Evolução dos Paradigmas de Treinamento de IA: Da Controle Centralizado à Revolução Tecnológica de Colaboração Descentralizada
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 o efeito prático da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em grande escala de poder computacional, processos complexos de tratamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista 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, realizada 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. Esta arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas atinja o ótimo, sendo muito adequada para o treinamento de modelos em larga escala como GPT, Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas também enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a abordagem principal para treinamento de grandes modelos atualmente, cujo núcleo é a decomposição da tarefa de treinamento do modelo e a distribuição para várias máquinas para execução colaborativa, a fim de superar as limitações de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" fisicamente, o todo ainda é controlado e agendado por uma instituição centralizada, muitas vezes operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, onde o nó principal coordena uniformemente as subtarefas. Os métodos principais incluem:
Parâmetros de dados paralelos: cada nó treina dados diferentes, os parâmetros são compartilhados, necessitando de correspondência de pesos do modelo.
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução em série em fases, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada do cálculo de matrizes, aumentando o grau de paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os grandes modelos principais são treinados dessa forma.
Descentralização treinamento representa um caminho futuro mais aberto e resistente à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram na realização de tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade na heterogeneidade e segmentação de dispositivos: alta dificuldade de coordenação de dispositivos heterogêneos, baixa eficiência na segmentação de tarefas
Gargalo de eficiência de comunicação: a comunicação em rede é instável, o gargalo de sincronização de gradientes é evidente
Execução confiável ausente: falta de um ambiente de execução confiável, dificultando a verificação se os nós estão realmente participando do cálculo.
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de rollback de exceções são complexos
Descentralização de treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar modelos de forma colaborativa, mas "o verdadeiro treinamento descentralizado em larga escala viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros múltiplos níveis. No entanto, a capacidade de "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está em uma fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo aplicável a cenários que priorizam a conformidade com a privacidade. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que mantém a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador 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, com tarefas de treinamento, estrutura de confiança e mecanismos de comunicação relativamente moderados, sendo mais adequado como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda de recursos ou à grande dificuldade de colaboração, ela não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória gráfica, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar de forma eficaz em uma rede aberta; tarefas com forte privacidade e restrições de soberania de dados estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos de colaboração não têm motivação para participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso enunciado. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, o treinamento descentralizado apresenta perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental, treinamento e anotação de dados via crowdsourcing, treinamento de modelos básicos pequenos com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características que toleram computação heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, na vanguarda do treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram várias explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já mostrando progressos iniciais na engenharia. Este artigo analisará sequencialmente as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e explorará ainda mais suas diferenças e relações complementares no sistema de treinamento AI Descentralização.
Prime Intellect: Pioneiro de redes de colaboração de aprendizado reforçado com trajetórias de treinamento verificáveis
A Prime Intellect está comprometida em construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento descentralizado de IA, com verificabilidade, abertura e um mecanismo de incentivos completo, através de três módulos principais: PRIME-RL + TOPLOC + SHARDCAST.
Um, Estrutura da Pilha de Protocolos Prime Intellect e Valor dos Módulos Chave
Dois, Detalhes dos Mecanismos Chave do Treinamento Prime Intellect
PRIME-RL: Arquitetura de Tarefas de Aprendizagem por Reforço Assíncrona Desacoplada
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 participação assíncrona. Adota o aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas localmente de forma independente, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com o fluxo tradicional de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em um ambiente sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para apoiar a paralelização de múltiplas tarefas e a evolução de estratégias.
TOPLOC: Mecanismo de verificação de comportamento de treinamento leve
TOPLOC é o mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo total do modelo, mas analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem confiança, fornecendo um caminho viável para construir uma rede de treinamento colaborativa descentralizada que seja auditável e incentivadora.
SHARDCAST: Protocolo de agregação e propagação de pesos assíncronos
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nós em constante mudança. Ele combina mecanismos de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados desincronizados, alcançando a convergência progressiva de pesos e evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base fundamental para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, com base na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, dependendo apenas de nós vizinhos locais para completar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de maneira estável nas tarefas de treinamento, melhorando significativamente a participação em treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para a construção de redes de treinamento descentralizadas.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA descentralizado, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente de base que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação de "último quilômetro" na construção de uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.
Três, a rede de incentivos Prime Intellect e a divisão de papéis
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo 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 tipos de papéis principais:
Iniciador da tarefa: definir o ambiente de treino, modelo inicial, função de recompensa e critérios de validação
Nós de treinamento: executar treinamento local, submeter atualizações de pesos e trajetórias de observação
Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar no cálculo de recompensas e agregação de estratégias
O fluxo central do protocolo inclui a publicação de tarefas, o treinamento de nós, a verificação de trajetórias, a agregação de pesos e a distribuição de recompensas, constituindo um ciclo de incentivo em torno do "comportamento de treinamento real".
Quatro, INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por nós de colaboração descentralizada assíncrona e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos GPU distribuídos por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade de redes de colaboração assíncronas. Este modelo não é apenas um avanço em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos principais de protocolos como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização de uma rede de treinamento descentralizada.
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
13 Curtidas
Recompensa
13
5
Compartilhar
Comentário
0/400
BlockchainBard
· 07-15 23:48
Mais uma vez vi um grupo de pros a brincar com a acumulação de recursos.
Ver originalResponder0
FundingMartyr
· 07-15 13:51
O aprendizado federado parece não ser confiável... precisa de dinheiro e de vidas.
Ver originalResponder0
GasFeeAssassin
· 07-15 13:49
A estimulação da IA ainda depende da descentralização.
Ver originalResponder0
DefiOldTrickster
· 07-15 13:47
Hehe, é como se tivesse começado a pegar fogo nas Finanças Descentralizadas em 2019, muito em breve todos vão se meter em armadilhas.
Ver originalResponder0
PanicSeller
· 07-15 13:36
Tudo não passa de um tigre de papel. Quanto mais pode cair?
Revolução do Treinamento de IA: Da Controle Centralizado à Descentralização Colaborativa da Evolução Tecnológica
Evolução dos Paradigmas de Treinamento de IA: Da Controle Centralizado à Revolução Tecnológica de Colaboração Descentralizada
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 o efeito prático da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em grande escala de poder computacional, processos complexos de tratamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista 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, realizada 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. Esta arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas atinja o ótimo, sendo muito adequada para o treinamento de modelos em larga escala como GPT, Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas também enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a abordagem principal para treinamento de grandes modelos atualmente, cujo núcleo é a decomposição da tarefa de treinamento do modelo e a distribuição para várias máquinas para execução colaborativa, a fim de superar as limitações de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" fisicamente, o todo ainda é controlado e agendado por uma instituição centralizada, muitas vezes operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, onde o nó principal coordena uniformemente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os grandes modelos principais são treinados dessa forma.
Descentralização treinamento representa um caminho futuro mais aberto e resistente à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram na realização de tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização de treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar modelos de forma colaborativa, mas "o verdadeiro treinamento descentralizado em larga escala viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros múltiplos níveis. No entanto, a capacidade de "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está em uma fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo aplicável a cenários que priorizam a conformidade com a privacidade. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que mantém a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador 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, com tarefas de treinamento, estrutura de confiança e mecanismos de comunicação relativamente moderados, sendo mais adequado como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda de recursos ou à grande dificuldade de colaboração, ela não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória gráfica, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar de forma eficaz em uma rede aberta; tarefas com forte privacidade e restrições de soberania de dados estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos de colaboração não têm motivação para participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso enunciado. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, o treinamento descentralizado apresenta perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental, treinamento e anotação de dados via crowdsourcing, treinamento de modelos básicos pequenos com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características que toleram computação heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, na vanguarda do treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram várias explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já mostrando progressos iniciais na engenharia. Este artigo analisará sequencialmente as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e explorará ainda mais suas diferenças e relações complementares no sistema de treinamento AI Descentralização.
Prime Intellect: Pioneiro de redes de colaboração de aprendizado reforçado com trajetórias de treinamento verificáveis
A Prime Intellect está comprometida em construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento descentralizado de IA, com verificabilidade, abertura e um mecanismo de incentivos completo, através de três módulos principais: PRIME-RL + TOPLOC + SHARDCAST.
Um, Estrutura da Pilha de Protocolos Prime Intellect e Valor dos Módulos Chave
Dois, Detalhes dos Mecanismos Chave do Treinamento Prime Intellect
PRIME-RL: Arquitetura de Tarefas de Aprendizagem por Reforço Assíncrona Desacoplada
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 participação assíncrona. Adota o aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas localmente de forma independente, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com o fluxo tradicional de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em um ambiente sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para apoiar a paralelização de múltiplas tarefas e a evolução de estratégias.
TOPLOC: Mecanismo de verificação de comportamento de treinamento leve
TOPLOC é o mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo total do modelo, mas analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem confiança, fornecendo um caminho viável para construir uma rede de treinamento colaborativa descentralizada que seja auditável e incentivadora.
SHARDCAST: Protocolo de agregação e propagação de pesos assíncronos
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nós em constante mudança. Ele combina mecanismos de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados desincronizados, alcançando a convergência progressiva de pesos e evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base fundamental para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, com base na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, dependendo apenas de nós vizinhos locais para completar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de maneira estável nas tarefas de treinamento, melhorando significativamente a participação em treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para a construção de redes de treinamento descentralizadas.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA descentralizado, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente de base que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação de "último quilômetro" na construção de uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.
Três, a rede de incentivos Prime Intellect e a divisão de papéis
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo 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 tipos de papéis principais:
O fluxo central do protocolo inclui a publicação de tarefas, o treinamento de nós, a verificação de trajetórias, a agregação de pesos e a distribuição de recompensas, constituindo um ciclo de incentivo em torno do "comportamento de treinamento real".
Quatro, INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por nós de colaboração descentralizada assíncrona e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos GPU distribuídos por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade de redes de colaboração assíncronas. Este modelo não é apenas um avanço em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos principais de protocolos como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização de uma rede de treinamento descentralizada.