Le Saint Graal de l'IA Crypto : Exploration à la pointe de la formation décentralisée
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut niveau de difficulté technique, déterminant directement la limite de capacité des modèles et l'efficacité de leur application réelle. Par rapport 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 de données complexes et un soutien d'algorithmes d'optimisation intensifs, étant le véritable "industrie lourde" de la construction des systèmes d'IA. Du point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées 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 matériels, des logiciels de base, du système de répartition du cluster, jusqu'à tous les composants du 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 est particulièrement adapté à l'entraînement de modèles à grande échelle tels que GPT et Gemini, offrant des avantages en termes d'efficacité et de gestion des ressources. Cependant, elle présente également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risque de point unique.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuels. Son cœur consiste à décomposer les tâches d'entraînement du modèle, puis à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les limites de calcul et de stockage d'une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble reste contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus interconnexion haute vitesse NVLink, le nœud principal coordonne de manière unifiée les sous-tâches. Les méthodes dominantes comprennent :
Parallélisme des données : 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 tenseur : segmentation fine du calcul matriciel, amélioration de la granularité parallèle
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" collaborant pour accomplir une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU dans le cloud ou des dispositifs en périphérie, ), collaborant pour accomplir des tâches de formation sans coordonnateur central, généralement par le biais de protocoles qui pilotent la distribution des tâches et la collaboration, tout en utilisant des mécanismes de récompense cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
Hétérogénéité des appareils et difficulté de partitionnement : la coordination des appareils hétérogènes est difficile, l'efficacité du partitionnement des tâches est faible.
Bouteille d'efficacité de communication : la communication réseau est instable, le goulot d'étranglement de la synchronisation des gradients est évident.
Exécution fiable manquante : absence d'un environnement d'exécution fiable, difficile de vérifier si le nœud participe réellement au calcul.
Manque de coordination unifiée : pas de centralisateur, distribution des tâches et mécanisme de retour en arrière complexe
L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier contribuant chacun de leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "un véritable entraînement décentralisé à grande échelle réalisable" reste un défi systémique d'ingénierie, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, et plusieurs autres niveaux, mais la question de savoir si "la collaboration efficace + l'incitation à l'honnêteté + des résultats corrects" est encore au stade précoce d'exploration de prototype.
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, adapté aux scénarios axés sur la conformité à la vie privée ( tels que la santé et 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 distribution des données de l'entraînement décentralisé, mais il dépend toujours d'une partie de coordination de confiance et ne possède pas de caractéristiques entièrement ouvertes et résistantes à la censure. Cela peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, plus appropriée 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 formation décentralisée n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure de la tâche, des exigences en ressources extrêmement élevées ou des difficultés de collaboration, elle n'est naturellement pas adaptée à être réalisée efficacement 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 efficaces dans un réseau ouvert ; les tâches avec de fortes restrictions sur la confidentialité des données et la souveraineté sont limitées par des contraintes légales et éthiques, ne pouvant pas être partagées ouvertement ; tandis que les tâches manquant de motivation à la collaboration n'ont pas d'incitation à la participation externe. Ces limites constituent ensemble les restrictions réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le micro-ajustement LoRA, les tâches d'entraînement post-alignement comportemental comme RLHF, DPO(, les tâches de formation et d'annotation par crowdsourcing, l'entraînement de petits modèles de base contrôlés par des ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs de périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité de la puissance de calcul, ce qui les rend particulièrement adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en architecture système et en conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie préliminaires. Cet article va analyser successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorer davantage leurs différences et leurs relations complémentaires dans le système d'entraînement AI décentralisé.
) Prime Intellect : Pion des réseaux collaboratifs d'apprentissage par renforcement vérifiables par la trajectoire d'entraînement.
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution de calcul. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
01、Valeur de la structure de la pile de protocoles Prime Intellect et des modules clés
![Le Saint Graal de l'IA Crypto : Exploration à la pointe de la formation décentralisée]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Détails sur les mécanismes clés de formation de Prime Intellect
#PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplé
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, spécialement conçu pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement le processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter les cycles de tâches de manière indépendante en local, et de collaborer via des interfaces standardisées et des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
#TOPLOC:Mécanisme de validation des comportements d'entraînement léger
TOPLOC###Observation de confiance et vérification de la localité( est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas de la recomputation de l'ensemble du modèle, mais analyse les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de la stratégie" pour réaliser une vérification de structure allégée. Il transforme pour la première fois les trajectoires de comportement du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour permettre une distribution de récompenses d'entraînement sans confiance, fournissant un chemin viable pour construire un réseau d'entraînement collaboratif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole de propagation et d'agrégation de poids asynchrone
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 avec des états de nœuds changeants. Il combine un mécanisme de propagation par gossip et une stratégie 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-version. Par rapport aux méthodes AllReduce centralisées ou synchrones, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant 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 communication développé et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants liés à la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés associés à la synchronisation globale, et permettant l'entraînement collaboratif des modèles en se basant uniquement sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux appareils en périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
#PCCL: Bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue par Prime Intellect pour un environnement de formation AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie sparse, la compression de gradient, la synchronisation à faible précision et la reprise à partir de points de contrôle, et peut fonctionner sur des GPU de consommation et des nœuds instables, constituant le composant fondamental soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du réseau de formation, ouvrant la voie à une base de communication qui construit un réseau de formation collaboratif véritablement ouvert et sans confiance.
)# 03、Prime Intellect incitations réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans permission, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses en fonction de 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
Nodes d'entraînement : exécuter un entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation
Nœud 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, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids ###SHARDCAST( et la distribution des récompenses, formant un cycle d'incitation autour du "comportement d'entraînement réel".
![Le Saint Graal de Crypto AI : exploration à la pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04, INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable.
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier modèle de renforcement à grande échelle au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une échelle de paramètres atteignant 32B. Le modèle INTELLECT-2 a été achevé grâce à l'entraînement collaboratif de plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité des réseaux de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais aussi Prime Intellect.
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.
14 J'aime
Récompense
14
6
Partager
Commentaire
0/400
FudVaccinator
· 07-22 12:29
Donc, tout le gros capital est entre les mains de la centralisation.
Voir l'originalRépondre0
MissedAirdropBro
· 07-20 13:31
Encore un repas d'analyses, je suis fatigué.
Voir l'originalRépondre0
ZenChainWalker
· 07-20 10:38
Qui peut me prêter quelques cartes 3090 pour faire des modèles ?
Voir l'originalRépondre0
OldLeekConfession
· 07-20 10:38
Eh bien, ce n'est pas juste un tapis de course libéré par l'IA ?
Voir l'originalRépondre0
SelfRugger
· 07-20 10:28
C'est vraiment stressant de regarder ça.
Voir l'originalRépondre0
FortuneTeller42
· 07-20 10:17
La ligne de front de l'entraînement est-elle à nouveau en train de se battre ?
Les percées de l'entraînement d'IA décentralisée : Prime Intellect crée un réseau collaboratif vérifiable
Le Saint Graal de l'IA Crypto : Exploration à la pointe de la formation décentralisée
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut niveau de difficulté technique, déterminant directement la limite de capacité des modèles et l'efficacité de leur application réelle. Par rapport 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 de données complexes et un soutien d'algorithmes d'optimisation intensifs, étant le véritable "industrie lourde" de la construction des systèmes d'IA. Du point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées 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 matériels, des logiciels de base, du système de répartition du cluster, jusqu'à tous les composants du 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 est particulièrement adapté à l'entraînement de modèles à grande échelle tels que GPT et Gemini, offrant des avantages en termes d'efficacité et de gestion des ressources. Cependant, elle présente également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risque de point unique.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuels. Son cœur consiste à décomposer les tâches d'entraînement du modèle, puis à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les limites de calcul et de stockage d'une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble reste contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus interconnexion haute vitesse NVLink, le nœud principal coordonne de manière unifiée les sous-tâches. Les méthodes dominantes comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" collaborant pour accomplir une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU dans le cloud ou des dispositifs en périphérie, ), collaborant pour accomplir des tâches de formation sans coordonnateur central, généralement par le biais de protocoles qui pilotent la distribution des tâches et la collaboration, tout en utilisant des mécanismes de récompense cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier contribuant chacun de leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "un véritable entraînement décentralisé à grande échelle réalisable" reste un défi systémique d'ingénierie, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, et plusieurs autres niveaux, mais la question de savoir si "la collaboration efficace + l'incitation à l'honnêteté + des résultats corrects" est encore au stade précoce d'exploration de prototype.
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, adapté aux scénarios axés sur la conformité à la vie privée ( tels que la santé et 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 distribution des données de l'entraînement décentralisé, mais il dépend toujours d'une partie de coordination de confiance et ne possède pas de caractéristiques entièrement ouvertes et résistantes à la censure. Cela peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, plus appropriée 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 formation décentralisée n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure de la tâche, des exigences en ressources extrêmement élevées ou des difficultés de collaboration, elle n'est naturellement pas adaptée à être réalisée efficacement 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 efficaces dans un réseau ouvert ; les tâches avec de fortes restrictions sur la confidentialité des données et la souveraineté sont limitées par des contraintes légales et éthiques, ne pouvant pas être partagées ouvertement ; tandis que les tâches manquant de motivation à la collaboration n'ont pas d'incitation à la participation externe. Ces limites constituent ensemble les restrictions réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le micro-ajustement LoRA, les tâches d'entraînement post-alignement comportemental comme RLHF, DPO(, les tâches de formation et d'annotation par crowdsourcing, l'entraînement de petits modèles de base contrôlés par des ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs de périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité de la puissance de calcul, ce qui les rend particulièrement adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en architecture système et en conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie préliminaires. Cet article va analyser successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorer davantage leurs différences et leurs relations complémentaires dans le système d'entraînement AI décentralisé.
) Prime Intellect : Pion des réseaux collaboratifs d'apprentissage par renforcement vérifiables par la trajectoire d'entraînement.
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution de calcul. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
01、Valeur de la structure de la pile de protocoles Prime Intellect et des modules clés
![Le Saint Graal de l'IA Crypto : Exploration à la pointe de la formation décentralisée]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Détails sur les mécanismes clés de formation de Prime Intellect
#PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplé
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, spécialement conçu pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement le processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter les cycles de tâches de manière indépendante en local, et de collaborer via des interfaces standardisées et des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
#TOPLOC:Mécanisme de validation des comportements d'entraînement léger
TOPLOC###Observation de confiance et vérification de la localité( est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas de la recomputation de l'ensemble du modèle, mais analyse les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de la stratégie" pour réaliser une vérification de structure allégée. Il transforme pour la première fois les trajectoires de comportement du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour permettre une distribution de récompenses d'entraînement sans confiance, fournissant un chemin viable pour construire un réseau d'entraînement collaboratif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole de propagation et d'agrégation de poids asynchrone
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 avec des états de nœuds changeants. Il combine un mécanisme de propagation par gossip et une stratégie 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-version. Par rapport aux méthodes AllReduce centralisées ou synchrones, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant 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 communication développé et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants liés à la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés associés à la synchronisation globale, et permettant l'entraînement collaboratif des modèles en se basant uniquement sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux appareils en périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
#PCCL: Bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue par Prime Intellect pour un environnement de formation AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie sparse, la compression de gradient, la synchronisation à faible précision et la reprise à partir de points de contrôle, et peut fonctionner sur des GPU de consommation et des nœuds instables, constituant le composant fondamental soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du réseau de formation, ouvrant la voie à une base de communication qui construit un réseau de formation collaboratif véritablement ouvert et sans confiance.
)# 03、Prime Intellect incitations réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans permission, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids ###SHARDCAST( et la distribution des récompenses, formant un cycle d'incitation autour du "comportement d'entraînement réel".
![Le Saint Graal de Crypto AI : exploration à la pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04, INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable.
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier modèle de renforcement à grande échelle au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une échelle de paramètres atteignant 32B. Le modèle INTELLECT-2 a été achevé grâce à l'entraînement collaboratif de plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité des réseaux de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais aussi Prime Intellect.