Evolução dos Paradigmas de Treinamento de IA: Da Controle Centralizado à Revolução Tecnológica da Descentralização Cooperativa
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, decidindo diretamente o limite de capacidade do modelo e o efeito real da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo de grande escala em poder computacional, um fluxo de processamento de dados complexo e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a abordagem tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde o hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala, como GPT e Gemini, com vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo apresenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a forma principal de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, ainda é controlado e agendado por uma instituição centralizada que sincroniza, normalmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina diferentes dados com parâmetros compartilhados, sendo necessário corresponder os pesos do modelo.
Paralelismo de modelos: implantar diferentes partes do modelo em diferentes nós, realizando uma forte escalabilidade;
Pipeline em paralelo: execução em série por fases, aumentando a taxa de transferência;
Paralelismo de tensores: segmentação refinada do cálculo matricial, melhorando o grau de paralelismo.
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários colaboradores em "escritórios" para cumprir tarefas. Atualmente, quase todos os principais modelos grandes são treinados dessa forma.
Descentralização do treinamento representa um caminho futuro mais aberto e resistente à censura. Suas características centrais incluem: múltiplos nós que não confiam uns nos outros colaborando para completar a tarefa de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição e colaboração das tarefas, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldades de heterogeneidade e divisão de dispositivos: alta dificuldade de coordenação entre dispositivos heterogêneos, baixa eficiência na divisão de tarefas;
Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradientes evidente;
Falta de execução confiável: falta de um ambiente de execução confiável, difícil de verificar se os nós realmente participam do cálculo;
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de retrocesso de exceções são complexos.
Descentralização treinamento pode ser entendido como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar o modelo em colaboração, mas "a verdadeira viabilidade do treinamento descentralizado em grande escala" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas se é possível "colaborar efetivamente + incentivar honestidade + resultados corretos" ainda está na fase de exploração de protótipos iniciais.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação concentrada de parâmetros do modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que mantém as vantagens da dispersão de dados do treinamento Descentralização, mas ainda depende de uma parte coordenadora confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser visto como 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 mecanismo de comunicação, mais adequado como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda por recursos ou à dificuldade de colaboração, não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda alta, sendo difícil efetivamente dividir e sincronizar em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania estão limitadas por conformidades legais e éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de uma base de incentivos à colaboração carecem de motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso dilema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, o treinamento descentralizado demonstra uma clara perspectiva de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento de comportamento, tarefas de treinamento e anotação de dados por meio de crowdsourcing, treinamento de pequenos modelos base controláveis em recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características que toleram poder de computação heterogêneo, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, na vanguarda do treinamento descentralizado e da aprendizagem federada, os projetos de blockchain representativos incluem principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação técnica e da dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistema e design de algoritmos, representando a vanguarda da pesquisa teórica atual; enquanto Gensyn e Flock.io têm um caminho de implementação relativamente claro, já sendo possível observar avanços iniciais na engenharia. Este artigo analisará, uma a uma, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e discutirá ainda suas diferenças e relações complementares dentro do sistema de treinamento descentralizado de IA.
Prime Intellect: Pioneiro de Redes Colaborativas de Aprendizagem Reforçada com Trajetórias de Treinamento Verificáveis
A Prime Intellect está empenhada em construir uma rede de treino de IA sem confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treino de IA descentralizado com verificabilidade, abertura e um mecanismo de incentivos completo através dos três módulos PRIME-RL + TOPLOC + SHARDCAST.
Um, Estrutura da Pilha de Protocolos Prime Intellect e o 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 Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Adota o aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente em local, e colabore com os mecanismos de validação e agregação através de interfaces padronizadas. Comparado ao processo tradicional de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar paralelismo de múltiplas tarefas e evolução de estratégias.
TOPLOC: Mecanismo de verificação de comportamento de treino leve
TOPLOC é o mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, usado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Diferente de soluções pesadas como ZKML, TOPLOC não depende do recálculo do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para realizar a verificação de estrutura leve. Pela primeira vez, transforma a trajetória de comportamento durante o processo de treinamento em um objeto verificável, sendo a inovação chave para a distribuição de recompensas de treinamento sem confiança, proporcionando um caminho viável para construir uma rede de treinamento colaborativo descentralizada, auditável e incentivada.
SHARDCAST: Protocolo de Agregação e Propagação de Pesos Assíncronos
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nós variáveis. Ele combina um mecanismo de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós submetam continuamente atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a 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, servindo como a base fundamental para construir consenso de pesos estáveis e iterações contínuas de treinamento.
OpenDiLoCo: Quadro de Comunicação Assíncrona Esparsa
OpenDiLoCo é um framework de otimização de comunicação desenvolvido e de código aberto pela equipe Prime Intellect, baseado na filosofia DiLoCo proposta pela DeepMind, projetado especificamente para enfrentar os desafios comuns de treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando altos custos de comunicação de sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas com nós vizinhos locais. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de forma estável nas tarefas de treinamento, aumentando significativamente a participatividade no treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para construir uma rede de treinamento descentralizada.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA Descentralização, visando resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo operar em GPUs de consumo e nós instáveis, sendo um componente de base que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Isso melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação básica que constrói uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança.
Três, Rede de Incentivos Prime Intellect e Divisão de Papéis
A Prime Intellect construiu uma rede de treinamento sem permissões, verificável e com um mecanismo 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 categorias de papéis principais:
Iniciador da tarefa: definir 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 verificar a autenticidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias
O processo central do protocolo inclui publicação de tarefas, treinamento de nós, verificação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
Quatro, INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizagem reforçada do mundo treinado por nós de colaboração descentralizada assíncrona e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com duração de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade da rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra os módulos de protocolo centrais PRIME-RL, TOPLOC e SHARDCAST, marcando a Descentralização.
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
9 Curtidas
Recompensa
9
6
Repostar
Compartilhar
Comentário
0/400
Whale_Whisperer
· 08-12 12:33
Está a queimar muito dinheiro, não está?
Ver originalResponder0
MemeCurator
· 08-12 12:10
Treinar queimando dinheiro só de ouvir já dá dor de cabeça
Ver originalResponder0
LazyDevMiner
· 08-09 17:17
O treinamento de modelos consome muito dinheiro, os pobres não podem arcar com isso.
Ver originalResponder0
Degentleman
· 08-09 17:12
Os velhos irmãos dos pequenos estúdios que não conseguem jogar em modo centralizado já foram todos jogar na federação.
Ver originalResponder0
DefiPlaybook
· 08-09 17:10
O treinamento ainda não é Descentralização? Isso não é o mesmo que colocar todos os contratos inteligentes na aws?
Revolução do Treinamento de IA: Da Centralização à Descentralização da Evolução Tecnológica
Evolução dos Paradigmas de Treinamento de IA: Da Controle Centralizado à Revolução Tecnológica da Descentralização Cooperativa
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, decidindo diretamente o limite de capacidade do modelo e o efeito real da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo de grande escala em poder computacional, um fluxo de processamento de dados complexo e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a abordagem tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde o hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala, como GPT e Gemini, com vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo apresenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a forma principal de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, ainda é controlado e agendado por uma instituição centralizada que sincroniza, normalmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários colaboradores em "escritórios" para cumprir tarefas. Atualmente, quase todos os principais modelos grandes são treinados dessa forma.
Descentralização do treinamento representa um caminho futuro mais aberto e resistente à censura. Suas características centrais incluem: múltiplos nós que não confiam uns nos outros colaborando para completar a tarefa de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição e colaboração das tarefas, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização treinamento pode ser entendido como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar o modelo em colaboração, mas "a verdadeira viabilidade do treinamento descentralizado em grande escala" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas se é possível "colaborar efetivamente + incentivar honestidade + resultados corretos" ainda está na fase de exploração de protótipos iniciais.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação concentrada de parâmetros do modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que mantém as vantagens da dispersão de dados do treinamento Descentralização, mas ainda depende de uma parte coordenadora confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser visto como 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 mecanismo de comunicação, mais adequado como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda por recursos ou à dificuldade de colaboração, não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e não confiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda alta, sendo difícil efetivamente dividir e sincronizar em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania estão limitadas por conformidades legais e éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de uma base de incentivos à colaboração carecem de motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que o treinamento descentralizado seja um falso dilema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, o treinamento descentralizado demonstra uma clara perspectiva de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento de comportamento, tarefas de treinamento e anotação de dados por meio de crowdsourcing, treinamento de pequenos modelos base controláveis em recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características que toleram poder de computação heterogêneo, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássico projeto análise
Atualmente, na vanguarda do treinamento descentralizado e da aprendizagem federada, os projetos de blockchain representativos incluem principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação técnica e da dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistema e design de algoritmos, representando a vanguarda da pesquisa teórica atual; enquanto Gensyn e Flock.io têm um caminho de implementação relativamente claro, já sendo possível observar avanços iniciais na engenharia. Este artigo analisará, uma a uma, as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e discutirá ainda suas diferenças e relações complementares dentro do sistema de treinamento descentralizado de IA.
Prime Intellect: Pioneiro de Redes Colaborativas de Aprendizagem Reforçada com Trajetórias de Treinamento Verificáveis
A Prime Intellect está empenhada em construir uma rede de treino de IA sem confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treino de IA descentralizado com verificabilidade, abertura e um mecanismo de incentivos completo através dos três módulos PRIME-RL + TOPLOC + SHARDCAST.
Um, Estrutura da Pilha de Protocolos Prime Intellect e o 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 Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Adota o aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente em local, e colabore com os mecanismos de validação e agregação através de interfaces padronizadas. Comparado ao processo tradicional de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar paralelismo de múltiplas tarefas e evolução de estratégias.
TOPLOC: Mecanismo de verificação de comportamento de treino leve
TOPLOC é o mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, usado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Diferente de soluções pesadas como ZKML, TOPLOC não depende do recálculo do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para realizar a verificação de estrutura leve. Pela primeira vez, transforma a trajetória de comportamento durante o processo de treinamento em um objeto verificável, sendo a inovação chave para a distribuição de recompensas de treinamento sem confiança, proporcionando um caminho viável para construir uma rede de treinamento colaborativo descentralizada, auditável e incentivada.
SHARDCAST: Protocolo de Agregação e Propagação de Pesos Assíncronos
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nós variáveis. Ele combina um mecanismo de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós submetam continuamente atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a 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, servindo como a base fundamental para construir consenso de pesos estáveis e iterações contínuas de treinamento.
OpenDiLoCo: Quadro de Comunicação Assíncrona Esparsa
OpenDiLoCo é um framework de otimização de comunicação desenvolvido e de código aberto pela equipe Prime Intellect, baseado na filosofia DiLoCo proposta pela DeepMind, projetado especificamente para enfrentar os desafios comuns de treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando altos custos de comunicação de sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas com nós vizinhos locais. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de forma estável nas tarefas de treinamento, aumentando significativamente a participatividade no treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para construir uma rede de treinamento descentralizada.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA Descentralização, visando resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo operar em GPUs de consumo e nós instáveis, sendo um componente de base que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Isso melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação básica que constrói uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança.
Três, Rede de Incentivos Prime Intellect e Divisão de Papéis
A Prime Intellect construiu uma rede de treinamento sem permissões, verificável e com um mecanismo 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 categorias de papéis principais:
O processo central do protocolo inclui publicação de tarefas, treinamento de nós, verificação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
Quatro, INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizagem reforçada do mundo treinado por nós de colaboração descentralizada assíncrona e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com duração de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade da rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra os módulos de protocolo centrais PRIME-RL, TOPLOC e SHARDCAST, marcando a Descentralização.