Révolution de l'entraînement de l'IA : de la contrôle centralisé à l'évolution technique de la collaboration décentralisée

Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée

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 la limite de capacité des modèles et l'effet d'application réel. 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 processus de traitement des données complexes et un soutien d'algorithmes d'optimisation à haute intensité, constituant véritablement une « industrie lourde » dans la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées en quatre catégories : l'entraînement centralisé, l'entraînement distribué, l'apprentissage fédéré, ainsi que l'entraînement décentralisé, qui est le sujet principal de cet article.

Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée

L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster local à haute performance, où l'ensemble du processus d'entraînement, depuis le matériel, le logiciel de base, le système de gestion de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unique. Cette architecture de collaboration profonde permet d'atteindre une efficacité optimale pour le partage de mémoire, la synchronisation des gradients et les mécanismes de tolérance aux pannes, ce qui est particulièrement adapté à l'entraînement de modèles à grande échelle tels que GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes de monopole de données, de barrières à l'entrée, de consommation d'énergie et de risques de point unique.

L'entraînement distribué est la méthode principale d'entraînement des grands modèles, dont le cœur consiste à décomposer les tâches d'entraînement du modèle et à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les limites de calcul et de stockage d'une seule machine. Bien qu'il possède physiquement des caractéristiques de « décentralisation », l'ensemble est toujours contrôlé, planifié et synchronisé par des organismes centralisés, fonctionnant souvent dans un environnement de réseau local à haute vitesse, utilisant la technologie de bus interconnecté haute vitesse NVLink, avec le nœud principal coordonnant uniformément les sous-tâches. Les méthodes principales incluent :

  • 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 en série par étapes, augmentation 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 », comparable à un même patron dirigeant à distance plusieurs employés de « bureaux » pour collaborer à l'accomplissement de tâches. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.

Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technique de la collaboration décentralisée

La formation décentralisée représente un avenir plus ouvert et résistant à la censure. Ses caractéristiques principales incluent : plusieurs nœuds ne se faisant pas confiance collaborent à l'exécution des tâches de formation 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 cryptographiques pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :

  • Difficultés d'hétérogénéité des appareils et de partitionnement : coordination difficile des appareils hétérogènes, faible efficacité de la partition des tâches
  • Goulots d'étranglement de l'efficacité de la communication : communication réseau instable, goulot d'étranglement évident dans la synchronisation des gradients
  • 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, mécanisme de rollback des exceptions complexe

La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier contribuant chacun 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, le protocole de communication, la sécurité cryptographique, le mécanisme économique, la validation du modèle, et d'autres niveaux. Cependant, la possibilité d'« une collaboration efficace + une incitation à l'honnêteté + des résultats corrects » en est encore au stade d'exploration précoce des 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 du modèle, ce qui le rend adapté aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais il reste dépendant d'une entité coordonnante de confiance et ne possède pas de caractéristiques entièrement ouvertes et anti-censure. Il peut être considéré comme une solution de « Décentralisation contrôlée » dans des scénarios de conformité 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 comme architecture de déploiement transitoire dans l'industrie.

Décentralisation entraînement des frontières, opportunités et voies réelles

D'un point de vue du paradigme d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure de la tâche, 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 mémoire vidéo haute, 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 soumises à des restrictions fortes sur la confidentialité des données et la souveraineté sont limitées par la conformité légale et les contraintes éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant de bases d'incitation à la collaboration manquent de motivation externe à participer. 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. Y compris, mais sans s'y limiter : l'affinage LoRA, les tâches d'entraînement post-alignment comportemental, l'entraînement et l'annotation de données en crowdsourcing, 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 optimiseurs distribués, etc.

Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technique de la collaboration décentralisée

Analyse des projets classiques de formation à la Décentralisation

Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent 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 algorithmique, représentant les directions de recherche théorique à la pointe actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires peuvent déjà être observés. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le cadre d'un système d'entraînement AI décentralisé.

Prime Intellect: Pionnier des réseaux collaboratifs d'apprentissage par renforcement vérifiables par trajectoire

Prime Intellect s'efforce de construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions computationnelles. Prime Intellect souhaite, à travers les trois modules PRIME-RL + TOPLOC + SHARDCAST, bâtir un système d'entraînement AI décentralisé, avec vérifiabilité, ouverture et un mécanisme d'incitation complet.

I. Structure de la pile de protocoles Prime Intellect et valeur des modules clés

Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée

Deux, explication détaillée des mécanismes clés de l'entraînement de 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 personnalisé 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, déconnectant structurellement les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment sa boucle de tâches en local, et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. 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 posant les bases du soutien au parallélisme des tâches multiples et à l'évolution des stratégies.

TOPLOC: Mécanisme de validation de comportement d'entraînement léger

TOPLOC est un mécanisme central de vérifiabilité d'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais analyse la trajectoire de cohérence locale entre « séquence d'observation ↔ mise à jour de stratégie » pour réaliser une vérification de structure légère. Il transforme pour la première fois les trajectoires de comportement du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour la distribution de récompenses d'entraînement sans confiance, offrant une voie réalisable pour construire un réseau d'entraînement décentralisé, auditables et incitatifs.

SHARDCAST : protocole de propagation et d'agrégation 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 gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant ainsi 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 ainsi la base essentielle pour établir un consensus de poids stable et pour l'itération continue de l'entraînement.

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 tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture repose sur la parallélisation des données, en construisant des structures topologiques clairsemées comme Ring, Expander et Small-World, évitant ainsi le coût de communication élevé de la synchronisation globale, et ne dépendant que des nœuds voisins locaux pour effectuer l'entraînement coopératif du modèle. En combinant la mise à jour asynchrone et le mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs en périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.

PCCL: Bibliothèque de communication collaborative

PCCL est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement de formation AI décentralisé, visant à résoudre le goulot d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur 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 interruption, pouvant fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante du réseau d'entraînement et la compatibilité des dispositifs, ouvrant ainsi la communication de « dernier kilomètre » pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.

Trois, le réseau d'incitation Prime Intellect et la 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 aux 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 l'entraînement local, soumettre les mises à jour de poids et les trajectoires d'observation
  • Nœud de validation : utiliser le mécanisme TOPLOC pour vérifier l'authenticité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.

Le processus central de l'accord comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, formant un cycle d'incitation autour du « comportement d'entraînement réel ».

Évolution des paradigmes d'entraînement de l'IA : d'un contrôle centralisé à une révolution technologique de la collaboration décentralisée

Quatre, 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 entraîné par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètres atteignant 32B. Le modèle INTELLECT-2 a été co-entrainé par plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais aussi la première mise en œuvre systématique du paradigme « entraînement = consensus » proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation d'un réseau d'entraînement décentralisé.

PRIME-3.48%
Voir l'original
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.
  • Récompense
  • 5
  • Partager
Commentaire
0/400
BlockchainBardvip
· 07-15 23:48
Encore vu un groupe de pros jouer avec l'accumulation de ressources.
Voir l'originalRépondre0
FundingMartyrvip
· 07-15 13:51
L'apprentissage fédéré ne semble pas fiable... il demande de l'argent et de la vie.
Voir l'originalRépondre0
GasFeeAssassinvip
· 07-15 13:49
Pour stimuler l'IA, il faut compter sur la décentralisation.
Voir l'originalRépondre0
DefiOldTrickstervip
· 07-15 13:47
Haha, ça rappelle un peu le début de la Finance décentralisée en 2019. Très vite, tout le monde va s'y mettre à l'Arbitrage.
Voir l'originalRépondre0
PanicSellervip
· 07-15 13:36
Tout n'est qu'un tigre en papier, après tout, combien peut-il chuter ?
Voir l'originalRépondre0
  • Épingler
Trader les cryptos partout et à tout moment
qrCode
Scan pour télécharger Gate app
Communauté
Français (Afrique)
  • 简体中文
  • English
  • Tiếng Việt
  • 繁體中文
  • Español
  • Русский
  • Français (Afrique)
  • Português (Portugal)
  • Bahasa Indonesia
  • 日本語
  • بالعربية
  • Українська
  • Português (Brasil)