O Santo Graal da Crypto AI: Explorações na vanguarda 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 prático das aplicações. Em comparação com a invocação leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder 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 do paradigma 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, realizada por uma única entidade em um cluster de alto desempenho local, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados 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 o GPT e o Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a abordagem predominante para o treinamento de grandes modelos atualmente, cujo núcleo é desmembrar a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em conjunto, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, 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, com o nó principal coordenando uniformemente as subtarefas. Os métodos predominantes incluem:
Paralelismo de dados: cada nó treina parâmetros de dados diferentes compartilhando os pesos do modelo, que precisam ser compatíveis.
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução em série faseada, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada do cálculo de matrizes, aumentando o grau de paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração entre vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos são treinados desta forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Suas características principais 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 a colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade de heterogeneidade e segmentação de dispositivos: a coordenação de dispositivos heterogêneos é difícil, a eficiência de segmentação de tarefas é baixa
Gargalo de eficiência de comunicação: a comunicação de rede é instável, e o gargalo de sincronização de gradientes é evidente
Execução confiável ausente: falta de um ambiente de execução confiável, difícil de verificar se os nós realmente participam do cálculo
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de reversão de exceções são complexos.
A formação em Descentralização pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar o modelo em colaboração, mas a "verdadeira formação em Descentralização em larga escala" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e várias outras dimensões. No entanto, a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, 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 reúne as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável e não possui características totalmente abertas e de 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 treinamento de limites, 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, à alta demanda de recursos ou à dificuldade de colaboração, não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória de vídeo, baixa latência e largura de banda de alta velocidade, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte restrição de privacidade de dados e soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de incentivos de colaboração não têm motivação para participação externa. Essas fronteiras juntas constituem as limitações reais do treinamento descentralizado atual.
Mas isso não significa que a Descentralização do treinamento seja um falso dilema. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento apresenta perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento de comportamento ( como RLHF, DPO ), treinamento e rotulagem de dados em crowdsourcing, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características de tolerância a capacidade computacional heterogênea, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, na vanguarda de treinamento descentralizado e aprendizado federado, os projetos de blockchain representativos incluem principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e 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 de ponta atualmente; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros e já é possível ver progressos iniciais na engenharia.
Prime Intellect: Pioneiro da rede colaborativa de aprendizado reforçado com trajetórias de treinamento verificáveis
A Prime Intellect está empenhada em 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 pretende, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA com descentralização que possua verificabilidade, abertura e um mecanismo de incentivos completo.
Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
Explicação detalhada dos mecanismos chave de treinamento do Prime Intellect
#PRIME-RL: Arquitetura de tarefa de aprendizado por reforço assíncrono desacoplada
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização de treinamento, projetada especificamente para redes heterogêneas e participação assíncrona. Ela utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os processos de aprendizado supervisionado tradicionais, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar paralelismo em múltiplas tarefas e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treinamento 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. Diferente de soluções pesadas como ZKML, o TOPLOC não depende da recomputação de todo o modelo, mas sim analisa a trajetória de consistência local entre "sequências de observação ↔ atualização de estratégia" para completar a verificação em uma estrutura leve. Ele transforma pela primeira vez a trajetória de comportamento durante o processo de treinamento em um objeto verificável, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivada.
#SHARDCAST: Protocolo de Agregação e Propagação de Pesos Assíncronos
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 nó variáveis. Ele combina mecanismos de propagação de gossip com estratégias de sincronização local, permitindo que vários 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 AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Rara
OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida e open-source pela equipe Prime Intellect, baseada no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como limitação de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados e constrói estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, dependendo apenas dos nós vizinhos locais para realizar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação essenciais para a construção de redes de treinamento descentralizado.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve projetada pela Prime Intellect para um ambiente de treinamento de IA descentralizado, com o objetivo de 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 gradiente, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente de nível inferior 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 o "último quilômetro" da infraestrutura de comunicação para construir uma verdadeira rede de treinamento colaborativa, aberta e sem necessidade de confiança.
Rede de Incentivos Prime Intellect e Divisão de Funções
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo de incentivo econômico, 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 o ambiente de treino, o modelo inicial, a função de recompensa e os critérios de validação
Nós de treinamento: executar treinamento local, enviar atualizações de peso e trajetórias de observação
Nós de validação: usar o mecanismo TOPLOC para verificar a veracidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias
O fluxo principal do protocolo inclui a publicação de tarefas, o treinamento de nós, a validação de trajetórias, a agregação de pesos (SHARDCAST) e a distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
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 por reforço 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 espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade da rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolos centrais, como a estrutura de treinamento assíncrono PRIME-RL(, a validação do comportamento de treinamento TOPLOC) e a agregação de pesos assíncronos SHARDCAST(, marcando a primeira realização da abertura, verificabilidade e ciclo de incentivos econômicos no processo de treinamento da rede descentralizada.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
7 gostos
Recompensa
7
6
Partilhar
Comentar
0/400
MechanicalMartel
· 07-13 04:11
Descentralização é o núcleo da IA
Ver originalResponder0
HodlKumamon
· 07-12 09:52
Novatos em dados em ação
Ver originalResponder0
FlashLoanLarry
· 07-12 04:24
O código é o caminho.
Ver originalResponder0
blockBoy
· 07-10 20:29
Poder de computação é o rei na era que chegou
Ver originalResponder0
DeadTrades_Walking
· 07-10 20:25
Treinamento de cartão para manter o Poder de computação
Revolução da Crypto AI: Explorando a Descentralização do Treinamento e os Desafios
O Santo Graal da Crypto AI: Explorações na vanguarda 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 prático das aplicações. Em comparação com a invocação leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder 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 do paradigma 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, realizada por uma única entidade em um cluster de alto desempenho local, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados 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 o GPT e o Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a abordagem predominante para o treinamento de grandes modelos atualmente, cujo núcleo é desmembrar a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em conjunto, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, 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, com o nó principal coordenando uniformemente as subtarefas. Os métodos predominantes incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração entre vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos são treinados desta forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Suas características principais 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 a colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
A formação em Descentralização pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar o modelo em colaboração, mas a "verdadeira formação em Descentralização em larga escala" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e várias outras dimensões. No entanto, a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, 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 reúne as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável e não possui características totalmente abertas e de 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 treinamento de limites, 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, à alta demanda de recursos ou à dificuldade de colaboração, não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória de vídeo, baixa latência e largura de banda de alta velocidade, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte restrição de privacidade de dados e soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de incentivos de colaboração não têm motivação para participação externa. Essas fronteiras juntas constituem as limitações reais do treinamento descentralizado atual.
Mas isso não significa que a Descentralização do treinamento seja um falso dilema. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento apresenta perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento de comportamento ( como RLHF, DPO ), treinamento e rotulagem de dados em crowdsourcing, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características de tolerância a capacidade computacional heterogênea, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, na vanguarda de treinamento descentralizado e aprendizado federado, os projetos de blockchain representativos incluem principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e 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 de ponta atualmente; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros e já é possível ver progressos iniciais na engenharia.
Prime Intellect: Pioneiro da rede colaborativa de aprendizado reforçado com trajetórias de treinamento verificáveis
A Prime Intellect está empenhada em 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 pretende, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA com descentralização que possua verificabilidade, abertura e um mecanismo de incentivos completo.
Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
Explicação detalhada dos mecanismos chave de treinamento do Prime Intellect
#PRIME-RL: Arquitetura de tarefa de aprendizado por reforço assíncrono desacoplada
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização de treinamento, projetada especificamente para redes heterogêneas e participação assíncrona. Ela utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os processos de aprendizado supervisionado tradicionais, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar paralelismo em múltiplas tarefas e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treinamento 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. Diferente de soluções pesadas como ZKML, o TOPLOC não depende da recomputação de todo o modelo, mas sim analisa a trajetória de consistência local entre "sequências de observação ↔ atualização de estratégia" para completar a verificação em uma estrutura leve. Ele transforma pela primeira vez a trajetória de comportamento durante o processo de treinamento em um objeto verificável, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivada.
#SHARDCAST: Protocolo de Agregação e Propagação de Pesos Assíncronos
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 nó variáveis. Ele combina mecanismos de propagação de gossip com estratégias de sincronização local, permitindo que vários 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 AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Rara
OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida e open-source pela equipe Prime Intellect, baseada no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como limitação de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados e constrói estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, dependendo apenas dos nós vizinhos locais para realizar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação essenciais para a construção de redes de treinamento descentralizado.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve projetada pela Prime Intellect para um ambiente de treinamento de IA descentralizado, com o objetivo de 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 gradiente, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente de nível inferior 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 o "último quilômetro" da infraestrutura de comunicação para construir uma verdadeira rede de treinamento colaborativa, aberta e sem necessidade de confiança.
Rede de Incentivos Prime Intellect e Divisão de Funções
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo de incentivo econômico, 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 fluxo principal do protocolo inclui a publicação de tarefas, o treinamento de nós, a validação de trajetórias, a agregação de pesos (SHARDCAST) e a distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
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 por reforço 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 espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade da rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolos centrais, como a estrutura de treinamento assíncrono PRIME-RL(, a validação do comportamento de treinamento TOPLOC) e a agregação de pesos assíncronos SHARDCAST(, marcando a primeira realização da abertura, verificabilidade e ciclo de incentivos econômicos no processo de treinamento da rede descentralizada.
Em termos de desempenho, INTELLECT-2