Evolução dos paradigmas de treinamento de IA: da controlo centralizado à Descentralização colaborativa na revolução tecnológica
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve na 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 a 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 principal deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster local de alto desempenho, 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. Esta arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas atinja o seu melhor, sendo muito adequada para o treinamento de modelos em grande escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, e seu 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, o todo ainda é controlado e agendado por uma entidade centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos predominantes incluem:
Paralelismo de dados: cada nó treina diferentes dados, os parâmetros são compartilhados, sendo necessário corresponder os pesos do modelo.
Paralelismo de modelos: implementar diferentes partes do modelo em diferentes nós, alcançando uma 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 a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos estão sendo treinados dessa forma.
Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram na realização de tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição e colaboração de tarefas, 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 entre dispositivos heterogêneos, baixa eficiência de 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 de computação para treinar modelos em colaboração, mas a "verdadeira descentralização do treinamento em larga 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 aspectos. No entanto, se é possível "colaborar de forma eficaz + incentivar a honestidade + garantir resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre a distribuição e a Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequada para cenários que priorizam 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 mantém a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma parte coordenadora confiável, não possuindo 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 moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequada 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 não confiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte restrição de privacidade de dados e soberania são limitadas por conformidade legal e restrições éticas, impossibilitando o compartilhamento aberto; enquanto tarefas que carecem de uma base de incentivo à colaboração têm falta de motivação para 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 incentivadoras, a Descentralização do treinamento demonstra perspectivas claras de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, treinamento e rotulação de dados por crowdsourcing, treinamento de pequenos modelos básicos com controle de recursos, bem como cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem características de alta paralelização, baixo acoplamento e tolerância a potência computacional heterogênea, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treino clássico projeto análise
Atualmente, nos campos de treinamento Descentralização e aprendizado federado, os projetos de blockchain representativos incluem principalmente 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 apresentaram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica de ponta; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já sendo possível observar os primeiros progressos em engenharia. Este artigo irá analisar sequencialmente 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 AI Descentralização.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treinamento verificáveis
A Prime Intellect está comprometida em 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 módulos PRIME-RL + TOPLOC + SHARDCAST.
Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave:
PRIME-RL: Arquitetura de tarefa de aprendizado por reforço assíncrono desacoplado
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de treinamento de Descentralização, projetada especialmente 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 de forma independente em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Comparado ao fluxo de aprendizado supervisionado tradicional, 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 de validação de comportamento de treino leve
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, usado para determinar se um nó realmente completou um aprendizado de estratégia efetivo com base em dados de observação. Diferente de soluções pesadas como ZKML, o TOPLOC não depende da recalculação de todo o modelo, 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 as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, 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 incentivadora.
SHARDCAST: protocolo de agregação e disseminação 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 uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e evolução de múltiplas versões. Comparado aos métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento Descentralização, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: estrutura de comunicação assíncrona esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação, independente e de código aberto, implementada pela equipe Prime Intellect com base na ideia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns no treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo topologias 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 também participem de tarefas de treinamento de forma estável, aumentando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação essenciais 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 ambientes de treinamento de IA descentralizada, com o objetivo de 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 ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental que suporta 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 a "última milha" da infraestrutura de comunicação para a construção de uma rede de treinamento colaborativa verdadeiramente aberta e sem necessidade de confiança.
Rede de Incentivo Prime Intellect e Divisão de Funções:
O Prime Intellect construiu uma rede de treino sem permissões, verificável e com mecanismos de incentivos económicos, permitindo que qualquer pessoa participe em tarefas e receba recompensas com base em contribuições reais. O protocolo funciona 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 agregação de estratégias
O processo central do protocolo inclui a publicação de tarefas, o treino de nós, a validação de trajetórias, a agregação de pesos e a distribuição de recompensas, constituindo um ciclo de incentivo em torno do "comportamento de treino 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 reforçado 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 um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade da 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 protocolos centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura, verificabilidade e ciclo de incentivos econômicos no processo de treinamento da rede descentralizada.
Em termos de desempenho, o INTELLECT-2 é baseado no QwQ-32B e passou por 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 modelos de código fechado como o GPT-4 ou Gemini, o seu verdadeiro significado
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
4
Partilhar
Comentar
0/400
RektButStillHere
· 13h atrás
Ai meu Deus, a centralização para a Descentralização, a tecnologia é comprar a caixa e deixar a pérola.
Ver originalResponder0
ZKProofEnthusiast
· 08-06 04:17
Assim como a filosofia do web3, a IA está em processo de Descentralização.
Ver originalResponder0
P2ENotWorking
· 08-06 04:10
Dessa forma, as pequenas empresas também não têm vez. Que raiva!
Ver originalResponder0
AirdropHunter9000
· 08-06 04:08
pro diz que é verdade, o custo de treinamento é realmente alto
Novo paradigma de treinamento de IA: da controlo centralizado à evolução tecnológica da colaboração descentralizada
Evolução dos paradigmas de treinamento de IA: da controlo centralizado à Descentralização colaborativa na revolução tecnológica
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve na 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 a 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 principal deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster local de alto desempenho, 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. Esta arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas atinja o seu melhor, sendo muito adequada para o treinamento de modelos em grande escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, e seu 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, o todo ainda é controlado e agendado por uma entidade centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos predominantes 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 estão sendo treinados dessa forma.
Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram na realização de tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição e colaboração de tarefas, 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 de computação para treinar modelos em colaboração, mas a "verdadeira descentralização do treinamento em larga 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 aspectos. No entanto, se é possível "colaborar de forma eficaz + incentivar a honestidade + garantir resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre a distribuição e a Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequada para cenários que priorizam 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 mantém a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma parte coordenadora confiável, não possuindo 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 moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequada 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 não confiáveis. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte restrição de privacidade de dados e soberania são limitadas por conformidade legal e restrições éticas, impossibilitando o compartilhamento aberto; enquanto tarefas que carecem de uma base de incentivo à colaboração têm falta de motivação para 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 incentivadoras, a Descentralização do treinamento demonstra perspectivas claras de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, treinamento e rotulação de dados por crowdsourcing, treinamento de pequenos modelos básicos com controle de recursos, bem como cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem características de alta paralelização, baixo acoplamento e tolerância a potência computacional heterogênea, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Descentralização treino clássico projeto análise
Atualmente, nos campos de treinamento Descentralização e aprendizado federado, os projetos de blockchain representativos incluem principalmente 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 apresentaram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica de ponta; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já sendo possível observar os primeiros progressos em engenharia. Este artigo irá analisar sequencialmente 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 AI Descentralização.
Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treinamento verificáveis
A Prime Intellect está comprometida em 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 módulos PRIME-RL + TOPLOC + SHARDCAST.
Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave:
PRIME-RL: Arquitetura de tarefa de aprendizado por reforço assíncrono desacoplado
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de treinamento de Descentralização, projetada especialmente 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 de forma independente em local, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Comparado ao fluxo de aprendizado supervisionado tradicional, 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 de validação de comportamento de treino leve
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, usado para determinar se um nó realmente completou um aprendizado de estratégia efetivo com base em dados de observação. Diferente de soluções pesadas como ZKML, o TOPLOC não depende da recalculação de todo o modelo, 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 as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, 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 incentivadora.
SHARDCAST: protocolo de agregação e disseminação 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 uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e evolução de múltiplas versões. Comparado aos métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento Descentralização, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: estrutura de comunicação assíncrona esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação, independente e de código aberto, implementada pela equipe Prime Intellect com base na ideia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns no treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo topologias 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 também participem de tarefas de treinamento de forma estável, aumentando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação essenciais 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 ambientes de treinamento de IA descentralizada, com o objetivo de 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 ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental que suporta 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 a "última milha" da infraestrutura de comunicação para a construção de uma rede de treinamento colaborativa verdadeiramente aberta e sem necessidade de confiança.
Rede de Incentivo Prime Intellect e Divisão de Funções:
O Prime Intellect construiu uma rede de treino sem permissões, verificável e com mecanismos de incentivos económicos, permitindo que qualquer pessoa participe em tarefas e receba recompensas com base em contribuições reais. O protocolo funciona com base em três categorias de papéis principais:
O processo central do protocolo inclui a publicação de tarefas, o treino de nós, a validação de trajetórias, a agregação de pesos e a distribuição de recompensas, constituindo um ciclo de incentivo em torno do "comportamento de treino 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 reforçado 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 um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade da 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 protocolos centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura, verificabilidade e ciclo de incentivos econômicos no processo de treinamento da rede descentralizada.
Em termos de desempenho, o INTELLECT-2 é baseado no QwQ-32B e passou por 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 modelos de código fechado como o GPT-4 ou Gemini, o seu verdadeiro significado