Evolução do Paradigma de Treinamento de IA: da Controlo Centralizado à Revolução Técnica da Colaboração Descentralizada
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Comparado com a chamada leve na fase de inferência, o processo de treinamento requer um investimento contínuo de potência computacional em larga escala, fluxos de processamento de dados complexos 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, aprendizagem federada e o treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, que são coordenados por um sistema de controle unificado. Essa arquitetura de colaboração profunda 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, apresentando vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a principal abordagem para o treinamento de grandes modelos atualmente, cujo núcleo é dividir as tarefas de treinamento do modelo e distribuí-las para várias máquinas executarem em conjunto, 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 gerido de forma centralizada por uma instituição que coordena e sincroniza, geralmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão NVLink para coordenar uniformemente as subtarefas a partir do nó principal. Os métodos principais incluem:
Paralelismo de dados: cada nó treina diferentes dados com parâmetros compartilhados, sendo necessário combinar os pesos do modelo.
Paralelismo de modelo: implementar diferentes partes do modelo em diferentes nós, alcançando uma forte escalabilidade;
Pipeline paralelo: execução em série por fases, aumentando a taxa de transferência;
Paralelismo de tensores: segmentação refinada do cálculo matricial, aumentando o grau de paralelismo.
O treino distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários empregados de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos são treinados desta 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 entre si colaboram para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade 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;
Execução confiável em falta: falta de um ambiente de execução confiável, dificultando a verificação de 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.
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar modelos em colaboração, mas "o verdadeiro treinamento descentralizado em grande escala viável" 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 na fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade. O aprendizado federado possui a estrutura de engenharia de treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que desfruta das vantagens da dispersão de dados do treinamento Descentralização, mas ainda depende de uma parte coordenadora confiável e não possui características completamente abertas e resistentes à censura. Pode ser considerado uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, tornando-se mais adequado como uma arquitetura de implantação transitória na indústria.
Tabela de comparação panorâmica dos paradigmas de treinamento de IA (arquitetura técnica × incentivos de confiança × características de aplicação)
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 grande dificuldade de colaboração, não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e de confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e alta largura de banda, dificultando a divisão e sincronização eficaz em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania estão limitadas pela conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de uma base de incentivo à colaboração não têm motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja uma falsidade. Na verdade, em tipos de tarefas que são estruturalmente leves, fáceis de paralelizar e que podem ser incentivadas, o treinamento descentralizado mostra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, tarefas de treinamento e rotulagem de dados via crowdsourcing, treinamento de pequenos modelos base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e tolerância a capacidade de computação heterogênea, sendo muito adequadas para treinamento colaborativo via redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Atualmente, na vanguarda do treinamento Descentralização e aprendizado federado, os principais projetos de blockchain representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai apresentaram 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 um caminho de implementação relativamente claro, já sendo possível observar os primeiros avanços de engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento AI Descentralização.
Prime Intellect: Pioneiro da Rede de Colaboração de Aprendizagem Reforçada Verificável por Trajetória
A Prime Intellect está dedicada a 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 de IA descentralizado com verificabilidade, abertura e um mecanismo de incentivos completo através de três módulos principais: PRIME-RL + TOPLOC + SHARDCAST.
Um, Estrutura da Pilha de Protocolos Prime Intellect e Valor dos Módulos Chave
Dois, Explicação detalhada dos mecanismos-chave do treinamento Prime Intellect
PRIME-RL: Arquitetura de Tarefas de Aprendizagem por Reforço Assíncrona Desacoplada
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de treinamento em Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ele utiliza 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 ciclos de tarefa de forma independente em local, e colabore através de interfaces padronizadas com mecanismos de validação e agregação. Em comparação com processos de aprendizado supervisionado tradicionais, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, 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 do recálculo do modelo completo, mas sim analisa a trajetória de consistência local entre a "sequência de observação ↔ atualização de estratégia" para completar a verificação da estrutura leve. Esta é a primeira vez que as trajetórias de comportamento durante o processo de treinamento são transformadas em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
SHARDCAST: Protocolo de agregação e disseminação de pesos assíncronos
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado especificamente 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 uma convergência progressiva de pesos e evolução de múltiplas versões. Em comparação com métodos centralizados ou sincronizados de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento Descentralização, sendo a base fundamental para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Espessa
OpenDiLoCo é uma estrutura de otimização de comunicação independente e de código aberto, realizada pela equipe Prime Intellect, com base no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamentos descentralizados, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura baseia-se em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação da sincronização global, completando o treinamento colaborativo do modelo apenas com os nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a participação em treinamentos colaborativos globais, sendo uma das infraestruturas de comunicação fundamentais para a construção de redes de treinamento descentralizadas.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA descentralizado, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradiente, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e em nós instáveis, sendo um componente de base que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação "última milha" na construção de uma rede de treinamento colaborativo verdadeiramente 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 mecanismos de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três tipos de papéis principais:
Iniciador da tarefa: definir o ambiente de treino, modelo inicial, função de recompensa e critérios de validação
Nós de treino: executar treino local, submeter atualizações de pesos e trajetórias de observação
Nós de validação: usar o mecanismo TOPLOC para validar a veracidade do comportamento de treinamento e participar no 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 (SHARDCAST) 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
Prime Intellect lançará o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado por reforço do mundo treinado por nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 é composto por três grandes
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.
Evolução dos paradigmas de treino de IA: da controlo centralizado à Descentralização colaborativa
Evolução do Paradigma de Treinamento de IA: da Controlo Centralizado à Revolução Técnica da Colaboração Descentralizada
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Comparado com a chamada leve na fase de inferência, o processo de treinamento requer um investimento contínuo de potência computacional em larga escala, fluxos de processamento de dados complexos 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, aprendizagem federada e o treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, que são coordenados por um sistema de controle unificado. Essa arquitetura de colaboração profunda 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, apresentando vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a principal abordagem para o treinamento de grandes modelos atualmente, cujo núcleo é dividir as tarefas de treinamento do modelo e distribuí-las para várias máquinas executarem em conjunto, 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 gerido de forma centralizada por uma instituição que coordena e sincroniza, geralmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão NVLink para coordenar uniformemente as subtarefas a partir do nó principal. Os métodos principais incluem:
O treino distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários empregados de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos são treinados desta 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 entre si colaboram para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar modelos em colaboração, mas "o verdadeiro treinamento descentralizado em grande escala viável" 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 na fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade. O aprendizado federado possui a estrutura de engenharia de treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que desfruta das vantagens da dispersão de dados do treinamento Descentralização, mas ainda depende de uma parte coordenadora confiável e não possui características completamente abertas e resistentes à censura. Pode ser considerado uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, tornando-se mais adequado como uma arquitetura de implantação transitória na indústria.
Tabela de comparação panorâmica dos paradigmas de treinamento de IA (arquitetura técnica × incentivos de confiança × características de aplicação)
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 grande dificuldade de colaboração, não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e de confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e alta largura de banda, dificultando a divisão e sincronização eficaz em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania estão limitadas pela conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de uma base de incentivo à colaboração não têm motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja uma falsidade. Na verdade, em tipos de tarefas que são estruturalmente leves, fáceis de paralelizar e que podem ser incentivadas, o treinamento descentralizado mostra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, tarefas de treinamento e rotulagem de dados via crowdsourcing, treinamento de pequenos modelos base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e tolerância a capacidade de computação heterogênea, sendo muito adequadas para treinamento colaborativo via redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento tarefa adaptabilidade visão geral
Descentralização treinamento clássicos projetos análise
Atualmente, na vanguarda do treinamento Descentralização e aprendizado federado, os principais projetos de blockchain representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai apresentaram 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 um caminho de implementação relativamente claro, já sendo possível observar os primeiros avanços de engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento AI Descentralização.
Prime Intellect: Pioneiro da Rede de Colaboração de Aprendizagem Reforçada Verificável por Trajetória
A Prime Intellect está dedicada a 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 de IA descentralizado com verificabilidade, abertura e um mecanismo de incentivos completo através de três módulos principais: PRIME-RL + TOPLOC + SHARDCAST.
Um, Estrutura da Pilha de Protocolos Prime Intellect e Valor dos Módulos Chave
Dois, Explicação detalhada dos mecanismos-chave do treinamento Prime Intellect
PRIME-RL: Arquitetura de Tarefas de Aprendizagem por Reforço Assíncrona Desacoplada
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de treinamento em Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ele utiliza 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 ciclos de tarefa de forma independente em local, e colabore através de interfaces padronizadas com mecanismos de validação e agregação. Em comparação com processos de aprendizado supervisionado tradicionais, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, 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 do recálculo do modelo completo, mas sim analisa a trajetória de consistência local entre a "sequência de observação ↔ atualização de estratégia" para completar a verificação da estrutura leve. Esta é a primeira vez que as trajetórias de comportamento durante o processo de treinamento são transformadas em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
SHARDCAST: Protocolo de agregação e disseminação de pesos assíncronos
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado especificamente 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 uma convergência progressiva de pesos e evolução de múltiplas versões. Em comparação com métodos centralizados ou sincronizados de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento Descentralização, sendo a base fundamental para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Espessa
OpenDiLoCo é uma estrutura de otimização de comunicação independente e de código aberto, realizada pela equipe Prime Intellect, com base no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamentos descentralizados, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura baseia-se em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação da sincronização global, completando o treinamento colaborativo do modelo apenas com os nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a participação em treinamentos colaborativos globais, sendo uma das infraestruturas de comunicação fundamentais para a construção de redes de treinamento descentralizadas.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA descentralizado, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradiente, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e em nós instáveis, sendo um componente de base que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação "última milha" na construção de uma rede de treinamento colaborativo verdadeiramente 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 mecanismos de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três tipos de papéis principais:
O processo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos (SHARDCAST) 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
Prime Intellect lançará o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado por reforço do mundo treinado por nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 é composto por três grandes