Cách mạng đào tạo AI: Sự tiến hóa công nghệ từ kiểm soát tập trung đến Phi tập trung hợp tác

Sự tiến hóa của mô hình huấn luyện AI: Cuộc cách mạng công nghệ từ kiểm soát tập trung đến hợp tác phi tập trung

Trong toàn bộ chuỗi giá trị của AI, đào tạo mô hình là khâu tiêu tốn tài nguyên lớn nhất và có ngưỡng kỹ thuật cao nhất, quyết định trực tiếp đến giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy diễn với việc gọi nhẹ nhàng, quá trình đào tạo cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, là «ngành công nghiệp nặng» thực sự trong xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương pháp đào tạo có thể được chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và đào tạo phi tập trung mà bài viết này sẽ tập trung thảo luận.

AI đào tạo mô hình tiến hóa: từ kiểm soát tập trung đến cách mạng công nghệ hợp tác phi tập trung

Huấn luyện tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong cụm hiệu năng cao tại chỗ, hoàn thành toàn bộ quy trình huấn luyện, từ phần cứng, phần mềm nền tảng, hệ thống điều phối cụm, đến tất cả các thành phần của khung huấn luyện đều được điều phối và vận hành bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này giúp chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chịu lỗi đạt hiệu quả tối ưu, rất phù hợp cho việc huấn luyện các mô hình quy mô lớn như GPT, Gemini, có lợi thế về hiệu suất cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.

Huấn luyện phân tán là phương pháp chính trong huấn luyện mô hình lớn hiện nay, cốt lõi của nó là phân chia nhiệm vụ huấn luyện mô hình và phân phối đến nhiều máy tính để cùng thực hiện, nhằm vượt qua những hạn chế về tính toán và lưu trữ của một máy. Mặc dù về mặt vật lý có đặc điểm "phân tán", nhưng tổng thể vẫn được kiểm soát, điều phối và đồng bộ bởi các tổ chức tập trung, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus kết nối NVLink tốc độ cao, do nút chính điều phối các nhiệm vụ con một cách thống nhất. Các phương pháp chính bao gồm:

  • Dữ liệu song song: Mỗi nút đào tạo các tham số dữ liệu khác nhau chia sẻ, cần phải khớp trọng số mô hình.
  • Song song mô hình: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ.
  • Đường ống song song: Thực hiện tuần tự theo từng giai đoạn, tăng cường thông lượng
  • Phân đoạn tensor: Tinh chỉnh phân đoạn tính toán ma trận, nâng cao độ tinh vi của sự song song

Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như việc một ông chủ chỉ huy từ xa nhiều "văn phòng" nhân viên phối hợp hoàn thành nhiệm vụ. Hiện tại, hầu hết các mô hình lớn chính đều được hoàn thành huấn luyện theo cách này.

Sự tiến hóa của mô hình đào tạo AI: Cách mạng công nghệ từ kiểm soát tập trung đến Phi tập trung hợp tác

Phi tập trung đào tạo đại diện cho con đường tương lai với tính mở và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau hợp tác hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức thúc đẩy việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:

  • Thiết bị không đồng nhất và khó chia tách: Khó khăn trong việc phối hợp thiết bị không đồng nhất, hiệu suất chia tách nhiệm vụ thấp
  • Nút thắt hiệu suất truyền thông: giao tiếp mạng không ổn định, nút thắt đồng bộ gradient rõ ràng
  • Thiếu thực thi đáng tin cậy: Thiếu môi trường thực thi đáng tin cậy, khó xác minh xem nút có thực sự tham gia tính toán hay không.
  • Thiếu sự phối hợp thống nhất: không có bộ điều phối trung ương, việc phân phát nhiệm vụ và cơ chế hoàn tác bất thường phức tạp

Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, an ninh mật mã, cơ chế kinh tế, xác thực mô hình và nhiều khía cạnh khác, nhưng liệu có thể "phối hợp hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu ban đầu.

Học liên bang, như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương và tập trung hợp nhất các tham số mô hình, phù hợp với các tình huống chú trọng đến tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật phân tán và khả năng hợp tác cục bộ, đồng thời có lợi thế phân tán dữ liệu trong huấn luyện Phi tập trung, nhưng vẫn phụ thuộc vào bên phối hợp đáng tin cậy, không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Có thể coi nó là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với các nhiệm vụ huấn luyện, cấu trúc tin cậy và cơ chế giao tiếp tương đối ôn hòa, thích hợp hơn cho các kiến trúc triển khai chuyển tiếp trong ngành công nghiệp.

Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế

Từ góc độ quy trình đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên cực cao hoặc khó khăn trong hợp tác, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không cần tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó có thể phân chia và đồng bộ hiệu quả trên mạng mở; các nhiệm vụ bị hạn chế bởi quyền riêng tư dữ liệu và các hạn chế về chủ quyền bị giới hạn bởi tuân thủ pháp luật và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu cơ sở khuyến khích hợp tác thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những hạn chế thực tế hiện tại của đào tạo phi tập trung.

Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song, có thể khuyến khích, đào tạo phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo sau căn chỉnh hành vi, nhiệm vụ đào tạo và gán nhãn dữ liệu theo hình thức crowdsourcing, đào tạo các mô hình cơ bản nhỏ với tài nguyên có thể kiểm soát, cũng như các kịch bản đào tạo hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, độ kết nối thấp và khả năng chịu đựng sức mạnh tính toán không đồng nhất, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, các bộ tối ưu phân tán, v.v.

Sự tiến hóa của mô hình đào tạo AI: Cuộc cách mạng công nghệ từ kiểm soát tập trung đến Phi tập trung hợp tác

Phi tập trung đào tạo các dự án kinh điển phân tích

Hiện tại, trong lĩnh vực đào tạo Phi tập trung và học liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá nguyên bản trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể nhìn thấy những tiến triển ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI Phi tập trung.

Prime Intellect: Người tiên phong trong mạng lưới hợp tác học tăng cường có thể xác minh được quá trình đào tạo

Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin cậy, cho phép bất kỳ ai cũng có thể tham gia đào tạo và nhận được phần thưởng đáng tin cậy cho đóng góp tính toán của họ. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, sẽ xây dựng một hệ thống đào tạo AI Phi tập trung có khả năng xác minh, tính mở và cơ chế khuyến khích hoàn chỉnh.

Một, Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính

Sự tiến hóa của mô hình đào tạo AI: Cách mạng công nghệ từ kiểm soát tập trung đến Phi tập trung hợp tác

Hai, Giải thích chi tiết cơ chế chính của Prime Intellect

PRIME-RL: Kiến trúc nhiệm vụ tăng cường học không đồng bộ phân tách

PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được tùy chỉnh bởi Prime Intellect cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị hợp và sự tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng ưu tiên thích ứng, cấu trúc tách rời quá trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành vòng nhiệm vụ một cách độc lập tại địa phương, và phối hợp thông qua giao diện chuẩn hóa với cơ chế xác minh và tổng hợp. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo đàn hồi trong môi trường không có điều phối trung tâm, vừa giảm độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.

TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ

TOPLOC là cơ chế cốt lõi về tính khả xác minh trong đào tạo do Prime Intellect đề xuất, được sử dụng để xác định xem một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược" để hoàn thành xác minh cấu trúc nhẹ nhàng. Nó lần đầu tiên biến hành vi quỹ đạo trong quá trình đào tạo thành đối tượng có thể xác minh, là đổi mới chính để thực hiện phân phối phần thưởng đào tạo không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.

SHARDCAST: Giao thức tổng hợp và truyền thông trọng số không đồng bộ

SHARDCAST là giao thức truyền tải và tổng hợp trọng số được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực tế không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế truyền gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi cập nhật một phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của việc đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và quy trình đào tạo liên tục.

OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt

OpenDiLoCo là một khung tối ưu hóa giao tiếp độc lập được nhóm Prime Intellect thực hiện và mã nguồn mở dựa trên khái niệm DiLoCo mà DeepMind đưa ra, được thiết kế đặc biệt cho các thách thức thường gặp trong đào tạo Phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên dữ liệu song song, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ dựa vào các nút hàng xóm cục bộ để hoàn thành đào tạo hợp tác mô hình. Kết hợp với cập nhật không đồng bộ và cơ chế khôi phục điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp chính để xây dựng mạng lưới đào tạo Phi tập trung.

PCCL: Thư viện giao tiếp hợp tác

PCCL là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết các nút thắt thích ứng của thư viện giao tiếp truyền thống trong các thiết bị khác nhau và mạng có băng thông thấp. PCCL hỗ trợ cấu trúc thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi từ điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó cải thiện đáng kể khả năng chịu băng thông của mạng đào tạo và khả năng tương thích thiết bị, mở ra "km cuối" trong cơ sở hạ tầng giao tiếp để xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.

Ba, Mạng lưới khuyến khích Prime Intellect và phân công vai trò

Prime Intellect xây dựng một mạng lưới đào tạo không cần xin phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào các nhiệm vụ và nhận phần thưởng dựa trên những đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:

  • Người khởi xướng nhiệm vụ: định nghĩa môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác thực
  • Nút huấn luyện: Thực hiện huấn luyện cục bộ, gửi cập nhật trọng số và quan sát quỹ đạo
  • Nút xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo, và tham gia vào việc tính toán phần thưởng và tổng hợp chiến lược.

Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số và phát thưởng, tạo thành một vòng khép kín khuyến khích xoay quanh "hành vi đào tạo thực tế".

Tiến hóa mô hình đào tạo AI: Cách mạng công nghệ từ kiểm soát tập trung đến Phi tập trung hợp tác

Bốn, INTELLECT-2: Phát hành mô hình đào tạo phi tập trung có thể xác minh đầu tiên

Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được đào tạo thông qua sự hợp tác của các nút phi tập trung không cần tin cậy và bất đồng bộ, với quy mô tham số lên đến 32B. Mô hình INTELLECT-2 được hoàn thành thông qua sự hợp tác đào tạo của hơn 100 nút GPU đa dạng trải rộng trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác bất đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là sự triển khai hệ thống đầu tiên của phương thức "đào tạo là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu việc mạng lưới đào tạo phi tập trung lần đầu tiên được thực hiện.

PRIME-3.48%
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
  • Phần thưởng
  • 5
  • Chia sẻ
Bình luận
0/400
BlockchainBardvip
· 07-15 23:48
Lại thấy một đám chuyên nghiệp chơi đống tài nguyên.
Xem bản gốcTrả lời0
FundingMartyrvip
· 07-15 13:51
Học tập liên bang có vẻ cũng không đáng tin... cần tiền cần mạng.
Xem bản gốcTrả lời0
GasFeeAssassinvip
· 07-15 13:49
Kích thích ai còn phải dựa vào phi tập trung
Xem bản gốcTrả lời0
DefiOldTrickstervip
· 07-15 13:47
Hahaha, giống như năm 19, Tài chính phi tập trung mới bắt đầu nổi lên, rất nhanh mọi người sẽ đi Kinh doanh chênh lệch giá thôi.
Xem bản gốcTrả lời0
PanicSellervip
· 07-15 13:36
Tất cả chỉ là hổ giấy mà thôi, rồi có thể giảm bao nhiêu.
Xem bản gốcTrả lời0
  • Ghim
Giao dịch tiền điện tử mọi lúc mọi nơi
qrCode
Quét để tải xuống ứng dụng Gate
Cộng đồng
Tiếng Việt
  • 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)