Le Saint Graal de Crypto AI : 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 le plus haut niveau de difficulté technique, déterminant directement la limite de capacité des modèles et l'efficacité de leur application réelle. 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 ainsi le véritable "heavy industry" de la construction de 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 entité au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, depuis le matériel, le logiciel de base, le système de gestion de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration en profondeur permet d'atteindre une efficacité optimale en matière de partage de mémoire, de synchronisation des gradients et de mécanismes de tolérance aux pannes, ce qui la rend très 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, mais elle présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et le risque de point de défaillance unique.

L'entraînement distribué est la méthode principale de l'entraînement des grands modèles actuellement. Son cœur consiste à décomposer les tâches d'entraînement du modèle et à les répartir sur plusieurs machines pour qu'elles s'exécutent en collaboration, afin de surmonter les goulets d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "décentralisées", l'ensemble est toujours contrôlé, planifié et synchronisé par des organismes centralisés, fonctionnant souvent dans un environnement de réseau local à haute vitesse, et grâce à la technologie de bus d'interconnexion haute vitesse NVLink, le nœud principal coordonne l'exécution des sous-tâches. Les méthodes principales comprennent :

• Parallélisme des données : chaque nœud entraîne différents paramètres de données partagés, nécessitant d'aligner les poids du modèle.
• Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité
• Pipeline parallèle : exécution en série par étapes, augmentation du débit
• Parallélisme de tenseur : segmentation fine des calculs matriciels, amélioration de la granularité de parallélisme

L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" collaborant pour accomplir une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.

La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques clés sont les suivantes : plusieurs nœuds qui ne se font pas confiance collaborent pour accomplir des tâches de formation sans coordinateur central, généralement par le biais de protocoles qui pilotent la distribution des tâches et la collaboration, et en s'appuyant sur 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 division : la coordination des appareils hétérogènes est difficile, l'efficacité de la division des tâches est faible.
• Goulots d'étranglement de l'efficacité de communication : la communication réseau est instable, et le goulot d'étranglement de la synchronisation des gradients est évident.
• Exécution fiable manquante : manque d'un environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
• Manque de coordination unifiée : pas de centralisateur, distribution des tâches, mécanismes de retour en arrière des anomalies complexes

L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier contribuant chacun avec leur puissance de calcul pour entraîner le modèle en collaboration, mais "un véritable entraînement décentralisé à grande échelle faisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et plusieurs autres aspects, mais la question de savoir si cela peut être "coopératif et efficace + incitatif à l'honnêteté + résultats corrects" est encore à un stade précoce d'exploration prototype.

L'apprentissage fédéré, en tant que forme intermédiaire 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 possède une structure d'ingénierie de formation distribuée et des capacités de coopération locale, tout en bénéficiant de l'avantage de la dispersion des données dans la formation décentralisée, mais il reste dépendant d'une partie de coordination fiable et ne possède pas de caractéristiques entièrement ouvertes et anti-censure. Cela peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement modérée en termes de tâches de formation, de structure de confiance et de mécanismes de communication, ce qui la rend plus appropriée en tant qu'architecture de déploiement transitoire pour l'industrie.

Décentralisation des limites, opportunités et chemins réalistes de l'entraînement

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 des tâches, des exigences en ressources extrêmement élevées ou de la difficulté de collaboration, elle n'est naturellement pas adaptée à une réalisation efficace entre des nœuds hétérogènes et de confiance. Par exemple, l'entraînement de modèles volumineux repose souvent sur une grande mémoire vidéo, une faible latence et une bande passante élevée, ce qui rend difficile la division et la synchronisation efficaces dans un réseau ouvert ; les tâches avec des restrictions fortes 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 de bases d'incitation à la collaboration manquent de motivation externe à la participation. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.

Mais cela ne signifie pas que l'entraînement décentralisé est un faux sujet. En fait, dans les types de tâches légères, facilement parallélisables et incitatives, l'entraînement décentralisé montre une perspective d'application claire. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches de post-formation d'alignement comportemental ( comme RLHF, DPO ), l'entraînement et l'annotation de données en crowdsourcing, l'entraînement de petits modèles de base à ressources contrôlées, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches possèdent généralement des caractéristiques de haute parallélisabilité, de faible couplage et de tolérance aux capacités de calcul hétérogènes, ce qui les rend très adaptées à un entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.

Décentralisation entraînement classique projet analyse

Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en matière d'architecture système et de conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires peuvent déjà être observés.

Prime Intellect: Pionnier des réseaux collaboratifs d'apprentissage par renforcement vérifiables par des trajectoires d'entraînement

Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions de calcul. Prime Intellect souhaite, grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et mécanismes d'incitation complets.

Valeur de la structure de la pile de protocoles Prime Intellect et des modules clés

Détails sur le mécanisme clé de formation de Prime Intellect

#PRIME-RL: Architecture de tâches d'apprentissage par renforcement asynchrone découplé

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 une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, déconnectant structurellement le processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement, tout en collaborant avec des mécanismes de validation et d'agrégation via des interfaces normalisées. 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 centralisée, réduisant la complexité du système et posant les bases pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.

#TOPLOC:Mécanisme de validation du comportement d'entraînement léger

TOPLOC est un mécanisme central de vérification de la formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie valide basé sur les données d'observation. Contrairement aux solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais analyse les trajectoires de cohérence locale entre "série d'observation ↔ mise à jour de la stratégie" pour réaliser une vérification de structure légère. Pour la première fois, il transforme les trajectoires de comportement au cours du processus de formation en objets vérifiables, ce qui constitue une innovation clé pour réaliser une attribution de récompense de formation sans confiance, et fournit une voie praticable pour construire un réseau de formation collaboratif décentralisé, auditable et incitatif.

#SHARDCAST: Protocole d'agrégation et de propagation de poids asynchrone

SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de propagation gossip avec 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 essentielle pour établir un consensus stable sur les poids et une itération d'entraînement continue.

#OpenDiLoCo: Cadre de communication asynchrone sparse

OpenDiLoCo est un cadre d'optimisation de communication indépendant et open source réalisé par l'équipe Prime Intellect basé sur le concept DiLoCo proposé par DeepMind, conçu spécialement pour relever les défis courants tels que la bande passante limitée, l'hétérogénéité des dispositifs et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture repose sur la parallélisation des données, en construisant des topologies éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et s'appuyant uniquement sur les nœuds voisins locaux pour réaliser un entraînement collaboratif du modèle. En combinant une mise à jour asynchrone et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs edge de participer de manière stable aux tâches d'entraînement, améliorant ainsi de manière significative la participation à l'entraînement collaboratif mondial, faisant de lui l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.

#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 appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradients, la synchronisation à faible précision et la récupération après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance de bande passante et la compatibilité des appareils du réseau d'entraînement, ouvrant la voie à la construction d'un véritable réseau d'entraînement collaboratif ouvert et sans confiance, en franchissant le "dernier kilomètre" de l'infrastructure de communication.

Prime Intellect réseau d'incitation 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 aux 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
• Nœud d'entraînement : exécuter un entraînement local, soumettre une mise à jour des poids et observer la trajectoire
• Nœud de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité du comportement 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 (SHARDCAST) et la distribution des récompenses, formant un cercle d'incitation autour du "comportement d'entraînement réel".

INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable

Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde entraîné par des nœuds décentralisés, asynchrones et sans confiance, avec une taille de paramètre de 32B. Le modèle INTELLECT-2 a été formé par plus de 100 nœuds hétérogènes GPU 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 constitue également la première mise en œuvre systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que la structure d'entraînement asynchrone PRIME-RL(, la validation des comportements d'entraînement TOPLOC) et l'agrégation de poids asynchrone SHARDCAST(, marquant la première réalisation d'un processus d'entraînement ouvert, vérifiable et avec un cycle d'incitation économique dans un réseau d'entraînement décentralisé.

En termes de performance, INTELLECT-2