Piala Suci Crypto AI: Eksplorasi Ujung Desentralisasi Pelatihan
Dalam seluruh rantai nilai AI, pelatihan model adalah tahap yang paling mengkonsumsi sumber daya dan memiliki hambatan teknis tertinggi, yang secara langsung menentukan batas kemampuan model dan efektivitas aplikasi nyata. Dibandingkan dengan pemanggilan ringan di tahap inferensi, proses pelatihan memerlukan investasi daya komputasi besar-besaran yang berkelanjutan, proses pengolahan data yang kompleks, dan dukungan algoritma optimasi yang intensif, yang merupakan "industri berat" sejati dalam pembangunan sistem AI. Dari sudut pandang paradigma arsitektur, metode pelatihan dapat dibagi menjadi empat kategori: pelatihan terpusat, pelatihan terdistribusi, pembelajaran federasi, dan pelatihan desentralisasi yang menjadi fokus pembahasan dalam artikel ini.
Pelatihan terpusat adalah cara tradisional yang paling umum, dilakukan oleh satu lembaga di dalam kluster berkinerja tinggi lokal menyelesaikan seluruh proses pelatihan, dari perangkat keras, perangkat lunak dasar, sistem penjadwalan kluster, hingga semua komponen kerangka pelatihan dikoordinasikan untuk beroperasi oleh sistem kontrol yang terpadu. Arsitektur kolaborasi mendalam ini memungkinkan berbagi memori, sinkronisasi gradien, dan mekanisme toleransi kesalahan mencapai efisiensi optimal, sangat cocok untuk pelatihan model besar seperti GPT, Gemini, dengan keunggulan efisiensi tinggi dan sumber daya yang dapat terkontrol, tetapi juga memiliki masalah seperti monopoli data, hambatan sumber daya, konsumsi energi, dan risiko titik tunggal.
Pelatihan terdistribusi adalah metode utama untuk pelatihan model besar saat ini, inti dari metode ini adalah membagi tugas pelatihan model dan mendistribusikannya ke beberapa mesin untuk dieksekusi secara bersamaan, guna mengatasi batasan komputasi dan penyimpanan pada satu mesin. Meskipun secara fisik memiliki karakteristik "terdistribusi", keseluruhan masih dikendalikan dan dijadwalkan oleh lembaga terpusat, dan biasanya beroperasi dalam lingkungan jaringan lokal berkecepatan tinggi, melalui teknologi bus interkoneksi cepat NVLink, di mana node utama secara terpadu mengoordinasikan setiap sub-tugas. Metode utama termasuk:
Paralel data: setiap node melatih parameter data yang berbeda dengan berbagi, perlu mencocokkan bobot model
Paralelisme model: Menempatkan bagian-bagian berbeda dari model di node yang berbeda untuk mencapai skalabilitas yang kuat
Pipa paralel: Eksekusi serial bertahap, meningkatkan throughput
Paralel Tensor: Memperhalus pembagian perhitungan matriks, meningkatkan granularitas paralel
Pelatihan terdistribusi adalah kombinasi dari "kontrol terpusat + eksekusi terdistribusi", yang dapat disamakan dengan seorang bos yang mengarahkan karyawan di beberapa "kantor" untuk bekerja sama menyelesaikan tugas. Saat ini, hampir semua model besar yang utama ( GPT-4, Gemini, LLaMA, dan lain-lain ) dilatih dengan cara ini.
Desentralisasi latihan menunjukkan jalur masa depan yang lebih terbuka dan tahan terhadap sensor. Ciri utamanya adalah: beberapa node yang saling tidak percaya ( mungkin merupakan komputer rumah, GPU cloud, atau perangkat tepi ) yang bekerja sama menyelesaikan tugas pelatihan tanpa koordinator pusat, biasanya melalui protokol yang mendorong distribusi tugas dan kolaborasi, dan dengan bantuan mekanisme insentif kripto untuk memastikan kejujuran kontribusi. Tantangan utama yang dihadapi oleh pola ini meliputi:
Heterogenitas perangkat dan kesulitan pemisahan: koordinasi perangkat heterogen sulit, efisiensi pemisahan tugas rendah
Kendala efisiensi komunikasi: komunikasi jaringan yang tidak stabil, kendala sinkronisasi gradien yang jelas
Ketidakadaan Eksekusi yang Dapat Dipercaya: Kurangnya lingkungan eksekusi yang dapat dipercaya, sulit untuk memverifikasi apakah node benar-benar terlibat dalam perhitungan.
Kurangnya koordinasi yang terintegrasi: tanpa pengatur pusat, distribusi tugas, dan mekanisme rollback yang rumit
Desentralisasi pelatihan dapat dipahami sebagai: sekelompok relawan global, masing-masing berkontribusi pada kekuatan pemrosesan untuk melatih model secara kolaboratif, namun "pelatihan desentralisasi besar-besaran yang benar-benar praktis" masih merupakan tantangan rekayasa sistemik, yang melibatkan arsitektur sistem, protokol komunikasi, keamanan kriptografi, mekanisme ekonomi, verifikasi model, dan banyak aspek lainnya, tetapi apakah "kolaborasi yang efektif + insentif kejujuran + hasil yang benar" masih berada pada tahap eksplorasi prototipe awal.
Pembelajaran federasi sebagai bentuk transisi antara distribusi dan Desentralisasi, menekankan pada penyimpanan data secara lokal dan pengumpulan parameter model secara terpusat, cocok untuk skenario yang memprioritaskan kepatuhan privasi seperti medis, keuangan (. Pembelajaran federasi memiliki struktur rekayasa pelatihan distribusi dan kemampuan kolaborasi lokal, sambil juga memiliki keuntungan penyebaran data dari pelatihan Desentralisasi, namun tetap bergantung pada pihak koordinator yang tepercaya, dan tidak memiliki karakteristik sepenuhnya terbuka dan tahan sensor. Dapat dianggap sebagai solusi "Desentralisasi terkontrol" dalam skenario kepatuhan privasi, yang relatif moderat dalam tugas pelatihan, struktur kepercayaan, dan mekanisme komunikasi, lebih cocok sebagai arsitektur penyebaran transisi di industri.
Batas, Peluang, dan Jalur Realitas dari Pelatihan Desentralisasi
Dari perspektif paradigma pelatihan, pelatihan desentralisasi tidak cocok untuk semua jenis tugas. Dalam beberapa skenario, karena struktur tugas yang kompleks, kebutuhan sumber daya yang sangat tinggi, atau tingkat kesulitan kolaborasi yang tinggi, secara alami tidak cocok untuk diselesaikan secara efisien antara node yang heterogen dan tidak terpercaya. Misalnya, pelatihan model besar sering bergantung pada memori tinggi, latensi rendah, dan bandwidth tinggi, yang sulit untuk dibagi dan disinkronkan secara efektif di jaringan terbuka; tugas yang memiliki pembatasan privasi data dan kedaulatan yang kuat ) seperti medis, keuangan, dan data sensitif ( dibatasi oleh kepatuhan hukum dan batasan etika, sehingga tidak dapat dibagikan secara terbuka; sementara tugas yang kurang memiliki dasar insentif kolaborasi ) seperti model perusahaan yang tertutup atau pelatihan prototipe internal ( kekurangan dorongan partisipasi eksternal. Batasan-batasan ini bersama-sama membentuk batasan nyata dari pelatihan desentralisasi saat ini.
Namun, ini tidak berarti bahwa pelatihan desentralisasi adalah proposisi yang salah. Faktanya, dalam jenis tugas yang ringan secara struktur, mudah diparalelkan, dan dapat memotivasi, pelatihan desentralisasi menunjukkan prospek aplikasi yang jelas. Termasuk namun tidak terbatas pada: fine-tuning LoRA, tugas pelatihan pasca yang berkaitan dengan penyelarasan perilaku ) seperti RLHF, DPO (, pelatihan dan penandaan data melalui crowdsourcing, pelatihan model dasar kecil yang dapat dikendalikan sumber daya, serta skenario pelatihan kolaboratif yang melibatkan perangkat tepi. Tugas-tugas ini umumnya memiliki karakteristik paralelisme tinggi, keterikatan rendah, dan toleransi terhadap komputasi heterogen, sangat cocok untuk pelatihan kolaboratif melalui jaringan P2P, protokol Swarm, pengoptimal terdistribusi, dan cara lainnya.
Saat ini, dalam bidang pelatihan desentralisasi dan pembelajaran federasi, proyek blockchain yang representatif terutama mencakup Prime Intellect, Pluralis.ai, Gensyn, Nous Research, dan Flock.io. Dari segi inovasi teknis dan tingkat kesulitan implementasi, Prime Intellect, Nous Research, dan Pluralis.ai telah mengajukan banyak eksplorasi orisinal dalam desain arsitektur sistem dan algoritma, mewakili arah penelitian teoretis saat ini; sementara jalur implementasi Gensyn dan Flock.io relatif jelas, dan kemajuan rekayasa awal sudah terlihat. Artikel ini akan secara bertahap menganalisis teknologi inti dan arsitektur rekayasa di balik lima proyek ini, serta membahas lebih lanjut perbedaan dan hubungan saling melengkapi dalam sistem pelatihan AI desentralisasi.
) Prime Intellect: pelopor jaringan kolaboratif pembelajaran penguatan yang dapat memverifikasi jalur pelatihan
Prime Intellect berkomitmen untuk membangun jaringan pelatihan AI tanpa kepercayaan, sehingga siapa pun dapat berpartisipasi dalam pelatihan dan menerima imbalan yang dapat dipercaya atas kontribusi komputasinya. Prime Intellect berharap dapat membangun sistem pelatihan AI desentralisasi yang memiliki verifikasi, keterbukaan, dan mekanisme insentif yang lengkap melalui tiga modul utama: PRIME-RL + TOPLOC + SHARDCAST.
01、Struktur Stack Protokol Prime Intellect dan Nilai Modul Kunci
)# 02, Penjelasan Mendalam tentang Mekanisme Kunci Pelatihan Prime Intellect
#PRIME-RL: Arsitektur Tugas Pembelajaran Penguatan Asinkron Terdecoupling
PRIME-RL adalah kerangka pemodelan dan pelaksanaan tugas yang disesuaikan oleh Prime Intellect untuk skenario pelatihan desentralisasi, dirancang khusus untuk jaringan heterogen dan partisipasi asinkron. Ini menggunakan pembelajaran penguatan sebagai objek penyesuaian prioritas, memisahkan secara struktural proses pelatihan, inferensi, dan pengunggahan bobot, sehingga setiap node pelatihan dapat menyelesaikan siklus tugas secara independen di lokasi, dan berkolaborasi melalui antarmuka standar dengan mekanisme verifikasi dan agregasi. Dibandingkan dengan proses pembelajaran terawasi tradisional, PRIME-RL lebih cocok untuk mewujudkan pelatihan yang fleksibel di lingkungan tanpa penjadwalan pusat, yang tidak hanya mengurangi kompleksitas sistem, tetapi juga meletakkan dasar untuk mendukung pelatihan paralel multi-tugas dan evolusi strategi.
TOPLOC###Trusted Observation & Policy-Locality Check( adalah mekanisme inti verifikasi pelatihan yang diusulkan oleh Prime Intellect, digunakan untuk menentukan apakah sebuah node benar-benar telah menyelesaikan pembelajaran strategi yang efektif berdasarkan data pengamatan. Berbeda dengan solusi berat seperti ZKML, TOPLOC tidak bergantung pada perhitungan ulang model secara keseluruhan, tetapi menyelesaikan verifikasi struktur ringan dengan menganalisis jejak konsistensi lokal antara "urutan pengamatan↔pembaruan strategi". Ini untuk pertama kalinya mengubah jejak perilaku selama proses pelatihan menjadi objek yang dapat diverifikasi, merupakan inovasi kunci untuk mencapai distribusi hadiah pelatihan tanpa kepercayaan, dan menyediakan jalur yang layak untuk membangun jaringan pelatihan kolaboratif terdesentralisasi yang dapat diaudit dan diberi insentif.
#SHARDCAST: Protokol Agregasi dan Penyebaran Berat Asinkron
SHARDCAST adalah protokol penyebaran dan agregasi bobot yang dirancang oleh Prime Intellect, dioptimalkan khusus untuk lingkungan jaringan nyata yang bersifat asinkron, dengan bandwidth terbatas, dan status node yang bervariasi. Ini menggabungkan mekanisme penyebaran gossip dan strategi sinkronisasi lokal, memungkinkan beberapa node untuk terus mengajukan pembaruan parsial dalam keadaan tidak sinkron, mewujudkan konvergensi bobot yang progresif dan evolusi multi-versi. Dibandingkan dengan metode AllReduce yang terpusat atau sinkron, SHARDCAST secara signifikan meningkatkan skalabilitas dan ketahanan terhadap kesalahan dalam pelatihan desentralisasi, menjadi dasar inti untuk membangun konsensus bobot yang stabil dan iterasi pelatihan yang berkelanjutan.
#OpenDiLoCo: Kerangka komunikasi asinkron jarang
OpenDiLoCo adalah kerangka optimasi komunikasi yang diimplementasikan secara independen dan open-source oleh tim Prime Intellect berdasarkan konsep DiLoCo yang diajukan oleh DeepMind, dirancang khusus untuk menghadapi tantangan umum dalam pelatihan desentralisasi seperti keterbatasan bandwidth, heterogenitas perangkat, dan ketidakstabilan node. Arsitekturnya berbasis pada paralelisme data, dengan membangun struktur topologi jarang seperti Ring, Expander, dan Small-World, menghindari biaya komunikasi tinggi dari sinkronisasi global, dan hanya bergantung pada node tetangga lokal untuk menyelesaikan pelatihan model secara kolaboratif. Dengan menggabungkan pembaruan asinkron dan mekanisme toleransi kesalahan titik putus, OpenDiLoCo memungkinkan GPU konsumen dan perangkat tepi untuk berpartisipasi secara stabil dalam tugas pelatihan, secara signifikan meningkatkan partisipasi dalam pelatihan kolaboratif global, dan merupakan salah satu infrastruktur komunikasi kunci dalam membangun jaringan pelatihan desentralisasi.
#PCCL:Perpustakaan Komunikasi Kolaboratif
PCCL)Prime Collective Communication Library( adalah pustaka komunikasi ringan yang dirancang khusus oleh Prime Intellect untuk lingkungan pelatihan AI terdesentralisasi, bertujuan untuk mengatasi kendala adaptasi pustaka komunikasi tradisional ) seperti NCCL, Gloo( pada perangkat heterogen dan jaringan bandwidth rendah. PCCL mendukung topologi jarang, kompresi gradien, sinkronisasi presisi rendah, dan pemulihan titik henti, dapat dijalankan pada GPU konsumen dan node yang tidak stabil, merupakan komponen dasar yang mendukung kemampuan komunikasi asinkron protokol OpenDiLoCo. Ini secara signifikan meningkatkan toleransi bandwidth jaringan pelatihan dan kompatibilitas perangkat, membuka "jalan terakhir" untuk infrastruktur komunikasi dalam membangun jaringan pelatihan kolaboratif yang benar-benar terbuka dan tanpa kepercayaan.
)# 03、Prime Intellect insentif jaringan dan pembagian peran
Prime Intellect membangun jaringan pelatihan yang tidak memerlukan izin, dapat diverifikasi, dan memiliki mekanisme insentif ekonomi, sehingga siapa pun dapat berpartisipasi dalam tugas dan mendapatkan imbalan berdasarkan kontribusi nyata. Protokol ini beroperasi berdasarkan tiga jenis peran inti:
Penggagas tugas: mendefinisikan lingkungan pelatihan, model awal, fungsi penghargaan, dan standar validasi
Node pelatihan: melakukan pelatihan lokal, mengajukan pembaruan bobot dan jalur pengamatan
Node verifikasi: menggunakan mekanisme TOPLOC untuk memverifikasi keaslian perilaku pelatihan, dan berpartisipasi dalam perhitungan hadiah serta penggabungan strategi
Proses inti dari protokol mencakup penerbitan tugas, pelatihan node, verifikasi jejak, agregasi bobot ###SHARDCAST( dan distribusi hadiah, membentuk satu siklus insentif yang berfokus pada "perilaku pelatihan yang nyata".
)# 04、INTELLECT-2: Peluncuran model pelatihan terdesentralisasi yang dapat diverifikasi pertama
Prime Intellect meluncurkan INTELLECT-2 pada Mei 2025, yang merupakan model besar pembelajaran penguatan pertama di dunia yang dilatih melalui kolaborasi node desentralisasi asinkron dan tanpa kepercayaan, dengan skala parameter mencapai 32B. Model INTELLECT-2 diselesaikan melalui pelatihan kolaboratif lebih dari 100 node GPU heterogen yang tersebar di tiga benua.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
16 Suka
Hadiah
16
4
Posting ulang
Bagikan
Komentar
0/400
GasFeeVictim
· 08-13 18:22
Sebuah proyek lain yang melakukan Rug Pull.
Lihat AsliBalas0
TokenRationEater
· 08-13 05:29
Daya Komputasi hampir membakar 3090 baru yang saya beli.
Lihat AsliBalas0
SigmaBrain
· 08-13 05:05
Sangat halus dan wawasan berharga
Lihat AsliBalas0
just_another_fish
· 08-13 05:02
Kita akan terus dieksploitasi oleh raksasa teknologi.
Eksplorasi terdepan pelatihan AI Desentralisasi: dari Prime Intellect ke INTELLECT-2
Piala Suci Crypto AI: Eksplorasi Ujung Desentralisasi Pelatihan
Dalam seluruh rantai nilai AI, pelatihan model adalah tahap yang paling mengkonsumsi sumber daya dan memiliki hambatan teknis tertinggi, yang secara langsung menentukan batas kemampuan model dan efektivitas aplikasi nyata. Dibandingkan dengan pemanggilan ringan di tahap inferensi, proses pelatihan memerlukan investasi daya komputasi besar-besaran yang berkelanjutan, proses pengolahan data yang kompleks, dan dukungan algoritma optimasi yang intensif, yang merupakan "industri berat" sejati dalam pembangunan sistem AI. Dari sudut pandang paradigma arsitektur, metode pelatihan dapat dibagi menjadi empat kategori: pelatihan terpusat, pelatihan terdistribusi, pembelajaran federasi, dan pelatihan desentralisasi yang menjadi fokus pembahasan dalam artikel ini.
Pelatihan terpusat adalah cara tradisional yang paling umum, dilakukan oleh satu lembaga di dalam kluster berkinerja tinggi lokal menyelesaikan seluruh proses pelatihan, dari perangkat keras, perangkat lunak dasar, sistem penjadwalan kluster, hingga semua komponen kerangka pelatihan dikoordinasikan untuk beroperasi oleh sistem kontrol yang terpadu. Arsitektur kolaborasi mendalam ini memungkinkan berbagi memori, sinkronisasi gradien, dan mekanisme toleransi kesalahan mencapai efisiensi optimal, sangat cocok untuk pelatihan model besar seperti GPT, Gemini, dengan keunggulan efisiensi tinggi dan sumber daya yang dapat terkontrol, tetapi juga memiliki masalah seperti monopoli data, hambatan sumber daya, konsumsi energi, dan risiko titik tunggal.
Pelatihan terdistribusi adalah metode utama untuk pelatihan model besar saat ini, inti dari metode ini adalah membagi tugas pelatihan model dan mendistribusikannya ke beberapa mesin untuk dieksekusi secara bersamaan, guna mengatasi batasan komputasi dan penyimpanan pada satu mesin. Meskipun secara fisik memiliki karakteristik "terdistribusi", keseluruhan masih dikendalikan dan dijadwalkan oleh lembaga terpusat, dan biasanya beroperasi dalam lingkungan jaringan lokal berkecepatan tinggi, melalui teknologi bus interkoneksi cepat NVLink, di mana node utama secara terpadu mengoordinasikan setiap sub-tugas. Metode utama termasuk:
Pelatihan terdistribusi adalah kombinasi dari "kontrol terpusat + eksekusi terdistribusi", yang dapat disamakan dengan seorang bos yang mengarahkan karyawan di beberapa "kantor" untuk bekerja sama menyelesaikan tugas. Saat ini, hampir semua model besar yang utama ( GPT-4, Gemini, LLaMA, dan lain-lain ) dilatih dengan cara ini.
Desentralisasi latihan menunjukkan jalur masa depan yang lebih terbuka dan tahan terhadap sensor. Ciri utamanya adalah: beberapa node yang saling tidak percaya ( mungkin merupakan komputer rumah, GPU cloud, atau perangkat tepi ) yang bekerja sama menyelesaikan tugas pelatihan tanpa koordinator pusat, biasanya melalui protokol yang mendorong distribusi tugas dan kolaborasi, dan dengan bantuan mekanisme insentif kripto untuk memastikan kejujuran kontribusi. Tantangan utama yang dihadapi oleh pola ini meliputi:
Desentralisasi pelatihan dapat dipahami sebagai: sekelompok relawan global, masing-masing berkontribusi pada kekuatan pemrosesan untuk melatih model secara kolaboratif, namun "pelatihan desentralisasi besar-besaran yang benar-benar praktis" masih merupakan tantangan rekayasa sistemik, yang melibatkan arsitektur sistem, protokol komunikasi, keamanan kriptografi, mekanisme ekonomi, verifikasi model, dan banyak aspek lainnya, tetapi apakah "kolaborasi yang efektif + insentif kejujuran + hasil yang benar" masih berada pada tahap eksplorasi prototipe awal.
Pembelajaran federasi sebagai bentuk transisi antara distribusi dan Desentralisasi, menekankan pada penyimpanan data secara lokal dan pengumpulan parameter model secara terpusat, cocok untuk skenario yang memprioritaskan kepatuhan privasi seperti medis, keuangan (. Pembelajaran federasi memiliki struktur rekayasa pelatihan distribusi dan kemampuan kolaborasi lokal, sambil juga memiliki keuntungan penyebaran data dari pelatihan Desentralisasi, namun tetap bergantung pada pihak koordinator yang tepercaya, dan tidak memiliki karakteristik sepenuhnya terbuka dan tahan sensor. Dapat dianggap sebagai solusi "Desentralisasi terkontrol" dalam skenario kepatuhan privasi, yang relatif moderat dalam tugas pelatihan, struktur kepercayaan, dan mekanisme komunikasi, lebih cocok sebagai arsitektur penyebaran transisi di industri.
![Crypto AI的圣杯：Desentralisasi训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
Batas, Peluang, dan Jalur Realitas dari Pelatihan Desentralisasi
Dari perspektif paradigma pelatihan, pelatihan desentralisasi tidak cocok untuk semua jenis tugas. Dalam beberapa skenario, karena struktur tugas yang kompleks, kebutuhan sumber daya yang sangat tinggi, atau tingkat kesulitan kolaborasi yang tinggi, secara alami tidak cocok untuk diselesaikan secara efisien antara node yang heterogen dan tidak terpercaya. Misalnya, pelatihan model besar sering bergantung pada memori tinggi, latensi rendah, dan bandwidth tinggi, yang sulit untuk dibagi dan disinkronkan secara efektif di jaringan terbuka; tugas yang memiliki pembatasan privasi data dan kedaulatan yang kuat ) seperti medis, keuangan, dan data sensitif ( dibatasi oleh kepatuhan hukum dan batasan etika, sehingga tidak dapat dibagikan secara terbuka; sementara tugas yang kurang memiliki dasar insentif kolaborasi ) seperti model perusahaan yang tertutup atau pelatihan prototipe internal ( kekurangan dorongan partisipasi eksternal. Batasan-batasan ini bersama-sama membentuk batasan nyata dari pelatihan desentralisasi saat ini.
Namun, ini tidak berarti bahwa pelatihan desentralisasi adalah proposisi yang salah. Faktanya, dalam jenis tugas yang ringan secara struktur, mudah diparalelkan, dan dapat memotivasi, pelatihan desentralisasi menunjukkan prospek aplikasi yang jelas. Termasuk namun tidak terbatas pada: fine-tuning LoRA, tugas pelatihan pasca yang berkaitan dengan penyelarasan perilaku ) seperti RLHF, DPO (, pelatihan dan penandaan data melalui crowdsourcing, pelatihan model dasar kecil yang dapat dikendalikan sumber daya, serta skenario pelatihan kolaboratif yang melibatkan perangkat tepi. Tugas-tugas ini umumnya memiliki karakteristik paralelisme tinggi, keterikatan rendah, dan toleransi terhadap komputasi heterogen, sangat cocok untuk pelatihan kolaboratif melalui jaringan P2P, protokol Swarm, pengoptimal terdistribusi, dan cara lainnya.
![Crypto AI的圣杯：Desentralisasi训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Desentralisasi pelatihan proyek klasik analisis
Saat ini, dalam bidang pelatihan desentralisasi dan pembelajaran federasi, proyek blockchain yang representatif terutama mencakup Prime Intellect, Pluralis.ai, Gensyn, Nous Research, dan Flock.io. Dari segi inovasi teknis dan tingkat kesulitan implementasi, Prime Intellect, Nous Research, dan Pluralis.ai telah mengajukan banyak eksplorasi orisinal dalam desain arsitektur sistem dan algoritma, mewakili arah penelitian teoretis saat ini; sementara jalur implementasi Gensyn dan Flock.io relatif jelas, dan kemajuan rekayasa awal sudah terlihat. Artikel ini akan secara bertahap menganalisis teknologi inti dan arsitektur rekayasa di balik lima proyek ini, serta membahas lebih lanjut perbedaan dan hubungan saling melengkapi dalam sistem pelatihan AI desentralisasi.
) Prime Intellect: pelopor jaringan kolaboratif pembelajaran penguatan yang dapat memverifikasi jalur pelatihan
Prime Intellect berkomitmen untuk membangun jaringan pelatihan AI tanpa kepercayaan, sehingga siapa pun dapat berpartisipasi dalam pelatihan dan menerima imbalan yang dapat dipercaya atas kontribusi komputasinya. Prime Intellect berharap dapat membangun sistem pelatihan AI desentralisasi yang memiliki verifikasi, keterbukaan, dan mekanisme insentif yang lengkap melalui tiga modul utama: PRIME-RL + TOPLOC + SHARDCAST.
01、Struktur Stack Protokol Prime Intellect dan Nilai Modul Kunci
![Crypto AI的圣杯：Desentralisasi训练的前沿探索]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Penjelasan Mendalam tentang Mekanisme Kunci Pelatihan Prime Intellect
#PRIME-RL: Arsitektur Tugas Pembelajaran Penguatan Asinkron Terdecoupling
PRIME-RL adalah kerangka pemodelan dan pelaksanaan tugas yang disesuaikan oleh Prime Intellect untuk skenario pelatihan desentralisasi, dirancang khusus untuk jaringan heterogen dan partisipasi asinkron. Ini menggunakan pembelajaran penguatan sebagai objek penyesuaian prioritas, memisahkan secara struktural proses pelatihan, inferensi, dan pengunggahan bobot, sehingga setiap node pelatihan dapat menyelesaikan siklus tugas secara independen di lokasi, dan berkolaborasi melalui antarmuka standar dengan mekanisme verifikasi dan agregasi. Dibandingkan dengan proses pembelajaran terawasi tradisional, PRIME-RL lebih cocok untuk mewujudkan pelatihan yang fleksibel di lingkungan tanpa penjadwalan pusat, yang tidak hanya mengurangi kompleksitas sistem, tetapi juga meletakkan dasar untuk mendukung pelatihan paralel multi-tugas dan evolusi strategi.
#TOPLOC:Mekanisme Verifikasi Perilaku Pelatihan Ringan
TOPLOC###Trusted Observation & Policy-Locality Check( adalah mekanisme inti verifikasi pelatihan yang diusulkan oleh Prime Intellect, digunakan untuk menentukan apakah sebuah node benar-benar telah menyelesaikan pembelajaran strategi yang efektif berdasarkan data pengamatan. Berbeda dengan solusi berat seperti ZKML, TOPLOC tidak bergantung pada perhitungan ulang model secara keseluruhan, tetapi menyelesaikan verifikasi struktur ringan dengan menganalisis jejak konsistensi lokal antara "urutan pengamatan↔pembaruan strategi". Ini untuk pertama kalinya mengubah jejak perilaku selama proses pelatihan menjadi objek yang dapat diverifikasi, merupakan inovasi kunci untuk mencapai distribusi hadiah pelatihan tanpa kepercayaan, dan menyediakan jalur yang layak untuk membangun jaringan pelatihan kolaboratif terdesentralisasi yang dapat diaudit dan diberi insentif.
#SHARDCAST: Protokol Agregasi dan Penyebaran Berat Asinkron
SHARDCAST adalah protokol penyebaran dan agregasi bobot yang dirancang oleh Prime Intellect, dioptimalkan khusus untuk lingkungan jaringan nyata yang bersifat asinkron, dengan bandwidth terbatas, dan status node yang bervariasi. Ini menggabungkan mekanisme penyebaran gossip dan strategi sinkronisasi lokal, memungkinkan beberapa node untuk terus mengajukan pembaruan parsial dalam keadaan tidak sinkron, mewujudkan konvergensi bobot yang progresif dan evolusi multi-versi. Dibandingkan dengan metode AllReduce yang terpusat atau sinkron, SHARDCAST secara signifikan meningkatkan skalabilitas dan ketahanan terhadap kesalahan dalam pelatihan desentralisasi, menjadi dasar inti untuk membangun konsensus bobot yang stabil dan iterasi pelatihan yang berkelanjutan.
#OpenDiLoCo: Kerangka komunikasi asinkron jarang
OpenDiLoCo adalah kerangka optimasi komunikasi yang diimplementasikan secara independen dan open-source oleh tim Prime Intellect berdasarkan konsep DiLoCo yang diajukan oleh DeepMind, dirancang khusus untuk menghadapi tantangan umum dalam pelatihan desentralisasi seperti keterbatasan bandwidth, heterogenitas perangkat, dan ketidakstabilan node. Arsitekturnya berbasis pada paralelisme data, dengan membangun struktur topologi jarang seperti Ring, Expander, dan Small-World, menghindari biaya komunikasi tinggi dari sinkronisasi global, dan hanya bergantung pada node tetangga lokal untuk menyelesaikan pelatihan model secara kolaboratif. Dengan menggabungkan pembaruan asinkron dan mekanisme toleransi kesalahan titik putus, OpenDiLoCo memungkinkan GPU konsumen dan perangkat tepi untuk berpartisipasi secara stabil dalam tugas pelatihan, secara signifikan meningkatkan partisipasi dalam pelatihan kolaboratif global, dan merupakan salah satu infrastruktur komunikasi kunci dalam membangun jaringan pelatihan desentralisasi.
#PCCL:Perpustakaan Komunikasi Kolaboratif
PCCL)Prime Collective Communication Library( adalah pustaka komunikasi ringan yang dirancang khusus oleh Prime Intellect untuk lingkungan pelatihan AI terdesentralisasi, bertujuan untuk mengatasi kendala adaptasi pustaka komunikasi tradisional ) seperti NCCL, Gloo( pada perangkat heterogen dan jaringan bandwidth rendah. PCCL mendukung topologi jarang, kompresi gradien, sinkronisasi presisi rendah, dan pemulihan titik henti, dapat dijalankan pada GPU konsumen dan node yang tidak stabil, merupakan komponen dasar yang mendukung kemampuan komunikasi asinkron protokol OpenDiLoCo. Ini secara signifikan meningkatkan toleransi bandwidth jaringan pelatihan dan kompatibilitas perangkat, membuka "jalan terakhir" untuk infrastruktur komunikasi dalam membangun jaringan pelatihan kolaboratif yang benar-benar terbuka dan tanpa kepercayaan.
)# 03、Prime Intellect insentif jaringan dan pembagian peran
Prime Intellect membangun jaringan pelatihan yang tidak memerlukan izin, dapat diverifikasi, dan memiliki mekanisme insentif ekonomi, sehingga siapa pun dapat berpartisipasi dalam tugas dan mendapatkan imbalan berdasarkan kontribusi nyata. Protokol ini beroperasi berdasarkan tiga jenis peran inti:
Proses inti dari protokol mencakup penerbitan tugas, pelatihan node, verifikasi jejak, agregasi bobot ###SHARDCAST( dan distribusi hadiah, membentuk satu siklus insentif yang berfokus pada "perilaku pelatihan yang nyata".
![Crypto AI的圣杯：Desentralisasi训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04、INTELLECT-2: Peluncuran model pelatihan terdesentralisasi yang dapat diverifikasi pertama
Prime Intellect meluncurkan INTELLECT-2 pada Mei 2025, yang merupakan model besar pembelajaran penguatan pertama di dunia yang dilatih melalui kolaborasi node desentralisasi asinkron dan tanpa kepercayaan, dengan skala parameter mencapai 32B. Model INTELLECT-2 diselesaikan melalui pelatihan kolaboratif lebih dari 100 node GPU heterogen yang tersebar di tiga benua.