Descentralização treinamento: A busca pelo Santo Graal no campo da IA
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve na fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga 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, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de baixo nível, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Esta arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é o método principal para o treinamento de grandes modelos atualmente, e seu núcleo é a decomposição das tarefas de treinamento do modelo, que são distribuídas para várias máquinas para execução colaborativa, a fim de superar os gargalos de cálculo e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma instituição centralizada, geralmente operando em ambientes de rede local de alta velocidade, através da tecnologia de barramento interconectado de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina parâmetros de dados diferentes, compartilhando pesos do modelo, necessitando de correspondência.
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Canalização paralela: execução em série por etapas, aumentando a taxa de transferência
Paralelismo de Tensor: Segmentação refinada do cálculo de matrizes, aumentando o grau de paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo ao mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos (GPT-4, Gemini, LLaMA, etc. ) são treinados dessa forma.
A descentralização do treinamento representa um caminho futuro mais aberto e resistente à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros ( podem ser computadores pessoais, GPUs em nuvem ou dispositivos de borda ) colaborando para completar tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade na heterogeneidade e divisão de dispositivos: alta dificuldade de coordenação entre dispositivos heterogêneos, baixa eficiência na divisão de tarefas
Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradiente evidente
Falta de execução confiável: falta de um ambiente de execução confiável, dificultando a verificação de 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 anomalias são complexos
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em colaboração, mas "o verdadeiro treinamento descentralizado em larga escala que é viável" ainda é um desafio de engenharia sistemático, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas a capacidade de "colaborar de forma eficaz + incentivar a honestidade + garantir resultados corretos" ainda está na fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequado para cenários que valorizam a conformidade com a privacidade, como saúde e finanças (. O aprendizado federado possui a estrutura de engenharia de treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui a vantagem da dispersão de dados do treinamento Descentralização, mas ainda depende de partes confiáveis de coordenação e não possui características completamente abertas e resistentes à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequado como uma arquitetura de implantação transitória na indústria.
Descentralização treino das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda de recursos ou à grande dificuldade de colaboração, ela não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e de confiança. Por exemplo, o treinamento de modelos grandes geralmente depende de alta memória, baixa latência e largura de banda alta, tornando difícil a divisão e sincronização eficaz em uma rede aberta; tarefas com restrições fortes de privacidade de dados e soberania ), como saúde, finanças e dados confidenciais (, são limitadas por conformidade legal e restrições éticas, impossibilitando o compartilhamento aberto; e tarefas ) que carecem de incentivos à colaboração, como modelos de código fechado de empresas ou treinamento de protótipos internos (, carecem de motivação para participação externa. Essas fronteiras juntos constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso problema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, o treinamento descentralizado mostra um claro potencial de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental como RLHF, DPO), treinamento e rotulagem de dados através de crowdsourcing, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e tolerância a capacidades computacionais heterogêneas, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Atualmente, nos campos de treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando progressos iniciais na engenharia. Este artigo irá analisar, em sequência, as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares dentro do sistema de treinamento AI Descentralização.
( Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treino verificáveis
A Prime Intellect está comprometida 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 espera, 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.
)# 01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave
![O Santo Graal do Crypto AI: Exploração na vanguarda do treinamento descentralizado]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp###
(# 02、Detalhes sobre o mecanismo chave de treinamento do Prime Intellect
#PRIME-RL: Arquitetura de tarefa de aprendizado por reforço assíncrono desacoplado
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especialmente 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 processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em um ambiente sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treinamento leve
TOPLOC)Observação Confiável & Verificação de Localidade### 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 baseado em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recalculo do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, oferecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada, 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 nós variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que vários nós submetam continuamente atualizações parciais em estados não sincronizados, alcançando a convergência gradual de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento descentralizado, sendo a base central para construir consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, com base no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós em treinamentos descentralizados. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, dependendo apenas de nós vizinhos locais para completar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de maneira estável, melhorando significativamente a participação em treinamentos colaborativos globais, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizadas.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL(Prime Collective Communication Library) é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA Descentralização, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais( como NCCL, Gloo) em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo o componente subjacente que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade do dispositivo, abrindo caminho para a "última milha" da infraestrutura de comunicação necessária para construir uma rede de treinamento colaborativa verdadeiramente aberta e sem necessidade de confiança.
(# 03、Prime Intellect incentiva redes e divisão de papéis
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismos de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo funciona 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, submeter atualizações de pesos e trajetórias de observação
Nós de validação: Usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias.
O processo central do protocolo inclui a publicação de tarefas, treinamento de nós, verificação de trajetórias, agregação de pesos )SHARDCAST### e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
(# 04、INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro do mundo a ser desenvolvido por um...
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.
10 gostos
Recompensa
10
9
Republicar
Partilhar
Comentar
0/400
GasFeeCryer
· 07-29 21:37
Isso é o que? Indústria pesada? Mineração não é mais cansativa?
Ver originalResponder0
OnChain_Detective
· 07-29 21:35
hmm... treinamento de IA centralizado? grande sinal de alerta detectado. a análise de padrões mostra riscos de ponto único de falha, para ser honesto.
Ver originalResponder0
AirdropHarvester
· 07-29 02:38
fazer as pessoas de parvas就完事了 谁懂谁发财
Ver originalResponder0
RooftopReserver
· 07-26 22:20
É um grande destaque, impressionante!
Ver originalResponder0
Whale_Whisperer
· 07-26 22:13
Vaca: Q não é permitido nesta onda de componentes de treino
Ver originalResponder0
CodeSmellHunter
· 07-26 22:12
Ah, o que mais se pode fazer com isto além de queimar placas gráficas?
Ver originalResponder0
ThatsNotARugPull
· 07-26 22:12
Olhei rapidamente e senti que era tudo armadilha.
Ver originalResponder0
DaisyUnicorn
· 07-26 22:04
Uau~ A Descentralização do treinamento é como uma pequena flor bagunçada, mas muito selvagem.
Ver originalResponder0
ApeWithNoFear
· 07-26 21:47
A Mineração já consome muito, agora ainda vamos queimar eletricidade de IA?
Descentralização dos desafios e oportunidades do treinamento de IA: Prime Intellect cria um novo paradigma
Descentralização treinamento: A busca pelo Santo Graal no campo da IA
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve na fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga 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, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de baixo nível, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Esta arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é o método principal para o treinamento de grandes modelos atualmente, e seu núcleo é a decomposição das tarefas de treinamento do modelo, que são distribuídas para várias máquinas para execução colaborativa, a fim de superar os gargalos de cálculo e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma instituição centralizada, geralmente operando em ambientes de rede local de alta velocidade, através da tecnologia de barramento interconectado de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo ao mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos (GPT-4, Gemini, LLaMA, etc. ) são treinados dessa forma.
A descentralização do treinamento representa um caminho futuro mais aberto e resistente à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros ( podem ser computadores pessoais, GPUs em nuvem ou dispositivos de borda ) colaborando para completar tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em colaboração, mas "o verdadeiro treinamento descentralizado em larga escala que é viável" ainda é um desafio de engenharia sistemático, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas a capacidade de "colaborar de forma eficaz + incentivar a honestidade + garantir resultados corretos" ainda está na fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequado para cenários que valorizam a conformidade com a privacidade, como saúde e finanças (. O aprendizado federado possui a estrutura de engenharia de treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui a vantagem da dispersão de dados do treinamento Descentralização, mas ainda depende de partes confiáveis de coordenação e não possui características completamente abertas e resistentes à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequado como uma arquitetura de implantação transitória na indústria.
![Crypto AI的圣杯：Descentralização训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Descentralização treino das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda de recursos ou à grande dificuldade de colaboração, ela não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e de confiança. Por exemplo, o treinamento de modelos grandes geralmente depende de alta memória, baixa latência e largura de banda alta, tornando difícil a divisão e sincronização eficaz em uma rede aberta; tarefas com restrições fortes de privacidade de dados e soberania ), como saúde, finanças e dados confidenciais (, são limitadas por conformidade legal e restrições éticas, impossibilitando o compartilhamento aberto; e tarefas ) que carecem de incentivos à colaboração, como modelos de código fechado de empresas ou treinamento de protótipos internos (, carecem de motivação para participação externa. Essas fronteiras juntos constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso problema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, o treinamento descentralizado mostra um claro potencial de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental como RLHF, DPO), treinamento e rotulagem de dados através de crowdsourcing, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e tolerância a capacidades computacionais heterogêneas, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treino clássicos projetos análise
Atualmente, nos campos de treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando progressos iniciais na engenharia. Este artigo irá analisar, em sequência, as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares dentro do sistema de treinamento AI Descentralização.
( Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treino verificáveis
A Prime Intellect está comprometida 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 espera, 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.
)# 01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave
![O Santo Graal do Crypto AI: Exploração na vanguarda do treinamento descentralizado]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp###
(# 02、Detalhes sobre o mecanismo chave de treinamento do Prime Intellect
#PRIME-RL: Arquitetura de tarefa de aprendizado por reforço assíncrono desacoplado
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especialmente 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 processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em um ambiente sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treinamento leve
TOPLOC)Observação Confiável & Verificação de Localidade### 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 baseado em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recalculo do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, oferecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada, 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 nós variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que vários nós submetam continuamente atualizações parciais em estados não sincronizados, alcançando a convergência gradual de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento descentralizado, sendo a base central para construir consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, com base no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós em treinamentos descentralizados. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, dependendo apenas de nós vizinhos locais para completar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de maneira estável, melhorando significativamente a participação em treinamentos colaborativos globais, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizadas.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL(Prime Collective Communication Library) é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA Descentralização, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais( como NCCL, Gloo) em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo o componente subjacente que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade do dispositivo, abrindo caminho para a "última milha" da infraestrutura de comunicação necessária para construir uma rede de treinamento colaborativa verdadeiramente aberta e sem necessidade de confiança.
(# 03、Prime Intellect incentiva redes e divisão de papéis
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismos de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo funciona com base em três categorias de papéis principais:
O processo central do protocolo inclui a publicação de tarefas, treinamento de nós, verificação de trajetórias, agregação de pesos )SHARDCAST### e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
(# 04、INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro do mundo a ser desenvolvido por um...