Evolução dos Paradigmas de Treinamento de IA: de Controle Centralizado à Revolução Tecnológica da 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 real. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em computação em larga escala, processos complexos de tratamento de dados e suporte a 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 em descentralização, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster local de alto desempenho, 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. Essa arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronia de gradientes e mecanismos de tolerância a falhas atinja o máximo, 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 enfrentando problemas como monopolização de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, cujo 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, frequentemente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão NVLink de alta velocidade, com o nó principal coordenando uniformemente as subtarefas. Os métodos predominantes incluem:
Paralelismo de dados: cada nó treina parâmetros de dados diferentes compartilhados, é necessário corresponder os pesos do modelo
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando uma forte escalabilidade;
Pipeline paralelo: execução em série por fases, aumentando a taxa de transferência;
Paralelização 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 em "escritórios" para completar uma tarefa. Atualmente, quase todos os modelos grandes principais são treinados dessa forma.
Descentralização 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 as tarefas de treinamento sem um coordenador central, geralmente por meio 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 enfrentados por esse modelo incluem:
Dificuldades de heterogeneidade e divisão de dispositivos: alta dificuldade de coordenação de dispositivos heterogêneos, baixa eficiência na divisão de tarefas;
Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradiente 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 reversão de anomalias 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 colaboração, mas a "verdadeira viabilidade do treinamento descentralizado em larga escala" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros níveis, mas a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em fase de exploração de protótipos iniciais.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção 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, ao mesmo tempo que apresenta as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável e não possui 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 termos de tarefas de treinamento, estrutura 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, à demanda extrema de recursos ou à 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, baixa latência e alta largura de banda, o que dificulta a divisão e sincronização eficaz em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais da Descentralização do treinamento atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso dilema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, o treinamento descentralizado demonstra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, treinamento e anotação de dados por crowdsourcing, treinamento de pequenos modelos básicos com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente têm características de alta paralelização, baixa acoplabilidade e tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, no campo de treinamento descentralizado e 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 ponta da pesquisa teórica atual; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já sendo possível observar progressos iniciais na engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento AI descentralizado.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está empenhada em construir uma rede de treino de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect pretende, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treino de IA com descentralização que tenha verificabilidade, abertura e um mecanismo de incentivos completo.
Um, Estrutura da Pilha de Protocolos Prime Intellect e Valor dos Módulos Chave
Dois, Explicação detalhada dos principais mecanismos de treinamento do Prime Intellect
PRIME-RL: Arquitetura de tarefa de aprendizado por reforço assíncrono desacoplada
PRIME-RL é uma 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 possa completar de forma independente o ciclo de tarefas localmente e colaborar com mecanismos de validação e agregação através de interfaces padronizadas. Comparado ao 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 suportar paralelismo de multitarefas 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 "sequências 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 fornece um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
SHARDCAST: Protocolo de Agregação e Difusão 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 um mecanismo de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva dos pesos e a 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 descentralizado, sendo a base essencial para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: Quadro 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 no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós durante o treinamento descentralizado. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação de sincronização global e dependendo apenas de nós vizinhos locais para completar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de nível de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para construir uma rede de treinamento descentralizada.
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 pontos de verificação, podendo ser executado em GPUs de nível de consumo e nós instáveis, sendo um componente subjacente 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 o "último quilômetro" da infraestrutura de comunicação para construir uma verdadeira rede de treinamento colaborativa aberta e sem necessidade de confiança.
Três, Rede de Incentivos Prime Intellect e Divisão de Funções
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo de incentivos econômicos, 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, 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 do cálculo de recompensas e agregação de estratégias.
O processo central do protocolo inclui a publicação de tarefas, treinamento de nós, verificação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo 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 por reforço do mundo treinado por nós de colaboradores descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado por mais de 100 nós heterogêneos de GPU distribuídos por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também 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 de uma 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.
10 gostos
Recompensa
10
9
Partilhar
Comentar
0/400
RuntimeError
· 07-28 16:20
bull哦 ai 也要 Descentralização了
Ver originalResponder0
UnluckyMiner
· 07-28 02:28
Ai, está muito difícil. Mineração já não está a dar dinheiro.
Ver originalResponder0
SolidityStruggler
· 07-28 02:26
Uau, a AI vai ser Código aberto, bull!
Ver originalResponder0
DegenApeSurfer
· 07-27 17:42
Poder de computação tão caro, fazer uma federação é o caminho.
Ver originalResponder0
TokenTaxonomist
· 07-27 00:33
hmm... falando estatisticamente, o treinamento centralizado é um beco sem saída taxonómico na árvore da evolução da IA. deixa-me puxar a minha matriz de avaliação de risco...
Ver originalResponder0
ContractFreelancer
· 07-27 00:30
Tsk tsk, vai queimar a placa gráfica de novo.
Ver originalResponder0
just_another_wallet
· 07-27 00:29
Treinar é tão caro, ainda é lavar os olhos na maioria das vezes.
Ver originalResponder0
MoonMathMagic
· 07-27 00:24
Quem está a pagar para a descentralização do treinamento tão caro?
Ver originalResponder0
AirdropCollector
· 07-27 00:17
Tudo o que é centralizado acabará por mudar, deveria ser descentralizado.
Inovação no modo de treinamento de IA: da centralização à Descentralização na evolução tecnológica
Evolução dos Paradigmas de Treinamento de IA: de Controle Centralizado à Revolução Tecnológica da 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 real. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em computação em larga escala, processos complexos de tratamento de dados e suporte a 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 em descentralização, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster local de alto desempenho, 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. Essa arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronia de gradientes e mecanismos de tolerância a falhas atinja o máximo, 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 enfrentando problemas como monopolização de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, cujo 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, frequentemente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão NVLink de alta velocidade, com o nó principal coordenando uniformemente as subtarefas. Os métodos predominantes 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 em "escritórios" para completar uma tarefa. Atualmente, quase todos os modelos grandes principais são treinados dessa forma.
Descentralização 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 as tarefas de treinamento sem um coordenador central, geralmente por meio 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 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 colaboração, mas a "verdadeira viabilidade do treinamento descentralizado em larga escala" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros níveis, mas a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em fase de exploração de protótipos iniciais.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção 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, ao mesmo tempo que apresenta as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável e não possui 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 termos de tarefas de treinamento, estrutura 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, à demanda extrema de recursos ou à 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, baixa latência e alta largura de banda, o que dificulta a divisão e sincronização eficaz em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais da Descentralização do treinamento atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso dilema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, o treinamento descentralizado demonstra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, treinamento e anotação de dados por crowdsourcing, treinamento de pequenos modelos básicos com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente têm características de alta paralelização, baixa acoplabilidade e tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, no campo de treinamento descentralizado e 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 ponta da pesquisa teórica atual; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já sendo possível observar progressos iniciais na engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento AI descentralizado.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está empenhada em construir uma rede de treino de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect pretende, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treino de IA com descentralização que tenha verificabilidade, abertura e um mecanismo de incentivos completo.
Um, Estrutura da Pilha de Protocolos Prime Intellect e Valor dos Módulos Chave
Dois, Explicação detalhada dos principais mecanismos de treinamento do Prime Intellect
PRIME-RL: Arquitetura de tarefa de aprendizado por reforço assíncrono desacoplada
PRIME-RL é uma 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 possa completar de forma independente o ciclo de tarefas localmente e colaborar com mecanismos de validação e agregação através de interfaces padronizadas. Comparado ao 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 suportar paralelismo de multitarefas 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 "sequências 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 fornece um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
SHARDCAST: Protocolo de Agregação e Difusão 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 um mecanismo de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva dos pesos e a 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 descentralizado, sendo a base essencial para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: Quadro 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 no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós durante o treinamento descentralizado. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação de sincronização global e dependendo apenas de nós vizinhos locais para completar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de nível de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para construir uma rede de treinamento descentralizada.
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 pontos de verificação, podendo ser executado em GPUs de nível de consumo e nós instáveis, sendo um componente subjacente 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 o "último quilômetro" da infraestrutura de comunicação para construir uma verdadeira rede de treinamento colaborativa aberta e sem necessidade de confiança.
Três, Rede de Incentivos Prime Intellect e Divisão de Funções
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo de incentivos econômicos, 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 processo central do protocolo inclui a publicação de tarefas, treinamento de nós, verificação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo 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 por reforço do mundo treinado por nós de colaboradores descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado por mais de 100 nós heterogêneos de GPU distribuídos por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também 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 de uma rede de treinamento descentralizada.