O Santo Graal da Crypto AI: Exploração de Fronteira do Treinamento Descentralizado
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira tecnológica, determinando diretamente o limite de capacidade do modelo e o efeito real da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo de grande capacidade computacional, processos de tratamento de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma arquitetônico, os métodos de treinamento podem ser classificados em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todos os processos de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, são coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas também enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a forma principal de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma instituição centralizada, geralmente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina diferentes dados com parâmetros compartilhados, sendo necessário corresponder os pesos do modelo.
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Paralelismo de pipeline: execução em série por fases, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada do cálculo de matrizes, aumentando a granularidade da paralelização
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe que comanda remotamente a colaboração de vários funcionários em "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos de grande escala são treinados dessa forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros ( podem ser computadores pessoais, GPUs em nuvem ou dispositivos de borda ) que colaboram para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição e cooperação de tarefas, e que utilizam mecanismos de recompensa criptográfica para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade na heterogeneidade e divisão de dispositivos: a coordenação de dispositivos heterogêneos é difícil, e a eficiência de divisão de tarefas é baixa.
Gargalo de eficiência na comunicação: comunicação de rede instável, gargalo de sincronização de gradientes evidente
Execução confiável ausente: falta de um ambiente de execução confiável, dificultando a verificação se os nós realmente participam do cálculo.
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de reversão de exceções são complexos
Descentralização de treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em conjunto, mas "o verdadeiro treinamento descentralizado em larga escala viável" ainda é um desafio sistemático de engenharia, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelo e outros múltiplos níveis, mas a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em fase de exploração de protótipo inicial.
O aprendizado federado, como uma forma de transição entre distribuições e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequado para cenários que enfatizam a conformidade com a privacidade, como ( na área da saúde e ) financeira. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que combina a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequado como uma arquitetura de implantação de transição na indústria.
Descentralização treino das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, alta demanda por recursos ou grande dificuldade de colaboração, não é naturalmente apropriado para ser concluído de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos à colaboração têm pouca motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma proposição falsa. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e podem ser incentivadas, a Descentralização do treinamento mostra uma perspectiva clara de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental como RLHF, DPO(, tarefas de treinamento e rotulagem de dados por meio de crowdsourcing, treinamento de pequenos modelos básicos com controle de recursos, bem como cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características que toleram poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
![Crypto AI do Santo Graal: Descentralização da exploração de treinamento de ponta])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Descentralização Treinamento Clássico Projeto Análise
Atualmente, na vanguarda do treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já sendo possível observar progressos iniciais em engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA Descentralização.
) Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está empenhada em construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis pelas suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado com verificabilidade, abertura e um mecanismo de incentivos completo através dos três módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
![O Santo Graal do Crypto AI: Exploração de Fronteira em Treinamento Descentralizado]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Explicação detalhada dos mecanismos-chave de treinamento do Prime Intellect
#PRIME-RL: Estrutura de Tarefas de Aprendizagem por Reforço Assíncrona Desacoplada
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de treinamento de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ela utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente localmente e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treino leve
TOPLOC###Observação Confiável e Verificação de Política-Localidade( é um mecanismo central de verificabilidade de treinamento proposto pelo Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende da recalibração do modelo completo, mas analisa a trajetória de consistência local entre "sequência de observação↔atualização de estratégia" para realizar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, proporcionando um caminho viável para construir uma rede de treinamento colaborativo descentralizada, audível e incentivada.
#SHARDCAST: Protocolo de Agregação e Disseminação de Peso Assíncrono
SHARDCAST é um protocolo de propagação e agregação de peso projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nó variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que vários nós submetam continuamente atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou sincronizados, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base fundamental para construir um consenso de peso estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação independente e de código aberto implementada pela equipe Prime Intellect com base na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns no treinamento descentralizado, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando os altos custos de comunicação da sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, e permitindo que o treinamento colaborativo do modelo seja realizado apenas com base nos nós vizinhos locais. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a participatividade do treinamento colaborativo global, sendo uma das infraestruturas de comunicação essenciais para a construção de redes de treinamento descentralizadas.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL)Prime Collective Communication Library( é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA Descentralização, destinada a resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradiente, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente de base que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade de dispositivos da rede de treinamento, abrindo caminho para a comunicação fundamental que constrói uma rede de treinamento colaborativa verdadeiramente aberta e sem confiança.
)# 03, Rede de Incentivos Prime Intellect e Distribuição de Funções
A Prime Intellect construiu uma rede de treinamento que não requer permissão, é verificável e possui um mecanismo de incentivos econômicos, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
Iniciador da tarefa: definir o ambiente de treino, o modelo inicial, a função de recompensa e os padrões de validação
Nós de treino: executar treino local, submeter atualizações de pesos e trajetórias de observação
Nós de validação: Usar o mecanismo TOPLOC para verificar a veracidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias.
O fluxo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos ###SHARDCAST( e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
)# 04, INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, o primeiro grande modelo de aprendizado por reforço do mundo treinado por uma colaboração de nós descentralizados assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado de forma colaborativa por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de redes de colaboração assíncrona. Este modelo não é apenas um avanço em desempenho, mas também é a Prime Intellect.
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
14 Curtidas
Recompensa
14
6
Repostar
Compartilhar
Comentário
0/400
FudVaccinator
· 07-22 12:29
Então, todo o grande capital está nas mãos da centralização.
Ver originalResponder0
MissedAirdropBro
· 07-20 13:31
Mais uma análise, estou cansado.
Ver originalResponder0
ZenChainWalker
· 07-20 10:38
Quem me empresta algumas placas 3090 para modelar?
Ver originalResponder0
OldLeekConfession
· 07-20 10:38
Bem, não é apenas um tapete de corrida libertado por IA?
Descentralização AI treinamento de ruptura: Prime Intellect cria uma rede colaborativa verificável
O Santo Graal da Crypto AI: Exploração de Fronteira do Treinamento Descentralizado
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira tecnológica, determinando diretamente o limite de capacidade do modelo e o efeito real da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo de grande capacidade computacional, processos de tratamento de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma arquitetônico, os métodos de treinamento podem ser classificados em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todos os processos de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, são coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas também enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a forma principal de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma instituição centralizada, geralmente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe que comanda remotamente a colaboração de vários funcionários em "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos de grande escala são treinados dessa forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros ( podem ser computadores pessoais, GPUs em nuvem ou dispositivos de borda ) que colaboram para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição e cooperação de tarefas, e que utilizam mecanismos de recompensa criptográfica para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização de treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em conjunto, mas "o verdadeiro treinamento descentralizado em larga escala viável" ainda é um desafio sistemático de engenharia, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelo e outros múltiplos níveis, mas a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em fase de exploração de protótipo inicial.
O aprendizado federado, como uma forma de transição entre distribuições e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequado para cenários que enfatizam a conformidade com a privacidade, como ( na área da saúde e ) financeira. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que combina a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequado como uma arquitetura de implantação de transição na indústria.
Descentralização treino das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, alta demanda por recursos ou grande dificuldade de colaboração, não é naturalmente apropriado para ser concluído de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos à colaboração têm pouca motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma proposição falsa. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e podem ser incentivadas, a Descentralização do treinamento mostra uma perspectiva clara de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental como RLHF, DPO(, tarefas de treinamento e rotulagem de dados por meio de crowdsourcing, treinamento de pequenos modelos básicos com controle de recursos, bem como cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características que toleram poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
![Crypto AI do Santo Graal: Descentralização da exploração de treinamento de ponta])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Descentralização Treinamento Clássico Projeto Análise
Atualmente, na vanguarda do treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já sendo possível observar progressos iniciais em engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA Descentralização.
) Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está empenhada em construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis pelas suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado com verificabilidade, abertura e um mecanismo de incentivos completo através dos três módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
![O Santo Graal do Crypto AI: Exploração de Fronteira em Treinamento Descentralizado]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Explicação detalhada dos mecanismos-chave de treinamento do Prime Intellect
#PRIME-RL: Estrutura de Tarefas de Aprendizagem por Reforço Assíncrona Desacoplada
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de treinamento de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ela utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente localmente e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treino leve
TOPLOC###Observação Confiável e Verificação de Política-Localidade( é um mecanismo central de verificabilidade de treinamento proposto pelo Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende da recalibração do modelo completo, mas analisa a trajetória de consistência local entre "sequência de observação↔atualização de estratégia" para realizar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, proporcionando um caminho viável para construir uma rede de treinamento colaborativo descentralizada, audível e incentivada.
#SHARDCAST: Protocolo de Agregação e Disseminação de Peso Assíncrono
SHARDCAST é um protocolo de propagação e agregação de peso projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nó variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que vários nós submetam continuamente atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou sincronizados, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base fundamental para construir um consenso de peso estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação independente e de código aberto implementada pela equipe Prime Intellect com base na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns no treinamento descentralizado, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando os altos custos de comunicação da sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, e permitindo que o treinamento colaborativo do modelo seja realizado apenas com base nos nós vizinhos locais. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a participatividade do treinamento colaborativo global, sendo uma das infraestruturas de comunicação essenciais para a construção de redes de treinamento descentralizadas.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL)Prime Collective Communication Library( é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA Descentralização, destinada a resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradiente, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente de base que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade de dispositivos da rede de treinamento, abrindo caminho para a comunicação fundamental que constrói uma rede de treinamento colaborativa verdadeiramente aberta e sem confiança.
)# 03, Rede de Incentivos Prime Intellect e Distribuição de Funções
A Prime Intellect construiu uma rede de treinamento que não requer permissão, é verificável e possui um mecanismo de incentivos econômicos, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
O fluxo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos ###SHARDCAST( e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
![Crypto AI的圣杯：Descentralização训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04, INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, o primeiro grande modelo de aprendizado por reforço do mundo treinado por uma colaboração de nós descentralizados assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado de forma colaborativa por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de redes de colaboração assíncrona. Este modelo não é apenas um avanço em desempenho, mas também é a Prime Intellect.