Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente la plus haute barrière technique, déterminant directement le plafond de capacité des modèles et les effets d'application réels. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des flux de traitement des données complexes et un soutien d'algorithmes d'optimisation de haute intensité, ce qui en fait le véritable "heavy industry" de la construction de systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster local haute performance, où l'ensemble du processus d'entraînement, des matériels, des logiciels de base, du système de planification de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de profonde collaboration permet une efficacité optimale pour le partage de mémoire, la synchronisation des gradients et les mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de points uniques.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuellement. Son noyau consiste à décomposer les tâches d'entraînement du modèle, puis à les répartir sur plusieurs machines pour exécuter de manière collaborative, afin de surmonter les goulets d'étranglement liés aux calculs et au stockage sur une seule machine. Bien qu'il possède des caractéristiques "décentralisées" sur le plan physique, l'ensemble reste contrôlé, programmé et synchronisé par des institutions centralisées, et fonctionne souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion haute vitesse NVLink, avec un nœud principal coordonnant uniformément chaque sous-tâche. Les méthodes principales comprennent :
Parallélisme des données : chaque nœud entraîne différents paramètres de données partagés, nécessitant une correspondance des poids du modèle.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
Pipeline parallèle : exécution séquentielle par étapes, amélioration du débit
Parallélisme de tenseur : segmentation fine des calculs matriciels, amélioration de la granularité de parallélisme
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogue à un même patron dirigeant à distance plusieurs employés de "bureaux" pour collaborer à la réalisation d'une tâche. Actuellement, presque tous les grands modèles dominants comme (GPT-4, Gemini, LLaMA, etc., sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance, ), peuvent être des ordinateurs personnels, des GPU dans le cloud ou des dispositifs en périphérie ( qui collaborent pour accomplir des tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour piloter la distribution des tâches et la collaboration, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
Hétérogénéité des équipements et difficultés de découpage : la coordination des équipements hétérogènes est difficile et l'efficacité du découpage des tâches est faible.
Goulots d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation des gradients évident
Exécution fiable manquante : manque d'environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
Manque de coordination unifiée : pas de centralisateur, distribution des tâches et mécanisme de rollback des exceptions complexes
La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier, chacun contribuant leur puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et d'autres niveaux. Cependant, la question de savoir si l'on peut "collaborer efficacement + inciter l'honnêteté + obtenir des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres de modèle, ce qui le rend approprié pour les scénarios où la conformité à la vie privée est primordiale, comme dans les domaines de la santé et de la finance ). L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'un coordinateur de confiance et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios conformes à la vie privée, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, ce qui le rend plus adapté en tant qu'architecture de déploiement transitoire dans l'industrie.
Décentralisation des frontières, opportunités et chemins réalistes de l'entraînement
D'un point de vue de paradigme d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certaines situations, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, il n'est naturellement pas adapté pour être réalisé efficacement entre des nœuds hétérogènes et de confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une haute mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches avec des restrictions fortes sur la confidentialité et la souveraineté des données ( telles que la santé, la finance et les données sensibles ) sont limitées par la conformité légale et les contraintes éthiques, ne pouvant pas être partagées ouvertement ; et les tâches sans base d'incitation à la collaboration ( telles que l'entraînement de modèles propriétaires d'entreprise ou de prototypes internes ) manquent de motivation externe à la participation. Ces frontières constituent ensemble les limites réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-alignment comportemental telles que RLHF, DPO(, les tâches d'entraînement et d'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité des puissances de calcul, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la Décentralisation et de l'apprentissage fédéré, les projets de blockchain représentatifs comprennent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de recherche théorique les plus avancées ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et on peut déjà voir des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système d'entraînement AI décentralisé.
) Prime Intellect : Pion des réseaux de collaboration d'apprentissage renforcé vérifiables par des trajectoires d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement IA décentralisé, doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.
(# 01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
02, Explication détaillée des mécanismes clés de l'entraînement Prime Intellect
#PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches sur mesure créé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant de manière structurée les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches en local et de collaborer avec des mécanismes de validation et d'agrégation via une interface standardisée. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et établissant une base pour le soutien au parallélisme des tâches multiples et à l'évolution des stratégies.
#TOPLOC:Mécanisme de vérification des comportements d'entraînement léger
TOPLOC(Observation et Vérification de la Localité de Confiance) est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement accompli un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais réalise une vérification de structure allégée en analysant la trajectoire de cohérence locale entre "séries d'observation ↔ mise à jour de stratégie". Il transforme pour la première fois les trajectoires comportementales du processus de formation en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'apprentissage sans confiance, fournissant une voie viable pour construire un réseau d'apprentissage collaboratif décentralisé, auditable et incitatif.
#SHARDCAST: protocole d'agrégation et de diffusion de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de propagation de gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états désynchronisés, réalisant une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication développé et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants de la formation décentralisée tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés associés à la synchronisation globale, et permettant l'entraînement collaboratif du modèle en ne s'appuyant que sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils de périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif mondial, représentant l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.
#PCCL: bibliothèque de communication collaborative
PCCL###Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles) telles que NCCL, Gloo( dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression des gradients, la synchronisation à faible précision et la reprise après des interruptions, pouvant fonctionner sur des GPU de consommation et des nœuds instables, constituant le composant de base soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Elle améliore considérablement la tolérance à la bande passante du réseau d'entraînement et la compatibilité des dispositifs, ouvrant la voie à la communication fondamentale pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
)# 03、Prime Intellect incitations réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois catégories de rôles clés :
Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
Nœud d'entraînement : exécuter un entraînement local, soumettre des mises à jour de poids et observer la trajectoire
Nœuds de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central du protocole comprend la publication de tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids (SHARDCAST) et la distribution des récompenses, formant un cercle d'incitation autour de "comportements d'entraînement réels".
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04, INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable.
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par une collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 a été entraîné en collaboration par plus de 100 nœuds hétérogènes GPU répartis sur trois continents.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
17 J'aime
Récompense
17
4
Reposter
Partager
Commentaire
0/400
GasFeeVictim
· 08-13 18:22
Encore un projet de Rug Pull.
Voir l'originalRépondre0
TokenRationEater
· 08-13 05:29
La puissance de calcul est sur le point de brûler ma nouvelle 3090.
Voir l'originalRépondre0
SigmaBrain
· 08-13 05:05
soyeux et informations précieuses
Voir l'originalRépondre0
just_another_fish
· 08-13 05:02
Nous serons toujours exploités par les géants de la technologie.
Exploration à la pointe de l'entraînement AI décentralisé : de Prime Intellect à INTELLECT-2
Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente la plus haute barrière technique, déterminant directement le plafond de capacité des modèles et les effets d'application réels. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des flux de traitement des données complexes et un soutien d'algorithmes d'optimisation de haute intensité, ce qui en fait le véritable "heavy industry" de la construction de systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster local haute performance, où l'ensemble du processus d'entraînement, des matériels, des logiciels de base, du système de planification de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de profonde collaboration permet une efficacité optimale pour le partage de mémoire, la synchronisation des gradients et les mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de points uniques.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuellement. Son noyau consiste à décomposer les tâches d'entraînement du modèle, puis à les répartir sur plusieurs machines pour exécuter de manière collaborative, afin de surmonter les goulets d'étranglement liés aux calculs et au stockage sur une seule machine. Bien qu'il possède des caractéristiques "décentralisées" sur le plan physique, l'ensemble reste contrôlé, programmé et synchronisé par des institutions centralisées, et fonctionne souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion haute vitesse NVLink, avec un nœud principal coordonnant uniformément chaque sous-tâche. Les méthodes principales comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogue à un même patron dirigeant à distance plusieurs employés de "bureaux" pour collaborer à la réalisation d'une tâche. Actuellement, presque tous les grands modèles dominants comme (GPT-4, Gemini, LLaMA, etc., sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance, ), peuvent être des ordinateurs personnels, des GPU dans le cloud ou des dispositifs en périphérie ( qui collaborent pour accomplir des tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour piloter la distribution des tâches et la collaboration, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier, chacun contribuant leur puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et d'autres niveaux. Cependant, la question de savoir si l'on peut "collaborer efficacement + inciter l'honnêteté + obtenir des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres de modèle, ce qui le rend approprié pour les scénarios où la conformité à la vie privée est primordiale, comme dans les domaines de la santé et de la finance ). L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'un coordinateur de confiance et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios conformes à la vie privée, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, ce qui le rend plus adapté en tant qu'architecture de déploiement transitoire dans l'industrie.
Décentralisation des frontières, opportunités et chemins réalistes de l'entraînement
D'un point de vue de paradigme d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certaines situations, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, il n'est naturellement pas adapté pour être réalisé efficacement entre des nœuds hétérogènes et de confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une haute mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches avec des restrictions fortes sur la confidentialité et la souveraineté des données ( telles que la santé, la finance et les données sensibles ) sont limitées par la conformité légale et les contraintes éthiques, ne pouvant pas être partagées ouvertement ; et les tâches sans base d'incitation à la collaboration ( telles que l'entraînement de modèles propriétaires d'entreprise ou de prototypes internes ) manquent de motivation externe à la participation. Ces frontières constituent ensemble les limites réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-alignment comportemental telles que RLHF, DPO(, les tâches d'entraînement et d'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité des puissances de calcul, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la Décentralisation et de l'apprentissage fédéré, les projets de blockchain représentatifs comprennent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de recherche théorique les plus avancées ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et on peut déjà voir des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système d'entraînement AI décentralisé.
) Prime Intellect : Pion des réseaux de collaboration d'apprentissage renforcé vérifiables par des trajectoires d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement IA décentralisé, doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.
(# 01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
02, Explication détaillée des mécanismes clés de l'entraînement Prime Intellect
#PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches sur mesure créé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant de manière structurée les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches en local et de collaborer avec des mécanismes de validation et d'agrégation via une interface standardisée. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et établissant une base pour le soutien au parallélisme des tâches multiples et à l'évolution des stratégies.
#TOPLOC:Mécanisme de vérification des comportements d'entraînement léger
TOPLOC(Observation et Vérification de la Localité de Confiance) est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement accompli un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais réalise une vérification de structure allégée en analysant la trajectoire de cohérence locale entre "séries d'observation ↔ mise à jour de stratégie". Il transforme pour la première fois les trajectoires comportementales du processus de formation en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'apprentissage sans confiance, fournissant une voie viable pour construire un réseau d'apprentissage collaboratif décentralisé, auditable et incitatif.
#SHARDCAST: protocole d'agrégation et de diffusion de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de propagation de gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états désynchronisés, réalisant une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication développé et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants de la formation décentralisée tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés associés à la synchronisation globale, et permettant l'entraînement collaboratif du modèle en ne s'appuyant que sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils de périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif mondial, représentant l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.
#PCCL: bibliothèque de communication collaborative
PCCL###Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles) telles que NCCL, Gloo( dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression des gradients, la synchronisation à faible précision et la reprise après des interruptions, pouvant fonctionner sur des GPU de consommation et des nœuds instables, constituant le composant de base soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Elle améliore considérablement la tolérance à la bande passante du réseau d'entraînement et la compatibilité des dispositifs, ouvrant la voie à la communication fondamentale pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
)# 03、Prime Intellect incitations réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois catégories de rôles clés :
Le processus central du protocole comprend la publication de tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids (SHARDCAST) et la distribution des récompenses, formant un cercle d'incitation autour de "comportements d'entraînement réels".
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04, INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable.
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par une collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 a été entraîné en collaboration par plus de 100 nœuds hétérogènes GPU répartis sur trois continents.