O Santo Graal do Crypto AI: Exploração na vanguarda do treinamento Descentralização
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e a eficácia da aplicação prática. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em capacidade computacional em grande escala, um complexo fluxo de processamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" da construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco principal deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas atinja o seu melhor, sendo muito adequada para o treinamento de modelos em grande escala como GPT e Gemini, com vantagens de alta eficiência e controle de recursos, mas também apresenta 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, e seu núcleo é dividir a tarefa de treinamento do modelo e distribuí-la a várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora tenha características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma entidade centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, onde o nó principal coordena uniformemente as subtarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina parâmetros de dados diferentes compartilhando pesos do modelo, necessitando de correspondência.
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução em série por fases, aumentando a taxa de transferência
Paralelismo de tensor: segmentação refinada do cálculo de matriz, aumentando o grau de paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe que comanda remotamente a colaboração de vários funcionários de "escritórios" para completar uma tarefa. Atualmente, quase todos os principais grandes modelos são treinados dessa forma.
Descentralização do treinamento representa um caminho futuro mais aberto e resistente à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade da contribuição. Os principais desafios enfrentados por este modelo incluem:
Dificuldades de heterogeneidade e fragmentação de dispositivos: alta dificuldade de coordenação de dispositivos heterogêneos, baixa eficiência de fragmentação de tarefas
Gargalo de eficiência de comunicação: a comunicação na rede é instável, o gargalo de sincronização de gradientes é evidente
Falta de execução confiável: a falta de um ambiente de execução confiável torna difícil verificar se os nós realmente participam do cálculo.
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de retrocesso de exceções são complexos.
Descentralização do 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 que é viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e várias outras áreas. No entanto, a questão de se pode haver "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em fase de exploração de protótipos iniciais.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que tem a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável e não possui características totalmente abertas e resistentes à censura. Pode ser considerado uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente suave em relação às tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequado como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento 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, à alta demanda de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e de confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda rápida, o que torna difícil dividir e sincronizar de forma eficaz em uma rede aberta; tarefas com forte restrição de privacidade de dados e soberania são limitadas pela conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de uma base de incentivos de colaboração carecem de motivação externa para participação. Essas fronteiras juntos constituem as limitações reais do treinamento descentralizado atual.
Mas isso não significa que a Descentralização do treinamento seja um falso enunciado. Na verdade, em tipos de tarefas com estrutura leve, fácil paralelização e que podem ser incentivadas, a Descentralização do treinamento apresenta uma perspectiva de aplicação clara. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento de comportamento, treinamento e anotação com crowdsourcing de dados, treinamento de pequenos modelos base com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e tolerância a capacidades computacionais heterogêneas, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento projeto clássico análise
Atualmente, na vanguarda do treinamento descentralizado e do aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e 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 Gensyn e Flock.io têm um caminho de implementação relativamente claro e já mostram progressos iniciais em engenharia. Este artigo irá analisar, um a um, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA descentralizado.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado por reforço verificáveis por trajetória
A Prime Intellect está empenhada em construir uma rede de treino de IA que não requer confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treino 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
02, Explicação detalhada dos mecanismos chave de treino do Prime Intellect
#PRIME-RL: Arquitetura de tarefas de aprendizado por reforço assíncrono desacoplado
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ele utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete ciclos de tarefa de forma independente em locais distintos, colaborando através de interfaces padronizadas com mecanismos de verificação e agregação. 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 apoiar a execução paralela de múltiplas tarefas e a evolução de estratégias.
#TOPLOC:Mecanismo de validação de comportamento de treino leve
TOPLOC é o mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, usado para determinar se um nó realmente completou um aprendizado de estratégia válido com base em dados de observação. Diferente de soluções pesadas como ZKML, o TOPLOC não depende da recomputação do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias comportamentais durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizado, auditável e incentivada.
#SHARDCAST: Protocolo de agregação e propagação de peso assíncrono
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e com estados de nós variáveis. Ele combina mecanismos de propagação de gossip com estratégias de sincronização local, permitindo que múltiplos nós submetam continuamente atualizações parciais em estados desincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou de AllReduce sincronizado, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento Descentralização, sendo a base fundamental para a construção de um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Quadro de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e open-source pela equipe Prime Intellect, baseada no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamentos descentralizados, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação da sincronização global, completando o treinamento colaborativo do modelo 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 participação em treinamentos colaborativos globais, sendo uma das infraestruturas de comunicação fundamentais para a construção de redes de treinamento descentralizadas.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para o ambiente de treinamento de IA descentralizado, 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 gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente subjacente que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação fundamental que constrói uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.
03、Prime Intellect incentivo à rede e divisão de funções
Prime Intellect construiu uma rede de treinamento sem permissões, verificável e com um mecanismo de incentivo econômico, 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 critérios de validação
Nós de treino: executar treino local, submeter actualizações de pesos e trajectórias de observação
Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias.
O processo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivos em torno do "comportamento de treinamento real".
04、INTELLECT-2: Lançamento do primeiro modelo de treino descentralização verificável
O Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado de reforço do mundo treinado por nós de colaboração descentralizada assíncrona 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 totalmente assíncrona, com uma duração de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade de redes de colaboração assíncronas. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pelo Prime Intellect. O INTELLECT-2 integra módulos de protocolo central como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira vez que uma rede de treinamento descentralizada conseguiu realizar um processo de treinamento aberto, verificável e com um ciclo de incentivos econômicos.
Em termos de desempenho, o INTELLECT-2 é baseado no QwQ-32B e passou por um treinamento RL especializado em código e matemática, estando na vanguarda dos modelos de ajuste fino RL de código aberto atuais.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
6 gostos
Recompensa
6
7
Partilhar
Comentar
0/400
Blockwatcher9000
· 9h atrás
Dar dinheiro aos gigantes novamente?
Ver originalResponder0
ContractExplorer
· 9h atrás
Metaverso é o verdadeiro caminho para a IA
Ver originalResponder0
CryptoAdventurer
· 9h atrás
Outra vez a fazer as pessoas de parvas a pagar imposto sobre a inteligência. Continuar a esforçar-se.
Ver originalResponder0
TestnetNomad
· 9h atrás
Zé, treinar modelos que consome poder de computação.
Ver originalResponder0
PuzzledScholar
· 9h atrás
Fazer mais algumas coisas que não entendo.
Ver originalResponder0
GlueGuy
· 9h atrás
A guerra do poder de computação começou mais cedo!
Ver originalResponder0
Anon32942
· 9h atrás
Outra empresa a brincar com Descentralização de IA, huh?
Descentralização AI treinamento novo paradigma: Prime Intellect e Pluralis exploram tecnologias de ponta
O Santo Graal do Crypto AI: Exploração na vanguarda do treinamento Descentralização
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e a eficácia da aplicação prática. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em capacidade computacional em grande escala, um complexo fluxo de processamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" da construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco principal deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas atinja o seu melhor, sendo muito adequada para o treinamento de modelos em grande escala como GPT e Gemini, com vantagens de alta eficiência e controle de recursos, mas também apresenta 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, e seu núcleo é dividir a tarefa de treinamento do modelo e distribuí-la a várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora tenha características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma entidade centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, onde o nó principal coordena uniformemente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe que comanda remotamente a colaboração de vários funcionários de "escritórios" para completar uma tarefa. Atualmente, quase todos os principais grandes modelos são treinados dessa forma.
Descentralização do treinamento representa um caminho futuro mais aberto e resistente à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade da contribuição. Os principais desafios enfrentados por este modelo incluem:
Descentralização do 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 que é viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e várias outras áreas. No entanto, a questão de se pode haver "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em fase de exploração de protótipos iniciais.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que tem a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável e não possui características totalmente abertas e resistentes à censura. Pode ser considerado uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente suave em relação às tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequado como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento 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, à alta demanda de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e de confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda rápida, o que torna difícil dividir e sincronizar de forma eficaz em uma rede aberta; tarefas com forte restrição de privacidade de dados e soberania são limitadas pela conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de uma base de incentivos de colaboração carecem de motivação externa para participação. Essas fronteiras juntos constituem as limitações reais do treinamento descentralizado atual.
Mas isso não significa que a Descentralização do treinamento seja um falso enunciado. Na verdade, em tipos de tarefas com estrutura leve, fácil paralelização e que podem ser incentivadas, a Descentralização do treinamento apresenta uma perspectiva de aplicação clara. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento de comportamento, treinamento e anotação com crowdsourcing de dados, treinamento de pequenos modelos base com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e tolerância a capacidades computacionais heterogêneas, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento projeto clássico análise
Atualmente, na vanguarda do treinamento descentralizado e do aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e 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 Gensyn e Flock.io têm um caminho de implementação relativamente claro e já mostram progressos iniciais em engenharia. Este artigo irá analisar, um a um, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA descentralizado.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado por reforço verificáveis por trajetória
A Prime Intellect está empenhada em construir uma rede de treino de IA que não requer confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treino 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
02, Explicação detalhada dos mecanismos chave de treino do Prime Intellect
#PRIME-RL: Arquitetura de tarefas de aprendizado por reforço assíncrono desacoplado
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ele utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete ciclos de tarefa de forma independente em locais distintos, colaborando através de interfaces padronizadas com mecanismos de verificação e agregação. 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 apoiar a execução paralela de múltiplas tarefas e a evolução de estratégias.
#TOPLOC:Mecanismo de validação de comportamento de treino leve
TOPLOC é o mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, usado para determinar se um nó realmente completou um aprendizado de estratégia válido com base em dados de observação. Diferente de soluções pesadas como ZKML, o TOPLOC não depende da recomputação do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias comportamentais durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizado, auditável e incentivada.
#SHARDCAST: Protocolo de agregação e propagação de peso assíncrono
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e com estados de nós variáveis. Ele combina mecanismos de propagação de gossip com estratégias de sincronização local, permitindo que múltiplos nós submetam continuamente atualizações parciais em estados desincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou de AllReduce sincronizado, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento Descentralização, sendo a base fundamental para a construção de um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Quadro de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e open-source pela equipe Prime Intellect, baseada no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamentos descentralizados, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação da sincronização global, completando o treinamento colaborativo do modelo 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 participação em treinamentos colaborativos globais, sendo uma das infraestruturas de comunicação fundamentais para a construção de redes de treinamento descentralizadas.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para o ambiente de treinamento de IA descentralizado, 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 gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente subjacente que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação fundamental que constrói uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.
03、Prime Intellect incentivo à rede e divisão de funções
Prime Intellect construiu uma rede de treinamento sem permissões, verificável e com um mecanismo de incentivo econômico, 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 processo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivos em torno do "comportamento de treinamento real".
04、INTELLECT-2: Lançamento do primeiro modelo de treino descentralização verificável
O Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado de reforço do mundo treinado por nós de colaboração descentralizada assíncrona 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 totalmente assíncrona, com uma duração de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade de redes de colaboração assíncronas. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pelo Prime Intellect. O INTELLECT-2 integra módulos de protocolo central como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira vez que uma rede de treinamento descentralizada conseguiu realizar um processo de treinamento aberto, verificável e com um ciclo de incentivos econômicos.
Em termos de desempenho, o INTELLECT-2 é baseado no QwQ-32B e passou por um treinamento RL especializado em código e matemática, estando na vanguarda dos modelos de ajuste fino RL de código aberto atuais.