La Saint Graal de l'IA Crypto : Exploration de pointe de l'entraînement décentralisé
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente la plus haute barrière technique, déterminant directement la limite de capacité du modèle et l'effet d'application réel. Par rapport à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, constituant le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution dans un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de planification de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération approfondie permet d'atteindre une efficacité optimale pour le partage de mémoire, la synchronisation des gradients et les mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risque de point unique.
L'entraînement distribué est la méthode principale pour l'entraînement de grands modèles actuellement. Son cœur consiste à décomposer les tâches d'entraînement du modèle et à les distribuer à plusieurs machines pour une exécution conjointe, afin de surmonter les goulots d'étranglement de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé, programmé et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, utilisant la technologie de bus interconnexion haute vitesse NVLink, où le nœud principal coordonne uniformément les sous-tâches. Les méthodes principales incluent :
Parallélisme des données : chaque nœud entraîne des données différentes avec des paramètres partagés, nécessitant une correspondance des poids du modèle.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
Pipeline parallèle : exécution séquentielle par étapes, augmentation du débit
Parallélisme de tenseur : segmentation fine des calculs matriciels, amélioration de la granularité parallèle
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", à l'instar d'un même patron dirigeant à distance la collaboration de plusieurs employés de "bureaux" pour accomplir une tâche. Actuellement, presque tous les grands modèles mainstream sont formés de cette manière.
La formation décentralisée représente une voie future plus ouverte et résistante à la censure. Ses caractéristiques principales sont : plusieurs nœuds qui ne se font pas confiance collaborent pour accomplir des tâches d'entraînement sans coordinateur central, généralement par le biais de protocoles qui pilotent la distribution des tâches et la coopération, et grâce à des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
Hétérogénéité des appareils et difficulté de partitionnement : la coordination des appareils hétérogènes est difficile, l'efficacité du partitionnement des tâches est faible.
Goulots d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation des gradients évident
Exécution fiable manquante : manque d'environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
Manque de coordination unifiée : pas de répartiteur central, la distribution des tâches et le mécanisme de retour des exceptions sont complexes
La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier contribuant chacun leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, etc. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + produire des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, ce qui le rend adapté aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré présente une structure d'ingénierie d'entraînement distribué et une capacité de coopération locale, tout en bénéficiant de l'avantage de la dispersion des données dans un cadre d'entraînement décentralisé. Cependant, il dépend encore d'une partie coordonnatrice de confiance et ne possède pas de caractéristiques entièrement ouvertes et anti-censure. On peut le considérer comme une solution de "Décentralisation contrôlée" dans des scénarios conformes à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, et plus appropriée comme architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites de l'entraînement, des opportunités et des chemins réalistes
D'un point de vue des paradigmes d'entraînement, la formation décentralisée n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure de la tâche, des exigences en ressources extrêmement élevées ou de la difficulté de collaboration, elle n'est naturellement pas adaptée pour être réalisée efficacement entre des nœuds hétérogènes et dénués de confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la segmentation et la synchronisation efficace dans un réseau ouvert ; les tâches soumises à des restrictions strictes en matière de confidentialité des données et de souveraineté sont limitées par la conformité légale et les contraintes éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant d'une base d'incitation à la collaboration manquent de dynamisme pour la participation externe. Ces frontières constituent ensemble les limites réelles de la formation décentralisée actuelle.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux débat. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le réglage fin LoRA, les tâches de post-formation d'alignement comportemental, les tâches d'entraînement et d'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlés par les ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des appareils edge. Ces tâches possèdent en général des caractéristiques de haute parallélisme, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à une formation collaborative via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de l'entraînement décentralisé et de l'apprentissage fédéré, les projets de blockchain représentatifs comprennent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté d'implémentation, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de pointe de la recherche théorique actuelle ; tandis que les chemins d'implémentation de Gensyn et Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système d'entraînement AI décentralisé.
Prime Intellect : pionnier des réseaux collaboratifs d'apprentissage renforcé vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect souhaite, grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement d'IA décentralisé avec vérifiabilité, ouverture et mécanismes d'incitation complets.
01、Valeur de la structure de la pile de protocoles Prime Intellect et des modules clés
02, Explication détaillée des mécanismes clés de formation de Prime Intellect
#PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour des réseaux hétérogènes et des participations asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, déconnectant de manière structurée les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâche localement et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et posant les bases pour soutenir le parallélisme multitâche et l'évolution des stratégies.
#TOPLOC:Mécanisme de validation des comportements d'entraînement léger
TOPLOC est un mécanisme de cœur de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais complète la vérification de structure légère en analysant la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie". Il convertit pour la première fois les trajectoires de comportement du processus de formation en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses de formation sans confiance, fournissant une voie réalisable pour construire un réseau de formation coopératif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole d'agrégation et de propagation des poids asynchrones
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de propagation gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication développé indépendamment et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants de la formation décentralisée, tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur le parallélisme des données, en construisant des structures topologiques éparses comme Ring, Expander et Small-World, évitant ainsi le coût élevé de communication d'une synchronisation globale, et permettant l'entraînement coopératif du modèle uniquement en s'appuyant sur des nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils edge de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à la formation collaborative mondiale, et constitue l'une des infrastructures de communication clés pour construire un réseau de formation décentralisé.
#PCCL: Bibliothèque de communication collaborative
PCCL est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression des gradients, la synchronisation à faible précision et la reprise après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau d'entraînement, ouvrant la "dernière étape" des infrastructures de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
03、Prime Intellect incitation réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
Nœuds d'entraînement : exécuter un entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation
Nœuds de validation : utiliser le mécanisme TOPLOC pour vérifier l'authenticité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, formant ainsi un cycle d'incitation autour du "comportement d'entraînement réel".
04, INTELLECT-2: Publication du premier modèle d'entraînement décentralisé vérifiable.
Prime Intellect a lancé INTELLECT-2 en mai 2025, qui est le premier modèle de renforcement au monde formé par la collaboration d nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètres atteignant 32B. Le modèle INTELLECT-2 a été formé grâce à la coopération de plus de 100 nœuds GPU hétérogènes répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais est également le premier déploiement systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation d'un réseau d'entraînement décentralisé.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
16 J'aime
Récompense
16
4
Partager
Commentaire
0/400
NestedFox
· 07-26 00:11
Revoilà le roi des appareils.
Voir l'originalRépondre0
CryptoAdventurer
· 07-26 00:03
Je meurs de rire, buy the dip AI m'a encore frappé au niveau du QI.
Voir l'originalRépondre0
TrustlessMaximalist
· 07-26 00:01
Ce n'est pas juste faire équipe pour miner de l'IA, n'est-ce pas ?
Voir l'originalRépondre0
BridgeNomad
· 07-25 23:50
la formation décentralisée rn = un énorme point de défaillance unique tbh... nous avons déjà vu ce film auparavant avec des bridges
Décentralisation de l'entraînement : Paradigmes futurs des modèles d'IA et exploration des technologies de pointe
La Saint Graal de l'IA Crypto : Exploration de pointe de l'entraînement décentralisé
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente la plus haute barrière technique, déterminant directement la limite de capacité du modèle et l'effet d'application réel. Par rapport à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, constituant le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution dans un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de planification de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération approfondie permet d'atteindre une efficacité optimale pour le partage de mémoire, la synchronisation des gradients et les mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risque de point unique.
L'entraînement distribué est la méthode principale pour l'entraînement de grands modèles actuellement. Son cœur consiste à décomposer les tâches d'entraînement du modèle et à les distribuer à plusieurs machines pour une exécution conjointe, afin de surmonter les goulots d'étranglement de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé, programmé et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, utilisant la technologie de bus interconnexion haute vitesse NVLink, où le nœud principal coordonne uniformément les sous-tâches. Les méthodes principales incluent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", à l'instar d'un même patron dirigeant à distance la collaboration de plusieurs employés de "bureaux" pour accomplir une tâche. Actuellement, presque tous les grands modèles mainstream sont formés de cette manière.
La formation décentralisée représente une voie future plus ouverte et résistante à la censure. Ses caractéristiques principales sont : plusieurs nœuds qui ne se font pas confiance collaborent pour accomplir des tâches d'entraînement sans coordinateur central, généralement par le biais de protocoles qui pilotent la distribution des tâches et la coopération, et grâce à des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier contribuant chacun leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, etc. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + produire des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, ce qui le rend adapté aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré présente une structure d'ingénierie d'entraînement distribué et une capacité de coopération locale, tout en bénéficiant de l'avantage de la dispersion des données dans un cadre d'entraînement décentralisé. Cependant, il dépend encore d'une partie coordonnatrice de confiance et ne possède pas de caractéristiques entièrement ouvertes et anti-censure. On peut le considérer comme une solution de "Décentralisation contrôlée" dans des scénarios conformes à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, et plus appropriée comme architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites de l'entraînement, des opportunités et des chemins réalistes
D'un point de vue des paradigmes d'entraînement, la formation décentralisée n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure de la tâche, des exigences en ressources extrêmement élevées ou de la difficulté de collaboration, elle n'est naturellement pas adaptée pour être réalisée efficacement entre des nœuds hétérogènes et dénués de confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la segmentation et la synchronisation efficace dans un réseau ouvert ; les tâches soumises à des restrictions strictes en matière de confidentialité des données et de souveraineté sont limitées par la conformité légale et les contraintes éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant d'une base d'incitation à la collaboration manquent de dynamisme pour la participation externe. Ces frontières constituent ensemble les limites réelles de la formation décentralisée actuelle.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux débat. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le réglage fin LoRA, les tâches de post-formation d'alignement comportemental, les tâches d'entraînement et d'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlés par les ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des appareils edge. Ces tâches possèdent en général des caractéristiques de haute parallélisme, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à une formation collaborative via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de l'entraînement décentralisé et de l'apprentissage fédéré, les projets de blockchain représentatifs comprennent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté d'implémentation, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de pointe de la recherche théorique actuelle ; tandis que les chemins d'implémentation de Gensyn et Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système d'entraînement AI décentralisé.
Prime Intellect : pionnier des réseaux collaboratifs d'apprentissage renforcé vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect souhaite, grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement d'IA décentralisé avec vérifiabilité, ouverture et mécanismes d'incitation complets.
01、Valeur de la structure de la pile de protocoles Prime Intellect et des modules clés
02, Explication détaillée des mécanismes clés de formation de Prime Intellect
#PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour des réseaux hétérogènes et des participations asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, déconnectant de manière structurée les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâche localement et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et posant les bases pour soutenir le parallélisme multitâche et l'évolution des stratégies.
#TOPLOC:Mécanisme de validation des comportements d'entraînement léger
TOPLOC est un mécanisme de cœur de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais complète la vérification de structure légère en analysant la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie". Il convertit pour la première fois les trajectoires de comportement du processus de formation en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses de formation sans confiance, fournissant une voie réalisable pour construire un réseau de formation coopératif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole d'agrégation et de propagation des poids asynchrones
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de propagation gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication développé indépendamment et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants de la formation décentralisée, tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur le parallélisme des données, en construisant des structures topologiques éparses comme Ring, Expander et Small-World, évitant ainsi le coût élevé de communication d'une synchronisation globale, et permettant l'entraînement coopératif du modèle uniquement en s'appuyant sur des nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils edge de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à la formation collaborative mondiale, et constitue l'une des infrastructures de communication clés pour construire un réseau de formation décentralisé.
#PCCL: Bibliothèque de communication collaborative
PCCL est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression des gradients, la synchronisation à faible précision et la reprise après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau d'entraînement, ouvrant la "dernière étape" des infrastructures de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
03、Prime Intellect incitation réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, formant ainsi un cycle d'incitation autour du "comportement d'entraînement réel".
04, INTELLECT-2: Publication du premier modèle d'entraînement décentralisé vérifiable.
Prime Intellect a lancé INTELLECT-2 en mai 2025, qui est le premier modèle de renforcement au monde formé par la collaboration d nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètres atteignant 32B. Le modèle INTELLECT-2 a été formé grâce à la coopération de plus de 100 nœuds GPU hétérogènes répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais est également le premier déploiement systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation d'un réseau d'entraînement décentralisé.