O Santo Graal da Crypto AI: Exploração de vanguarda do treinamento Descentralização
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que mais consome recursos e apresenta a maior barreira técnica, decidindo 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 capacidade computacional em larga escala, processos de tratamento de dados complexos e suporte a algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Em termos de paradigmas de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento de descentralização que será discutido em detalhe neste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster de alto desempenho local, onde todo o processo de treinamento, desde o hardware, software de baixo nível, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração otimiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, com vantagens de alta eficiência e controle de recursos, mas também apresenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a maneira predominante de treinar grandes modelos atualmente, e seu núcleo é dividir as tarefas de treinamento do modelo e distribuí-las 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, geralmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos predominantes incluem:
Paralelismo de dados: cada nó treina diferentes dados, os parâmetros são compartilhados e é necessário corresponder os pesos do modelo.
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 tensores: segmentação refinada do cálculo matricial, aumentando o grau de paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários empregados em "escritórios" para completar tarefas. Atualmente, quase todos os principais grandes modelos são treinados dessa forma.
Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Suas principais características são: múltiplos nós que não se confiam mutuamente colaboram para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição e colaboração de tarefas, e aproveitam mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade de heterogeneidade e divisão dos dispositivos: alta dificuldade de coordenação de dispositivos heterogêneos, baixa eficiência de divisão de tarefas
Gargalo na eficiência da comunicação: a comunicação na rede é instável, o gargalo na sincronização de gradientes é 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 do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em conjunto, mas "o verdadeiro treinamento descentralizado em larga escala viável" ainda é um desafio sistemático de engenharia, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros múltiplos níveis, mas se é possível "colaborar efetivamente + incentivar a honestidade + obter resultados corretos" ainda está em fase de exploração de protótipos iniciais.
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 adequado para 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 que desfruta das vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma parte coordenadora confiável, e não possui características completamente abertas e resistentes à censura. Pode ser visto como uma solução "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em relação às tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, tornando-se 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, às altas demandas de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos frequentemente depende de alta memória gráfica, baixa latência e largura de banda alta, dificultando a divisão e sincronização eficazes em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de uma base de incentivos à colaboração carecem de motivação externa para a participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso problema. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e motivadas, o treinamento descentralizado demonstra uma clara perspectiva de aplicação. Incluindo, mas não se limitando a: ajuste fino de LoRA, tarefas de pós-treinamento de alinhamento comportamental, tarefas de treinamento e anotação de crowdsourcing de dados, treinamento de modelos básicos pequenos controláveis em recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características que toleram computação heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Atualmente, na vanguarda da Descentralização e do aprendizado federado, os projetos de blockchain representativos incluem principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e 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 pesquisa teórica mais avançadas; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando progresso inicial em engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, além de discutir suas diferenças e relações complementares dentro do sistema de treinamento de IA descentralizado.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado por reforço verificáveis na trajetória de treinamento
A Prime Intellect está comprometida em construir uma rede de treinamento de IA que não requer confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect pretende, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA descentralizado que seja verificável, aberto e com um mecanismo de incentivos completo.
Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
Explicação detalhada 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. Ele utiliza 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 de forma independente em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em um ambiente 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 Verificação de Comportamento de Treinamento Leve
TOPLOC é um mecanismo central de verificação 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 sim da análise das trajetórias de consistência local entre "sequência de observação ↔ atualização de estratégia" para realizar 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 a construção de 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 variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que vários nós submetam continuamente atualizações parciais em estados desincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Comparado a métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central 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 independente e de código aberto, implementada pela equipe Prime Intellect com base no conceito DiLoCo proposto pela DeepMind, projetada especialmente para enfrentar os desafios comuns de 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, permitindo que o treinamento colaborativo do modelo seja realizado apenas com base em nós vizinhos locais. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de maneira estável nas tarefas de treinamento, aumentando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para construir uma rede de treinamento descentralizada.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para ambientes de treinamento de IA descentralizada, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental 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 básica que constrói uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança, superando o "último quilômetro".
Prime Intellect rede de incentivos e 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 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, enviar atualizações de pesos e trajetórias de observação
Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade 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, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, o primeiro grande modelo de aprendizado reforçado do mundo treinado por nós de colaboração descentralizada, assíncrona e sem confiança, com um tamanho de parâmetro de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolos centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira vez que uma rede de treinamento descentralizada conseguiu realizar a abertura, verificação e incentivos econômicos durante o processo de treinamento.
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.
13 gostos
Recompensa
13
5
Partilhar
Comentar
0/400
CoffeeNFTrader
· 07-19 09:06
Fui treinar no centro e me senti sozinho.
Ver originalResponder0
quiet_lurker
· 07-19 03:19
Mais uma armadilha que eu joguei há dois anos.
Ver originalResponder0
NftRegretMachine
· 07-16 14:18
Longe da realidade, como é que se pode ainda querer a Descentralização com um consumo de Poder de computação tão grande?
Ver originalResponder0
OnChainDetective
· 07-16 14:14
Poder de computação Grandes investidores são todos Endereços de instituições. A cadeia por trás é muito suspeita, não é?
Explorar a Descentralização do Treinamento de IA: Dos Desafios Técnicos aos Pioneiros Práticos
O Santo Graal da Crypto AI: Exploração de vanguarda do treinamento Descentralização
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que mais consome recursos e apresenta a maior barreira técnica, decidindo 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 capacidade computacional em larga escala, processos de tratamento de dados complexos e suporte a algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Em termos de paradigmas de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento de descentralização que será discutido em detalhe neste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster de alto desempenho local, onde todo o processo de treinamento, desde o hardware, software de baixo nível, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração otimiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, com vantagens de alta eficiência e controle de recursos, mas também apresenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a maneira predominante de treinar grandes modelos atualmente, e seu núcleo é dividir as tarefas de treinamento do modelo e distribuí-las 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, geralmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos predominantes incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários empregados em "escritórios" para completar tarefas. Atualmente, quase todos os principais grandes modelos são treinados dessa forma.
Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Suas principais características são: múltiplos nós que não se confiam mutuamente colaboram para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição e colaboração de tarefas, e aproveitam mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em conjunto, mas "o verdadeiro treinamento descentralizado em larga escala viável" ainda é um desafio sistemático de engenharia, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros múltiplos níveis, mas se é possível "colaborar efetivamente + incentivar a honestidade + obter resultados corretos" ainda está em fase de exploração de protótipos iniciais.
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 adequado para 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 que desfruta das vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma parte coordenadora confiável, e não possui características completamente abertas e resistentes à censura. Pode ser visto como uma solução "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em relação às tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, tornando-se 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, às altas demandas de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos frequentemente depende de alta memória gráfica, baixa latência e largura de banda alta, dificultando a divisão e sincronização eficazes em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de uma base de incentivos à colaboração carecem de motivação externa para a participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso problema. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e motivadas, o treinamento descentralizado demonstra uma clara perspectiva de aplicação. Incluindo, mas não se limitando a: ajuste fino de LoRA, tarefas de pós-treinamento de alinhamento comportamental, tarefas de treinamento e anotação de crowdsourcing de dados, treinamento de modelos básicos pequenos controláveis em recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características que toleram computação heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássicos projetos análise
Atualmente, na vanguarda da Descentralização e do aprendizado federado, os projetos de blockchain representativos incluem principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e 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 pesquisa teórica mais avançadas; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando progresso inicial em engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, além de discutir suas diferenças e relações complementares dentro do sistema de treinamento de IA descentralizado.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado por reforço verificáveis na trajetória de treinamento
A Prime Intellect está comprometida em construir uma rede de treinamento de IA que não requer confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect pretende, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA descentralizado que seja verificável, aberto e com um mecanismo de incentivos completo.
Estrutura da pilha de protocolos Prime Intellect e valor dos módulos-chave
Explicação detalhada 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. Ele utiliza 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 de forma independente em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em um ambiente 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 Verificação de Comportamento de Treinamento Leve
TOPLOC é um mecanismo central de verificação 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 sim da análise das trajetórias de consistência local entre "sequência de observação ↔ atualização de estratégia" para realizar 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 a construção de 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 variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que vários nós submetam continuamente atualizações parciais em estados desincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Comparado a métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central 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 independente e de código aberto, implementada pela equipe Prime Intellect com base no conceito DiLoCo proposto pela DeepMind, projetada especialmente para enfrentar os desafios comuns de 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, permitindo que o treinamento colaborativo do modelo seja realizado apenas com base em nós vizinhos locais. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de maneira estável nas tarefas de treinamento, aumentando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para construir uma rede de treinamento descentralizada.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para ambientes de treinamento de IA descentralizada, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental 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 básica que constrói uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança, superando o "último quilômetro".
Prime Intellect rede de incentivos e 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 categorias de papéis principais:
O fluxo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, o primeiro grande modelo de aprendizado reforçado do mundo treinado por nós de colaboração descentralizada, assíncrona e sem confiança, com um tamanho de parâmetro de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolos centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira vez que uma rede de treinamento descentralizada conseguiu realizar a abertura, verificação e incentivos econômicos durante o processo de treinamento.