Piala Suci Crypto AI: Eksplorasi Terdepan Pelatihan Desentralisasi
Dalam seluruh rantai nilai AI, pelatihan model adalah tahap yang paling menghabiskan sumber daya dan memiliki ambang teknologi tertinggi, yang secara langsung menentukan batas kemampuan model dan efek aplikasi nyata. Dibandingkan dengan pemanggilan ringan pada tahap inferensi, proses pelatihan memerlukan investasi daya komputasi besar-besaran yang berkelanjutan, proses pengolahan data yang kompleks, dan dukungan algoritma optimasi yang intensif, sehingga menjadi "industri berat" yang sebenarnya dalam pembangunan sistem AI. Dari sudut pandang paradigma arsitektur, metode pelatihan dapat dibagi menjadi empat kategori: pelatihan terpusat, pelatihan terdistribusi, pembelajaran federasi, dan pelatihan desentralisasi yang menjadi fokus pembahasan dalam artikel ini.
Pelatihan terpusat adalah cara tradisional yang paling umum, di mana seluruh proses pelatihan diselesaikan oleh satu lembaga di dalam kluster berkinerja tinggi lokal, dari perangkat keras, perangkat lunak dasar, sistem penjadwalan kluster, hingga semua komponen kerangka pelatihan yang dikoordinasikan oleh sistem kontrol yang terpadu. Arsitektur kolaboratif yang mendalam ini memungkinkan efisiensi berbagi memori, sinkronisasi gradien, dan mekanisme toleransi kesalahan mencapai tingkat optimal, sangat cocok untuk pelatihan model skala besar seperti GPT, Gemini, dan memiliki keuntungan efisiensi tinggi dan sumber daya yang terkontrol, tetapi juga menghadapi masalah monopoli data, hambatan sumber daya, konsumsi energi, dan risiko titik tunggal.
Pelatihan terdistribusi adalah cara utama untuk melatih model besar saat ini, inti dari metode ini adalah membagi tugas pelatihan model dan mendistribusikannya ke beberapa mesin untuk dieksekusi secara kolaboratif, guna mengatasi batasan komputasi dan penyimpanan di satu mesin. Meskipun secara fisik memiliki karakteristik "terdistribusi", keseluruhan tetap dikendalikan oleh lembaga terpusat yang mengontrol penjadwalan dan sinkronisasi, biasanya berjalan di lingkungan jaringan lokal berkecepatan tinggi, melalui teknologi bus interkoneksi NVLink yang cepat, di mana node utama secara terkoordinasi menyusun setiap sub-tugas. Metode utama termasuk:
Paralel data: setiap node melatih parameter data yang berbeda dengan berbagi, perlu mencocokkan bobot model
Paralelisme model: Menempatkan bagian-bagian berbeda dari model di node yang berbeda, untuk mencapai skalabilitas yang kuat
Pipa paralel: Eksekusi seri bertahap, meningkatkan throughput
Pararel tensor: pemecahan halus perhitungan matriks, meningkatkan granularitas pararel
Pelatihan terdistribusi adalah kombinasi dari "kontrol terpusat + eksekusi terdistribusi", yang dapat dibandingkan dengan seorang bos yang mengarahkan kolaborasi beberapa karyawan "kantor" dari jarak jauh untuk menyelesaikan tugas. Saat ini, hampir semua model besar utama dilatih dengan cara ini.
Desentralisasi latihan mewakili jalur masa depan yang lebih terbuka dan tahan sensor. Ciri inti dari ini adalah: beberapa node yang tidak saling percaya bekerja sama untuk menyelesaikan tugas pelatihan tanpa koordinator pusat, biasanya melalui protokol yang mendorong distribusi tugas dan kolaborasi, serta menggunakan mekanisme insentif kriptografis untuk memastikan kejujuran kontribusi. Tantangan utama yang dihadapi oleh model ini meliputi:
Kesulitan heterogenitas perangkat dan pemisahan: Koordinasi perangkat heterogenitas sulit, efisiensi pemisahan tugas rendah
Bottleneck efisiensi komunikasi: komunikasi jaringan tidak stabil, bottleneck sinkronisasi gradien jelas
Kekurangan Eksekusi Tepercaya: Kurangnya lingkungan eksekusi tepercaya, sulit untuk memverifikasi apakah node benar-benar berpartisipasi dalam perhitungan
Kurangnya koordinasi yang terpadu: tidak ada pengatur pusat, distribusi tugas, mekanisme pemulihan kesalahan yang kompleks
Desentralisasi pelatihan dapat dipahami sebagai: sekelompok sukarelawan global, masing-masing menyumbangkan daya komputasi untuk berkolaborasi melatih model, tetapi "pelatihan desentralisasi besar-besaran yang benar-benar dapat dilaksanakan" masih merupakan tantangan rekayasa sistemik, melibatkan arsitektur sistem, protokol komunikasi, keamanan kriptografi, mekanisme ekonomi, validasi model, dan banyak aspek lainnya, tetapi apakah dapat "berkolaborasi secara efektif + mendorong kejujuran + menghasilkan hasil yang benar" masih berada dalam tahap eksplorasi prototipe awal.
Federated learning sebagai bentuk transisi antara terdistribusi dan Desentralisasi, menekankan pada penyimpanan data secara lokal dan penggabungan parameter model secara terpusat, cocok untuk skenario yang mengutamakan kepatuhan privasi. Federated learning memiliki struktur rekayasa pelatihan terdistribusi dan kemampuan kolaborasi lokal, sekaligus memiliki keunggulan distribusi data dari pelatihan Desentralisasi, tetapi masih bergantung pada pihak koordinator yang tepercaya, dan tidak memiliki karakteristik sepenuhnya terbuka dan tahan sensor. Ini dapat dianggap sebagai solusi "Desentralisasi terkontrol" dalam skenario kepatuhan privasi, dengan tugas pelatihan, struktur kepercayaan, dan mekanisme komunikasi yang relatif moderat, lebih cocok sebagai arsitektur penerapan transisi di industri.
Batas, Peluang, dan Jalur Realitas dari Pelatihan Desentralisasi
Dari perspektif pola pelatihan, pelatihan desentralisasi tidak cocok untuk semua jenis tugas. Dalam beberapa skenario, karena struktur tugas yang kompleks, kebutuhan sumber daya yang sangat tinggi, atau kesulitan kolaborasi, secara alami tidak cocok untuk diselesaikan secara efisien di antara node yang heterogen dan tanpa kepercayaan. Misalnya, pelatihan model besar sering bergantung pada memori tinggi, latensi rendah, dan bandwidth tinggi, sehingga sulit untuk dibagi dan disinkronkan secara efektif di jaringan terbuka; tugas yang terikat oleh privasi data dan batasan kedaulatan dibatasi oleh kepatuhan hukum dan etika, sehingga tidak dapat dibagikan secara terbuka; sedangkan tugas yang kurang memiliki dasar insentif kolaborasi kekurangan motivasi partisipasi eksternal. Batasan-batasan ini bersama-sama membentuk batasan nyata pelatihan desentralisasi saat ini.
Namun, ini tidak berarti bahwa pelatihan desentralisasi adalah proposisi palsu. Faktanya, dalam jenis tugas yang ringan strukturnya, mudah diparalelkan, dan dapat memberikan insentif, pelatihan desentralisasi menunjukkan prospek aplikasi yang jelas. Termasuk namun tidak terbatas pada: pelatihan LoRA, tugas pasca pelatihan yang terkait dengan penyelarasan perilaku, pelatihan dan penandaan data dengan crowdsourcing, pelatihan model dasar kecil yang dapat dikendalikan sumber daya, serta skenario pelatihan kolaboratif yang melibatkan perangkat tepi. Tugas-tugas ini umumnya memiliki karakteristik paralelisme tinggi, keterkaitan rendah, dan toleransi terhadap heterogenitas daya komputasi, sangat cocok untuk dilakukan pelatihan kolaboratif melalui jaringan P2P, protokol Swarm, pengoptimal terdistribusi, dan sebagainya.
Analisis Proyek Klasik Pelatihan Desentralisasi
Saat ini, dalam bidang pelatihan desentralisasi dan pembelajaran federasi, proyek blockchain yang representatif antara lain adalah Prime Intellect, Pluralis.ai, Gensyn, Nous Research, dan Flock.io. Dari segi inovasi teknologi dan kesulitan implementasi rekayasa, Prime Intellect, Nous Research, dan Pluralis.ai telah mengusulkan banyak eksplorasi orisinal dalam arsitektur sistem dan desain algoritma, mewakili arah penelitian teoretis terkini; sementara Gensyn dan Flock.io memiliki jalur implementasi yang relatif jelas, dan kemajuan rekayasa awal sudah dapat terlihat. Artikel ini akan menganalisis secara bertahap teknologi inti dan arsitektur rekayasa dari lima proyek ini, serta mengeksplorasi perbedaan dan hubungan saling melengkapi dalam sistem pelatihan AI desentralisasi.
Prime Intellect: pelopor jaringan kolaboratif pembelajaran penguatan yang jalur latihannya dapat diverifikasi
Prime Intellect berkomitmen untuk membangun jaringan pelatihan AI yang tidak membutuhkan kepercayaan, sehingga siapa pun dapat berpartisipasi dalam pelatihan dan mendapatkan imbalan yang dapat dipercaya atas kontribusi komputasinya. Prime Intellect berharap dapat membangun sistem pelatihan AI desentralisasi yang memiliki verifikasi, keterbukaan, dan mekanisme insentif yang lengkap melalui tiga modul utama: PRIME-RL + TOPLOC + SHARDCAST.
01、Struktur Protokol Prime Intellect dan Nilai Modul Kunci
02, Penjelasan Mendetail tentang Mekanisme Kunci Pelatihan Prime Intellect
#PRIME-RL: Arsitektur Tugas Pembelajaran Penguatan Asinkron yang Terdecoupling
PRIME-RL adalah kerangka pemodelan dan pelaksanaan tugas yang disesuaikan untuk skenario pelatihan desentralisasi oleh Prime Intellect, dirancang khusus untuk jaringan heterogen dan partisipasi asinkron. Ini menggunakan pembelajaran penguatan sebagai objek penyesuaian prioritas, memisahkan secara struktural proses pelatihan, inferensi, dan unggahan bobot, sehingga setiap simpul pelatihan dapat menyelesaikan siklus tugas secara mandiri di lokasi, dan bekerja sama melalui antarmuka standar dengan mekanisme verifikasi dan agregasi. Dibandingkan dengan proses pembelajaran supervisi tradisional, PRIME-RL lebih cocok untuk mencapai pelatihan yang fleksibel di lingkungan tanpa penjadwalan pusat, yang tidak hanya mengurangi kompleksitas sistem, tetapi juga meletakkan dasar untuk mendukung multitasking paralel dan evolusi strategi.
TOPLOC adalah mekanisme inti yang dapat diverifikasi dalam pelatihan yang diusulkan oleh Prime Intellect, digunakan untuk menentukan apakah sebuah node benar-benar telah menyelesaikan pembelajaran strategi yang efektif berdasarkan data observasi. Berbeda dengan solusi berat seperti ZKML, TOPLOC tidak bergantung pada perhitungan ulang model secara keseluruhan, melainkan menyelesaikan verifikasi struktur yang ringan dengan menganalisis jejak konsistensi lokal antara "urutan observasi↔pembaruan strategi". Ini pertama kalinya mengubah jejak perilaku selama proses pelatihan menjadi objek yang dapat diverifikasi, merupakan inovasi kunci untuk mencapai distribusi imbalan pelatihan yang tidak memerlukan kepercayaan, dan memberikan jalur yang dapat dilaksanakan untuk membangun jaringan pelatihan kolaboratif terdesentralisasi yang dapat diaudit dan diinsentif.
#SHARDCAST: Protokol Penggabungan dan Penyebaran Bobot Asinkron
SHARDCAST adalah protokol penyebaran dan agregasi bobot yang dirancang oleh Prime Intellect, dioptimalkan khusus untuk lingkungan jaringan nyata yang asinkron, terbatas bandwidth, dan dengan status node yang berubah-ubah. Ini menggabungkan mekanisme penyebaran gossip dengan strategi sinkronisasi lokal, memungkinkan beberapa node untuk terus mengajukan pembaruan sebagian dalam keadaan tidak sinkron, mencapai konvergensi bobot yang progresif dan evolusi multi-versi. Dibandingkan dengan metode AllReduce terpusat atau sinkron, SHARDCAST secara signifikan meningkatkan skalabilitas dan kemampuan toleransi kesalahan dari pelatihan desentralisasi, menjadi fondasi inti untuk membangun konsensus bobot yang stabil dan iterasi pelatihan yang berkelanjutan.
#OpenDiLoCo: Kerangka Komunikasi Asinkron yang Jarang
OpenDiLoCo adalah kerangka optimasi komunikasi yang diimplementasikan secara independen dan bersifat open source oleh tim Prime Intellect berdasarkan konsep DiLoCo yang diusulkan oleh DeepMind, dirancang khusus untuk tantangan umum dalam pelatihan desentralisasi seperti keterbatasan bandwidth, heterogenitas perangkat, dan ketidakstabilan node. Arsitekturnya berbasis pada paralelisme data, dengan membangun struktur topologi jarang seperti Ring, Expander, dan Small-World, menghindari biaya komunikasi tinggi dari sinkronisasi global, dan hanya bergantung pada node tetangga lokal untuk menyelesaikan pelatihan kolaboratif model. Dengan menggabungkan pembaruan asinkron dan mekanisme toleransi kesalahan titik putus, OpenDiLoCo memungkinkan GPU kelas konsumen dan perangkat tepi untuk ikut berpartisipasi dalam tugas pelatihan dengan stabil, secara signifikan meningkatkan keterlibatan dalam pelatihan kolaboratif global, dan merupakan salah satu infrastruktur komunikasi kunci dalam membangun jaringan pelatihan desentralisasi.
#PCCL:Perpustakaan Komunikasi Kooperatif
PCCL adalah pustaka komunikasi ringan yang dirancang khusus oleh Prime Intellect untuk lingkungan pelatihan AI yang Desentralisasi, bertujuan untuk mengatasi hambatan adaptasi pustaka komunikasi tradisional di perangkat heterogen dan jaringan dengan bandwidth rendah. PCCL mendukung topologi jarang, kompresi gradien, sinkronisasi presisi rendah, dan pemulihan dari titik putus, dapat dijalankan di GPU kelas konsumen dan node yang tidak stabil, serta merupakan komponen dasar yang mendukung kemampuan komunikasi asinkron protokol OpenDiLoCo. Ini secara signifikan meningkatkan toleransi bandwidth jaringan pelatihan dan kompatibilitas perangkat, membuka "jalan terakhir" untuk infrastruktur komunikasi dalam membangun jaringan pelatihan kolaboratif yang benar-benar terbuka dan tanpa perlu kepercayaan.
03、Jaringan Insentif Prime Intellect dan Pembagian Peran
Prime Intellect membangun jaringan pelatihan yang tidak memerlukan izin, dapat diverifikasi, dan memiliki mekanisme insentif ekonomi, sehingga siapa pun dapat berpartisipasi dalam tugas dan mendapatkan penghargaan berdasarkan kontribusi nyata. Protokol ini beroperasi berdasarkan tiga jenis peran inti:
Penggagas tugas: mendefinisikan lingkungan pelatihan, model awal, fungsi penghargaan, dan standar validasi
Node pelatihan: melakukan pelatihan lokal, mengirimkan pembaruan bobot dan jejak pengamatan
Node verifikasi: menggunakan mekanisme TOPLOC untuk memverifikasi keaslian perilaku pelatihan, serta berpartisipasi dalam perhitungan hadiah dan agregasi strategi
Proses inti dari protokol mencakup penerbitan tugas, pelatihan node, verifikasi jejak, agregasi bobot, dan distribusi hadiah, membentuk sebuah lingkaran insentif yang berfokus pada "perilaku pelatihan yang nyata".
04、INTELLECT-2: Peluncuran model pelatihan terdesentralisasi yang dapat diverifikasi pertama
Prime Intellect meluncurkan INTELLECT-2 pada Mei 2025, yang merupakan model pembelajaran mendalam terbesar di dunia yang dilatih melalui kolaborasi node desentralisasi asinkron tanpa kepercayaan, dengan skala parameter mencapai 32B. Model INTELLECT-2 dilatih secara kolaboratif oleh lebih dari 100 node GPU heterogen yang tersebar di tiga benua, menggunakan arsitektur sepenuhnya asinkron, dengan durasi pelatihan lebih dari 400 jam, menunjukkan kelayakan dan stabilitas jaringan kolaborasi asinkron. Model ini bukan hanya terobosan dalam kinerja, tetapi juga merupakan penerapan sistematis pertama dari paradigma "pelatihan adalah konsensus" yang diajukan oleh Prime Intellect. INTELLECT-2 mengintegrasikan modul protokol inti seperti PRIME-RL, TOPLOC, dan SHARDCAST, menandai pencapaian pertama jaringan pelatihan desentralisasi.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
16 Suka
Hadiah
16
4
Bagikan
Komentar
0/400
NestedFox
· 07-26 00:11
Kembali bertemu dengan perangkat gila
Lihat AsliBalas0
CryptoAdventurer
· 07-26 00:03
Sangat lucu, buy the dip AI kembali membuat saya merasa bodoh.
Lihat AsliBalas0
TrustlessMaximalist
· 07-26 00:01
Bukankah hanya menggali AI secara tim?
Lihat AsliBalas0
BridgeNomad
· 07-25 23:50
pelatihan terdesentralisasi rn = titik kegagalan tunggal besar jujur... kita sudah melihat film ini sebelumnya dengan bridge
Desentralisasi pelatihan: Paradigma masa depan model AI dan eksplorasi teknologi terdepan
Piala Suci Crypto AI: Eksplorasi Terdepan Pelatihan Desentralisasi
Dalam seluruh rantai nilai AI, pelatihan model adalah tahap yang paling menghabiskan sumber daya dan memiliki ambang teknologi tertinggi, yang secara langsung menentukan batas kemampuan model dan efek aplikasi nyata. Dibandingkan dengan pemanggilan ringan pada tahap inferensi, proses pelatihan memerlukan investasi daya komputasi besar-besaran yang berkelanjutan, proses pengolahan data yang kompleks, dan dukungan algoritma optimasi yang intensif, sehingga menjadi "industri berat" yang sebenarnya dalam pembangunan sistem AI. Dari sudut pandang paradigma arsitektur, metode pelatihan dapat dibagi menjadi empat kategori: pelatihan terpusat, pelatihan terdistribusi, pembelajaran federasi, dan pelatihan desentralisasi yang menjadi fokus pembahasan dalam artikel ini.
Pelatihan terpusat adalah cara tradisional yang paling umum, di mana seluruh proses pelatihan diselesaikan oleh satu lembaga di dalam kluster berkinerja tinggi lokal, dari perangkat keras, perangkat lunak dasar, sistem penjadwalan kluster, hingga semua komponen kerangka pelatihan yang dikoordinasikan oleh sistem kontrol yang terpadu. Arsitektur kolaboratif yang mendalam ini memungkinkan efisiensi berbagi memori, sinkronisasi gradien, dan mekanisme toleransi kesalahan mencapai tingkat optimal, sangat cocok untuk pelatihan model skala besar seperti GPT, Gemini, dan memiliki keuntungan efisiensi tinggi dan sumber daya yang terkontrol, tetapi juga menghadapi masalah monopoli data, hambatan sumber daya, konsumsi energi, dan risiko titik tunggal.
Pelatihan terdistribusi adalah cara utama untuk melatih model besar saat ini, inti dari metode ini adalah membagi tugas pelatihan model dan mendistribusikannya ke beberapa mesin untuk dieksekusi secara kolaboratif, guna mengatasi batasan komputasi dan penyimpanan di satu mesin. Meskipun secara fisik memiliki karakteristik "terdistribusi", keseluruhan tetap dikendalikan oleh lembaga terpusat yang mengontrol penjadwalan dan sinkronisasi, biasanya berjalan di lingkungan jaringan lokal berkecepatan tinggi, melalui teknologi bus interkoneksi NVLink yang cepat, di mana node utama secara terkoordinasi menyusun setiap sub-tugas. Metode utama termasuk:
Pelatihan terdistribusi adalah kombinasi dari "kontrol terpusat + eksekusi terdistribusi", yang dapat dibandingkan dengan seorang bos yang mengarahkan kolaborasi beberapa karyawan "kantor" dari jarak jauh untuk menyelesaikan tugas. Saat ini, hampir semua model besar utama dilatih dengan cara ini.
Desentralisasi latihan mewakili jalur masa depan yang lebih terbuka dan tahan sensor. Ciri inti dari ini adalah: beberapa node yang tidak saling percaya bekerja sama untuk menyelesaikan tugas pelatihan tanpa koordinator pusat, biasanya melalui protokol yang mendorong distribusi tugas dan kolaborasi, serta menggunakan mekanisme insentif kriptografis untuk memastikan kejujuran kontribusi. Tantangan utama yang dihadapi oleh model ini meliputi:
Desentralisasi pelatihan dapat dipahami sebagai: sekelompok sukarelawan global, masing-masing menyumbangkan daya komputasi untuk berkolaborasi melatih model, tetapi "pelatihan desentralisasi besar-besaran yang benar-benar dapat dilaksanakan" masih merupakan tantangan rekayasa sistemik, melibatkan arsitektur sistem, protokol komunikasi, keamanan kriptografi, mekanisme ekonomi, validasi model, dan banyak aspek lainnya, tetapi apakah dapat "berkolaborasi secara efektif + mendorong kejujuran + menghasilkan hasil yang benar" masih berada dalam tahap eksplorasi prototipe awal.
Federated learning sebagai bentuk transisi antara terdistribusi dan Desentralisasi, menekankan pada penyimpanan data secara lokal dan penggabungan parameter model secara terpusat, cocok untuk skenario yang mengutamakan kepatuhan privasi. Federated learning memiliki struktur rekayasa pelatihan terdistribusi dan kemampuan kolaborasi lokal, sekaligus memiliki keunggulan distribusi data dari pelatihan Desentralisasi, tetapi masih bergantung pada pihak koordinator yang tepercaya, dan tidak memiliki karakteristik sepenuhnya terbuka dan tahan sensor. Ini dapat dianggap sebagai solusi "Desentralisasi terkontrol" dalam skenario kepatuhan privasi, dengan tugas pelatihan, struktur kepercayaan, dan mekanisme komunikasi yang relatif moderat, lebih cocok sebagai arsitektur penerapan transisi di industri.
Batas, Peluang, dan Jalur Realitas dari Pelatihan Desentralisasi
Dari perspektif pola pelatihan, pelatihan desentralisasi tidak cocok untuk semua jenis tugas. Dalam beberapa skenario, karena struktur tugas yang kompleks, kebutuhan sumber daya yang sangat tinggi, atau kesulitan kolaborasi, secara alami tidak cocok untuk diselesaikan secara efisien di antara node yang heterogen dan tanpa kepercayaan. Misalnya, pelatihan model besar sering bergantung pada memori tinggi, latensi rendah, dan bandwidth tinggi, sehingga sulit untuk dibagi dan disinkronkan secara efektif di jaringan terbuka; tugas yang terikat oleh privasi data dan batasan kedaulatan dibatasi oleh kepatuhan hukum dan etika, sehingga tidak dapat dibagikan secara terbuka; sedangkan tugas yang kurang memiliki dasar insentif kolaborasi kekurangan motivasi partisipasi eksternal. Batasan-batasan ini bersama-sama membentuk batasan nyata pelatihan desentralisasi saat ini.
Namun, ini tidak berarti bahwa pelatihan desentralisasi adalah proposisi palsu. Faktanya, dalam jenis tugas yang ringan strukturnya, mudah diparalelkan, dan dapat memberikan insentif, pelatihan desentralisasi menunjukkan prospek aplikasi yang jelas. Termasuk namun tidak terbatas pada: pelatihan LoRA, tugas pasca pelatihan yang terkait dengan penyelarasan perilaku, pelatihan dan penandaan data dengan crowdsourcing, pelatihan model dasar kecil yang dapat dikendalikan sumber daya, serta skenario pelatihan kolaboratif yang melibatkan perangkat tepi. Tugas-tugas ini umumnya memiliki karakteristik paralelisme tinggi, keterkaitan rendah, dan toleransi terhadap heterogenitas daya komputasi, sangat cocok untuk dilakukan pelatihan kolaboratif melalui jaringan P2P, protokol Swarm, pengoptimal terdistribusi, dan sebagainya.
Analisis Proyek Klasik Pelatihan Desentralisasi
Saat ini, dalam bidang pelatihan desentralisasi dan pembelajaran federasi, proyek blockchain yang representatif antara lain adalah Prime Intellect, Pluralis.ai, Gensyn, Nous Research, dan Flock.io. Dari segi inovasi teknologi dan kesulitan implementasi rekayasa, Prime Intellect, Nous Research, dan Pluralis.ai telah mengusulkan banyak eksplorasi orisinal dalam arsitektur sistem dan desain algoritma, mewakili arah penelitian teoretis terkini; sementara Gensyn dan Flock.io memiliki jalur implementasi yang relatif jelas, dan kemajuan rekayasa awal sudah dapat terlihat. Artikel ini akan menganalisis secara bertahap teknologi inti dan arsitektur rekayasa dari lima proyek ini, serta mengeksplorasi perbedaan dan hubungan saling melengkapi dalam sistem pelatihan AI desentralisasi.
Prime Intellect: pelopor jaringan kolaboratif pembelajaran penguatan yang jalur latihannya dapat diverifikasi
Prime Intellect berkomitmen untuk membangun jaringan pelatihan AI yang tidak membutuhkan kepercayaan, sehingga siapa pun dapat berpartisipasi dalam pelatihan dan mendapatkan imbalan yang dapat dipercaya atas kontribusi komputasinya. Prime Intellect berharap dapat membangun sistem pelatihan AI desentralisasi yang memiliki verifikasi, keterbukaan, dan mekanisme insentif yang lengkap melalui tiga modul utama: PRIME-RL + TOPLOC + SHARDCAST.
01、Struktur Protokol Prime Intellect dan Nilai Modul Kunci
02, Penjelasan Mendetail tentang Mekanisme Kunci Pelatihan Prime Intellect
#PRIME-RL: Arsitektur Tugas Pembelajaran Penguatan Asinkron yang Terdecoupling
PRIME-RL adalah kerangka pemodelan dan pelaksanaan tugas yang disesuaikan untuk skenario pelatihan desentralisasi oleh Prime Intellect, dirancang khusus untuk jaringan heterogen dan partisipasi asinkron. Ini menggunakan pembelajaran penguatan sebagai objek penyesuaian prioritas, memisahkan secara struktural proses pelatihan, inferensi, dan unggahan bobot, sehingga setiap simpul pelatihan dapat menyelesaikan siklus tugas secara mandiri di lokasi, dan bekerja sama melalui antarmuka standar dengan mekanisme verifikasi dan agregasi. Dibandingkan dengan proses pembelajaran supervisi tradisional, PRIME-RL lebih cocok untuk mencapai pelatihan yang fleksibel di lingkungan tanpa penjadwalan pusat, yang tidak hanya mengurangi kompleksitas sistem, tetapi juga meletakkan dasar untuk mendukung multitasking paralel dan evolusi strategi.
#TOPLOC:Mekanisme Verifikasi Perilaku Pelatihan Ringan
TOPLOC adalah mekanisme inti yang dapat diverifikasi dalam pelatihan yang diusulkan oleh Prime Intellect, digunakan untuk menentukan apakah sebuah node benar-benar telah menyelesaikan pembelajaran strategi yang efektif berdasarkan data observasi. Berbeda dengan solusi berat seperti ZKML, TOPLOC tidak bergantung pada perhitungan ulang model secara keseluruhan, melainkan menyelesaikan verifikasi struktur yang ringan dengan menganalisis jejak konsistensi lokal antara "urutan observasi↔pembaruan strategi". Ini pertama kalinya mengubah jejak perilaku selama proses pelatihan menjadi objek yang dapat diverifikasi, merupakan inovasi kunci untuk mencapai distribusi imbalan pelatihan yang tidak memerlukan kepercayaan, dan memberikan jalur yang dapat dilaksanakan untuk membangun jaringan pelatihan kolaboratif terdesentralisasi yang dapat diaudit dan diinsentif.
#SHARDCAST: Protokol Penggabungan dan Penyebaran Bobot Asinkron
SHARDCAST adalah protokol penyebaran dan agregasi bobot yang dirancang oleh Prime Intellect, dioptimalkan khusus untuk lingkungan jaringan nyata yang asinkron, terbatas bandwidth, dan dengan status node yang berubah-ubah. Ini menggabungkan mekanisme penyebaran gossip dengan strategi sinkronisasi lokal, memungkinkan beberapa node untuk terus mengajukan pembaruan sebagian dalam keadaan tidak sinkron, mencapai konvergensi bobot yang progresif dan evolusi multi-versi. Dibandingkan dengan metode AllReduce terpusat atau sinkron, SHARDCAST secara signifikan meningkatkan skalabilitas dan kemampuan toleransi kesalahan dari pelatihan desentralisasi, menjadi fondasi inti untuk membangun konsensus bobot yang stabil dan iterasi pelatihan yang berkelanjutan.
#OpenDiLoCo: Kerangka Komunikasi Asinkron yang Jarang
OpenDiLoCo adalah kerangka optimasi komunikasi yang diimplementasikan secara independen dan bersifat open source oleh tim Prime Intellect berdasarkan konsep DiLoCo yang diusulkan oleh DeepMind, dirancang khusus untuk tantangan umum dalam pelatihan desentralisasi seperti keterbatasan bandwidth, heterogenitas perangkat, dan ketidakstabilan node. Arsitekturnya berbasis pada paralelisme data, dengan membangun struktur topologi jarang seperti Ring, Expander, dan Small-World, menghindari biaya komunikasi tinggi dari sinkronisasi global, dan hanya bergantung pada node tetangga lokal untuk menyelesaikan pelatihan kolaboratif model. Dengan menggabungkan pembaruan asinkron dan mekanisme toleransi kesalahan titik putus, OpenDiLoCo memungkinkan GPU kelas konsumen dan perangkat tepi untuk ikut berpartisipasi dalam tugas pelatihan dengan stabil, secara signifikan meningkatkan keterlibatan dalam pelatihan kolaboratif global, dan merupakan salah satu infrastruktur komunikasi kunci dalam membangun jaringan pelatihan desentralisasi.
#PCCL:Perpustakaan Komunikasi Kooperatif
PCCL adalah pustaka komunikasi ringan yang dirancang khusus oleh Prime Intellect untuk lingkungan pelatihan AI yang Desentralisasi, bertujuan untuk mengatasi hambatan adaptasi pustaka komunikasi tradisional di perangkat heterogen dan jaringan dengan bandwidth rendah. PCCL mendukung topologi jarang, kompresi gradien, sinkronisasi presisi rendah, dan pemulihan dari titik putus, dapat dijalankan di GPU kelas konsumen dan node yang tidak stabil, serta merupakan komponen dasar yang mendukung kemampuan komunikasi asinkron protokol OpenDiLoCo. Ini secara signifikan meningkatkan toleransi bandwidth jaringan pelatihan dan kompatibilitas perangkat, membuka "jalan terakhir" untuk infrastruktur komunikasi dalam membangun jaringan pelatihan kolaboratif yang benar-benar terbuka dan tanpa perlu kepercayaan.
03、Jaringan Insentif Prime Intellect dan Pembagian Peran
Prime Intellect membangun jaringan pelatihan yang tidak memerlukan izin, dapat diverifikasi, dan memiliki mekanisme insentif ekonomi, sehingga siapa pun dapat berpartisipasi dalam tugas dan mendapatkan penghargaan berdasarkan kontribusi nyata. Protokol ini beroperasi berdasarkan tiga jenis peran inti:
Proses inti dari protokol mencakup penerbitan tugas, pelatihan node, verifikasi jejak, agregasi bobot, dan distribusi hadiah, membentuk sebuah lingkaran insentif yang berfokus pada "perilaku pelatihan yang nyata".
04、INTELLECT-2: Peluncuran model pelatihan terdesentralisasi yang dapat diverifikasi pertama
Prime Intellect meluncurkan INTELLECT-2 pada Mei 2025, yang merupakan model pembelajaran mendalam terbesar di dunia yang dilatih melalui kolaborasi node desentralisasi asinkron tanpa kepercayaan, dengan skala parameter mencapai 32B. Model INTELLECT-2 dilatih secara kolaboratif oleh lebih dari 100 node GPU heterogen yang tersebar di tiga benua, menggunakan arsitektur sepenuhnya asinkron, dengan durasi pelatihan lebih dari 400 jam, menunjukkan kelayakan dan stabilitas jaringan kolaborasi asinkron. Model ini bukan hanya terobosan dalam kinerja, tetapi juga merupakan penerapan sistematis pertama dari paradigma "pelatihan adalah konsensus" yang diajukan oleh Prime Intellect. INTELLECT-2 mengintegrasikan modul protokol inti seperti PRIME-RL, TOPLOC, dan SHARDCAST, menandai pencapaian pertama jaringan pelatihan desentralisasi.