribución de recompensas, formando un bucle de incentivos en torno a "conducta de entrenamiento real".
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04、INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo entrenado mediante la colaboración de nodos descentralizados, asíncronos y sin necesidad de confianza, con un tamaño de parámetro de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos de GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con un tiempo de entrenamiento superior a 400 horas, mostrando la viabilidad y estabilidad de una red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es Prime Intellect.
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.
14 me gusta
Recompensa
14
6
Compartir
Comentar
0/400
FudVaccinator
· 07-22 12:29
Así que el gran capital está en manos de la centralización.
Ver originalesResponder0
MissedAirdropBro
· 07-20 13:31
Otra vez una comida de análisis, estoy cansado.
Ver originalesResponder0
ZenChainWalker
· 07-20 10:38
¿Quién me presta unas cuantas 3090 para renderizar modelos?
Ver originalesResponder0
OldLeekConfession
· 07-20 10:38
Vaya, ¿no es solo una cinta de correr liberada por IA?
Ver originalesResponder0
SelfRugger
· 07-20 10:28
Estoy realmente ansioso al ver esto.
Ver originalesResponder0
FortuneTeller42
· 07-20 10:17
¿La línea de entrenamiento ha vuelto a empezar a pelear?
Descentralización AI entrenamiento de los avances: Prime Intellect crea una red colaborativa verificable
El Santo Grial de Crypto AI: Exploración de vanguardia en el entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es el eslabón que consume más recursos y tiene la mayor barrera técnica, lo que determina 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 capacidad de cálculo, procesos de manejo de datos complejos y soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma de arquitectura, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de descentralización que se discute en este artículo.
El entrenamiento centralizado es la forma tradicional más común, realizado por una única entidad en un clúster local de alto rendimiento que completa todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos 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 máximo, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero que también presenta problemas de monopolio de datos, barreras de recursos, consumo de energía y riesgos de un solo punto.
El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos en la actualidad. Su núcleo consiste en descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para que colaboren en su ejecución, con el fin de superar los cuellos de botella en computación y almacenamiento de una sola máquina. A pesar de tener características "distribuidas" en términos físicos, el conjunto sigue siendo controlado y coordinado por una entidad centralizada, y comúnmente opera en entornos de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, coordinando las subtareas a través de un nodo principal. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige remotamente la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los modelos grandes principales se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro con mayor apertura y características de resistencia a la censura. Su característica central es: múltiples nodos que no se fían entre sí ( pueden ser ordenadores domésticos, GPU en la nube o dispositivos de borde ) que colaboran en la realización de tareas de entrenamiento sin un coordinador central, generalmente impulsados por protocolos para la distribución de tareas y colaboración, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La entrenamiento de Descentralización puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar el modelo de forma colaborativa, pero "el verdadero entrenamiento descentralizado a gran escala que es viable" sigue siendo un desafío de ingeniería sistémico, que involucra múltiples niveles como arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y validación de modelos, pero la cuestión de si se puede "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en una 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 aplicable en escenarios que priorizan la conformidad con la privacidad, como la medicina y las finanzas (. El aprendizaje federado cuenta con la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee las ventajas de dispersión de datos del entrenamiento Descentralizado, pero aún depende de un coordinador de confianza, no teniendo características de apertura total y resistencia a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, siendo relativamente moderada en las tareas de entrenamiento, la estructura de confianza y el mecanismo de comunicación, siendo más adecuada 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 su división y sincronización efectiva en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por la conformidad legal y las restricciones éticas, lo que impide la apertura y el partage; mientras que las tareas que carecen de una base de incentivos de colaboración carecen de motivación externa para la participación. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la formación por Descentralización sea una falacia. De hecho, en tipos de tareas que son livianas en estructura, fáciles de paralelizar y que pueden ser incentivadas, la formación por Descentralización muestra un claro potencial de aplicación. Incluyendo pero no limitado a: ajuste fino de LoRA, tareas de post-entrenamiento de alineación de comportamiento ) como RLHF, DPO (, tareas de entrenamiento y etiquetado mediante crowdsourcing de datos, entrenamiento de modelos base pequeños con control de recursos, así como escenarios de entrenamiento colaborativo con la participación de dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplabilidad y tolerancia a potencia de cálculo heterogénea, lo que las hace muy adecuadas para ser entrenadas de manera colaborativa a través de redes P2P, protocolos Swarm, optimizadores distribuidos, etc.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Descentralización entrenamiento clásico proyecto análisis
Actualmente, en el ámbito de la Descentralización y el 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 vanguardia de la investigación teórica; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, ya se pueden observar progresos iniciales en su ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y las arquitecturas de ingeniería detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones de complementariedad 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 de Descentralización con verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura de la pila del protocolo Prime Intellect y valor de los módulos clave
![El Santo Grial de Crypto AI: Exploración de vanguardia en la Descentralización del entrenamiento]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Explicación detallada de los mecanismos clave de entrenamiento de Prime Intellect
#PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje reforzado como objeto de adaptación prioritario, desacoplando estructuralmente el proceso de entrenamiento, inferencia y carga de pesos, lo que permite que cada nodo de entrenamiento complete el ciclo de tareas de manera independiente en local, colaborando a través de interfaces estandarizadas con mecanismos de verificación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno sin programación central, lo que reduce la complejidad del sistema y sienta las bases para soportar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC###Observación Confiable y Verificación de Política-Localidad( es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo ha completado efectivamente el aprendizaje de la política basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo completo del modelo, sino que completa la verificación de la estructura ligera analizando la trayectoria de consistencia local entre la "secuencia de observación ↔ actualización de política". Por primera vez, transforma las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo que es una innovación clave para lograr una asignación de recompensas de entrenamiento sin necesidad de confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable e incentivadora.
#SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asíncronos, tienen ancho de banda limitado y estados de nodos variables. Combina un mecanismo de propagación de gossip con una estrategia de sincronización local, permitiendo que múltiples nodos envíen continuamente actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y una evolución de múltiples versiones. En comparación con los métodos centralizados o sincrónicos de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
#OpenDiLoCo: Marco de Comunicación Asíncrona Escasa
OpenDiLoCo es un marco de optimización de comunicación implementado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto DiLoCo propuesto por DeepMind, diseñado específicamente para abordar los desafíos comunes en el entrenamiento descentralizado, como limitaciones de ancho de banda, heterogeneidad de dispositivos e inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, evitando los altos costos de comunicación de la sincronización global al construir topologías dispersas como Ring, Expander y Small-World, y completando el entrenamiento colaborativo del modelo solo con los nodos vecinos locales. Combinando actualizaciones asincrónicas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la accesibilidad al entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
#PCCL: Biblioteca de comunicación colaborativa
PCCL)Prime Collective Communication Library( es una biblioteca de comunicación ligera diseñada por Prime Intellect para entornos de entrenamiento de IA descentralizada, destinada a resolver los cuellos de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja capacidad. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de interrupción, 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 los dispositivos, facilitando la comunicación de "última milla" para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
)# 03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permiso, verificable y con mecanismos de incentivos económicos, que permite a cualquiera participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo funciona en base a 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 ###SHARDCAST( y la distribución de recompensas, formando un bucle de incentivos en torno a "conducta de entrenamiento real".
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04、INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo entrenado mediante la colaboración de nodos descentralizados, asíncronos y sin necesidad de confianza, con un tamaño de parámetro de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos de GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con un tiempo de entrenamiento superior a 400 horas, mostrando la viabilidad y estabilidad de una red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es Prime Intellect.