O Santo Graal do Crypto AI: Exploração na Fronteira do Treinamento Descentralizado
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e os efeitos práticos da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, um complexo fluxo de processamento 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 dos paradigmas 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 entidade em um cluster de alto desempenho local, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração torna a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas ótima, sendo muito adequada para o treinamento de modelos em grande escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a abordagem predominante para o treinamento de grandes modelos atualmente, cujo núcleo é desmontar a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma entidade centralizada e frequentemente opera em um ambiente de rede local de alta velocidade, através da tecnologia de bus de interconexão NVLink, com o nó principal coordenando uniformemente as sub-tarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina parâmetros de dados diferentes que compartilham pesos do modelo, sendo necessário corresponder.
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução em série por etapas, aumentando a taxa de transferência
Paralelismo de tensor: segmentação refinada do cálculo de matrizes, aumentando o grau de paralelismo
Treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe a comandar remotamente vários funcionários de "escritórios" para colaborar na conclusão de tarefas. Atualmente, quase todos os principais modelos como (GPT-4, Gemini, LLaMA, entre outros, ) são treinados dessa forma.
Descentralização treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua principal característica é: múltiplos nós desconfiados ( que podem ser computadores domésticos, GPUs em nuvem ou dispositivos de borda ) colaborando na execução de tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição e colaboração de tarefas, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade na heterogeneidade e segmentação de dispositivos: alta dificuldade de coordenação entre dispositivos heterogêneos, baixa eficiência na segmentação de tarefas
Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradientes evidente
Falta de execução confiável: falta de um ambiente de execução confiável, dificultando a verificação se os nós realmente participam do cálculo.
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de retrocesso em caso de exceção são complexos
Descentralização de 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 viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas se "colaboração eficaz + incentivo à honestidade + 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 preservação local de dados e a agregação centralizada de parâmetros de modelo, sendo adequado para cenários que valorizam a conformidade com a privacidade (, como saúde e finanças ). O aprendizado federado possui uma estrutura de engenharia de treinamento distribuído e capacidade de colaboração local, ao mesmo tempo que mantém a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um agente de coordenação confiável, não possuindo 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 mecanismo de comunicação, sendo mais adequado como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista dos paradigmas 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, às altas demandas de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória, baixa latência e largura de banda rápida, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania (, como saúde, finanças e dados confidenciais ), estão limitadas por conformidade legal e restrições éticas e não podem ser compartilhadas abertamente; enquanto tarefas ( que carecem de uma base de incentivo à colaboração, como modelos de código fechado de empresas ou treinamento interno de protótipos ), carecem de motivação para a participação externa. Essas fronteiras juntas constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma proposição falsa. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento mostra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento de comportamento como RLHF, DPO(, treinamento e rotulagem de dados crowdsourced, treinamento de pequenos modelos base com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características que toleram poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolo Swarm, otimizadores distribuídos, entre outros.
Atualmente, no campo de treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da 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 fronteira da pesquisa teórica atual; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já sendo possível observar os primeiros progressos na engenharia. Este artigo irá analisar, um a um, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e discutir ainda mais suas diferenças e relações complementares no sistema de treinamento de IA Descentralização.
) Prime Intellect: Pioneiro de redes colaborativas de aprendizado de reforço com trajetórias de treinamento verificáveis
A Prime Intellect está comprometida em construir uma rede de treinamento de IA que não exige confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através de três módulos: PRIME-RL + TOPLOC + SHARDCAST.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
)# 02, Explicação detalhada dos principais mecanismos de treino do Prime Intellect
#PRIME-RL: Arquitetura de Tarefas 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 especificamente para redes heterogêneas e participações assíncronas. Adota o aprendizado por reforço como objeto prioritário, desconectando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete seu 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 ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de validação de comportamento de treino 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 política eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo de todo o modelo, mas sim da análise das trajetórias de consistência local entre "sequência de observação ↔ atualização de política" para realizar a verificação da 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 realização de uma distribuição de recompensas de treinamento sem confiança, proporcionando um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivada.
#SHARDCAST: Protocolo de Agregação e Disseminação 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 múltiplos nós submetam continuamente atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento descentralizado, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Espalhada
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, com base na ideia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando os altos custos de comunicação da sincronização global ao construir topologias esparsas como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas com os nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação essenciais para a construção de redes de treinamento descentralizado.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL)Prime Collective Communication Library( é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para ambientes de treinamento de IA descentralizada, destinada a resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais) como NCCL e Gloo( em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradiente, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo o componente de base que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade de dispositivos, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança.
)# 03、Rede de Incentivos Prime Intellect 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 opera com base em três categorias de papéis principais:
Iniciador da tarefa: definir o ambiente de treino, o modelo inicial, a função de recompensa e os critérios de validação
Nós de treinamento: executar treinamento local, submeter atualizações de pesos e trajetórias de observação
Nodos de validação: utilizar o mecanismo TOPLOC para verificar a veracidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias
O fluxo 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 treinamento descentralizado verificável.
Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizagem por reforço do mundo treinado por nós, descentralizados e assíncronos, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes.
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.
17 gostos
Recompensa
17
4
Republicar
Partilhar
Comentar
0/400
GasFeeVictim
· 08-13 18:22
Mais um projeto a puxar o tapete, certo?
Ver originalResponder0
TokenRationEater
· 08-13 05:29
Poder de computação está quase a queimar a minha nova 3090.
Ver originalResponder0
SigmaBrain
· 08-13 05:05
丝滑又insights valiosos
Ver originalResponder0
just_another_fish
· 08-13 05:02
Nós sempre seremos explorados pelos gigantes da tecnologia.
Descentralização da exploração de ponta em treinamento de IA: de Prime Intellect a INTELLECT-2
O Santo Graal do Crypto AI: Exploração na Fronteira do Treinamento Descentralizado
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e os efeitos práticos da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, um complexo fluxo de processamento 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 dos paradigmas 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 entidade em um cluster de alto desempenho local, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração torna a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas ótima, sendo muito adequada para o treinamento de modelos em grande escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a abordagem predominante para o treinamento de grandes modelos atualmente, cujo núcleo é desmontar a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma entidade centralizada e frequentemente opera em um ambiente de rede local de alta velocidade, através da tecnologia de bus de interconexão NVLink, com o nó principal coordenando uniformemente as sub-tarefas. Os métodos principais incluem:
Treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe a comandar remotamente vários funcionários de "escritórios" para colaborar na conclusão de tarefas. Atualmente, quase todos os principais modelos como (GPT-4, Gemini, LLaMA, entre outros, ) são treinados dessa forma.
Descentralização treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua principal característica é: múltiplos nós desconfiados ( que podem ser computadores domésticos, GPUs em nuvem ou dispositivos de borda ) colaborando na execução de tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição e colaboração de tarefas, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização de 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 viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas se "colaboração eficaz + incentivo à honestidade + 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 preservação local de dados e a agregação centralizada de parâmetros de modelo, sendo adequado para cenários que valorizam a conformidade com a privacidade (, como saúde e finanças ). O aprendizado federado possui uma estrutura de engenharia de treinamento distribuído e capacidade de colaboração local, ao mesmo tempo que mantém a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um agente de coordenação confiável, não possuindo 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 mecanismo de comunicação, sendo mais adequado como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista dos paradigmas 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, às altas demandas de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória, baixa latência e largura de banda rápida, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania (, como saúde, finanças e dados confidenciais ), estão limitadas por conformidade legal e restrições éticas e não podem ser compartilhadas abertamente; enquanto tarefas ( que carecem de uma base de incentivo à colaboração, como modelos de código fechado de empresas ou treinamento interno de protótipos ), carecem de motivação para a participação externa. Essas fronteiras juntas constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma proposição falsa. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento mostra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento de comportamento como RLHF, DPO(, treinamento e rotulagem de dados crowdsourced, treinamento de pequenos modelos base com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características que toleram poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolo Swarm, otimizadores distribuídos, entre outros.
![Crypto AI的圣杯：Descentralização训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Descentralização treinamento clássicos projetos análise
Atualmente, no campo de treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da 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 fronteira da pesquisa teórica atual; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já sendo possível observar os primeiros progressos na engenharia. Este artigo irá analisar, um a um, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e discutir ainda mais suas diferenças e relações complementares no sistema de treinamento de IA Descentralização.
) Prime Intellect: Pioneiro de redes colaborativas de aprendizado de reforço com trajetórias de treinamento verificáveis
A Prime Intellect está comprometida em construir uma rede de treinamento de IA que não exige confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através de três módulos: PRIME-RL + TOPLOC + SHARDCAST.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
![Crypto AI's Holy Grail: Descentralização training's cutting-edge exploration]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Explicação detalhada dos principais mecanismos de treino do Prime Intellect
#PRIME-RL: Arquitetura de Tarefas 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 especificamente para redes heterogêneas e participações assíncronas. Adota o aprendizado por reforço como objeto prioritário, desconectando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete seu 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 ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de validação de comportamento de treino 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 política eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo de todo o modelo, mas sim da análise das trajetórias de consistência local entre "sequência de observação ↔ atualização de política" para realizar a verificação da 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 realização de uma distribuição de recompensas de treinamento sem confiança, proporcionando um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivada.
#SHARDCAST: Protocolo de Agregação e Disseminação 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 múltiplos nós submetam continuamente atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento descentralizado, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Espalhada
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, com base na ideia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando os altos custos de comunicação da sincronização global ao construir topologias esparsas como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas com os nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação essenciais para a construção de redes de treinamento descentralizado.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL)Prime Collective Communication Library( é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para ambientes de treinamento de IA descentralizada, destinada a resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais) como NCCL e Gloo( em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradiente, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo o componente de base que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade de dispositivos, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança.
)# 03、Rede de Incentivos Prime Intellect 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 opera com base em três categorias de papéis principais:
O fluxo 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".
![Crypto AI的圣杯：Descentralização训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04、INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável.
Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizagem por reforço do mundo treinado por nós, descentralizados e assíncronos, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes.