Evolução dos Paradigmas de Treinamento de IA: Da Controle Centralizado à Revolução Tecnológica da Descentralização e Colaboração
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e os efeitos reais da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, fluxos de processamento de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista 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 forma tradicional mais comum, realizado por uma única instituição em um cluster local de alto desempenho, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração 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 o GPT e o Gemini, possuindo vantagens de alta eficiência e controle de recursos, mas também enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a abordagem principal para o treinamento de grandes modelos atualmente. Seu núcleo consiste em desmembrar a tarefa de treinamento do modelo e distribuí-la para várias máquinas executarem em conjunto, a fim de superar os limites de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, ainda é controlado e gerido por uma instituição centralizada, geralmente operando em um ambiente de rede local de alta velocidade. Através da tecnologia de barramento de interconexão de alta velocidade NVLink, o nó principal coordena uniformemente as subtarefas. Os métodos principais incluem:
Dados paralelos: cada nó treina diferentes dados, parâmetros compartilhados, é necessário corresponder os pesos do modelo
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução em série por fases, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada do cálculo de matrizes, aumentando o grau de paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe que comanda remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos (GPT-4, Gemini, LLaMA, etc. ) são treinados dessa forma.
Descentralização treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não se confiam mutuamente ( podem ser computadores pessoais, GPU em nuvem ou dispositivos de borda ) colaborando na conclusão de tarefas de treinamento sem um coordenador central, geralmente impulsionados por protocolos que distribuem tarefas e colaboram, 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 tarefas: 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 gradiente 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 reversão de exceções são complexos
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar o modelo em colaboração, mas a "verdadeira descentralização do treinamento em grande escala viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros vários níveis, mas a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em uma fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequado para cenários que priorizam conformidade de privacidade (, como saúde e finanças ). O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que mantém a vantagem 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 de privacidade, sendo relativamente moderado em termos de tarefas de treinamento, estrutura de confiança e mecanismo de comunicação, sendo 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 de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e de confiança mútua. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda rápida, tornando difícil a divisão e sincronização eficazes em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania (, como saúde, finanças e dados confidenciais ), são limitadas por conformidade legal e restrições éticas, impossibilitando o compartilhamento aberto; e tarefas ( que carecem de incentivos à colaboração, como modelos de código fechado de empresas ou treinamento de protótipos internos ), carecem de motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma proposição falsa. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento apresenta perspectivas claras de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento de comportamento ( como RLHF, DPO ), treinamento e anotação de dados por crowdsourcing, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características de tolerância a 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 do aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando algum progresso inicial na engenharia. Este artigo irá analisar, um por um, as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA descentralizado.
Prime Intellect: Pioneiro da rede colaborativa de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está dedicada a construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através dos três principais módulos PRIME-RL + TOPLOC + SHARDCAST.
Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave:
PRIME-RL: Arquitetura de Tarefa de Aprendizagem por Reforço Assíncrono Desacoplada
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ele utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente localmente, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com processos de aprendizado supervisionado tradicionais, 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 a paralelização de múltiplas tarefas e a evolução de estratégias.
TOPLOC: Mecanismo de verificação de comportamento de treino leve
TOPLOC(Observação Confiável & Verificação de Localidade) é um 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. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende da recalibração do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez o comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
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 estado de nó variável. Ele combina mecanismos de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós continuem enviando atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Comparado aos métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento descentralizado, sendo a base central para construir consenso de pesos estável e iteração de treinamento contínua.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, baseada na filosofia DiLoCo proposta pela DeepMind, projetada 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, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação da sincronização global, dependendo apenas dos nós vizinhos locais para realizar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para construir redes de treinamento descentralizado.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL(Prime Collective Communication Library) é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA Descentralização, visando resolver o gargalo de adaptação das bibliotecas de comunicação tradicionais( como NCCL, Gloo) 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 ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental para a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ela melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade entre dispositivos, facilitando a comunicação da "última milha" para a construção de uma verdadeira rede de treinamento colaborativo aberta e sem necessidade de confiança.
Rede de Incentivo Prime Intellect e Divisão de Papéis
Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismos de incentivos econômicos, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
Iniciador da tarefa: definir o ambiente de treino, o modelo inicial, a função de recompensa e os critérios de validação
Nós de treinamento: executar treinamento local, enviar atualizações de peso 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 da agregação de estratégias.
O processo central do protocolo inclui a publicação de tarefas, o treinamento de nós, a verificação de trajetórias, a agregação de pesos (SHARDCAST) e a distribuição de recompensas, constituindo um ciclo de incentivo em torno de "comportamento de treinamento real".
INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado por reforço do mundo treinado por nós de 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 GPU heterogêneos espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo 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 a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra a estrutura de treinamento assíncrono PRIME-RL(, o comportamento de treinamento TOPLOC).
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
11 gostos
Recompensa
11
8
Partilhar
Comentar
0/400
ProxyCollector
· 07-24 16:12
Ainda a treinar em grupo? Que antiquado!
Ver originalResponder0
BrokenYield
· 07-24 16:11
smh o treino de IA centralizado é apenas mais um ponto único de falha... clássico risco sistémico
Ver originalResponder0
fork_in_the_road
· 07-24 10:35
O custo de treino é muito caro, pequenas empresas não conseguem arcar.
Ver originalResponder0
BuyHighSellLow
· 07-21 17:01
Esta moeda subiu? Se entender, conta como minha derrota.
Ver originalResponder0
TokenVelocityTrauma
· 07-21 17:00
Ainda dá para brincar assim, é fixe
Ver originalResponder0
SigmaValidator
· 07-21 16:55
Ai, quem disse que descentralizar não é possível?
Ver originalResponder0
SignatureDenied
· 07-21 16:41
Deixa de lado, o treino também é um jogo que só queima dinheiro.
Evolução dos Paradigmas de Treinamento de IA: da Controle Centralizado à Descentralização Colaborativa
Evolução dos Paradigmas de Treinamento de IA: Da Controle Centralizado à Revolução Tecnológica da Descentralização e Colaboração
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e os efeitos reais da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, fluxos de processamento de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista 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 forma tradicional mais comum, realizado por uma única instituição em um cluster local de alto desempenho, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração 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 o GPT e o Gemini, possuindo vantagens de alta eficiência e controle de recursos, mas também enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a abordagem principal para o treinamento de grandes modelos atualmente. Seu núcleo consiste em desmembrar a tarefa de treinamento do modelo e distribuí-la para várias máquinas executarem em conjunto, a fim de superar os limites de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, ainda é controlado e gerido por uma instituição centralizada, geralmente operando em um ambiente de rede local de alta velocidade. Através da tecnologia de barramento de interconexão de alta velocidade NVLink, o nó principal coordena uniformemente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe que comanda remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos (GPT-4, Gemini, LLaMA, etc. ) são treinados dessa forma.
Descentralização treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não se confiam mutuamente ( podem ser computadores pessoais, GPU em nuvem ou dispositivos de borda ) colaborando na conclusão de tarefas de treinamento sem um coordenador central, geralmente impulsionados por protocolos que distribuem tarefas e colaboram, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar o modelo em colaboração, mas a "verdadeira descentralização do treinamento em grande escala viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros vários níveis, mas a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em uma fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequado para cenários que priorizam conformidade de privacidade (, como saúde e finanças ). O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que mantém a vantagem 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 de privacidade, sendo relativamente moderado em termos de tarefas de treinamento, estrutura de confiança e mecanismo de comunicação, sendo 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 de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e de confiança mútua. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda rápida, tornando difícil a divisão e sincronização eficazes em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania (, como saúde, finanças e dados confidenciais ), são limitadas por conformidade legal e restrições éticas, impossibilitando o compartilhamento aberto; e tarefas ( que carecem de incentivos à colaboração, como modelos de código fechado de empresas ou treinamento de protótipos internos ), carecem de motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma proposição falsa. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento apresenta perspectivas claras de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento de comportamento ( como RLHF, DPO ), treinamento e anotação de dados por crowdsourcing, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características de tolerância a 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 do aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando algum progresso inicial na engenharia. Este artigo irá analisar, um por um, as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA descentralizado.
Prime Intellect: Pioneiro da rede colaborativa de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está dedicada a construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através dos três principais módulos PRIME-RL + TOPLOC + SHARDCAST.
Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave:
PRIME-RL: Arquitetura de Tarefa de Aprendizagem por Reforço Assíncrono Desacoplada
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ele utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente localmente, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com processos de aprendizado supervisionado tradicionais, 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 a paralelização de múltiplas tarefas e a evolução de estratégias.
TOPLOC: Mecanismo de verificação de comportamento de treino leve
TOPLOC(Observação Confiável & Verificação de Localidade) é um 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. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende da recalibração do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez o comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
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 estado de nó variável. Ele combina mecanismos de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós continuem enviando atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Comparado aos métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento descentralizado, sendo a base central para construir consenso de pesos estável e iteração de treinamento contínua.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, baseada na filosofia DiLoCo proposta pela DeepMind, projetada 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, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação da sincronização global, dependendo apenas dos nós vizinhos locais para realizar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para construir redes de treinamento descentralizado.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL(Prime Collective Communication Library) é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA Descentralização, visando resolver o gargalo de adaptação das bibliotecas de comunicação tradicionais( como NCCL, Gloo) 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 ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental para a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ela melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade entre dispositivos, facilitando a comunicação da "última milha" para a construção de uma verdadeira rede de treinamento colaborativo aberta e sem necessidade de confiança.
Rede de Incentivo Prime Intellect e Divisão de Papéis
Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismos de incentivos econômicos, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
O processo central do protocolo inclui a publicação de tarefas, o treinamento de nós, a verificação de trajetórias, a agregação de pesos (SHARDCAST) e a distribuição de recompensas, constituindo um ciclo de incentivo em torno de "comportamento de treinamento real".
INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado por reforço do mundo treinado por nós de 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 GPU heterogêneos espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo 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 a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra a estrutura de treinamento assíncrono PRIME-RL(, o comportamento de treinamento TOPLOC).