El Santo Grial de Crypto AI: Exploración de vanguardia en la Descentralización del entrenamiento
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que consume más recursos y tiene la mayor barrera técnica, lo que determina directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la invocación ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cómputo, procesos complejos de manejo de datos y el apoyo de algoritmos de optimización de alta intensidad, lo que lo convierte en la verdadera "industria pesada" de la construcción de sistemas de IA. Desde la perspectiva de los paradigmas de arquitectura, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, completado por una única institución dentro de un clúster local de alto rendimiento, donde todos los procesos de entrenamiento, desde el hardware, el software de bajo nivel, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, son coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero que al mismo tiempo presenta problemas como el monopolio de datos, las barreras de recursos, el consumo de energía y el riesgo de un solo punto.
El entrenamiento distribuido es la forma principal de entrenamiento de modelos a gran escala en la actualidad. Su núcleo consiste en descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para su ejecución colaborativa, con el fin de superar las limitaciones de cálculo y almacenamiento en una única máquina. A pesar de poseer características "distribuidas" en términos físicos, en general sigue siendo controlado y programado por una entidad centralizada, y a menudo se ejecuta en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, coordinando de manera unificada las subtareas desde el nodo principal. Los métodos principales incluyen:
Paralelización de datos: cada nodo entrena diferentes datos, los parámetros se comparten y se necesita que coincidan los pesos del modelo.
Paralelismo de modelos: desplegar diferentes partes del modelo en diferentes nodos, logrando una fuerte escalabilidad
Paralelismo de tuberías: ejecución en serie por fases, mejora de la tasa de transferencia
Paralelismo de tensores: segmentación refinada del cálculo de matrices, mejorando el grado de paralelismo
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige de forma remota la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los modelos grandes mainstream se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su característica central radica en: múltiples nodos que no se confían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades en la heterogeneidad de dispositivos y la segmentación: alta dificultad para coordinar dispositivos heterogéneos, baja eficiencia en la segmentación de tareas.
Cuello de botella en la eficiencia de comunicación: la comunicación de red es inestable, el cuello de botella en la sincronización de gradientes es evidente
Ejecución confiable faltante: falta de un entorno de ejecución confiable, difícil de verificar si los nodos realmente participan en el cálculo.
Falta de coordinación unificada: sin un despachador central, la distribución de tareas y el mecanismo de reversión de excepciones son complejos
La Descentralización del entrenamiento se puede entender como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar modelos de manera colaborativa, pero la "verdadera Descentralización del entrenamiento a gran escala" sigue siendo un desafío ingenieril sistémico, que involucra múltiples niveles como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, validación del modelo, etc. Sin embargo, la pregunta de si se puede lograr "colaboración efectiva + incentivos honestos + resultados correctos" aún se encuentra en la fase temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre distribuidos y Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan la conformidad con la privacidad. El aprendizaje federado cuenta con la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee la ventaja de dispersión de datos del entrenamiento Descentralización, pero aún depende de un coordinador confiable y no tiene características completamente abiertas y resistentes a la censura. Puede considerarse como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, siendo relativamente moderado en las tareas de entrenamiento, la estructura de confianza y los mecanismos de comunicación, siendo más adecuado como una arquitectura de despliegue transitorio en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza reducida. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de alta memoria, baja latencia y alta capacidad de ancho de banda, lo que dificulta la segmentación y sincronización efectivas en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por el cumplimiento legal y las restricciones éticas, lo que impide el intercambio abierto; mientras que las tareas que carecen de incentivos a la colaboración no tienen motivación externa para la participación. Estos límites en conjunto constituyen las restricciones reales del entrenamiento descentralizado actual.
Pero esto no significa que el entrenamiento descentralizado sea un concepto falso. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y motivadas, el entrenamiento descentralizado muestra perspectivas de aplicación claras. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior alineadas con el comportamiento, tareas de entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos base pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo con la participación de dispositivos en la periferia. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a la potencia de cálculo heterogénea, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, etc.
Actualmente, en el campo de vanguardia de la Descentralización entrenamiento y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto una mayor cantidad de exploraciones originales en el diseño de sistemas y algoritmos, representando así las direcciones más avanzadas de la investigación teórica actual; mientras que Gensyn y Flock.io tienen rutas de implementación relativamente claras, ya se pueden ver progresos iniciales en la ingeniería. Este artículo analizará secuencialmente las tecnologías centrales y las arquitecturas de ingeniería detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias dentro del sistema de entrenamiento de IA descentralizado.
Prime Intellect: pionero de redes de colaboración de aprendizaje reforzado verificables en la trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado, con verificabilidad, apertura y un mecanismo de incentivos completo, a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
02, Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
#PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritario, desacoplando estructuralmente el proceso de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete el ciclo de tareas de forma independiente en local, y colabore a través de interfaces estandarizadas con mecanismos de verificación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en entornos sin programación central, reduciendo así la complejidad del sistema y estableciendo una base para soportar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es el mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo ha completado realmente un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo completo del modelo, sino que completa la verificación de estructura ligera analizando la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, convierte la trayectoria de comportamiento durante el proceso de entrenamiento en un objeto verificable, lo que es una innovación clave para lograr una distribución de recompensas de entrenamiento sin necesidad de confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable y motivadora.
#SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, con ancho de banda limitado y con estados de nodos cambiantes. Combina mecanismos de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando la convergencia progresiva de pesos y la evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o sincrónicos, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continuo.
#OpenDiLoCo: Marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación implementado de manera independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto de DiLoCo propuesto por DeepMind, diseñado específicamente para enfrentar los desafíos comunes en el entrenamiento descentralizado, como las limitaciones de ancho de banda, la heterogeneidad de los dispositivos y la inestabilidad de los nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando así el alto costo de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo únicamente dependiendo de los nodos vecinos locales. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que las GPU de consumo y los dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la capacidad de participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizadas.
#PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para un entorno de entrenamiento de IA descentralizado, con el objetivo de resolver el cuello de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja ancho de banda. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede funcionar en GPU de consumo y nodos inestables, siendo un componente fundamental que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad con dispositivos, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativa verdaderamente abierta y sin necesidad de confianza.
03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y obtener recompensas basadas en contribuciones reales. El protocolo opera sobre tres tipos de roles centrales:
Iniciador de la tarea: definir el entorno de entrenamiento, el modelo inicial, la función de recompensa y los criterios de validación
Nodo de entrenamiento: ejecutar entrenamiento local, enviar actualizaciones de peso y observar trayectorias
Nodos de verificación: utilizar el mecanismo TOPLOC para verificar la autenticidad del comportamiento de entrenamiento y participar en el cálculo de recompensas y la agregación de estrategias.
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
04、INTELLECT-2: Publicación del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo entrenado por nodos descentralizados asíncronos y sin necesidad de confianza, con un tamaño de parámetro de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con un tiempo de entrenamiento que supera las 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenar es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera realización de una red de entrenamiento descentralizada.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
16 me gusta
Recompensa
16
4
Compartir
Comentar
0/400
NestedFox
· 07-26 00:11
De nuevo el rey de los dispositivos.
Ver originalesResponder0
CryptoAdventurer
· 07-26 00:03
Me muero de risa, comprar la caída AI me ha bajado el coeficiente intelectual.
Ver originalesResponder0
TrustlessMaximalist
· 07-26 00:01
¿No es solo formar un equipo para minar AI?
Ver originalesResponder0
BridgeNomad
· 07-25 23:50
entrenamiento descentralizado rn = enorme punto único de falla tbh... ya hemos visto esta película antes con puentes
Descentralización entrenamiento: el futuro paradigma de los modelos de IA y la exploración de la tecnología de vanguardia
El Santo Grial de Crypto AI: Exploración de vanguardia en la Descentralización del entrenamiento
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que consume más recursos y tiene la mayor barrera técnica, lo que determina directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la invocación ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cómputo, procesos complejos de manejo de datos y el apoyo de algoritmos de optimización de alta intensidad, lo que lo convierte en la verdadera "industria pesada" de la construcción de sistemas de IA. Desde la perspectiva de los paradigmas de arquitectura, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, completado por una única institución dentro de un clúster local de alto rendimiento, donde todos los procesos de entrenamiento, desde el hardware, el software de bajo nivel, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, son coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero que al mismo tiempo presenta problemas como el monopolio de datos, las barreras de recursos, el consumo de energía y el riesgo de un solo punto.
El entrenamiento distribuido es la forma principal de entrenamiento de modelos a gran escala en la actualidad. Su núcleo consiste en descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para su ejecución colaborativa, con el fin de superar las limitaciones de cálculo y almacenamiento en una única máquina. A pesar de poseer características "distribuidas" en términos físicos, en general sigue siendo controlado y programado por una entidad centralizada, y a menudo se ejecuta en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, coordinando de manera unificada las subtareas desde el nodo principal. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige de forma remota la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los modelos grandes mainstream se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su característica central radica en: múltiples nodos que no se confían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La Descentralización del entrenamiento se puede entender como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar modelos de manera colaborativa, pero la "verdadera Descentralización del entrenamiento a gran escala" sigue siendo un desafío ingenieril sistémico, que involucra múltiples niveles como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, validación del modelo, etc. Sin embargo, la pregunta de si se puede lograr "colaboración efectiva + incentivos honestos + resultados correctos" aún se encuentra en la fase temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre distribuidos y Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan la conformidad con la privacidad. El aprendizaje federado cuenta con la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee la ventaja de dispersión de datos del entrenamiento Descentralización, pero aún depende de un coordinador confiable y no tiene características completamente abiertas y resistentes a la censura. Puede considerarse como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, siendo relativamente moderado en las tareas de entrenamiento, la estructura de confianza y los mecanismos de comunicación, siendo más adecuado como una arquitectura de despliegue transitorio en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza reducida. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de alta memoria, baja latencia y alta capacidad de ancho de banda, lo que dificulta la segmentación y sincronización efectivas en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por el cumplimiento legal y las restricciones éticas, lo que impide el intercambio abierto; mientras que las tareas que carecen de incentivos a la colaboración no tienen motivación externa para la participación. Estos límites en conjunto constituyen las restricciones reales del entrenamiento descentralizado actual.
Pero esto no significa que el entrenamiento descentralizado sea un concepto falso. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y motivadas, el entrenamiento descentralizado muestra perspectivas de aplicación claras. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior alineadas con el comportamiento, tareas de entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos base pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo con la participación de dispositivos en la periferia. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a la potencia de cálculo heterogénea, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, etc.
Descentralización entrenamiento clásico proyecto análisis
Actualmente, en el campo de vanguardia de la Descentralización entrenamiento y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto una mayor cantidad de exploraciones originales en el diseño de sistemas y algoritmos, representando así las direcciones más avanzadas de la investigación teórica actual; mientras que Gensyn y Flock.io tienen rutas de implementación relativamente claras, ya se pueden ver progresos iniciales en la ingeniería. Este artículo analizará secuencialmente las tecnologías centrales y las arquitecturas de ingeniería detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias dentro del sistema de entrenamiento de IA descentralizado.
Prime Intellect: pionero de redes de colaboración de aprendizaje reforzado verificables en la trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado, con verificabilidad, apertura y un mecanismo de incentivos completo, a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
02, Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
#PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritario, desacoplando estructuralmente el proceso de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete el ciclo de tareas de forma independiente en local, y colabore a través de interfaces estandarizadas con mecanismos de verificación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en entornos sin programación central, reduciendo así la complejidad del sistema y estableciendo una base para soportar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es el mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo ha completado realmente un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo completo del modelo, sino que completa la verificación de estructura ligera analizando la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, convierte la trayectoria de comportamiento durante el proceso de entrenamiento en un objeto verificable, lo que es una innovación clave para lograr una distribución de recompensas de entrenamiento sin necesidad de confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable y motivadora.
#SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, con ancho de banda limitado y con estados de nodos cambiantes. Combina mecanismos de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando la convergencia progresiva de pesos y la evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o sincrónicos, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continuo.
#OpenDiLoCo: Marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación implementado de manera independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto de DiLoCo propuesto por DeepMind, diseñado específicamente para enfrentar los desafíos comunes en el entrenamiento descentralizado, como las limitaciones de ancho de banda, la heterogeneidad de los dispositivos y la inestabilidad de los nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando así el alto costo de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo únicamente dependiendo de los nodos vecinos locales. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que las GPU de consumo y los dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la capacidad de participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizadas.
#PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para un entorno de entrenamiento de IA descentralizado, con el objetivo de resolver el cuello de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja ancho de banda. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede funcionar en GPU de consumo y nodos inestables, siendo un componente fundamental que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad con dispositivos, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativa verdaderamente abierta y sin necesidad de confianza.
03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y obtener recompensas basadas en contribuciones reales. El protocolo opera sobre tres tipos de roles centrales:
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
04、INTELLECT-2: Publicación del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo entrenado por nodos descentralizados asíncronos y sin necesidad de confianza, con un tamaño de parámetro de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con un tiempo de entrenamiento que supera las 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenar es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera realización de una red de entrenamiento descentralizada.