Evolução do Paradigma 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 tem a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito da aplicação prática. Comparado com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo de poder computacional em grande escala, um fluxo de processamento de dados complexo 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 treinamento descentralizado, que é o foco principal deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizada por uma única entidade em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de nível inferior, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Esta arquitetura de colaboração profunda maximiza 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 recursos controláveis, mas ao mesmo tempo apresenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a forma principal de treinamento de grandes modelos atualmente, cujo núcleo é desmembrar a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em colaboração, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma entidade centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina diferentes dados com parâmetros compartilhados, 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 fases, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada do cálculo matricial, aumentando a granularidade da paralelização
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar uma tarefa. Atualmente, quase todos os grandes modelos mainstream são treinados dessa forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram para completar a tarefa de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e a colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios que esse modelo enfrenta incluem:
Dificuldades de heterogeneidade e fragmentação de dispositivos: a coordenação de dispositivos heterogêneos é difícil, e a eficiência de fragmentação de tarefas é baixa
Gargalo de eficiência de comunicação: a comunicação na rede é instável, e o gargalo de 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 despachante central, a distribuição de tarefas e o mecanismo de reversão de exceções são complexos
A formação em Descentralização pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar modelos de forma colaborativa, mas a "verdadeira formação em larga escala Descentralizada viável" ainda representa um desafio de engenharia sistêmica, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros níveis, mas se é possível "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a preservação local de dados e a agregação centralizada de parâmetros do modelo, sendo adequada para cenários que priorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, mantendo ao mesmo tempo a vantagem da dispersão de dados do treinamento Descentralização, mas ainda depende de uma entidade coordenadora confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em tarefas de treinamento, estruturas de confiança e mecanismos de comunicação, sendo mais adequada 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, alta demanda de recursos ou grande dificuldade de colaboração, não é naturalmente adequado para ser realizado de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar efetivamente 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; enquanto tarefas que carecem de uma base de incentivos à colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja um falso problema. De fato, em tipos de tarefas que são estruturalmente leves, fáceis de paralelizar e incentivadas, a Descentralização do treinamento demonstra uma clara perspectiva de aplicação. Incluindo, mas não se limitando a: afinação LoRA, tarefas de pós-treinamento de alinhamento comportamental, tarefas de treinamento e anotação por meio de crowdsourcing, treinamento de pequenos modelos básicos com controle de recursos, bem como cenários de treinamento colaborativo com participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características de tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treino clássico projeto análise
Atualmente, na vanguarda do treinamento descentralizado e do aprendizado federado, os projetos de blockchain mais representativos incluem 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 os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já mostrando um progresso inicial na engenharia. Este artigo irá analisar sucessivamente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares dentro do sistema de treinamento de IA descentralizado.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado de reforço verificáveis por trajetória
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 dos três módulos 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 tarefa de aprendizado por reforço assíncrono 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. Utiliza aprendizagem 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 ciclos de tarefas de forma independente em local e colabore com mecanismos de verificação e agregação através de interfaces padronizadas. Em comparação com processos de aprendizagem supervisionada tradicionais, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar paralelismo em múltiplas tarefas e evolução de estratégias.
TOPLOC: Mecanismo de validação de comportamento de treino 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 da recomputação de todo o modelo, mas sim 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, e oferece um caminho viável para construir uma rede de treinamento colaborativa descentralizada que seja auditável e incentivada.
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 nó variáveis. Ele combina mecanismos de propagação gossip com estratégias de sincronização local, permitindo que vários nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento descentralizado, sendo a base fundamental para construir um consenso estável de pesos e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de comunicação assíncrona esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida e open source pela equipe Prime Intellect, baseada na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento Descentralização, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando altos custos de comunicação de sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, 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, OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de forma estável em tarefas de treinamento, melhorando significativamente a participação em treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para construir uma rede de treinamento Descentralização.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para ambientes de treinamento de IA descentralizados, visando 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 pontos de verificação, podendo ser executado em GPUs de consumo e em 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 do dispositivo, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativa realmente aberta e sem necessidade de confiança.
Três, a rede de incentivos Prime Intellect e a divisão de papéis
A Prime Intellect construiu uma rede de treino sem permissão, verificável e com um mecanismo de incentivos económicos, permitindo que qualquer pessoa participe em 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
Nó de treinamento: executar treinamento local, submeter atualizações de peso e rastreamento de observações
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 processo 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 incentivos em torno do "comportamento de treinamento real".
Quatro, INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
A 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 de forma colaborativa por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade da rede de colaboração assíncrona. Este modelo não é apenas um avanço em desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura do processo de treinamento na rede de treinamento descentralizada.
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.
15 gostos
Recompensa
15
4
Partilhar
Comentar
0/400
MoonBoi42
· 9h atrás
Recursos投入都有了咋还Até à lua
Ver originalResponder0
ContractSurrender
· 9h atrás
Descentralização não significa falta de eficiência
Ver originalResponder0
CommunityJanitor
· 9h atrás
Deve ter morrido de tanto poder de computação.
Ver originalResponder0
ZkSnarker
· 9h atrás
bem, tecnicamente ainda estamos a fazer IA centralizada, mas com passos adicionais... lmao
Nova paradigma de treinamento de IA: da controle centralizado à revolução técnica da colaboração descentralizada
Evolução do Paradigma 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 tem a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito da aplicação prática. Comparado com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo de poder computacional em grande escala, um fluxo de processamento de dados complexo 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 treinamento descentralizado, que é o foco principal deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizada por uma única entidade em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de nível inferior, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Esta arquitetura de colaboração profunda maximiza 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 recursos controláveis, mas ao mesmo tempo apresenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a forma principal de treinamento de grandes modelos atualmente, cujo núcleo é desmembrar a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em colaboração, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma entidade centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar uma tarefa. Atualmente, quase todos os grandes modelos mainstream são treinados dessa forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram para completar a tarefa de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e a colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios que esse modelo enfrenta incluem:
A formação em Descentralização pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar modelos de forma colaborativa, mas a "verdadeira formação em larga escala Descentralizada viável" ainda representa um desafio de engenharia sistêmica, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros níveis, mas se é possível "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a preservação local de dados e a agregação centralizada de parâmetros do modelo, sendo adequada para cenários que priorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, mantendo ao mesmo tempo a vantagem da dispersão de dados do treinamento Descentralização, mas ainda depende de uma entidade coordenadora confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em tarefas de treinamento, estruturas de confiança e mecanismos de comunicação, sendo mais adequada 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, alta demanda de recursos ou grande dificuldade de colaboração, não é naturalmente adequado para ser realizado de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar efetivamente 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; enquanto tarefas que carecem de uma base de incentivos à colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja um falso problema. De fato, em tipos de tarefas que são estruturalmente leves, fáceis de paralelizar e incentivadas, a Descentralização do treinamento demonstra uma clara perspectiva de aplicação. Incluindo, mas não se limitando a: afinação LoRA, tarefas de pós-treinamento de alinhamento comportamental, tarefas de treinamento e anotação por meio de crowdsourcing, treinamento de pequenos modelos básicos com controle de recursos, bem como cenários de treinamento colaborativo com participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características de tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treino clássico projeto análise
Atualmente, na vanguarda do treinamento descentralizado e do aprendizado federado, os projetos de blockchain mais representativos incluem 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 os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já mostrando um progresso inicial na engenharia. Este artigo irá analisar sucessivamente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares dentro do sistema de treinamento de IA descentralizado.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado de reforço verificáveis por trajetória
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 dos três módulos 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 tarefa de aprendizado por reforço assíncrono 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. Utiliza aprendizagem 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 ciclos de tarefas de forma independente em local e colabore com mecanismos de verificação e agregação através de interfaces padronizadas. Em comparação com processos de aprendizagem supervisionada tradicionais, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar paralelismo em múltiplas tarefas e evolução de estratégias.
TOPLOC: Mecanismo de validação de comportamento de treino 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 da recomputação de todo o modelo, mas sim 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, e oferece um caminho viável para construir uma rede de treinamento colaborativa descentralizada que seja auditável e incentivada.
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 nó variáveis. Ele combina mecanismos de propagação gossip com estratégias de sincronização local, permitindo que vários nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento descentralizado, sendo a base fundamental para construir um consenso estável de pesos e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de comunicação assíncrona esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida e open source pela equipe Prime Intellect, baseada na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento Descentralização, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando altos custos de comunicação de sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, 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, OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de forma estável em tarefas de treinamento, melhorando significativamente a participação em treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para construir uma rede de treinamento Descentralização.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para ambientes de treinamento de IA descentralizados, visando 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 pontos de verificação, podendo ser executado em GPUs de consumo e em 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 do dispositivo, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativa realmente aberta e sem necessidade de confiança.
Três, a rede de incentivos Prime Intellect e a divisão de papéis
A Prime Intellect construiu uma rede de treino sem permissão, verificável e com um mecanismo de incentivos económicos, permitindo que qualquer pessoa participe em tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
O processo 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 incentivos em torno do "comportamento de treinamento real".
Quatro, INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
A 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 de forma colaborativa por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade da rede de colaboração assíncrona. Este modelo não é apenas um avanço em desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura do processo de treinamento na rede de treinamento descentralizada.