Explorar la vanguardia de la Descentralización en el entrenamiento
En la cadena de valor completa de la inteligencia artificial, el entrenamiento de modelos es la etapa que consume más recursos y tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la invocación ligera de la etapa de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cálculo, complejos procesos de manejo de datos y un soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de los paradigmas de arquitectura, los métodos de entrenamiento se pueden clasificar en cuatro tipos: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, completada por una sola institución en un clúster local de alto rendimiento, donde todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, es coordinado por un sistema de control unificado. Esta arquitectura de profunda colaboración optimiza la eficiencia del uso compartido de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero también presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de un solo punto.
El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos en la actualidad, cuyo núcleo es descomponer las tareas de entrenamiento del modelo y distribuirlas a múltiples máquinas para su ejecución colaborativa, con el fin de superar las limitaciones de cálculo y almacenamiento de una sola máquina. A pesar de que físicamente presenta características de "Descentralización", el conjunto sigue siendo controlado y coordinado por una institución centralizada, operando comúnmente en un entorno de red de área local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina de manera unificada las sub-tareas. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos compartiendo parámetros, es necesario coincidir los pesos del modelo.
Paralelismo de modelos: desplegar diferentes partes del modelo en diferentes nodos para lograr una fuerte escalabilidad
Paralelismo de tuberías: ejecución en serie por etapas, mejora del rendimiento
Paralelismo de tensores: segmentación refinada del cálculo de matrices, mejora de la granularidad de la paralelización
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", similar a un mismo jefe que dirige de forma remota a varios empleados de "oficinas" para colaborar en la realización de tareas. Actualmente, casi todos los modelos grandes de vanguardia se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su característica central es: múltiples nodos que no confían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para asegurar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades en la heterogeneidad de dispositivos y la segmentación: alta dificultad de coordinación de dispositivos heterogéneos, baja eficiencia en la segmentación de tareas.
Cuello de botella en la eficiencia de comunicación: La comunicación de red es inestable, y el cuello de botella en la sincronización de gradientes es evidente.
Ejecución confiable faltante: Falta de un entorno de ejecución confiable, difícil de verificar si los nodos realmente participan en el cálculo.
Falta de coordinación unificada: sin un despachador central, la distribución de tareas y el mecanismo de reversión de excepciones son complejos
La formación en Descentralización se puede entender como: un grupo de voluntarios globales que contribuyen con su poder de cómputo para entrenar modelos de manera colaborativa, pero la "verdadera formación descentralizada a gran escala viable" sigue siendo un desafío ingenieril sistémico, que involucra múltiples niveles, como arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y verificación de modelos. Sin embargo, la pregunta de si se puede "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan el cumplimiento de la privacidad. El aprendizaje federado cuenta con la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee la ventaja de la dispersión de datos del entrenamiento descentralizado, pero aún depende de un coordinador de confianza y no tiene características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de privacidad, siendo relativamente moderada en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, lo que la hace más adecuada como una arquitectura de implementación transitoria en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria, baja latencia y ancho de banda rápido, lo que dificulta su división y sincronización efectivas en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por el cumplimiento legal y las restricciones éticas, lo que impide la apertura y el intercambio; y las tareas que carecen de incentivos de colaboración no tienen motivación externa para la participación. Estos límites en conjunto constituyen las restricciones reales actuales de la Descentralización del entrenamiento.
Pero esto no significa que el entrenamiento descentralizado sea un mito. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, el entrenamiento descentralizado muestra perspectivas de aplicación claras. Incluyendo pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación conductual, entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos básicos pequeños controlables en recursos, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, bajo acoplamiento y tolerancia a capacidades de cómputo heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Descentralización entrenamiento clásico del proyecto análisis
Actualmente, en el campo de vanguardia de la Descentralización y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde el punto de vista de la innovación técnica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto más exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones de investigación teórica más avanzadas; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, y ya se pueden ver avances iniciales en la ingeniería.
Prime Intellect: pionero de redes de colaboración de aprendizaje reforzado verificables en la trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquiera participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado con verificabilidad, apertura y un mecanismo de incentivos completo a través de tres módulos principales: PRIME-RL + TOPLOC + SHARDCAST.
Explicación del mecanismo central
PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado especialmente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objetivo de adaptación prioritario, desacoplando estructuralmente el proceso de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete el ciclo de tareas de manera independiente en local, y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno sin programación centralizada, reduciendo la complejidad del sistema y estableciendo una base para soportar la paralelización de tareas múltiples y la evolución de estrategias.
TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo ha completado realmente un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo del modelo completo, sino que completa la verificación de la estructura ligera analizando la trayectoria de consistencia local entre "secuencias de observación ↔ actualización de estrategia". Por primera vez, transforma las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, siendo una innovación clave para lograr una distribución de recompensas de entrenamiento sin necesidad de confianza, y proporciona un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable e incentivadora.
SHARDCAST: Protocolo de agregación y difusión de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, con ancho de banda limitado y estados de nodo cambiantes. Combina mecanismos de propagación gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o sincronizados, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y iteraciones de entrenamiento continuo.
OpenDiLoCo: Marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación independiente y de código abierto implementado por el equipo de Prime Intellect, basado en el concepto de DiLoCo propuesto por DeepMind, diseñado específicamente para enfrentar los desafíos comunes en el entrenamiento descentralizado, como el ancho de banda limitado, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando los altos costos de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con nodos vecinos locales. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPU de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir una red de entrenamiento descentralizada.
PCCL: Biblioteca de Comunicación Colaborativa
PCCL es una biblioteca de comunicación ligera diseñada por Prime Intellect para entornos de entrenamiento de IA descentralizada, con el objetivo de resolver los cuellos de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja ancho de banda. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede funcionar en GPU de consumo y nodos inestables, siendo el componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia de ancho de banda y la compatibilidad de dispositivos en la red de entrenamiento, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin confianza.
Prime Intellect Red de Incentivos y División de Roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo opera en base a tres tipos de roles centrales:
Iniciador de la tarea: definir el entorno de entrenamiento, el modelo inicial, la función de recompensa y los criterios de validación
Nodo de entrenamiento: ejecutar entrenamiento local, enviar actualizaciones de pesos y trayectorias de observación
Nodos de validación: utilizar el mecanismo TOPLOC para verificar la autenticidad del comportamiento de entrenamiento y participar en el cálculo de recompensas y agregación de estrategias.
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer modelo de aprendizaje profundo del mundo entrenado mediante la colaboración de nodos descentralizados asíncronos y sin confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue completado mediante la colaboración de más de 100 nodos heterogéneos de GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con una duración de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenar es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera vez que una red de entrenamiento descentralizada logra la apertura, la verificabilidad y un ciclo de incentivos económicos en el proceso de entrenamiento.
En términos de rendimiento, INTELLECT-2 se basa en el entrenamiento QwQ-32B y ha realizado un entrenamiento RL especializado en código y matemáticas, estando a la vanguardia de los modelos de ajuste fino RL de código abierto actuales. Aunque aún no ha superado a GPT-4 o
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
12 me gusta
Recompensa
12
7
Compartir
Comentar
0/400
Lonely_Validator
· 07-31 19:07
La asignación de recursos es clave.
Ver originalesResponder0
BrokeBeans
· 07-28 22:10
La gran potencia computacional se ha colapsado.
Ver originalesResponder0
AirdropChaser
· 07-28 19:54
La nueva tecnología es realmente genial.
Ver originalesResponder0
TokenSherpa
· 07-28 19:48
El futuro es muy prometedor.
Ver originalesResponder0
CodeAuditQueen
· 07-28 19:48
Ve y acumula experiencia primero.
Ver originalesResponder0
BoredStaker
· 07-28 19:48
La eficiencia es más importante que la seguridad.
Ver originalesResponder0
RamenDeFiSurvivor
· 07-28 19:45
El consumo de entrenamiento es demasiado exagerado.
Descentralización entrenamiento: un nuevo paradigma y exploración de vanguardia en el campo de la IA
Explorar la vanguardia de la Descentralización en el entrenamiento
En la cadena de valor completa de la inteligencia artificial, el entrenamiento de modelos es la etapa que consume más recursos y tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la invocación ligera de la etapa de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cálculo, complejos procesos de manejo de datos y un soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de los paradigmas de arquitectura, los métodos de entrenamiento se pueden clasificar en cuatro tipos: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, completada por una sola institución en un clúster local de alto rendimiento, donde todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, es coordinado por un sistema de control unificado. Esta arquitectura de profunda colaboración optimiza la eficiencia del uso compartido de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero también presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de un solo punto.
El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos en la actualidad, cuyo núcleo es descomponer las tareas de entrenamiento del modelo y distribuirlas a múltiples máquinas para su ejecución colaborativa, con el fin de superar las limitaciones de cálculo y almacenamiento de una sola máquina. A pesar de que físicamente presenta características de "Descentralización", el conjunto sigue siendo controlado y coordinado por una institución centralizada, operando comúnmente en un entorno de red de área local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina de manera unificada las sub-tareas. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", similar a un mismo jefe que dirige de forma remota a varios empleados de "oficinas" para colaborar en la realización de tareas. Actualmente, casi todos los modelos grandes de vanguardia se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su característica central es: múltiples nodos que no confían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para asegurar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La formación en Descentralización se puede entender como: un grupo de voluntarios globales que contribuyen con su poder de cómputo para entrenar modelos de manera colaborativa, pero la "verdadera formación descentralizada a gran escala viable" sigue siendo un desafío ingenieril sistémico, que involucra múltiples niveles, como arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y verificación de modelos. Sin embargo, la pregunta de si se puede "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan el cumplimiento de la privacidad. El aprendizaje federado cuenta con la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee la ventaja de la dispersión de datos del entrenamiento descentralizado, pero aún depende de un coordinador de confianza y no tiene características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de privacidad, siendo relativamente moderada en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, lo que la hace más adecuada como una arquitectura de implementación transitoria en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria, baja latencia y ancho de banda rápido, lo que dificulta su división y sincronización efectivas en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por el cumplimiento legal y las restricciones éticas, lo que impide la apertura y el intercambio; y las tareas que carecen de incentivos de colaboración no tienen motivación externa para la participación. Estos límites en conjunto constituyen las restricciones reales actuales de la Descentralización del entrenamiento.
Pero esto no significa que el entrenamiento descentralizado sea un mito. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, el entrenamiento descentralizado muestra perspectivas de aplicación claras. Incluyendo pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación conductual, entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos básicos pequeños controlables en recursos, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, bajo acoplamiento y tolerancia a capacidades de cómputo heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Descentralización entrenamiento clásico del proyecto análisis
Actualmente, en el campo de vanguardia de la Descentralización y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde el punto de vista de la innovación técnica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto más exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones de investigación teórica más avanzadas; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, y ya se pueden ver avances iniciales en la ingeniería.
Prime Intellect: pionero de redes de colaboración de aprendizaje reforzado verificables en la trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquiera participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado con verificabilidad, apertura y un mecanismo de incentivos completo a través de tres módulos principales: PRIME-RL + TOPLOC + SHARDCAST.
Explicación del mecanismo central
PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado especialmente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objetivo de adaptación prioritario, desacoplando estructuralmente el proceso de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete el ciclo de tareas de manera independiente en local, y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno sin programación centralizada, reduciendo la complejidad del sistema y estableciendo una base para soportar la paralelización de tareas múltiples y la evolución de estrategias.
TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo ha completado realmente un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo del modelo completo, sino que completa la verificación de la estructura ligera analizando la trayectoria de consistencia local entre "secuencias de observación ↔ actualización de estrategia". Por primera vez, transforma las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, siendo una innovación clave para lograr una distribución de recompensas de entrenamiento sin necesidad de confianza, y proporciona un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable e incentivadora.
SHARDCAST: Protocolo de agregación y difusión de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, con ancho de banda limitado y estados de nodo cambiantes. Combina mecanismos de propagación gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o sincronizados, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y iteraciones de entrenamiento continuo.
OpenDiLoCo: Marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación independiente y de código abierto implementado por el equipo de Prime Intellect, basado en el concepto de DiLoCo propuesto por DeepMind, diseñado específicamente para enfrentar los desafíos comunes en el entrenamiento descentralizado, como el ancho de banda limitado, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando los altos costos de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con nodos vecinos locales. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPU de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir una red de entrenamiento descentralizada.
PCCL: Biblioteca de Comunicación Colaborativa
PCCL es una biblioteca de comunicación ligera diseñada por Prime Intellect para entornos de entrenamiento de IA descentralizada, con el objetivo de resolver los cuellos de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja ancho de banda. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede funcionar en GPU de consumo y nodos inestables, siendo el componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia de ancho de banda y la compatibilidad de dispositivos en la red de entrenamiento, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin confianza.
Prime Intellect Red de Incentivos y División de Roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo opera en base a tres tipos de roles centrales:
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer modelo de aprendizaje profundo del mundo entrenado mediante la colaboración de nodos descentralizados asíncronos y sin confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue completado mediante la colaboración de más de 100 nodos heterogéneos de GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con una duración de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenar es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera vez que una red de entrenamiento descentralizada logra la apertura, la verificabilidad y un ciclo de incentivos económicos en el proceso de entrenamiento.
En términos de rendimiento, INTELLECT-2 se basa en el entrenamiento QwQ-32B y ha realizado un entrenamiento RL especializado en código y matemáticas, estando a la vanguardia de los modelos de ajuste fino RL de código abierto actuales. Aunque aún no ha superado a GPT-4 o