O Santo Graal do Crypto AI: Exploração de Fronteira do Treinamento Descentralizado
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito da aplicação real. Em comparação com a chamada leve na fase de inferência, o processo de treinamento exige um investimento contínuo em potência computacional em grande escala, processos complexos de tratamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista dos paradigmas de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde o hardware, software de base, sistema de agendamento de cluster até todos os componentes da estrutura de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo enfrenta problemas de monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução em conjunto, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" fisicamente, o todo ainda é controlado e agendado por uma entidade centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, onde o nó principal coordena uniformemente as subtarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina diferentes parâmetros de dados compartilhados, necessitando corresponder os pesos do modelo
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução em série por fases, aumentando a taxa de transferência
Paralelismo de tensor: segmentação refinada do cálculo de matriz, melhorando o grau de paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", comparável a um mesmo chefe que orienta remotamente a colaboração de vários funcionários de "escritórios" para concluir tarefas. Atualmente, quase todos os principais modelos grandes são treinados dessa forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Suas características centrais incluem: múltiplos nós que não se confiam mutuamente colaborando para completar tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade na heterogeneidade de dispositivos e na divisão: A coordenação de dispositivos heterogêneos é difícil, e a eficiência na divisão de tarefas é baixa.
Gargalo na eficiência da comunicação: comunicação de rede instável, gargalo de sincronização de gradiente evidente
Execução confiável ausente: falta de um ambiente de execução confiável, dificultando a verificação de se os nós realmente participam do cálculo.
Falta de coordenação unificada: sem central de despacho, distribuição de tarefas e mecanismo complexo de reversão de anomalias.
A formação descentralizada pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar modelos em colaboração, mas a "verdadeira formação descentralizada em larga escala viável" continua a ser um desafio sistemático de engenharia, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros aspectos. No entanto, a capacidade de "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuição e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelos, sendo adequada para cenários que priorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que mantém a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável, não possuindo características de total abertura e resistência à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.
Descentralização treino das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, às altas exigências de recursos ou à dificuldade de colaboração, não é naturalmente adequado para ser completado de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória de vídeo, baixa latência e largura de banda alta, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos básicos de colaboração não possuem motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja um falso conceito. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento apresenta perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento posterior de alinhamento comportamental, treinamento e rotulagem de dados via crowdsourcing, treinamento de modelos básicos pequenos com recursos controláveis, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas possuem características de alta paralelização, baixa acoplamento e tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Atualmente, nos campos de treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da dificuldade de implementação de engenharia, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já sendo possível ver progressos iniciais na engenharia. Este artigo irá analisar, um a um, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e discutir ainda mais suas diferenças e relações complementares no sistema de treinamento AI Descentralização.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treinamento verificáveis
A Prime Intellect está dedicada a construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através dos três principais módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
02、Detalhes dos principais mecanismos de treinamento do Prime Intellect
#PRIME-RL: Estrutura de Tarefa de Aprendizagem Reforçada Assíncrona Desacoplada
PRIME-RL é um framework de modelagem e execução de tarefas personalizado pela Prime Intellect para cenários de treino de Descentralização, projetado especificamente para redes heterogêneas e participação assíncrona. Ele utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treino, inferência e upload de pesos, permitindo que cada nó de treino execute ciclos de tarefa de forma independente em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com processos de aprendizado supervisionado tradicionais, o PRIME-RL é mais adequado para implementar treino flexível em um ambiente sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treino leve
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo de todo o modelo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, proporcionando um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
#SHARDCAST: Protocolo de agregação e disseminação de peso assíncrono
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nós mutáveis. Ele combina um mecanismo de propagação de gossip com uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a resiliência do treinamento Descentralização, sendo a base essencial para a construção de um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação independente e de código aberto implementada pela equipe Prime Intellect com base no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando o alto custo de comunicação da sincronização global, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas com os nós vizinhos locais. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para a construção de redes de treinamento descentralizado.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA descentralizado, destinado a resolver o gargalo de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo operar em GPUs de consumo e nós instáveis, sendo um componente subjacente que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade dos dispositivos na rede de treinamento, abrindo caminho para a comunicação fundamental que constrói uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança.
03、Rede de Incentivo Prime Intellect e Divisão de Funções
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismo de incentivos econômicos, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
Iniciador da tarefa: definir ambiente de treino, modelo inicial, função de recompensa e critérios de validação
Nós de treino: executar treino local, submeter atualizações de peso e trajetórias de observação
Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias
O processo central do protocolo inclui publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
04, INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por nós de colaboração descentralizada assíncrona e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU distribuídos em três continentes, usando uma arquitetura completamente assíncrona, com uma duração de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de redes de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo central como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização de uma rede de treinamento descentralizada.
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
16 Curtidas
Recompensa
16
4
Compartilhar
Comentário
0/400
NestedFox
· 07-26 00:11
Mais uma vez o monstro dos dispositivos.
Ver originalResponder0
CryptoAdventurer
· 07-26 00:03
Rir até morrer, comprar na baixa AI novamente me derrubou a inteligência.
Ver originalResponder0
TrustlessMaximalist
· 07-26 00:01
Não é só formar uma equipe para minerar IA?
Ver originalResponder0
BridgeNomad
· 07-25 23:50
treinamento descentralizado rn = enorme ponto único de falha tbh... já vimos este filme antes com pontes
Descentralização do treinamento: O futuro dos modelos de IA e exploração das fronteiras tecnológicas
O Santo Graal do Crypto AI: Exploração de Fronteira do Treinamento Descentralizado
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito da aplicação real. Em comparação com a chamada leve na fase de inferência, o processo de treinamento exige um investimento contínuo em potência computacional em grande escala, processos complexos de tratamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista dos paradigmas de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde o hardware, software de base, sistema de agendamento de cluster até todos os componentes da estrutura de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo enfrenta problemas de monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução em conjunto, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" fisicamente, o todo ainda é controlado e agendado por uma entidade centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, onde o nó principal coordena uniformemente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", comparável a um mesmo chefe que orienta remotamente a colaboração de vários funcionários de "escritórios" para concluir tarefas. Atualmente, quase todos os principais modelos grandes são treinados dessa forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Suas características centrais incluem: múltiplos nós que não se confiam mutuamente colaborando para completar tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
A formação descentralizada pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar modelos em colaboração, mas a "verdadeira formação descentralizada em larga escala viável" continua a ser um desafio sistemático de engenharia, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros aspectos. No entanto, a capacidade de "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuição e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelos, sendo adequada para cenários que priorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que mantém a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável, não possuindo características de total abertura e resistência à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.
Descentralização treino das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, às altas exigências de recursos ou à dificuldade de colaboração, não é naturalmente adequado para ser completado de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória de vídeo, baixa latência e largura de banda alta, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos básicos de colaboração não possuem motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja um falso conceito. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento apresenta perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento posterior de alinhamento comportamental, treinamento e rotulagem de dados via crowdsourcing, treinamento de modelos básicos pequenos com recursos controláveis, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas possuem características de alta paralelização, baixa acoplamento e tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássicos projetos análise
Atualmente, nos campos de treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da dificuldade de implementação de engenharia, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já sendo possível ver progressos iniciais na engenharia. Este artigo irá analisar, um a um, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e discutir ainda mais suas diferenças e relações complementares no sistema de treinamento AI Descentralização.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treinamento verificáveis
A Prime Intellect está dedicada a construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através dos três principais módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
02、Detalhes dos principais mecanismos de treinamento do Prime Intellect
#PRIME-RL: Estrutura de Tarefa de Aprendizagem Reforçada Assíncrona Desacoplada
PRIME-RL é um framework de modelagem e execução de tarefas personalizado pela Prime Intellect para cenários de treino de Descentralização, projetado especificamente para redes heterogêneas e participação assíncrona. Ele utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treino, inferência e upload de pesos, permitindo que cada nó de treino execute ciclos de tarefa de forma independente em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com processos de aprendizado supervisionado tradicionais, o PRIME-RL é mais adequado para implementar treino flexível em um ambiente sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treino leve
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo de todo o modelo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, proporcionando um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
#SHARDCAST: Protocolo de agregação e disseminação de peso assíncrono
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nós mutáveis. Ele combina um mecanismo de propagação de gossip com uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a resiliência do treinamento Descentralização, sendo a base essencial para a construção de um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação independente e de código aberto implementada pela equipe Prime Intellect com base no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando o alto custo de comunicação da sincronização global, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas com os nós vizinhos locais. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para a construção de redes de treinamento descentralizado.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA descentralizado, destinado a resolver o gargalo de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo operar em GPUs de consumo e nós instáveis, sendo um componente subjacente que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade dos dispositivos na rede de treinamento, abrindo caminho para a comunicação fundamental que constrói uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança.
03、Rede de Incentivo Prime Intellect e Divisão de Funções
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismo de incentivos econômicos, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
O processo central do protocolo inclui publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
04, INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por nós de colaboração descentralizada assíncrona e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU distribuídos em três continentes, usando uma arquitetura completamente assíncrona, com uma duração de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de redes de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo central como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização de uma rede de treinamento descentralizada.