Explorer les frontières de la Décentralisation de l'entraînement
Dans la chaîne de valeur complète de l'intelligence artificielle, l'entraînement des modèles est la phase la plus consommatrice de ressources et la plus exigeante en termes de technologie, déterminant directement la capacité maximale des modèles et l'efficacité des applications réelles. Par rapport à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, ce qui en fait le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue paradigmatique, les méthodes d'entraînement peuvent être divisées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution dans un cluster haute performance local, où l'ensemble du processus d'entraînement, des matériels, des logiciels de base, du système de répartition des clusters, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, avec des avantages en termes d'efficacité élevée et de ressources contrôlables, mais présente également des problèmes de monopole de données, de barrières aux ressources, de consommation d'énergie et de risques de point unique.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuels. Son noyau consiste à décomposer les tâches d'entraînement du modèle, puis à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement en termes de calcul et de stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "décentralisées", l'ensemble est toujours contrôlé et synchronisé par des institutions centralisées, fonctionnant souvent dans un environnement de réseau local haute vitesse, grâce à la technologie de bus interconnecté à haute vitesse NVLink, où le nœud principal coordonne uniformément les sous-tâches. Les méthodes principales incluent :
Données parallèles : chaque nœud entraîne des paramètres de données différents partagés, nécessitant une correspondance des poids du modèle.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité
Pipeline parallèle : exécution sérielle par étapes, augmentation du débit
Parallélisme tensoriel : affinement du calcul matriciel, amélioration du degré de parallélisme
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogue à un même patron qui dirige à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement de tâches. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont : plusieurs nœuds qui ne se font pas confiance collaborent à l'achèvement des tâches de formation sans coordinateur central, généralement par le biais de protocoles qui pilotent la distribution des tâches et la collaboration, et qui utilisent des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
Hétérogénéité des appareils et difficulté de découpage : la coordination entre des appareils hétérogènes est difficile et l'efficacité de la découpe des tâches est faible.
Goulot d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement évident dans la synchronisation des gradients
Exécution fiable manquante : manque d'environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
Manque de coordination unifiée : pas de centralisateur, distribution des tâches et mécanisme de retour en arrière complexe.
L'entraînement décentralisé peut être compris comme : un groupe de volontaires à travers le monde contribuant chacun leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "le véritable défi de l'entraînement décentralisé à grande échelle" demeure un défi systémique d'ingénierie, impliquant l'architecture des systèmes, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, et bien d'autres aspects. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + produire des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres de modèle, ce qui le rend adapté aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et une capacité de collaboration locale, tout en bénéficiant des avantages de la répartition des données dans l'entraînement décentralisé, mais il dépend toujours d'une partie coordonnante de confiance et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. Cela peut être considéré comme une solution "décentralisée contrôlée" dans des scénarios de conformité à la vie privée, avec des tâches d'entraînement, des structures de confiance et des mécanismes de communication relativement modérés, ce qui en fait une architecture de déploiement transitoire plus adaptée pour l'industrie.
Décentralisation de la formation : limites, opportunités et voies réalistes
D'un point de vue des paradigmes d'entraînement, la formation décentralisée n'est pas adaptée à tous les types de tâches. Dans certaines situations, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, elle n'est naturellement pas adaptée à une réalisation efficace entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches fortement limitées par la confidentialité des données et la souveraineté sont soumises à des contraintes légales et éthiques, ce qui empêche le partage ouvert ; et les tâches manquant d'incitations à la collaboration n'ont pas de motivation externe pour la participation. Ces limites constituent ensemble les restrictions réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : l'ajustement LoRA, les tâches de post-formation d'alignement de comportement, les tâches de formation et d'annotation de données en crowdsourcing, l'entraînement de petits modèles de base contrôlés par les ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs périphériques. Ces tâches possèdent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, le protocole Swarm, des optimisateurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de pointe des formations décentralisées et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en matière d'architecture système et de conception d'algorithmes, représentant les directions de recherche théorique les plus avancées ; tandis que les voies de mise en œuvre de Gensyn et Flock.io sont relativement claires, montrant déjà des progrès d'ingénierie préliminaires.
Prime Intellect : Pion des réseaux collaboratifs d'apprentissage renforcé vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect espère, grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
Détails sur le mécanisme central
PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplé
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement le processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement d'accomplir indépendamment la boucle de tâches en local, et collaborant avec des mécanismes de validation et d'agrégation via des interfaces standardisées. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans des environnements sans planification centrale, réduisant ainsi la complexité du système et établissant une base pour prendre en charge le parallélisme des tâches multiples et l'évolution des stratégies.
TOPLOC: Mécanisme de validation des comportements d'entraînement léger
TOPLOC est un mécanisme central de vérification de l'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement complété un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne repose pas sur le recalcul complet du modèle, mais analyse les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification de structure allégée. Il transforme pour la première fois les trajectoires comportementales du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour la distribution de récompenses d'entraînement sans confiance, fournissant une voie réalisable pour construire un réseau d'entraînement décentralisé collaboratif, auditable et incitatif.
SHARDCAST: Protocole de agrégation et de diffusion de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœud variables. Il combine le mécanisme de propagation gossip et des stratégies de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états désynchronisés, réalisant une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus stable sur les poids et pour des itérations d'entraînement continues.
OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication réalisé de manière indépendante et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants dans l'entraînement décentralisé, tels que les limitations de bande passante, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et permettant la formation collaborative du modèle en ne s'appuyant que sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux dispositifs périphériques de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial. C'est l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
PCCL: Bibliothèque de communication collaborative
PCCL est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des équipements hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradients, la synchronisation à faible précision et la récupération après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant un composant de base pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore significativement la tolérance à la bande passante et la compatibilité des équipements du réseau d'entraînement, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un réseau d'entraînement collaboratif véritablement ouvert et sans confiance.
Prime Intellect Réseau d'incitation et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles principaux :
Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
Nœud d'entraînement : exécutez un entraînement local, soumettez les mises à jour de poids et les trajectoires d'observation
Nœuds de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, formant un cercle incitatif autour du "comportement d'entraînement réel".
INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, qui est le premier grand modèle d'apprentissage par renforcement au monde formé par la coopération de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètres atteignant 32B. Le modèle INTELLECT-2 a été formé par la collaboration de plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité d'un réseau de coopération asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais constitue également le premier déploiement systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocoles clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation de l'ouverture, de la vérifiabilité et de la boucle de motivation économique du processus d'entraînement dans un réseau de formation décentralisé.
En termes de performance, INTELLECT-2 est basé sur QwQ-32B et a effectué un entraînement RL spécialisé sur le code et les mathématiques, se situant à la pointe des modèles RL de micro-ajustement open source actuels. Bien qu'il n'ait pas encore surpassé GPT-4 ou
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
12 J'aime
Récompense
12
7
Partager
Commentaire
0/400
Lonely_Validator
· 07-31 19:07
La planification des ressources est cruciale.
Voir l'originalRépondre0
BrokeBeans
· 07-28 22:10
La puissance de calcul à grande échelle s'est effondrée.
Voir l'originalRépondre0
AirdropChaser
· 07-28 19:54
La nouvelle technologie est vraiment agréable.
Voir l'originalRépondre0
TokenSherpa
· 07-28 19:48
L'avenir est très prometteur.
Voir l'originalRépondre0
CodeAuditQueen
· 07-28 19:48
Accumuler de l'expérience avant d'aller au centre.
Décentralisation entraînement: un nouveau paradigme et des explorations de pointe dans le domaine de l'IA
Explorer les frontières de la Décentralisation de l'entraînement
Dans la chaîne de valeur complète de l'intelligence artificielle, l'entraînement des modèles est la phase la plus consommatrice de ressources et la plus exigeante en termes de technologie, déterminant directement la capacité maximale des modèles et l'efficacité des applications réelles. Par rapport à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, ce qui en fait le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue paradigmatique, les méthodes d'entraînement peuvent être divisées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution dans un cluster haute performance local, où l'ensemble du processus d'entraînement, des matériels, des logiciels de base, du système de répartition des clusters, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, avec des avantages en termes d'efficacité élevée et de ressources contrôlables, mais présente également des problèmes de monopole de données, de barrières aux ressources, de consommation d'énergie et de risques de point unique.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuels. Son noyau consiste à décomposer les tâches d'entraînement du modèle, puis à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement en termes de calcul et de stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "décentralisées", l'ensemble est toujours contrôlé et synchronisé par des institutions centralisées, fonctionnant souvent dans un environnement de réseau local haute vitesse, grâce à la technologie de bus interconnecté à haute vitesse NVLink, où le nœud principal coordonne uniformément les sous-tâches. Les méthodes principales incluent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogue à un même patron qui dirige à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement de tâches. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont : plusieurs nœuds qui ne se font pas confiance collaborent à l'achèvement des tâches de formation sans coordinateur central, généralement par le biais de protocoles qui pilotent la distribution des tâches et la collaboration, et qui utilisent des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
L'entraînement décentralisé peut être compris comme : un groupe de volontaires à travers le monde contribuant chacun leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "le véritable défi de l'entraînement décentralisé à grande échelle" demeure un défi systémique d'ingénierie, impliquant l'architecture des systèmes, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, et bien d'autres aspects. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + produire des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres de modèle, ce qui le rend adapté aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et une capacité de collaboration locale, tout en bénéficiant des avantages de la répartition des données dans l'entraînement décentralisé, mais il dépend toujours d'une partie coordonnante de confiance et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. Cela peut être considéré comme une solution "décentralisée contrôlée" dans des scénarios de conformité à la vie privée, avec des tâches d'entraînement, des structures de confiance et des mécanismes de communication relativement modérés, ce qui en fait une architecture de déploiement transitoire plus adaptée pour l'industrie.
Décentralisation de la formation : limites, opportunités et voies réalistes
D'un point de vue des paradigmes d'entraînement, la formation décentralisée n'est pas adaptée à tous les types de tâches. Dans certaines situations, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, elle n'est naturellement pas adaptée à une réalisation efficace entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches fortement limitées par la confidentialité des données et la souveraineté sont soumises à des contraintes légales et éthiques, ce qui empêche le partage ouvert ; et les tâches manquant d'incitations à la collaboration n'ont pas de motivation externe pour la participation. Ces limites constituent ensemble les restrictions réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : l'ajustement LoRA, les tâches de post-formation d'alignement de comportement, les tâches de formation et d'annotation de données en crowdsourcing, l'entraînement de petits modèles de base contrôlés par les ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs périphériques. Ces tâches possèdent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, le protocole Swarm, des optimisateurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de pointe des formations décentralisées et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en matière d'architecture système et de conception d'algorithmes, représentant les directions de recherche théorique les plus avancées ; tandis que les voies de mise en œuvre de Gensyn et Flock.io sont relativement claires, montrant déjà des progrès d'ingénierie préliminaires.
Prime Intellect : Pion des réseaux collaboratifs d'apprentissage renforcé vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect espère, grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
Détails sur le mécanisme central
PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplé
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement le processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement d'accomplir indépendamment la boucle de tâches en local, et collaborant avec des mécanismes de validation et d'agrégation via des interfaces standardisées. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans des environnements sans planification centrale, réduisant ainsi la complexité du système et établissant une base pour prendre en charge le parallélisme des tâches multiples et l'évolution des stratégies.
TOPLOC: Mécanisme de validation des comportements d'entraînement léger
TOPLOC est un mécanisme central de vérification de l'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement complété un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne repose pas sur le recalcul complet du modèle, mais analyse les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification de structure allégée. Il transforme pour la première fois les trajectoires comportementales du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour la distribution de récompenses d'entraînement sans confiance, fournissant une voie réalisable pour construire un réseau d'entraînement décentralisé collaboratif, auditable et incitatif.
SHARDCAST: Protocole de agrégation et de diffusion de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœud variables. Il combine le mécanisme de propagation gossip et des stratégies de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états désynchronisés, réalisant une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus stable sur les poids et pour des itérations d'entraînement continues.
OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication réalisé de manière indépendante et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants dans l'entraînement décentralisé, tels que les limitations de bande passante, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et permettant la formation collaborative du modèle en ne s'appuyant que sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux dispositifs périphériques de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial. C'est l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
PCCL: Bibliothèque de communication collaborative
PCCL est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des équipements hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradients, la synchronisation à faible précision et la récupération après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant un composant de base pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore significativement la tolérance à la bande passante et la compatibilité des équipements du réseau d'entraînement, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un réseau d'entraînement collaboratif véritablement ouvert et sans confiance.
Prime Intellect Réseau d'incitation et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles principaux :
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, formant un cercle incitatif autour du "comportement d'entraînement réel".
INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, qui est le premier grand modèle d'apprentissage par renforcement au monde formé par la coopération de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètres atteignant 32B. Le modèle INTELLECT-2 a été formé par la collaboration de plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité d'un réseau de coopération asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais constitue également le premier déploiement systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocoles clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation de l'ouverture, de la vérifiabilité et de la boucle de motivation économique du processus d'entraînement dans un réseau de formation décentralisé.
En termes de performance, INTELLECT-2 est basé sur QwQ-32B et a effectué un entraînement RL spécialisé sur le code et les mathématiques, se situant à la pointe des modèles RL de micro-ajustement open source actuels. Bien qu'il n'ait pas encore surpassé GPT-4 ou