El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y su efectividad en aplicaciones reales. En comparación con la invocación ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cálculo, flujos de procesamiento de datos complejos y un soporte de algoritmos de optimización de alta intensidad, constituyendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de los paradigmas arquitectónicos, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, completada por una única institución dentro de un clúster local de alto rendimiento, donde todos los procesos de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, son coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y la eficiencia del mecanismo de tolerancia a fallos alcancen su mejor rendimiento, lo que la hace muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, aportando ventajas de alta eficiencia y recursos controlables. Sin embargo, también presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es la forma principal de entrenamiento de grandes modelos en la actualidad, cuyo núcleo es descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para su ejecución colaborativa, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una sola máquina. A pesar de tener características "distribuidas" en términos físicos, el conjunto sigue siendo controlado y coordinado por una institución centralizada, funcionando comúnmente en un entorno de red local de alta velocidad, a través de la tecnología de bus de interconexión de alta velocidad NVLink, donde un nodo principal coordina unificadamente las subtareas. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos compartiendo parámetros, es necesario que coincidan los pesos del modelo.
Paralelismo de modelos: implementar diferentes partes del modelo en diferentes nodos, logrando una fuerte escalabilidad
Paralelismo de tuberías: ejecución de forma secuencial por etapas, aumentando la tasa de transferencia
Paralelismo de tensores: segmentación detallada del cálculo de matrices, mejora de la granularidad del paralelismo
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige de forma remota a varios empleados de "oficinas" para completar tareas en colaboración. Actualmente, casi todos los modelos grandes más importantes se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su característica central radica en: múltiples nodos que no se confían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente impulsados por protocolos que distribuyen y colaboran en las tareas, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades en la heterogeneidad y segmentación de dispositivos: alta dificultad de coordinación entre dispositivos heterogéneos, baja eficiencia en la segmentación de tareas.
Cuello de botella en la eficiencia de la comunicación: la comunicación en la red es inestable, el cuello de botella en la sincronización de gradientes es evidente.
Ejecución confiable faltante: falta de un entorno de ejecución confiable, lo que dificulta la verificación de si los nodos realmente participan en el cálculo.
Falta de coordinación unificada: sin un despachador central, la distribución de tareas y el mecanismo de reversión de excepciones son complejos.
La formación en Descentralización se puede entender como: un grupo de voluntarios de todo el mundo, cada uno contribuyendo con su potencia de cálculo para entrenar el modelo de manera colaborativa. Sin embargo, la "verdadera formación descentralizada a gran escala viable" sigue siendo un desafío de ingeniería sistémica, que involucra múltiples aspectos como la arquitectura de sistemas, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y validación de modelos. Pero la cuestión de si se puede lograr "colaboración efectiva + incentivos para ser honestos + resultados correctos" aún se encuentra en una fase temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan el cumplimiento de la privacidad. El aprendizaje federado tiene la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al tiempo que posee la ventaja de la dispersión de datos en el entrenamiento Descentralización, pero aún depende de un coordinador de confianza y no tiene características completamente abiertas y resistentes a la censura. Puede considerarse como una solución de "Descentralización controlada" en escenarios de cumplimiento de la privacidad, siendo relativamente moderado en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, lo que lo hace más adecuado como una arquitectura de despliegue transitorio en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva de los paradigmas de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la gran dificultad de colaboración, no es inherentemente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de una alta memoria de video, baja latencia y un alto ancho de banda, lo que dificulta su segmentación y sincronización efectivas en una red abierta; las tareas con fuertes limitaciones de privacidad de datos y soberanía están restringidas por el cumplimiento legal y las restricciones éticas, lo que impide la apertura y el intercambio; y las tareas que carecen de incentivos de colaboración fundamentales carecen de motivación externa para la participación. Estas fronteras en conjunto constituyen las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que el entrenamiento descentralizado sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, el entrenamiento descentralizado muestra un claro potencial de aplicación. Incluyendo, pero no limitado a: ajuste fino LoRA, tareas de entrenamiento posterior alineadas con el comportamiento, tareas de entrenamiento y etiquetado mediante crowdsourcing, entrenamiento de modelos base pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplación y tolerancia a capacidades de cómputo heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Actualmente, en el campo de vanguardia de la Descentralización y el aprendizaje federal, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura de sistemas y el diseño de algoritmos, representando las direcciones de vanguardia en la investigación teórica; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, y ya se pueden observar avances ingenieriles preliminares.
Prime Intellect: pionero de redes colaborativas de aprendizaje reforzado verificables en la trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por su contribución computacional. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado que sea verificable, abierto y con un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
TOPLOC: mecanismo de verificación de comportamiento de entrenamiento ligero
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
OpenDiLoCo: marco de comunicación asíncrono disperso
PCCL: Biblioteca de comunicación colaborativa
02, Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asincrónico desacoplada
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritaria, desacoplando estructuralmente los procesos de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete el ciclo de tareas de manera independiente en local y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar un entrenamiento flexible en entornos sin programación central, lo que reduce la complejidad del sistema y sienta las bases para soportar múltiples tareas en paralelo y la evolución de estrategias.
TOPLOC: mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es el mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo ha completado efectivamente un aprendizaje de estrategia basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo del modelo completo, sino que completa la verificación de estructura liviana mediante el análisis de la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo cual es una innovación clave para lograr una distribución de recompensas de entrenamiento sin confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable y motivadora.
SHARDCAST: Protocolo de agregación y propagación de peso asíncrono
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, con ancho de banda limitado y estados de nodo cambiantes. Combina un mecanismo de propagación gossip con una estrategia de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y una evolución de múltiples versiones. En comparación con métodos centralizados o síncronos de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
OpenDiLoCo: marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación implementado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en la filosofía DiLoCo propuesta por DeepMind, diseñado específicamente para enfrentar los desafíos comunes en el entrenamiento descentralizado, como el ancho de banda limitado, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando así los altos costos de comunicación de la sincronización global, y solo depende de nodos vecinos locales para completar el entrenamiento colaborativo del modelo. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA descentralizada, con el objetivo de resolver el cuello de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja ancho de banda. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede ejecutarse en GPU de consumo y nodos inestables, siendo un componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad del dispositivo, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
03、Prime Intellect incentivos de red y división de roles
Prime Intellect ha construido una red de entrenamiento sin permiso, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo funciona sobre tres tipos de roles centrales:
Iniciador de la tarea: definir el entorno de entrenamiento, el modelo inicial, la función de recompensa y los estándares de validación
Nodo de entrenamiento: ejecutar entrenamiento local, enviar actualizaciones de pesos y trayectorias de observación
Nodos de validación: utilizar el mecanismo TOPLOC para verificar la veracidad del comportamiento de entrenamiento y participar en el cálculo de recompensas y la agregación de estrategias.
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
04、INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, el primer modelo de aprendizaje profundo del mundo entrenado por nodos descentralizados que colaboran de manera asíncrona y sin necesidad de confianza, con un tamaño de parámetro de 32B. El modelo INTELLECT-2 fue completado por más de 100 nodos heterogéneos de GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con un tiempo de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
8 me gusta
Recompensa
8
4
Republicar
Compartir
Comentar
0/400
StakeHouseDirector
· hace5h
La industria pesada está un poco al borde.
Ver originalesResponder0
mev_me_maybe
· hace5h
¿Qué santo grial no es santo grial? Igualmente hay que quemar tarjetas gráficas.
Descentralización entrenamiento: Frontera tecnológica y desafíos de aplicación en el campo de Crypto AI
El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y su efectividad en aplicaciones reales. En comparación con la invocación ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cálculo, flujos de procesamiento de datos complejos y un soporte de algoritmos de optimización de alta intensidad, constituyendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de los paradigmas arquitectónicos, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, completada por una única institución dentro de un clúster local de alto rendimiento, donde todos los procesos de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, son coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y la eficiencia del mecanismo de tolerancia a fallos alcancen su mejor rendimiento, lo que la hace muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, aportando ventajas de alta eficiencia y recursos controlables. Sin embargo, también presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es la forma principal de entrenamiento de grandes modelos en la actualidad, cuyo núcleo es descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para su ejecución colaborativa, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una sola máquina. A pesar de tener características "distribuidas" en términos físicos, el conjunto sigue siendo controlado y coordinado por una institución centralizada, funcionando comúnmente en un entorno de red local de alta velocidad, a través de la tecnología de bus de interconexión de alta velocidad NVLink, donde un nodo principal coordina unificadamente las subtareas. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige de forma remota a varios empleados de "oficinas" para completar tareas en colaboración. Actualmente, casi todos los modelos grandes más importantes se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su característica central radica en: múltiples nodos que no se confían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente impulsados por protocolos que distribuyen y colaboran en las tareas, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La formación en Descentralización se puede entender como: un grupo de voluntarios de todo el mundo, cada uno contribuyendo con su potencia de cálculo para entrenar el modelo de manera colaborativa. Sin embargo, la "verdadera formación descentralizada a gran escala viable" sigue siendo un desafío de ingeniería sistémica, que involucra múltiples aspectos como la arquitectura de sistemas, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y validación de modelos. Pero la cuestión de si se puede lograr "colaboración efectiva + incentivos para ser honestos + resultados correctos" aún se encuentra en una fase temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan el cumplimiento de la privacidad. El aprendizaje federado tiene la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al tiempo que posee la ventaja de la dispersión de datos en el entrenamiento Descentralización, pero aún depende de un coordinador de confianza y no tiene características completamente abiertas y resistentes a la censura. Puede considerarse como una solución de "Descentralización controlada" en escenarios de cumplimiento de la privacidad, siendo relativamente moderado en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, lo que lo hace más adecuado como una arquitectura de despliegue transitorio en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva de los paradigmas de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la gran dificultad de colaboración, no es inherentemente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de una alta memoria de video, baja latencia y un alto ancho de banda, lo que dificulta su segmentación y sincronización efectivas en una red abierta; las tareas con fuertes limitaciones de privacidad de datos y soberanía están restringidas por el cumplimiento legal y las restricciones éticas, lo que impide la apertura y el intercambio; y las tareas que carecen de incentivos de colaboración fundamentales carecen de motivación externa para la participación. Estas fronteras en conjunto constituyen las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que el entrenamiento descentralizado sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, el entrenamiento descentralizado muestra un claro potencial de aplicación. Incluyendo, pero no limitado a: ajuste fino LoRA, tareas de entrenamiento posterior alineadas con el comportamiento, tareas de entrenamiento y etiquetado mediante crowdsourcing, entrenamiento de modelos base pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplación y tolerancia a capacidades de cómputo heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Descentralización entrenamiento clásico proyecto análisis
Actualmente, en el campo de vanguardia de la Descentralización y el aprendizaje federal, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura de sistemas y el diseño de algoritmos, representando las direcciones de vanguardia en la investigación teórica; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, y ya se pueden observar avances ingenieriles preliminares.
Prime Intellect: pionero de redes colaborativas de aprendizaje reforzado verificables en la trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por su contribución computacional. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado que sea verificable, abierto y con un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado TOPLOC: mecanismo de verificación de comportamiento de entrenamiento ligero SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos OpenDiLoCo: marco de comunicación asíncrono disperso PCCL: Biblioteca de comunicación colaborativa
02, Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asincrónico desacoplada
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritaria, desacoplando estructuralmente los procesos de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete el ciclo de tareas de manera independiente en local y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar un entrenamiento flexible en entornos sin programación central, lo que reduce la complejidad del sistema y sienta las bases para soportar múltiples tareas en paralelo y la evolución de estrategias.
TOPLOC: mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es el mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo ha completado efectivamente un aprendizaje de estrategia basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo del modelo completo, sino que completa la verificación de estructura liviana mediante el análisis de la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo cual es una innovación clave para lograr una distribución de recompensas de entrenamiento sin confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable y motivadora.
SHARDCAST: Protocolo de agregación y propagación de peso asíncrono
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, con ancho de banda limitado y estados de nodo cambiantes. Combina un mecanismo de propagación gossip con una estrategia de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y una evolución de múltiples versiones. En comparación con métodos centralizados o síncronos de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
OpenDiLoCo: marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación implementado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en la filosofía DiLoCo propuesta por DeepMind, diseñado específicamente para enfrentar los desafíos comunes en el entrenamiento descentralizado, como el ancho de banda limitado, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando así los altos costos de comunicación de la sincronización global, y solo depende de nodos vecinos locales para completar el entrenamiento colaborativo del modelo. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA descentralizada, con el objetivo de resolver el cuello de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja ancho de banda. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede ejecutarse en GPU de consumo y nodos inestables, siendo un componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad del dispositivo, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
03、Prime Intellect incentivos de red y división de roles
Prime Intellect ha construido una red de entrenamiento sin permiso, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo funciona sobre tres tipos de roles centrales:
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
04、INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, el primer modelo de aprendizaje profundo del mundo entrenado por nodos descentralizados que colaboran de manera asíncrona y sin necesidad de confianza, con un tamaño de parámetro de 32B. El modelo INTELLECT-2 fue completado por más de 100 nodos heterogéneos de GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con un tiempo de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST.