Evolução do Paradigma de Treinamento de IA: De Controle Centralizado à Revolução Tecnológica de Colaboração Descentralizada
Na cadeia de valor total da IA, o treinamento de modelos é a etapa de maior consumo de recursos e com maior barreira técnica, determinando diretamente o limite de capacidade e o efeito prático do modelo. Em comparação com a chamada leve da fase de inferência, o processo de treinamento exige um investimento contínuo em poder computacional em larga escala, processos complexos de tratamento de dados e suporte a algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na 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 deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster local de alto desempenho, completando todo o processo de treinamento, desde hardware, software subjacente, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados por um sistema de controle unificado. Esta 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 o GPT e o Gemini, apresentando vantagens em eficiência e controle de recursos, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, e seu 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 conjunto ainda é controlado e agendado por uma instituição centralizada, frequentemente operando em ambientes de rede local de alta velocidade, através da tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as sub-tarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina diferentes dados com parâmetros compartilhados, precisa corresponder ao peso do modelo
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando alta escalabilidade;
Pipeline paralelo: execução em série faseada, aumentando a taxa de transferência;
Paralelismo de tensor: Segmentação refinada do cálculo matricial, melhorando 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 modelos grandes são treinados dessa forma.
Descentralização 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 colaboram para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição de tarefas e colaboração, e com o auxílio de mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldades de heterogeneidade de dispositivos e fragmentação: alta dificuldade de coordenação de dispositivos heterogêneos, baixa eficiência na fragmentação de tarefas;
Gargalo de eficiência de 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 o nó realmente participa do cálculo;
Falta de coordenação unificada: sem um despachante central, a distribuição de tarefas e o mecanismo de reversão de exceções são complexos.
Descentralização do treinamento pode ser entendido como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar o modelo de forma colaborativa, mas "o que é realmente viável em larga escala de treinamento descentralizado" ainda é um desafio sistemático de engenharia, que envolve arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros vários níveis, mas a questão de saber se pode "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está em fase de exploração de protótipos iniciais.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequada para cenários que priorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que combina as vantagens da dispersão de dados do treinamento Descentralização, mas ainda depende de um coordenador confiável e não possui características totalmente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismo de comunicação, tornando-a mais adequada como uma arquitetura de implantação transitória na indústria.
Tabela de comparação panorâmica dos paradigmas de treinamento de IA
Do ponto de vista dos paradigmas 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, é naturalmente inadequada para ser realizada de forma eficiente entre nós heterogêneos e de confiança. 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 fortes restrições de privacidade de dados e soberania são limitadas por regulamentações legais e restrições éticas, impossibilitando o compartilhamento aberto; e tarefas que carecem de incentivos de colaboração não têm 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 falsidade. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento mostra uma perspectiva de aplicação clara. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental ( como RLHF, DPO ), treinamento e rotulagem de dados crowdsourced, treinamento de pequenos modelos base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características de tolerância a potenciais heterogêneos, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, na vanguarda da formação descentralizada e do aprendizado federado, os projetos de blockchain 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 a direção de pesquisa teórica atual; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando progresso inicial na 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 descentralizado.
Prime Intellect: Pioneiro de Rede Colaborativa de Aprendizagem Reforçada Verificável por Trajetória
A Prime Intellect está empenhada em construir uma rede de treino de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treino de IA descentralizado com verificabilidade, abertura e um mecanismo de incentivos completo.
Um, Estrutura da Pilha de Protocolos Prime Intellect e Valor dos Módulos Chave
Dois, Detalhes das principais mecânicas de treinamento do Prime Intellect
PRIME-RL: Arquitetura de Tarefas de Aprendizado por Reforço Assíncrono Desacoplado
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Adota o 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 em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Comparado ao fluxo tradicional 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 validação de comportamento de treinamento leve
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado 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 do recálculo 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 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, fornecendo um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
SHARDCAST: Protocolo de agregação e disseminação de pesos assíncronos
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 estados de nós variáveis. Combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados desincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central para a construção de um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: estrutura de comunicação assíncrona esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida e de código aberto pela equipe Prime Intellect, baseada no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar os desafios comuns do treinamento descentralizado, como limitação de largura de banda, 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 a dependência de nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo 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 acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizadas.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve feita sob medida para o ambiente de treinamento de IA descentralizada da Prime Intellect, 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 pontos de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo o componente subjacente que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade entre dispositivos, abrindo a "última milha" da infraestrutura de comunicação para construir uma rede de treinamento colaborativa verdadeiramente aberta e sem necessidade de confiança.
Três, Rede de Incentivos Prime Intellect e Distribuição de Funções
A Prime Intellect construiu uma rede de treinamento sem permissão, 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 treinamento: executar treinamento local, submeter atualizações de peso e trajetórias 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, verificação de trajetórias, agregação de pesos (SHARDCAST) e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
Quatro, INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado de reforço do mundo treinado por meio da colaboração de nós descentralizados assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração 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 das redes de colaboração assíncronas. Este modelo não é apenas um avanço em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolos centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a Descentralização.
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.
12 Curtidas
Recompensa
12
4
Compartilhar
Comentário
0/400
MemeTokenGenius
· 18h atrás
Esta onda de treinamento de IA em Descentralização foi realmente bem feita.
Ver originalResponder0
BlockchainArchaeologist
· 18h atrás
Dificuldades dos modelos de treino que só os cães da infraestrutura entendem
Ver originalResponder0
GhostAddressHunter
· 18h atrás
Já vem desenhar BTC de novo. Há BTC para comer?
Ver originalResponder0
NftMetaversePainter
· 18h atrás
na verdade... a verdadeira mudança de paradigma não tem nada a ver com treinamento. trata-se de soberania algorítmica no reino computacional pós-físico *sips tea*
Nova paradigma de treino de IA: da controlo centralizado à Descentralização colaborativa da tecnologia
Evolução do Paradigma de Treinamento de IA: De Controle Centralizado à Revolução Tecnológica de Colaboração Descentralizada
Na cadeia de valor total da IA, o treinamento de modelos é a etapa de maior consumo de recursos e com maior barreira técnica, determinando diretamente o limite de capacidade e o efeito prático do modelo. Em comparação com a chamada leve da fase de inferência, o processo de treinamento exige um investimento contínuo em poder computacional em larga escala, processos complexos de tratamento de dados e suporte a algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na 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 deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster local de alto desempenho, completando todo o processo de treinamento, desde hardware, software subjacente, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados por um sistema de controle unificado. Esta 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 o GPT e o Gemini, apresentando vantagens em eficiência e controle de recursos, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, e seu 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 conjunto ainda é controlado e agendado por uma instituição centralizada, frequentemente operando em ambientes de rede local de alta velocidade, através da tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as sub-tarefas. 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 modelos grandes são treinados dessa forma.
Descentralização 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 colaboram para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição de tarefas e colaboração, e com o auxílio de mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização do treinamento pode ser entendido como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar o modelo de forma colaborativa, mas "o que é realmente viável em larga escala de treinamento descentralizado" ainda é um desafio sistemático de engenharia, que envolve arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros vários níveis, mas a questão de saber se pode "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está em fase de exploração de protótipos iniciais.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequada para cenários que priorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que combina as vantagens da dispersão de dados do treinamento Descentralização, mas ainda depende de um coordenador confiável e não possui características totalmente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismo de comunicação, tornando-a mais adequada como uma arquitetura de implantação transitória na indústria.
Tabela de comparação panorâmica dos paradigmas de treinamento de IA
Do ponto de vista dos paradigmas 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, é naturalmente inadequada para ser realizada de forma eficiente entre nós heterogêneos e de confiança. 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 fortes restrições de privacidade de dados e soberania são limitadas por regulamentações legais e restrições éticas, impossibilitando o compartilhamento aberto; e tarefas que carecem de incentivos de colaboração não têm 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 falsidade. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento mostra uma perspectiva de aplicação clara. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental ( como RLHF, DPO ), treinamento e rotulagem de dados crowdsourced, treinamento de pequenos modelos base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características de tolerância a potenciais heterogêneos, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, na vanguarda da formação descentralizada e do aprendizado federado, os projetos de blockchain 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 a direção de pesquisa teórica atual; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando progresso inicial na 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 descentralizado.
Prime Intellect: Pioneiro de Rede Colaborativa de Aprendizagem Reforçada Verificável por Trajetória
A Prime Intellect está empenhada em construir uma rede de treino de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treino de IA descentralizado com verificabilidade, abertura e um mecanismo de incentivos completo.
Um, Estrutura da Pilha de Protocolos Prime Intellect e Valor dos Módulos Chave
Dois, Detalhes das principais mecânicas de treinamento do Prime Intellect
PRIME-RL: Arquitetura de Tarefas de Aprendizado por Reforço Assíncrono Desacoplado
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Adota o 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 em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Comparado ao fluxo tradicional 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 validação de comportamento de treinamento leve
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado 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 do recálculo 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 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, fornecendo um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
SHARDCAST: Protocolo de agregação e disseminação de pesos assíncronos
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 estados de nós variáveis. Combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados desincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central para a construção de um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: estrutura de comunicação assíncrona esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida e de código aberto pela equipe Prime Intellect, baseada no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar os desafios comuns do treinamento descentralizado, como limitação de largura de banda, 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 a dependência de nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo 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 acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizadas.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve feita sob medida para o ambiente de treinamento de IA descentralizada da Prime Intellect, 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 pontos de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo o componente subjacente que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade entre dispositivos, abrindo a "última milha" da infraestrutura de comunicação para construir uma rede de treinamento colaborativa verdadeiramente aberta e sem necessidade de confiança.
Três, Rede de Incentivos Prime Intellect e Distribuição de Funções
A Prime Intellect construiu uma rede de treinamento sem permissão, 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, verificação de trajetórias, agregação de pesos (SHARDCAST) e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
Quatro, INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado de reforço do mundo treinado por meio da colaboração de nós descentralizados assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração 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 das redes de colaboração assíncronas. Este modelo não é apenas um avanço em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolos centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a Descentralização.