Explorar a Descentralização do Treino de Vanguarda
Na cadeia de valor total da inteligência artificial, o treinamento de modelos é a etapa que consome mais recursos e tem o maior nível de dificuldade técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em grande escala, 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 da arquitetura, os métodos de treinamento podem ser classificados 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 grandes modelos como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, 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, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em conjunto, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora fisicamente possua características de "descentralização", o conjunto ainda é controlado e agendado por uma entidade centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina diferentes parâmetros de dados compartilhados, necessitando de correspondência de pesos do modelo.
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline em paralelo: execução em série por fases, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada do cálculo matricial, aumentando a granularidade do paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos de grande porte são treinados desta forma.
Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Suas principais características incluem: múltiplos nós que não confiam uns nos outros colaborando para completar tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e a colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade de heterogeneidade e divisão de dispositivos: alta dificuldade de coordenação de dispositivos heterogêneos, baixa eficiência de divisão de tarefas
Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradiente óbvio
Execução confiável em falta: 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 os mecanismos 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 "o verdadeiro treinamento descentralizado em larga escala viável" continua a ser um desafio de engenharia sistemático, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros múltiplos níveis, mas se é possível "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequada para cenários que valorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui a vantagem da dispersão de dados do treinamento Descentralização, mas ainda depende de uma parte coordenadora confiável e não possui características completamente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente amena em relação às tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, tornando-se mais adequada como uma arquitetura de implantação transitória na indústria.
Descentralização: limites, oportunidades e caminhos reais de treinamento
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, exigências extremas de recursos ou dificuldades de colaboração, ela não se adapta naturalmente para ser concluída de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda alta, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania estão limitadas por conformidade legal e éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras juntas formam 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 mostra uma perspectiva de aplicação clara. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, treinamento e rotulagem de dados crowdsourced, treinamento de pequenos modelos base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolo Swarm, otimizadores distribuídos, entre outros.
Atualmente, nos campos de treino descentralizado e aprendizagem federada, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai apresentaram muitas explorações originais em termos de arquitetura de sistema e design de algoritmos, representando as direções de ponta da pesquisa teórica atual; enquanto Gensyn e Flock.io têm um caminho de implementação relativamente claro, já mostrando progressos iniciais na engenharia.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está empenhada em construir uma rede de treino de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect pretende, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treino de IA descentralizado que seja verificável, aberto e com um mecanismo de incentivos completo.
Explicação detalhada do mecanismo central
PRIME-RL: Arquitetura de Tarefa de Aprendizagem por Reforço Assíncrona Desacoplada
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ela 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 localmente de forma independente e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os 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 múltiplas tarefas em paralelo e evolução de estratégias.
TOPLOC: Mecanismo leve de validação de comportamento de treinamento
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. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende de recomputação 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 a trajetória de comportamento durante o processo de treinamento em um objeto verificável, sendo uma inovação chave para a distribuição de recompensas de treinamento sem confiança, proporcionando um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivada.
SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono
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 nó variáveis. Ele combina mecanismos de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós submetam continuamente atualizações parciais em estados não sincronizados, alcançando a convergência progressiva dos pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou sincronizados, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central para a construção de consenso de pesos estáveis e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação independente implementada e de código aberto pela equipe Prime Intellect, baseada na ideia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando o alto custo de comunicação de sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, permitindo o treinamento colaborativo de modelos apenas com base em nós vizinhos locais. Combinando atualização assíncrona e mecanismos 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 acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizado.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve projetada pela Prime Intellect para o ambiente de treinamento de IA Descentralização, com o objetivo de resolver o gargalo 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 ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo o componente de base que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação fundamental que constrói redes de treinamento colaborativo verdadeiramente abertas e sem confiança.
Rede de Incentivo Prime Intellect e Divisão de Papéis
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismos de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três 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, submeter atualizações de peso e observar trajetórias
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 a publicação de tarefas, o treinamento de nós, a verificação de trajetórias, a agregação de pesos e a distribuição de recompensas, formando um ciclo de incentivos em torno de "comportamento de treinamento real".
INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado por reforço do mundo treinado por uma rede de nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos com GPU distribuídos em três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura, verificabilidade e ciclo de incentivos econômicos no processo de treinamento de uma rede descentralizada.
Em termos de desempenho, o INTELLECT-2 é baseado no QwQ-32B treinado e fez um treinamento RL especializado em código e matemática, estando na vanguarda dos modelos de ajuste fino RL de código aberto atuais. Embora ainda não tenha superado o GPT-4 ou
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.
12 gostos
Recompensa
12
7
Partilhar
Comentar
0/400
Lonely_Validator
· 07-31 19:07
A alocação de recursos é fundamental.
Ver originalResponder0
BrokeBeans
· 07-28 22:10
A grande onda de poder de computação desmoronou.
Ver originalResponder0
AirdropChaser
· 07-28 19:54
A nova tecnologia é realmente incrível!
Ver originalResponder0
TokenSherpa
· 07-28 19:48
O futuro é extremamente promissor.
Ver originalResponder0
CodeAuditQueen
· 07-28 19:48
Vá acumular experiência primeiro.
Ver originalResponder0
BoredStaker
· 07-28 19:48
A eficiência é mais importante do que a segurança.
Descentralização treino: um novo paradigma e exploração de ponta no campo da IA
Explorar a Descentralização do Treino de Vanguarda
Na cadeia de valor total da inteligência artificial, o treinamento de modelos é a etapa que consome mais recursos e tem o maior nível de dificuldade técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em grande escala, 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 da arquitetura, os métodos de treinamento podem ser classificados 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 grandes modelos como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, 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, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em conjunto, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora fisicamente possua características de "descentralização", o conjunto ainda é controlado e agendado por uma entidade centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento 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 funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos de grande porte são treinados desta forma.
Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Suas principais características incluem: múltiplos nós que não confiam uns nos outros colaborando para completar tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e a colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar o modelo em colaboração, mas "o verdadeiro treinamento descentralizado em larga escala viável" continua a ser um desafio de engenharia sistemático, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros múltiplos níveis, mas se é possível "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequada para cenários que valorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui a vantagem da dispersão de dados do treinamento Descentralização, mas ainda depende de uma parte coordenadora confiável e não possui características completamente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente amena em relação às tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, tornando-se mais adequada como uma arquitetura de implantação transitória na indústria.
Descentralização: limites, oportunidades e caminhos reais de treinamento
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, exigências extremas de recursos ou dificuldades de colaboração, ela não se adapta naturalmente para ser concluída de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda alta, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania estão limitadas por conformidade legal e éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras juntas formam 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 mostra uma perspectiva de aplicação clara. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, treinamento e rotulagem de dados crowdsourced, treinamento de pequenos modelos base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolo Swarm, otimizadores distribuídos, entre outros.
Descentralização treinamento clássicos projetos análise
Atualmente, nos campos de treino descentralizado e aprendizagem federada, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai apresentaram muitas explorações originais em termos de arquitetura de sistema e design de algoritmos, representando as direções de ponta da pesquisa teórica atual; enquanto Gensyn e Flock.io têm um caminho de implementação relativamente claro, já mostrando progressos iniciais na engenharia.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está empenhada em construir uma rede de treino de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect pretende, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treino de IA descentralizado que seja verificável, aberto e com um mecanismo de incentivos completo.
Explicação detalhada do mecanismo central
PRIME-RL: Arquitetura de Tarefa de Aprendizagem por Reforço Assíncrona Desacoplada
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ela 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 localmente de forma independente e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os 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 múltiplas tarefas em paralelo e evolução de estratégias.
TOPLOC: Mecanismo leve de validação de comportamento de treinamento
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. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende de recomputação 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 a trajetória de comportamento durante o processo de treinamento em um objeto verificável, sendo uma inovação chave para a distribuição de recompensas de treinamento sem confiança, proporcionando um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivada.
SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono
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 nó variáveis. Ele combina mecanismos de propagação gossip com estratégias de sincronização local, permitindo que múltiplos nós submetam continuamente atualizações parciais em estados não sincronizados, alcançando a convergência progressiva dos pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou sincronizados, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central para a construção de consenso de pesos estáveis e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação independente implementada e de código aberto pela equipe Prime Intellect, baseada na ideia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando o alto custo de comunicação de sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, permitindo o treinamento colaborativo de modelos apenas com base em nós vizinhos locais. Combinando atualização assíncrona e mecanismos 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 acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizado.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve projetada pela Prime Intellect para o ambiente de treinamento de IA Descentralização, com o objetivo de resolver o gargalo 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 ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo o componente de base que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação fundamental que constrói redes de treinamento colaborativo verdadeiramente abertas e sem confiança.
Rede de Incentivo Prime Intellect e Divisão de Papéis
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismos de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três 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 e a distribuição de recompensas, formando um ciclo de incentivos em torno de "comportamento de treinamento real".
INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado por reforço do mundo treinado por uma rede de nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos com GPU distribuídos em três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura, verificabilidade e ciclo de incentivos econômicos no processo de treinamento de uma rede descentralizada.
Em termos de desempenho, o INTELLECT-2 é baseado no QwQ-32B treinado e fez um treinamento RL especializado em código e matemática, estando na vanguarda dos modelos de ajuste fino RL de código aberto atuais. Embora ainda não tenha superado o GPT-4 ou