El Santo Grial de Crypto AI: Exploración de vanguardia en el entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y presenta el mayor umbral técnico, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de potencia de cálculo a gran escala, un complejo proceso de procesamiento de datos y un fuerte apoyo de algoritmos de optimización, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de los paradigmas de arquitectura, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, realizado por una única entidad dentro de un clúster de alto rendimiento local, completando todo el proceso de entrenamiento, desde el hardware, el software de bajo nivel, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero al mismo tiempo presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos actualmente. Su núcleo consiste en descomponer las tareas de entrenamiento del modelo y distribuirlas a varias máquinas para que se ejecuten de manera colaborativa, con el fin de superar las limitaciones de cálculo y almacenamiento de una sola máquina. Aunque físicamente tiene características "distribuidas", en general sigue siendo controlado y programado por una entidad centralizada, y a menudo se ejecuta en un entorno de red local de alta velocidad. A través de la tecnología de bus de interconexión de alta velocidad NVLink, el nodo principal coordina de manera unificada las subtareas. Los métodos más utilizados incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos y los parámetros se comparten, se requiere que coincidan los pesos del modelo.
Paralelismo de modelos: desplegar diferentes partes del modelo en diferentes nodos para lograr una fuerte escalabilidad
Paralelismo de tuberías: ejecución por fases en serie, mejora del rendimiento
Paralelismo de tensores: segmentación refinada del cálculo de matrices, mejora de la granularidad del paralelismo
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige a varios empleados de "oficinas" de forma remota para colaborar en la realización de tareas. Actualmente, casi todos los modelos grandes principales se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y resistente a la censura. Su característica central radica en: múltiples nodos que no se fían entre sí ( pueden ser computadoras domésticas, GPUs en la nube o dispositivos perimetrales ) que colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para asegurar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades en la heterogeneidad y segmentación de dispositivos: alta dificultad de coordinación entre dispositivos heterogéneos, baja eficiencia en la segmentación de tareas.
Cuello de botella en la eficiencia de la comunicación: la comunicación de red es inestable y el cuello de botella en la sincronización de gradientes es evidente.
Ejecución confiable faltante: falta de un entorno de ejecución confiable, lo que dificulta verificar si los nodos realmente participan en el cálculo.
Falta de coordinación unificada: sin un centro de control, la distribución de tareas y el mecanismo de reversión de excepciones son complejos
La capacitación en Descentralización se puede entender como: un grupo de voluntarios globales, cada uno contribuyendo con poder de cómputo para entrenar el modelo de manera colaborativa, pero "la verdadera capacitación descentralizada a gran escala que es viable" sigue siendo un desafío ingenieril sistémico, que involucra arquitectura de sistemas, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, verificación de modelos y múltiples niveles. Sin embargo, la posibilidad de "colaboración efectiva + incentivos para la honestidad + resultados correctos" aún se encuentra en la fase temprana de exploración de prototipos.
El aprendizaje federado, como forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan la conformidad con la privacidad, como la atención médica, las finanzas. El aprendizaje federado tiene la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee las ventajas de dispersión de datos del entrenamiento Descentralizado, pero aún depende de una parte coordinadora confiable y no tiene características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, siendo relativamente moderado en términos de tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, siendo más adecuado como una arquitectura de despliegue transitorio en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de una alta memoria de video, baja latencia y un ancho de banda alto, lo que dificulta su división y sincronización efectivas en una red abierta; tareas con fuertes restricciones de privacidad y soberanía de datos, como la atención médica, las finanzas y los datos confidenciales, están limitadas por la conformidad legal y las restricciones éticas, lo que impide su compartición abierta; y las tareas que carecen de incentivos de colaboración, como los modelos de código cerrado de las empresas o el entrenamiento interno de prototipos, carecen de la motivación para la participación externa. Estas fronteras constituyen las limitaciones reales de la Descentralización del entrenamiento actual.
Pero esto no significa que la formación en Descentralización sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, la formación en Descentralización muestra un claro potencial de aplicación. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas de formación posteriores alineadas con el comportamiento ( como RLHF, DPO ), tareas de entrenamiento y etiquetado mediante crowdsourcing de datos, entrenamiento de modelos base pequeños controlados por recursos, así como escenarios de entrenamiento colaborativo con la participación de dispositivos periféricos. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a la potencia de cálculo heterogénea, lo que las hace muy adecuadas para ser realizadas a través de redes P2P, protocolos Swarm, optimizadores distribuidos y otros métodos de entrenamiento colaborativo.
En la actualidad, los proyectos de blockchain más representativos en el campo de la Descentralización de entrenamiento y el aprendizaje federado incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones de vanguardia de la investigación teórica actual; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, ya se pueden ver avances iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y la arquitectura ingenieril detrás de estos cinco proyectos, y explorará además las diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
( Prime Intellect: pionero de redes colaborativas de aprendizaje reforzado verificables por la trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por su contribución computacional. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado que sea verificable, abierto y con un mecanismo de incentivos completo a través de tres módulos: PRIME-RL + TOPLOC + SHARDCAST.
)# Explicación detallada del mecanismo tecnológico central
PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritario, desacoplando estructuralmente los procesos de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete de manera independiente el ciclo de tareas localmente, y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos tradicionales de aprendizaje supervisado, PRIME-RL es más adecuado para lograr entrenamiento flexible en entornos sin programación central, lo que reduce la complejidad del sistema y sienta las bases para apoyar la paralelización de múltiples tareas y la evolución de estrategias.
TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recalculo del modelo completo, sino que completa la verificación de estructura ligera mediante el análisis de la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo que representa una innovación clave para lograr la distribución de recompensas de entrenamiento sin necesidad de confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable e incentivada.
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asíncronos, tienen un ancho de banda limitado y estados de nodos variables. Combina un mecanismo de propagación de gossip con una estrategia de sincronización local, permitiendo que múltiples nodos envíen continuamente actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y una evolución de múltiples versiones. En comparación con los métodos centralizados o síncronos de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso estable de pesos y la iteración continua del entrenamiento.
OpenDiLoCo: marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación independiente y de código abierto implementado por el equipo de Prime Intellect basado en la filosofía DiLoCo propuesta por DeepMind, diseñado específicamente para enfrentar desafíos comunes en el entrenamiento descentralizado, como la limitación de ancho de banda, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander, Small-World, evitando los altos costos de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con los nodos vecinos locales. Combinando actualizaciones asíncronas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que GPU de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
PCCL: Biblioteca de Comunicación Colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA descentralizados, con el objetivo de resolver el cuello de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de bajo ancho de banda. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de interrupción, y puede ejecutarse en GPU de consumo y nodos inestables, siendo un componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad de los dispositivos, allanando el camino para construir una red de entrenamiento colaborativa verdaderamente abierta y sin necesidad de confianza, superando la "última milla" de la infraestructura de comunicación.
(# Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, permitiendo que cualquier persona participe en tareas y reciba recompensas basadas en contribuciones reales. El protocolo funciona basado en tres tipos de roles centrales:
Iniciador de la tarea: definir el entorno de entrenamiento, el modelo inicial, la función de recompensa y los estándares de validación
Nodo de entrenamiento: ejecutar entrenamiento local, enviar actualizaciones de pesos y trayectorias de observación
Nodos de verificación: utilizan el mecanismo TOPLOC para verificar la autenticidad del comportamiento de entrenamiento y participar en el cálculo de recompensas y la agregación de estrategias.
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos )SHARDCAST( y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo desarrollado a través de la colaboración de nodos descentralizados asíncronos y sin confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con una duración de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenar es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como la estructura de entrenamiento asíncrona PRIME-RL###, la verificación de comportamiento de entrenamiento TOPLOC( y la agregación de pesos asíncrona SHARDCAST), marcando la primera vez que una red de entrenamiento descentralizada logra la apertura del proceso de entrenamiento y la verificación.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
7 me gusta
Recompensa
7
6
Compartir
Comentar
0/400
pumpamentalist
· hace4h
Es otra especulación, pero me gusta.
Ver originalesResponder0
FloorSweeper
· hace4h
smh... otra señal débil de manos de papel tratando de centralizar el entrenamiento de IA
Ver originalesResponder0
ParallelChainMaxi
· hace4h
Otra vez es la vieja trampa de Descentralización.
Ver originalesResponder0
rekt_but_resilient
· hace4h
¿Qué quieres hacer? ¿Cómo podría ser Descentralización?
Ver originalesResponder0
PumpAnalyst
· hace4h
Otra vez dibujando ilusiones, tontos, ¿recuerdan el tema candente de aigc de hace un mes?
Ver originalesResponder0
WenMoon42
· hace5h
La potencia computacional de la industria pesada es muy cara.
Descentralización de entrenamiento: Nuevas paradigmas y desafíos en la colaboración de modelos de IA
El Santo Grial de Crypto AI: Exploración de vanguardia en el entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y presenta el mayor umbral técnico, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de potencia de cálculo a gran escala, un complejo proceso de procesamiento de datos y un fuerte apoyo de algoritmos de optimización, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de los paradigmas de arquitectura, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, realizado por una única entidad dentro de un clúster de alto rendimiento local, completando todo el proceso de entrenamiento, desde el hardware, el software de bajo nivel, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero al mismo tiempo presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos actualmente. Su núcleo consiste en descomponer las tareas de entrenamiento del modelo y distribuirlas a varias máquinas para que se ejecuten de manera colaborativa, con el fin de superar las limitaciones de cálculo y almacenamiento de una sola máquina. Aunque físicamente tiene características "distribuidas", en general sigue siendo controlado y programado por una entidad centralizada, y a menudo se ejecuta en un entorno de red local de alta velocidad. A través de la tecnología de bus de interconexión de alta velocidad NVLink, el nodo principal coordina de manera unificada las subtareas. Los métodos más utilizados incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige a varios empleados de "oficinas" de forma remota para colaborar en la realización de tareas. Actualmente, casi todos los modelos grandes principales se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y resistente a la censura. Su característica central radica en: múltiples nodos que no se fían entre sí ( pueden ser computadoras domésticas, GPUs en la nube o dispositivos perimetrales ) que colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para asegurar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La capacitación en Descentralización se puede entender como: un grupo de voluntarios globales, cada uno contribuyendo con poder de cómputo para entrenar el modelo de manera colaborativa, pero "la verdadera capacitación descentralizada a gran escala que es viable" sigue siendo un desafío ingenieril sistémico, que involucra arquitectura de sistemas, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, verificación de modelos y múltiples niveles. Sin embargo, la posibilidad de "colaboración efectiva + incentivos para la honestidad + resultados correctos" aún se encuentra en la fase temprana de exploración de prototipos.
El aprendizaje federado, como forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan la conformidad con la privacidad, como la atención médica, las finanzas. El aprendizaje federado tiene la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee las ventajas de dispersión de datos del entrenamiento Descentralizado, pero aún depende de una parte coordinadora confiable y no tiene características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, siendo relativamente moderado en términos de tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, siendo más adecuado como una arquitectura de despliegue transitorio en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de una alta memoria de video, baja latencia y un ancho de banda alto, lo que dificulta su división y sincronización efectivas en una red abierta; tareas con fuertes restricciones de privacidad y soberanía de datos, como la atención médica, las finanzas y los datos confidenciales, están limitadas por la conformidad legal y las restricciones éticas, lo que impide su compartición abierta; y las tareas que carecen de incentivos de colaboración, como los modelos de código cerrado de las empresas o el entrenamiento interno de prototipos, carecen de la motivación para la participación externa. Estas fronteras constituyen las limitaciones reales de la Descentralización del entrenamiento actual.
Pero esto no significa que la formación en Descentralización sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, la formación en Descentralización muestra un claro potencial de aplicación. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas de formación posteriores alineadas con el comportamiento ( como RLHF, DPO ), tareas de entrenamiento y etiquetado mediante crowdsourcing de datos, entrenamiento de modelos base pequeños controlados por recursos, así como escenarios de entrenamiento colaborativo con la participación de dispositivos periféricos. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a la potencia de cálculo heterogénea, lo que las hace muy adecuadas para ser realizadas a través de redes P2P, protocolos Swarm, optimizadores distribuidos y otros métodos de entrenamiento colaborativo.
Descentralización entrenamiento clásico proyecto análisis
En la actualidad, los proyectos de blockchain más representativos en el campo de la Descentralización de entrenamiento y el aprendizaje federado incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones de vanguardia de la investigación teórica actual; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, ya se pueden ver avances iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y la arquitectura ingenieril detrás de estos cinco proyectos, y explorará además las diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
( Prime Intellect: pionero de redes colaborativas de aprendizaje reforzado verificables por la trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por su contribución computacional. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado que sea verificable, abierto y con un mecanismo de incentivos completo a través de tres módulos: PRIME-RL + TOPLOC + SHARDCAST.
)# Explicación detallada del mecanismo tecnológico central
PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritario, desacoplando estructuralmente los procesos de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete de manera independiente el ciclo de tareas localmente, y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos tradicionales de aprendizaje supervisado, PRIME-RL es más adecuado para lograr entrenamiento flexible en entornos sin programación central, lo que reduce la complejidad del sistema y sienta las bases para apoyar la paralelización de múltiples tareas y la evolución de estrategias.
TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recalculo del modelo completo, sino que completa la verificación de estructura ligera mediante el análisis de la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo que representa una innovación clave para lograr la distribución de recompensas de entrenamiento sin necesidad de confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable e incentivada.
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asíncronos, tienen un ancho de banda limitado y estados de nodos variables. Combina un mecanismo de propagación de gossip con una estrategia de sincronización local, permitiendo que múltiples nodos envíen continuamente actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y una evolución de múltiples versiones. En comparación con los métodos centralizados o síncronos de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso estable de pesos y la iteración continua del entrenamiento.
OpenDiLoCo: marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación independiente y de código abierto implementado por el equipo de Prime Intellect basado en la filosofía DiLoCo propuesta por DeepMind, diseñado específicamente para enfrentar desafíos comunes en el entrenamiento descentralizado, como la limitación de ancho de banda, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander, Small-World, evitando los altos costos de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con los nodos vecinos locales. Combinando actualizaciones asíncronas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que GPU de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
PCCL: Biblioteca de Comunicación Colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA descentralizados, con el objetivo de resolver el cuello de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de bajo ancho de banda. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de interrupción, y puede ejecutarse en GPU de consumo y nodos inestables, siendo un componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad de los dispositivos, allanando el camino para construir una red de entrenamiento colaborativa verdaderamente abierta y sin necesidad de confianza, superando la "última milla" de la infraestructura de comunicación.
(# Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, permitiendo que cualquier persona participe en tareas y reciba recompensas basadas en contribuciones reales. El protocolo funciona basado en tres tipos de roles centrales:
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos )SHARDCAST( y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo desarrollado a través de la colaboración de nodos descentralizados asíncronos y sin confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con una duración de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenar es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como la estructura de entrenamiento asíncrona PRIME-RL###, la verificación de comportamiento de entrenamiento TOPLOC( y la agregación de pesos asíncrona SHARDCAST), marcando la primera vez que una red de entrenamiento descentralizada logra la apertura del proceso de entrenamiento y la verificación.