Évolution des paradigmes d'entraînement de l'IA : d'un contrôle centralisé à une révolution technologique de la collaboration décentralisée
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 capacité maximale des modèles et l'efficacité des applications réelles. 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, représentant véritablement une "industrie lourde" dans 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 Décentralisation.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution 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 planification de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération approfondie permet d'optimiser l'efficacité du partage de la mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de point de défaillance.
L'entraînement distribué est la méthode principale pour l'entraînement de grands modèles actuellement. Son noyau consiste à décomposer les tâches d'entraînement du modèle, puis à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement de calcul et de stockage sur une machine unique. Bien qu'il présente physiquement des caractéristiques "décentralisées", l'ensemble est néanmoins contrôlé, planifié et synchronisé par une agence centralisée, et fonctionne souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion haute vitesse NVLink, où le nœud principal coordonne de manière unifiée les sous-tâches. Les méthodes principales comprennent :
Parallélisme des données : chaque nœud entraîne différents paramètres de données partagés, nécessitant la correspondance des poids du modèle
Parallélisation 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 tenseurs : segmentation fine des calculs matriciels, amélioration de la granularité du parallélisme
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement d'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 les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU cloud ou des dispositifs en périphérie, ), qui collaborent pour accomplir des tâches de formation sans coordinateur central, généralement en distribuant et en collaborant sur les tâches via des protocoles, et en utilisant un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
Difficulté d'hétérogénéité des dispositifs et de découpage : difficulté de coordination des dispositifs hétérogènes, faible efficacité de découpage des tâches
Goulots d'étranglement de l'efficacité de la communication : communication réseau instable, goulot d'étranglement de la 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 planificateur central, distribution des tâches et mécanismes de rollback des exceptions complexes
La formation décentralisée peut être comprise comme : un groupe de bénévoles à l'échelle mondiale contribuant chacun à la puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable formation décentralisée 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 niveaux, mais la capacité à "collaborer efficacement + inciter à l'honnêteté + obtenir des résultats corrects" en est encore au stade précoce de l'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation des données localement et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios axés sur la conformité à la vie privée ( tels que la santé et la finance ). L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant des avantages de la dispersion des données dans l'entraînement décentralisé. Cependant, il dépend toujours d'une partie coordonnée de confiance et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, plus adaptés comme architecture de déploiement transitoire dans l'industrie.
Tableau comparatif panoramique des paradigmes d'entraînement AI( Architecture technique × Incitation à la confiance × Caractéristiques d'application)
Décentralisation entraînement des frontières, opportunités et chemins de réalité
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement 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 besoins en ressources extrêmement élevés ou de la difficulté de collaboration, elle n'est naturellement pas adaptée à être réalisée efficacement entre des nœuds hétérogènes et sans confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, d'une faible latence et d'une large bande passante, ce qui rend difficile le découpage et la synchronisation efficaces dans un réseau ouvert ; les tâches avec de fortes restrictions en matière de confidentialité des données et de souveraineté, comme la santé, la finance et les données sensibles, sont limitées par des contraintes légales et éthiques, empêchant le partage ouvert ; tandis que les tâches manquant de bases d'incitation à la collaboration, comme l'entraînement de modèles fermés d'entreprise ou de prototypes internes, manquent d'une dynamique de participation externe. Ces limites constituent ensemble les restrictions réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères, faciles à paralléliser et incitatives, l'entraînement décentralisé présente des perspectives d'application claires. Cela comprend, mais sans s'y limiter : l'ajustement LoRA, les tâches de post-formation d'alignement comportemental telles que RLHF, DPO(, les tâches d'entraînement et d'annotation par crowdsourcing de données, l'entraînement de petits modèles de base sous contrôle des ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches possèdent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
)# Aperçu de l'adaptabilité des tâches d'entraînement à la Décentralisation
( Décentralisation entraînement projet classique analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent 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 des systèmes et la conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les voies d'implémentation de Gensyn et Flock.io sont relativement claires, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies centrales et les architectures d'ingénierie sous-jacentes de 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 par renforcement vérifiables par les trajectoires d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement à l'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution de calcul. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement à l'IA décentralisé doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.
Un, Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technique de la collaboration décentralisée]###https://img-cdn.gateio.im/webp-social/moments-3a83d085e7a7abfe72221958419cd6d8.webp(
Deux, explication détaillée des mécanismes clés de l'entraînement de Prime Intellect
PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, spécialement conçu pour des réseaux hétérogènes et des participants asynchrones. Il adopte l'apprentissage par renforcement comme objet d'adaptation prioritaire, déconnectant structurellement les processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâche localement et de collaborer avec des mécanismes de validation et d'agrégation via une interface normalisée. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la réalisation d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et jetant les bases pour prendre en charge le parallélisme des tâches multiples et l'évolution des stratégies.
TOPLOC : Mécanisme léger de validation du comportement d'entraînement
TOPLOC)Observation de confiance et vérification de la localité### est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement complété un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul intégral du modèle, mais analyse la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification de structure légère. Il transforme pour la première fois les trajectoires comportementales durant le processus de formation en objets vérifiables, ce qui constitue une innovation clé pour permettre une distribution de récompenses d'entraînement sans confiance, offrant une voie réalisable pour construire un réseau d'entraînement collaboratif décentralisé qui soit 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 de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine le mécanisme de propagation gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états non synchronisés, réalisant ainsi la convergence progressive des poids et l'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 ainsi 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 développé indépendamment et en open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour les défis courants tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés de la synchronisation globale, ne dépendant que des nœuds de voisins locaux pour compléter l'entraînement collaboratif du modèle. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux appareils en périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
PCCL: Bibliothèque de communication collaborative
PCCL###Prime Collective Communication Library( 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 la topologie sparse, la compression de 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 du réseau d'entraînement et la compatibilité des dispositifs, ouvrant la voie à la communication de "dernière ligne droite" pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
Trois, le réseau d'incitation Prime Intellect et la répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans permission, 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
Nœuds d'entraînement : exécuter un entraînement local, soumettre les mises à jour de poids et les trajectoires d'observation
Nœuds 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 de l'accord comprend la publication des tâches, la formation des nœuds, la validation des trajectoires, l'agrégation des poids )SHARDCAST( et la distribution des récompenses, formant ainsi un cycle d'incitation autour du "comportement d'entraînement réel".
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technique de la collaboration décentralisée])https://img-cdn.gateio.im/webp-social/moments-45f26de57a53ac937af683e629dbb804.webp(
Quatre, 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 formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 est composé de divers
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.
12 J'aime
Récompense
12
8
Reposter
Partager
Commentaire
0/400
AllTalkLongTrader
· 07-22 15:43
La centralisation est morte, le web3 est l'avenir.
Voir l'originalRépondre0
LiquidationWatcher
· 07-22 13:06
Trop d'énergie, qui paie ?
Voir l'originalRépondre0
GasFeeCrybaby
· 07-19 16:36
Les grandes infrastructures, c'est génial～Plus de concentration du pouvoir !
Voir l'originalRépondre0
GmGnSleeper
· 07-19 16:35
Ça fait mal à la tête juste de regarder... C'est trop basique tout ça.
Voir l'originalRépondre0
FUD_Whisperer
· 07-19 16:33
Ce n'est rien d'autre qu'un mode d'entraînement web3, avec un nom aussi pompeux.
Voir l'originalRépondre0
LiquidityNinja
· 07-19 16:31
J'ai essayé la Décentralisation, n'est-ce pas ?
Voir l'originalRépondre0
AirdropHuntress
· 07-19 16:26
Encore un capital basé sur une immense accumulation de ressources.
Voir l'originalRépondre0
ShadowStaker
· 07-19 16:25
hmm un autre discours sur la formation d'IA décentralisée... quand les gens réaliseront-ils que la topologie du réseau est le véritable goulot d'étranglement ici smh
Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la transformation technologique de la collaboration décentralisée
Évolution des paradigmes d'entraînement de l'IA : d'un contrôle centralisé à une révolution technologique de la collaboration décentralisée
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 capacité maximale des modèles et l'efficacité des applications réelles. 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, représentant véritablement une "industrie lourde" dans 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 Décentralisation.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution 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 planification de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération approfondie permet d'optimiser l'efficacité du partage de la mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de point de défaillance.
L'entraînement distribué est la méthode principale pour l'entraînement de grands modèles actuellement. Son noyau consiste à décomposer les tâches d'entraînement du modèle, puis à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement de calcul et de stockage sur une machine unique. Bien qu'il présente physiquement des caractéristiques "décentralisées", l'ensemble est néanmoins contrôlé, planifié et synchronisé par une agence centralisée, et fonctionne souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion haute vitesse NVLink, où le nœud principal coordonne de manière unifiée les sous-tâches. Les méthodes principales comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement d'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 les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU cloud ou des dispositifs en périphérie, ), qui collaborent pour accomplir des tâches de formation sans coordinateur central, généralement en distribuant et en collaborant sur les tâches via des protocoles, et en utilisant un mécanisme 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 bénévoles à l'échelle mondiale contribuant chacun à la puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable formation décentralisée 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 niveaux, mais la capacité à "collaborer efficacement + inciter à l'honnêteté + obtenir des résultats corrects" en est encore au stade précoce de l'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation des données localement et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios axés sur la conformité à la vie privée ( tels que la santé et la finance ). L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant des avantages de la dispersion des données dans l'entraînement décentralisé. Cependant, il dépend toujours d'une partie coordonnée de confiance et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, plus adaptés comme architecture de déploiement transitoire dans l'industrie.
Tableau comparatif panoramique des paradigmes d'entraînement AI( Architecture technique × Incitation à la confiance × Caractéristiques d'application)
Décentralisation entraînement des frontières, opportunités et chemins de réalité
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement 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 besoins en ressources extrêmement élevés ou de la difficulté de collaboration, elle n'est naturellement pas adaptée à être réalisée efficacement entre des nœuds hétérogènes et sans confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, d'une faible latence et d'une large bande passante, ce qui rend difficile le découpage et la synchronisation efficaces dans un réseau ouvert ; les tâches avec de fortes restrictions en matière de confidentialité des données et de souveraineté, comme la santé, la finance et les données sensibles, sont limitées par des contraintes légales et éthiques, empêchant le partage ouvert ; tandis que les tâches manquant de bases d'incitation à la collaboration, comme l'entraînement de modèles fermés d'entreprise ou de prototypes internes, manquent d'une dynamique de participation externe. Ces limites constituent ensemble les restrictions réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères, faciles à paralléliser et incitatives, l'entraînement décentralisé présente des perspectives d'application claires. Cela comprend, mais sans s'y limiter : l'ajustement LoRA, les tâches de post-formation d'alignement comportemental telles que RLHF, DPO(, les tâches d'entraînement et d'annotation par crowdsourcing de données, l'entraînement de petits modèles de base sous contrôle des ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches possèdent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
)# Aperçu de l'adaptabilité des tâches d'entraînement à la Décentralisation
( Décentralisation entraînement projet classique analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent 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 des systèmes et la conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les voies d'implémentation de Gensyn et Flock.io sont relativement claires, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies centrales et les architectures d'ingénierie sous-jacentes de 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 par renforcement vérifiables par les trajectoires d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement à l'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution de calcul. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement à l'IA décentralisé doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.
Un, Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technique de la collaboration décentralisée]###https://img-cdn.gateio.im/webp-social/moments-3a83d085e7a7abfe72221958419cd6d8.webp(
Deux, explication détaillée des mécanismes clés de l'entraînement de Prime Intellect
PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, spécialement conçu pour des réseaux hétérogènes et des participants asynchrones. Il adopte l'apprentissage par renforcement comme objet d'adaptation prioritaire, déconnectant structurellement les processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâche localement et de collaborer avec des mécanismes de validation et d'agrégation via une interface normalisée. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la réalisation d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et jetant les bases pour prendre en charge le parallélisme des tâches multiples et l'évolution des stratégies.
TOPLOC : Mécanisme léger de validation du comportement d'entraînement
TOPLOC)Observation de confiance et vérification de la localité### est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement complété un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul intégral du modèle, mais analyse la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification de structure légère. Il transforme pour la première fois les trajectoires comportementales durant le processus de formation en objets vérifiables, ce qui constitue une innovation clé pour permettre une distribution de récompenses d'entraînement sans confiance, offrant une voie réalisable pour construire un réseau d'entraînement collaboratif décentralisé qui soit 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 de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine le mécanisme de propagation gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états non synchronisés, réalisant ainsi la convergence progressive des poids et l'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 ainsi 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 développé indépendamment et en open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour les défis courants tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés de la synchronisation globale, ne dépendant que des nœuds de voisins locaux pour compléter l'entraînement collaboratif du modèle. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux appareils en périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
PCCL: Bibliothèque de communication collaborative
PCCL###Prime Collective Communication Library( 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 la topologie sparse, la compression de 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 du réseau d'entraînement et la compatibilité des dispositifs, ouvrant la voie à la communication de "dernière ligne droite" pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
Trois, le réseau d'incitation Prime Intellect et la répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans permission, 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 :
Le processus central de l'accord comprend la publication des tâches, la formation des nœuds, la validation des trajectoires, l'agrégation des poids )SHARDCAST( et la distribution des récompenses, formant ainsi un cycle d'incitation autour du "comportement d'entraînement réel".
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technique de la collaboration décentralisée])https://img-cdn.gateio.im/webp-social/moments-45f26de57a53ac937af683e629dbb804.webp(
Quatre, 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 formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 est composé de divers